Debatte zu GenAI im Requirements Engineering: Wir sind erst am Anfang!

Ich habe kürzlich mit Chris Rupp, Jens Kawelke und Henning Femmer an einer Online-Paneldiskussion zu generativer KI (GenAI) im Requirements Engineering teilgenommen. Die Aufzeichnung dieser Diskussion ist nun auch als Video verfügbar.

Im folgenden nun das Video als auch eine Zusammenfassung, die nicht mit KI, sondern altmodisch von Hand erstellt wurde. Ob das besser ist als eine von KI generierte müsst Ihr selbst entscheiden und dürft das gern in die Kommentare schreiben.

Diana Hauser moderierte das Panel extrem professionell, wodurch die Aufzeichnung eine enorm hohe Informationsdichte hat. Strukturiert war die Veranstaltung in mehrere Teile. Im folgenden für jeden Block eine prägnante Zusammenfassung, gefolgt von den Beiträgen der einzelnen Teilnehmer.

Status Quo zu GenAI im Requirements Engineering

Euphorie, schnelle taktische Gewinne, aber auch Unsicherheit bzgl. Datenvertraulichkeit und fehlender Integration. Auch die Forschung hat die Möglichkeiten nicht kommen sehen.

Alle Teilnehmer berichteten von Erfolgsstories, besonders von schnellen, taktischen Gewinnen (Michael). Chris sprach von der Euphorie in vielen Teams, wenn diese die Möglichkeiten von Werkzeugen wie ChatGPT zum ersten Mal kennenlernen.

Doch schnell schleicht sich dann Unsicherheit ein (Jens und Chris): Zum einen Bezüglich Datenvertraulichkeit, zum anderen bezüglich fehlender Integration. Michael wies daraufhin, dass manche Nutzer ein Händchen für das Prompt-Engineering haben, aber bei weitem nicht alle. Bessere Integrationen, wie Microsoft sie bspw. mit Copilot für gitHub realisiert hat, machen das deutlich einfacher.

Henning wies auf die Relevanz des Themas in der Forschung hin. Die Qualität des Ergebnisses hat viel Varianz, was natürlich genau das ist, was die Forschung eigentlich vermeiden möchte. Dennoch ist auch aus der Sicht der Forschung das, was wir heute sehen, noch vor wenigen Jahren unvorstellbar. Als Beispiel nannte Henning das Erkennen inhaltlicher Widersprüche.

Effektive GenAI-Plattformen

Auf jeden Fall Entwickler und Nutzer trennen. Am Besten Technologie einkaufen, nicht selber entwickeln. GenAI nicht mit traditioneller KI verwechseln.

Es gab durchaus unterschiedliche Meinungen bei der Frage, welche Plattformen denn die effektivsten sind. Denn Michael sagte, dass die Nutzer ein Ergebnis wollen, keine Technologie. Wenn KI hilft, dann gern KI. Chris bestätigte, dass in Unternehmen, die KI selbst umsetzen wollen, die Rollen von Nutzer und Entwickler klar getrennt sein müssen.

Jens ergänzte das Thema im Kontext von Anforderungsmanagement, wo Anfangs viel mit Chatbots gearbeitet wurde — allein schon deshalb, weil es nichts anderes gab. Die Einführung von KI-Komponenten sah er eher negativ und opportunistisch. Viel interessanter fand er Chatbots, die Zugriff auf das Firmennetz und bestimmte Projekte haben: Da sieht er die Zukunft.

Wenn eine KI in Unternehmen eingesetzt wird, dann im Container, also ohne die Gefahr, dass Daten auf der Firma entkommen können. Henning bestätigte dies, wies aber darauf hin, dass diese Diskussion schon vor zehn Jahren bezüglich anderer Cloud-Technologien geführt wurde. Damals unterschieden sich das, was Unternehmen sagten und das, was sie taten: Wenn es nützlich ist, wird es gemacht. Und das wird bei KI-Technologien auch so sein.

Aus dem Chat kamen konkrete Fragen zu den Tools reQLab und Samantha. Michael wies darauf hin, dass zumindest reQlab kein GenAI ist. Da im Moment traditionelle KI-Systeme komplett abgehängt werden, ist diese Differenzierung wichtig.

Was ist der nächste Schritt bei GenAI im Requirements Engineering?

Überall, wo wir Datenmengen haben und übersetzt werden muss, wird KI automatisieren. Dort, wo Daten fehlen und Kreativität gefragt ist, erst mal nicht. KI-Systeme werden mächtiger, brauchen dafür aber auch immer mehr Kontextinformation.

Jens wies darauf hin, dass im Moment dermaßen viel Bewegung stattfindet, dass sich die Frage nur von Jahr zu Jahr beantworten lässt. Er wies auch darauf hin, dass manche Dinge bereits erfolgreich automatisiert worden sind, wie bspw. die Extraktion von Anforderungen.

Henning und Chris finden eine gute Richtlinie: Dort, wo genug Daten vorliegen und eine Transformation (Übersetzung) erforderlich ist, kann GenAI gut automatisieren. Ein Beispiel dafür ist die Testfallgenerierung, Ein Beispiel dagegen wären Fragen, für die nicht genug Wissen für als Entscheidungsgrundlage vorliegt. Und Chris wies zurecht darauf hin, dass im Geschäft der menschliche Faktor oft auch wichtig ist: ChatGPT kann nicht mit mir eine Tasse Kaffee trinken.

