DECISION-LAB
Ein einzelner Change Request ist der Ausgangspunkt der gesamten Analyse. Alles, was in den folgenden Intelligence-Schichten entsteht, wird aus diesem Input abgeleitet.
Die fachliche Präzisierung, Rollenbewertung, Governance-Prüfung, Story-Ableitung und Umsetzungsentscheidung entstehen erst in den folgenden Abschnitten.
Der ursprüngliche Change Request ist erfasst. Bevor die Analyse beginnt, erklärt Decision-Lab, warum der Input nicht direkt beantwortet, sondern strukturiert verarbeitet wird.
Decision-Lab wurde bewusst nicht als einfache Chatbot-Antwort gebaut. Ein einzelnes LLM kann überzeugend formulieren, aber bei Requirements, Architektur, Governance und Delivery-Entscheiden fachliche Regeln erfinden, technische Annahmen vermischen oder wichtige Risiken übersehen.
Deshalb zerlegt Decision-Lab den Change Request in mehrere Intelligence-Schichten. Jede Schicht hat eine begrenzte Aufgabe. Jede Rolle bewertet denselben Input aus ihrer eigenen Verantwortung. Die Ergebnisse werden geprüft, normalisiert, konsolidiert und als vollständige Evidenz sichtbar gemacht.
Diese Architektur ist besonders wichtig, weil der MVP lokal läuft. Das System arbeitet mit einem kleinen 3B-Modell auf kompakter Hardware. Qualität entsteht hier nicht durch rohe Modellgrösse, sondern durch klare Rollen, kontrollierte Verarbeitungsschritte, Governance-Regeln und vollständige Nachvollziehbarkeit.
Decision-Lab nutzt den Agent Swarm Intelligence Stack nicht als technische Spielerei. Der Stack ist eine bewusste Antwort auf die Grenzen eines lokalen MVP-Setups.
Das Modell qwen2.5:3b läuft lokal auf einem NAB9 mit Intel i9-12900HK und Intel Iris Xe Graphics (96 EU). Diese Umgebung ist kompakt, unabhängig und gut nachvollziehbar, aber sie ersetzt keine grosse GPU-Infrastruktur und kein grosses Cloud-LLM.
Darum darf das System nicht darauf vertrauen, dass eine einzelne Modellantwort alles richtig macht. Stattdessen wird der Entscheidungsprozess strukturiert.
Der ursprüngliche Change Request wird zuerst unverändert übernommen. Danach wird er klassifiziert, mit Knowledge-Kontext angereichert, in Rollenperspektiven übersetzt, durch Agents bewertet, auf Struktur geprüft, normalisiert und zu einem Governance-Entscheid konsolidiert.
Diese Struktur reduziert Halluzinationsrisiken. Nicht, weil das Modell plötzlich unfehlbar wird. Sondern weil die Antwort nicht mehr unkontrolliert als ein einziger Text entsteht. Fachliche Analyse, Produktbewertung, technische Prüfung, Architekturperspektive, Testbarkeit, Governance, Pattern-Empfehlungen, Lösungsskizze und Entscheidungslogik werden getrennt betrachtet und anschliessend nachvollziehbar zusammengeführt.
Wenn ein Agent unsauber antwortet, wenn ein Output nicht als JSON erkannt wird oder wenn Knowledge-Kontext in eine falsche Richtung zeigt, wird das nicht versteckt. Es bleibt im Full-Evidence-Bereich sichtbar. Das ist Teil des Konzepts.
Decision-Lab soll nicht nur schöne Antworten erzeugen. Es soll prüfbare Entscheidungswege zeigen. Gerade mit einem kleinen lokalen Modell ist Transparenz wichtiger als perfekte Oberfläche.
Der Nutzen liegt deshalb nicht darin, dass jeder einzelne Agent immer perfekt antwortet. Der Nutzen liegt darin, dass der gesamte Entscheidungsweg sichtbar wird. Aus einem einfachen Requirement entsteht eine nachvollziehbare Entscheidungsgrundlage. Nicht durch eine einzelne KI-Antwort. Sondern durch einen strukturierten, lokalen und überprüfbaren Agent-Swarm-Prozess.
