KI hat Wissen radikal billiger gemacht. Ein Entwickler kann jetzt ein LLM bitten, Versicherungsregulierung zu erkl\u00E4ren, einen Regulierungsbericht zu analysieren oder einen 200-seitigen Beschaffungsstandard zusammenzufassen \u2014 und bekommt in Sekunden eine brauchbare Antwort. Aber “brauchbar” ist nicht dasselbe wie “korrekt.” Und die L\u00FCcke zwischen beidem ist genau dort, wo Dom\u00E4nenwissen lebt.
Das kollektive Wissen, das in gro\u00DFen Sprachmodellen eingebettet ist, ist au\u00DFergew\u00F6hnlich. Es umfasst Recht, Medizin, Finanzen, Logistik, Fertigung und Dutzende weiterer Bereiche. Product Owner, Business Analysten und Entwickler haben jetzt Zugang zu einer Wissensbasis, f\u00FCr die fr\u00FCher ein Regal voller Fachb\u00FCcher und Jahre an Erfahrung n\u00F6tig gewesen w\u00E4ren. Das ist wirklich transformativ.
Es ist aber auch wirklich gef\u00E4hrlich \u2014 wenn man nicht wei\u00DF, welche Fragen man stellen muss. Ein LLM beantwortet eine oberfl\u00E4chliche Frage selbstsicher mit einer oberfl\u00E4chlichen Antwort, die plausibel klingt, aber die Grenzf\u00E4lle \u00FCbersieht, die in der Produktion wichtig sind. Die Menschen, die wissen, welche Fragen zu stellen sind \u2014 die Fachexperten, die erfahrenen BAs, die Entwickler, die in einer Dom\u00E4ne gelebt haben \u2014 werden nicht durch KI ersetzt. Sie werden durch sie verst\u00E4rkt.
Das Paradoxon
KI macht Wissen zug\u00E4nglicher und Dom\u00E4nenwissen wertvoller \u2014 gleichzeitig.
Bedenken Sie, was es fr\u00FCher gekostet hat, eine neue Gesch\u00E4ftsdom\u00E4ne tief genug zu verstehen, um Software daf\u00FCr zu bauen. Ein Entwickler, der einem Gesundheitsprojekt beitrat, verbrachte Wochen damit, Dokumentation zu lesen, Kliniker zu begleiten und an Anforderungssitzungen teilzunehmen, bevor er sinnvoll beitragen konnte. Ein Business Analyst, der in den Compliance-Bereich eintrat, brauchte Monate, um die relevanten Vorschriften zu verinnerlichen.
KI komprimiert diesen Zeitrahmen dramatisch. Ein LLM kann die HIPAA-Datenschutzregeln zusammenfassen, den Unterschied zwischen ICD-10- und CPT-Codierungssystemen erkl\u00E4ren oder den Lebenszyklus einer Zollerkl\u00E4rung durchgehen \u2014 in Minuten. Gesetze k\u00F6nnen analysiert und querverwiesen werden. Verfahren und Gesch\u00E4ftsregeln k\u00F6nnen durchsucht und kartiert werden. Technische Standards, deren Lekt\u00FCre Tage dauern w\u00FCrde, k\u00F6nnen in handlungsf\u00E4hige Zusammenfassungen destilliert werden.
Das ist keine marginale Verbesserung. Es ist eine strukturelle Ver\u00E4nderung darin, wer auf Dom\u00E4nenwissen zugreifen kann und wie schnell man produktiv wird.
Reduzierung der anf\u00E4nglichen Einarbeitungszeit in eine Dom\u00E4ne, wenn Entwickler KI nutzen, um unbekannte Gesch\u00E4ftskontexte zu erkunden
Seiten Regulierung in unter einer Stunde zusammengefasst und querverwiesen \u2014 Arbeit, die einen Compliance-Analysten zuvor eine volle Woche gekostet hat
angrenzende Gesch\u00E4ftsdom\u00E4nen, zu denen ein einzelner Analyst oder Entwickler jetzt sinnvoll beitragen kann \u2014 gegen\u00FCber zuvor ein oder zwei
Hier liegt das Risiko. Wenn Sie ein LLM fragen “wie funktioniert die Abrechnung?”, erhalten Sie eine Lehrbuchantwort: Geb\u00FChren, Zahlungen, Rechnungen. Sie ist auf einer \u00DCberblicksebene korrekt und v\u00F6llig nutzlos f\u00FCr den Bau eines Abrechnungssystems. Die Komplexit\u00E4ten, die z\u00E4hlen \u2014 vertragliche Anpassungen, Koordination mehrerer Kostentr\u00E4ger, r\u00FCckwirkende Tarifanpassungen, Teilerstattungen mit steuerlichen Auswirkungen \u2014 tauchen erst auf, wenn jemand, der in der Dom\u00E4ne gelebt hat, danach fragt.
