Künstliche Intelligenz ist längst in unseren Unternehmen angekommen. Sie verspricht schnellere Prozesse, bessere Texte und weniger manuellen Aufwand. Doch was passiert, wenn die Ausgangsfrage unklar ist oder wichtige Informationen fehlen? Dann produziert KI zwar schnell Ergebnisse, aber nicht unbedingt die richtigen.
Seit April 2026 arbeite ich bei der Anforderungsfabrik als Business Analyst und Requirements Engineer. Gerade habe ich meine IREB CPRE Foundation-Zertifizierung abgeschlossen. Parallel durfte ich die interne Automatisierung von Vertriebsprozessen mit OpenAI & Microsoft Copilot unterstützen.
Dabei ging es nicht darum, den Vertrieb durch KI zu ersetzen. Ziel war, wiederkehrende Aufgaben zu vereinfachen und mehr Raum für Tätigkeiten zu schaffen, bei denen Erfahrung, Kommunikation und Urteilsvermögen entscheidend sind.
Dieser Beitrag zeigt, welche Rolle Requirements Engineering bei KI-Projekten spielt, wo Herausforderungen liegen und welche Erkenntnisse sich übertragen lassen.
Das eigentliche Problem ist selten das fehlende Tool
Am Anfang stand nicht die Frage: „Was kann Copilot alles?“ Die bessere Frage lautete: „Wo entstehen in unseren Vertriebsprozessen Aufwände, Verzögerungen oder Medienbrüche?“
Ein sinnvoller Anwendungsfall erfüllt drei Bedingungen:
Er liefert einen konkreten Mehrwert.
Er lässt sich fachlich klar beschreiben.
Sein Risiko bleibt beherrschbar.
Business Analyse verbindet dabei fachlichen Bedarf, technische Umsetzung und den Nutzen für die Anwenderinnen und Anwender.
Was Copilot leisten kann
Copilot ist besonders hilfreich, wenn Texte verarbeitet, strukturiert oder in eine erste Form gebracht werden müssen. Für die Vorbereitung einer E-Mail kann die Anwendung Informationen bündeln, eine Textstruktur vorschlagen und mögliche Fragen formulieren.
Der größte Nutzen liegt dabei nicht in der vollständig automatisierten Erstellung fertiger Ergebnisse. Besonders wertvoll ist ein guter Ausgangspunkt, den ein Mensch prüfen, ergänzen und fachlich einordnen kann.
Agenten fair vergleichen: „Äpfel mit Äpfeln“
Bei der Umsetzung von KI lohnt sich der strukturierte Vergleich verschiedener Tools. Ein möglicher Ansatz ist, zwei Agenten mit derselben Aufgabe zu testen, zum Beispiel einen in OpenAI und einen in Copilot Studio. So lässt sich besser verstehen, wie sie an eine Fragestellung herangehen und welche Perspektive besser zum eigenen Geschäftsszenario passt.
Für eine faire Bewertung müssen die Rahmenbedingungen möglichst identisch sein. Besonders wichtig ist, dass beide Agenten dieselbe Modellversion verwenden, zum Beispiel GPT-5.5 Chat. Nur dann lassen sich Ergebnisqualität, Bearbeitungszeit sowie der Verbrauch von Credits sinnvoll vergleichen. Andernfalls vergleicht man nicht nur zwei Tools, sondern auch unterschiedliche technische Grundlagen.
Neben der Ergebnisqualität zählen daher auch:
Zeit bis zum verwertbaren Ergebnis
Korrektur- und Prüfaufwand
Umgang mit unvollständigen Informationen
Zugriff auf öffentliche Plattformen bzw. auf Internet Seiten
Passung zum Geschäftsszenario
CRM-Zugriffe brauchen klare Leitplanken
Ein weiterer zentraler Punkt ist der Zugriff der KI-Tools auf CRM-Systeme, in unserem Fall beispielsweise Odoo. Vor dem Zugriff muss klar definiert werden, welche Informationen ein Agent lesen, speichern oder verändern darf, und zu welchem Zweck.
Mindestens vier Fragen sind zu beantworten:
Welche Daten benötigt der Agent?
Für welche Zwecke darf er sie verwenden?
Was darf er speichern oder weiterverarbeiten?
Wie lange dürfen Daten und Ergebnisse aufbewahrt werden?
Diese Regeln gehören in die Anforderungen und das Berechtigungskonzept. Ein Agent erhält nur die Informationen und Rechte, die er für seine Aufgabe benötigt.
Drei Leitgedanken für die KI-Nutzung
Künstliche Intelligenz ist ein Werkzeug, das Aufgaben vorbereitet, Informationen strukturiert und Entscheidungen unterstützt. Für die praktische Nutzung gelten drei Leitgedanken:
KI unterstützt, Menschen verantworten: Ein Agent liefert Vorschläge; die fachliche Entscheidung bleibt beim Menschen.
KI braucht klare Aufgaben: Präzise Ziele, Kontexte und Qualitätskriterien verbessern die Ergebnisse.
KI braucht kontrollierte Zugriffe: Datenquellen, Berechtigungen, Zwecke und Aufbewahrungsfristen müssen festgelegt werden.
Die wichtigsten Herausforderungen
1. Unklare Anforderungen führen zu unklaren Ergebnissen
Ein Prompt wie „Erstelle eine gute Zusammenfassung“ lässt vieles offen: Für wen ist sie bestimmt? Welche Informationen sind relevant? Welches Format wird erwartet? Je klarer Ziel, Kontext, Ausgabeformat und Qualitätskriterien beschrieben sind, desto besser wird das Ergebnis.
