Anforderungsmanagement und ALM
Der Wert liegt in den Daten, nicht im Werkzeug.
Anforderungen, Architektur, Tests und Änderungen bilden das Wissen, auf dem ein Produkt beruht. Application Lifecycle Management (ALM) hält dieses Wissen über den gesamten Lebenszyklus nachvollziehbar zusammen. Wir beraten Unternehmen im Maschinen- und Anlagenbau und in der Automobilindustrie zu Datenmodell, Werkzeugwahl und Migration und steuern diese Vorhaben.
Prozess, dann Daten, dann Werkzeug
Wer mit der Werkzeugwahl beginnt, bildet die alten Strukturen im neuen System ab. Deshalb legen wir zuerst den Prozess fest, leiten daraus die Anforderungen an die Daten ab und wählen erst dann das Werkzeug.
Welche Entscheidungen, Freigaben und Nachweise braucht die Entwicklung, und wer verantwortet sie?
Welche Objekte, Attribute und Verknüpfungen bilden das ab? Was muss wie lange reproduzierbar sein?
Welches System trägt dieses Datenmodell mit dem geringsten Anpassungsaufwand, in der Einführung und über Jahre im Betrieb?
Typische Fehlerbilder
Die Auswahl folgt Funktionslisten. Das Datenmodell ergibt sich später aus dem Customizing.
Anforderungen bleiben Fließtext in Kapiteln, nur jetzt in einer Datenbank.
Verknüpfungen entstehen rückwirkend statt als Teil der Arbeit und veralten sofort wieder.
Offene Prozessfragen landen als Sonderlösung im Werkzeug und machen jedes Update teurer.
Altlasten wandern mit und verlieren im neuen System ihren Kontext.
Die KI soll ausgleichen, was Struktur und Verknüpfung nicht leisten. Das Ergebnis bleibt eine bessere Suche.
Erfassen, verwalten, verknüpfen, verwerten
Entwicklungsdaten gewinnen oder verlieren ihren Wert auf vier Ebenen. Jede hat eine Leitfrage, und jede baut auf der vorherigen auf: Was schlecht erfasst ist, lässt sich nicht sauber verknüpfen. Die Ebenen beschreiben den Lebenszyklus der Daten, nicht Systeme oder Rollen.
Entsteht Information so, dass sie später maschinell nutzbar ist?
- Fließtext statt einzelner Anforderungen
- Fehlende Attribute wie Quelle, Status oder Nachweismethode
- Dokumentimport ohne Zerlegung
- Unklare Herkunft und Verbindlichkeit
- Objektmodell und Pflichtattribute
- Schreibregeln und Satzschablonen, etwa nach ISO/IEC/IEEE 29148 oder EARS
- Kennzeichnung von Quelle und Verbindlichkeit
Lässt sich jeder frühere Stand reproduzieren?
- Frühere Stände nur als exportierte PDFs
- Änderungen ohne Begründung und Freigabe
- Varianten als Kopien statt als Modell
- Versionen und Baselines je Meilenstein
- Änderungsprozess mit Bewertung und Freigabe
- Berechtigungen und Variantenmodell
- Aufbewahrung und Archiv über die Produktlebensdauer
Welche Beziehungen müssen belegbar sein, und in welche Richtung?
- Fehlende oder untypisierte Verknüpfungen
- Verknüpfungen enden an der Werkzeuggrenze
- Baselines ohne den Stand der Verknüpfungen
- Typisierte, in beide Richtungen auswertbare Verknüpfungen
- Verdachtsmarkierung bei Änderungen (Suspect Links)
- Werkzeugübergreifende Verknüpfung, etwa über OSLC
- Pflegeaufwand realistisch einplanen: Er ist meist der größte laufende Aufwand
Was geschieht mit den Daten außer Ablage?
- Auswertungen entstehen von Hand
- Auswirkungsanalysen per Rundmail
- Kein Rückfluss aus Test und Feld
- Auswirkungsanalyse direkt aus den Verknüpfungen
- Audit- und Konformitätsnachweise aus dem Datenbestand
- Wiederverwendung über Produktgenerationen
- Rückfluss aus Test und Feld, Grundlage für KI
Nachverfolgbarkeit am Beispiel: Was hängt an einer Änderung?
Eine vereinfachte Verpackungsmaschine. Wählen Sie ein Objekt, um seine Verknüpfungen zu sehen, oder simulieren Sie eine Änderung.
Wann Unternehmen uns holen
Vier Anlässe, in denen wir beraten und Projekte steuern. Sie treten selten allein auf: Ein Werkzeugwechsel braucht eine Evaluation, einen Business Case und eine Migration.
Werkzeugwechsel
Das bestehende Werkzeug wird abgekündigt, der Hersteller ändert Strategie oder Lizenzmodell, oder Funktionen wie KI fehlen.
- Prozessbeschreibungen, Vorlagen und Checklisten nennen das Werkzeug oft beim Namen. Ein Wechsel ändert dann auch das Regelwerk.
- Schnittstellen, Auswertungen, Berechtigungen, Schulung und Archiv hängen mit.
- Zuerst Zielbild und Datenmodell, dann die Werkzeugfrage.
Evaluation und Ausschreibung
Mehrere Werkzeuge kommen infrage. Die Entscheidung muss belastbar und für Gremien nachvollziehbar sein.