Das Muster wiederholt sich in jeder Branche. Oberfl\u00E4chliche Prompts erzeugen oberfl\u00E4chliche Modelle. Und oberfl\u00E4chliche Modelle erzeugen Systeme, die in Demos funktionieren und in der Produktion versagen \u2014 denn die Produktion ist dort, wo die Grenzf\u00E4lle leben.
Oberfl\u00E4chliche Frage
“Wie berechne ich die Rechnung des Patienten?”
KI liefert eine Preis-×-Menge-Formel. Versicherungsanpassungen, vertragliche Abschreibungen und Vorabgenehmigungsregeln werden übersehen.
Expertenfrage
“Führe mich durch den Regulierungsablauf eines Blue-Cross-PPO-Anspruchs mit einem sekundären Medicare-Zahler, einschließlich Ablehnungsszenarien.”
KI deckt genau die Grenzfälle auf — Koordination der Leistungen, Fristen für die rechtzeitige Einreichung und Widerspruchsvefahren — die sonst zu Produktionsfehlern werden würden.
Der Unterschied ist nicht, dass KI die tiefgehende Frage nicht beantworten kann. Das kann sie oft \u2014 mit bemerkenswerter Genauigkeit. Der Unterschied ist, dass jemand wissen muss, dass man sie stellen sollte. Fachexperten tragen nicht nur Wissen; sie tragen die Form des Wissens \u2014 sie wissen, wo die L\u00FCcken sind, wo sich die Ausnahmen verstecken und wo die Lehrbuchantwort von der Realit\u00E4t abweicht.
“KI gab uns das Vokabular. Unser Fachexperte gab uns die Grammatik. Das Vokabular allein h\u00E4tte ein System geliefert, das richtig aussah und falsch rechnete.”
Seit Jahrzehnten lautet das Standardmodell der Softwarebereitstellung: Ein Business Analyst sammelt Anforderungen, ein Product Owner schreibt Stories, und Entwickler implementieren Tickets. Entwickler sehen ihren Ausschnitt \u2014 einen einzelnen Endpunkt, eine UI-Komponente, eine Datentransformation \u2014 aber selten den vollst\u00E4ndigen Gesch\u00E4ftsprozess, dem ihr Code dient. Sie bauen die Steine, ohne das Geb\u00E4ude zu sehen.
KI ver\u00E4ndert dies auf zwei Weisen, die sich gegenseitig verst\u00E4rken.
Codebase-zu-Gesch\u00E4fts-Mapping
KI-Coding-Agenten k\u00F6nnen eine gesamte Codebasis analysieren und erkl\u00E4ren, was sie in Gesch\u00E4ftsbegriffen tut \u2014 nicht nur “diese Funktion berechnet einen Wert”, sondern “diese Funktion wendet den vertraglichen Rabattsatz f\u00FCr Gro\u00DFhandelskunden mit Mengenstaffeln \u00FCber 10.000 Einheiten an.” Entwickler k\u00F6nnen endlich die Gesch\u00E4ftslogik sehen, die ihr Code implementiert, selbst in Codebasen, die sie nicht geschrieben haben.
L\u00FCckenidentifikation
Wenn KI die Codebasis gegen Dom\u00E4nenwissen abgleicht, legt sie offen, was fehlt. “Ihre Auftragsverarbeitungspipeline behandelt Standardauftr\u00E4ge, hat aber keinen Pfad f\u00FCr Retouren mit R\u00FCcknahmegebuehren.” “Ihr Compliance-Modul pr\u00FCft Sanktionslisten bei der Aufnahme, aber nicht bei laufenden Transaktionen.” Entwickler sehen die L\u00FCcken, bevor Nutzer sie finden.
