Große Sprachmodelle (Large Language Models, LLMs) wie ChatGPT werden in der Entwicklung zunehmend eingesetzt, um Programmcode zu erzeugen, Testfälle abzuleiten, Softwaremodelle zu erstellen oder Anforderungen mit Quellcode zu verknüpfen. In der Praxis dienen dafür häufig textuelle Anforderungen als Eingabe – diese enthalten jedoch oft Unklarheiten, Mehrdeutigkeiten oder Widersprüche. Das kann dazu führen, dass die KI zum Beispiel einen ungeeigneten Code schreibt. Solche sprachlichen Schwächen werden als „Requirements Smells“ bezeichnet. Sie sind in der klassischen Softwaretechnik seit Langem bekannt; ihr Einfluss auf KI-basierte Werkzeuge wurde bislang jedoch kaum systematisch untersucht. 

Hier setzt das Projekt „Requirements Smells in Prompts (ReSPro)“ von Prof. Dr. Andreas Vogelsang und seinem Team an. Es analysiert grundlegend, wie stark die Qualität der Sprache die Ergebnisse KI-gestützter Softwareentwicklung prägt. „Viele aktuelle KI-Systeme arbeiten mit Anforderungen, die für Menschen schon nicht eindeutig zu verstehen sind und diese unpräzisen Beschreibungen werden dann an die KI-Systeme weitergegeben“, erklärt Projektleiter Vogelsang. „Wir werden erstmals systematisch analysieren, welche Arten von Unschärfen für KI besonders problematisch sind – und wie man Entwicklerinnen und Entwickler dabei unterstützen kann, bessere Prompts zu formulieren.“

Das Projekt betrachtet hierzu verschiedene Anwendungsfälle, darunter die automatische Code- und Testfallerzeugung, die Modellgenerierung sowie die Nachverfolgung von Anforderungen im Quellcode. Auf Basis der Ergebnisse sollen zudem Werkzeuge entwickelt werden, die problematische Formulierungen in Prompts automatisch erkennen und konkrete Verbesserungsvorschläge machen oder diese direkt korrigieren.

Langfristiges Ziel ist es, den Einsatz von KI-Systemen in der Softwareentwicklung verlässlicher, robuster und besser nachvollziehbar zu machen und damit die Qualitätssicherung in KI-gestützten Entwicklungsprozessen zu stärken.