Web-App-Projekt mit KI definieren: Die 6-Prompt-Kette (von der Idee zum SOW)

Web-App-Projekt mit KI definieren: Die 6-Prompt-Kette (von der Idee zum SOW)

Bei unseren letzten fünf Kundenprojekten ist der Teil, der früher 12 bis 16 Stunden Discovery-Calls verschlungen hat, auf rund 3 Stunden KI-Arbeit plus 1 Stunde menschliche Überprüfung geschrumpft. Die gesamte Kette läuft in einem einzigen Claude Project ab, damit der Kontext durchgängig erhalten bleibt. Der Haken? Die KI hat jedes einzelne Mal drei Dinge falsch gemacht. Also haben wir ein manuelles Gate eingebaut, bevor irgendetwas den Kunden erreicht.

Das ist die tatsächliche 6-Prompt-Kette, die wir verwenden – mit dem Artefakt, das jeder Prompt erzeugt, einem vollständigen Arbeitsbeispiel und den Fehlerquellen, die Sie selbst abfangen müssen.

Kann KI ein Web-App-Projekt scoppen? Ja. KI kann den vollständigen Scope in wenigen Stunden statt Tagen entwerfen – Problemstellung, User Stories, Features, MoSCoW-Priorisierung und ein Statement of Work. Was sie nicht kann: diesen Entwurf validieren. Die KI erfindet Anforderungen und unterschätzt Aufwände; ein menschliches Gate vor der Freigabe ist daher Pflicht.

Wichtigste Erkenntnisse

• KI erstellt einen vollständigen Web-App-Scope in Stunden statt Tagen – kann die eigene Ausgabe aber nicht validieren.
• Die Kette besteht aus sechs Prompts: Problem, User Stories, Features, MoSCoW, Schätzung, SOW.
• KI erfindet Integrationen und unterschätzt Edge Cases – führen Sie stets ein menschliches Gate durch.
• Nutzen Sie Claude Projects oder ChatGPT Projects für die Kette; Agents kommen erst nach Unterzeichnung des Scopes.

KI kann Ihren ersten Scope-Entwurf an einem Nachmittag schreiben. Sie kann nur nicht sagen, wenn er falsch ist.

Was ist KI-gestütztes Scoping (und was ist es nicht)?

KI-gestütztes Scoping bedeutet, eine Reihe von LLM-Prompts zu verwenden, um aus einer groben Idee strukturierte Scope-Artefakte zu machen: Anforderungen, User Stories, eine Feature-Liste, Prioritäten und ein Statement of Work. Die KI übernimmt Entwurf und Strukturierung. Ein Mensch trifft weiterhin die Entscheidungen, führt Stakeholder-Gespräche und validiert.

Also denkt die KI für Sie? Nicht ganz. Sie ist schnell bei der KI-Anforderungserhebung – also genau dem Teil, bei dem man vor einer leeren Seite sitzt und versucht, „Ich will eine Buchungs-App" in etwas zu übersetzen, das ein Entwickler kalkulieren kann. Schlecht ist sie darin zu erkennen, was der Kunde wirklich braucht, im Gegensatz zu dem, was plausibel klingt.

Ein paar Dinge, die KI-gestütztes Scoping nicht ist: Es ist nicht autonom, kein Ersatz für echte Stakeholder-Gespräche und keine Garantie für Korrektheit. Das Modell schreibt problemlos eine selbstsichere, gut formatierte Spezifikation für ein Feature, das niemand verlangt hat.

Dieser Beitrag setzt voraus, dass Sie den Scoping-Prozess selbst bereits kennen. Wenn Sie die Grundlagen wollen, erläutert unser Schritt-für-Schritt-Scoping-Leitfaden den Prozess ohne KI, die 7 Schritte und die vollständige Scope-Dokumentstruktur. Hier konzentrieren wir uns auf die KI-Ebene: welcher Prompt, in welcher Reihenfolge und wo es hakt.

Die KI-Scoping-Prompt-Kette auf einen Blick

Die Kette besteht aus sechs Prompts, die nacheinander ausgeführt werden – jeder speist seine Ausgabe in den nächsten ein. In der Reihenfolge: (1) Problem und Ziele, (2) User Stories, (3) Feature-Liste, (4) MoSCoW-Priorisierung, (5) Aufwands-, Kosten- und Zeitschätzung, (6) SOW-Entwurf. Führen Sie alle in einem Project aus, damit der Kontext erhalten bleibt.

