Diese Arbeit untersucht die Potenziale, Grenzen und Gestaltungserfordernisse einer KI-gestützten Unterstützung im Anforderungsmanagement. Ausgangspunkt ist die Beobachtung, dass Anforderungen in der Praxis überwiegend in natürlicher Sprache vorliegen und dadurch Mehrdeutigkeiten, Unvollständigkeiten und hoher Abstimmungsaufwand entstehen. Auf Basis einer literaturgestützten Einordnung des Forschungsstands zu KI im Requirements Engineering (NLP und LLMs) wird ein Analyse- und Bewertungsrahmen abgeleitet. Die empirische Untersuchung erfolgt über drei Experteninterviews, die mittels qualitativer Inhaltsanalyse ausgewertet werden. Gleichzeitig werden Risiken wie Halluzinationen, fehlendes Kontextverständnis, Datenschutzanforderungen und unklare Verantwortungszuordnung herausgearbeitet. Darauf folgend wird auf die unterschiedlichen Erfolgskriterien eingegangen. Abschließend werden daraus prozessuale, organisatorische und kompetenzbezogene Gestaltungsempfehlungen abgeleitet.
Inhaltsverzeichnis
1. Einleitung
2. Theoretische Grundlagen des Anforderungsmanagements
2.1 Begriffsdefinitionen und Abgrenzung des Anforderungsmanagements
2.2 Ziele, Aufgaben und Prozesse des Anforderungsmanagements
2.3 Rolle des Anforderungsmanagements im IT- und Service-Management
2.4 Steuerungs- und Entscheidungsfunktion des Anforderungsmanagements
2.5 Aktuelle Herausforderungen im Anforderungsmanagement
3. Grundlagen Künstlicher Intelligenz und Stand der Forschung
3.1 Begriffsabgrenzung und Einordnung Künstlicher Intelligenz
3.2 Relevante KI-Verfahren für das Anforderungsmanagement
3.2.1 Maschinelles Lernen
3.2.2 Natural Language Processing
3.2.3 Large Language Models
3.3 Einsatz von KI in Entscheidungs- und Steuerungsprozessen
3.4 Stand der Forschung zum Einsatz von KI im Requirements Engineering
4. Potenziale und Grenzen
4.1 Potenziale des KI-Einsatzes im Anforderungsmanagement
4.2 Grenzen, Risiken und Herausforderungen
5. Methodik der empirischen Untersuchung
5.1 Forschungsdesign und methodischer Ansatz
5.2 Datengrundlage: Literatur und Experteninterviews
5.3 Auswahl der Interviewpartner
5.4 Entwicklung des Interviewleitfadens
5.5 Durchführung der Interviews
5.6 Auswertungsmethodik (qualitative Inhaltsanalyse)
5.7 Gütekriterien und Limitationen der Methodik
6. Ergebnisse der empirischen Untersuchung
6.1 Vorstellung der Interviewstichprobe
6.2 Darstellung der Kategorien
6.3 Einschätzung der Potenziale KI-gestützter Unterstützung
6.4 Wahrgenommene Grenzen und Risiken
6.5 Anforderungen an den praktischen Einsatz von KI
7. Diskussion der Ergebnisse
7.1 Abgleich Literatur und Interviewergebnisse
7.1.1 Einsatzfelder
7.1.2 Potenziale: Zeit, Qualität und Transparenz
7.1.3 Generative KI/LLMs: Leistungsstand und Abhängigkeiten
7.1.4 Grenzen und Risiken: Ergebnisse, Autonomie, Datenschutz, Verantwortung
7.1.5 Voraussetzungen: Prozessintegration, Kompetenzen, Governance
7.2 Implikationen für Anforderungsmanagement und IT-Management
8. Gestaltungsempfehlungen
8.1 Prozessuale Gestaltungsempfehlungen
8.2 Organisatorische und Governance-bezogene Empfehlungen
8.3 Empfehlungen für Kompetenzen und Rollen
9. Fazit und Ausblick
Zielsetzung und thematische Schwerpunkte
Die Master-Thesis untersucht die Potenziale, Grenzen und notwendigen Gestaltungserfordernisse für einen KI-gestützten Einsatz im Anforderungsmanagement. Ziel ist es, ein besseres Verständnis darüber zu erlangen, wie KI als Assistenzsystem die Effizienz und Qualität in textintensiven Phasen des Anforderungslebenszyklus steigern kann, ohne dabei die menschliche Entscheidungsverantwortung zu gefährden oder unkontrollierbare Risiken einzugehen.
