Zusammenfassung der angegebenen und weiterer wissenschaftlicher Quellen zum Requirements Engineering (RE) und KI im Softwarekontext

Zentrale Erkenntnisse im Überblick

Requirements Engineering im Kontext von künstlicher Intelligenz (KI), insbesondere Machine Learning (ML), ist ein hochdynamisches Forschungsfeld mit wachsender praktischer Relevanz. Die zunehmende Komplexität, Unsicherheit und mangelnde Erklärbarkeit von KI-Systemen stellt das klassische RE vor neue, grundlegende Herausforderungen, etwa bei der Spezifikation, Nachvollziehbarkeit und Validierung von Anforderungen. Die aktuelle Forschung betont deutliche Unterschiede zwischen RE für klassische IT-Systeme und KI-gestützte Lösungen – insbesondere bezüglich ethischer, nicht-funktionaler und datengetriebener Aspekte. Fortschrittliche Ansätze kombinieren klassische RE-Techniken mit KI-gestützten Tools, Natural Language Processing und explizit auf ML zugeschnittenen Frameworks. Dennoch bestehen weiterhin erhebliche offene Forschungsfragen und Validierungsbedarf, insbesondere in industriellen Kontexten.¹²³⁴⁵⁶

1. Zusammenfassung: Verwendete Literatur in der Masterarbeit

Die Literaturbasis Ihrer Masterarbeit erstreckt sich über Schlüsselquellen zu klassischen und KI-gestützten RE-Methoden. Dazu gehören:⁷

Handbuch- und Überblickswerke (z.B. „The Encyclopedia of Human-Computer Interaction“): Sie bieten eine Einführung in grundlegende RE-Prinzipien, gängige Methoden sowie Best Practices in der Anforderungserhebung, -spezifikation und -validierung bei klassischer Softwareentwicklung.
Aktuelle arXiv-Preprints und Konferenzartikel: Sie diskutieren neueste Forschungsfragen, insbesondere zum Einsatz von LLMs (Large Language Models) für das Reverse Requirements Engineering bei Legacy-Software und zeigen, wie KI-basierte Analyse das RE fundamental verändert.⁸
Literatur zu Stakeholder-Integration und Traceability: Diese Beiträge thematisieren die Herausforderung, implizites und Expertenwissen aus Legacy-Systemen systematisch zu dokumentieren sowie die Rückverfolgbarkeit von Anforderungen zu gewährleisten.

Die genannten Quellen repräsentieren den State-of-the-Art und bilden die methodologische sowie inhaltliche Grundlage, um klassische RE-Verfahren mit KI-zentrierten Ansätzen zu verknüpfen.⁷⁸

2. Stand der Forschung: Requirements Engineering und KI

2.1 Systematische Übersichtsarbeiten & Forschungsüberblick

Aktuelle Mapping- und Tertiärstudien analysieren die Entwicklung, Herausforderungen und Trends von RE im KI-Kontext:

Habiba et al. (2024):² Die systematische Mapping-Studie basiert auf 126 Arbeiten (2010-2023) und identifiziert, dass die Forschungsaktivitäten insbesondere bei der Anforderungsanalyse und -erhebung liegen. Spezifische Herausforderungen sind die mangelnde Spezifizierbarkeit, Erklärbarkeit, Unsicherheiten im Systemverhalten und die Integration ethischer wie rechtlicher Anforderungen. Die Autoren schlagen explizit neue RE-Praktiken für KI/ML-Systeme vor und fordern Validierungsmethoden, um nicht-funktionale Anforderungen wie Fairness, Transparenz und Sicherheit berücksichtigen zu können.
Martins et al. (2025) – Journal of Software Engineering Research and Development:³ Diese Tertiärstudie synthetisiert Sekundärstudien zum RE für ML-basierte Systeme. Sie stellt fest, dass zwar zahlreiche Methoden zur Anforderungserhebung, -analyse, -spezifikation und -validierung existieren, jedoch vor allem die nicht-funktionalen Anforderungen, Stakeholder-Kollaboration und die Forschung in industriellen Umgebungen weiterhin große Herausforderungen darstellen.
Mehraj et al. (2024) – REFSQ Konferenz:⁹¹⁰ Die Autoren analysieren in ihrer Tertiärstudie 28 Sekundärarbeiten (2017–2023) und beobachten eine Zunahme von LLM-basierten Werkzeugen im RE und eine Tendenz, NLP mit ML-Ansätzen (z.B. LDA, Naive Bayes) zu kombinieren. Sie sehen jedoch weiterhin zentrale Herausforderungen bei Ambiguität, Sprachverarbeitung, Datenqualität, Algorithmen und Evaluation.

2.2 Aktuelle Anwendung und industrielle Perspektiven

In der industriellen Praxis kommt der Einsatz von KI vor allem als kollaborativer Partner („Human-AI Collaboration“, HAIC) zum Tragen, wobei rein automatisierte RE-Prozesse noch kritisch gesehen werden. KI unterstützt dabei vor allem Analyse, Priorisierung und Validierung, während die vollständige Automatisierung wegen Unsicherheiten, Compliance und fehlendem Domänenwissen auf Skepsis stößt.⁴¹¹
Studien belegen, dass durch den Einsatz von KI-Tools in der Anforderungsphase Fehlerquoten um 20–30% und Projektlaufzeiten um bis zu 20% reduziert werden können, sofern Stakeholder frühzeitig und kontinuierlich eingebunden werden.¹