Die Architekturentscheidung ist begründet. Jetzt zeigt der Stack, welche sechs Intelligence-Schichten den Change Request konkret verarbeiten.
Decision-Lab bewertet einen Change Request nicht als einzelne KI-Antwort. Der Input durchläuft mehrere Intelligence-Schichten. Fachliche Rollen, Governance, Patterns, Lösungsskizzen, Architektur-Blueprints und Entscheidungslogik greifen ineinander. Dadurch entsteht eine nachvollziehbare Entscheidungsgrundlage mit vollständiger Evidenz.
Blueprint
Der Agent Swarm Intelligence Stack zeigt die innere Verarbeitungslogik der Simulation. Die folgenden Abschnitte 04 bis 13 zeigen die daraus entstehenden Ergebnisräume in einer lesbaren Reihenfolge.
Die folgenden Intelligence-Schichten zeigen, wie Decision-Lab den ursprünglichen Change Request verarbeitet. Jede Schicht ergänzt eine eigene Perspektive. Erst aus dem Zusammenspiel entsteht der konsolidierte Entscheidungsreport.
Aus dieser Sequenz entsteht ein Entscheidungsreport mit mehreren strukturierten Komponenten. Die Farbe einer Komponente verweist auf die Quell-Schicht in der Grafik.
Der Intelligence Stack übergibt den ursprünglichen Change Request an spezialisierte Rollenagenten. Jeder Agent erhält denselben Input, aber einen eigenen Auftrag, Kontext und Output-Vertrag.
Jeder Agent erhält denselben Change Request, aber einen eigenen fachlichen Auftrag. Aus Rolle, Knowledge-Kontext und Analysefokus entsteht ein rollenbezogener Prompt. Das lokale LLM erzeugt daraus eine Antwort. Decision-Lab prüft danach, ob diese Antwort als strukturierter JSON-Output verwendbar ist. Valide Outputs werden normalisiert und konsolidiert. Nicht valide Outputs werden nicht versteckt, sondern als Fallback markiert und im Full-Evidence-Bereich sichtbar gemacht.
Ein Decision-Lab Agent besteht aus mehreren Ebenen.
Fachlich besitzt der Agent eine Rolle. Diese Rolle bestimmt, worauf der Agent achtet. Der Business Analyst sucht fachliche Lücken, fehlende Business Rules und offene Fragen. Der Product Owner bewertet Business Value, MVP-Scope und Priorität. Der Developer betrachtet Datenmodell, Validierungen, Fehlerfälle und technische Auswirkungen. Der Solution Architect prüft Systemgrenzen, Integration, Ownership und Rückwärtskompatibilität. Der Tester bewertet Testbarkeit, Akzeptanzkriterien, Fehlerfälle und Regression.
Technisch erhält jeder Agent einen Prompt. Dieser Prompt kombiniert den ursprünglichen Change Request, die Rollenbeschreibung, den Analyseauftrag, gegebenenfalls Knowledge-Kontext und die erwartete Output-Struktur.
Das LLM erzeugt daraus eine Antwort. Diese Antwort ist zunächst ein Rohoutput des Modells. Danach prüft Decision-Lab, ob die Antwort als JSON erkannt werden kann.
Wenn JSON erkannt wird, kann das Ergebnis strukturiert weiterverarbeitet werden. Wenn JSON nicht erkannt wird, wird die Antwort nicht verworfen. Sie wird als strukturierter Fallback markiert. Dadurch bleibt sichtbar, dass ein Agent geantwortet hat, aber der Output nicht vollständig maschinell auswertbar war. Ein Fallback ist ein Transparenzmechanismus, kein Systemabbruch.
Anschliessend werden Agentenoutputs normalisiert. Bekannte sprachliche Unschärfen, technische Rohwerte oder Strukturabweichungen können markiert und für den konsolidierten Report vorbereitet werden.
Erst danach fliessen die Rollenbeiträge in die weiteren Ebenen ein: Requirement Intelligence, Governance Intelligence, Pattern Intelligence, Story Intelligence, Solution Intelligence, Decision Intelligence und Full Evidence.
Diese Verarbeitung ist wichtig, weil Decision-Lab nicht blind einer einzelnen LLM-Antwort vertraut. Die Simulation macht sichtbar, welche Agenten strukturiert geantwortet haben, wo Fallbacks entstanden sind und welche Rohdaten der Entscheidung zugrunde liegen.
