Requirements Engineering im Zeitalter der KI

Requirements Engineering entwickelt sich von manuellen, erfahrungsgetriebenen Arbeitsweisen hin zu KI-unterstützten Workflows, die Effizienz, Konsistenz und Qualität verbessern, während die Verantwortung für das finale Engineering-Ergebnis bei den Ingenieurinnen und Ingenieuren bleibt.

1. Die Weiterentwicklung des Requirements Engineering

Seit Jahrzehnten stützt sich Requirements Engineering auf strukturierte Engineering-Praktiken, die von erfahrenen Fachkräften getragen werden. Ingenieurinnen und Ingenieure arbeiten eng mit Stakeholdern zusammen, um deren Bedürfnisse zu verstehen, Anforderungen zu dokumentieren und sicherzustellen, dass Spezifikationen vollständig, konsistent und für die Entwicklung geeignet sind.

Traditionelles Requirements Engineering baut auf folgenden Elementen auf:

• Menschliche Expertise und technisches Urteilsvermögen
• Zusammenarbeit und Kommunikation mit Stakeholdern
• Reviews und Inspektionen
• Qualitätschecklisten und Engineering-Richtlinien
• Manülle Analyse und Rückverfolgbarkeit

Diese Praktiken bilden weiterhin das Fundament des Requirements Engineering und bleiben unverzichtbar, um erfolgreiche Systeme zu entwickeln.

Da Produkte zunehmend softwaregetrieben und vernetzt werden, muss Requirements Engineering Herausforderungen adressieren, die über die Möglichkeiten rein manueller Prozesse hinausgehen.

Moderne Engineering-Projekte sind gekennzeichnet durch:

• Zunehmende Systemkomplexität
• Größere und stärker vernetzte Spezifikationen
• Mehrere Stakeholder mit unterschiedlichen Erwartungen
• kürzere Entwicklungs- und Release-Zyklen
• Steigende Anforderungen an Safety, Security und Regulierung

Das Management tausender Anforderungen, die Sicherung von Konsistenz über mehrere Engineering-Teams hinweg und die Bewertung von Änderungsauswirkungen sind zu wesentlichen Herausforderungen geworden, die effizientere Engineering-Methoden erfordern.

2. Die Rolle von KI im Requirements Engineering

Künstliche Intelligenz verändert das Requirements Engineering, indem sie die tägliche Arbeitsweise von Ingenieurinnen und Ingenieuren erweitert. Anstatt Engineering-Expertise zu ersetzen, dient KI als intelligenter Assistent, der repetitive Aufgaben automatisiert, große Informationsmengen analysiert und wertvolle Erkenntnisse liefert, die technische Entscheidungen unterstützen.

Besonders wirksam ist KI bei Aktivitäten, in denen Engineering-Informationen in großem Umfang verarbeitet und analysiert werden. Sie kann Requirements Engineering unterstützen durch:

• Erkennen mehrdeutiger, unvollständiger oder inkonsistenter Anforderungen.
• Identifizieren doppelter, widersprüchlicher oder zusammenhängender Anforderungen.
• Auffinden relevanter Anforderungen, Standards und Engineering-Kenntnisse durch semantische Suche.
• Verbessern der Formulierung von Anforderungen und Prüfen gegen Schreibrichtlinien.
• Unterstützen der Rückverfolgbarkeit zwischen Anforderungen, Designelementen und Testfällen.
• Bewerten der Auswirkungen vorgeschlagener Anforderungsänderungen.

Auch wenn KI bei der Informationsverarbeitung stark ist, bleibt erfolgreiches Requirements Engineering auf die Expertise und das Urteilsvermögen erfahrener Ingenieurinnen und Ingenieure angewiesen. Sie bringen Fähigkeiten ein, die sich nicht automatisieren lassen, darunter:

• Domänenwissen, um Anwendung und Randbedingungen zu verstehen.
• Kontextverständnis, um Anforderungen im Gesamtsystem einzuordnen.
• Technisches Urteilsvermögen, um Alternativen zu bewerten und fundierte Entscheidungen zu treffen.
• Kreativität und Innovationsfähigkeit, um wirksame Lösungen für komplexe Probleme zu entwickeln.
• Ethische Verantwortung beim Abwägen von Safety-, Security-, regulatorischen und wirtschaftlichen Aspekten.
• Stakeholder-Kommunikation, um Bedürfnisse zu verstehen, Prioritäten auszuhandeln und Konsens herzustellen.

Durch die Verbindung der analytischen Fähigkeiten von KI mit menschlicher Expertise können Organisationen die Anforderungsqualität verbessern, manuellen Aufwand reduzieren und wirksamer auf die steigende Komplexität moderner Engineering-Projekte reagieren.

Wie jedes Engineering-Werkzeug kann auch KI falsche oder unvollständige Ergebnisse liefern. Ingenieurinnen und Ingenieure bleiben dafür verantwortlich, KI-generierte Ergebnisse zu prüfen, deren Korrektheit zu validieren und alle technischen Entscheidungen freizugeben, bevor sie in die finale Spezifikation einfliessen.

3. KI über den gesamten Requirements-Engineering-Lebenszyklus

Künstliche Intelligenz kann über den gesamten Lebenszyklus des Requirements Engineering hinweg wertvolle Unterstützung leisten und jede Aktivität mit auf ihre Ziele zugeschnittenen Fähigkeiten ergänzen. Während KI Analysen und Empfehlungen liefert, bleiben Ingenieurinnen und Ingenieure für technische Entscheidungen, Stakeholder-Kommunikation und die Freigabe von Engineering-Artefakten verantwortlich.

Anforderungserhebung

Während der Anforderungserhebung unterstützt KI Ingenieurinnen und Ingenieure dabei, Stakeholder-Informationen vor, während und nach Interaktionen zu erfassen und zu organisieren.

KI kann unterstützen bei:

• Vorbereitung von Interviews
• Generierung von Fragen
• Zusammenfassung von Meetings
• Extraktion von Anforderungen
• Erkennung doppelter Anforderungen

Ingenieurinnen und Ingenieure bleiben verantwortlich für:

• Das Verstehen der Absicht von Stakeholdern
• Das Klären von Mehrdeutigkeiten
• Das Auflösen widersprüchlicher Erwartungen
• Das Aushandeln von Prioritäten und Umfang

Analyse

Während der Analyse hilft KI dabei, Qualität, Konsistenz und Beziehungen von Anforderungen über die gesamte Spezifikation hinweg zu bewerten.

KI kann unterstützen bei:

• Erkennung von Mehrdeutigkeiten
• Konsistenzprüfung
• Klassifikation von Anforderungen
• Abhängigkeitsanalyse
• Auswirkungsanalyse
• Konflikterkennung

Ingenieurinnen und Ingenieure bleiben verantwortlich für:

• Technische Entscheidungen
• Die Bewertung von Designalternativen
• Die Beurteilung der Machbarkeit
• Die Durchführung von Trade-off-Analysen
• Risikobewertungen

Dokumentation

KI verbessert Effizienz und Konsistenz bei der Dokumentation von Anforderungen und unterstützt zugleich die Einhaltung von Engineering-Standards und organisatorischen Richtlinien.

KI kann unterstützen bei:

• Überarbeitung von Anforderungen
• Standardisierter Formulierung
• Vervollständigung von Attributen
• Generierung von Vorlagen

Ingenieurinnen und Ingenieure bleiben verantwortlich für:

• Die Freigabe der Spezifikation
• Die Anwendung technischen Urteilsvermögens
• Die Sicherstellung technischer Korrektheit
• Die Verwendung passender Domänenterminologie

Verifikation

KI beschleunigt die Verifikation von Anforderungen, indem sie Spezifikationen automatisch gegen vordefinierte Qualitätsregeln und technische Kriterien bewertet.

KI kann unterstützen bei:

• Syntaxprüfung
• Konsistenzprüfung
• Vollständigkeitsprüfung
• Bewertung der Testbarkeit
• Prüfung der Rückverfolgbarkeit
• Einhaltung von Schreibrichtlinien

Ingenieurinnen und Ingenieure bleiben verantwortlich für:

• Die Prüfung der Verifikationsergebnisse
• Das Lösen identifizierter Probleme
• Die Definition von Verifikationskriterien
• Die Freigabe der verifizierten Spezifikation

Validierung

KI unterstützt dabei zu beurteilen, ob die dokumentierten Anforderungen die Erwartungen der Stakeholder und das beabsichtigte Systemverhalten angemessen abbilden.

KI kann unterstützen bei:

• Erkennung fehlender Anforderungen
• Vorschlägen zur Rückverfolgbarkeit
• Szenariogenerierung
• Use-Case-Analyse
• Analyse der Anforderungsabdeckung

Ingenieurinnen und Ingenieure bleiben verantwortlich für:

• Die Bestätigung von Stakeholder-Erwartungen
• Die Validierung von Geschäftszielen
• Die Freigabe von Anforderungsänderungen
• Die Abnahme der finalen Spezifikation

Management

Während sich Projekte weiterentwickeln, hilft KI dabei, Konsistenz über sich verändernde Spezifikationen hinweg zu erhalten, indem sie Auswirkungsanalysen, Organisation und Rückverfolgbarkeit unterstützt.

KI kann unterstützen bei:

• Vorhersage von Änderungsauswirkungen
• Suche nach ähnlichen Anforderungen
• Automatischer Klassifikation und Tagging
• Anforderungsmetriken und Reporting
• Pflege der Rückverfolgbarkeit

Ingenieurinnen und Ingenieure bleiben verantwortlich für:

• Konfigurationsmanagement
• Baselining
• Freigabe von Änderungen
• Release-Planung
• Priorisierung von Änderungen

Künstliche Intelligenz unterstützt jede Phase des Requirements-Engineering-Lebenszyklus, indem sie manuellen Aufwand reduziert, Konsistenz verbessert und intelligente Empfehlungen liefert. Den größten Nutzen entfaltet KI dann, wenn sie etablierte Engineering-Praktiken ergänzt und es Ingenieurinnen und Ingenieuren ermöglicht, sich auf Zusammenarbeit, kritisches Denken und fundierte Entscheidungen zu konzentrieren, während sie die volle Verantwortung für das finale Engineering-Ergebnis behalten.

4. Zentrale Erkenntnisse

• Requirements Engineering bleibt eine menschenzentrierte Disziplin, in der Ingenieurinnen und Ingenieure für das Verstehen von Stakeholder-Bedürfnissen und technische Entscheidungen verantwortlich sind.
• KI unterstützt jede Phase des Requirements-Engineering-Lebenszyklus, von Erhebung und Analyse bis zu Dokumentation, Verifikation, Validierung und Änderungsmanagement.
• KI ist besonders stark bei der Automatisierung repetitiver Aufgaben und der Analyse größer Spezifikationen, wodurch Qualitätsprobleme früher erkannt und manueller Aufwand reduziert werden können.
• Menschliche Expertise bleibt unverzichtbar, um Domänenwissen, technisches Urteilsvermögen, Kreativität, ethische Verantwortung und wirksame Stakeholder-Kommunikation einzubringen.
• KI-generierte Ergebnisse müssen immer von Ingenieurinnen und Ingenieuren geprüft und freigegeben werden, die für Korrektheit und Qualität der finalen Engineering-Artefakte verantwortlich bleiben.
• Der größte Nutzen entsteht, wenn KI und Ingenieurinnen und Ingenieure zusammenarbeiten, indem die Geschwindigkeit und analytischen Fähigkeiten von KI mit Erfahrung und Entscheidungsstärke technischer Fachkräfte verbunden werden.

KI in der Funktionalen Sicherheit: Chancen, Herausforderungen und Engineering-Verantwortung

Kann Künstliche Intelligenz Aktivitäten der Funktionalen Sicherheit beschleunigen, ohne die Sicherheit zu gefährden? Erfahren Sie, wo KI Gefährdungsanalysen, Sicherheitsanforderungen, Verifikation und Dokumentation unterstützen kann, welche Grenzen Ingenieurinnen und Ingenieure verstehen müssen und warum menschliche Verantwortung in der sicherheitskritischen Entwicklung unverzichtbar bleibt.

