KI und Kausalität: Wie QFD für mehr Qualität in der KI sorgt

Was, wenn die größte Schwäche aktueller KI-Modelle - ihre Unfähigkeit zu echtem Ursache-Wirkungs-Denken - mit einer jahrzehntealten Qualitätsmanagement-Methode behoben werden könnte? In dieser Episode des Podcasts Software Testing & Qualität spricht Host Richard Seidl mit Thomas Fehlmann, einem Experten für Six Sigma und Quality Function Deployment (QFD). Gemeinsam erkunden sie, wie die Prinzipien des QFD nicht nur helfen können, Softwaretests präzise auf den Kundennutzen auszurichten, sondern auch den Weg zu einer erklärbaren und damit vertrauenswürdigen KI ebnen könnten. Diese Diskussion ist essenziell für alle, die im Bereich Softwareentwicklung, Test und KI-Anwendung tätig sind und verstehen möchten, wie man von bloßer Funktionalität zu echtem, messbarem Mehrwert für den Kunden gelangt.

Das Wichtigste auf einen Blick

• Die Achillesferse der KI: Thomas Fehlmann stellt klar, dass Large Language Models (LLMs) aufgrund ihrer Architektur auf Mustererkennung und Wahrscheinlichkeiten basieren, aber keine echten Kausalzusammenhänge verstehen. Halluzinationen sind daher kein Fehler, sondern eine systemimmanente Eigenschaft.
• Quality Function Deployment (QFD) als Lösung: QFD ist eine systematische Methode, die über Matrizen die Stimme des Kunden (Customer Needs) in konkrete technische Merkmale und Entwicklungs- oder Testprioritäten übersetzt. Sie erzwingt ein klares Ursache-Wirkungs-Denken.
• Tests am Kundennutzen ausrichten: Durch die Anwendung von QFD können Teams Tests identifizieren und priorisieren, die den größten Beitrag zum Kundennutzen leisten. Das Ergebnis: weniger, aber deutlich effektivere Tests und eine gezieltere Ressourcennutzung.
• Das Skalierungsproblem von QFD: Ein Grund für die geringe Verbreitung von QFD in der Softwareentwicklung war bisher die enorme Größe der Matrizen bei Tausenden von User Stories und Testfällen. Ironischerweise liefert die für KI entwickelte Rechenleistung heute die Lösung für dieses Problem.
• Vision einer hybriden KI: Die Kombination der massiven Datenverarbeitungsfähigkeiten von LLMs mit der logischen Struktur von QFD könnte zu einer neuen Generation von KI führen - einer KI, die ihre Entscheidungen begründen kann, nicht halluziniert und sogar für sicherheitskritische Bereiche wie die Automobilindustrie zertifizierbar wäre.

Die Schwachstelle moderner KI: Fehlendes kausales Denken

Zu Beginn des Gesprächs legt Thomas den Finger in die Wunde der aktuellen KI-Entwicklung. Er erklärt, dass neuronale Netze, die seit rund 80 Jahren bekannt sind, hervorragend Muster erkennen, aber in ihrer Logik begrenzt sind. Ein LLM kann nicht wirklich erklären, warum es zu einer bestimmten Antwort kommt, weil sein Prozess auf statistischen Wahrscheinlichkeiten beruht, nicht auf einem Verständnis von Ursache und Wirkung. Diese fundamentale Schwäche führt zu den bekannten Halluzinationen. Für Thomas ist die Forderung nach einer erklärbaren KI (Explainable AI) daher ein direkter Hinweis auf das, was fehlt. Genau hier setzt seine Argumentation an: Um eine robustere und vertrauenswürdigere KI zu schaffen, müssen wir Modelle entwickeln, die Kausalität berücksichtigen. In der Schweiz, so erwähnt er, forschen bereits Start-ups wie Cioto AI an solchen hybriden Ansätzen.

Quality Function Deployment (QFD): Die Brücke zwischen Kundenwunsch und Technik

Als Gegenentwurf zur Blackbox der LLMs stellt Thomas die Methode des Quality Function Deployment vor. QFD, ursprünglich in Japan entwickelt, ist ein Werkzeug, um Kundenanforderungen systematisch in die Sprache der Entwicklung und Produktion zu übersetzen. Das Kernstück sind Matrizen, in denen Zusammenhänge bewertet werden - zum Beispiel, wie stark eine bestimmte technische Funktion (z. B. Einstellbare Kaffeestärke) einen spezifischen Kundenwunsch (z. B. Ich will starken, italienischen Kaffee) erfüllt. Das Ziel ist, mit dem geringsten Aufwand den größtmöglichen Nutzen zu erzielen, indem man sich auf die Merkmale konzentriert, die den höchsten Einfluss auf die Kundenzufriedenheit haben. Dieser Prozess zwingt die Teams, explizit über Ursache-Wirkungs-Ketten nachzudenken und Annahmen zu validieren.

