Umfrageergebnisse 2024: So sehen Anwender den Einsatz von KI im Requirements Engineering
Der eine oder andere hat sicher mitbekommen, dass ich mit Gunnar Harde die letzten Wochen bei LinkedIn eine Umfrage zu KI am Anforderungsmanagement am Laufen hatte. Die Umfrage ist nun abgeschlossen.
Um die Ergebnisse besser zu verstehen, haben wir die untersuchten Anwendungsfälle auf fünf Action-Priority-Matrizen übertragen. Damit können wir nun schnell entscheiden, wie wir tätig werden sollten. Konkret beantworten wir für jeden der 27 Anwendungsfälle: (1) Ist er verfügbar und nützlich? Dann sofort einsetzen; (2) Ist er nicht verfügbar, aber nützlich: Dann sollten Dienstleister und Werkzeughersteller diesen implementieren. (3) Ist er verfügbar, aber nicht sehr nützlich? Dann lohnt es sich, diesen opportunistisch anzuschauen. (4) Oder ist er nicht verfügbar und nicht sehr nützlich? Dann sollten wir den Anwendungsfall einfach ignorieren.
Wir haben die Ergebnisse heute bei LinkedIn eingestellt: Beteilige Dich dort an der Diskussion!
Do you prefer English?
Die Umfrage
Wir stellten den Teilnehmern insgesamt fünf Doppelfragen, alle nach dem selben Schema:
- Wie wertvoll sind die folgenden Anwendungsfälle?
- Wie brauchbar sind die folgenden Anwendungsfälle?
Die Teilnehmer bekamen dann jeweils Listen von Anwendungsfällen, die sie entsprechend der Frage in eine Reihenfolge bringen sollten.
Mit diesem Vorgehen wollten wir herausfinden, wo KI heute schon gut etabliert ist und wo die Anwender dringenden Bedarf für KI-Lösungen sehen.
Beispiel Modellgenerierung: Die Teilnehmer sahen den Anwendungsfall KI-Modellgenerierung an erster Stelle, siedelten aber die heutigen Lösungen bezüglich Brauchbarkeit auf den letzten Platz an.
Frage zu Requirements Explanation
Die Themenfelder
Die Umfrage beschäftigte sich mit fünf Hauptthemenbereichen zu KI-basierten Anwendungsfällen im Anforderungsmanagement: Exploration, Specification, Allocation, Explanation und Estimation. Die Befragten sollten den Wert und die Brauchbarkeit dieser Anwendungsfälle bewerten.
Exploration
In der ersten Frage, zum Thema Exploration, ging es um Methoden, die es einem Requirements Engineer ermöglichen, sich effizient mit einem bestimmten Themenbereich vertraut zu machen. Dies umfasst beispielsweise die Beantwortung domänenspezifischer Fragen auf Grundlage großer Datensätze oder die automatische Transkription von Interviews und Whiteboard-Notizen. Ziel ist es, den Zugang zu relevanten Informationen zu erleichtern und die Dokumentation zu automatisieren.
Die heutigen AI Co-Interviewer sind Mist!
Das Ergebnis der Umfrage zum Thema Exploration zeigt eine klare Unzufriedenheit mit dem aktuellen Stand der KI-gestützten Co-Interviewer. Die Befragten empfinden die heutigen Lösungen als unzureichend und wenig hilfreich. Anstatt die Arbeit zu erleichtern, scheinen die KI-Co-Interviewer derzeit eher für Frust geeignet. Reines Mitschreiben hingegen wurde als reife, funktionierende Technik bezeichnet.
Specification
Die zweite Frage, zum Thema Specification, bezog sich auf die Unterstützung bei der Spezifikation von Anforderungen. Dies umfasst die automatische Identifizierung von Anforderungen aus Stakeholder-Inputs, die Erstellung von Personas und die Generierung von Akzeptanzkriterien und Testfällen. Der Fokus liegt hier auf der Automatisierung und Effizienzsteigerung in der Erstellung präziser und testbarer Anforderungen.
KI kreiert keine Anforderungen — sie überprüft sie lediglich
Das Ergebnis der Umfrage zeigt, dass die Befragten die Anforderungsgenerierung durch KI eher als eine Spielerei betrachten. Das sieht in Demos nett aus, aber das wenn das Ergebnis eine Null-Acht-Fuffzehn-Drohne aus dem Internet ist, dann ist mit diesen Anforderungen niemanden geholfen. Statt Anforderungen tatsächlich zu kreieren, liegt die Stärke der KI vielmehr in der Überprüfung und Qualitätssicherung bestehender Anforderungen. Die gab es allerdings auch schon vor ChatGPT. Nicht nur das: ML-basierte Qualitätsprüfer liefern deterministische Ergebnisse, generative KI nicht.
