TL;DR: Unsere Workshop-Methode zur Anforderungsanalyse haben wir über viele Jahre verfeinert – und sie funktioniert. Aber wir stehen immer vor dem gleichen Problem: dem agilen Dilemma. Zu wenig Detail und man kann nicht schätzen; zu viel und man verschwendet Zeit mit Features, die vielleicht nie umgesetzt werden. Wir erforschen jetzt, wie KI helfen kann: Claude hilft uns, Happy-Path-Wireframes in umfassende Spezifikationen zu übersetzen – in Stunden statt Tagen – denkt an Edge Cases, für die im Workshop keine Zeit bleibt, und schlägt bessere Datenstrukturen vor. Aber die eigentliche Erkenntnis: KI hat unsere Arbeit nicht einfacher gemacht – sie hat sie verändert. Specs zu schreiben ist immer noch unser Job – aber das Bewerten, Ergänzen, Einschränken und Steuern gehört jetzt genauso dazu.
Wo befinden wir uns im Prozess?
In unserem Artikel über die 5 Schlüsselschritte der Softwareentwicklung haben wir unseren kompletten Entwicklungsprozess umrissen: Planung, Analyse, Design, Implementierung und Integration & Qualitätssicherung. Dieser Artikel konzentriert sich auf Schritt 2: Analyse – konkret die Anforderungsanalyse.
Unser Workshop-Prozess: Jahrelang verfeinert
Seit vielen Jahren nutzen wir eine selbstentwickelte Workshop-Methode zur Erfassung von Software-Anforderungen. Bewusst kompakt: 4–6 Stunden, in denen wir bei null beginnen und mit einem ersten groben Bild der fertigen Anwendung enden. Wir setzen uns mit Stakeholdern zusammen und arbeiten systematisch durch: Probleme, Ziele, Bedürfnisse, Geschäftsprozesse und die zu verarbeitenden Informationen.
Der Workshop selbst ist Gold. Es gibt etwas Magisches daran, mit Entscheidungsträgern in einem Raum zu sitzen, sie bei der Priorisierung zu beobachten, ihre Gesichter aufleuchten zu sehen, wenn sie erkennen, was wirklich möglich ist.
Am Ende eines typischen Workshops haben wir:
- Klare Rollenbeschreibungen für alle Systemnutzer
- Eine grobe Datenstruktur mit Schlüsselentitäten und Beziehungen
- Wireframes auf Papier, die die Nutzerflüsse durch die Anwendung zeigen
Die eigentliche Magie: Natürlich besprechen wir Features – aber nicht als abstrakte Listen oder User Stories, bei denen jeder etwas anderes im Kopf hat. Stattdessen zeichnen wir die Anwendung gemeinsam. Visuelle Darstellungen als Werkzeug für kollektives Denken – das ist etwas, das Worte allein nicht leisten können.
Das agile Dilemma
Hier liegt das Problem, mit dem wir seit Jahren konfrontiert sind:
Zu wenig Detail? Keine realistische Schätzung möglich. Missverständnisse tauchen spät auf und verursachen Reibung und Nacharbeit.
Zu viel Detail? Man investiert erheblich Zeit in Spezifikationen für Features, die noch nicht beauftragt sind – und sich in echter agiler Manier ohnehin noch ändern werden. Verschwendete Zeit.
Der Sweetspot, den wir anstreben:
- Detailliert genug für eine realistische Aufwandsschätzung
- Detailliert genug, damit beide Seiten dasselbe verstehen
- Aber nicht so detailliert, dass wir in unbeauftragte Arbeit überinvestieren
- Flexibel genug, um sich anzupassen, wenn Anforderungen sich – unweigerlich – ändern
Unsere ersten Experimente mit KI
Was wir testen: KI ersetzt nicht unseren Workshop-Prozess. Sie verstärkt, was wir bereits gut machen.
Was KI übernimmt:
- Ausarbeiten und detaillieren – erweitert grobe Feature-Beschreibungen zu umfassenden Spezifikationen
- Datenmodelle generieren – schlägt Domänen, Datenbankstrukturen, Feldtypen und Beziehungen vor
- Edge Cases durchdenken – identifiziert systematisch „Was-wenn"-Szenarien
- Kontext hinzufügen – Sicherheitsüberlegungen, Performance-Implikationen, Integrationspunkte
- Systematisch dokumentieren – Akzeptanzkriterien, API-Endpoints, Fehlerbehandlungsmuster
Was wir danach tun:
- Sorgfältig reviewen – prüfen, ob die KI zu tief gegangen ist oder Geschäftskontext verfehlt hat
- Verfeinern und anpassen für die Projektspezifika
- Die detaillierte Spezifikation gemeinsam mit dem Kunden abstimmen
Was sich konkret verändert: Die Spezifikationsarbeit, die früher Tage dauerte, dauert jetzt Stunden. Dafür investieren wir erheblich mehr Zeit in die Überprüfung – und das ist kein Overhead, sondern der eigentliche Wert.
Die neue Fähigkeit: Kritisches Urteilsvermögen in der Breite
Wenn die KI 20 Edge Cases für ein Feature generiert, muss man fragen:
- Welche davon werden im realen Nutzungskontext dieses Kunden tatsächlich auftreten?
- Welche sind theoretisch möglich, aber praktisch irrelevant?
- Fügen wir Detail hinzu, das hilft – oder Detail, das nur Entwicklungskosten erhöht?
- Macht uns dieses Spezifikationsniveau agiler oder weniger agil?
KI kennt die Antworten nicht. Sie kann es nicht – sie kennt nicht das Budget des Kunden, seine Risikotoleranz, seine Geschäftsprioritäten, die Fähigkeiten seines Teams.
Die Meta-Erkenntnis: Je besser KI darin wird, Inhalte zu generieren, desto wertvoller wird menschliches Urteilsvermögen. Nicht weniger – mehr. Denn jemand muss immer noch entscheiden, was überhaupt existieren soll.
Wann man KI nicht einsetzen sollte
KI-gestützte Spezifikation ist nicht universell anwendbar:
- Sicherheitskritische Systeme – Medizinprodukte, Fahrzeugsteuerung, Luft- und Raumfahrt
- Strenge Compliance oder regulatorische Aufsicht – ISO, FDA, DSGVO in sensiblen Bereichen
- Proprietäre oder patentierte Prozesse – wenn das Geschäftsmodell selbst die Innovation ist
- Frühphasen ohne ausreichend Kontext – wenn zu wenig Substanz vorhanden ist, mit der KI arbeiten kann
Das menschliche Element gewinnt weiterhin
Trotz aller KI-Experimente hat sich eines nicht verändert: Der Workshop selbst bleibt unverzichtbar.
Keine KI ersetzt das Vertrauen, das entsteht, wenn man sechs Stunden fokussiert mit einem Kunden zusammensitzt. Die Körpersprache, die verrät, wenn jemand nicht einverstanden ist, aber schweigt. Die kollaborative Energie, wenn Stakeholder gemeinsam Wireframes skizzieren. Das gemeinsame Verständnis, das entsteht, wenn alle dasselbe Bild sehen.
KI hilft uns, was danach kommt – gemeinsames Verständnis in detaillierte Specs übersetzen. Der Workshop ist und bleibt das Herzstück. Die KI übernimmt die Fleißarbeit. Und wir urteilen darüber, was davon zählt.