Das Praktische daran: Da jeder Prompt auf dem letzten aufbaut, erklären Sie Ihre App nicht sechsmal neu. Das Modell kennt das Problem bereits, wenn es User Stories schreibt, und kennt die Stories bereits, wenn es Features priorisiert.

1. Problem & Ziele: Aus einer groben Idee werden Problemstellung und SMART-Ziele.
2. User Stories: Ziele werden in User Stories mit Akzeptanzkriterien umgewandelt.
3. Feature-Liste: Aus den Stories wird ein konkretes Feature-Inventar abgeleitet.
4. MoSCoW-Priorisierung: Features werden in Must, Should, Could, Won't sortiert.
5. Schätzung: Aufwand, Kostenspanne und Zeitplan werden erstellt.
6. SOW-Entwurf: Alles wird zu einem Statement of Work zusammengeführt.

Dies ist auch ein sauberer Satz von KI-Prompts für das Projektmanagement im Allgemeinen – wir haben jedoch jeden Prompt speziell für Web-Apps abgestimmt: Technologie-Stack, Integrationen, Edge Cases. Diese Abstimmung ist das, was einen verwendbaren Scope von einem generischen unterscheidet.

Der Trick liegt nicht in einem einzigen magischen Prompt. Es sind sechs Prompts, die ihre Ausgabe aneinander weitergeben.

Wie führen Sie die Kette Schritt für Schritt aus?

Sie führen die Kette von oben nach unten in einem Claude Project oder ChatGPT Project aus, fügen jeden Prompt der Reihe nach ein und lassen die vorherige Antwort im Kontext. Nachfolgend die sechs Schritte mit den genauen Prompts, die wir verwenden. Jeder ist bewusst auf Web-Apps zugeschnitten, weil allgemeine Business-Analyse-Prompts allgemeine Scopes produzieren.

Ein Hinweis vorab: Ersetzen Sie die Platzhalter in eckigen Klammern durch Ihre eigenen Details und akzeptieren Sie nie die erste Ausgabe als endgültig. Der Profi-Tipp: Lesen Sie jedes Ergebnis, korrigieren Sie es, und führen Sie dann den nächsten Prompt aus.

Prompt 1: Problemstellung & Ziele

Sie sind ein erfahrener Product Manager, der eine Webanwendung scoppt.
Hier ist die grobe Idee: [beschreiben Sie die App in 2-4 Sätzen].
Die Zielnutzer sind [wer]. Das Unternehmen möchte [Ergebnis].

Schreiben Sie:
1. Eine Problemstellung in einem Absatz.
2. 3-5 SMART-Ziele mit Erfolgskennzahlen.
3. 3 Annahmen, die Sie treffen und die ich bestätigen sollte.
Kennzeichnen Sie alles, was unklar ist, anstatt zu raten.

Dies erzeugt Ihren Überblick und Zielabschnitt. Profi-Tipp: Die Zeile „3 Annahmen" leistet schwere Arbeit – sie legt die Lücken offen, über die die KI sonst hinweggehen würde.

Prompt 2: User Stories

Handeln Sie als derselbe Product Manager und wandeln Sie die
obigen Ziele in User Stories für eine Webanwendung um.
Verwenden Sie das Format:
„Als [Rolle] möchte ich [Aktion], damit [Nutzen]."
Decken Sie jede Nutzerrolle ab. Fügen Sie für jede Story
2-3 Akzeptanzkriterien hinzu. Gruppieren Sie die Stories
nach Funktionsbereich.

Sie haben jetzt funktionale Anforderungen. Dies ist ein sauberer KI-User-Story-Generator-Schritt. Achtung: Die KI vergisst gerne Admin- und Edge-Case-Rollen. Ergänzen Sie daher mit: „Fügen Sie jetzt Stories für Admins, fehlgeschlagene Zahlungen und leere Zustände hinzu."

Prompt 3: Feature-Liste

Erstellen Sie auf Basis der obigen User Stories ein flaches
Feature-Inventar für diese Webanwendung. Gruppieren Sie Features
in: Kern, Konto und Authentifizierung, Admin, Integrationen
und Benachrichtigungen. Vermerken Sie jedes Feature, das einen
Drittanbieter-Service oder eine API erfordert.

Dies ist Ihre Kandidatenliste für Features im Scope. Beobachten Sie diesen Schritt genau – hier beginnt die KI, Integrationen zu erfinden (mehr dazu später).