- Analyse des aktuellen Forschungsstandes zu NLP und Large Language Models im Requirements Engineering.
- Empirische Untersuchung der Praxisperspektive mittels leitfadengestützter Experteninterviews.
- Identifikation von Einsatzbereichen (Quick Wins) wie Vorstrukturierung und Konsolidierung von Anforderungen.
- Bewertung von Risiken wie Halluzinationen, Datenschutzbedenken und Autonomiegraden.
- Ableitung von Gestaltungsempfehlungen für Prozessintegration, Governance und Kompetenzaufbau.
Auszug aus dem Buch
3.2 Relevante KI-Verfahren für das Anforderungsmanagement
Für KI-gestützte Unterstützung im Anforderungsmanagement sind vor allem Verfahren relevant, die Texte auswerten, strukturieren und in Kategorien einordnen können. Hintergrund ist, dass Anforderungen in der Praxis überwiegend in natürlicher Sprache formuliert sind und inhaltlich miteinander verflochten sind. Das macht die Analyse und Klassifikation schwierig. Gleichzeitig gilt die manuelle Extraktion und Klassifikation als zeit- und ressourcenintensiv, weshalb seit Jahren datengetriebene Verfahren zur Reduktion manueller Aufwände untersucht werden.
3.2.1 Maschinelles Lernen
Maschinelles Lernen (ML) bezeichnet unterschiedliche Verfahren, bei denen Systeme nicht ausschließlich über fest programmierte Regeln arbeiten, sondern Daten aus Mustern ableiten und diese für Entscheidungen und Vorhersagen nutzen. Ein wichtiges Merkmal besteht darin, dass ein Modell auf Basis von Trainingsdaten erlernt wird und anschließend anhand separater Testdaten überprüft werden kann. In der Literatur werden dabei drei grundlegende Lernformen unterschieden. Beim überwachten Lernen werden Modelle mit „beschrifteten“ Beispieldaten trainiert, sodass sie nach dem Training neue Fälle einer Klasse zuordnen oder Entscheidungen treffen können. Beim unüberwachten Lernen werden dagegen Muster und Strukturen in Daten erkannt, ohne dass Zielklassen vorgegeben sind, wobei die Kategorisierung von vorhandenen Daten abhängt. Beim bestärkten Lernen wird in Schritten eine Strategie erlernt, indem das Modell Rückmeldungen in Form von einer Belohnung oder Strafe erhält und dadurch Handlungen findet, die eine Anreizfunktion maximieren.
Zusammenfassung der Kapitel
1. Einleitung: Die Arbeit beleuchtet die Motivation, KI zur Bewältigung der Herausforderungen im textlastigen Anforderungsmanagement einzusetzen, und definiert das Ziel, Potenziale und Grenzen zu untersuchen.
2. Theoretische Grundlagen des Anforderungsmanagements: Dieses Kapitel erläutert die zentralen Begriffe, Ziele, Prozesse und die Rolle des Anforderungsmanagements im IT-Service-Kontext.
3. Grundlagen Künstlicher Intelligenz und Stand der Forschung: Hier werden technische Grundlagen (ML, NLP, LLMs) erklärt und der aktuelle Stand der Forschung im Requirements Engineering konzeptionell eingeordnet.