Hier gelten dieselben Prinzipien wie im klassischen Requirements Engineering: Anforderungen sollten eindeutig, verständlich, nachvollziehbar und prüfbar sein.
2. Die Qualität der Eingaben entscheidet
KI kann unvollständige, widersprüchliche oder veraltete Informationen nicht zuverlässig ausgleichen. Deshalb ist die Datenqualität genauso wichtig wie der Prompt. Zu prüfen ist beispielsweise:
Woher stammen die Informationen?
Sind sie aktuell und vollständig?
Welche Daten sind vertraulich oder personenbezogen?
Welche Informationen darf Copilot verwenden?
Schlechte Daten werden durch KI nicht automatisch gut. Im Gegenteil: Auch auf Basis unvollständiger Informationen liefert KI Ergebnisse, die sprachlich sehr überzeugend wirken. Eine fachliche Plausibilitätsprüfung bleibt deshalb unverzichtbar.
3. Menschliche Kontrolle bleibt notwendig
Ein KI-generierter Text kann professionell klingen und trotzdem sachlich falsch sein. Das ist besonders relevant, wenn Inhalte an Kunden gehen, Entscheidungen beeinflussen oder vertragsnahe Aussagen enthalten.
Wir haben deshalb bewusst mit einem Human-in-the-Loop-Ansatz gearbeitet: Die KI unterstützt bei Vorbereitung und Strukturierung. Die Verantwortung für fachliche Bewertung und finale Kommunikation bleibt beim Menschen.
4. Akzeptanz entsteht nicht durch Technik allein
Eine KI-Anwendung kann technisch funktionieren und trotzdem wenig genutzt werden. Entscheidend ist, ob die Anwenderinnen und Anwender den konkreten Mehrwert erkennen und Vertrauen in die Ergebnisse entwickeln.
Abstrakte KI-Versprechen helfen dabei weniger als konkrete Alltagssituationen. Ein Beispiel: Dauert eine Aufgabe heute zehn Minuten und lässt sich mit Unterstützung in zwei Minuten vorbereiten, ist der Nutzen sofort nachvollziehbar.
Entdecken Sie auch unseren Beitrag „KI-Begriffe neu geordnet: Das KI-Periodensystem für Projektteams“
Meine wichtigsten Erkenntnisse
KI macht Requirements Engineering wichtiger
Requirements Engineering wird durch KI nicht überflüssig, sondern wichtiger. Anforderungen müssen neben dem gewünschten Verhalten auch Datenqualität, Nachvollziehbarkeit und menschliche Kontrolle berücksichtigen.
Dazu gehören Fragen wie:
Wie wird ein Ergebnis bewertet?
Wie werden Fehler erkannt?
Wann ist eine manuelle Prüfung erforderlich?
Wie werden Änderungen an Prompts oder Datenquellen dokumentiert?
Gute Prompts sind eine Form von Anforderungsdefinition
Ein guter Prompt beschreibt Rolle, Ziel, Kontext, Eingaben, Ausgabeformat und Qualitätskriterien. Prompt Engineering ist damit eine strukturierte Übersetzung von Anforderungen in eine für die KI verwertbare Form.
Kleine Anwendungsfälle liefern schneller belastbare Ergebnisse
Statt sofort einen gesamten Vertriebsprozess zu automatisieren, ist ein klar abgegrenzter Use Case sinnvoller. Ein guter Pilot liefert spürbaren Nutzen, bleibt überschaubar und ist leicht bewertbar.
Der längste Output ist nicht automatisch der beste.
Ein guter Output ist klar strukturiert, priorisiert und weist offene Punkte eindeutig aus.
Ein pragmatisches Vorgehen für KI-Automatisierung
Für die Umsetzung hat sich für mich ein Vorgehen in vier Schritten herauskristallisiert:
Prozess verstehen: Beteiligte, Inputs, Outputs, Systeme und Reibungspunkte aufnehmen.
Problem konkretisieren: Nicht „Wir wollen KI einsetzen“, sondern beispielsweise „Wir wollen die Vorbereitung von Bewerbungen effizienter machen und das Team entlasten”.
Leitplanken definieren: Anforderungen, Datenquellen, Qualitätskriterien, Rollen und Regeln für die manuelle Prüfung festlegen.
Testen und verbessern: Mit realistischen Beispielen arbeiten und Bearbeitungszeit, Korrekturaufwand, Nutzungsquote oder Fehlerquote beobachten.
Fazit
Die Arbeit an der Automatisierung unserer Vertriebsprozesse hat mir gezeigt, dass KI und Requirements Engineering sehr gut zusammenpassen. KI kann Aufgaben beschleunigen und Inhalte strukturieren. Ihr Nutzen entsteht aber erst, wenn Anwendungsfall, Daten und Qualitätskriterien klar sind.
Meine wichtigste Erkenntnis lautet: Erfolgreiche KI-Automatisierung beginnt nicht mit dem Tool, sondern mit dem Verständnis des Problems. Die IREB-Zertifizierung liefert dafür ein methodisches Fundament. Die praktische Arbeit mit Copilot hat mir außerdem gezeigt, wie wichtig Experimentierfreude, kritische Prüfung und ein iteratives Vorgehen sind.
Wenn Sie herausfinden möchten, welche Prozesse sich in Ihrem Unternehmen sinnvoll mit KI unterstützen lassen, starten Sie mit einem klar abgegrenzten Anwendungsfall und überprüfbaren Anforderungen. Gerne begleiten wir Sie dabei: von der ersten Idee bis zur Umsetzung.