Allocation
Die dritte Frage befasste sich mit Allocation und der automatischen Zuordnung von Anforderungen zu bestimmten Komponenten, Teams oder Quellen. Dazu gehört auch die Nachverfolgbarkeit von Anforderungen und die Erkennung von Abhängigkeiten oder Duplikaten. Ziel dieser Anwendungsfälle ist es, die Verwaltung und Verteilung von Anforderungen effizienter zu gestalten und die Zusammenarbeit innerhalb von Teams zu verbessern.
Abhängigkeiten finden ist der Weg zur Entfaltung des Potentials von KI
Das Ergebnis zeigt, dass das automatische Identifizieren von Abhängigkeiten viel Potential hat. Damit ist nicht nur die klassische Traceabililty gemeint, sondern auch Beziehungen zu Kundeninformationen, Supportanfragen, aber natürlich auch ins Design oder zu Tests. Allerdings liegt die Einschätzung der Teilnehmer, dass KI diese Aufgabe schon heute vernünftig bewältigt, nur im Mittelfeld. Klar ist, dass jeder Ansatz, die Nachverfolgbarkeit effizienter und zuverlässiger zu machen, enormes Potential hat.
Explanation
Im Bereich Explanation ging es in der vierten Frage um die Vereinfachung und Übersetzung von Anforderungen. Die Anwendungsfälle in diesem Bereich umfassen die Optimierung der Formulierung von Anforderungen für bessere Lesbarkeit, die Übersetzung in einfache Sprache oder andere Sprachen und die Konvertierung von Modellen in Text und umgekehrt. Ziel ist es, die Verständlichkeit und Zugänglichkeit der Anforderungen für unterschiedliche Stakeholder zu verbessern.
Modelle aus Text abzuleiten ist eine Herausforderung für KI
Die Befragten finden die Idee, Modelle aus Text abzuleiten, sehr attraktiv. Allerdings sehen sie auch hier viel Verbesserungspotential bei den Leistungen der KI. Das kann ich nachvollziehen, schließlich hatte ich selbst einige Experimente dazu durchgeführt und auch die Literatur untersucht.
Eigentlich war diese Frage etwas zu eng gefasst: Es ging um Modellierung als Hilfsmittel der Erklärung. Doch das Potential für die Ableitung von Modellen aus Anforderungen geht weit über die Nutzung der Erklärung hinaus.
Estimation
Die fünfte Frage behandelte das Thema Estimation und konzentrierte sich auf die automatische Schätzung des Werts, der Komplexität und des Risikos von Anforderungen. Diese Anwendungsfälle zielen darauf ab, die Priorisierung von Anforderungen zu unterstützen, indem sie wertvolle Einblicke in ihre potenziellen Auswirkungen und Herausforderungen bieten.
KI kann nur mäßig gut abschätzen, da ist noch Platz nach oben
Bei der Leistungsfähigkeit der KI in diesem Bereich waren die Befragten ambivalent. Allerdings kristallisierte sich Risikoabschätzung als der wichtigste Anwendungsfall heraus.
Hier wäre sicher noch einmal interessant herauszufinden, um welche Art von Risiken es hier geht: Ein Risiko bezüglich funktionaler Sicherheit hat einen anderen Stellenwert als das Risiko, wegen Engpässen beim Lieferanten eines Microchips die Produktionsziele nicht erreichen zu können.
Fazit
Die Umfrage zu KI im Requirements Engineering zeigt, dass Anwender das Potenzial der Technologie zwar erkennen, aber noch erheblichen Verbesserungsbedarf sehen. Angesichts des wachsenden wirtschaftlichen Drucks bieten die Ergebnisse klare Handlungsempfehlungen: Anwender sollten die verfügbaren KI-Lösungen gezielt mit ihrem eigenen Bedarf abgleichen, während Werkzeughersteller und Beratungsunternehmen verstärkt in Bereichen aktiv werden können, in denen Bedarf besteht, aber ausgereifte Lösungen fehlen.
Der Weg zur Optimierung ist noch lang, doch mit gezieltem Einsatz und kontinuierlicher Entwicklung kann KI das Requirements Engineering nachhaltig verändern und effizienter gestalten.