Der Effekt ist, dass Entwickler sich von Ticket-Abarbeitern zu Teilnehmern an der Dom\u00E4ne entwickeln. Sie verstehen, warum das System sich so verh\u00E4lt, wie es das tut, was bedeutet, dass sie Probleme antizipieren, bessere L\u00F6sungen vorschlagen und Anforderungen hinterfragen k\u00F6nnen, die keinen Sinn ergeben. Die Qualit\u00E4t der Software verbessert sich, weil die Menschen, die sie bauen, die Welt verstehen, der sie dient.
“Fr\u00FCher bekam ich ein Jira-Ticket, das sagte ‘f\u00FCge ein Rabattfeld hinzu.’ Jetzt zeigt mir der KI-Agent das gesamte Preismodell, erkl\u00E4rt, warum der Rabatt existiert, und warnt, dass meine Implementierung die Mengenstaffel-Berechnung kaputtmachen w\u00FCrde. Ich baue bessere Software, weil ich das Gesch\u00E4ft besser verstehe.”
Einer der am meisten untersch\u00E4tzten Effekte von KI-zug\u00E4nglichem Wissen ist die Dom\u00E4nenmobilit\u00E4t. Wenn es Monate dauert, eine neue Branche zu erlernen, bleiben Menschen in ihrer Spur. Wenn es Tage dauert, beginnen sie zu erkunden.
Ein Business Analyst, der f\u00FCnf Jahre in der Logistik verbracht hat, kann sich jetzt in einem Bruchteil der fr\u00FCheren Zeit in Zollvorschriften, Handels-Compliance und grenz\u00FCberschreitende Besteuerung einarbeiten. Ein Entwickler, der Zahlungssysteme gebaut hat, kann sich auf Kreditwesen, Versicherungen oder Treasury Management ausweiten \u2014 weil KI die Wissensl\u00FCcke zwischen angrenzenden Dom\u00E4nen \u00FCberbr\u00FCcken kann.
Hier geht es nicht darum, \u00FCber Nacht zum Fachexperten zu werden. Es geht darum, kompetent genug zu werden, um sinnvoll beizutragen, die richtigen Folgefragen zu stellen und zu wissen, wann tiefere Expertise hinzugezogen werden muss. Der Radius dessen, was eine einzelne Person verstehen und beeinflussen kann, hat sich erweitert.
KI fasst Kreditbewertungsmodelle zusammen, erklärt effektive Jahreszins-Berechnungen und bildet regulatorische Unterschiede zwischen Verbraucher- und Unternehmenskrediten ab.
KI analysiert HS-Zolltarifcodes, erklärt Ursprungsregeln und gleicht Freihandelsabkommen ab — Aufgaben, die zuvor einen lizenzierten Zollmakler erforderten.
KI erklärt DSCSA-Serialisierungsanforderungen, Kühlketten-Compliance und DEA-Berichterstattung — und verbindet klinisches Wissen mit Distributionslogistik.
KI deckt Umsatzsteuer-Nexus-Regeln, Verbraucherschutzgesetze nach Jurisdiktion und Plattformhaftungsrahmen auf — und ermöglicht es Teams, grenzüberschreitend zu expandieren.
Wenn KI Vorschriften zusammenfassen, Gesch\u00E4ftsprozesse erkl\u00E4ren und Anforderungen entwerfen kann, was bleibt dann f\u00FCr den Product Owner oder Business Analysten? Alles, was z\u00E4hlt.
KI \u00FCbernimmt das Was \u2014 die Faktenebene des Dom\u00E4nenwissens. Menschen liefern das Und was bedeutet das \u2014 das Urteilsverm\u00F6gen dar\u00FCber, welche Fakten wichtig sind, welche Grenzf\u00E4lle in der Praxis tats\u00E4chlich auftreten, welche Anforderungen verhandelbar sind und welche bei fehlerhafter Umsetzung eine regulatorische Pr\u00FCfung ausl\u00F6sen.
Wie sich Rollen ver\u00E4ndern
Product Owner
Hüter der Anforderungen. Übersetzt Geschäftsbedürfnisse in User Stories. Priorisiert das Backlog basierend auf Stakeholder-Input.
