
Bei der Erforschung neuer Einsatzmöglichkeiten von KI, die unsere Arbeitsprozesse beschleunigen und verbessern, haben wir im Bereich der Business Analyse die Erstellung von User Stories betrachtet. Als Business Analyst:innen haben wir nach der Anforderungserhebung eine Sammlung aller Anforderungen in textuellem Format. Diese wollen wir in Form von User Stories formulieren, so dass diese umgesetzt werden können. Dabei stehen wir vor der Herausforderung, die neu zu programmierende Funktionalität so zu schneiden, dass einzelne Entwickler:innen diese in Sprints gut umsetzen können. Diese Aufgabe ist zeitaufwändig und nicht gerade trivial. Eine Automatisierung stellt hierbei eine enorme Arbeitserleichterung dar, die von einer KI-Unterstützung profitiert. Das Potenzial von KI besteht vor allem in den herausragenden Fähigkeiten von Large Language Models (LLMs), große Mengen an Daten zu analysieren, Informationen zu extrahieren und systematisch zu strukturieren. Um die Erstellung von User Stories zu automatisieren und den Prozess zu beschleunigen, hat die viadee ein Tool namens UserStoryGPT entwickelt, das die Business Analyst:innen bei der Erstellung von User Stories unterstützen soll.
Herausforderung in der Business Analyse
Qualitätsmerkmale hochwertiger User Stories
User Stories stellen eine standardisierte Formulierung einer Anforderung dar: Als <Rolle> möchte ich <Ziel>, damit <Nutzen>. Diese stellt sicher, dass in einem Satz festgehalten wird, wer was warum möchte. Somit werden die Relevanz und der Nutzen einer User Story für den Benutzer des Systems garantiert. Zu jeder User Story werden Akzeptanzkriterien festgehalten, die alle Details für die Abnahme der programmierten User Story enthalten und festlegen, wann sie als erfolgreich umgesetzt gilt. Darüber hinaus erstellt UserStoryGPT noch technische Details und Testszenarien zu jeder User Story. In den technischen Details werden Informationen festgehalten, die relevant für die Entwicklung sind. Sie entstehen in Refinements oder durch Architekturentscheidungen. Daneben hat Testen einen besonderen Stellenwert in der viadee, da regelmäßiges und vor allem frühes Testen enorm wichtig ist, um eine gute Softwarequalität zu erreichen. Deshalb werden Testszenarien einer User Story formuliert, die die Implementierung der Akzeptanzkriterien und der technischen Details validieren.
Eine User Story selbst soll so klein geschnitten sein, dass ein:e Entwickler:in sie innerhalb eines Sprints umsetzen kann. Hierbei ist eine klare Abgrenzung zwischen den User Stories entscheidend, damit die Implementierung verschiedener Entwickler:innen gleichzeitig und unabhängig erfolgen kann. Der Schnitt, also das Setzen der Grenze einer User Story, spielt eine zentrale Rolle. Sind User Stories zu umfangreich, beinhalten sie häufig mehr als eine einzige Funktionalität, wodurch ihre Umsetzung von anderen User Stories abhängig ist. Gleichzeitig dürfen durch die Darstellung der Anforderungen in Form von User Stories unter keinen Umständen Informationen verloren gehen. Wo genau eine Funktionalität anfängt und aufhört, ist automatisiert oft schwer festzulegen. Um die Qualität einer User Story definieren und überprüfen zu können, werden häufig die INVEST-Kriterien herangezogen. Sie definieren, dass eine gute User Story: Independent (unabhängig), Negotiable (verhandelbar), Valuable (wertvoll), Estimated (schätzbar), Small (klein) und Testable (testbar) ist. Unser UserStoryGPT unterstützt Business Analyst:innen beim Erreichen dieser Kriterien.
User Story GPT - ein viadee internes Tool
Das von der viadee entwickelte Tool UserStoryGPT verarbeitet ein Dokument, das die Anforderungen eines Projekts beinhaltet. Dieses kann über eine Weboberfläche hochgeladen werden und wird anschließend im Backend mithilfe eines LLMs verarbeitet. LLMs haben beeindruckende Fähigkeiten in der Analyse und Verarbeitung von Text. Sie können Text auf einem sehr hohen Level sowohl verstehen als auch generieren, was wir uns in UserStoryGPT zunutze machen. Neben der Dokumentation, die man bei UserStoryGPT hochlädt, kann auch ein eigener “Prolog” eingegeben werden, um die Ergebnisse des KI-Modells zu verbessern. Darin können die wesentlichen Aufgaben des Systems (das entwickelt werden soll) erläutert werden, welchem Zweck das System dient und welche fachlichen Herausforderungen es zu beachten gilt. Auch auf den Aufbau der Dokumentation und auf wichtige Begriffe, die zu vereinheitlichen sind, kann hier eingegangen werden. So erhält die KI etwas Kontext und kann im ersten Schritt die Funktionalitäten in der Dokumentation besser erkennen.
