11. März 2026
KI im Requirements Engineering
Was sich in der Praxis bewährt
Künstliche Intelligenz hat längst Einzug in Softwareentwicklung und Produktmanagement gehalten. Doch während Coding-Assistants bereits breite Anwendung finden, steckt der Einsatz von KI im Requirements Engineering (RE) noch in den Kinderschuhen. Ein aktuelles internes Forschungsprojekt bei XITASO zeigt, wie KI heute eingesetzt wird, wo sie echten Mehrwert liefert und wo aktuelle Tools an fundamentale Grenzen stoßen. Grundlage bilden Interviews mit Product Ownern (PO) sowie die systematische Untersuchung dreier KI-gestützter RE-Tools.
1. Wo KI heute unterstützt: Zwei Use Cases
Backlog Management
Backlog-Arbeit ist zeitintensiv, insbesondere in dynamischen Projekten, in denen User Stories häufig umgeschrieben, strukturiert oder neu erstellt werden. KI‑gestützte Assistenten übernehmen hier viele Routineaufgaben. Sie ergänzen fehlende Acceptance Criteria, schlagen konsistente und klare Standardformulierungen vor, zerlegen komplexe Stories oder führen ähnliche Stories zusammen, erkennen inhaltliche Abhängigkeiten und leiten aus Screenshots oder Feature‑Beschreibungen automatisch Story‑Kandidaten ab. Außerdem sind sie in der Lage, implizites Wissen aus früheren Repositories sichtbar zu machen. Diese Funktionen führen zu einer höheren Konsistenz und beschleunigen die Arbeit. Für erfahrene POs entsteht der Mehrwert vor allem punktuell.
Analyse öffentlicher Ausschreibungen
Öffentliche Ausschreibungen sind besonders aufwändig, da sie große Dokumentenmengen, knappe Deadlines und vielfältige Anforderungen umfassen. KI-gestützte Systeme transformieren diesen Prozess deutlich. Sie extrahieren automatisch die wichtigsten Informationen wie Fristen, relevante Anforderungen oder benötigte Nachweise. Sie ermöglichen darüber hinaus interaktive Frage-Antwort Dialoge über umfangreiche Dokumentensammlungen und unterstützen Teams dabei, schneller zu prüfen, ob eine Ausschreibung für XITASO relevant ist. Zusätzlich leiten sie benötigte Skills und passende Referenzen ab. In der Praxis führt dies zu einer erheblichen Zeitersparnis: Die Bearbeitungszeit reduziert sich von ungefähr vier Stunden auf rund 30 Minuten.
2. Die eingesetzten Tools im Überblick
Chatbot mit RAG
Der interne, DSGVO-konforme XITASO-Chatbot dient als flexibles Werkzeug für Story-Verfeinerungen, technische Machbarkeitsabschätzungen, Ideengenerierung und die Analyse komplexer Dokumente mithilfe von Retrieval Augmented Generation (RAG). Für sehr große Anforderungsdokumente eignet sich der Chatbot weniger gut, da Prompts häufig nachjustiert werden müssen.
Product Copilot
Der Product Copilot ist direkt in Jira integriert und nutzt existierende Backlogs, Wikis und Produktbeschreibungen als Kontext. Er erstellt automatisch User Stories inklusive Personas und Acceptance Criteria, identifiziert unvollständige Stories, wandelt informelle Inputs in präzise Backlog Items um und extrahiert übergreifende Informationen wie Produktvisionen oder Zielgruppen. Sein größter Vorteil liegt in seiner tiefen Integration in bestehende Toolchains.
TenderZen
TenderZen durchsucht europaweite Ausschreibungsplattformen und ermöglicht eine intelligente Bedarfsanalyse. Darüber hinaus erstellt es automatisierte Berichte, extrahiert technische Anforderungen und schlägt passende Referenzen und Rollen vor. TenderZen beschleunigt die Bewertung von Ausschreibungen erheblich, doch die finale Einschätzung bleibt ein kreativer und manueller Schritt.
3. Wie KI RE-Workflows verändert ‑Workflows verändert
Von unstrukturiert zu strukturiert
Requirements Engineering beginnt häufig unstrukturiert – etwa mit Whiteboards, frühen Workshops oder Brain Dumps. KI-Tools sind in der Lage, diese rohen Inputs in klar definierte Artefakte zu überführen. Dazu gehören User Stories, Personas, Roadmaps oder Risikoabschätzungen. Diese Stärke zeigt sich besonders in frühen Projektphasen wie Kickoff-Workshops. Dennoch bleibt KI begrenzt: Sie entwickelt keine eigenständigen kreativen Lösungsansätze, erkennt implizite Nutzerbedürfnisse nur eingeschränkt und trägt nicht zur innovativen Konfliktlösung bei.
Fehlende Kollaboration
Alle untersuchten Tools funktionieren nach einem 1:1-Modell, bei dem eine Person mit der KI interagiert. Das widerspricht der Praxis, denn Requirements Engineering ist ein kollaborativer Prozess. Gespräche in Refinements, Planings oder Workshops erzeugen kontinuierlich neuen Kontext, der einem KI-System fehlt. Teams können KI-Dialoge nicht gemeinsam fortführen. Dadurch entsteht Kontextdrift, und POs müssen beide Welten aktiv synchronisieren. Für den praktischen Einsatz fehlen wichtige Funktionen wie Multi-User-KI-Sessions, transparente Entscheidungswege oder eine tiefere Integration in bestehende Lösungskontexte wie Code oder Architektur.
Ownership & Teamdynamiken
Das Projekt zeigt, dass Entwicklerinnen teilweise skeptisch auf KI-generierte Anforderungen reagieren, unabhängig von deren fachlicher Qualität. Vertrauen entsteht nicht automatisch. POs müssen KI-Ergebnisse weiterhin sorgfältig prüfen, und Refinement-Sessions bleiben ein zentraler Bestandteil für gemeinsames Verständnis. Asynchrone Interaktionen („Chatten mit dem Ticket“) können das gemeinsame Commitment schwächen. Bis kollaborative KI-Lösungen existieren, bleibt der menschliche Austausch unverzichtbar.
Fazit: KI ist wertvoll, aber RE bleibt menschlich
KI-gestütztes RE bringt spürbare Entlastungen, vor allem bei Strukturierung, Dokumentenanalyse und Routineaufgaben. Doch gerade die kollaborativen und kreativen Anteile von Requirements Engineering erfordern weiterhin Menschen. Für Forschung wie Praxis gilt: Die nächste Evolutionsstufe besteht nicht darin, Menschen zu ersetzen, sondern Teams und KI gemeinsam arbeiten zu lassen.
Autor*innen
Lena Brehm
Dr. Jan-Philipp Steghöfer