Die Weggabelung für Business-Analysten: Was KI verändert und was nicht

Was KI verändert und was sie nicht verändert

Business-Analysten befinden sich in einem unangenehmen, aber wichtigen Moment. KI kann inzwischen dabei helfen, Anforderungen zu entwerfen, Gespräche mit Stakeholdern zusammenzufassen, User Stories zu generieren, erste Prozessabläufe zu erstellen und Widersprüche in der Dokumentation aufzudecken. Das sind nützliche Fähigkeiten. Gleichzeitig überschneiden sie sich mit einigen der sichtbarsten Bestandteile der traditionellen Arbeit in der Business-Analyse.

Das bedeutet nicht, dass die Rolle des Business-Analysten verschwindet. Es bedeutet, dass die Rolle zu höherwertiger Arbeit gedrängt wird. Der Analyst, der hauptsächlich Dokumentation erstellt, wird den Druck der Automatisierung spüren. Der Analyst, der mehrdeutige Geschäftsprobleme klären, schwache Annahmen hinterfragen, Daten im Kontext interpretieren und Teams dabei helfen kann, bessere Entscheidungen zu treffen, wird wichtiger werden.

Der Unterschied ist wichtig, denn Organisationen brauchen nicht noch mehr ausgefeilte Anforderungen für die falsche Lösung. Sie brauchen bessere Discovery, schärferes Denken, klarere Übergaben und weniger kostspielige Überraschungen, sobald die Entwicklungsarbeit beginnt.

KI automatisiert sichtbare BA-Aufgaben

KI-Tools sind bereits für Teile der Business-Analyse nützlich, die früher viel Zeit beanspruchten. Ein gut angeleitetes Tool kann Besprechungsnotizen in eine Entwurfszusammenfassung umwandeln, aus einer groben Funktionsidee eine erste User Story erstellen, fehlende Akzeptanzkriterien identifizieren, Stakeholder-Feedback organisieren oder aus strukturierten Notizen einen einfachen Prozessentwurf erzeugen.

Das ist nicht trivial. Viele Teams verlieren jede Woche Stunden durch administrative Nacharbeiten, Transkription, Formatierung und das Umschreiben derselben Ideen in verschiedene Artefakte für unterschiedliche Zielgruppen. Bei sorgfältiger Anwendung kann KI diese Reibungsverluste reduzieren.

Die Falle liegt jedoch auf der Hand: Schnellere Dokumentation kann einen schwachen Prozess stärker erscheinen lassen, als er ist. KI kann aus einer schlecht verstandenen Anforderung eine saubere User Story erstellen. Sie kann eine professionell wirkende Prozesskarte für einen Workflow erstellen, der eigentlich neu gestaltet werden sollte. Sie kann Stakeholder-Input zusammenfassen, ohne zu wissen, welcher Stakeholder die tatsächliche operative Einschränkung beschreibt und welcher nur eine alte Annahme wiederholt.

Mit anderen Worten: KI kann das Artefakt verbessern, während das Denken unverändert bleibt.

Der eigentliche Wert entsteht weiter vorne im Prozess

Business-Analyse bestand noch nie ausschließlich aus Dokumentation. In ihrer besten Form steht die Disziplin zwischen Strategie, Betrieb, Nutzern und Technologie. Ein starker BA hilft dabei, herauszufinden, was das Unternehmen tatsächlich erreichen will, wo der aktuelle Prozess scheitert, welche Einschränkungen relevant sind und was eine erfolgreiche Lösung nachweisen muss.

Diese Arbeit verschwindet nicht, nur weil ein Tool Anforderungen entwerfen kann. Im Gegenteil: Sie wird wichtiger. Wenn Dokumentation einfach zu erstellen ist, verlagert sich der Wert auf die Entscheidung, was überhaupt dokumentiert werden sollte.

Hier werden sich die stärksten Analysten abheben. Sie werden in der Lage sein, eine Anfrage von Stakeholdern zu betrachten und zu fragen, ob sie ein Problem, eine bevorzugte Lösung, einen Workaround, einen Compliance-Bedarf oder ein Symptom eines größeren betrieblichen Problems beschreibt. Sie werden wissen, wann sie Belege einfordern müssen. Sie werden wissen, wann eine Anforderung zu vage ist, um sie an die Entwicklung zu übergeben. Sie werden wissen, wann das Team kurz davorsteht, einen Prozess zu automatisieren, der zuerst vereinfacht werden sollte.

Diese Ermessensentscheidungen sind keine Verwaltungsaufgaben. Sie machen den Unterschied zwischen nützlicher Software und der exakten Umsetzung dessen aus, was verlangt wurde, obwohl niemand die Gründe dafür gründlich genug hinterfragt hat.