1. Warum Funktionale Sicherheit KI nicht ignorieren kann

Funktionale Sicherheit stützt sich seit jeher auf rigorose Engineering-Prozesse, um sicherzustellen, dass Systeme auch im Fehlerfall sicher arbeiten. Normen wie die ISO 26262 definieren strukturierte Aktivitäten, mit denen Ingenieurinnen und Ingenieure Gefährdungen identifizieren, Sicherheitsanforderungen ableiten, Sicherheitskonzepte entwickeln und nachweisen, dass Sicherheitsziele erreicht wurden.

Da moderne Systeme zunehmend softwaregetrieben und vernetzt sind, wachsen diese Aktivitäten sowohl im Umfang als auch in ihrer Komplexität weiter. Safety Engineers müssen deutlich mehr Informationen beherrschen und dabei denselben hohen Grad an Strenge und Rückverfolgbarkeit aufrechterhalten.

Heutige Projekte der Funktionalen Sicherheit sind gekennzeichnet durch:

• Zunehmende Software- und Systemkomplexität
• Wachsende Anzahl an Sicherheitsanforderungen
• Umfassendere Sicherheitsanalysen
• Größere Mengen an Engineering-Dokumentation
• Steigenden Druck hin zu kürzeren Entwicklungszyklen

Diese Herausforderungen erfordern, große Informationsmengen zu analysieren, Konsistenz über zahlreiche Engineering-Artefakte hinweg zu sichern und vollständige Rückverfolgbarkeit über den gesamten Safety-Lebenszyklus hinweg sicherzustellen. Mit wachsender Projektgroße werden viele traditionelle Engineering-Aktivitäten zunehmend zeitaufwendig und manuell nur schwer beherrschbar.

Funktionale Sicherheit entwickelt sich damit zu einer wissensintensiven Engineering-Disziplin. Die Entwicklung eines sicherheitskonformen Produkts verlangt, Informationen aus Gefährdungsanalysen, Sicherheitskonzepten, technischen Architekturen, Softwareanforderungen, Verifikationsergebnissen, Normen und Safety Cases zusammenzuführen und dabei sicherzustellen, dass alle Artefakte vollständig, konsistent und rückverfolgbar bleiben.

Künstliche Intelligenz bietet das Potenzial, viele dieser Aktivitäten zu unterstützen. Durch die schnelle Analyse größer Mengen an Engineering-Informationen, das Erkennen von Inkonsistenzen, die Unterstützung bei der Dokumentation und die Verbesserung der Rückverfolgbarkeit kann KI manuellen Aufwand deutlich reduzieren und Ingenieurinnen und Ingenieuren helfen, sich auf Aufgaben zu konzentrieren, die Engineering-Urteilsvermögen und Safety-Expertise erfordern.

2. Wo KI die Funktionale Sicherheit unterstützen kann

Künstliche Intelligenz kann über den gesamten Lebenszyklus der Funktionalen Sicherheit hinweg wertvolle Unterstützung leisten, indem sie wiederkehrende Aktivitäten automatisiert, große Mengen an Engineering-Informationen analysiert und die Konsistenz von Sicherheitsartefakten verbessert. Auch wenn KI viele Engineering-Aufgaben beschleunigen kann, bleibt die Verantwortung für Sicherheitsentscheidungen bei qualifizierten Ingenieurinnen und Ingenieuren der Funktionalen Sicherheit.

Item Definition

Die Item Definition bildet die Grundlage des Lebenszyklus der Funktionalen Sicherheit, indem sie das System, seine beabsichtigte Funktionalität und seine Einsatzumgebung beschreibt. KI kann dabei helfen, komplexe Systeme besser zu verstehen und Engineering-Informationen effizienter zu organisieren.

KI kann unterstützen bei:

• Systemverständnis und Zusammenfassungen
• Extraktion von Schnittstellen aus Spezifikationen
• Identifikation von Betriebsszenarien
• Generierung und Verfeinerung von Dokumentation

Hazard Analysis and Risk Assessment (HARA)

Die HARA identifiziert potenzielle Gefährdungen, bewertet die zugehörigen Risiken und bestimmt den erforderlichen Automotive Safety Integrity Level (ASIL). KI kann unterstützen, indem sie große Spezifikationen analysiert und Bereiche aufzeigt, die weiter untersucht werden sollten.

KI kann unterstützen bei:

• Gefährdungs-Brainstorming
• Identifikation betrieblicher Situationen
• Identifikation von Fehlfunktionen
• Konsistenzprüfung über Sicherheitsartefakte hinweg

Functional Safety Concept

Das Functional Safety Concept definiert die Sicherheitsziele und die dafür erforderlichen Functional Safety Requirements. KI kann die Effizienz steigern, indem sie Dokumentation, Rückverfolgbarkeit und Vollständigkeitsanalysen unterstützt.

KI kann unterstützen bei:

• Ableitung möglicher Sicherheitsziele
• Entwurf von Functional Safety Requirements (FSRs)
• Vollständigkeitsprüfungen
• Rückverfolgbarkeit zwischen Gefährdungen, Sicherheitszielen und Anforderungen

Technical Safety Concept

Das Technical Safety Concept übersetzt funktionale Sicherheitsanforderungen in technische Lösungen und weist sie Systemeigenschaften zu. KI kann Ingenieurinnen und Ingenieure dabei unterstützen, alternative Implementierungen zu untersuchen und mögliche Inkonsistenzen zu erkennen.

KI kann unterstützen bei:

• Architekturuntersuchungen
• Vorschlägen für Sicherheitsmechanismen
• Schnittstellen-Konsistenzanalysen
• Zuordnungsvorschlägen für Technical Safety Requirements (TSRs)

Software Safety

Die Softwareentwicklung erzeugt typischerweise eine große Zahl sicherheitsrelevanter Anforderungen, Designelemente und Implementierungsartefakte. KI kann unterstützen, indem sie Qualität verbessert und viele Review-Aktivitäten automatisiert.

KI kann unterstützen bei:

• Analyse der Anforderungsqualität
• Unterstützung bei Code Reviews
• Prüfung von MISRA-Richtlinien
• Statischer Codeanalyse
• Generierung von Unit-Tests

Verifikation

Die Verifikation weist nach, dass Sicherheitsanforderungen über den gesamten Entwicklungslebenszyklus korrekt umgesetzt wurden. KI kann die Verifikation effizienter machen, indem sie Analyse, Reviews und Testvorbereitung unterstützt.

KI kann unterstützen bei:

• Generierung von Testfällen
• Abdeckungsanalysen
• Verifikation der Rückverfolgbarkeit
• Review-Unterstützung

Safety Case

Der Safety Case bündelt die Nachweise, dass das Produkt seine Functional-Safety-Ziele erfüllt. Die Konsistenz über zahlreiche Engineering-Artefakte hinweg aufrechtzürhalten, gehört oft zu den zeitintensivsten Aufgaben.

KI kann unterstützen bei:

• Generierung von Dokumentation
• Sammlung und Organisation von Nachweisen
• Konsistenzprüfungen über Safety-Case-Artefakte hinweg

3. Engineering-Herausforderungen

Künstliche Intelligenz bietet erhebliche Chancen, Engineering in der Funktionalen Sicherheit zu verbessern, bringt jedoch auch Herausforderungen mit sich, die sorgfältig beherrscht werden müssen. Anders als konventionelle Engineering-Werkzeuge erzeugt KI Empfehlungen auf Basis gelernter Muster statt deterministischer Algorithmen. Daher müssen Ingenieurinnen und Ingenieure nicht nur verstehen, was KI leisten kann, sondern auch, an welchen Stellen ihre Grenzen sicherheitskritische Entwicklung beeinflussen können.

Halluzinationen

KI-Systeme können Ergebnisse erzeugen, die technisch korrekt erscheinen, dabei aber falsche, unvollständige oder erfundene Informationen enthalten. Im Kontext der Funktionalen Sicherheit können solche Halluzinationen zu falschen Sicherheitsargumenten, ungeeigneten Sicherheitsanforderungen oder irreführenden Empfehlungen führen, wenn sie ohne Engineering-Review übernommen werden.

KI-generierte Sicherheitsartefakte sollten daher immer als Engineering-Empfehlungen und nicht als verifizierte Fakten behandelt werden.

Fehlender Kontext

Entscheidungen in der Funktionalen Sicherheit beruhen selten auf einem einzelnen Dokument. Sie hängen von der Systemarchitektur, Betriebsannahmen, früheren Engineering-Entscheidungen, anwendbaren Normen und projektspezifischen Randbedingungen ab.

Wenn dieser Kontext unvollständig oder nicht verfügbar ist, kann KI Empfehlungen erzeugen, die plausibel wirken, aber weder das reale System noch die tatsächlichen Sicherheitsziele korrekt abbilden. Informationen, die nur in der Erfahrung von Ingenieurinnen und Ingenieuren oder in nicht dokumentiertem Projektwissen vorliegen, lassen sich nicht verlässlich in KI-generierte Ergebnisse einbringen.

Erklärbarkeit

Funktionale Sicherheit verlangt, dass Engineering-Entscheidungen begründet, dokumentiert und rückverfolgbar sind. Ingenieurinnen und Ingenieure müssen erklären können, warum eine Gefährdung identifiziert wurde, warum ein bestimmter Sicherheitsmechanismus gewählt wurde oder warum eine ASIL-Klassifikation vergeben wurde.

Auch wenn KI nützliche Empfehlungen liefern kann, kann sie häufig nicht das für sicherheitskritische Entscheidungen erforderliche Mass an Engineering-Begründung bereitstellen. Dieser Mangel an Erklärbarkeit macht eine unabhängige Prüfung und Engineering-Validierung unverzichtbar, bevor KI-generierte Ergebnisse in Sicherheitsartefakte einfliessen dürfen.

Qualifikation

Die ISO 26262 verlangt, dass Software-Werkzeuge bewertet und, falls erforderlich, qualifiziert werden, um Vertrauen zu schaffen, dass sie während der Entwicklung keine Fehler einführen oder Fehler unerkannt lassen.

Künstliche Intelligenz stellt hier eine neue Herausforderung dar, weil sie sich nicht wie klassische deterministische Software-Werkzeuge verhält. Dieselbe Eingabe kann zu unterschiedlichen Ergebnissen führen, und die zugrunde liegende Entscheidungslogik basiert auf statistischen Modellen statt auf explizit definierten Algorithmen. Diese Eigenschaften erschweren die Anwendung konventioneller Tool-Qualification-Ansatze erheblich.

Je tiefer KI in das Safety Engineering integriert wird, desto wichtiger werden voraussichtlich neue Methoden zur Bewertung, Steürung und möglichen Qualifikation KI-unterstützter Engineering-Werkzeuge als Forschungs- und Standardisierungsthema.

4. Der Safety Engineer der Zukunft

Künstliche Intelligenz verändert, wie Aktivitäten der Funktionalen Sicherheit durchgeführt werden, nicht aber ihren Zweck. Mit zunehmender Fähigkeit von KI, Informationen zu analysieren, Dokumentation zu erzeugen und Inkonsistenzen zu erkennen, werden Safety Engineers weniger Zeit für wiederkehrende Engineering-Aufgaben aufwenden und mehr Zeit für Tätigkeiten, die technische Expertise, kritisches Denken und professionelles Urteilsvermögen erfordern.

KI ist besonders wirksam bei der Verarbeitung größer Mengen an Engineering-Informationen und hilft so, den Aufwand für manuelle Analysen und administrative Arbeit zu reduzieren.