Knowledge-Kontext bedeutet, dass ein Agent nicht nur den Change Request sieht, sondern zusätzlich ausgewählte Hintergrundinformationen erhält. Diese Informationen werden rollenbezogen zugesteuert. Im aktuellen MVP ist Knowledge-Kontext ein statischer, kategorisierter Textkontext. Er unterstützt die Rollenanalyse, ist aber noch keine Live-Auswertung einer echten Datenbank, keiner echten OpenAPI-Spezifikation und keiner echten UI-zu-API-zu-DB-Abbildung.
Im aktuellen MVP unterstützt Knowledge die Rollenanalyse durch gerouteten Kontext. Es ist aber noch keine echte Live-Systemanalyse. Künftige Versionen sollen Knowledge direkt aus Datenbankstruktur, OpenAPI-Spezifikation, REST-Endpunkten, UI-Flows und API-zu-DB-Mapping speisen.
Der Knowledge-Kontext ist im aktuellen MVP eine strukturierte Zusatzbasis für die Agenten.
Das System entscheidet nicht blind, jedem Agenten alles zu geben. Stattdessen wird Knowledge rollenbezogen geroutet. Ein Business Analyst benötigt vor allem fachliche Regeln, Prozesshinweise und Governance-Fragen. Ein Developer benötigt eher Datenmodell-, Validierungs-, Fehlerfall- und Integrationshinweise. Ein Solution Architect benötigt Architektur-, API-, Ownership-, Security- und Integrationskontext. Ein Tester benötigt Testbarkeit, Akzeptanzkriterien, Fehlerfälle, Regression und Testdatenhinweise.
Im aktuellen MVP ist dieser Knowledge-Kontext statisch. Das bedeutet: Die Inhalte stammen aus vorbereiteten Kategorien und Textkontexten. Dazu gehören zum Beispiel Business Governance, Process Governance, API Governance, Data Model, Solution Patterns, Security, Compliance, Testing und Runtime-Kontext.
Diese Knowledge-Schicht hilft dem kleinen lokalen LLM, nicht völlig frei zu antworten. Sie gibt dem Agenten Struktur, Begriffe, typische Risiken und bekannte Pattern mit.
Gleichzeitig ist wichtig, diese Grenze ehrlich zu zeigen. Der aktuelle Knowledge-Kontext liest noch nicht live aus einer echten Projektdatenbank. Er analysiert noch nicht automatisch echte Tabellen, Spalten, Datentypen, Primary Keys, Foreign Keys, Constraints oder Indizes. Er prüft noch keine realen REST-Endpunkte und keine echte OpenAPI-Spezifikation. Er kennt auch noch keine vollständige Verbindung zwischen UI-Maske, API-Endpunkt, Service-Logik und Datenbanktabelle.
Darum kann der aktuelle Knowledge-Kontext helfen, bessere Fragen zu stellen und typische Risiken sichtbar zu machen. Er darf aber nicht als endgültige technische Wahrheit verstanden werden.
Wenn im Full-Evidence-Bereich domänenfremde oder generische Knowledge-Fragmente sichtbar werden, ist das kein Grund, diese zu verstecken. Es zeigt die aktuelle Grenze des MVP. Genau deshalb ist Full Evidence wichtig: Der Leser sieht nicht nur die kuratierte Hauptansicht, sondern auch, welche Rohdaten und Knowledge-Kontexte im Hintergrund mitgewirkt haben.
Zielbild für spätere Versionen: Knowledge soll künftig nicht nur aus statischen Textdateien bestehen, sondern aus echten, überprüfbaren Projektquellen gespeist werden. Dazu gehören: echtes Datenbankschema, Tabellen, Spalten, Datentypen, Primary Keys, Foreign Keys, Constraints, Indizes, reale REST-Endpunkte, OpenAPI-Spezifikation, Request- und Response-Strukturen, Statuscodes, Fehlermodelle, Berechtigungsmodell, RBAC- und Ownership-Regeln, Audit- und Compliance-Regeln, UI-Flows, Mapping von UI zu API zu Datenbank, bestehende Business Rules, bestehende Prozessmodelle und Schnittstellen zu Umsystemen.