Nutzt KI, um Domänentiefe eigenständig zu erkunden. Validiert KI-generierte Anforderungen gegen reale Randbedingungen. Konzentriert sich auf strategische Abwägungen und Priorisierungsurteil statt auf Anforderungsdokumentation.
Business Analyst
Befragt Stakeholder, dokumentiert Prozesse, schreibt Spezifikationen. Oft die einzige Person, die sowohl das Geschäft als auch das System versteht.
Nutzt KI, um erste Prozesskarten und Spezifikationen in Stunden statt Wochen zu entwerfen. Verbringt Zeit mit Validierung, Stresstests von Grenzfällen und Identifikation von Lücken, die KI übersieht. Wird zum Domänen-Qualitätstor statt zur Dokumentationsfabrik.
Entwickler
Erhält Tickets, implementiert Features, sieht selten den vollen Geschäftskontext. Stellt klärende Fragen, wenn Spezifikationen mehrdeutig sind.
Nutzt KI, um die Geschäftsdomäne direkt zu verstehen. Befragt die Codebasis in Geschäftsbegriffen. Identifiziert Lücken zwischen Implementierung und realen Anforderungen. Trägt zur Domänenmodellierung bei, nicht nur zum Code.
Der Leitfaden
- KI mit Fachexperten koppeln, nicht anstelle von ihnen. Nutzen Sie KI, um den Experten zu beschleunigen, nicht um ihn zu ersetzen. Lassen Sie den Experten die tiefgehenden Fragen stellen; lassen Sie KI die Recherchearbeit erledigen. Der Experte validiert, hinterfragt und verfeinert \u2014 dort lebt die Genauigkeit.
- Entwicklern Gesch\u00E4ftskontext geben, nicht nur Tickets. Nutzen Sie KI-Coding-Agenten, um Gesch\u00E4ftskontext-Dokumentation f\u00FCr die Codebasis zu generieren. Wenn Entwickler fragen k\u00F6nnen “welche Gesch\u00E4ftsregel implementiert dieses Modul?” und eine klare Antwort bekommen, bauen sie bessere Software.
- Dom\u00E4nenmobilit\u00E4t f\u00F6rdern. Wenn Wissen billig ist, k\u00F6nnen Menschen angrenzende Dom\u00E4nen erkunden. Unterst\u00FCtzen Sie BAs und Entwickler dabei, ihr Dom\u00E4nenspektrum zu erweitern \u2014 es macht Teams widerstandsf\u00E4higer, kreativer und weniger abh\u00E4ngig von einzelnen Wissenstr\u00E4gern.
- Dom\u00E4nenvalidierung als Qualit\u00E4tstor behandeln. KI-generierte Anforderungen und Spezifikationen sollten von jemandem gepr\u00FCft werden, der die Dom\u00E4ne kennt \u2014 genauso wie KI-generierter Code von einem Senior Engineer gepr\u00FCft wird. Bauen Sie das in Ihren Prozess ein, nicht als Nachgedanke.
- Zur\u00FCckgestellte Features nochmals pr\u00FCfen. Viele Features wurden nicht deprioritisiert, weil sie unwichtig waren, sondern weil das Verst\u00E4ndnis der Dom\u00E4nenanforderungen zu teuer war. Da KI diese Kosten komprimiert, evaluieren Sie das Backlog mit frischen Augen neu.
Das Zeitalter der KI entwertet Dom\u00E4nenwissen nicht. Es strukturiert um, wer es besitzt, wie schnell es erworben werden kann und wie tief es angewendet werden kann. Die Menschen, die erfolgreich sind, sind nicht diejenigen, die Fakten auswendig lernen \u2014 das \u00FCbernimmt jetzt KI. Es sind diejenigen, die wissen, welche Fakten wichtig sind, welche Fragen als N\u00E4chstes gestellt werden m\u00FCssen und wo das Modell versagt.
F\u00FCr Organisationen, die Software bauen, ist die Implikation klar: Investieren Sie in Menschen, die die Welt verstehen, der Ihre Software dient. Geben Sie ihnen KI-Tools, um schneller zu arbeiten. Und geben Sie Ihren Entwicklern den Gesch\u00E4ftskontext, der ihnen bisher gefehlt hat. Die Systeme, die Sie bauen, werden davon profitieren.