Prompt 4: MoSCoW-Priorisierung

Priorisieren Sie die Feature-Liste nach MoSCoW (Must, Should,
Could, Won't) für ein erstes Release (MVP). Geben Sie für jedes
Feature einen einzeiligen Grund an. Nehmen Sie ein 3-Monats-
MVP-Budget an und seien Sie konsequent: Die meisten Features
sollten NICHT „Must" sein.

Dies kennzeichnet Ihre In-Scope- und Out-of-Scope-Elemente. Die Anweisung „seien Sie konsequent" ist wichtig; ohne sie markiert das Modell fast alles als Must.

Prompt 5: Aufwands-, Kosten- & Zeitschätzung

Schätzen Sie Aufwand, Kosten und Zeitplan nur für die
Must-have-Features. Nehmen Sie einen Stack aus [z. B. Next.js,
Supabase, Stripe] und ein Team aus [N] Entwicklern an.
Schlüsseln Sie die Schätzung nach Feature in Tagen auf.
Nennen Sie jede Annahme. Geben Sie eine Kostenspanne an,
keine einzelne Zahl, und markieren Sie die 3 riskantesten
Schätzungen.

Dies ist Ihr KI-Scope-of-Work-Generator-Input für Budget und Zeitplan. Fordern Sie immer eine Spanne und die Annahmen ein, denn eine einzige selbstsichere Zahl ist die gefährlichste Ausgabe, die die KI liefert.

Prompt 6: SOW-Entwurf

Stellen Sie alles oben Genannte zu einem Entwurf eines
Statement of Work für einen Kunden zusammen. Enthalten Sie:
Überblick, Ziele und Erfolgskennzahlen, Features im Scope,
explizite Out-of-Scope-Punkte, Zeitplan, Budgetspanne,
Liefergegenstände, Annahmen und einen Unterzeichnungsabschnitt.
Kennzeichnen Sie jeden Abschnitt, bei dem Sie unsicher sind,
mit [PRÜFEN].

Die [PRÜFEN]-Markierungen werden zu Ihrer manuellen Gate-Checkliste. Dieser Schritt fügt alles zusammen, was die gesamte Kette von der Idee bis zum SOW versprochen hat.

Prompt → Scope-Abschnitt-Zuordnung

Jeder Prompt beantwortet nicht nur eine Frage – er füllt einen bestimmten Abschnitt des Dokuments, das Sie dem Kunden übergeben. Diese Zuordnung ersetzt das übliche 11-Abschnitte-Skelett: Statt ein Schema auswendig zu lernen, führen Sie die Kette aus, und das Dokument fügt sich von selbst zusammen. Hier ist, welcher Prompt welches Lieferobjekt erzeugt.

Wenn Sie Prompt 6 abgeschlossen haben, haben Sie einen vollständigen ersten Entwurf eines Dokuments, das ein Kunde tatsächlich lesen und unterzeichnen kann – keine Sammlung zusammenhangsloser Notizen.

Jeder Prompt beantwortet nicht nur eine Frage. Er füllt einen bestimmten Abschnitt des Dokuments, das Sie dem Kunden übergeben.

Ein vollständiges Arbeitsbeispiel: Scoping einer Terminbuchungs-SaaS

Hier ist die Kette von Anfang bis Ende an einem konkreten Fall: eine Terminbuchungs-SaaS für eine kleine Zahnarztkette. Dies ist ein illustratives Beispiel, kein echtes Kundenlieferobjekt – und ja, wir haben zwei Fehler in der KI-Ausgabe entdeckt, die wir im Abschnitt zum manuellen Gate unten korrigieren.

Ausgabe Prompt 1 (Problem & Ziele). Problem: Eine Zahnarztkette mit drei Standorten verliert Buchungen durch Telefon-Tag und No-Shows. Ziele: No-Shows um 30 % durch Erinnerungen senken, Online-Selbstbuchung für Patienten ermöglichen und dem Empfangspersonal einen gemeinsamen Kalender geben. Flaggegrte Annahmen: eine Zeitzone, nur Deutsch, keine Abrechnung mit der Krankenkasse.

Ausgabe Prompt 2 (Beispiel-User-Stories).

• Als Patient möchte ich online einen Termin buchen, damit ich nicht anrufen muss.
• Als Patient möchte ich eine SMS-Erinnerung, damit ich meinen Termin nicht vergesse.
• Als Empfangsmitarbeiter möchte ich alle drei Standorte in einem Kalender sehen, damit ich Überschneidungen verwalten kann.