Safety Engineers der Zukunft werden möglicherweise weniger Zeit aufwenden für:

• Das Schreiben und Pflegen von Engineering-Dokumentation
• Die Suche in Normen, Richtlinien und früheren Projektartefakten
• Die Prüfung tausender Sicherheitsanforderungen auf Qualität und Konsistenz
• Die Pflege der Rückverfolgbarkeit über Engineering-Artefakte hinweg
• Die Erstellung von Review-Berichten und begleitender Dokumentation
• Die Sammlung und Organisation von Safety-Case-Nachweisen

Stattdessen werden sie sich zunehmend auf Aktivitäten konzentrieren, bei denen menschliche Expertise unverzichtbar bleibt.

Safety Engineers der Zukunft werden mehr Zeit aufwenden für:

• Das Treffen von Engineering-Entscheidungen
• Die Definition von Sicherheitskonzepten und Architekturen
• Die Bewertung von Gefährdungen und Risiken
• Das Austarieren technischer, sicherheitsbezogener und wirtschaftlicher Trade-offs
• Die Validierung KI-generierter Engineering-Artefakte
• Die Zusammenarbeit mit Stakeholdern und interdisziplinären Engineering-Teams

Obwohl KI nahezu jede Phase des Lebenszyklus der Funktionalen Sicherheit unterstützen kann, bleibt die Verantwortung für Sicherheitsentscheidungen eindeutig bei qualifizierten Safety Professionals.

Über den gesamten Safety-Lebenszyklus hinweg bleiben Ingenieurinnen und Ingenieure verantwortlich für:

Item Definition

• Die Definition von Systemgrenzen und beabsichtigter Funktionalität
• Die Bestätigung von Betriebsszenarien und Annahmen

Hazard Analysis and Risk Assessment (HARA)

• Die Identifikation von Gefährdungen
• Die Bewertung von Severity, Exposure und Controllability
• Die Festlegung von ASIL-Klassifikationen

Functional Safety Concept

• Die Definition von Safety Goals
• Die Freigabe von Functional Safety Requirements
• Die Bewertung der Wirksamkeit von Sicherheitskonzepten

Technical Safety Concept

• Die Auswahl von Sicherheitsmechanismen
• Das Treffen architektonischer Entscheidungen
• Die Zuordnung von Technical Safety Requirements

Software Safety

• Die Freigabe sicherheitsrelevanter Anforderungen
• Die Prüfung von Softwarearchitektur und Implementierung
• Die Bewertung von Software-Sicherheitsmechanismen

Verification and Validation

• Die Definition von Verifikationsstrategien
• Die Prüfung von Verifikationsergebnissen
• Die Bestätigung, dass Sicherheitsanforderungen korrekt implementiert und validiert wurden

Safety Case

• Die Bewertung von Sicherheitsnachweisen
• Der Nachweis der Konformität mit anwendbaren Normen
• Die Freigabe der übergreifenden Sicherheitsargumentation

Künstliche Intelligenz verändert, wie Engineering in der Funktionalen Sicherheit durchgeführt wird, nicht aber, wer verantwortlich ist. Wenn KI routinemässige Engineering-Aufgaben automatisiert, liegt der wachsende Wert des Safety Engineers darin, fundierte Entscheidungen zu treffen, solides Engineering-Urteilsvermögen auszuüben und Verantwortung für die Sicherheit des finalen Produkts zu übernehmen.

5. Zentrale Erkenntnisse

• Künstliche Intelligenz kann die Funktionale Sicherheit über den gesamten Safety-Lebenszyklus hinweg unterstützen und die Effizienz in Aktivitäten wie Analyse, Dokumentation, Rückverfolgbarkeit und Verifikation verbessern.
• KI ist als Engineering-Assistent am wirksamsten, indem sie Ingenieurinnen und Ingenieuren hilft, große Informationsmengen zu verarbeiten, Inkonsistenzen zu erkennen und wiederkehrende Engineering-Aufgaben zu automatisieren.
• Sicherheitsentscheidungen bleiben die Verantwortung qualifizierter Ingenieurinnen und Ingenieure der Funktionalen Sicherheit. Aktivitäten wie Gefährdungsanalyse, ASIL-Bestimmung, Entwicklung von Sicherheitskonzepten und Sicherheitsfreigaben erfordern Engineering-Urteilsvermögen, das nicht an KI delegiert werden kann.
• KI-generierte Sicherheitsartefakte müssen geprüft, verifiziert und validiert werden, bevor sie Teil des Safety-Lebenszyklus oder des Safety Case werden.
• Der Einsatz von KI bringt neue Engineering-Herausforderungen mit sich, darunter Halluzinationen, begrenzte Erklärbarkeit, unvollständiger Kontext und die Qualifikation KI-unterstützter Engineering-Werkzeuge.
• Die Zukunft der Funktionalen Sicherheit verbindet KI-unterstütztes Engineering mit menschlicher Expertise und ermöglicht es Ingenieurinnen und Ingenieuren, sich weniger auf manuelle Dokumentation und stärker auf Engineering-Entscheidungen, Risikobewertung und die Sicherstellung der Sicherheit des finalen Produkts zu konzentrieren.
• Künstliche Intelligenz verändert nicht die Prinzipien der Funktionalen Sicherheit. Sie verändert, wie Ingenieurinnen und Ingenieure Sicherheitsaktivitäten durchführen, während Strenge, Rückverfolgbarkeit und Verantwortung sicherheitskritischer Systeme erhalten bleiben.

Produktionsreifer Code aus hochwertigen Anforderungen

Kann Requirements Engineering zur Programmiersprache der Zukunft werden? Mit der Transformation der Softwareentwicklung durch KI hängt die Qualität generierten Codes zunehmend von der Qualität der Anforderungen ab. Erfahren Sie, wie präzise, vollständige und verifizierbare Anforderungen produktionsreifen Code ermöglichen könnten und welche Engineering-Herausforderungen noch im Weg stehen.

1. Eine neue Engineering-Vision

Seit Jahrzehnten folgt die Softwareentwicklung einem etablierten Engineering-Lebenszyklus. Stakeholder-Bedürfnisse werden in Anforderungen überführt, Anforderungen in Designs, Designs in Software, und die Software wird schliesslich vor der Inbetriebnahme verifiziert und validiert.

Der traditionelle Engineering-Ablauf lässt sich wie folgt zusammenfassen:

Dieser strukturierte Ansatz hat die Entwicklung zunehmend komplexer und zuverlässiger Softwaresysteme in zahlreichen Branchen ermöglicht.

Künstliche Intelligenz eröffnet nun eine neue und potenziell tiefgreifende Möglichkeit:

Auf den ersten Blick wirkt diese Idee zugleich spannend und kontrovers. Kann KI wirklich große Teile des traditionellen Softwareentwicklungsprozesses ersetzen? Noch wichtiger: Kann sie Software erzeugen, die robust, wartbar und produktionsreif ist?

Aktülle Fortschritte bei Large Language Models zeigen, dass KI bereits in der Lage ist, Funktionen, APIs, Unit-Tests und sogar komplette Anwendungen aus natürlichsprachlichen Beschreibungen zu generieren. Damit dreht sich die Diskussion nicht mehr um die Frage, ob KI Code schreiben kann. Diese Fähigkeit ist bereits belegt.

Die grundlegendere Engineering-Frage ist, ob die Eingabe an die KI präzise genug ist, um die korrekte Implementierung zu erzeugen. Anforderungen wurden ursprünglich geschrieben, um mit Ingenieurinnen und Ingenieuren zu kommunizieren. Wenn KI produktionsreife Software generieren soll, müssen dieselben Anforderungen zugleich zu einer eindeutigen und vollständigen Spezifikation werden, die keinen Interpretationsspielraum lässt.

Das markiert eine wesentliche Verschiebung im Software Engineering. Statt den Schwerpunkt primär auf die Implementierung selbst zu legen, verlagert sich der Engineering-Aufwand zunehmend darauf, das gewünschte Systemverhalten mit höherer Präzision und Vollständigkeit zu definieren. Die Qualität der erzeugten Software wird direkt von der Qualität des in der Spezifikation erfassten Engineering-Wissens abhängig.

Die Herausforderung besteht nicht mehr nur darin, Code zu schreiben. Sie besteht darin, Engineering-Wissen so präzise zu formulieren, dass KI es in produktionsreife Software überführen kann.

2. Warum Anforderungen zur Programmiersprache werden

Softwareentwicklerinnen und -entwickler haben Anforderungen traditionell in Software überführt, indem sie Spezifikationen interpretiert, Designentscheidungen getroffen und die resultierende Lösung implementiert haben. Wenn Informationen fehlen oder unklar sind, gleichen Ingenieurinnen und Ingenieure dies typischerweise aus durch:

• Erfahrung
• Annahmen
• Diskussionen mit Stakeholdern
• Engineering-Intuition

Auch wenn dieser Ansatz häufig zu erfolgreichen Systemen führt, bringt er zugleich Variabilität mit sich. Zwei erfahrene Entwicklerinnen oder Entwickler können dieselbe Anforderung unterschiedlich interpretieren und zu unterschiedlichen Implementierungen gelangen.

Künstliche Intelligenz gleicht unvollständige Spezifikationen nicht auf dieselbe Weise aus. Sie erzeugt Code aus den verfügbaren Informationen und leitet fehlende Details aus gelernten Mustern statt aus Engineering-Absicht ab. Dadurch erhöht jede Mehrdeutigkeit, jede Auslassung und jede Inkonsistenz die Wahrscheinlichkeit falscher oder uneinheitlicher Implementierungen.

Um produktionsreife Software zu generieren, benötigt KI Anforderungen, die das System mit deutlich höherer Präzision beschreiben. Statt nur die erwartete Funktionalität auszudrücken, sollte die Spezifikation das Engineering-Wissen definieren, das für eine korrekte Implementierung der Lösung erforderlich ist, einschliesslich:

• Funktionalem Verhalten
• Zuständen und Zustandsübergängen
• Ereignissen und Auslösebedingungen
• Schnittstellen und Datenaustausch
• Randbedingungen
• Fehlerbehandlung
• Nichtfunktionalen Anforderungen

Je vollständiger und präziser Anforderungen werden, desto mehr ähneln sie einer Programmiersprache, nicht wegen ihrer Syntax, sondern weil sie das Systemverhalten mit ausreichender Genauigkeit für eine konsistente Implementierung beschreiben. Statt nur als Dokumentation für Ingenieurinnen und Ingenieure zu dienen, werden sie zu einer ausführbaren Engineering-Spezifikation, die sowohl menschliche als auch KI-unterstützte Entwicklung steuern kann.

Bessere Anforderungen erzeugen besseren Code. Die Qualität KI-generierter Software wird in erster Linie durch die Qualität der Anforderungen bestimmt, aus denen sie erzeugt wird.

3. Was KI braucht, um produktionsreifen Code zu generieren

Künstliche Intelligenz kann beeindruckenden Qüllcode erzeugen, jedoch nur dann, wenn sie eine hinreichend vollständige und eindeutige Spezifikation erhält. Anders als menschliche Entwicklerinnen und Entwickler kann KI keine Rückfragen stellen, sich nicht auf implizite Annahmen stützen und keine Engineering-Absicht aus dem Projektkontext ableiten. Jede Implementierung wird aus den in den Anforderungen enthaltenen Informationen abgeleitet.

Um produktionsreife Software zu generieren, benötigt KI Spezifikationen, die nicht nur die erwartete Funktionalität beschreiben, sondern auch die Engineering-Details, die für eine korrekte Implementierung der Lösung erforderlich sind.

Funktionales Verhalten

Die Anforderungen sollten klar definieren, wie sich das System unter allen relevanten Betriebsbedingungen verhalten soll.

Dazu gehören:

• Eingänge
• Ausgänge
• Zustandsänderungen
• Ereignisse und Auslösebedingungen

Ohne eine vollständige Verhaltensbeschreibung kann KI nicht bestimmen, wie die Software in jeder Situation reagieren soll.

Schnittstellen

Software arbeitet selten isoliert. Anforderungen sollten beschreiben, wie das System mit externen Komponenten und Diensten kommuniziert.

