Wie automatisiert KI die Analyse von Anforderungen?

Oleinek · 11 Nov. 2026

KI automatisiert die Analyse von Anforderungen, indem sie natürlichsprachliche Texte maschinell verarbeitet, semantische Muster erkennt und Anforderungsdokumente systematisch auf Vollständigkeit, Konsistenz und Eindeutigkeit prüft. Dies geschieht durch den Einsatz von Large Language Models und Natural Language Processing, die in der Lage sind, auch umfangreiche Lastenhefte in kurzer Zeit zu analysieren. Der folgende Artikel beantwortet die wichtigsten Fragen rund um den Einsatz von KI im Requirements Engineering.

Welche Aufgaben im Requirements Engineering übernimmt KI konkret?

KI übernimmt im Requirements Engineering vor allem drei Kernaufgaben: die automatisierte Prüfung von Anforderungsdokumenten auf formale und inhaltliche Qualität, die Ableitung strukturierter Pflichtenhefte aus Lastenheften sowie die Verknüpfung von Anforderungen mit relevanten Normen, Standards und Erfahrungswissen aus abgeschlossenen Projekten. Damit ersetzt KI keine fachliche Entscheidung, entlastet aber erheblich bei der Vorarbeit.

In der Praxis der physischen Produktentwicklung bedeutet das konkret: Ein KI-gestützter Anforderungs-Agent liest ein Lastenheft ein, identifiziert unklare oder widersprüchliche Formulierungen, leitet Klärungsfragen für das Entwicklungsteam ab und schlägt eine strukturierte Gliederung des Pflichtenhefts vor. Gleichzeitig kann er offene Anforderungen mit Normen wie ISO 26262 oder ASPICE abgleichen und prüfen, ob relevante Lessons Learned aus Vorprojekten berücksichtigt wurden.

Weitere Aufgaben, die KI im Requirements Engineering übernehmen kann, umfassen:

Automatische Klassifikation von Anforderungen nach Typ (funktional, nicht-funktional, Randbedingung)
Priorisierung von Anforderungen anhand definierter Kriterien wie Kundenrelevanz oder technischem Risiko
Rückverfolgbarkeit (Traceability) zwischen Anforderungen, Systemarchitektur und Testergebnissen
Erkennung redundanter oder doppelter Anforderungen über mehrere Dokumente hinweg
Zusammenfassung und Strukturierung von Anforderungen aus verschiedenen Quellen wie E-Mails, Protokollen und Spezifikationen

Damit adressiert die automatisierte Anforderungsanalyse eine der kostenintensivsten Fehlerquellen in der Produktentwicklung: Anforderungsfehler, die erst spät im Entwicklungsprozess entdeckt werden, verursachen Nacharbeit, Eskalationen und Ressourcenengpässe, die sich direkt auf Kosten und Markteinführungszeit auswirken.

Wie verarbeitet KI natürlichsprachliche Anforderungen technisch?

KI verarbeitet natürlichsprachliche Anforderungen durch den Einsatz von Natural Language Processing (NLP) und Large Language Models (LLMs), die Texte in strukturierte Datenrepräsentationen überführen. Dabei werden Sätze in ihre semantischen Bestandteile zerlegt, Bedeutungsbeziehungen erkannt und der Inhalt mit einem trainierten Sprachmodell abgeglichen, das Muster für vollständige und eindeutige Anforderungsformulierungen gelernt hat.

Technisch durchläuft ein Anforderungsdokument dabei mehrere Verarbeitungsschritte:

Tokenisierung und Parsing: Der Text wird in einzelne Einheiten zerlegt und grammatikalisch analysiert.
Semantische Einbettung: Jede Anforderung wird als Vektor im mehrdimensionalen Bedeutungsraum dargestellt, sodass inhaltliche Ähnlichkeiten und Unterschiede messbar werden.
Kontextuelle Analyse: Das Sprachmodell bewertet jede Anforderung im Kontext des Gesamtdokuments und erkennt, ob Formulierungen mehrdeutig, unvollständig oder inkonsistent sind.
Regelbasierte Ergänzung: Unternehmens- oder branchenspezifische Regeln, etwa aus Normen oder Methodenwissen, werden als zusätzliche Prüfebene eingesetzt.

