Requirements Engineering in der Praxis: Anforderungen ermitteln, dokumentieren und prüfen

Sie unterscheiden Sprachmodelle, KI-Dienste, Copiloten und spezialisierte Werkzeuge nach Aufgabe, Datenzugriff und Integrationsgrad. Auswahlkriterien wie Ergebnisqualität, Datenschutz, Kosten, Aktualität und Einbindung in bestehende Arbeitsplätze machen die Entscheidung nachvollziehbar.

Sie lernen, welche Aufgaben generative KI zuverlässig unterstützt und wo probabilistische Ergebnisse, Halluzinationen, Verzerrungen, Kontextgrenzen oder veraltetes Wissen Risiken erzeugen. Typische Fehlerbilder werden erkannt, eingeordnet und mit passenden Prüfmaßnahmen verbunden.

Sie übersetzen unklare Arbeitsaufträge in strukturierte Prompts aus Kontext, Aufgabe, Eingaben, Ziel, Qualitätskriterien und Ausgabeformat. Dadurch werden Anforderungen nachvollziehbar, Ergebnisse besser vergleichbar und Rückfragen gezielter.

Sie verbessern Prompts in kontrollierten Schritten, vergleichen Varianten und trennen fachliche Schwächen von Formulierungs- oder Kontextproblemen. Bewährte Muster werden versioniert, dokumentiert und für ähnliche Aufgaben wiederverwendbar gemacht.

Sie bearbeiten typische Aufgaben wie Entwerfen, Zusammenfassen, Vergleichen, Extrahieren, Klassifizieren und vorbereitende Recherche. Dabei wird geklärt, welche Eingaben benötigt werden, wie Ergebnisse geprüft werden und an welcher Stelle KI den vorhandenen Arbeitsablauf sinnvoll ergänzt.

Sie ordnen personenbezogene, vertrauliche und unternehmenskritische Informationen ein und entscheiden, welche Daten ein KI-Dienst verarbeiten darf. Anonymisierung, Berechtigungen, Anbieteroptionen, interne Regeln und sichere Alternativen werden anhand praktischer Situationen bewertet.

Sie leiten Architekturziele aus fachlichen und qualitativen Anforderungen ab und strukturieren Bausteine, Schnittstellen und Verantwortlichkeiten. Architekturentscheidungen, Risiken, Modernisierungsschritte und nachvollziehbare Dokumentation werden gemeinsam bewertet.

Sie überführen fachliche Begriffe und Regeln in konzeptionelle, logische und relationale Datenmodelle. Schlüssel, Beziehungen, Normalisierung, Integrität, SQL-Abfragen und Performance werden als zusammenhängende Entwurfsentscheidungen behandelt.

Sie gestalten den Weg von Quell- zu Zielsystemen mit Mapping, Transformation, Ladeverfahren und Qualitätsregeln. Delta-Logik, Fehlerbehandlung, Wiederanlauf, Monitoring, Metadaten und Nachvollziehbarkeit werden von Anfang an berücksichtigt.

Tabellen, Schlüssel, Beziehungen und Datenmodelle verständlich einordnen.

SELECT, WHERE, ORDER BY und Bedingungen an praktischen Aufgaben anwenden.

COUNT, SUM, AVG, GROUP BY und HAVING für nachvollziehbare Auswertungen nutzen.

INNER und OUTER JOIN schrittweise aufbauen und Mehrfachtreffer erkennen.

INSERT, UPDATE und DELETE verstehen sowie Risiken vor Änderungen prüfen.

Gemeinsamen SQL-Kern und relevante Unterschiede der drei Datenbanksysteme erkennen.

Sie bearbeiten Oracle-spezifisches SQL und PL/SQL von Datenzugriff und Transaktionen bis zu Prozeduren, Funktionen und Packages. Fehlerbehandlung, Performance, Tests, Schnittstellen und Wartbarkeit werden an realistischen Datenbankaufgaben verbunden.

Eigene Verantwortung, Grenzen und Entscheidungsspielräume transparent machen.

Einfluss, Erwartungen, Interessen und mögliche Widerstände strukturiert erfassen.

Klar zuhören, Erwartungen formulieren und Verständnis verbindlich rückkoppeln.

Optionen, Risiken und Konsequenzen so darstellen, dass Entscheidungen möglich werden.

Spannungen früh benennen und sachlich in eine bearbeitbare Form überführen.

Zuständigkeiten, nächste Schritte und Rückmeldung ohne disziplinarischen Druck vereinbaren.