KI-unterstützte Business Analyse: Wie LLMs den Discovery-Prozess verändern

KI-unterstützte Business Analyse entwickelt sich rasant zu einem zentralen Baustein moderner digitaler Transformationsprojekte. Besonders im Discovery-Prozess, also der frühen Phase der Anforderungserhebung, in der Bedürfnisse, Ziele und Systemgrenzen geklärt werden, zeigen große Sprachmodelle (Large Language Models, LLMs) ein enormes Potenzial. Sie sind in der Lage, natürliche Sprache zu verstehen, zu strukturieren und neue Inhalte zu generieren. Damit eröffnen sie Analysten die Möglichkeit, Workshops effizienter vorzubereiten, Stakeholder-Input schneller zu verarbeiten und Anforderungen klarer sowie konsistenter zu formulieren.

LLMs sind im Kern KI-Modelle, die auf Basis riesiger Textmengen trainiert werden und dadurch sowohl Kontext als auch Semantik komplexer Texte erfassen können. Sie können unstrukturierte Informationen aus E-Mails, Meeting-Notizen oder anderen Dokumenten extrahieren und in eine fachlich sinnvolle Form überführen. Dieser Sprach- und Strukturvorteil macht sie hochrelevant für die Business Analyse, die traditionell stark von der Qualität menschlicher Kommunikation, der Konsistenz von Dokumenten und der Vollständigkeit von Stakeholder-Aussagen abhängt.

Zahlreiche aktuelle Forschungsarbeiten zeigen bereits heute, wie LLMs funktionale und nicht-funktionale Anforderungen aus Freitexten ableiten und in formalisierten Formaten bereitstellen können. Ein prominentes Beispiel ist das Projekt ReqBrain, das demonstriert, wie ein spezialisiertes Modell aus natürlichsprachlichen Beschreibungen normgerechte Softwareanforderungen generiert – mit hoher Übereinstimmung zu menschlich erstellten Spezifikationen (Habib et al., 2025). Auch die automatische Ableitung nicht-funktionaler Anforderungen entwickelt sich schnell weiter: Studien belegen, dass LLMs aus bestehenden funktionalen Anforderungen plausible Ergänzungen zu Themen wie Sicherheit, Performance oder Usability ableiten können (Almonte et al., 2025). Dabei entsteht erstmals ein Ansatz, der die oft vernachlässigte NFR-Definition erleichtert und standardisiert.

Über die Generierung von Anforderungen hinaus zeigen LLMs großes Potenzial in der Qualitätssicherung und Standardisierung. Anforderungen sind in vielen Projekten uneinheitlich, unvollständig oder widersprüchlich – ein altbekanntes Problem im Requirements Engineering. Untersuchungen wie die von Lubos et al. (2024) zeigen, dass LLMs Anforderungen im Hinblick auf Klarheit, Konsistenz und Vollständigkeit prüfen können und Verbesserungsvorschläge generieren, die sich an internationalen Standards wie ISO 29148 orientieren. Diese Fähigkeit ermöglicht Qualitätssicherung in einer Tiefe, die zuvor nur durch manuelle, zeitintensive Prüfprozesse möglich war.

Auch in der frühesten Phase des Discovery-Prozesses, bei Interviews und Workshops, können LLMs wertvolle Unterstützung bieten. Sie sind in der Lage, Fragelisten zu generieren, Themenblöcke zu strukturieren und während der Dokumentation zu unterstützen. Der Forschungsprototyp LLMREI zeigt, wie halbautomatische Requirements-Interviews funktionieren können: Das Modell stellt strukturierte Fragen, protokolliert Antworten und leitet daraus Anforderungen ab (Sami et al. 2024). Zwar ersetzt dies nicht die menschliche Moderations- und Beziehungskompetenz, aber es kann insbesondere bei umfangreichen Projekten die Konsistenz der Informationsgewinnung deutlich erhöhen.

Trotz dieser Potenziale dürfen die Grenzen nicht übersehen werden. LLMs erzeugen Informationen nicht durch echtes Verständnis, sondern durch Wahrscheinlichkeiten. Dadurch können falsche, irreführende oder unvollständige Anforderungen entstehen – sogenannte Halluzinationen –, die in kritischen oder regulierten Bereichen erhebliche Risiken darstellen können. Der Mangel an Domänenwissen, fehlende Kontexttiefe und die oft begrenzte Nachvollziehbarkeit der Modellentscheidungen werfen Fragen hinsichtlich Verantwortung, Compliance und Auditierbarkeit auf. Viele Studien stammen bislang aus Laborumgebungen, sodass eine Validierung in realen Projektstrukturen noch aussteht (Arora et al., 2023).

Daher empfiehlt sich ein bewusst gesteuerter und iterativer Einsatz: Unternehmen sollten mit Pilotprojekten starten, idealerweise mit klar abgegrenztem Umfang, um Chancen und Risiken zu evaluieren. Ergebnisse, die von LLMs erzeugt werden, sollten zwingend durch erfahrene Analysten überprüft werden. Die Qualität der Prompts und die Klarheit des bereitgestellten Kontexts sind entscheidend für die Qualität der Ergebnisse. Ergänzend sollten Governance-Mechanismen etabliert werden, die Verantwortlichkeiten und Nachvollziehbarkeit definieren. Ein kontinuierlicher Feedback- und Verbesserungsprozess stellt sicher, dass die Nutzung von LLMs im Projektumfeld langfristig qualitativ hochwertig und verantwortungsvoll bleibt.

Insgesamt zeigt sich, dass LLMs die Business Analyse nicht ersetzen, sondern erweitern. Sie automatisieren Routinetätigkeiten, erhöhen die Geschwindigkeit und fördern die Standardisierung – während Menschen weiterhin dort gebraucht werden, wo Kontextverständnis, kritisches Denken und Stakeholder-Management gefragt sind. Angesichts der dynamischen Weiterentwicklung der Modelle ist zu erwarten, dass KI-gestützte Business Analyse in den kommenden Jahren zu einer etablierten Praxis wird. Unternehmen, die sich frühzeitig damit auseinandersetzen und entsprechende Kompetenzen aufbauen, sichern sich damit nicht nur Effizienzgewinne, sondern auch einen strategischen Vorteil im zunehmend datengetriebenen Wettbewerb.

Quellen:
Arora, C., Grundy, J., Abdelrazek, M. (2023): Advancing Requirements Engineering through Generative AI: Assessing the Role of LLMs.
Lubos, S., Felfernig, A., Tran, T. N. T. et al. (2024): Leveraging LLMs for the Quality Assurance of Software Requirements.
Habib, M. K., Graziotin, D., Wagner, S. (2025): ReqBrain: Task-Specific Instruction Tuning of LLMs for AI-Assisted Requirements Generation.
Almonte, J. T., Boominathan, S. A., Nascimento, N. (2025): Automated Non-Functional Requirements Generation in Software Engineering with LLMs.
Sami, M. A., Waseem, M., Zhang, Z. et al. (2024): AI based Multiagent Approach for Requirements Elicitation and Analysis.