- Anforderungen aus Anwendungsfällen ableiten, nicht aus Funktionslisten.
- Fachliche Bewertung durch Nutzer und Bewertung von IT und Betrieb getrennt führen.
- Mit eigenen, realistischen Daten testen statt mit Demo-Daten.
- Betriebsmodell und Konditionen parallel zur Konzeption klären.
- Rollen von Beratung, Integrator und Hersteller trennen.
Business Case
Die Investition braucht eine Entscheidungsvorlage, die trennt, was belegbar ist und was nur behauptet wird.
- Nutzen dort messen, wo er entsteht: Dauer einer Auswirkungsanalyse, Aufwand für einen Audit-Nachweis, Wiederverwendung.
- Vorher messen, damit nachher verglichen werden kann.
- Keine pauschalen Fehlerkostenfaktoren. Die Faustregel, späte Fehler kosteten ein Vielfaches, ist empirisch schwach belegt (Menzies u. a. 2017).
- Gesamtkosten über mehrere Jahre, einschließlich der Pflege von Verknüpfungen.
Migration
Das Zielsystem steht fest, der Altbestand muss mit. Migration ist Datenbereinigung mit Nachweis, nicht Kopieren.
- Festlegen, was wandert: aktueller Stand, Historie, Baselines, Verknüpfungen, Berechtigungen, Vorlagen, Auswertungen.
- Vor der Migration bereinigen, nicht danach.
- Testmigration mit Stichproben und einem Nachweis, wer die Vollständigkeit bestätigt.
- Parallelbetrieb, Umstellungstermin und Rückfallplan.
- ReqIF überträgt Anforderungen mit Attributen. Ob Historie und Baselines mitkommen, ist gesondert zu prüfen.
Nachweisfähigkeit wird zur Bedingung für den Marktzugang
Regulierung und Normen verlangen zunehmend, dass Entwicklungsentscheidungen belegbar sind, auch für Software und KI. Was das für Entwicklungsdaten bedeutet, unterscheidet sich je Branche.
Stand 17.11.2026. Kurzfassung, keine Rechtsberatung. Quellen: Maschinenverordnung, Produkthaftungsrichtlinie, Cyber Resilience Act, KI-Omnibus, Automotive SPICE 4.0, UN-Regelung Nr. 156, ReqIF, OSLC.
Struktur vor Autonomie
Je mehr eine KI selbstständig erledigen soll, desto mehr braucht sie strukturierte und verknüpfte Daten. Die Übersicht zeigt, welche Aufgabe auf welcher Datenebene aufsetzt.
Wer kontrolliert die Daten?
KI-Funktionen des Werkzeugherstellers oder eine unternehmensweite KI-Plattform: Entscheidend ist, wer den Zugriff auf Engineering-Daten steuert, wo die Modelle laufen und was das Unternehmen verlassen darf, etwa mit Blick auf Geheimhaltung und Exportkontrolle.
Was die Forschung zeigt
Die Forschung zu Sprachmodellen im Requirements Engineering wächst schnell; eine Übersichtsarbeit zählt 74 Studien allein aus 2023 und 2024. Viele Ergebnisse stammen aus Benchmarks. Ob sie auf die eigenen Daten übertragbar sind, zeigt erst ein Test mit diesen Daten.
Ausblick: Daten und Modelle nachverfolgen
Mit KI im Produkt reicht Nachverfolgbarkeit über Textanforderungen hinaus. Automotive SPICE 4.0 verlangt sie auch für ML-Anforderungen sowie Trainings- und Testdaten, die Maschinenverordnung behandelt selbstlernende Sicherheitsfunktionen gesondert.
Freigabeentscheidungen bleiben beim Menschen. Wie weit KI je Aufgabe gehen darf, hängt von Risiko, Verantwortung und Regulierung ab. Quellen: Zadenoori u. a., Guo u. a.
Wie vernetzt sind Ihre Entwicklungsdaten?
Sechs Fragen, eine erste Einordnung in drei Stufen, angelehnt an unser Reifegradmodell für vernetztes Wissen. Die Auswertung läuft nur in Ihrem Browser. Es ist eine Selbstauskunft, keine Messung.
Der Selbstcheck braucht JavaScript.
Beantworten Sie die Fragen. Die Einordnung aktualisiert sich sofort.
Zur PotenzialanalyseVom ersten Befund bis zur Umstellung
Wir arbeiten herstellerneutral und übernehmen Beratung und Projektsteuerung. Die Leistungen bauen aufeinander auf und sind einzeln beauftragbar.
Datenreife und Werkzeuglandschaft einordnen, Handlungsfelder nach Aufwand und Nutzen bewerten, Sofortmaßnahmen benennen.
Zielbild und Datenmodell, Evaluation und Ausschreibung, Business Case und Entscheidungsvorlage.
Projektsteuerung, Migration und Umstellung, Einführung von KI-Funktionen auf den bereinigten Daten.
Verwandte Themen
Anforderungen, Varianten und Änderungen aus der Entwicklung sind Leitdaten für die Dokumentation.
Auswahl, Betrieb und Kosten von Sprachmodellen, auch für Entwicklungsdaten.
Warum Digitalisierung und KI ein Fundament aus verknüpften Daten brauchen.
Jetzt in Kontakt treten
tim.jansen@impecto-consulting.com
Telefon
+49 177 4259218
Büro
Kasernenstraße 67, 40213 Düsseldorf