Typische Schnittstelleninformationen umfassen:

• APIs
• Nachrichten
• Signale
• Kommunikationsprotokolle

Klar definierte Schnittstellen ermöglichen es KI, konsistente Kommunikationslogik und Integrationscode zu erzeugen.

Daten

Korrekte Software hängt von einem präzisen Verständnis der Informationen ab, die sie verarbeitet. Anforderungen sollten sowohl die Bedeutung als auch die Struktur der Daten beschreiben.

Wichtige Aspekte sind:

• Datentypen
• Gültige Wertebereiche
• Datenstrukturen
• Einheiten und Formate

Gut definierte Datenmodelle reduzieren Interpretationsfehler und verbessern die Konsistenz der generierten Implementierung.

Randbedingungen

Produktionsreife Software muss mehr als nur funktionale Anforderungen erfüllen. Engineering-Randbedingungen entscheiden oft darüber, ob eine Implementierung in ihrer vorgesehenen Umgebung akzeptabel ist.

Anforderungen sollten Randbedingungen angeben wie:

• Timing
• Performance
• Safety
• Security

Diese Randbedingungen beeinflussen Architekturentscheidungen und Implementierungsstrategien, die KI nicht verlässlich selbst ableiten kann.

Ausnahmesituationen

Robuste Software muss mehr als nur das nominelle Betriebsszenario beherrschen. Anforderungen sollten das erwartete Verhalten bei abnormalen Situationen explizit definieren.

Beispiele sind:

• Ungültige Eingaben
• Kommunikationsausfälle
• Wiederanlaufverfahren
• Degradierte Betriebsmodi

Die Beschreibung von Ausnahmeverhalten ermöglicht es KI, Software zu erzeugen, die robuster und besser für den realen Betrieb geeignet ist.

Die Bereitstellung dieser Informationen garantiert nicht, dass KI perfekte Software erzeugt, aber ihr Fehlen garantiert nahezu, dass wichtige Engineering-Entscheidungen implizit getroffen werden.

Fehlende Informationen stoppen KI nicht. Sie zwingen KI zum Raten. Jede Vermutung wird zu einer Engineering-Entscheidung, und Engineering-Entscheidungen gehören in die Anforderungen, nicht in den generierten Code.

4. Die größten Herausforderungen

Die Vision, produktionsreife Software direkt aus Anforderungen zu generieren, ist überzeugend, doch bevor daraus ein verlässlicher Entwicklungsansatz werden kann, müssen mehrere Engineering-Herausforderungen gelöst werden. Die meisten dieser Herausforderungen sind keine Grenzen der KI selbst; sie entstehen aus der Qualität, Vollständigkeit und Konsistenz der Engineering-Spezifikation.

Unvollständige Anforderungen

KI kann nur die Informationen implementieren, die sie erhält. Wenn essenzielle Verhaltensweisen, Schnittstellen oder Randbedingungen in den Anforderungen fehlen, können sie sich in der generierten Software nicht widerspiegeln.

Anders als menschliche Ingenieurinnen und Ingenieure kann KI keine undokumentierten Stakeholder-Erwartungen identifizieren und keine Informationen rekonstruieren, die nie spezifiziert wurden. Fehlende Anforderungen führen deshalb zu unvollständigen Implementierungen statt zu Rückfragen.

Verborgene Annahmen

Engineering-Teams verlassen sich häufig auf implizites Wissen, das aus früheren Projekten, Domänenexpertise oder organisatorischen Praktiken entstanden ist. Dadurch werden wichtige Informationen mitunter weggelassen, weil sie als "offensichtlich" gelten.

Während erfahrene Ingenieurinnen und Ingenieure solche Annahmen oft erkennen, teilt KI nicht denselben Projektkontext. Informationen, die nur in den Köpfen von Ingenieurinnen und Ingenieuren existieren, lassen sich nicht in verlässliche Software überführen.

Konsistenz über mehrere Dokumente hinweg

Moderne Engineering-Projekte stützen sich selten auf eine einzige Spezifikation. Stattdessen sind Anforderungen über mehrere Engineering-Artefakte verteilt, die sich im Verlauf des Projekts weiterentwickeln.

Dazu gehören typischerweise:

• Tausende von Anforderungen
• Hunderte von Schnittstellen
• System- und Softwarearchitekturdokumente
• Industriestandards
• Safety- und Security-Analysen

Die Generierung produktionsreifer Software setzt voraus, dass KI Konsistenz über all diese Qüllen hinweg versteht und aufrechterhält. Widersprüche zu identifizieren, Konflikte aufzulösen und Rückverfolgbarkeit zu erhalten, bleiben wesentliche Engineering-Herausforderungen.

Designentscheidungen

Anforderungen beschreiben primär, was das System tun soll. Qüllcode muss jedoch auch definieren, wie dieses Verhalten implementiert wird.

Architekturmuster, Algorithmen, Datenstrukturen und Implementierungsstrategien sind in Anforderungen oft nicht festgelegt. Auch wenn KI plausible Lösungen vorschlagen kann, beinhalten viele Designentscheidungen technische Trade-offs, die von Projektzielen, Systemrandbedingungen und Engineering-Erfahrung abhängen.

Diese Entscheidungen erfordern weiterhin menschliches Engineering-Urteilsvermögen.

Nichtfunktionale Anforderungen

Funktionales Verhalten allein reicht selten aus, um produktionsreife Software zu erzeugen. Viele der kritischsten Engineering-Eigenschaften sind nichtfunktional und beeinflussen die Implementierung erheblich.

Beispiele sind:

• Performance
• Safety
• Timing
• Speichernutzung
• Nebenläufigkeit
• Fehlertoleranz

Solange diese Erwartungen nicht explizit spezifiziert sind, hat KI kaum eine Grundlage, um eine geeignete Implementierungsstrategie auszuwählen.

Validierung

Selbst perfekt generierter Code kann die falsche Lösung implementieren, wenn die Anforderungen selbst die Stakeholder-Bedürfnisse nicht korrekt widerspiegeln. KI kann eine fehlerhafte Spezifikation getreu in eine ebenso fehlerhafte Implementierung überführen.

Aus diesem Grund beseitigt Codegenerierung nicht die Notwendigkeit der Requirements Validation. Ingenieurinnen und Ingenieure müssen weiterhin bestätigen, dass die Spezifikation die beabsichtigte Lösung beschreibt, bevor die Implementierung beginnt.

Die größte Herausforderung besteht daher nicht darin, KI beizubringen, wie man Code schreibt. Sie besteht darin, Engineering-Spezifikationen bereitzustellen, die vollständig, konsistent und validiert sind.

5. Können wir KI-generiertem Code vertraün?

Künstliche Intelligenz verändert die Art und Weise, wie Software entwickelt wird, mit hoher Geschwindigkeit. Sie kann Funktionen, Klassen, APIs, Testfälle und sogar komplette Anwendungen mit bemerkenswerter Geschwindigkeit erzeugen. Die Fähigkeit, Code zu generieren, darf jedoch nicht mit der Fähigkeit verwechselt werden, den richtigen Code zu generieren.

Die Vertrauenswürdigkeit KI-generierter Software hängt primär von der Qualität der Engineering-Spezifikation ab, aus der sie erzeugt wird. Bevor KI produktionsreifen Code generieren kann, müssen die Anforderungen selbst:

• Korrekt sein und Stakeholder-Bedürfnisse sowie das beabsichtigte Systemverhalten präzise widerspiegeln.
• Vollständig sein und alle für die Implementierung erforderlichen Informationen bereitstellen.
• Verifiziert sein, damit sie klar, konsistent, realisierbar und testbar sind.
• Validiert sein und bestätigen, dass sie die richtige Lösung für das beabsichtigte Problem beschreiben.

Selbst wenn Software aus hochwertigen Anforderungen generiert wird, kann ohne Verifikation nicht davon ausgegangen werden, dass sie korrekt ist. Wie jede Implementierung muss auch KI-generierter Code gegen seine Spezifikation verifiziert werden, um zu bestätigen, dass das geforderte Verhalten vollständig und korrekt umgesetzt wurde. Reviews, statische Analyse, Unit-Testing, Integrationstests und Systemtests bleiben essenzielle Engineering-Aktivitäten. KI kann die Implementierung erheblich beschleunigen, beseitigt aber nicht die Notwendigkeit, die Übereinstimmung mit den Anforderungen nachzuweisen, bevor Software als produktionsreif gelten kann.

Wenn diese Bedingungen erfüllt sind, kann KI zu einem leistungsfähigen Implementierungswerkzeug werden, das Engineering-Wissen mit bislang unerreichter Geschwindigkeit in hochwertige Software überführt. Umgekehrt führen unvollständige oder mehrdeutige Anforderungen unweigerlich zu unvollständigen oder mehrdeutigen Implementierungen, unabhängig davon, ob der Code von einem Menschen geschrieben oder von KI generiert wird.

Künstliche Intelligenz beseitigt daher nicht die Notwendigkeit von Engineering. Sie verstärkt sie. Hochwertige Anforderungen ermöglichen KI bessere Ergebnisse, während schlechte Anforderungen lediglich dazu führen, dass sich Fehler schneller durch den Entwicklungsprozess ausbreiten.

Diese Beziehung lässt sich einfach zusammenfassen:

Die Zukunft KI-unterstützter Softwareentwicklung wird nicht allein durch leistungsfähigere KI-Modelle bestimmt werden. Sie wird durch die Fähigkeit von Ingenieurinnen und Ingenieuren bestimmt werden, präzise, vollständige und verifizierbare Engineering-Spezifikationen zu erstellen, die KI mit Vertrauen implementieren kann.

Produktionsreife Software beginnt mit produktionsreifen Anforderungen, wird aber erst erreicht, nachdem die generierte Implementierung rigoros verifiziert und die Gesamtlösung validiert wurde. KI beschleunigt die Implementierung, doch die Verantwortung für die Lieferung korrekter und zuverlässiger Software bleibt klar in den Händen von Ingenieurinnen und Ingenieuren.

6. Zentrale Erkenntnisse

• KI verändert die Softwareentwicklung, indem sie den Fokus vom Schreiben von Code hin zur Definition hochwertiger Engineering-Spezifikationen verschiebt.
• Die Qualität KI-generierter Software hängt direkt von der Qualität der Anforderungen ab. Bessere Anforderungen ermöglichen bessere Implementierungen.
• Für KI bestimmte Anforderungen müssen die vollständige Engineering-Lösung beschreiben, einschliesslich funktionalem Verhalten, Schnittstellen, Daten, Randbedingungen, Ausnahmesituationen und nichtfunktionalen Anforderungen.
• Unvollständige oder mehrdeutige Anforderungen zwingen KI dazu, Engineering-Annahmen zu treffen, was das Risiko falscher oder inkonsistenter Implementierungen erhöht.
• Die Generierung produktionsreifen Codes erfordert produktionsreife Anforderungen, die korrekt, vollständig, verifiziert und validiert sind, bevor die Implementierung beginnt.
• KI beschleunigt die Implementierung, ersetzt aber keine Engineering-Expertise. Ingenieurinnen und Ingenieure bleiben dafür verantwortlich, die richtige Lösung zu definieren, wo nötig Designentscheidungen zu treffen und das finale System zu validieren.
• Die Zukunft KI-unterstützter Softwareentwicklung hängt ebenso stark von Fortschritten im Requirements Engineering ab wie von Fortschritten in der Künstlichen Intelligenz.

Verifikation vs. Validierung: Was ist der Unterschied?

Verifikation und Validierung hängen eng zusammen, beantworten jedoch unterschiedliche Fragen. Obwohl die Begriffe häufig austauschbar verwendet werden, erfüllen sie über den gesamten Engineering-Lebenszyklus hinweg unterschiedliche Zwecke. Verifikation bestätigt, dass ein Engineering-Artefakt seine spezifizierten Anforderungen erfüllt, während Validierung bestätigt, dass diese Anforderungen und die daraus entstehende Lösung die tatsächlichen Bedürfnisse der Stakeholder erfüllen.