Ausgabe Prompt 3 (Feature-Liste, gekürzt). Online-Buchung, Kalendersynchronisation, SMS- und E-Mail-Erinnerungen, Patientenkonten, Multi-Standort-Admin, einfache Berichte und ein Zahlungsschritt (Letzteres war erfunden; niemand hatte danach gefragt).

Ausgabe Prompt 4 (MoSCoW-Raster).

Ausgabe Prompt 5 (Schätzung, gekürzt). Mit Next.js, Supabase und Twilio und zwei Entwicklern: Must-have-Features bei rund 45 bis 60 Entwicklertagen, eine Kostenspanne von ca. 35.000 bis 55.000 €, und ein Zeitplan von 8 bis 10 Wochen. Riskanteste Schätzung markiert: die Multi-Standort-Kalenderlogik.

Ausgabe Prompt 6 (SOW-Auszug). „Im Scope: Online-Buchung, gemeinsamer Multi-Standort-Kalender, SMS-Erinnerungen (Twilio), Patientenkonten. Out of Scope: Zahlungen, Kassenabrechnung, native mobile App. Zeitplan: 8-10 Wochen. Budgetspanne: 35.000-55.000 €. [PRÜFEN] Twilio vs. alternativen SMS-Anbieter mit Kunden klären."

Wer das überfliegt, erkennt: Ein echter, unterschriftsfähiger Scope hat sich in einer Sitzung herausgebildet. Wenn Sie später intelligente Features hinzufügen wollen, setzt unser Leitfaden zur Integration von KI-Features in Ihre App genau dort an, wo dieser endet.

Wie schätzen Sie Kosten und Zeitplan mit KI?

Sie fordern das Modell auf, die Schätzung nach Feature in Tagen aufzuschlüsseln, einen bestimmten Tech-Stack vorauszusetzen, jede Annahme zu benennen und eine Spanne statt einer einzelnen Zahl zurückzugeben. Dann prüfen Sie diese Spanne gegen bekannte Markttiers – denn KI verankert Aufwandsschätzungen fast immer zu optimistisch.

Behandeln Sie KI-Schätzungen als Ausgangspunkt, nie als Angebot. Die nützlichste Einzelanweisung lautet: „Markieren Sie die drei riskantesten Schätzungen" – das zeigt Ihnen genau, wo Sie Ihr eigenes Urteil einsetzen müssen. Hier sind die Tiers, gegen die wir jede KI-Schätzung prüfen.

Diese Spannen decken sich mit veröffentlichten Agentur- und Marktplatz-Benchmarks; Clutchs App-Entwicklungskostenrecherche ist ein sinnvoller öffentlicher Referenzpunkt. Wenn Ihre KI-Schätzung deutlich unter dem relevanten Tier liegt, wurden wahrscheinlich Edge Cases übersehen. Das ist auch der Moment für die größere Frage: bauen oder kaufen. Ein Scope, der weit über das komplexe Tier hinausschießt, spricht manchmal für eine Kaufentscheidung statt Eigenentwicklung.

Welches KI-Tool sollten Sie für welchen Zweck verwenden?

Für die vollständige Kette nutzen Sie Claude Projects oder ChatGPT Projects, weil beide den Kontext über Prompts hinweg persistent speichern und die Ausgabe ohne erneutes Einfügen weitergeführt wird. Verwenden Sie eigenständige Agents erst, nachdem der Scope unterzeichnet ist und Sie wiederholbare Artefakte generieren. Für einmaliges Scoping schlägt Projects jeden Agent.

Wir führen die Kette in Claude Projects für die langkontextigen Schritte (User Stories, SOW-Zusammenstellung) aus und greifen auf ChatGPT zurück, wenn wir eine zweite Meinung zur Schätzung wollen. Laut Anthropics Projects-Dokumentation hält ein Project gemeinsamen Kontext und Anweisungen über eine Konversation hinweg – genau das, was ein 6-Prompt-Workflow für Claude Projects für Anforderungserhebung braucht. OpenAIs Projects funktionieren auf die gleiche Weise für ChatGPT-Prompts für die Softwareentwicklung.

Eine Technik, die sich lohnt: Teilen Sie die KI-Rolle pro Schritt auf. Sagen Sie ihr „Agieren Sie als Product Manager" für User Stories und „Agieren Sie als Senior Engineer" für die Schätzung. Der Rollenwechsel verändert die Denkweise – und der Engineer-Modus ist beim Aufwand merklich konservativer.

