Wie haben wir ohne AI in der Vergangenheit gearbeitet?

Vor kurzem stand ich auf einer Messe als Aussteller an unserem Stand. Wer schon einmal selbst ausgestellt hat, kennt das: Man ist präsent, führt Gespräche, beantwortet Fragen, sammelt Eindrücke ein und versucht gleichzeitig, den Überblick zu behalten. Genau deshalb habeich mir zwischendurch bewusst ein paar Vorträge angehört. Nicht, weil ich Zeit übrig hatte, sondern weil ich wissen wollte, worüber aktuell gesprochen wird, welche Themen die Branche bewegen und welche Entwicklungen gerade als besonders wichtig verkauft werden.

Einer dieser Vorträge drehte sich um ein Thema, das inzwischen überall auftaucht: AI beziehungsweise künstliche Intelligenz. Die Botschaft war klar und ziemlich selbstbewusst: Mit AI könnten wir heute Anforderungen viel schneller durchsuchen, Zusammenhänge erkennen und in großen Lastenheften gezielt nach bestimmten Begriffen suchen. Als Beispiel wurde sinngemäß erklärt, dass man künftig einfach nach einem Begriff wie „Lenkrad“ suchen könne und die AI dann automatisch alle fachlich relevanten Anforderungen dazu finde.

Während ich dort saß und zuhörte, musste ich unweigerlich schmunzeln. Nicht, weil ich die Idee schlecht fand. Sondern weil mir sofort eine ganz andere Frage in den Kopf schoss: Was ist daran eigentlich so neu? Und vor allem: Wie haben wir das früher gemacht, als niemand von AI gesprochen hat?

Die ehrliche Antwort ist: Wir haben es trotzdem gemacht. Vielleicht langsamer. Vielleicht mühsamer. Sicherlich weniger bequem. Aber wir haben es hinbekommen.

Früher begann alles mit einem ganz normalen Werkzeug, das jeder kannte: dem Wörterbuch. Wer nach einem Begriff gesucht hat, hat eben nicht nur nach dem exakten Wort geschaut, sondern sich überlegt, welche Synonyme, Fachbegriffe oder verwandten Ausdrücke ebenfalls gemeint sein könnten. Wer nach „Lenkrad“ gesucht hat, dachte vielleicht auch an andere Bezeichnungen, je nachdem, in welchem Kontext die Anforderung formuliert war. Also wurden Synonyme nachgeschlagen, Begriffe gesammelt und die Suche entsprechend erweitert.

Damals bedeutete das oft noch ganz klassische Handarbeit. Man hat PDF-Dokumente geöffnet, Begriffe gesucht, Treffer geprüft,Textstellen markiert und Zusammenhänge manuell hergestellt. Das war nicht glamourös, aber es hat funktioniert. Mit der Einführung von ALM-Systemen wurde der Prozess dann strukturierter. Statt in einzelnen Dokumenten zu suchen, wanderte die Suche in ein System, in dem Anforderungen, Testfälle und weitere Artefakte zentral verwaltet wurden.

Das war ein echter Fortschritt. Plötzlich war nicht mehr alles verstreut. Man konnte Informationen besser organisieren, schneller finden und sauberer miteinander verknüpfen. Aber ganz ehrlich: Einfach war es trotzdem nicht. Wer einmal versucht hat, in einemgroßen Bestand sauber nach fachlich relevanten Anforderungen zu suchen, weiß, wie anstrengend solche Aufgaben sein können. Genau deshalb wurde die Arbeit mit Attributen immer wichtiger.

Wenn ein ALM-System die Möglichkeit bietet, Anforderungen oder Artefakte mit Attributen zu versehen, dann sollte man diese Chance auch nutzen. Denn damit entsteht aus einer losen Sammlung von Informationen plötzlich eine Struktur. Eine Struktur, die später nicht nur die Suche erleichtert, sondern auch Auswertungen, Filterungen und Vergleiche möglich macht.

Und genau an dieser Stelle kommt für mich die eigentliche Kernfrage ins Spiel: Wenn ich eine Anforderung heute in Excel oder in einemALM-System anlege, warum setze ich die passenden Attribute nicht direkt an dieser Stelle? Warum warte ich damit, bis ich die Information später mühsam wiederfinden muss? Warum soll ich im Nachgang eine AI bemühen, wenn ich die Daten von Anfang an so erfassen kann, dass ich sie sofort strukturiert vorliegen habe?

Für mich ist das keine theoretische Frage, sondern eine ganz praktische. Denn genau hier entscheidet sich, ob ein Prozess wirklich effizient ist oder nur modern aussieht.

AI kann natürlich vieles. Sie kann Inhalte durchsuchen, Zusammenhänge erkennen, ähnliche Begriffe finden und große Datenmengen in kurzer Zeit auswerten. Das ist beeindruckend, keineFrage. Aber es ist eben nicht gratis. AI braucht Rechenleistung, Pflege, Datenqualität und in vielen Fällen auch klare fachliche Regeln. Sie ist kein Zauberstab, der schlechte Strukturen automatisch in gute verwandelt.

Deshalb halte ich es für sinnvoll, zunächst an der Quelle anzusetzen. Wenn ich meine Daten schon bei der Eingabe sauber strukturiere, sauber benenne und mit den richtigen Attributenversehe, dann brauche ich im Nachgang oft viel weniger Unterstützung. Dann habe ich die Information nicht nur gespeichert, sondern direkt so aufbereitet, dass ich sie wiederverwenden kann.