Für die hardware-nahe Produktentwicklung ist dabei entscheidend, dass generische Sprachmodelle allein nicht ausreichen. Ein Anforderungs-Agent muss mit dem spezifischen Vokabular, den Produktstrukturen und dem Methodenwissen des jeweiligen Unternehmens trainiert oder konfiguriert sein, um belastbare Ergebnisse zu liefern. Standardisierte Schnittstellen wie das Model Context Protocol (MCP) ermöglichen es, unternehmenseigene Daten und Methoden sicher in solche Agenten zu integrieren, ohne dass sensible Informationen das Unternehmensnetzwerk verlassen.

Wie erkennt KI Widersprüche und Lücken in Anforderungsdokumenten?

KI erkennt Widersprüche in Anforderungsdokumenten durch semantischen Abgleich: Sie vergleicht alle Anforderungen untereinander auf inhaltliche Unvereinbarkeiten und prüft gleichzeitig, ob definierte Systemeigenschaften vollständig spezifiziert sind. Lücken werden identifiziert, indem das Modell das Dokument gegen Referenzstrukturen, Normen oder Erfahrungswerte aus Vorprojekten abgleicht. [1]

In der Praxis der Entwicklung mechatronischer Produkte treten typische Muster auf, die KI zuverlässig erkennen kann:

Direkte Widersprüche: Zwei Anforderungen schließen sich logisch aus, etwa wenn eine Anforderung einen Maximalwert und eine andere einen Minimalwert definiert, der darüber liegt.
Implizite Konflikte: Anforderungen aus verschiedenen Kapiteln oder Quellen sind einzeln konsistent, aber gemeinsam nicht erfüllbar, beispielsweise bei Bauraum- und Gewichtsvorgaben.
Fehlende Randbedingungen: Funktionale Anforderungen sind formuliert, aber Umgebungsbedingungen wie Temperatur, Feuchte oder EMV-Anforderungen fehlen.
Unvollständige Lebenszyklusabdeckung: Anforderungen für den Betrieb sind vorhanden, aber Anforderungen für Transport, Wartung oder Außerbetriebnahme fehlen.

Ein wichtiger Vorteil gegenüber manueller Prüfung liegt in der Skalierbarkeit: Während ein erfahrener Ingenieur ein umfangreiches Lastenheft in Stunden oder Tagen prüft, kann ein KI-Agent denselben Prozess in Minuten durchführen und dabei eine konsistente Prüftiefe über das gesamte Dokument aufrechterhalten. Branchenberichte aus dem Bereich der Fahrzeugtechnik zeigen, dass Anforderungsfehler, die erst in der Validierungsphase entdeckt werden, die Korrekturkosten im Vergleich zur frühen Entwicklungsphase um ein Vielfaches erhöhen. [2]

Welche Grenzen hat die KI-gestützte Anforderungsanalyse?

Die KI-gestützte Anforderungsanalyse stößt an ihre Grenzen, wenn fachliches Urteilsvermögen, Stakeholder-Verhandlung oder kontextabhängige Erfahrung gefragt sind. KI erkennt formale und semantische Probleme zuverlässig, kann aber nicht beurteilen, ob eine Anforderung wirtschaftlich sinnvoll, technisch realisierbar oder strategisch richtig ist. Diese Entscheidungen erfordern menschliche Expertise.

Konkrete Grenzen der automatisierten Anforderungsanalyse umfassen:

Fehlende Domänenkenntnis bei generischen Modellen: Ohne unternehmensspezifisches Training liefern Standard-KI-Modelle oberflächliche Ergebnisse, die das spezifische Produkt, die Technologie und die Marktanforderungen nicht berücksichtigen.
Implizites Wissen: Anforderungen, die bewusst offen formuliert sind, weil sie auf geteiltem Expertenwissen beruhen, kann KI nicht korrekt einordnen.
Stakeholder-Interpretation: Ob eine Anforderung die tatsächliche Kundenabsicht widerspiegelt, lässt sich nur im Dialog mit dem Kunden klären, nicht durch Textanalyse allein.
Neue Technologiebereiche: In Domänen, für die kaum historische Daten und Referenzanforderungen vorliegen, fehlt dem Modell die Grundlage für belastbare Aussagen.
Regulatorische Verantwortung: Die rechtliche und normative Verantwortung für ein Anforderungsdokument verbleibt beim Menschen. KI kann Hinweise geben, aber keine haftungsrelevanten Aussagen treffen.