Sobald der Scope fertig ist und der Aufbau beginnt, verlagert sich die Toolfrage zu KI-Coding-Agents – das ist eine völlig andere Entscheidung.

Wo macht KI beim Scoping Fehler? Das manuelle Validierungs-Gate

KI macht beim Scoping Fehler auf vorhersehbare Weise: Sie erfindet Integrationen, die niemand angefordert hat, unterschätzt Edge Cases und Fehlerzustände, und halluziniert Compliance-Anforderungen oder lässt echte stillschweigend weg. Außerdem verankert sie Kostenabschätzungen zu optimistisch. All das ist nicht selten – es passiert bei praktisch jedem Durchlauf, weshalb das manuelle Gate nicht verhandelbar ist.

Schlechte Anforderungen sind teuer, egal ob ein Mensch oder ein Modell sie schreibt. PMIs Pulse of the Profession-Forschung ergab, dass ungenaue Anforderungserhebung bei rund 37 % der gescheiterten Projekte ein Hauptgrund für das Scheitern ist. Das Gate soll diese Fehler abfangen, bevor sie ein Angebot erreichen, nicht danach.

Die Lösung ist eine kurze Checkliste, die ein Mensch durchläuft, bevor ein Scope den Kunden erreicht:

• Erfundene Features löschen: Alles entfernen (Zahlungen, Exporte, Integrationen), was der Kunde nie verlangt hat.
• Fehlende Edge Cases ergänzen: Fehlgeschlagene Zahlungen, leere Zustände, Berechtigungen, Fehlerbehandlung.
• Jede Integration prüfen: Bestätigen, dass jeder genannte Drittanbieter-Service real, notwendig und budgetiert ist.
• Compliance-Aussagen kontrollieren: Jede Auth-, Datenschutz- oder regulatorische Anforderung bestätigen oder korrigieren, die die KI behauptet hat.
• Schätzung anpassen: Die optimistischen Zahlen gegen Ihre eigene Velocity adjustieren, besonders die markierten Risiko-Schätzungen.

KI wird selbstsicher einen Zahlungsflow scoppen, den sie selbst erfunden hat. Ihre Aufgabe ist es, die Teile zu löschen, die niemand verlangt hat.

Was wir aus realen Kundenprojekten gelernt haben

Bei unseren letzten Kundenprojekten landet ein erster SOW-Entwurf in etwa 2 bis 3 Stunden KI-Arbeit plus etwa 1 Stunde menschlicher Überprüfung – gegenüber 12 bis 16 Stunden manueller Discovery und Dokumentation. Das sind ehrliche Spannen aus unseren eigenen Durchläufen, keine präzisen Schlagzeilen-Statistiken. Die menschliche Stunde ist die, die wir nie einsparen werden.

Wir führen die Kette in Claude Projects aus, mit ChatGPT als Gegenprobe bei Schätzungen. Die eingesparte Zeit ist real – der eigentliche Wert liegt aber darin, jedes Mal dieselben drei Fehler abzufangen:

1. Sie erfindet Integrationen. Ein Zahlungsschritt im Zahnarztbeispiel, den niemand verlangt hatte. Bei fast jedem Scope gab es mindestens ein Phantom-Feature.
2. Sie unterschätzt Edge Cases. Fehlerzustände, leere Zustände und Admin-Flows fehlen regelmäßig oder werden zu gering geschätzt – genau dort, wo reale Budgets explodieren.
3. Sie handhabt Compliance und Auth falsch. Manchmal halluziniert sie eine Anforderung, manchmal lässt sie eine echte weg. Darauf verlassen wir uns nie.

Deshalb haben wir das obige manuelle Gate als festen Schritt eingebaut. Die Kette schreibt den Entwurf schnell; das Gate macht ihn sicher genug zum Versenden. Überspringen Sie das Gate, und Sie liefern nur eine selbstsichere, gut formatierte Vermutung.

Wie Techsy KI-gestütztes Scoping umsetzt

Diese Kette plus das manuelle Gate ist genau der Workflow, den wir für Kunden einsetzen, die Web-Apps bauen. Wir entwerfen schnell mit KI, dann validiert eine Person, die echte Projekte gebaut hat, jede Zeile, bevor sie zu einem Angebot wird. Wenn Sie den Scope lieber einem Team übergeben wollen, das das täglich macht, ist das genau das, was wir tun. Sie erhalten einen belastbaren SOW, ohne vorher für zwei Wochen Discovery-Calls zu zahlen.