4. Potenziale und Grenzen: Das Kapitel bündelt Erkenntnisse zu den Effizienzgewinnen durch KI sowie den damit verbundenen technischen und methodischen Herausforderungen.
5. Methodik der empirischen Untersuchung: Der qualitative Forschungsansatz mittels Experteninterviews und der Prozess der Inhaltsanalyse werden hier ausführlich dargelegt und begründet.
6. Ergebnisse der empirischen Untersuchung: Die erhobenen Daten aus den drei Experteninterviews werden kategorisiert und hinsichtlich der Potenziale sowie Risiken für die Praxis analysiert.
7. Diskussion der Ergebnisse: Die empirischen Befunde werden kritisch mit dem theoretischen Forschungsstand abgeglichen, um Implikationen für die Praxis abzuleiten.
8. Gestaltungsempfehlungen: Es werden konkrete prozessuale, organisatorische und kompetenzbezogene Empfehlungen für einen praxistauglichen KI-Einsatz gegeben.
9. Fazit und Ausblick: Die Arbeit resümiert die wesentlichen Erkenntnisse und gibt einen Ausblick auf zukünftige Entwicklungen im Bereich der KI-gestützten Anforderungsarbeit.
Schlüsselwörter
Anforderungsmanagement, Künstliche Intelligenz, Requirements Engineering, Natural Language Processing, Large Language Models, Prozessautomatisierung, Datenqualität, Governance, Human-in-the-loop, Assistenzsysteme, Digitale Transformation, KI-Kompetenz, Textanalyse, Wissensmanagement, Risikomanagement.
Häufig gestellte Fragen
Worum geht es in dieser Master-Thesis primär?
Die Arbeit untersucht, wie KI als Assistenzsystem im Anforderungsmanagement eingesetzt werden kann, um den Umgang mit natürlichsprachigen Anforderungen effizienter und transparenter zu gestalten.
Was sind die zentralen Themenfelder der Untersuchung?
Die Schwerpunkte liegen auf der Identifikation von KI-Einsatzmöglichkeiten, der Bewertung von Chancen wie Zeitersparnis und Qualitätssteigerung sowie der Analyse von Risiken wie Halluzinationen und Datenschutzanforderungen.
Welches primäre Ziel verfolgt die Arbeit?
Ziel ist es, Potenziale und Grenzen einer KI-gestützten Unterstützung aufzuzeigen und konkrete Gestaltungsempfehlungen für Organisationen abzuleiten, die KI in ihre Anforderungsmanagement-Prozesse integrieren wollen.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer Literaturrecherche und einem qualitativen Forschungsansatz, in dessen Rahmen drei Experteninterviews mittels qualitativer Inhaltsanalyse ausgewertet werden.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen, den Stand der Forschung zu KI im Requirements Engineering, die empirische Datenerhebung und die anschließende Diskussion der Ergebnisse inklusive Handlungsempfehlungen.
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Zentrale Begriffe sind KI-gestütztes Anforderungsmanagement, Human-in-the-loop, Large Language Models (LLMs), Prozessintegration und Governance.
Wie wird die Zuverlässigkeit von KI-Outputs in der Thesis bewertet?
Die Ergebnisse betonen, dass KI-Systeme keine vollautonomen Entscheider sind. Stattdessen wird eine klare Trennung zwischen maschineller Assistenz und menschlicher Validierung empfohlen, um die Qualität der Anforderungen zu sichern.
Welche Rolle spielt die Unternehmenskultur für den KI-Einsatz?
Die Thesis hebt hervor, dass erfolgreiche KI-Einführung nicht nur eine technologische Frage ist, sondern ein entsprechendes Erwartungsmanagement, Kompetenzaufbau der Mitarbeiter und eine klare Governance-Architektur erfordert.
- Quote paper
- Sergej Mamutov (Author), 2026, KI-gestützte Unterstützung im Anforderungsmanagement. Potenziale, Grenzen und Gestaltungsempfehlungen, Munich, GRIN Verlag, https://www.grin.com/document/1718655