Discovery wird kontinuierlich

Eine der wichtigsten Veränderungen ist die Abkehr davon, Discovery als einmalige Phase zu behandeln. Productboards Leitfaden zur Product Discovery beschreibt Discovery als fortlaufenden Prozess, um echte Nutzerprobleme zu verstehen und Risiken zu reduzieren, bevor sich Teams auf Lösungen festlegen. Das zugehörige Playbook ist noch direkter: Die kurze Antwort auf die Frage, wann Discovery stattfinden sollte, lautet „ständig“. [oai_citation:1‡productboard.com](https://www.productboard.com/blog/step-by-step-framework-for-better-product-discovery/?utm_source=chatgpt.com)

Diese Idee ist für Business-Analysten wichtig, weil die Lücke zwischen Discovery und Umsetzung der Bereich ist, in dem viele Projekte zu scheitern beginnen. Ein Team kann ein freigegebenes Anforderungsdokument, ein mit Tickets gefülltes Backlog und einen vernünftig wirkenden Umsetzungsplan haben. Wenn die Discovery-Arbeit jedoch oberflächlich war, baut das Team möglicherweise weiterhin auf den falschen Annahmen auf.

Kontinuierliche Discovery bedeutet nicht endlose Recherche. Sie bedeutet, dass Teams während der Umsetzung weiter lernen. Sie validieren Annahmen früher. Sie überprüfen Anforderungen erneut, wenn neue Erkenntnisse auftauchen. Sie verknüpfen Nutzerfeedback, Betriebsdaten, Stakeholder-Prioritäten und technische Einschränkungen, bevor Veränderung schmerzhaft teuer wird.

Business-Analysten sind gut positioniert, um dabei die Verantwortung für dieses verbindende Element zu übernehmen. Sie verstehen Prozesse. Sie verstehen Stakeholder. Sie verstehen Anforderungen. Zunehmend müssen sie auch verstehen, wie Discovery-Erkenntnisse in die Umsetzungsarbeit einfließen sollten, ohne dabei zu Chaos oder Bürokratie zu werden.

Die Interpretation von Daten wird wertvoller, nicht weniger wertvoll

KI kann bei der Analyse großer Informationsmengen helfen, aber sie beseitigt nicht den Bedarf an geschäftlichem Urteilsvermögen. Ein Modell kann Muster erkennen. Es kann Umfrageantworten zusammenfassen. Es kann Support-Tickets clustern. Es kann Analysen in eine verständliche Erklärung umwandeln.

Was sie allein nicht zuverlässig leisten kann, ist zu entscheiden, welches Muster für das Unternehmen relevant ist, welche Kennzahl den tatsächlichen Fortschritt widerspiegelt oder welche Erkenntnis die Roadmap verändern sollte.

Hier ist Domänenkontext entscheidend. Ein Anstieg der Support-Tickets kann auf einen Produktfehler, eine Schulungslücke, missverständliche Release Notes, ein saisonales Nutzungsmuster oder ein Kundensegment hinweisen, das den aktuellen Workflow überschritten hat. Die Daten können auf das Problem hinweisen, aber jemand muss sie weiterhin im Kontext interpretieren.

Der Business-Analyst, der Datenkompetenz mit betrieblichem Verständnis verbinden kann, wird in einer KI-gestützten Umgebung wertvoller sein. Er kann KI nutzen, um Rohinformationen schneller zu durchdringen, bleibt aber dafür verantwortlich zu fragen, ob die Analyse aussagekräftig ist, ob die Eingaben vertrauenswürdig sind und ob die Schlussfolgerung eine Entscheidung beeinflussen sollte.

Die Navigation zwischen Stakeholdern bleibt Aufgabe des Menschen

Einer der am wenigsten automatisierbaren Bereiche der Business-Analyse ist die Navigation zwischen Stakeholdern. Ein BA hat es oft mit konkurrierenden Prioritäten, unklaren Zuständigkeiten, politischen Spannungen, überkommenen Gewohnheiten und Menschen zu tun, die denselben Prozess aus unterschiedlichen Blickwinkeln beschreiben.

Ein Modell kann zusammenfassen, was Stakeholder gesagt haben. Es kann jedoch nicht vollständig verstehen, warum sie es gesagt haben, was sie nicht gesagt haben oder welcher Konflikt gelöst werden muss, bevor das Projekt vorankommen kann.

Starke Analysten wissen, dass Anforderungen oft ausgehandelt und nicht einfach gesammelt werden. Sie wissen, wann ein Stakeholder aufgrund eines echten Geschäftsbedarfs nach einer Funktion fragt und wann er dies tut, weil das aktuelle System einen Workaround erzwungen hat. Sie wissen, wann die Führungsebene ein Dashboard möchte, aber eigentlich einen Entscheidungsprozess braucht. Sie wissen, wann ein Projekt langsamer werden sollte, weil das Team das falsche Problem löst.

KI kann diese Arbeit unterstützen, aber sie übernimmt nicht die Verantwortung dafür. Der menschliche Analyst bleibt für Vertrauen, Kontext, Urteilsvermögen und Verantwortlichkeit zuständig.