1. Verifikation und Validierung verstehen

Verifikation und Validierung sind sich ergänzende Engineering-Aktivitäten, die zwei grundlegend unterschiedliche Fragen beantworten:

• Verifikation: Haben wir das Produkt richtig gebaut?
• Validierung: Haben wir das richtige Produkt gebaut?

Verifikation bewertet, ob ein Engineering-Artefakt wie Anforderungen, Systemdesigns, Qüllcode oder Testfälle mit seinen spezifizierten Anforderungen übereinstimmt. Im Fokus stehen Korrektheit und Konformität mit der definierten Spezifikation.

Verifikation umfasst an dieser Stelle häufig:

• Reviews und Inspektionen
• Statische Analyse
• Rückverfolgbarkeitsanalyse
• Konformitätsprüfungen
• Verifikationstests auf Unit-, Integrations- und Systemebene

Die frühe Durchführung dieser Aktivitäten hilft dabei, Fehler zu erkennen, bevor sie sich in nachgelagerte Lebenszyklusaktivitäten fortpflanzen. Das reduziert sowohl Entwicklungsaufwand als auch Projektrisiko.

Validierung hingegen bewertet, ob die entwickelte Lösung ihren beabsichtigten Zweck erfüllt und die Bedürfnisse der Stakeholder in ihrer realen Einsatzumgebung abdeckt. Eine technisch korrekte Implementierung kann dennoch scheitern, wenn sie das eigentliche Problem nicht löst oder nicht den erwarteten Nutzen liefert.

Validierung wird häufig durchgeführt über:

• Stakeholder-Reviews
• Use-Case-Walkthroughs
• Prototypen
• User-Acceptance-Tests
• Operationelle Bewertungen

Diese Aktivitäten schaffen Vertrauen, dass die richtige Lösung entwickelt wird, bevor erhebliche Ressourcen investiert werden.

Verifikation und Validierung sind nicht auf die Testphase beschränkt. Sie sollten über den gesamten Engineering-Lebenszyklus angewendet werden, vom Verstehen von Stakeholder-Bedürfnissen und dem Definieren von Anforderungen bis hin zum Design, zur Umsetzung und zur Validierung des finalen Systems. Gemeinsam stellen sie sicher, dass Engineering-Artefakte sowohl korrekt erstellt werden als auch die richtige Lösung repräsentieren.

2. Verifikation und Validierung über den gesamten Engineering-Lebenszyklus

Verifikation und Validierung sind kontinuierliche Engineering-Aktivitäten, die jede Phase der Produktentwicklung begleiten. Anstatt isolierte Aufgaben zu sein, die nur während des Testens stattfinden, schaffen sie fortlaufend Vertrauen, dass jede technische Entscheidung zu einem erfolgreichen Endprodukt beiträgt.

Stakeholder-Bedürfnisse

Jedes Engineering-Projekt beginnt mit dem Verstehen des zu lösenden Problems. In dieser Phase stellt Verifikation sicher, dass Stakeholder-Bedürfnisse präzise, vollständig und konsistent erfasst wurden und damit eine verlässliche Grundlage für nachfolgende Engineering-Aktivitäten bilden.

Verifikation in dieser Phase umfasst häufig:

• Stakeholder-Interviews
• Dokumentationsreviews
• Konsistenz- und Vollständigkeitsprüfungen

Validierung ergänzt dies, indem gemeinsam mit Stakeholdern bestätigt wird, dass die dokumentierten Bedürfnisse tatsächlich ihre Erwartungen, Geschäftsziele und den beabsichtigten Einsatz widerspiegeln.

Validierung in dieser Phase kann umfassen:

• Stakeholder-Workshops
• Reviews und Walkthroughs
• Frühe Konzepte oder Prototypen

Requirements Engineering

Wenn Stakeholder-Bedürfnisse in Anforderungen überführt werden, konzentriert sich Verifikation auf die Qualität der Spezifikation. Gut definierte Anforderungen reduzieren Mehrdeutigkeiten und schaffen eine solide Grundlage für Design, Umsetzung und Test.

Verifikation prüft hier unter anderem:

• Vollständigkeit
• Klarheit und Eindeutigkeit
• Konsistenz
• Machbarkeit
• Testbarkeit
• Rückverfolgbarkeit
• Einhaltung von Schreibrichtlinien

Typische Techniken der Verifikation sind:

• Peer-Reviews
• Formale Inspektionen
• KI-gestützte Qualitätsanalyse

Validierung betrachtet einen anderen Aspekt: ob die dokumentierten Anforderungen tatsächlich die beabsichtigte Lösung beschreiben. Selbst eine perfekt geschriebene Anforderung kann ungültig sein, wenn sie den realen Stakeholder-Bedarf nicht widerspiegelt.

Validierung erfolgt häufig in Form von:

• Stakeholder-Reviews
• Use-Case-Walkthroughs
• Prototypen
• Priorisierung und Bestätigung von Anforderungen

System- und Softwaredesign

Im System- und Softwaredesign stellt Verifikation sicher, dass die vorgeschlagene Architektur die freigegebenen Anforderungen korrekt umsetzt und technisch konsistent bleibt.

Verifikation in dieser Phase umfasst:

• Architektur-Reviews
• Schnittstellenverifikation
• Design-Konsistenzprüfungen
• Prüfung der Rückverfolgbarkeit
• Einhaltung architektonischer Richtlinien

Validierung bewertet, ob die gewählte Architektur für das beabsichtigte Produkt geeignet ist und funktionale wie nicht-funktionale Erwartungen erfüllen kann.

Validierung in dieser Phase kann umfassen:

• Architekturprototypen
• Performance-Simulationen
• Machbarkeitsstudien
• Design-Walkthroughs mit Stakeholdern

Implementierung

Die Implementierung überführt das freigegebene Design in ausführbare Software. Verifikation schafft Vertrauen, dass die Umsetzung das Design korrekt realisiert und dabei Qualität und Konsistenz wahrt.

Verifikation umfasst hier typischerweise:

• Code-Reviews
• Statische Codeanalyse
• Einhaltung von Coding-Richtlinien
• Unit-Tests

Validierung konzentriert sich auf das Verhalten der implementierten Funktionalität, sobald sie in das Gesamtsystem integriert ist, und stellt sicher, dass sie die beabsichtigten operationellen Szenarien und Nutzererwartungen unterstützt.

Validierung umfasst typischerweise:

• Funktionale Demonstrationen
• Integrationsbewertungen
• Nutzerfeedback während der Entwicklung
• Bewertung von Prototypen

Test

Testen wird oft mit Verifikation und Validierung gleichgesetzt, doch beide Aktivitäten behalten weiterhin unterschiedliche Aufgaben.

Verifikation weist nach, dass das implementierte System die spezifizierten Anforderungen erfüllt und dass der Test selbst verlässliche Nachweise liefert.

Verifikation stützt sich typischerweise auf:

• Testfall-Reviews
• Analyse der Anforderungsabdeckung
• Prüfung erwarteter Ergebnisse
• Verifikation der Testumgebung
• Unit-, Integrations-, System- und Regressionstests

Validierung bestätigt, dass das fertige Produkt die Erwartungen der Stakeholder in seiner vorgesehenen Einsatzumgebung erfüllt.

Validierung stützt sich typischerweise auf:

• User-Acceptance-Tests
• Kundenbewertungen
• Feldversuche
• Operationelle Validierung

3. Warum beide Aktivitäten wichtig sind

Erfolgreiche Produkte zu entwickeln erfordert mehr als technische Exzellenz. Es braucht die Sicherheit, dass das Produkt seinen beabsichtigten Zweck erfüllt. Verifikation und Validierung wirken zusammen, um dieses Vertrauen aufzubaün, indem sie unterschiedliche Aspekte des Projekterfolgs adressieren.

Verifikation verbessert die Engineering-Qualität, indem sie Fehler früh erkennt, Konsistenz über Engineering-Artefakte hinweg sicherstellt und verhindert, dass sich Probleme in nachfolgende Lebenszyklusaktivitäten fortpflanzen. Frühe Erkennung reduziert Nacharbeit, verkürzt Entwicklungszyklen und senkt die Gesamtkosten von Qualität.

Validierung stellt sicher, dass Engineering-Aktivitäten mit Stakeholder-Erwartungen und Geschäftszielen abgestimmt bleiben. Indem bestätigt wird, dass die vorgeschlagene Lösung das richtige Problem adressiert, sinkt das Risiko kostspieliger Redesigns, unnötiger Funktionalität und von Produkten, die Nutzerbedürfnisse verfehlen.

Zusammen schaffen Verifikation und Validierung eine kontinuierliche Rückkopplung über den gesamten Engineering-Lebenszyklus. Verifikation bestätigt die Qualität und Konsistenz der Engineering-Ergebnisse, während Validierung sicherstellt, dass diese Ergebnisse weiterhin die beabsichtigten Ziele unterstützen. Gemeinsam angewandt verbessern sie Produktqualität, reduzieren technische und wirtschaftliche Risiken und steigern das Vertrauen in die finale Lösung.

4. Zentrale Erkenntnisse

• Verifikation bestätigt, dass Engineering-Artefakte mit ihren Spezifikationen übereinstimmen.
• Validierung bestätigt, dass die entwickelte Lösung Stakeholder-Bedürfnisse und den beabsichtigten Einsatz erfüllt.
• Verifikation und Validierung sollten über den gesamten Engineering-Lebenszyklus hinweg angewendet werden, nicht nur während des Testens.
• Die Kombination beider Aktivitäten hilft, technische Fehler zu reduzieren, Projektrisiken zu minimieren und das Vertrauen in das Endprodukt zu erhöhen.

KI-gestütztes Engineering: Chancen und Risiken

Künstliche Intelligenz verändert das Engineering durch schnellere Analysen, stärkere Konsistenz und wirksamere Automatisierung. Sie schafft große Chancen zur Verbesserung von Produktivität, Qualität und Entscheidungsunterstützung, bringt aber auch Risiken mit sich, die verantwortungsvolle Engineering-Praktiken, menschliche Aufsicht und klare Governance erfordern.

1. Der Aufstieg des KI-gestützten Engineerings

Engineering hat sich schon immer gemeinsam mit technologischer Innovation weiterentwickelt. Von computerunterstütztem Design und Simulationstools bis hin zu modellbasierter Entwicklung und digitalen Zwillingen hat jeder Fortschritt Ingenieurinnen und Ingenieuren geholfen, wachsende Komplexität zu beherrschen und gleichzeitig Qualität und Effizienz zu verbessern. Heute stellt künstliche Intelligenz den nächsten großen Schritt in dieser Entwicklung dar.

Moderne Engineering-Projekte sind deutlich anspruchsvoller als früher. Produkte werden zunehmend softwaregetrieben, vernetzt und datenintensiv, während Organisationen gleichzeitig innovative Lösungen in kürzeren Entwicklungszyklen und unter strengeren Qualitäts- und Regulierungsanforderungen liefern müssen.

Ingenieurinnen und Ingenieure stehen heute vor Herausforderungen wie:

• Zunehmender Systemkomplexität
• kürzeren Entwicklungs- und Release-Zyklen
• Wachsenden Mengen an Engineering-Daten und Dokumentation
• Wissensintensiver Entwicklung über mehrere Engineering-Disziplinen hinweg
• Digitaler Transformation von Engineering-Prozessen und Tools

Diese Herausforderungen zu beherrschen erfordert von Ingenieurinnen und Ingenieuren, riesige Informationsmengen zu verarbeiten, Konsistenz über zahlreiche Engineering-Artefakte hinweg zu sichern und fundierte Entscheidungen unter zunehmend engen Zeitvorgaben zu treffen. Traditionelle Engineering-Praktiken bleiben unverzichtbar, doch Umfang und Komplexität moderner Projekte verlangen zusätzliche Fähigkeiten.