Hinzu kommt, dass laut Bitkom-Erhebungen zwar ein erheblicher Anteil der deutschen Unternehmen KI nutzt, aber nur ein kleiner Teil tatsächlich KI-Agenten im produktiven Einsatz hat. [3] Dies liegt häufig daran, dass das Datenfundament und die Governance-Strukturen fehlen, die für einen belastbaren Betrieb notwendig sind. Wer KI in der Anforderungsanalyse einsetzen möchte, sollte daher zunächst die eigenen Datengrundlagen und Methodenprozesse klären, bevor er ein Tool einführt.

Wann lohnt sich der Einsatz von KI in der Anforderungsanalyse?

Der Einsatz von KI in der Anforderungsanalyse lohnt sich, wenn Anforderungsdokumente regelmäßig umfangreich und komplex sind, wenn Anforderungsfehler wiederholt zu kostspieliger Nacharbeit führen oder wenn knappes Expertenwissen durch skalierbare Prozesse entlastet werden soll. Für Unternehmen mit standardisierten Entwicklungsprozessen und einem gewissen Volumen an Projekten amortisiert sich der Aufwand in der Regel schnell.

Konkrete Indikatoren, die für den KI-Einsatz sprechen:

Lastenhefte umfassen regelmäßig mehr als 50 Seiten und werden von mehreren Stakeholdern gleichzeitig bearbeitet
Anforderungsfehler werden häufig erst in der Integrations- oder Validierungsphase entdeckt
Erfahrene Anforderungsingenieure sind knapp und sollen für strategische Aufgaben freigestellt werden
Das Unternehmen arbeitet mit mehreren Kunden oder Plattformen und muss Anforderungen systematisch vergleichen
Es existiert ein strukturiertes Archiv abgeschlossener Projekte, aus dem Lessons Learned automatisch abgeleitet werden könnten

Weniger geeignet ist der KI-Einsatz bei Einzelprojekten ohne Wiederholungscharakter, bei sehr frühen Konzeptphasen mit hoher Offenheit oder wenn die Datengrundlage zu gering ist, um das Modell sinnvoll zu konfigurieren. In diesen Fällen übersteigt der Einführungsaufwand den Nutzen. Entscheidend ist, mit einem klar abgegrenzten Pilotprojekt zu starten, anstatt einen breiten Rollout zu versuchen, bevor der Nutzennachweis erbracht ist. Mehr zu den Voraussetzungen für eine erfolgreiche Einführung finden Sie unter unseren Beratungsleistungen.

Welche Tools unterstützen die automatisierte Anforderungsanalyse mit KI?

Für die automatisierte Anforderungsanalyse mit KI stehen sowohl spezialisierte Requirements-Engineering-Plattformen als auch konfigurierbare KI-Agenten-Lösungen zur Verfügung. Die Wahl des richtigen Tools hängt davon ab, ob ein Unternehmen eine standardisierte Lösung benötigt oder seine eigene Methodik und seine spezifischen Daten in den Analyseprozess einbetten möchte.

Spezialisierte Requirements-Engineering-Plattformen

Etablierte Werkzeuge wie IBM DOORS, PTC Integrity oder Siemens Polarion bieten seit Jahren Funktionen für strukturiertes Anforderungsmanagement und integrieren zunehmend KI-Funktionen für Konsistenzprüfung, Traceability und Ähnlichkeitsanalyse. [4] Diese Plattformen sind besonders geeignet für Unternehmen, die bereits in einer dieser Umgebungen arbeiten und KI als Erweiterung bestehender Prozesse einsetzen möchten.

Konfigurierbare KI-Agenten

Eine zweite Kategorie sind unternehmensindividuell konfigurierte KI-Agenten, die auf Plattformen wie Microsoft Copilot, Claude oder ChatGPT aufsetzen und mit offenen Standards wie dem Model Context Protocol (MCP) oder Agent Skills an unternehmensspezifische Methoden und Daten angebunden werden. Der entscheidende Vorteil: Diese Agenten kennen nicht nur allgemeine Anforderungsqualitätskriterien, sondern die spezifischen Normen, Produktarchitekturen und Lessons Learned des jeweiligen Unternehmens. Der Betrieb erfolgt in der geschützten KI-Umgebung des Kunden, sodass sensible Entwicklungsdaten das Unternehmen nicht verlassen.