Dann könnte ein Agent nicht nur allgemein sagen, dass ein Datenmodell geprüft werden muss. Er könnte konkret prüfen, ob eine Tabelle existiert, welche Felder fehlen, welche API betroffen ist, ob ein Endpoint bereits vorhanden ist, ob ein Breaking Change droht und ob die UI überhaupt eine passende Eingabestruktur hat. Damit wird aus Knowledge später eine echte technische Quellenbasis.
Die vorherigen Verarbeitungsschichten erzeugen für jede Rolle einen eigenen Agentenoutput. Diese Rollenoutputs zeigen Fachfokus, Risiko, Governance-Wirkung, Strukturqualität und Detaildaten des Runs.
- !Maximale Anzahl speicherbarer Rechnungsadressen pro Kunde ist nicht spezifiziert.
- !Regel zur Standard-Rechnungsadresse ist nicht spezifiziert.
- !Lösch- oder Deaktivierungsverhalten für Rechnungsadressen ist nicht spezifiziert.
- !Gültigkeits- und Validierungsregeln je Rechnungsadresse sind nicht spezifiziert.
- !Regel zur Verwendung einer Rechnungsadresse in bestehenden Rechnungsprozessen ist nicht spezifiziert.
- ›Eine neue Rechnungsadresse kann einem Kundenkonto hinzugefügt werden.
- ›Eine bestehende Rechnungsadresse kann geändert werden.
- ›Eine bestehende Rechnungsadresse kann gelöscht oder deaktiviert werden, sofern fachlich erlaubt.
- ›Eine Rechnungsadresse kann als Standard-Rechnungsadresse festgelegt werden, sofern diese Regel fachlich vorgesehen ist.
- ›Bestehende Rechnungsprozesse bleiben nach der Erweiterung kompatibel.
- ?Gibt es eine maximale Anzahl von Rechnungsadressen pro Kunde?
- ?Muss genau eine Standard-Rechnungsadresse existieren?
- ?Welche Rechnungsadresse wird verwendet, wenn keine Standardadresse definiert ist?
- ?Welche Pflichtfelder und Validierungsregeln gelten je Rechnungsadresse?
- ?Was passiert mit bestehenden Rechnungen, wenn eine Rechnungsadresse geändert oder gelöscht wird?
- ›Mehrere Rechnungsadressen können den fachlichen Nutzen für Kunden mit unterschiedlichen Rechnungskontexten erhöhen.
- !MVP-Fit und Scope-Abgrenzung müssen fachlich bestätigt werden.
- !Keine expliziten Scope-Risiken aus dem Original ableitbar.
- ?Welcher fachliche Nutzen soll im MVP zuerst abgedeckt werden?
- ?Welche Regeln gehören zwingend in den MVP und welche können später folgen?
- ?Welche verbindliche Governance-Bewertung liefert der Product Owner für den Product-Owner-Governance-Entscheid?
- !Das Datenmodell für mehrere Rechnungsadressen pro Kunde muss konkretisiert werden.
- !Pflichtfelder, Gültigkeitsregeln und zulässige Werte je Rechnungsadresse müssen geklärt werden.
- ✕Fehlerfälle für ungültige, unvollständige oder widersprüchliche Rechnungsadressen müssen definiert werden.
- ✕Das Verhalten bei fehlenden Pflichtangaben muss festgelegt werden.
- ✕Auswirkungen auf bestehende Rechnungsprozesse und Datenflüsse müssen geprüft werden.
- ?Welche Pflichtfelder gelten je Rechnungsadresse?
- ?Wie werden ungültige oder unvollständige Rechnungsadressen behandelt?
- ✕Systemgrenzen für Verwaltung und Verwendung mehrerer Rechnungsadressen müssen geklärt werden.
- ✕Datenverantwortung für Rechnungsadressen und deren fachliche Regeln muss geklärt werden.
- !Rückwärtskompatibilität bestehender Rechnungsprozesse und Integrationen muss bewertet werden.
- ›Keine offenen Architekturfragen aus dem Original ableitbar — aber Systemgrenzen fehlen explizit.
- !Akzeptanzkriterien für Erfassen, Ändern, Löschen und Festlegen einer Standard-Rechnungsadresse müssen definiert werden.
