Wenn ich heute größere Softwareideen mit ChatGPT ausarbeite, wirkt das auf den ersten Blick wie eine typische KI-Arbeitsweise: Ich beschreibe eine Idee, lasse mir viele Fragen stellen, beantworte sie und entwickle daraus Schritt für Schritt eine belastbare Spezifikation. Für mich ist diese Vorgehensweise aber weniger neu, als sie zunächst aussieht, denn ein großer Teil davon erinnert mich an etwas, das ich aus dem Consulting schon lange kenne: Bevor eine technische Lösung sinnvoll werden kann, muss zuerst klar sein, welches Problem eigentlich gelöst werden soll.
Genau darin liegt für mich bis heute einer der größten Unterschiede zwischen Programmierung und guter Anforderungsanalyse. Beim Programmieren ist es sehr verlockend, möglichst schnell über konkrete Umsetzung zu sprechen, während im Consulting häufig zuerst die Frage im Mittelpunkt steht, ob die beschriebene Lösung tatsächlich das eigentliche Problem trifft. Meine heutige Konzeptarbeit mit ChatGPT baut deshalb stark auf einer Haltung auf, die ich lange vor generativer KI gelernt habe: Erst verstehen, dann bauen.
Kunden beschreiben häufig bereits eine Lösung
Ein typischer Ausgangspunkt im Consulting ist, dass jemand nicht nur ein Problem beschreibt, sondern gleich eine gewünschte Lösung mitliefert. Statt zu sagen, dass Informationen heute an mehreren Stellen gepflegt werden müssen, lautet die Anforderung vielleicht direkt: „Wir brauchen dafür eine neue Eingabemaske.“ Statt zu beschreiben, dass ein bestimmter Ablauf zu lange dauert, wird sofort nach einer Automatisierung an einer ganz bestimmten Stelle gefragt.
Das ist nachvollziehbar, denn Menschen denken meistens in bekannten Werkzeugen und vorhandenen Prozessen. Trotzdem lohnt es sich, einen Schritt zurückzugehen und zu fragen, welches eigentliche Ziel dahintersteht, weil sich dadurch manchmal eine deutlich einfachere oder grundsätzlich andere Lösung ergibt.
Genau diese Erfahrung übertrage ich heute auf meine eigenen Ideen. Auch ich neige selbstverständlich dazu, mit einer konkreten technischen Vorstellung in ein Thema zu starten. ChatGPT hilft mir dann nicht nur dabei, diese Idee auszuarbeiten, sondern im besten Fall auch dabei, sie infrage zu stellen.
Gute Fragen verhindern, dass man sehr effizient das Falsche baut
Mit Codex kann eine falsch verstandene Anforderung heute erstaunlich schnell Realität werden. Das ist einerseits ein großer Vorteil, weil sich gute Ideen schnell umsetzen lassen, andererseits erhöht es den Schaden einer falschen Richtung, weil eine unklare Vorstellung nicht mehr automatisch durch langsame manuelle Entwicklung ausgebremst wird.
Wenn eine grobe Idee heute in wenigen Stunden zu einer umfangreichen technischen Umsetzung werden kann, lohnt sich eine zusätzliche Stunde Anforderungsanalyse noch mehr als früher. Deshalb lasse ich mir bewusst viele Rückfragen stellen und versuche, Widersprüche, Randbedingungen und nicht ausgesprochene Annahmen möglichst früh sichtbar zu machen.
Ausführliche Spezifikationen sind für mich deshalb wieder attraktiver geworden, allerdings nicht als starres Pflichtenheft, sondern als aktuelles Ergebnis einer intensiven fachlichen Diskussion. Das Ziel ist nicht, jede spätere Änderung zu verhindern, sondern Codex möglichst wenig Raum für Entscheidungen zu lassen, die eigentlich fachlicher Natur sind.
Consulting hat mir beigebracht, Antworten nicht zu früh zu bewerten
Ein weiterer wichtiger Punkt aus dem Consulting ist für mich, dass eine erste Antwort nicht automatisch die beste Antwort sein muss. Wenn ich nach einem bestimmten Ablauf frage und sofort eine plausible technische Lösung präsentiert bekomme, entsteht leicht der Eindruck, das Thema sei bereits geklärt, obwohl vielleicht nur die naheliegendste Variante beschrieben wurde.
Bei ChatGPT gilt dasselbe. Die erste Antwort kann sehr gut sein, aber sie ist für mich häufig eher der Anfang des Gesprächs als dessen Ende. Ich lasse Alternativen erklären, frage nach Gegenargumenten, lasse Sonderfälle prüfen und ändere Entscheidungen wieder, wenn sich im weiteren Gespräch zeigt, dass die ursprüngliche Richtung nicht mehr sinnvoll erscheint.
Das ist einer der Gründe, warum ich ChatGPT nicht hauptsächlich als Antwortmaschine betrachte. In dieser Phase ist es für mich eher ein Werkzeug, das hilft, eine Idee unter mehreren Blickwinkeln zu untersuchen.
Die Fragen werden mit jeder Antwort besser
Gute Anforderungsanalyse verläuft selten nach einem festen Fragenkatalog, der einfach von oben nach unten abgearbeitet wird. Eine Antwort verändert den Kontext, und genau dadurch entstehen neue Fragen, die vorher noch gar nicht sinnvoll gewesen wären.