3. Schwerpunkte & Herausforderungen im KI-zentrierten Requirements Engineering

3.1 Neue Formen und Qualitäten von Anforderungen

Erklärbarkeit (Explainability): KI-Systeme erfordern nachvollziehbare Entscheidungen und teilweise personalisierte Erklärungen für verschiedene Stakeholder – ein Aspekt, der in klassischen RE-Methoden kaum ausgeprägt ist.²³
Nicht-funktionale Anforderungen: Fairness, Transparenz, Datenschutz und Sicherheit werden zu zentralen Qualitätsmerkmalen – ihre Spezifikation ist aber unscharf und schwer zu prüfen.¹²²
Datenqualität und -management: ML-Systeme benötigen Anforderungen an Trainings-, Validierungs- und Betriebsdaten – ein Aspekt, der systematisch erst in neueren RE-Methodiken verankert ist.¹²²

3.2 Menschliche und organisatorische Faktoren

Gap zwischen ML-Entwicklern und Fachanwendern: Fehlendes gemeinsames Vokabular und Wissensaustausch führen zu Kommunikationsproblemen und erhöhen die Gefahr für fehlerhafte, wenig akzeptierte Systeme. Die Forschung fordert kollaborative, multidisziplinäre Ansätze.⁴²
Stakeholder-Integration: Die Einbindung von Stakeholdern in iterativen, flexiblen Prozessen (z.B. durch Interviews und Workshops) gewinnt im Vergleich zu Wasserfallmodellen deutlich an Bedeutung.³²¹²

3.3 Neue Methoden, Tools & Frameworks

LLMs und Prompt Engineering: Neue Ansätze integrieren LLMs zur automatischen Extraktion und Analyse von Anforderungen. Genannt werden Prompt-Strategien, Evidence-based Guidelines und hybride Validierungsansätze (menschlich/automatisiert), um die Zuverlässigkeit von LLM-unterstützten RE-Prozessen zu steigern.⁶
Frameworks wie LangChain und RAG: Sie dienen zur Orchestrierung von modularen, sicheren KI-Workflows vor allem im Bereich der dynamischen Datumseinbindung und komplexen Validierung.⁶

4. Aktuelle Herausforderungen und Forschungsbedarf

Empirische Validierung: Es fehlen groß angelegte Feldstudien und Benchmark-Datensätze, um die Wirksamkeit neuer RE-Methoden und KI-Tools unabhängig und reproduzierbar zu validieren.²⁶
Automatisierte und hybride Evaluationspipelines: Bedingt durch die Limitationen von LLMs (Halluzinationen, Domänenwissen, Output-Qualität) ist eine stärkere Integration menschlicher Plausibilitätsprüfungen notwendig.⁶
Regulatorik und Ethik: Zunehmende Regularien (z.B. ISO/IEC 42001) und gesellschaftliche Erwartungen verlangen die Integration von Compliance-, Ethik- und Nachhaltigkeitsaspekten bereits ab der Anforderungsphase.¹²²

5. Literaturhinweise / Wichtigste Quellen (Beispiele)

https://ijasce.org/index.php/IJASCE/article/view/152
https://www.interaction-design.org/literature/book/the-encyclopedia-of-human-computer-interaction-2nd-ed/requirements-engineering
https://www.medienstuermer.de/blog/requirements-engineering-2024-moderne-ansaetze-fuer-komplexe-it-projekte/¹
Habiba, U.-e., Haug, M., Bogner, J., & Wagner, S. (2024): How mature is requirements engineering for AI-based systems? Requirements Engineering. https://doi.org/10.1007/s00766-024-00432-3¹³²
Martins, M.C. et al. (2025): Requirements Engineering for Machine Learning-Based AI Systems: A Tertiary Study. Journal of Software Engineering Research and Development, 13(2). https://doi.org/10.5753/jserd.2025.4892³
https://www.serview.de/detail/requirements-engineering-in-der-ki-welt-worauf-es-ankommt¹²
Lekshmi Murali Rani, R.B. Svensson, R. Feldt (2025): AI for Requirements Engineering: Industry adoption and Practitioner perspectives. arXiv:2511.01324¹¹⁴
https://www.sciencedirect.com/science/article/abs/pii/S0950584923000307⁵
https://2024.refsq.org/details/refsq-2024-papers/9/A-tertiary-study-on-AI-for-Requirements-Engineering⁹
https://researchportal.tuni.fi/en/publications/a-tertiary-study-onai-forrequirements-engineering/¹⁰
Ebrahim, M. et al. (2025): Enhancing Software Requirements Engineering with Language Models and Prompting Techniques. Proceedings of ACL SRW 2025, 486–496. https://aclanthology.org/2025.acl-srw.31.pdf⁶

Fazit

Requirements Engineering im Zeitalter der KI ist kein evolutionäres Randthema, sondern verlangt einen Paradigmenwechsel in Methodik, Stakeholder-Einbindung und Tooling. Künftig müssen Ethik, Erklärbarkeit, Daten- und Modellqualität sowie regulatorische Anforderungen systematisch von Beginn an in den RE-Prozess integriert werden. Kollaborative, Mensch-zentrierte Prozesse, hybride Prompting-Strategien und empirisch validierte Frameworks werden für die erfolgreiche Entwicklung zukunftsfähiger Softwarelösungen mit KI immer wichtiger.⁴²³⁶

Bei Bedarf können weitere ausgewählte Literaturquellen oder Fachartikel zu spezifischen Teilaspekten (z.B. Prompt Engineering, Explainability, Compliance) ergänzt werden. ¹⁴¹⁵¹⁶¹⁷¹⁸¹⁹²⁰²¹²²

⁂

11 KiB Raw Blame History Unescape Escape