- ✓Eine neue Rechnungsadresse kann einem Kundenkonto hinzugefügt werden.
- ✕Ungültige, unvollständige oder doppelte Rechnungsadressen werden geprüft.
- ✕Regression bestehender APIs und bestehender Rechnungsprozesse muss geprüft werden.
Die Rollen-Auswertungen werden nun verdichtet. Aus fachlichen Lücken, offenen Fragen, Produkt- und Technikhinweisen entsteht die Requirement-Sicht mit Anforderungstyp, RES-v1 Bewertung, IREB-Präzisierung und offenen Klärungen.
Die Rollenoutputs aus 04 werden hier in eine Requirement-Sicht verdichtet. RES-v1 bleibt konservativ. Die IREB-Präzisierung macht den fachlichen Kern sichtbar, ohne neue Business Rules zu erfinden.
RES-v1 verändert das Original nicht frei, wenn keine sicher ableitbare zusätzliche Business Rule vorliegt. Das verhindert Halluzinationen und schützt davor, nicht belegte Fachlichkeit in das Requirement einzubauen.
Die vollständige IREB-Anforderungskomposition wird im Abschnitt „IREB-Satzschablonen-Präzisierung und Rollenbeiträge" ausgewiesen.
- RES-v1 erzeugt keinen freien alternativen Requirement-Vorschlag. Die IREB-Präzisierung macht den fachlichen Kern des vorhandenen Requirements sichtbar, ohne neue Business Rules zu erfinden.
- Die vollständige präzisierte Anforderung besteht aus Kernanforderung plus expliziten Randbedingungen aus dem Original.
- Die Kernanforderung allein ersetzt nicht den vollständigen Original-Change-Request.
- Keine zusätzlichen expliziten Randbedingungen wie Länder-, Steuer- oder Validierungsregeln sind im Original-Change-Request genannt.
Diese Qualitätsanforderungen sind als geplanter MVP-2.0-Ausbaubereich gekennzeichnet. Sie sind nicht als aktuelles Analyseergebnis dieses Core-Reports ausgewiesen und wurden noch nicht bewertet.
- Welche Art und Weise sollen die zusätzlichen Rechnungsadressen gespeichert werden (z.B. separater Tab oder Eintrag pro Adresse)?
- Welche verbindliche Governance-Bewertung liefert der Product Owner für den Product-Owner-Governance-Entscheid?
- Wie sollte man die Verwendung und Identifikation von zusätzlichen Rechnungsadressen im System umsetzen?
- Wird die spezifische Struktur der Rechnungsadresse in den Anforderungen bereits erfasst?
Originale Agent-Rohfragen aus dem Run, unbereinigt. Sie überschneiden sich teilweise mit den normalisierten Klärungen oben.
- Welche Länder sind relevant für die neue Regelsystem?Agent-Rohfrage
- Welche Steuerregelungen müssen unterstützt werden?Agent-Rohfrage
- Wie werden die Rechnungsadressen internal verwaltet (z.B. bei Zahlungsprozessen)?Agent-Rohfrage
- Welche Art von Validierung soll implementiert werden? (Singular oder plural?)Agent-Rohfrage
Die präzisierte Requirement-Sicht wird nun auf Umsetzungsfähigkeit, Risiken und Governance geprüft.
Wie aus Agentenoutputs ein Governance Gate entsteht
Der Wert 24 / 100 bedeutet in dieser Darstellung: Der Change Request ist fachlich nachvollziehbar, aber aus Governance-Sicht aktuell deutlich nicht umsetzungsreif.
Wenn weniger offene Business Rules auftreten, keine Vetorolle blockiert und die Architektur- und Testbarkeitssicht stabiler ist, kann der Release Readiness Score höher ausfallen. Wenn zusätzliche Vetos, Fallbacks oder kritische Risiken auftreten, kann der Score niedriger ausfallen oder der Status weiterhin blockiert bleiben.
Die Bewertung entsteht aus dem konkreten Run. Die LLM-Agenten liefern Rollenanalysen. Die Governance-Konsolidierung leitet daraus Status, Score, Gewichtung, Veto und Release Readiness ab. Bei anderen Run-Daten können sich diese Werte ändern.