Künstliche Intelligenz liefert genau diese Fähigkeiten, indem sie Computer in die Lage versetzt, Informationen zu analysieren, Muster zu erkennen und Empfehlungen auf Basis größer Mengen an Engineering-Wissen und Daten zu erzeugen. Anders als klassische Software, die explizit programmierten Regeln folgt, lernen moderne KI-Systeme statistische Zusammenhänge aus vorhandenen Informationen und nutzen dieses Wissen, um neue Aufgaben zu unterstützen. Dadurch kann KI natürliche Sprache verstehen, Dokumente zusammenfassen, Inkonsistenzen erkennen und Engineering-Aktivitäten unterstützen, die bisher erheblichen manuellen Aufwand erforderten.

In diesem Engineering-Kontext ist KI zu einem immer wertvolleren Assistenten geworden und nicht einfach nur zu einem weiteren Softwarewerkzeug. Sie hilft dabei, große Spezifikationen zu analysieren, relevantes Wissen zu finden, repetitive Aktivitäten zu automatisieren und Probleme sichtbar zu machen, die sonst unbemerkt bleiben könnten. Indem sie den Aufwand für Routineanalyse und Dokumentation reduziert, ermöglicht KI es Ingenieurinnen und Ingenieuren, mehr Zeit in Aktivitäten zu investieren, die technische Expertise, kritisches Denken und die Zusammenarbeit mit Stakeholdern erfordern.

KI verändert nicht den Zweck des Engineerings. Sie verändert die Art, wie Ingenieurinnen und Ingenieure arbeiten, indem sie intelligente Unterstützung bietet, die Produktivität verbessert, Qualität stärkt und Organisationen hilft, die wachsende Komplexität moderner Engineering-Projekte zu bewältigen.

2. Chancen des KI-gestützten Engineerings

Künstliche Intelligenz schafft über den gesamten Engineering-Lebenszyklus hinweg Mehrwert, indem sie die Fähigkeiten von Engineering-Teams erweitert und nicht ersetzt. Durch die Automatisierung von Routineaktivitäten, die Analyse größer Informationsmengen und das Bereitstellen intelligenter Empfehlungen ermöglicht KI effizienteres Arbeiten bei gleichzeitig hohen Qualitätsstandards.

Die größten Chancen lassen sich in fünf zentrale Bereiche einteilen.

Gesteigerte Produktivität

Viele Engineering-Aktivitäten bestehen aus repetitiven und zeitaufwändigen Aufgaben, die erheblichen manuellen Aufwand erfordern. KI kann diese Aktivitäten automatisieren und Ingenieurinnen und Ingenieuren dadurch mehr Raum geben, komplexe technische Probleme zu lösen und mit Stakeholdern zusammenzuarbeiten.

KI kann die Produktivität verbessern durch:

• Automatisierung repetitiver Engineering-Aufgaben
• Beschleunigung von Dokumentenreviews
• Auffinden relevanter Informationen innerhalb von Sekunden
• Erstellung erster Entwürfe von Engineering-Artefakten

Das Ergebnis sind kürzere Entwicklungszyklen, weniger manueller Aufwand und mehr Zeit für technische Entscheidungen.

Verbesserte Qualität

Qualität sicherzustellen wird zunehmend schwieriger, wenn Engineering-Artefakte in Umfang und Komplexität wachsen. KI kann Spezifikationen kontinuierlich analysieren und Probleme identifizieren, die allein durch manuelle Reviews schwer zu erkennen wären.

KI trägt zu höherer Qualität bei durch die Unterstützung von:

• Konsistenzprüfungen über Engineering-Artefakte hinweg
• Früher Erkennung von Mehrdeutigkeiten und Fehlern
• Rückverfolgbarkeitsanalyse
• Einhaltung von Engineering-Standards und organisatorischen Richtlinien

Indem Qualitätsprobleme früh erkannt werden, hilft KI dabei, Nacharbeit zu reduzieren und das Vertrauen in Engineering-Ergebnisse zu erhöhen.

Bessere Entscheidungsunterstützung

Engineering-Entscheidungen erfordern häufig die Bewertung größer Informationsmengen, die über mehrere Dokumente, Projekte und Disziplinen verteilt sind. KI unterstützt Ingenieurinnen und Ingenieure, indem sie diese Informationen schnell analysiert und relevante Erkenntnisse bereitstellt.

Typische Fähigkeiten zur Entscheidungsunterstützung umfassen:

• Mustererkennung über Spezifikationen hinweg
• Auffinden relevanten Engineering-Wissens
• Analyse von Änderungsauswirkungen
• Generierung von Empfehlungen und alternativen Lösungsansätzen

Anstatt Entscheidungen selbst zu treffen, liefert KI Ingenieurinnen und Ingenieuren bessere Informationsgrundlagen für ihr technisches Urteilsvermögen.

Wissenssicherung

Engineering-Organisationen sammeln über Jahre hinweg wertvolles Wissen aus Projekten, Reviews und technischen Entscheidungen. Ein größer Teil dieses Wissens bleibt schwer zugreifbar oder geht verloren, wenn erfahrene Ingenieurinnen und Ingenieure die Rolle wechseln oder die Organisation verlassen.

KI hilft dabei, Engineering-Wissen zu sichern und wiederzuverwenden durch:

• Zugang zu organisationsweiten Wissensspeichern
• Lernen aus früheren Projekten und Spezifikationen
• Schnelleres Onboarding neuer Ingenieurinnen und Ingenieure
• Semantische Suche in Engineering-Dokumentation

Wenn organisationales Wissen leichter auffindbar wird, sinken doppelte Aufwände und bewährte Engineering-Lösungen können besser wiederverwendet werden.

Innovation

Über die Effizienzsteigerung hinaus kann KI auch Kreativität fördern, indem sie Ingenieurinnen und Ingenieure dabei unterstützt, neue Ideen zu erkunden und verschiedene Lösungsansätze zu bewerten.

KI kann Innovation unterstützen durch:

• Vorschläge für alternative Lösungen
• Brainstorming und Ideengenerierung
• Erkundung von Architekturen
• Generierung und Bewertung von Szenarien

Auch wenn Innovation letztlich von menschlicher Kreativität und Engineering-Expertise abhängt, liefert KI wertvolle Impulse und beschleunigt die Erkundung möglicher Lösungen.

Verantwortungsvoll eingesetzt ermöglicht KI Engineering-Teams, produktiver zu werden, hochwertigere Ergebnisse zu liefern, fundiertere Entscheidungen zu treffen und vorhandenes Organisationswissen besser zu nutzen. Ihr größter Wert liegt nicht darin, Ingenieurinnen und Ingenieure zu ersetzen, sondern darin, ihnen den Fokus auf jene Aktivitäten zu ermöglichen, bei denen menschliche Expertise den größten Beitrag leistet.

3. Risiken des KI-gestützten Engineerings

Künstliche Intelligenz bietet Engineering-Organisationen erhebliche Chancen, bringt aber wie jedes Engineering-Werkzeug auch neue Herausforderungen mit sich, die verstanden und gesteürt werden müssen. Verantwortungsvolle Einführung bedeutet, sowohl Fähigkeiten als auch Grenzen der KI zu erkennen und sicherzustellen, dass technische Entscheidungen weiterhin auf solidem fachlichem Urteilsvermögen basieren.

Die folgenden Bereiche gehören zu den wichtigsten Risiken bei der Integration von KI in Engineering-Aktivitäten.

Fehlerhafte Ergebnisse

KI erzeugt Antworten, indem sie Muster in bestehenden Daten identifiziert, nicht indem sie wie ein menschlicher Ingenieur schlussfolgert. Dadurch kann sie Ergebnisse liefern, die überzeugend wirken, technisch aber falsch, unvollständig oder für den Engineering-Kontext ungeeignet sind.

Mögliche Risiken sind:

• Halluzinationen oder erfundene Informationen
• Falsche Annahmen
• Fehlender Projekt- oder Domänenkontext

KI-generierte Ergebnisse sollten deshalb als Empfehlungen betrachtet werden, die vor ihrer Übernahme in Engineering-Artefakte ein technisches Review und eine Validierung erfordern.

Übermässiges Vertrauen

Je leistungsfähiger KI-Systeme werden, desto größer ist das Risiko, dass Ingenieurinnen und Ingenieure ihren Empfehlungen zu stark vertraün. KI-Ergebnisse ohne ausreichende Prüfung zu übernehmen, kann die Wirksamkeit etablierter Engineering-Praktiken verringern.

Typische Risiken sind:

• Blindes Übernehmen KI-generierter Inhalte
• Abnehmendes kritisches Denken
• Automatisierungsbias, bei dem KI-Empfehlungen als korrekt angenommen werden

Engineering-Expertise, unabhängige Reviews und professionelles Urteilsvermögen bleiben unverzichtbar, um Qualität und Korrektheit technischer Entscheidungen sicherzustellen.

Datenqualität

Die Qualität KI-generierter Ergebnisse hängt unmittelbar von der Qualität und Relevanz der Informationen ab, die dem KI-System zur Verfügung stehen. Unvollständiges, veraltetes oder ungenaüs Wissen kann zu irreführenden Empfehlungen und schlechten technischen Entscheidungen führen.

Mögliche Einschränkungen sind:

• Unvollständiges Engineering-Wissen
• Veraltete Standards oder Spezifikationen
• Schwachqualitative Trainings- oder Referenzdaten

Verlässliches Engineering-Wissen zu pflegen und KI-Wissensquellen regelmäßig zu aktualisieren, ist entscheidend, um vertraünswürdige Ergebnisse zu erzielen.

Vertraulichkeit

Engineering-Projekte beinhalten häufig sensible Informationen, die geschützt werden müssen. Beim Einsatz von KI-Diensten müssen Organisationen sicherstellen, dass vertrauliche Daten gemäss vertraglichen, rechtlichen und organisatorischen Anforderungen behandelt werden.

Besondere Aufmerksamkeit erfordern unter anderem:

• Geistiges Eigentum
• Kunden- und Projektdaten
• Exportkontrollierte oder anderweitig eingeschränkte Informationen

Geeignete Governance, sichere KI-Plattformen und klare organisatorische Richtlinien sind notwendig, um vertrauliche Engineering-Informationen zu schützen.

Compliance

Viele Engineering-Bereiche, insbesondere sicherheitskritische Industrien, verlangen die strikte Einhaltung von Standards, Regulierungen und dokumentierten Engineering-Prozessen. KI-gestütztes Engineering muss diese Verpflichtungen unterstützen und darf sie nicht untergraben.

Wichtige Aspekte sind unter anderem:

• Sicherung der Rückverfolgbarkeit über Engineering-Artefakte hinweg
• Bereitstellung erklärbarer und reviewbarer Ergebnisse
• Unterstützung der Einhaltung von Safety- und Qualitätsstandards
• Erfüllung regulatorischer und kundenseitiger Erwartungen

Organisationen sollten sicherstellen, dass KI-generierte Artefakte transparent, reviewbar und vollständig in ihre etablierten Engineering- und Qualitätsmanagementprozesse integriert bleiben.

4. Verantwortungsvolle KI-Einführung

Künstliche Intelligenz erfolgreich in Engineering-Prozesse zu integrieren, erfordert mehr als nur die Auswahl der richtigen Werkzeuge. Organisationen müssen klare Prinzipien etablieren, die sicherstellen, dass KI Engineering-Aktivitäten verbessert, während Qualität, Verantwortlichkeit und Compliance erhalten bleiben. Ziel ist nicht, etablierte Engineering-Praktiken zu ersetzen, sondern sie durch intelligente Unterstützung zu stärken.

Die folgenden Prinzipien bilden eine Grundlage für die verantwortungsvolle Einführung von KI im Engineering.

Ingenieurinnen und Ingenieure in Kontrolle halten

KI soll Engineering-Aktivitäten unterstützen, nicht technische Verantwortung ersetzen. Ingenieurinnen und Ingenieure bleiben für technische Entscheidungen, Stakeholder-Kommunikation und die Freigabe von Engineering-Artefakten verantwortlich.