Bei der Toolauswahl sollten Sie folgende Kriterien berücksichtigen:

Plattformunabhängigkeit: Kann die Lösung zwischen verschiedenen KI-Modellen portiert werden, ohne dass Methoden und Daten neu aufgebaut werden müssen?
Datensouveränität: Verbleiben Ihre Entwicklungsdaten in Ihrer eigenen IT-Umgebung?
Integration: Lässt sich das Tool in bestehende PLM- und ALM-Systeme einbinden?
AI-Act-Konformität: Ist die Lösung dokumentiert und nachvollziehbar im Sinne der EU-KI-Verordnung? [5]

Wie Evoluconsult Sie bei der KI-gestützten Anforderungsanalyse unterstützt

Wir bei Evoluconsult entwickeln und implementieren kundenspezifische KI-Agenten für Innovations- und Entwicklungsprozesse, darunter einen spezialisierten Anforderungs-Agenten, der Lastenhefte auf Lücken und Widersprüche prüft, Klärungsfragen und Pflichtenhefte ableitet und die Ergebnisse mit Normen und Lessons Learned verknüpft. Unser Ansatz ist methodisch, nicht rein technisch: Wir überführen Ihr bestehendes Expertenwissen, Ihre Prozesse und Ihre Daten in einen produktiven KI-Agenten, der in Ihrer geschützten IT-Umgebung betrieben wird.

Konkret unterstützen wir Sie mit folgenden Leistungen:

Use-Case-Diagnose: Wir analysieren Ihre Prozesse, Daten und KI-Umgebung und priorisieren Use Cases nach ihrem Hebel, damit Sie mit dem richtigen Anwendungsfall starten.
Agenten-Pilot: Wir formalisieren Ihre Methodik als Skills, binden Ihre Daten an und testen den Agenten gemeinsam mit Ihren Fachexperten, bis der Nutzennachweis erbracht ist.
Rollout und Befähigung: Wir begleiten die Einführung, schulen Ihre Key-User und stellen die AI-Act-konforme Dokumentation sicher.
Weiterentwicklung: Wir messen den Nutzen, erschließen weitere Use Cases und helfen Ihnen, eine eigene Skill-Bibliothek aufzubauen, die Ihr Methodenwissen dauerhaft skalierbar macht.

Unser Angebot ist plattformunabhängig und setzt auf offene Standards, sodass Ihre Lösung zwischen Microsoft Copilot, Claude, ChatGPT und souveränen EU-Umgebungen portabel bleibt. Wir bringen dabei über 27 Jahre Erfahrung in Produktentwicklung, Innovationsmanagement und Kostenmanagement mit, die wir in die Agenten übersetzen, die wir für Sie entwickeln. Erfahren Sie mehr über unseren Ansatz auf der Website von Evoluconsult oder sprechen Sie uns direkt an: In einem 60-minütigen Erstgespräch identifizieren wir gemeinsam den Use Case mit dem größten Hebel für Ihr Unternehmen. Nehmen Sie jetzt Kontakt auf und starten Sie mit einem konkreten Piloten in die automatisierte Anforderungsanalyse.

Quellenverzeichnis

VDI-Richtlinie 2519: Vorgehensweise bei der Erstellung von Lasten-/Pflichtenheften, Verein Deutscher Ingenieure (VDI), Düsseldorf.
Stausberg, M. et al.: Cost of Quality in der Produktentwicklung, in: Zeitschrift für wirtschaftlichen Fabrikbetrieb (ZWF), Carl Hanser Verlag, München.
Bitkom Research: KI in deutschen Unternehmen, Bitkom e. V., Berlin, 2025.
INCOSE Systems Engineering Handbook: A Guide for System Life Cycle Processes and Activities, International Council on Systems Engineering (INCOSE), 5. Auflage, Wiley, 2023.
Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates über künstliche Intelligenz (AI Act), Amtsblatt der Europäischen Union, 2024.