Anforderungsanalyse mit KI im Legacy-Dschungel – Ein Experiment

Im Zuge eines Learning-Friday Projekts haben wir uns genau dieser Herausforderung gestellt – mit einem modernen Twist: Gerade bei der Umstellung von bestehenden Systemen auf neue Technologien stellt sich die Frage, ob KI hier eine echte Strategie liefern kann .

👉 Mehr über Systemanalyse erfahre auch hier.

Unser Forschungsobjekt war (wieder einmal) das „MEGA-Backend“ (Make End-Of-The-Month-Process Great Again), ein internes Quarkus-basiertes System. Es dient der Kontrolle der Zeiterfassung und Projektmanagement-Unterstützung, inklusive Integrationen mit externen Diensten wie ZEP und Personio.

Im Zuge unseres Projektes haben wir Gemini 2.5 Pro Zugriff auf die gesamte Codebasis gewährt und ihm eine Reihe von Fragen gestellt, die typischerweise bei der Anforderungsanalyse, Definition von Systemen und Durchführung von Architekturaufgaben – wie bei der Erstellung einer Softwarearchitektur-Dokumentation, anfallen. Die Interaktion mit der KI glich einem strukturierten Dialog, bei dem wir schrittweise tiefer in das System vorgedrungen sind. Im Folgenden findest du unsere zentralen Beobachtungen und Ergebnisse.

Die KI konnte erstaunlich schnell die Hauptaufgaben des Projekts identifizieren: Projektmanagement-Unterstützung, Synchronisationsdienste und ein Benachrichtigungssystem.

Auch der verwendete Technologie-Stack – Java, Quarkus, Maven Dependency Management, PostgreSQL, OIDC, Liquibase und externe Anbindungen – wurde präzise erkannt und aufgelistet. Dabei bewertete die KI auch die Kompatibilität mit bestehender Infrastruktur und gab Hinweise, wie die Leistung des Systems langfristig optimiert werden kann.

Eine unserer Kernfragen betraf die spezifischen Regeln für Arbeitszeitverstöße, die das System prüft. Die KI konnte nicht nur die verschiedenen WarningCalculators (z. B. für Pausenzeiten, Höchstarbeitszeit, Feiertagsarbeit) im Domain-Layer identifizieren, sondern auch deren Funktionsweise im Detail erklären.

Wir baten die KI, verschiedene UML-Diagramme zu erstellen. Als “Trägermedium” für einen reinen Chatbot hat sich hier PlantUML für Sequenz-, Aktivitäts- und Komponentendiagramme extrem gut bewährt. Die einfache Syntax wurde von der KI fast fehlerfrei beherrscht.

Die Ergebnisse waren oft eine sehr gute Basis, die den Hauptfluss und die Komponenten korrekt darstellen. Manuelle Verfeinerungen waren manchmal nötig, um die Lesbarkeit für komplexe Abläufe zu optimieren, aber der initiale Entwurf war eine enorme Beschleunigung.

Damit konnten wir UML-Diagramme mit KI nutzen, die uns einen schnellen Überblick über kritische Prozesse gaben.

Als Beispiel eines generierten Diagramms die Darstellung der Feiertagsprüfung aus MEGA:

Ein Höhepunkt unseres Experiments war die Bitte, eine Architekturdokumentation nach dem arc42-Template zu erstellen. Die KI konnte, basierend auf den vorherigen Analysen, die meisten Abschnitte (Einführung, Randbedingungen, Kontext, Lösungsstrategie, Bausteinsicht, Laufzeitsicht, Konzepte, Qualitätsanforderungen, Risiken, Glossar) mit relevanten Informationen aus dem „mega-backend“ füllen.

Sie zog Verbindungen zwischen verschiedenen Teilen des Codes (z. B. pom.xml für Technologien, spezifische Java-Klassen für Funktionalitäten) und konnte diese den entsprechenden arc42-Sektionen zuordnen.

Unsere letzte detaillierte Anfrage betraf die Funktionsweise und Edge Cases der komplexen Synchronisationsprozesse mit ZEP und Personio.

Auch hier konnte die KI die beteiligten Services (SyncServiceImpl), Datenflussrichtungen, Identifikationsmechanismen und potenzielle Fehlerquellen detailliert beschreiben.

Ein kritischer Moment in jedem Projekt ist die Einarbeitung neuer Teammitglieder:innen. Wie schnell können sie produktiv werden? Wie effizient können wir ihnen das notwendige Wissen über die Architektur, die Werkzeuge und die Prozesse vermitteln?

Um dies zu testen, gaben wir unserem KI-Copiloten eine klare Aufgabe: „Erstelle einen Onboarding-Leitfaden für neue Softwareentwickler:innen, die an diesem Projekt arbeiten sollen.“

Das Ergebnis war beeindruckend und ging weit über eine einfache Checkliste hinaus:
Die KI schlug einen logischen dreiphasigen Leitfaden vor: Vorbereitung und Setup, Projektverständnis und die erste Aufgabe. Diese Struktur bietet neuen Entwicklern einen klaren Weg von der Einrichtung ihrer lokalen Umgebung bis zum ersten erfolgreichen Code-Commit.

Der Leitfaden listete präzise die benötigten Werkzeuge auf, indem er Informationen aus Dateien wie der pom.xml, der README.md und der application.yaml kombinierte. Von der korrekten Java-Version über Maven und Docker bis hin zur Postman-Collection – alle essentiellen Komponenten waren enthalten.