Jens und Michael widersprachen: Beide wies darauf hin, dass die Modelle immer besser werden. Allerdings sei dafür der Zugang zu firmenspezifischen Daten wichtig. Für komplexe Automatisierung ist ein größerer Kontext erforderlich.

Requirements Engineers für GenAI motivieren

Requirements Engineers sind leicht zu motivieren, Demos und Schulungen helfen. Ein großer Demotivator sind schlechte Werkzeuge.

Requirements Engineers dazu zu motivieren, diese Technologien einzusetzen, ist einfach, sagt Chris. Denn Requirements Engineers lassen sich überzeugen, wenn sie die Vorteile sehen. Und das ist leicht, denn diese Zielgruppe kennt viele der nervenaufreibenden Aktivitäten und würde diese gern von KI automatisieren lassen.

Jens wies darauf hin, dass sich die Skills im RE verschieben. Nach wie vor werden Neugier und Flexibilität gebraucht, manche traditionelle Skills verlieren an Bedeutung. Aber das war immer so. Mit Demos und Schulungen ist es leicht, Requirements Engineers zu motivieren.

Michael fand die Frage etwas zu eng gestellt, denn grundsätzlich müssen wir Mitarbeiter motivieren, auf dem Stand der Technik zu bleiben, heute mehr denn je. Ein Problem, das er diesbezüglich im RE sieht, ist die Qualität der Werkzeuge. Viele sind grottig und altbacken, während gute Werkzeuge motivieren. Hier sieht er Handlungsbedarf, unabhängig vom KI-Bezug.

Wie sieht die Zukunft aus?

Digital Twins und SW-Companions werden durch GenAI drastisch beschleunigt werden. Die Brüche zu Zulieferern und die Arbeit bezüglich funktionaler Sicherheit werden kurzfristig wohl nicht von KI gelöst werden.

Michael hat im Vorlauf 4 Thesen zum Requirements Engineering im Zeitalter der KI aufgestellt. Im Panel stellte Diana die Frage, wie wir das volle Potential von GenAI erschließen können. Michael ist überzeugt, dass dies nur mit einer ganzheitlichen Sicht funktioniert, die heute schon in Teilen unter dem Namen Digital Twin eine Realität ist. Allerdings sind diese heute in der Regel nur auf bestimmte Bereiche begrenzt. Zu Start-ups, die an der Lösung dieser Probleme arbeiten, gehören Flow Engineering und Spread AI.

Chris wies auf das große Problem der Kommunikation zwischen Herstellern und Zulieferern hin. In diesem Kontext haben Anforderungen allerdings einen hohen Wert als wichtiges Zwischenprodukt für die Vertragserfüllung. Michael bestätigte dies und wie darauf hin, dass das Problem in der Softwareentwicklung zu großen Teilen durch semantisch versionierte Softwarekomponenten weitgehendst gelöst ist.

Jens verwies auf seine Idee eines SW Companions mit Produktwissen. Mit Hilfe eines solchen könnte schon in 2–3 Jahren der Produkt Owner allein den Produktlebenszyklus von Softwareprodukten verwalten, eine Arbeit, für die heute ein halbes Dutzend Mitarbeiter erforderlich sind.

Henning differenzierte: Er sieht das enorme Potential, auch bei seinen Studenten. Allerdings sieht er bis auf weiteres die Notwendigkeit von Menschen in Entwicklung und Review, wenn es um sicherheitskritische Produkte geht.

Kann KI innovativ sein?

Ob KI kreativ sein kann, hängt von der Definition von Kreativität ab. Aber KI kann definitiv den kreativen Prozess unterstützen.

Michael sieht in einer KI einen wertvollen Sparringpartner im Brainstorming, die mit Varianten von Ideen und Aufzählungen helfen kann, aber selbst nicht wirklich kreativ ist.

Jens sah das anders: Er fragte, was Kreativität eigentlich ist. Und er definierte Kreativität als Neukombination von bestehenden Erfindungen. Und das kann GenAI und wird es auch immer besser machen.

Chris ergänzte das mit ihrer persönlichen Erfahrung aus einem Experiment, bei dem sie die Kreativität der KI gesteuert hat und ihr Kreativitätstechniken beigebracht hat. Da kamen zwar ein paar schräge Sachen bei heraus, aber hatte zumindest Aspekte von Kreativität. Sie betonte, dass Prompting das neue Gold sei. Was natürlich die Frage aufwirft, ob sich die Kreativität vom Inhalt auf das Prompt verschiebt.

Fazit

Statt selbst ein Fazit zu schreiben, hier die von Diana zum Abschluss KI-genierte Zusammenfassung, welche die KI basierend auf dem Transkript der Session generiert hat:

Das Meeting konzentrierte sich auf die Zukunft des Requirements Engineering im Zeitalter der KI, insbesondere auf generative KI (GenAI) und deren Einfluss auf Prozesse und Tools im Engineering Bereich. Es wurden Erfahrungen und Erkenntnisse aus der Anwendung von KI in Projekten geteilt, wobei die Diskussion auch an die Herausforderungen und Potentiale von KI-gestützten Tools für das Requirements Engineering umfasste. Abschließend wurde die Bedeutung einer ganzheitlichen Betrachtung des Produktlebenszyklus hervorgehoben, wobei KI als Schlüsseltechnologie für Effizienzsteigerungen über den gesamten Entwicklungsprozess hinweg diskutiert wurde.

KI