In drei Webinaren ging es gefühlt nur um KI. Plot Twist: Das Thema war nie KI.

KI überall, aber kaum KI drin

In den letzten drei Webinaren, in denen ich war, alle von großen Unternehmen und Instituten, tauchte ein Thema zuverlässig auf: KI. In jeder Agenda, in jedem Intro, in fast jeder Folie. Nur hatte ich am Ende oft das Gefühl, dass es inhaltlich gar nicht wirklich um KI ging.

Was stattdessen immer wieder zum Vorschein kam, war etwas viel Bodenständigeres: Wir scheitern selten daran, dass uns Tools fehlen. Wir scheitern daran, dass wir nicht sauber beschreiben können, was wir eigentlich brauchen.

KI wird dann zum Label für etwas, das in Wirklichkeit ein altes Problem ist: unklare Ziele, schwammige Anforderungen, fehlende Prioritäten, keine messbaren Kriterien.

Der Engpass verschiebt sich nicht, er wird sichtbarer

Wenn Teams mehr automatisieren, wird nicht automatisch weniger kommuniziert. Im Gegenteil. Je mehr wir Arbeit abgeben, desto präziser müssen wir werden.

Das ist die Ironie: Viele hoffen, dass KI die Unschärfe aus dem Alltag entfernt. In der Praxis macht sie Unschärfe nur sichtbarer. Ein Mensch kann fehlende Details aus Erfahrung ergänzen, kann zwischen den Zeilen lesen, kann Rückfragen stellen und trotzdem liefern. Eine Automatisierung liefert dagegen exakt das, was du bestellst. Nicht das, was du meinst.

In Webinaren wirkt das oft wie ein Fortschrittsversprechen, das sich später im Alltag relativiert. Die Technik ist beeindruckend, aber die Voraussetzungen sind härter als früher: Wer keine klaren Anforderungen formuliert, kann zwar Output erzeugen, aber er bekommt selten das gewünschte Ergebnis.

Anforderungen sind mehr als “eine Liste von Features”

Wenn man “Anforderungen” sagt, denken viele an Tickets, User Stories oder Pflichtenhefte. Das greift zu kurz. Anforderungen sind vor allem ein gemeinsames Verständnis darüber, welches Problem gelöst wird, für wen, unter welchen Rahmenbedingungen, und wie man erkennt, dass es wirklich gelöst ist.

Das umfasst mindestens:

• Ziel und Kontext: Warum machen wir das überhaupt?
• Nutzer und Nutzen: Wer profitiert, und wie?
• Einschränkungen: Zeit, Budget, Compliance, Systeme, Daten
• Akzeptanzkriterien: Woran merkt man, dass es funktioniert?
• Prioritäten: Was ist Pflicht, was ist Kür?
• Risiken: Was kann schiefgehen, und wie stark wäre der Schaden?

Wenn das fehlt, diskutiert man später über Symptome. Dann wird aus “KI kann das” schnell “KI macht Mist”, obwohl das eigentliche Problem ein fehlender Rahmen war.

Gute Anforderungen sind ein Produktivitätshebel und ein Qualitätsfilter

Wenn Anforderungen klar sind, lassen sich Aufgaben besser delegieren, besser automatisieren und besser prüfen. Das verändert auch die Zusammenarbeit im Team.

Ein paar typische Effekte aus der Praxis:

• Weniger Meetings, weil weniger Interpretationsspielraum bleibt
• Kürzere Feedbackschleifen, weil Akzeptanzkriterien klar sind
• Mehr Vertrauen in Ergebnisse, weil “Definition of Done” nachvollziehbar ist
• Bessere Tool-Nutzung, weil Prompts und Workflows strukturiert sind
• Weniger politisches Rauschen, weil Ziele und Prioritäten explizit sind

Lässt sich das lernen, oder ist das nur Erfahrung?

Ich glaube, wir müssen einsehen, dass Anforderungen zu verstehen und zu formulieren einer der wichtigsten Skills der Zukunft ist. Und ich glaube gleichzeitig, dass genau dieser Skill sehr gut vermittelbar ist.

Ja, Praxis hilft. Aber es ist nicht nur Bauchgefühl. Anforderungen zu formulieren ist eine Denkdisziplin. Man kann sie trainieren, wie man sauberes Schreiben trainiert oder Statistikgrundlagen.

Das sind Kompetenzen, die sich in vielen Studienrichtungen aufbauen lassen, wenn man sie ernst nimmt. Informatik und BWL bieten dafür naheliegende Anknüpfungspunkte.

Was Studium hier leisten kann, wenn es richtig genutzt wird

Ein Studium vermittelt nicht automatisch gute Anforderungen. Aber es kann den Werkzeugkasten liefern, den man später dringend braucht.

Drei Bereiche sind dabei besonders hilfreich:

• Strukturdenken: Modelle, Systeme, Abhängigkeiten, Trade-offs
• Argumentation: begründete Entscheidungen, nicht nur Meinungen
• Methoden: Recherche, Validierung, saubere Definitionen

Wer das im Studium bewusst übt, baut einen Vorteil auf, der auch dann bleibt, wenn Tools sich ändern. KI-Modelle werden besser, Plattformen kommen und gehen. Der Skill, Probleme sauber zu fassen, bleibt.

Ein nüchterner Blick auf den KI-Hype

Wenn in Webinaren “KI” gesagt wird, ist oft nicht die Technologie das Thema, sondern die Hoffnung: schneller werden, weniger Fehler, weniger Aufwand. Diese Ziele sind legitim. Aber sie werden nicht durch Technologie allein erreicht.

Der Unterschied liegt meist in der Vorarbeit: Klarheit über Ziel, Daten, Einschränkungen und Qualität.

Wenn diese Klarheit fehlt, ist KI nur ein Beschleuniger für Verwirrung. Wenn sie da ist, ist KI ein Beschleuniger für gute Ergebnisse.

Und genau deshalb ist Anforderungen zu verstehen und zu formulieren kein Nebenfach im KI-Zeitalter. Es ist der Kern.

PS: Das Thumbnail ist gemäß dem Thema einfach eine Interpretation von ChatGPT zu meinem Artikel und ich hasse, wie es aussieht.