Ebenfalls beschrieb die KI die Paketstruktur des Projekts detailliert und korrekt. Sie identifizierte die Hauptverantwortlichkeiten der einzelnen Layer (application, db, domain, service, rest) und nannte sogar zentrale Klassen wie den SyncServiceImpl oder die WarningCalculators als wichtige Anlaufstellen.

Bei aller Faszination haben wir uns neben der Anforderungsanalyse noch zu weiteren Fragen wie der Erstellung eines High-Fidelity-ClickDummy-Prototyps inkl. der Verwendung des offiziellen Styleguides von Gepardec hinreißen lassen.

Auch Fragen zu sinnvollen Geschäftsmodellen und Abomodellen haben wir gestellt – für den Fall, dass wir unser internes MEGA-Tool einmal vertreiben möchten. Die Antworten waren erstaunlich detailliert (z. B. verschiedene Preisstaffelungen in Tabellenform und was ein Kunde vermutlich bereit ist zu zahlen).

Dass die KI nicht unfehlbar ist, mussten wir feststellen, als wir Gemini darum baten, ein BPMN-Diagramm zu erstellen. Während Gemini der Meinung war, dass bei uns die Mitarbeiter:innen selbst ihre Arbeitszeiten in MEGA erfassen, so ist es in Wahrheit so, dass dies in ZEP geschieht und diese Daten später nur von MEGA abgefragt werden.

Aus diesem Grund ist immer auch ein kritischer Blick auf die von der KI erzeugten Ergebnisse wichtig. Nach mehrmaligen Nachfragen erkennt Gemini seine Fehler und entschuldigt sich auch dafür – auch die KI ist also nur ein neuronales Netz, das Fehler machen kann.

Wir sehen folgende Stärken der KI-gestützten Anforderungsextraktion:

• Geschwindigkeit: Die Analyse großer Codebasen und die Identifikation von Mustern erfolgen deutlich schneller als manuell.

• Breite Abdeckung: Die KI kann viele Aspekte des Projekts gleichzeitig betrachten – von der Technologie bis zur Geschäftslogik.

• Strukturierung: Sie kann helfen, Informationen zu strukturieren und in standardisierte Formate (z. B. arc42, UML) zu bringen.

• Code-nahe Logik: Geschäftsregeln, die direkt im Code implementiert sind, werden gut erkannt.

• Ideengeber: Für Dokumentationen, Präsentationen oder strategische Überlegungen liefert sie oft gute erste Entwürfe.

Im Rahmen des Learning-Friday Projekts konnten aber auch die nachfolgenden Herausforderungen und Grenzen einer Anwendung von KI identifiziert werden:

• Implizites Wissen: Die KI kann nur das extrahieren, was explizit im Code oder in den bereitgestellten Informationen vorhanden ist. Implizites Wissen, historische Entscheidungen oder „Pain Points“, die nicht dokumentiert sind, bleiben verborgen.

• Abstraktionsniveau: Manchmal ist eine manuelle Abstraktion oder Vereinfachung der von der KI generierten Informationen notwendig, um sie für bestimmte Zielgruppen verständlich zu machen (z. B. bei sehr detaillierten Diagrammen).

• Verständnis von „Warum“: Die KI versteht das „Was“ und „Wie“ oft sehr gut, aber das tiefere „Warum“ hinter Designentscheidungen kann sie nur erahnen, wenn es nicht explizit dokumentiert ist.

• Qualität des Inputs: Die Qualität der Ergebnisse hängt stark von der Qualität und Vollständigkeit des Inputs (Code, Fragen) ab. Ein gut strukturierter und lesbarer Code erleichtert auch der KI die Arbeit.

• Fehleranfälligkeit: Die KI ist nicht unfehlbar. Auch bei unserem Experiment hat sie Fehler gemacht, alle Ergebnisse müssen daher kritisch geprüft und validiert werden.

Künstliche Intelligenz in der Anforderungsanalyse ist ein extrem vielversprechendes Werkzeug, um die Einarbeitung in bestehende Legacy-Software zu beschleunigen und Anforderungen aus dem Code zu extrahieren.

Sie kann als leistungsstarker Copilot für Entwickler:innen und Architekt:innen dienen, der repetitive Analyseaufgaben übernimmt, Informationen strukturiert und erste Entwürfe für Dokumentationen oder Diagramme liefert.

Die gefühlte Zeitersparnis war bei unserem Experiment wirklich enorm – keiner der Beteiligten kannte das MEGA-Backend. Trotzdem haben wir uns nach einem zweistündigen Dialog mit der KI völlig problemlos im Code zurechtgefunden.

KIs ersetzen nicht die menschliche Expertise oder die Notwendigkeit kritischen Denkens, aber sie können die Zeit bis zum tiefen Verständnis eines Systems erheblich verkürzen und Freiräume für komplexere Analyse- und Designaufgaben schaffen. Sie sind auch keinesfalls unfehlbar – aber das ist eine menschliche Ansprechperson eben auch nicht. Gerade wenn du dich in einer Situation wiederfindest, in der keiner der ursprünglichen Entwickler:innen mehr greifbar ist, können KIs zu einem eminent wichtigen Assistenten werden, der dir jede Menge Zeit bei der Einarbeitung in ein neues Projekt spart.

Für uns bei Gepardec ist klar: Die Reise mit KI-Assistenten in der Softwareentwicklung hat gerade erst begonnen, und die Potenziale sind riesig!