Gute Praktiken sind unter anderem:

• KI-Ergebnisse als Empfehlungen und nicht als autoritative Resultate behandeln.
• KI-generierte Inhalte vor ihrer Nutzung reviewen und validieren.
• Menschliche Freigabe für technische Entscheidungen beibehalten.
• Verantwortlichkeiten für KI-gestützte Aktivitäten klar definieren.

KI in etablierte Engineering-Prozesse integrieren

KI entfaltet ihren größten Nutzen, wenn sie in bestehende Engineering-Workflows eingebettet wird, statt als separate oder isolierte Aktivität genutzt zu werden.

Organisationen sollten:

• KI in bestehende Engineering-Methoden und Review-Prozesse integrieren.
• Etablierte Qualitätssicherungsaktivitäten erhalten.
• Rückverfolgbarkeit zwischen KI-gestützten Ergebnissen und Engineering-Artefakten sichern.
• Die Wirksamkeit KI-unterstützter Prozesse kontinuierlich bewerten.

Transparenz und Rückverfolgbarkeit sicherstellen

Engineering-Entscheidungen müssen nachvollziehbar und reproduzierbar bleiben, insbesondere in regulierten und sicherheitskritischen Umfeldern.

Verantwortungsvolle Einführung umfasst:

• Das Erfassen wesentlicher KI-gestützter Engineering-Aktivitäten, wo sinnvoll.
• Die Sicherung der Rückverfolgbarkeit zwischen Eingängen, Ergebnissen und technischen Entscheidungen.
• Die Gewährleistung, dass KI-generierte Artefakte reviewbar und erklärbar bleiben.
• Den Erhalt von Versionskontrolle und Konfigurationsmanagement.

Engineering-Informationen schützen

Engineering-Daten repräsentieren oft wertvolles geistiges Eigentum und können vertrauliche Kunden- oder Projektinformationen enthalten. KI muss so eingesetzt werden, dass diese Werte geschützt bleiben.

Organisationen sollten:

• Geeignete Datenschutzrichtlinien anwenden.
• Vertrauenswürdige KI-Plattformen und -Dienste nutzen.
• Vertrauliche und exportkontrollierte Informationen schützen.
• Klare Leitlinien für die Nutzung externer KI-Dienste definieren.

KI-Nutzung kontinuierlich verbessern

KI-Fähigkeiten entwickeln sich schnell weiter. Organisationen müssen deshalb sowohl die Technologie als auch ihre Nutzung innerhalb von Engineering-Prozessen regelmäßig bewerten.

Kontinuierliche Verbesserung umfasst:

• Das Überwachen der Qualität KI-gestützter Ergebnisse.
• Das Aktualisieren von Engineering-Wissensquellen.
• Das Schulen von Ingenieurinnen und Ingenieuren zu KI-Fähigkeiten und Grenzen.
• Das Verfeinern von Prompts, Workflows und Governance auf Basis von Projekterfahrungen.

Vertrauen durch verantwortungsvolle Nutzung aufbaün

Erfolgreiche KI-Einführung hängt von Vertrauen ab. Ingenieurinnen und Ingenieure müssen verstehen, wann KI verlässliche Unterstützung liefern kann, wann zusätzliches Review notwendig ist und wo technisches Urteilsvermögen unverzichtbar bleibt.

Organisationen sollten fördern:

• Die kritische Bewertung KI-generierter Ergebnisse.
• Bewusstsein für Grenzen und mögliche Verzerrungen von KI.
• Die verantwortungsvolle und ethische Nutzung von KI.
• Eine Kultur, in der KI Engineering-Expertise ergänzt und nicht ersetzt.

5. Zentrale Erkenntnisse

• KI verändert das Engineering, indem sie repetitive Aktivitäten automatisiert, Analysen beschleunigt und intelligente Entscheidungsunterstützung bietet.
• KI schafft Chancen, Produktivität, Engineering-Qualität, Wissensmanagement, Entscheidungsfindung und Innovation über den gesamten Engineering-Lebenszyklus hinweg zu verbessern.
• KI bringt auch Risiken mit sich, darunter fehlerhafte Ergebnisse, Automatisierungsbias, Probleme mit der Datenqualität, Vertraulichkeitsfragen und regulatorische Herausforderungen, die aktiv gesteürt werden müssen.
• Ingenieurinnen und Ingenieure bleiben verantwortlich für das Review KI-generierter Ergebnisse, technische Entscheidungen und die Freigabe der finalen Engineering-Artefakte.
• Verantwortungsvolle KI-Einführung erfordert klare Governance, menschliche Aufsicht, den sicheren Umgang mit Engineering-Informationen und die Integration in etablierte Engineering-Prozesse.
• Der größte Nutzen entsteht, wenn KI und Ingenieurinnen und Ingenieure zusammenarbeiten, indem die analytischen Fähigkeiten von KI mit menschlicher Expertise, Kreativität und technischem Urteilsvermögen verbunden werden.

Bessere Anforderungen schreiben: Best Practices und häufige Fallstricke

Hochwertige Anforderungen sind das Fundament erfolgreicher Engineering-Projekte. Entdecken Sie die Prinzipien klarer, konsistenter und verifizierbarer Anforderungen, typische Fallstricke, die es zu vermeiden gilt, und praktische Techniken zur Verbesserung der Anforderungsqualität.

1. Warum Anforderungsqualität wichtig ist

Anforderungen sind das Fundament jedes erfolgreichen Engineering-Projekts. Sie übersetzen Stakeholder-Bedürfnisse in klare, umsetzbare Spezifikationen, die die Entwicklung von Systemen, Software und Produkten über den gesamten Engineering-Lebenszyklus hinweg steuern. Jede nachfolgende Aktivität, von Systemdesign und Implementierung bis hin zu Verifikation und Validierung, hängt von der Qualität der Anforderungen ab.

Anforderungen dienen ausserdem als zentrales Kommunikationsmittel zwischen allen Projektbeteiligten. Sie schaffen ein gemeinsames Verständnis des erwarteten Systemverhaltens und liefern eine gemeinsame Referenz für technische und fachliche Entscheidungen im gesamten Projekt.

Anforderungen ermöglichen eine wirksame Zusammenarbeit zwischen:

• Stakeholdern und Kunden
• Requirements Engineers
• Systemarchitektinnen und -architekten
• Softwareentwicklerinnen und -entwicklern
• Verifikations- und Validierungsingenieurinnen und -ingenieuren
• Projekt- und Qualitätsmanagerinnen und -managern

Wenn Anforderungen klar, vollständig und eindeutig sind, können Engineering-Teams mit größerer Sicherheit arbeiten, Missverständnisse reduzieren und die Konsistenz über den gesamten Entwicklungsprozess hinweg verbessern.

Schlecht formulierte Anforderungen erzeugen hingegen Unsicherheit, die sich durch den gesamten Engineering-Lebenszyklus fortpflanzt. Mehrdeutige oder unvollständige Anforderungen führen häufig zu unterschiedlichen Interpretationen und damit zu fehlerhaften Implementierungen, unwirksamen Tests und kostspieligen Redesign-Aufwänden.

Die Folgen schlechter Anforderungsqualität können unter anderem sein:

• Missverständnisse zwischen Stakeholdern und Engineering-Teams
• Erhöhte Nacharbeit durch fehlerhafte Implementierungen
• Höhere Entwicklungs- und Wartungskosten
• Unvollständige oder unwirksame Verifikation und Validierung
• Projektverzögerungen durch Anforderungsklärung und Redesign
• Erhöhte Safety-, Security- und Compliance-Risiken

Da die Korrektur von Anforderungsfehlern im weiteren Projektverlauf erheblich teurer wird, ist die frühe Investition in hochwertige Anforderungen eine der wirksamsten Massnahmen, um Projektrisiken zu reduzieren und die Engineering-Effizienz zu verbessern.

Gut geschriebene Anforderungen sind mehr als Dokumentation. Sie bilden die Grundlage für wirksame Kommunikation, fundierte Engineering-Entscheidungen und erfolgreiche Produktentwicklung.

2. Merkmale einer guten Anforderung

Eine gut formulierte Anforderung ist mehr als nur eine Aussage über erwartetes Systemverhalten. Sie ist ein präzises Engineering-Artefakt, das wirksame Kommunikation ermöglicht, Design und Implementierung unterstützt und eine verlässliche Grundlage für Verifikation und Validierung schafft. Hochwertige Anforderungen teilen eine Reihe von Merkmalen, die Mehrdeutigkeit reduzieren, Konsistenz verbessern und Projektrisiken minimieren.

Eindeutig

Eine Anforderung sollte nur eine mögliche Interpretation zulassen. Jede Stakeholder-Gruppe, jede Ingenieurin oder jeder Ingenieur und jede Testperson sollte die Anforderung genau gleich verstehen. Mehrdeutige Formulierungen können zu unterschiedlichen Implementierungen, inkonsistentem Testen und kostspieligen Missverständnissen führen. Präzise Terminologie, messbare Kriterien und klar definierte Begriffe helfen, Unsicherheit zu vermeiden.

Vollständig

Eine Anforderung sollte alle Informationen enthalten, die notwendig sind, um das erwartete Verhalten zu verstehen und umzusetzen. Fehlende Bedingungen, Randbedingungen oder Akzeptanzkriterien zwingen Ingenieurinnen und Ingenieure häufig dazu, Annahmen zu treffen, was das Risiko falscher Implementierungen erhöht. Eine vollständige Anforderung reduziert den Klärungsbedarf während der Entwicklung.

Atomar

Jede Anforderung sollte genau ein Verhalten, eine Funktion oder eine Randbedingung beschreiben. Werden mehrere Erwartungen in einer einzigen Aussage kombiniert, wird die Anforderung schwieriger zu verstehen, umzusetzen und zu verifizieren. Atomare Anforderungen vereinfachen Rückverfolgbarkeit, Änderungsmanagement und Testing, weil jede Anforderung unabhängig bewertet werden kann.

Konsistent

Eine Anforderung sollte anderen Anforderungen oder bereits getroffenen Engineering-Entscheidungen nicht widersprechen. Inkonsistenzen innerhalb einer Spezifikation führen zu Verwirrung, erhöhen den Implementierungsaufwand und können zu widersprüchlichem Systemverhalten führen. Konsistenz über die gesamte Spezifikation hinweg stellt sicher, dass alle Engineering-Artefakte dieselbe beabsichtigte Lösung beschreiben.

Machbar

Eine Anforderung sollte innerhalb der Projektrandbedingungen technisch realisierbar sein, einschliesslich verfügbarer Technologie, Budget, Zeitplan und regulatorischer Anforderungen. Unrealistische oder unpraktische Anforderungen erzeugen unnötiges Projektrisiko und können später im Entwicklungslebenszyklus zu kostspieligen Redesign-Aufwänden führen.

Notwendig

Jede Anforderung sollte einen klaren Mehrwert liefern, indem sie ein Stakeholder-Bedürfnis, ein Geschäftsziel oder eine regulatorische Verpflichtung adressiert. Unnötige Anforderungen erhöhen Systemkomplexität, Entwicklungsaufwand und Wartungskosten, ohne einen relevanten Nutzen zu schaffen. Sich auf wesentliche Anforderungen zu beschränken, hilft dabei, die Spezifikation fokussiert und beherrschbar zu halten.

Verifizierbar

Eine Anforderung sollte erwartetes Verhalten so definieren, dass es objektiv durch Inspektion, Analyse, Demonstration oder Testing bestätigt werden kann. Anforderungen mit subjektiven Ausdrücken wie schnell, benutzerfreundlich oder effizient lassen sich nicht konsistent verifizieren. Klare Akzeptanzkriterien und messbare Randbedingungen schaffen Vertrauen, dass die Anforderung korrekt umgesetzt wurde.