Wenn ich beispielsweise entscheide, dass ein Vorgang automatisch wiederholt werden soll, muss anschließend geklärt werden, wie oft das passieren darf, unter welchen Bedingungen abgebrochen wird und wie ein späterer Zustand von einem echten Fehler unterschieden werden kann. Entscheide ich danach, dass ein Mensch in bestimmten Fällen eingreifen soll, entsteht wiederum die Frage, wie dieser Zustand sichtbar wird und welche Informationen für eine Entscheidung benötigt werden.
Mein scherzhafter Begriff „SpeedScrum“ beschreibt genau diese sehr schnelle Folge aus Fragen, Entscheidungen und erneuter Verfeinerung. Es ist weder klassischer Wasserfall noch klassisches Scrum, sondern eine sehr intensive Discovery-Phase, deren Kosten durch KI deutlich niedriger geworden sind.
Consulting bedeutet auch, bewusst nicht alles technisch zu beantworten
Gerade als technisch geprägter Mensch neige ich dazu, ein Problem möglichst schnell in technische Bestandteile zu zerlegen. Im Consulting habe ich gelernt, dass genau das manchmal zu früh passieren kann, weil eine fachliche Frage dadurch unnötig in eine technische Richtung gedrängt wird.
Wenn jemand beispielsweise sagt, dass bestimmte Informationen „automatisch“ bereitstehen sollen, muss zunächst geklärt werden, was automatisch in diesem Zusammenhang wirklich bedeutet. Muss das Ergebnis sofort verfügbar sein, reicht eine tägliche Aktualisierung, darf eine Schätzung verwendet werden oder ist ein unbekannter Wert besser als ein möglicherweise falscher?
Erst wenn solche Entscheidungen getroffen wurden, ergibt die technische Diskussion wirklich Sinn.
Diese Trennung versuche ich heute sehr bewusst beizubehalten. ChatGPT darf mit mir fachlich diskutieren, während Codex später näher am Repository und an der konkreten technischen Umsetzung arbeitet. Dadurch verhindere ich zumindest teilweise, dass ein technischer Lösungsweg zu früh die fachliche Richtung vorgibt.
Die Methode funktioniert nicht nur bei Software
Was mich inzwischen besonders interessiert, ist die Übertragbarkeit dieses Ansatzes. Ich nutze dieselbe Art der Anforderungsanalyse längst nicht mehr nur für Softwareprojekte, sondern auch für Geschäftsprozesse, Angebote, technische Infrastruktur oder die Weiterentwicklung meines Unternehmens.
Wenn ich ein neues Angebot überlege, kann ich ChatGPT genauso fragen lassen, welches Problem damit gelöst wird, wer davon profitiert, welche Leistungen wirklich dazugehören und welche bewusst außen vor bleiben sollten. Dadurch verschwimmen bei mir die Grenzen zwischen Softwareentwicklung und Unternehmensentwicklung zunehmend, weil der grundlegende Denkprozess sehr ähnlich bleibt.
Auf felderhoff.it spielt genau diese Haltung ebenfalls eine wichtige Rolle, weil dort technische Lösungen für kleine Unternehmen nicht isoliert betrachtet werden sollen. Eine saubere IT-Lösung beginnt aus meiner Sicht auch dort mit der Frage, was im tatsächlichen Betrieb verbessert werden soll, bevor über konkrete Produkte oder Konfigurationen gesprochen wird.
KI ersetzt keine echte Kundenerfahrung
So hilfreich ChatGPT bei der Anforderungsanalyse ist, eine wichtige Grenze bleibt bestehen: Das Modell kennt meine Kunden nicht automatisch besser als ich und besitzt keine eigenen Erfahrungen aus einem realen Unternehmen.
Es kann mir plausible Nutzertypen, Einwände und Probleme nennen, aber diese Informationen sind kein Ersatz für echte Gespräche oder tatsächliche Nutzung. Wenn ich eine Vermutung über Kunden ausschließlich so lange mit ChatGPT diskutiere, bis sie überzeugend klingt, habe ich noch keinen Beweis dafür, dass sie in der Realität stimmt.
Gerade deshalb halte ich die Verbindung aus KI und eigener Erfahrung für wichtig. ChatGPT kann mir helfen, Fragen vorzubereiten und Annahmen sichtbar zu machen, während echte Gespräche anschließend zeigen müssen, ob diese Annahmen tragen.
Die beste Spezifikation beginnt für mich deshalb nicht mit Anforderungen
Sie beginnt mit Fragen.
Was soll sich nach der Umsetzung verändert haben? Wer merkt diese Veränderung? Welche heutigen Probleme sollen verschwinden, und welche Einschränkungen müssen bestehen bleiben? Welche Dinge erscheinen nur deshalb notwendig, weil der heutige Prozess bereits auf eine bestimmte Weise funktioniert?
Erst aus den Antworten auf solche Fragen entstehen Anforderungen, die für mich wirklich belastbar werden.
Genau darin sehe ich die stärkste Verbindung zwischen Consulting und meiner heutigen KI-Arbeit. ChatGPT hat meine Anforderungsanalyse nicht erfunden, aber es hat sie erheblich billiger, schneller und ausführlicher gemacht.
Und weil Codex die Umsetzung anschließend ebenfalls beschleunigt, ist dieser Schritt für mich wichtiger geworden, nicht unwichtiger.
Wenn du selbst ein technisches Vorhaben planst und merkst, dass die Lösung bereits feststeht, bevor das eigentliche Problem sauber beschrieben wurde, lohnt sich meistens noch eine zusätzliche Fragerunde. Genau an dieser Stelle entstehen häufig die Entscheidungen, die später mehr Arbeit sparen als jede technische Optimierung.