Die Erstellung der User Stories in UserStoryGPT geschieht automatisch innerhalb des Tools und erfolgt in mehreren Schritten, in denen jeweils Anfragen an die KI gesendet und ihre Antworten direkt weiter verarbeitet werden. Zu jeder identifizierten Funktionalität wird im nächsten Schritt eine eigene User Story erstellt. Diese besteht dann aus den folgenden Teilen: einem Titel, dem zentralen User-Story-Satz, Akzeptanzkriterien, technischen Details und Testszenarien. Technisch wird sichergestellt, dass diese Form immer eingehalten wird, wodurch formal sehr einheitliche User Stories entstehen. Schlussendlich werden die generierten User Stories im Überblick im Webfrontend angezeigt, um einen ersten Check zu ermöglichen. Daneben werden sie in vollem Umfang als Dateidownload zur Verfügung gestellt.
Zusätzlich zu den generierten User Storys wird das ursprünglich hochgeladene Dokument mit farblich markiertem Text als Download zur Verfügung gestellt. Die farbliche Markierung teilt die Dokumentation in drei Bereiche. Bei einer grünen Markierung kann man sicher sein, dass dieser Teil in die User Stories übernommen wurde. Doch nicht jeder Satz ist relevant. Dokumente beinhalten erfahrungsgemäß häufig Texte wie Einleitungen, Übersichten etc., die keine Anforderungen oder Informationen zur Programmierung beinhalten und damit nicht in User Stories überführt werden müssen. Solche Stellen werden rot markiert und können durch diese Markierung schnell identifiziert und manuell überprüft werden, um sicherzustellen, dass nichts Relevantes fehlt und die in der Ursprungsdokumentation gesammelten Anforderungen und Informationen vollständig in die User Stories übernommen wurden. Gelb markierte Sätze liegen zwischen den Schwellenwerten, sie wurden zur Vereinheitlichung umformuliert und sollten ebenfalls manuell überprüft werden.
Nutzung von User Story GPT
Wenn man mit KI arbeitet, besteht immer auch die Herausforderung der Halluzination d.h., dass die KI Dinge umformuliert und ergänzt, die nicht den ursprünglich angenommenen Anforderungen entsprechen. Darum sollte man nie blind auf KI vertrauen. Finale Entscheidungen sollten immer von Menschen getroffen und generierte Inhalte kontrolliert und validiert werden. Dieser Ansatz wird auch Human-in-the-Loop genannt und steigert die Genauigkeit und Zuverlässigkeit eines KI-Systems. Die manuelle Kontrolle und Nachbereitung kann auch bei der automatisierten Generierung von User Stories nicht verhindert werden. Anhand der bereitgestellten Farbmarkierungen kann der:die Business Analyst:in die Ergebnisse jedoch auf Vollständigkeit prüfen, was die Nachbereitung stark erleichtert. An gezielten Stellen können dann die Relevanz überprüft und die Stories korrigiert und ergänzt werden. Hier spielt auch die menschliche Expertise eine Rolle, die gelernte BAler:innen in verschiedenen Projekten gesammelt haben.
UserStoryGPT wird jetzt in der Praxis erprobt und wir evaluieren, wie viel Zeit die Business Analyst:innen sparen und ob UserStoryGPT zur Qualitätssteigerung in Entwicklungsprojekten führen kann.
Autorinnen
Stefanie Filius ist Senior Beraterin und seit 2009 bei der viadee IT Unternehmensberatung. Sie hat vielfältige Erfahrungen in den Bereichen Projektmanagement und Business Analyse.
Elisabeth Stein ist seit 2025 als Werkstudentin bei der viadee und in den Bereichen Business Analyse und IT-Security tätig. Sie beschäftigt sich insbesondere mit den Einsatzmöglichkeiten von KI in der Business Analyse und im Projektmanagement.
zurück zur Blogübersicht