Häufig gestellte Fragen

Kann KI einen Projektscope oder SOW schreiben?

Ja, KI kann einen vollständigen Projektscope oder ein Statement of Work entwerfen – einschließlich Problem, User Stories, Features, Prioritäten, Zeitplan und Budgetspanne. Führen Sie eine 6-Prompt-Kette in einem Claude- oder ChatGPT-Project aus. Der Entwurf ist als Ausgangspunkt verlässlich, aber ein Mensch muss ihn vor der Unterzeichnung validieren.

Was ist das beste KI-Tool zum Scoppen eines Softwareprojekts?

Claude Projects und ChatGPT Projects sind die besten Tools für das Scoping, weil beide den Kontext über die Prompt-Kette hinweg persistent speichern, sodass jede Ausgabe in die nächste einfließt. Wir nutzen Claude Projects für langkontextige Schritte wie User Stories und SOW-Zusammenstellung, und ChatGPT als zweite Meinung zu Schätzungen. Agents sind besser für die Post-Scope-Entwicklungsarbeit geeignet.

Wie nutzen Sie ChatGPT oder Claude zur Anforderungserhebung?

Führen Sie die Prompt-Kette der Reihe nach aus: Fragen Sie zuerst nach einer Problemstellung und Zielen, dann nach User Stories mit Akzeptanzkriterien, dann nach einer Feature-Liste, dann nach MoSCoW-Priorisierungen. Halten Sie alles in einem Project, damit der Kontext durchgängig erhalten bleibt. Die Ausgabe jedes Prompts wird zur Eingabe für den nächsten – das macht die KI-Anforderungserhebung schnell.

Kann KI Softwareprojektkosten und Zeitplan schätzen?

Ja, aber nur als Ausgangspunkt. Fordern Sie das Modell auf, die Schätzung nach Feature in Tagen aufzuschlüsseln, einen bestimmten Stack vorauszusetzen, seine Annahmen zu benennen und eine Spanne zurückzugeben. Prüfen Sie dann gegen Markttiers: 10.000-50.000 € für ein einfaches MVP, bis zu 150.000 € oder mehr für komplexe Apps. KI neigt dazu, zu optimistisch zu schätzen.

Ist ein KI-generierter Scope tatsächlich verlässlich?

Verlässlich für einen ersten Entwurf, nicht für die Unterzeichnung. KI erstellt schnell einen gut strukturierten Scope, erfindet aber Integrationen, unterschätzt Edge Cases und handhabt Compliance bei nahezu jedem Durchlauf falsch. Behandeln Sie die Ausgabe als schnellen Entwurf und führen Sie dann ein manuelles Validierungs-Gate durch, um erfundene Features zu löschen und fehlende Edge Cases zu ergänzen, bevor jemand unterzeichnet.

Wie verwandle ich eine grobe Idee mit KI in eine Spezifikation?

Beginnen Sie mit Prompt 1: Fügen Sie Ihre Idee in zwei bis vier Sätzen ein und bitten Sie die KI, eine Problemstellung, SMART-Ziele und die getroffenen Annahmen zu schreiben. Führen Sie dann die nächsten fünf Prompts der Reihe nach aus. Mit Prompt 6 haben Sie einen SOW-Entwurf. Die gesamte Kette dauert ein paar Stunden statt Tage.

Ersetzt KI-gestütztes Scoping eine Discovery-Phase?

Nein, es komprimiert die Discovery, ersetzt sie aber nicht. Sie brauchen weiterhin echte Stakeholder-Gespräche, um zu wissen, was der Kunde wirklich will. KI übernimmt Entwurf und Strukturierung und verwandelt Ihre Notizen in Anforderungen und einen SOW in Stunden. Menschen validieren, priorisieren und treffen die endgültigen Scope-Entscheidungen.

Wie lange dauert es, eine Web-App mit KI zu scoppen?

Nach unserer Erfahrung benötigt ein erster SOW-Entwurf etwa 2 bis 3 Stunden KI-Arbeit plus rund 1 Stunde menschliche Überprüfung – gegenüber 12 bis 16 Stunden manueller Discovery und Dokumentation. Die KI-Zeit ist schnell; die Überprüfungsstunde ist nicht verhandelbar, denn dort fangen Sie die Features ab, die KI erfunden hat, und die Edge Cases, die sie übersehen hat.