Zwei Sätze an die KI, Minuten später läuft etwas Lauffähiges – und die Frage liegt nahe, wozu man überhaupt noch Anforderungen sauber aufschreiben soll. Die unbequeme Antwort: Wer die Anforderungsarbeit weglässt, automatisiert nicht das Denken, sondern das Am-Ziel-vorbei-Bauen. Nur schneller und in größerer Menge.
„Als Nutzer möchte ich …” – die Schablone ist brav ausgefüllt, das Product Backlog ist voll, und trotzdem kommt aus der Entwicklung die Rückfrage: Was sollen wir hier eigentlich bauen? Der Grund ist unbequem: Eine formal perfekte User Story kann leer sein – und dieser Fehler fällt nicht im Refinement auf, sondern erst im Sprint.
Im Video zeigt dir Michael an einem durchgehenden Smart-Home-Beispiel, woran du eine gute User Story erkennst: die drei W-Fragen (Wer, Was, Wozu), warum der Wozu-Teil der wichtigste ist und trotzdem fast immer fehlt, was die sechs INVEST-Kriterien leisten – und wann das INV reicht – und wie Akzeptanzkriterien aus einer Story einen Abnahme-Anker machen.
Die Satzschablone für User Storys, die drei W-Fragen und alle Beispiele aus dem Video findest du vertieft in unserer kostenfreien Agilitätsbroschüre: https://sophist.de/5ajj
Noch mehr davon? Auf unserem YouTube-Kanal erscheint jede Woche ein neues Video zu Requirements Engineering, Systems Engineering und KI im RE – schau vorbei und lass gerne ein Abo da, dann verpasst du keines: SOPHIST GmbH
Attribute gefüllt, Status auf „geprüft”, Traces gezogen – und trotzdem kommen aus der Entwicklung dieselben Rückfragen wie vor der Tool-Einführung. Wer ein Requirements-Management-Tool einführt und erwartet, dass die Anforderungen dadurch besser werden, löst das falsche Problem: Ein Tool kennt den Zustand einer Anforderung, nicht ihre Qualität.
Viele denken bei Modellierung im Requirements Engineering sofort an UML, Diagramme, Symbole und Notationen. Doch echte Modellierung beginnt nicht erst beim Zeichnen, sondern bereits bei der Frage, welche Sicht auf die Realität ein Modell überhaupt zeigen soll.
WeiterlesenChatGPT, Copilot und Co. sind in vielen Unternehmen angekommen. Erste Anwendungsfälle wurden identifiziert, Mitarbeitende sammeln Erfahrungen und die Erwartungen an Künstliche Intelligenz sind hoch.
Trotzdem bleibt der große Produktivitätsschub häufig aus.
Daten werden exportiert, manuell in Chatbots kopiert und die Ergebnisse anschließend wieder zurück in bestehende Systeme übertragen. Was zunächst innovativ wirkt, entwickelt sich schnell zu einem zusätzlichen Arbeitsschritt.
Die Folge: KI unterstützt einzelne Aufgaben, verändert aber nicht die eigentliche Wertschöpfung.
Die entscheidende Frage lautet deshalb nicht mehr:
„Können wir KI nutzen?“
Sondern:
„Wie schaffen wir den Übergang von einzelnen Experimenten zu echter, nachhaltiger Automatisierung?“
Genau hier beginnt die Reise von der heutigen „Prompt-Welt“ hin zu produktiven KI-gestützten Prozessen und langfristig zu Agentic AI.