Rückverfolgbar

Eine Anforderung sollte klare Beziehungen zu den Engineering-Artefakten behalten, die sie begründen, umsetzen und verifizieren. Rückverfolgbarkeit hilft Ingenieurinnen und Ingenieuren zu verstehen, warum eine Anforderung existiert, die Auswirkungen geplanter Änderungen abzuschätzen und eine vollständige Abdeckung von Stakeholder-Bedürfnissen über Design, Implementierung und Testing hinweg nachzuweisen. Wirksame Rückverfolgbarkeit ist besonders in großen und sicherheitskritischen Engineering-Projekten wichtig.

Zusammen definieren diese Merkmale die Qualität einer Anforderung. Je konsistenter sie angewendet werden, desto einfacher wird es, Engineering-Spezifikationen über den gesamten Entwicklungslebenszyklus hinweg zu kommunizieren, umzusetzen, zu verifizieren und zu pflegen.

3. Eine empfohlene Anforderungsstruktur

Eine konsistente Satzstruktur verbessert die Klarheit, Lesbarkeit und Qualität von Anforderungen. Wenn Anforderungen einer gemeinsamen Syntax folgen, lassen sie sich leichter verstehen, reviewen, umsetzen und verifizieren. Ein strukturiertes Format fördert zudem die Konsistenz über die gesamte Spezifikation hinweg und reduziert die Wahrscheinlichkeit mehrdeutiger oder unvollständiger Aussagen.

Das folgende Muster bietet eine praktische Orientierung für das Schreiben funktionaler und nichtfunktionaler Anforderungen. Die in Klammern dargestellten Elemente sind optional und sollten nur verwendet werden, wenn sie zu einem klareren Verständnis der Anforderung beitragen.

Der Kern jeder Anforderung wird durch die Abfolge Subject → Obligation → Action gebildet. Je nach Engineering-Kontext können optionale Elemente wie Object, Condition, Target und Constraint hinzugefügt werden, um festzulegen, wann die Anforderung gilt, wer oder was von der Aktion betroffen ist und welche messbaren Kriterien eingehalten werden müssen.

Dieses Beispiel enthält alle Elemente des empfohlenen Syntaxmusters:

• Bedingung: Wenn die Zündung eingeschaltet wird
• Subjekt: Das Body Control Module
• Verpflichtung: soll
• Aktion: übertragen
• Objekt: die Diagnoseantwort
• Ziel: an das Kombiinstrument
• Randbedingung: innerhalb von 100 ms

Nicht jede Anforderung enthält alle optionalen Elemente. Die folgende Anforderung zeigt eine einfachere Struktur.

In diesem Fall beschreibt die Aktion eine Eigenschaft des Subjekts selbst, statt auf ein Objekt zu wirken. Die Anforderung besteht daher aus den Kernelementen und einem Ziel:

• Subjekt: Die Kommunikationsschnittstelle
• Verpflichtung: soll
• Aktion: entsprechen
• Ziel: der CAN-FD-Spezifikation

Die empfohlene Syntax ist als praktische Leitlinie gedacht und nicht als starre Grammatik. Ziel ist es, Anforderungen zu formulieren, die klar, konsistent und leicht verständlich sind und zugleich nur die Informationen enthalten, die zur präzisen Beschreibung des erwarteten Verhaltens erforderlich sind.

4. Best Practices für das Schreiben von Anforderungen

Hochwertige Anforderungen zu schreiben erfordert mehr als nur das Befolgen einer vorgegebenen Syntax. Wirksame Anforderungen kommunizieren erwartetes Verhalten klar, minimieren Mehrdeutigkeit und bieten eine verlässliche Grundlage für Implementierung und Verifikation. Die folgenden Best Practices helfen Ingenieurinnen und Ingenieuren dabei, Anforderungen zu formulieren, die über den gesamten Engineering-Lebenszyklus hinweg leichter zu verstehen, zu reviewen und zu pflegen sind.

Klare und präzise Sprache verwenden

Anforderungen sollten in einfacher, präziser und objektiver Sprache formuliert werden. Jede lesende Person sollte die Anforderung gleich verstehen, unabhängig von Rolle oder Erfahrung. Vermeiden Sie subjektive oder vage Ausdrücke, die sich nicht messen oder verifizieren lassen.

Immer nur eine Anforderung beschreiben

Jede Anforderung sollte genau ein Verhalten, eine Funktion oder eine Randbedingung beschreiben. Atomare Anforderungen vereinfachen Implementierung, Testing, Rückverfolgbarkeit und Änderungsmanagement.

Beschreiben, was passieren soll, nicht wie

Anforderungen sollten das erwartete Verhalten definieren, ohne die Implementierung unnötig vorzugeben. Implementierungsentscheidungen dem System- und Softwaredesign zu überlassen, schafft mehr Flexibilität und fördert bessere technische Lösungen.

Messbare Akzeptanzkriterien definieren

Wann immer möglich sollten Anforderungen messbare Randbedingungen enthalten, die eine objektive Verifikation ermöglichen. Zeit, Performance, Genauigkeit und Kapazität sind typische Beispiele für messbare Kriterien.

Beispiele dafür sind:

• Antwortzeit
• Genauigkeit
• Toleranz
• Durchsatz
• Kapazität
• Verfügbarkeit

Messbare Anforderungen vermeiden subjektive Interpretation und machen Verifikation eindeutig.

Bedingungen angeben, wenn sie relevant sind

Viele Systemverhalten gelten nur unter bestimmten Umständen. Eine klar definierte Auslösebedingung hilft Ingenieurinnen und Ingenieuren zu verstehen, wann die Anforderung gilt, und verhindert falsche Annahmen.

Konsistente Terminologie verwenden

Dasselbe Konzept sollte über die gesamte Spezifikation hinweg immer mit derselben Terminologie beschrieben werden. Mehrere Bezeichnungen für dieselbe Komponente, dasselbe Signal oder dieselbe Funktion erhöhen die Wahrscheinlichkeit von Missverständnissen und Inkonsistenzen.

Wann immer möglich:

• Definierte Glossarbegriffe verwenden.
• Etablierte Benennungskonventionen einhalten.
• Terminologie konsistent über alle Engineering-Artefakte hinweg wiederverwenden.

Anforderungen so schreiben, dass sie verifiziert werden können

Jede Anforderung sollte so formuliert sein, dass ihre Erfüllung durch Inspektion, Analyse, Demonstration oder Testing nachgewiesen werden kann. Wenn es keinen objektiven Weg gibt, eine Anforderung zu verifizieren, sollte sie verfeinert werden, bevor sie Teil der Spezifikation wird.

Eine hilfreiche Frage ist:

Wie werden wir nachweisen, dass diese Anforderung erfüllt wurde?

Wenn die Antwort unklar ist, muss die Anforderung wahrscheinlich weiter verfeinert werden.

Die konsequente Anwendung dieser Best Practices verbessert die Anforderungsqualität, vereinfacht die Zusammenarbeit zwischen Engineering-Disziplinen und reduziert das Risiko von Missverständnissen über den gesamten Entwicklungslebenszyklus hinweg. Gut geschriebene Anforderungen schaffen eine solide Grundlage für erfolgreiche Systementwicklung sowie wirksame Verifikation und Validierung.

5. Häufige Fallstricke

Auch gut strukturierte Spezifikationen können Mängel enthalten, die Klarheit reduzieren, Mehrdeutigkeit erzeugen oder Implementierung und Verifikation erschweren. Die folgenden Fallstricke gehören zu den häufigsten Ursachen schlechter Anforderungsqualität.

Mehrdeutige Formulierungen

Mehrdeutige Formulierungen entstehen, wenn eine Anforderung subjektive oder unpräzise Ausdrücke enthält, die mehrere Interpretationen zulassen. Begriffe wie schnell, einfach, normalerweise, ausreichend oder widerstandsfähig haben keine allgemein akzeptierte Bedeutung und führen häufig zu inkonsistenter Implementierung und Verifikation.

Mehrere Verhaltensweisen in einer Anforderung

Eine Anforderung, die mehrere Verhaltensweisen oder Verpflichtungen in einer einzigen Aussage beschreibt, wird schwieriger zu verstehen, umzusetzen, zu verifizieren und zu pflegen. Solche Anforderungen enthalten oft Verknüpfungen wie und, oder oder auch, was unabhängige Verifikation und Rückverfolgbarkeit erschwert.

Passivform

Die Passivform verschleiert das Systemelement, das für die geforderte Aktion verantwortlich ist. Wenn der Handelnde nicht explizit genannt wird, werden Verantwortlichkeiten unklarer, und unterschiedliche Engineering-Teams können die Anforderung unterschiedlich interpretieren.

Fehlende Bedingungen

Anforderungen, die die Bedingungen auslassen, unter denen ein Verhalten gilt, lassen Ingenieurinnen und Ingenieure häufig annehmen, wann die Funktionalität ausgeführt werden soll. Das kann zu inkonsistenten Implementierungen und unvollständiger Testabdeckung führen.

Fehlendes Subjekt

Eine Anforderung ohne explizit benanntes Subjekt legt nicht klar fest, welches System, Subsystem oder welche Komponente für das geforderte Verhalten verantwortlich ist. Diese Mehrdeutigkeit kann zu inkonsistenten Designentscheidungen und unklaren Implementierungsverantwortungen führen.

Fehlende Einheiten oder messbare Kriterien

Numerische Werte ohne Einheiten oder qualitative Aussagen ohne messbare Akzeptanzkriterien lassen sich nicht objektiv verifizieren. Solche Anforderungen stützen sich häufig auf subjektive Interpretation statt auf messbare Engineering-Nachweise.

Negative Anforderungen

Negative Anforderungen beschreiben, was das System nicht tun soll, anstatt das erwartete Verhalten zu definieren. Auch wenn sie in bestimmten Situationen sinnvoll sein können, liefern sie häufig zu wenig Orientierung für die Implementierung und erschweren objektive Verifikation.

Implementierungsbias

Implementierungsbias entsteht, wenn eine Anforderung eine konkrete technische Lösung vorschreibt, statt das geforderte Verhalten zu beschreiben. Vorzeitige Implementierungsentscheidungen schränken Architektur- und Designoptionen unnötig ein und reduzieren die Flexibilität, die geeignetste Lösung auszuwählen.

Diese Fallstricke treten in Engineering-Spezifikationen häufig auf und sind eine typische Ursache für Missverständnisse, Nacharbeit und Verifikationsprobleme. Werden sie früh erkannt und korrigiert, verbessert das die Spezifikationsqualität und reduziert Projektrisiken über den gesamten Engineering-Lebenszyklus hinweg.

6. Zentrale Erkenntnisse

• Anforderungen sind das Fundament erfolgreicher Engineering-Projekte und schaffen ein gemeinsames Verständnis zwischen Stakeholdern und Engineering-Teams.
• Hochwertige Anforderungen sind eindeutig, vollständig, atomar, konsistent, machbar, notwendig, verifizierbar und rückverfolgbar und ermöglichen verlässliche Implementierung sowie objektive Verifikation.
• Eine konsistente Anforderungsstruktur verbessert die Lesbarkeit, reduziert Mehrdeutigkeit und fördert Konsistenz über die gesamte Spezifikation hinweg.
• Klare, messbare und implementierungsunabhängige Anforderungen lassen sich leichter verstehen, umsetzen, pflegen und testen.
• Die Anwendung bewährter Schreibpraktiken hilft, Missverständnisse zu reduzieren, Nacharbeit zu minimieren und die Zusammenarbeit zwischen Engineering-Disziplinen zu verbessern.
• Das Erkennen häufiger Fallstricke während Reviews hilft, Fehler früh zu identifizieren und die Spezifikationsqualität vor Entwicklungsbeginn zu verbessern.
• Früh in hochwertige Anforderungen zu investieren reduziert Projektrisiken, senkt Entwicklungskosten und schafft eine stärkere Grundlage für erfolgreiche Systementwicklung.