Das Risiko: bessere Dokumente, schlechtere Ergebnisse

Das größte Risiko besteht nicht darin, dass KI Business-Analysten irrelevant macht. Das größere Risiko ist, dass Organisationen KI nutzen, um schlechte Anforderungen besser aussehen zu lassen.

Wenn der Discovery-Prozess schwach ist, wird KI ihn nicht reparieren. Wenn Stakeholder nicht aufeinander abgestimmt sind, wird KI nicht auf magische Weise Einigkeit schaffen. Wenn das Geschäftsproblem unklar ist, wird KI selbstbewusst wirkende Dokumentation rund um ein unklareres Problem erstellen. Wenn die Organisation die Menge der Ergebnisse stärker belohnt als die Qualität der Entscheidungen, wird KI lediglich die Menge erhöhen.

So entstehen Teams mit schönen Artefakten und enttäuschender Software. Die Anforderungen wirken sauberer. Das Backlog sieht organisierter aus. Die Prozessdiagramme wirken professioneller. Doch die Entwicklung erstellt weiterhin etwas, das am Ziel vorbeigeht, weil die zugrunde liegende Frage nie geklärt wurde.

Deshalb sollte die Einführung von KI in der Business-Analyse mit Prozessdisziplin beginnen, nicht mit dem Zugang zu Tools.

Wie Ridiculous Engineering über Business-Analyse im KI-Zeitalter denkt

Bei Ridiculous Engineering betrachten wir die Business-Analyse als eine der wichtigsten Brücken zwischen geschäftlicher Absicht und technischer Umsetzung. Wenn diese Brücke schwach ist, müssen Entwicklungsteams die Unklarheiten auffangen. Das zeigt sich meist in Nacharbeit, verfehlten Erwartungen, aufgeblähtem Umfang, langsamer Auslieferung und Software, die zwar technisch funktioniert, aber nicht sauber das richtige Problem löst.

KI kann dazu beitragen, einen Teil des manuellen Aufwands rund um Anforderungen und Dokumentation zu reduzieren. Das finden wir interessant. Die wirkliche Chance liegt jedoch nicht in schnellerer Bürokratie. Sie liegt in besserer Discovery, einer besseren Übersetzung zwischen Stakeholdern und Entwicklern sowie besseren Arbeitsrhythmen dafür, wie aus Ideen Software wird.

Für Kunden kann das bedeuten, Intake-Workflows zu verbessern, Anforderungsprozesse neu zu gestalten, die Verantwortlichkeiten zwischen Geschäfts- und Technikteams zu klären, bessere Übergabemuster zu schaffen oder KI-Tools so einzuführen, dass sie den Prozess unterstützen, anstatt seine Schwächen zu kaschieren.

Ein guter BA-Prozess sollte die Arbeit leichter umsetzbar, leichter testbar, leichter erklärbar und besser mit den Geschäftsergebnissen verknüpfbar machen. KI sollte dieses Ziel unterstützen. Sie sollte nicht zu einer weiteren Ebene von Störgeräuschen werden.

Die Rolle des Business-Analysten gewinnt an Bedeutung

Der Beruf des Business-Analysten wird durch KI nicht ersetzt. Er wird vielmehr auf jene Aufgaben ausgerichtet, die schon immer am wichtigsten waren: Probleme zu verstehen, Entscheidungen zu verbessern und Organisationen dabei zu helfen, aus unklaren Anforderungen umsetzbare Pläne zu entwickeln.

Analysten, die nur dokumentieren, was man ihnen vorgibt, könnten erleben, dass ihre Arbeit durch Automatisierung reduziert wird. Analysten, die Annahmen hinterfragen, Daten interpretieren, die Anforderungsaufnahme leiten und Geschäftsziele mit der technischen Umsetzung verbinden können, werden an Wert gewinnen.

Für Organisationen besteht der Fehler darin, KI als Abkürzung um die Disziplin der Business-Analyse herum zu betrachten. Die Chance liegt darin, KI zu nutzen, um Aufgaben mit geringem Mehrwert zu entfernen, damit Analysten mehr Zeit für die Fragen aufwenden können, die den Projekterfolg tatsächlich bestimmen.

Wenn Ihre Organisation versucht, die Business-Analyse zu modernisieren, die Qualität der Anforderungen zu verbessern, Nacharbeit bei der Umsetzung zu reduzieren oder zu verstehen, wo KI in Ihre Workflows für Anforderungsaufnahme und Planung gehört, kann Ridiculous Engineering helfen. Wir arbeiten mit Kunden daran, das Problem zu klären, den Prozess zu verbessern und Software auf einer stärkeren Grundlage zu entwickeln.

Bessere Anforderungen beginnen nicht mit besseren Vorlagen. Sie beginnen mit besseren Fragen.

Quellen und weiterführende Literatur: Adaptive U.S.: Generative KI für Business-Analysten, Productboard: Prozess und Techniken der Produktentdeckung, Productboard: Leitfaden zur Produktentdeckung, H2K Infosys: Wie KI die Rolle des Business-Analysten verändert