Vom Kundennutzen zum Testfall: QFD in der Praxis

Für den Bereich Softwaretest bietet QFD einen unschätzbaren Vorteil: die Priorisierung. Richard hebt hervor, dass die Fokussierung auf den Kundennutzen hilft, die schier unendliche Menge möglicher Tests zu bewältigen. Thomas stimmt zu und führt aus, dass man mit QFD eine klare Verbindung von einem Testfall zurück zum ursprünglichen Kundenbedürfnis herstellen kann. So lassen sich gute von weniger guten Testfällen unterscheiden. Ein gut getestetes Produkt lässt sich zwar nicht unbedingt teurer verkaufen, aber die Methode reduziert den Testaufwand drastisch, indem sie sich auf das Wesentliche konzentriert. Unverzichtbare Aspekte wie Security oder Privacy, so Thomas, sind dabei Grundvoraussetzungen, die ein Kunde implizit erwartet. Als konkretes Beispiel für den Erfolg von QFD nennt er Škoda, wo die Methode half zu erkennen, dass ein spezieller Platz für die Handtasche der Fahrerin ein wichtiges, aber oft übersehenes Kundenbedürfnis ist.

Thomas geht sogar noch einen Schritt weiter und skizziert die Vision personalisierter Tests. Ein Auto könnte nach einem Over-the-Air-Update in der heimischen Garage gezielt nur jene neuen Funktionen testen, die für den jeweiligen Besitzer relevant sind. Dies wäre ein Schritt weg von der Massenproduktion hin zu einer individualisierten Qualitätssicherung im Sinne der Industrie 4.0.

Warum QFD (noch) ein Nischenthema ist - und wie KI das ändern könnte

Richard stellt die berechtigte Frage, warum eine so nützliche Methode wie QFD nicht weiter verbreitet ist. Thomas nennt zwei Hauptgründe. Erstens erfordert QFD in der Softwareentwicklung oft funktionale Modelle, die bei Entwicklern unbeliebt sind, da sie von Managern fälschlicherweise zur Leistungsmessung missbraucht werden können (mehr Funktionen = mehr Gehalt). Das Hauptproblem ist jedoch die Skalierbarkeit. Eine Matrix, die 20 User Stories mit 25 Test-Szenarien vergleicht, ist noch handhabbar. In der Realität mit Tausenden von User Stories und noch mehr Testfällen werden die Matrizen jedoch gigantisch und unüberschaubar. Hier schließt sich der Kreis zur KI: Die technologischen Durchbrüche seit 2014, die das Training von LLMs auf riesigen, dünn besetzten Matrizen ermöglichen, liefern genau die Werkzeuge, um QFD im großen Stil anwendbar zu machen.

Praktische Schritte zur Integration von QFD-Prinzipien

Auch wenn die vollständige Integration von QFD und KI noch Zukunftsmusik ist, kannst du die grundlegenden Prinzipien bereits heute in deiner Arbeit anwenden, um den Fokus auf den Kundennutzen zu schärfen. Thomas Fehlmanns Ausführungen lassen sich in folgende praktische Schritte übersetzen:

1. Beginne mit dem Warum: Frage bei jeder neuen Funktion oder jedem Testfall konsequent: Welchen konkreten Kundennutzen erfüllt das? Versuche, eine klare Ursache-Wirkungs-Kette vom technischen Detail bis zum zufriedenen Kunden aufzubauen.
2. Erstelle eine einfache Matrix: Du musst nicht sofort ein komplexes System aufsetzen. Beginne mit einer kleinen Matrix in einer Tabelle, um die wichtigsten Kundenanforderungen (Zeilen) gegen die geplanten Features (Spalten) abzugleichen. Bewerte die Zusammenhänge (z. B. mit stark, mittel, schwach) und diskutiere die Ergebnisse im Team.
3. Nutze Kundenfeedback systematisch: Analysiere Kundenfeedback, zum Beispiel aus Umfragen mit dem Net Promoter Score (NPS), nicht nur oberflächlich. Suche gezielt nach den Ursachen für Begeisterung oder Frustration. Diese Erkenntnisse sind der wertvollste Input für deine Feature-Planung und Teststrategie.
4. Priorisiere Tests rigoros: Anstatt zu versuchen, alles zu testen, konzentriere deine Testautomatisierung und dein Exploratory Testing auf die Bereiche, die laut deiner Analyse den größten Einfluss auf die Kundenzufriedenheit haben. Akzeptiere, dass Tests für Funktionen mit geringem Kundennutzen weniger Priorität haben.
5. Berücksichtige implizite Erwartungen: Denke daran, dass Kunden nicht alle ihre Bedürfnisse explizit äußern. Grundlegende Qualitätsmerkmale wie Sicherheit, Zuverlässigkeit und Performance (die sogenannten Basiserwartungen) sind essenziell und müssen immer Teil deiner Definition of Done sein, auch wenn sie nicht in jeder User Story erwähnt werden.