4 Thesen zum Requirements Engineering im Zeitalter der KI

Aus gegebenen Anlass: Ich werde am 19.09. als Panelist mit Chris Rupp, Jens Kawelke und Henning Femmer an einer Online-Paneldiskussion teilnehmen (hier kostenlos anmelden). In Vorbereitung auf die Veranstaltung habe ich noch einmal meine Gedanken zu dem Thema geordnet. Herausgekommen sind 4 Thesen zum Requirements Engineering im Zeitalter der KI.

Und wo wir gerade bei Veranstaltungen sind: In wenigen Wochen, am 21.09., findet in Hamburg das nächste systems.camp Nord der GfSE statt. Ich habe die systems.camps immer gern besucht und ein paar Mal auch selbst mitorganisiert. Zur Anmeldung geht es hier.

Und nun, wie versprochen, meine 4 Thesen zum Requirements Engineering im Zeitalter der KI:

4 Thesen

Zugegeben: Bei SE-Trends habe ich bereits einiges zum Thema KI und Anforderungsmanagment veröffentlicht. Insbesondere beschäftige ich mich bereits seit 2020 mit KI (also noch vor ChatGPT) und seit 2006 mit Anforderungen.

In den letzten Jahren haben sich dann die Entwicklungen überschlagen, eine Nachricht jagt die andere und Hype lässt sich kaum noch von ernsthafter Berichterstattung unterscheiden. Die folgenden vier Thesen sollen helfen, etwas Struktur in das Chaos zu bringen.

Vor langer, langer Zeit (2006) war ich als Berater für die HOOD Group tätig. Schon damals bot HOOD kostenlos ein kleines Utility namens DESIRe für DOORS und Word an. Das Utility identifizierte Weak Words und, wenn ich mich recht erinnere, zumindest rudimentär Satzstrukturen. Das war zwar nicht KI-basiert, doch schaffte es mit wenig Aufwand einen großen Nutzen.

Auch Qualitätschecker für Anforderungen gab es lange vor ChatGPT. Recht bekannt ist wohl reQlab für Polarion, welches es seit mindestens 2019 gibt. Auch IBM hat die schon 2011 entwickelte KI Watson längst auf Anforderungen losgelassen.

Mit dem Erfolg von ChatGPT bauten viele Werkzeughersteller eine Chatoberfläche in ihr Werkzeug ein. Auch Berater und Forscher stellen regelmäßig KI-Erweiterungen für Anforderungsmanagementwerkzeuge vor. Doch oft haben diese Tools den Character eines Prototypen oder Gimmicks. Zumindest ist mir noch keine KI bekannt, die die Arbeit um Größenordnungen beschleunigt. Doch genau darum geht es ja: Revolutionäre, nicht evolutionäre Verbesserung.

Um die Produktivität wirklich um eine Größenordnung zu erhöhen, müssen entsprechend große Probleme angegangen werden. Da sehe ich Nachverfolgbarkeit und Wiederverwendung als die Themen, die das Potential haben.

Funktionierende Nachverfolgbarkeit (Traceability) ist enorm mächtig: Nur wenn sie funktioniert, können wir souverän mit Änderungen umgehen und sicherstellen, dass alle Abhängigkeiten berücksichtigt werden. In manchen Industrien, wie bspw. Automotive, ist die Zahl der Anforderungen dermaßen hoch, dass die Traceability sowieso nur mit einer Teilautomatisierung verwaltet werden kann. (Ob Lastenhefte mit zehntausenden von Anforderungen Sinn machen, sei dahingestellt.)

Wiederverwendung (Reuse) ist für viele Unternehmen ein Alptraum: Copy-und-Paste-Reuse sorgt für aufwendige Wartung und Produkte, die für Kunden frustrierende Inkonsistenzen aufweisen. Der Trend zu modularen Systemen und Produktlinien, die Jahrzehntelang weiterentwickelt werden, machen Wiederverwendung immer wichtiger.

Die zwei Themen sind verwandt und KI hat hier großes Potential, da die Erkennung von Ähnlichkeiten und Beziehungen schon immer eine Stärke von KI war, auch schon vor dem Erfolg der generativen KIs. Bisher habe ich von den Werkzeugherstellern nichts Überzeugendes gesehen. Allerdings gibt es einige Start-ups, die sich in bestehende Werkzeuge einklinken, wie bspw. Raiqon.ai.

Einen Schritt weiter geht trace.space: Das Start-up entwickelt ein Anforderungsmanagementwerkzeug von Grund auf neu, bei dem KI fest in die Architektur verankert ist. Aber es geht nicht nur um Anforderungen, wie wir gleich bei Punkt 3 sehen werden.

In der Produktentwicklung geht es um wesentlich mehr als nur um Anforderungen. Im Design müssen Schaltkreise entworfen, Mechanik konstruiert und Software geschrieben werden. Sicherlich ist effektives Anforderungsmanagement hilfreich; aber einen Quantensprung in Produktivität können wir nur schaffen, wenn wir die weiteren Bereiche mit einbeziehen.

Und wenn die Produktentwicklung erschlossen ist, bleibt noch der gesamte Produktlebenszyklus, also Betrieb, Support, Entsorgung und vieles mehr.

In jedem dieser Bereiche finden sich spezialisierte KI-Lösungen, die aber nur genau den Bereich abdecken. Wirklich übergreifende KI-Werkzeuge sind kaum zu finden. Dabei sind wir wieder beim Thema Traceability: Nur dass es bei Punkt 2 um Traceability zwischen Anforderungen ging und hier um Traceability zwischen allen Datenquellen.

In diesem Segment ist Spread.ai ein interessanter Kandidat, auch wenn das Tool (noch) nicht die Traceability zu Anforderungen unterstützt.

Falls wir Punkt 3. skalieren möchten, dann brauchen wir Modellierung, zumindest hinter den Kulissen. Ohne ein (semi-)formales Modell wird es einer KI nicht möglich sein, verlässliche Aussagen zu machen. Ein Modell basiert auf einer Modellierungssprache, die Syntax und (teilweise) Semantik vorgibt. Eine generative KI kann zwar halluzinieren, aber eine Aussage, die auf einem formal korrektem Modell basiert, ist zumindest bezüglich der Modellsemantik korrekt.

In der Praxis bedeutet dies, dass die KI ein Modell pflegt und dieses auch zur Nachweisführung heranziehen kann. Damit hätten wir ein zentrales Modell, dass als „Single Source of Truth“ dient. Damit sind wir plötzlich beim Thema MBSE:

MBSE hat zwar enormes Potential, überfordert jedoch viele Anwender. Daher hatte ich schon vor mehreren Jahren die These aufgestellt, dass MBSE in diesem Jahrzehnt nicht erfolgreich sein wird. Hier hat KI das Potential, den Nutzer zu entlasten: Statt den Menschen modellieren zu lassen, macht die KI das „hinter den Kulissen“.

Wichtig dabei: Es muss sich hier nicht um ein SysML-Modell handeln (oder einer anderen standardisierten Modellierungssprache). Wichtig ist nur, dass das Modell die Informationen des Modells präzise abbilden kann in einer Art und Weise, die formale Argumentation ermöglicht.

Fazit

Dies sind meine vier Thesen zu KI und Requirements Engineering. Ich bin gespannt, welche andere Perspektiven Chris Rupp, Jens Kawelke und Henning Femmer am 19.09 ins Spiel bringen: Je unterschiedlicher unsere Ansichten sind, desto interessanter wird die Diskussion.