Diese Erklärung beschreibt die Herkunft und Interpretation der vorhandenen Governance-Werte. Sie ersetzt keine vollständige technische Scoring-Dokumentation.
Die Governance-Bewertung zeigt Risiken und Blocker. Pattern Intelligence macht mögliche Strukturmuster sichtbar, ohne eine Umsetzung freizugeben.
Patterns helfen, die Lösung nicht frei zu erfinden, sondern an bekannten Strukturmustern auszurichten. Sie sind Empfehlungen, keine fertige Umsetzung.
Aus Requirement, Rollenbeiträgen, Governance und Patterns entsteht nun ein agiler Story-Kandidat mit klarer Abgrenzung zur Delivery Pipeline.
Aus Requirement Intelligence, Governance-Bewertung und Rollenbeiträgen entsteht ein fachlich abgeleiteter agiler Story-Kandidat. Dieser Bereich zeigt Epic-Vorschlag, User Story 1, Akzeptanzkriterien, offene Business Rules, DoR-Entwurf, DoD-Entwurf und Testhinweise. Die Story ist fachlich abgeleitet, aber noch nicht delivery-ready.
Diese User Story beschreibt Nutzerziel und fachlichen Nutzen, ist aber noch nicht zur Umsetzung freigegeben.
- ›Fachlicher Scope ist geklärt.
- ›Offene Business Rules sind entschieden.
- ›Akzeptanzkriterien sind fachlich bestätigt.
- ›Datenmodell-Auswirkungen sind grob verstanden.
- ›API- und Prozessauswirkungen sind bewertet.
- ›Testdaten und Testfälle sind ableitbar.
- ›Governance-Blocker sind geklärt oder bewusst akzeptiert.
- ✓Die Funktion erfüllt die bestätigten Akzeptanzkriterien.
- ✓Positive Testfälle sind erfolgreich durchgeführt.
- ✓Negative Testfälle und Fehlerfälle sind geprüft.
- ✓Regression bestehender Rechnungsprozesse und relevanter APIs ist geprüft.
- ✓Relevante fachliche und technische Dokumentation ist aktualisiert.
- ✓Keine offenen Blocker aus Architektur, Testing oder Governance bestehen.
- ✓Neue Rechnungsadresse kann hinzugefügt werden.
- ✓Bestehende Rechnungsadresse kann geändert werden.
- !Ungültige, unvollständige oder doppelte Rechnungsadressen werden geprüft.
- ✕Regression bestehender APIs und Rechnungsprozesse muss geprüft werden.
Der Story-Kandidat zeigt fachliches Ziel, offene Business Rules und Delivery-Grenzen. Solution Intelligence verdichtet daraus eine erste fachlich-technische Lösungsrichtung, ohne eine Umsetzung freizugeben.
Aus Requirement, Governance, Pattern und Story entsteht hier keine fertige Lösung, sondern ein Lösungskorridor. Solution Intelligence zeigt, welche fachlich-technischen Richtungen plausibel sind und welche Entscheidungen vor Umsetzung noch offen bleiben.
Originale Lösungshinweise aus den Agentenläufen, teilweise mit unsauberen Formulierungen. Sie bleiben als Evidenz sichtbar.
- !API-Auswirkung berücksichtigen: APIs müssen die neue Komplexität ertragen (z.B. mehrere Adressen) Agent-Rohbeitrag
- !Ownership-Regel definieren: Ownership der Rechnungsadressen, Länder- und Steuerregeln ist nicht klar definiert Agent-Rohbeitrag
Die Lösungsskizze wird nun in technische und fachliche Zielbereiche eingeordnet. Der Blueprint zeigt Verantwortungsbereiche und Architekturgrenzen, ersetzt aber kein technisches Design.
Architecture Blueprint Intelligence ordnet die Lösungsskizze in technische und fachliche Zielbereiche ein. Die Layer zeigen, wo Verantwortung, Prüfung und spätere Spezifikation notwendig sind. Der Blueprint ist high-level und bleibt bewusst unterhalb einer technischen Detailarchitektur.
Die Architektur- und Lösungshinweise werden mit Governance, Risiken, Rollenbeiträgen und offenen Fragen zusammengeführt. Daraus entsteht der konsolidierte Entscheid.