Und genau darin liegt aus meiner Sicht der eigentliche Unterschied zwischen einer guten Lösung und einer bequemen Lösung.

Die gute Lösung beginnt vorne. Beim Erfassen. Beim Strukturieren. Beim sauberen Anlegen. Die bequeme Lösung beginnt hinten. Beim Suchen. Beim Reparieren. Beim Nacharbeiten. AI kann dabei helfen, keine Frage. Aber sie sollte nicht die Ausrede dafür sein, von Anfang an ungenau zu arbeiten.

Wenn ich ehrlich bin, ist das auch eine wirtschaftliche Frage. Denn jede zusätzliche Suche kostet Zeit. Jede unnötige Nachpflege kostet Zeit. Jede manuelle Korrektur kostet Zeit. Und am Ende kostet Zeit fast immer auch Geld. Wenn ich also mit etwas mehr Disziplin bei der Eingabe verhindern kann, dass ich später komplexe Such- oder Analysemechanismen brauche, dann ist das oft die deutlich bessere Investition.

Man könnte sogar noch weitergehen: Viele Probleme, die heute mit AI gelöst werden sollen, sind eigentlich keine AI-Probleme. Sie sind Strukturprobleme. Ordnungsprobleme. Prozessprobleme. Das klingt weniger spektakulär, ist aber in der Praxis oft der entscheidende Punkt.

Ein sauberer regulärer Ausdruck auf einer Datenbank hätte viele dieser Aufgaben früher bereits lösen können. Eine konsequente Benennungslogik hätte geholfen. Klare Attribute hätten geholfen. Ein durchdachtes ALM-Modell hätte geholfen. Nicht immer perfekt, nicht immer elegant, aber oft völlig ausreichend. Und genau das wird in der aktuellen Begeisterung für AI gerne übersehen.

Ich will damit nicht sagen, dass AI keinen Platz hat. Im Gegenteil. AI kann ein starkes Werkzeug sein, wenn große Datenmengen durchsucht, unterschiedliche Begriffe abgeglichen oder unstrukturierte Inhalte aufbereitet werden müssen. Gerade in komplexen Umgebungen kann das enorme Vorteile bringen. Aber ich finde, man sollte fair bleiben: AI ist ein Werkzeug für bestimmte Aufgaben, nicht die Antwort auf alles.

Wer seine Daten bereits intelligent aufbaut, entzieht vielen Nachfolgeproblemen die Grundlage. Dann wird nicht erst später mühsam gesucht, sondern schon vorher klug vorbereitet. Das spart Aufwand, reduziert Fehler und macht Systeme langfristig besser nutzbar. Genau deshalb ist saubere Strukturierung kein lästiger Zusatz, sondern einechter Wettbewerbsvorteil.

Und vielleicht ist das auch die wichtigste Erkenntnis aus meinem Messeerlebnis: Nicht alles, was heute mit AI beeindruckend klingt, ist automatisch neu. Manches davon haben wir früher schon gelöst. Nur eben anders. Manchmal langsamer, manchmal handwerklicher, aberdurchaus wirksam. Der Unterschied ist heute oft nicht, dass das Problem plötzlich lösbar wurde, sondern dass wir jetzt ein neues Werkzeug haben, das es bequemer erscheinen lässt.

Die eigentliche Frage für Unternehmen sollte deshalb nicht lauten: „Wo können wir AI einsetzen?“ Die bessere Frage lautet: „Wo bringt AI wirklich zusätzlichen Nutzen – und wo können wir durch gute Strukturierung von Anfang an dasselbe Ergebnis wirtschaftlicher erreichen?“

Genau dort liegt aus meiner Sicht der Schlüssel. Nicht in der blinden Begeisterung für das Neue, sondern in der klugen Entscheidung für die bessere Lösung.

Wenn Sie Ihre Prozesse, Lastenhefte oder ALM-Strukturen genauer anschauen möchten, lohnt sich genau dieser Blick: Welche Informationen erfassen wir heute schon so, dass wir sie morgen wiederfinden? Welche Attribute fehlen noch? Und wo setzen wir AI ein, obwohl saubere Datenstruktur die deutlich stärkere Basis wäre?

MeinRat ist klar: Erst strukturieren, dann digitalisieren, dann gezieltmit AI ergänzen. So wird aus einem Buzzword ein echter Mehrwert.

Ich bin ganz sicher kein KI-Gegner – im Gegenteil! Aber mehr als 20 Jahre im Requirements Engineering haben mir eins glasklar gezeigt: Eine solide Basis aus sauber strukturierten Daten ist und bleibt der absolute Schlüssel zum Erfolg.

Ich nutze künstliche Intelligenz selbst super gerne, zum Beispiel für die Code- und Texterstellung. Deshalb ist auch dieser Beitrag hier mit tatkräftiger KI-Unterstützung entstanden.

Seit November 2023 leite ich eine Beratungsfirma mit 6 Mitarbeitern.

Meine Kenntnisse konnte ich in stark regulierte Branchen wie Automotive, Luft- und Raumfahrt, Pharma und Medizintechnik gewinnen. Ein Teil unserer Kunden kommt zwar aus weniger regulierten Bereich wie Agrar oder gar Defense, aber der Großteil der Kunden kommt genau aus den oben genannten Bereichen.  

Ich bin versiert in Methoden, Normen und Standards und strebe innovative Lösungen an, die traditionelle Ansätze herausfordern, ohne grundlegende Regeln zu verletzen.