Versuche und Ergebnisse Umstrukturiert

Kapitel/07_diskussion.typ

@@ -1,10 +1,49 @@
+#let __is_thesis = context { query(<__thesis_document>).len() > 0 }
+#if __is_thesis == false [
+  #set cite(style: "apa")
+  #hide(bibliography("../literatur.bib", style: "apa"))
+]
+
 #heading(level: 1)[Diskussion (ca. 8 Seiten)]
 
 #heading(level: 2)[Interpretation der Ergebnisse]
-Vergleiche die Evaluation mit den Forschungsleitfragen.
+
+Die Ergebnisse zeigen einen klaren methodischen Lerneffekt ueber die drei Iterationen. Der Verlauf von V01 ueber V02 zu V03 ist nicht als Widerspruch, sondern als komplementaere Reifung zu interpretieren:
+
+- V01 demonstriert, dass bereits mit einfacher Konfiguration formal strukturierte Requirements ableitbar sind.
+- V02 zeigt, dass eine agentengestuetzte ISO-Konsolidierung methodisch sauber, aber fuer den Gesamtumfang zu rigide sein kann.
+- V03 zeigt, dass die MCP-Erweiterung die funktionale Breite massiv erhoeht und Discovery-Luecken schliesst.
+
+In Summe entsteht ein zweistufiges Zielbild fuer Reverse Requirements Engineering in Legacy-Projekten: zuerst *formal konsolidieren*, danach *gezielt in die Breite erweitern*.
 
 #heading(level: 2)[Chancen und Grenzen]
-Diskutiere Potenziale und Limitationen des KI-gestützten Ansatzes.
 
-#heading(level: 2)[Implikationen für Forschung und Praxis]
-Leitfäden für Unternehmen und offene Forschungsfragen.
+Die wesentlichen Chancen des Ansatzes liegen in:
+
+- hoher Skalierbarkeit bei grossen Legacy-Artefakten,
+- schneller Sichtbarmachung undokumentierter Funktionalitaet,
+- strukturierter Ueberfuehrung in reviewbare Requirements-Artefakte.
+
+Die zentralen Grenzen bleiben:
+
+- keine belastbare Vollstaendigkeit ohne Zusatzquellen (insbesondere Nutzungs- und Prozesssicht),
+- Halluzinations- und Fehlinterpretationsrisiken ohne Beleg- und Reviewpflicht,
+- hoher Konsolidierungsaufwand zwischen Discovery-Artefakten und abnahmefaehiger Spezifikation.
+
+Damit bestaetigt die Fallstudie, dass LLMs Requirements Engineering nicht ersetzen, aber als beschleunigendes Analyseinstrument mit klaren Governance-Regeln substantiellen Mehrwert liefern.
+
+#heading(level: 2)[Implikationen fuer Forschung und Praxis]
+
+Fuer die Praxis folgt daraus ein umsetzbarer Einfuehrungspfad:
+
+1. Iterative Versuchslogik statt einmaliger "Big-Bang"-Extraktion.
+2. Trennung von Discovery- und Konsolidierungsphase als Standard.
+3. Traceability als verpflichtendes Abnahmekriterium fuer LLM-Ergebnisse.
+
+Fuer die Forschung ergeben sich drei Anschlussfragen:
+
+1. Wie laesst sich die Triangulation aus Code-, Video- und Stakeholderdaten automatisiert zusammenfuehren?
+2. Welche Metriken messen Qualitaet von Requirements-Artefakten robuster als reine Umfangszahlen?
+3. Wie kann Human-in-the-loop-Validierung mit vertretbarem Aufwand skaliert werden?
+
+Die vorliegende Arbeit liefert dafuer eine belastbare methodische Ausgangsbasis, zeigt aber zugleich, dass die letzte Meile zur fachlich finalen Spezifikation weiterhin ein kooperativer Mensch-KI-Prozess bleibt.