Modellierung im Requirements Engineering: Klarheit im Umgang mit Komplexität
Die Modellierung von Anforderungen ist ein zentrales Werkzeug im Requirements Engineering, insbesondere wenn komplexe Sachverhalte verständlich dargestellt werden sollen. Ob BPMN zur Darstellung von Geschäftsprozessen oder UML zur Strukturierung von Systemfunktionen eingesetzt wird – Modelle schaffen Klarheit, reduzieren Missverständnisse und dienen als gemeinsames Denkwerkzeug für Fachbereich und IT.
Gleichzeitig sind sie zeitaufwendig, erfordern methodische Kompetenz und entstehen häufig unter unvollständig definierten Rahmenbedingungen. Genau hier kann Künstliche Intelligenz (KI) unterstützen.
Von unstrukturierten Anforderungen zu ersten Modellen
KI kann unstrukturierte Informationen aus Workshop-Protokollen, Interviews oder groben Prozessbeschreibungen analysieren und dabei relevante Elemente wie Akteure, Aktivitäten, Entscheidungen und Abhängigkeiten identifizieren. Daraus lassen sich erste Vorschläge für Diagramme ableiten, beispielsweise als strukturierte Textdarstellung oder als Code zur visuellen Erstellung.
Der wesentliche Vorteil liegt darin, dass der Requirements Engineer nicht bei null beginnt, sondern auf einem strukturierten Entwurf aufbauen und diesen gezielt weiterentwickeln kann.
Wie KI Struktur und gemeinsames Verständnis schafft
Der Nutzen liegt dabei nicht nur in der Zeitersparnis, sondern vor allem in der Strukturierung. KI kann wiederkehrende Muster wie typische Aktivitätsabfolgen, Entscheidungspunkte oder Rollenverteilungen erkennen, alternative Modellierungsvarianten vorschlagen und implizite Zusammenhänge sichtbar machen.
Gerade in frühen Projektphasen, wenn Anforderungen noch unklar, unvollständig oder widersprüchlich sind, unterstützt dies dabei, schneller ein gemeinsames Verständnis zwischen den Beteiligten zu schaffen.
Grenzen der KI-Modellierung
Allerdings stößt der Einsatz von KI auch an klare Grenzen. Mit zunehmender Komplexität eines Zielmodells – etwa durch viele Verzweigungen, parallele Abläufe oder detaillierte Geschäftsregeln – wird es deutlich schwieriger, konsistente und fachlich korrekte Ergebnisse zu erzeugen.
Besonders anspruchsvoll wird es, wenn konkrete Modellierungsrichtlinien, Benennungsstandards oder Architekturprinzipien einzuhalten sind. In solchen Fällen kann ein KI-generiertes Modell zwar formal korrekt erscheinen, fachlich jedoch unvollständig oder sogar falsch sein.
Entdecken Sie auch unseren Beitrag „Die Rolle der KI im modernen Anforderungsmanagement“
Wann KI in der Modellierung wenig Mehrwert liefert
Ist ein Zielprozess bereits klar definiert und vollständig durchdacht, bietet der Einsatz von KI nicht zwangsläufig einen zusätzlichen Mehrwert. Um ein solches Modell korrekt abzubilden, müssen alle Aktivitäten, Entscheidungen, Ausnahmen und Rahmenbedingungen präzise beschrieben werden.
Je detaillierter das gewünschte Ergebnis ist, desto anspruchsvoller und strukturierter muss die Eingabe erfolgen. Wer einen Prozess jedoch bereits so exakt spezifizieren kann, verfügt in der Regel auch über die notwendige Grundlage, um das Modell direkt selbst zu erstellen. Die besondere Stärke der KI liegt daher in der Exploration, Strukturierung und Variantenbildung und nicht im bloßen Übertragen eines vorgefertigten Designs.
Fazit
Die Modellierung von Anforderungen mit KI ersetzt kein methodisches Requirements Engineering, sondern ergänzt es sinnvoll. Sie beschleunigt die Erstellung von Modellen, unterstützt bei der Strukturierung und erleichtert Iterationen, insbesondere in frühen, explorativen Phasen. Mit zunehmender Komplexität und konkreten Modellierungsvorgaben bleibt die fachliche Verantwortung jedoch eindeutig beim Menschen. KI sollte daher als Assistenzsystem für bessere Modelle verstanden werden und nicht als Autopilot.