Aus Rollenoutputs, Governance-Bewertung, Patterns und Story-Ableitung entsteht der konsolidierte Entscheid. Die Hauptansicht ist kuratiert, die originalen Agentenrisiken bleiben im Detailbereich erhalten.
Die folgenden Einträge sind originale Risikoformulierungen aus den Agentenläufen. Einzelne Formulierungen können roh oder sprachlich unsauber sein. Sie bleiben als Evidenz sichtbar, dominieren aber nicht die kuratierte Entscheidung.
Der Entscheid blockiert die Umsetzung in der aktuellen Form. Delivery Readiness zeigt, welche Artefakte und Klärungen vor einer echten Umsetzung noch fehlen.
Die User Story aus 08 ist fachlich abgeleitet, aber keine freigegebene Jira- oder Delivery-Story.
Die Akzeptanzkriterien aus 08 sind Vorschläge. Finale Delivery-Akzeptanzkriterien entstehen erst in der Delivery Pipeline.
Der DoD-Entwurf aus 08 ist nicht final. Die finale Definition of Done entsteht in der Delivery Pipeline.
Technische Tasks werden in diesem Core-Gruppenlauf nicht erzeugt. Sie entstehen sinnvoll erst über die Delivery Pipeline.
Nach Entscheidung und Delivery-Abgrenzung zeigt Evidence Intelligence, worauf die kuratierte Hauptansicht basiert und welche Rohdaten als Nachvollziehbarkeit erhalten bleiben.
Evidence Intelligence macht nachvollziehbar, worauf die kuratierte Entscheidung basiert. Die Hauptseite zeigt eine lesbare Entscheidungslogik. Der Evidence-Bereich hält Reportdaten, Agentenoutputs, Normalisierungen, Fallbacks und Rohdaten als prüfbare Grundlage bereit.
full_evidence_report.md. Vollständige Agentenberichte und JSON-Rohdaten sind Teil des Full-Evidence-Konzepts und sollen als eigene Evidence-Akkordeons ergänzt werden.Dieser Bereich zeigt den konsolidierten Reportauszug aus dem aktuellen Evidence-Paket. Historische Fallback-Bausteine und rohe Agentenformulierungen bleiben als Evidenz sichtbar. Rohdaten können historische Fallback-, Encoding- oder Agenten-Artefakte enthalten. Die kuratierte Hauptansicht trennt fachliche Interpretation und Rohdaten.
# DECISION-LAB / AGENT SWARM INTELLIGENCE ## Entscheidungsreport ## Gruppe TEST - IREB Core Group ## Change Request Ein Kunde soll mehrere Rechnungsadressen speichern können. Zusätzlich sollen pro Rechnungsadresse eigene Länder-, Steuer- und Validierungsregeln unterstützt werden. ## Knowledge-Kontext aktiviert (j, SMART_ROUTING) ## Report ###################################################################### KONSOLIDIERTER ENTSCHEIDUNGSREPORT ###################################################################### ## Requirement Evolution - Hinweis: Requirement Recommendation nach RES-v1, IREB-Satzschablonen-orientiert. - Status: CLARIFICATION_REQUIRED - Requirement Type: FUNCTIONAL ### Original - Ein Kunde soll mehrere Rechnungsadressen speichern können. Zusätzlich sollen pro Rechnungsadresse eigene Länder-, Steuer- und Validierungsregeln unterstützt werden. ### RES-v1 Bewertung - Hinweis: Die vollständige IREB-Anforderungskomposition wird im Abschnitt „IREB-Satzschablonen-Präzisierung und Rollenbeiträge“ ausgewiesen. - Die konservative RES-v1-Bewertung erzeugt keinen separaten alternativen Requirement-Vorschlag. - Begründung: RES-v1 verändert das Original nicht frei, wenn keine sicher ableitbare zusätzliche Business Rule vorliegt. Die vollständige IREB-Anforderungskomposition wird im Abschnitt „IREB-Satzschablonen-Präzisierung und Rollenbeiträge“ ausgewiesen. - Status: NO_MEANINGFUL_IMPROVEMENT ### Offene Klärungen - Welche Art von Validierung soll implementiert werden? (Singular oder plural?) - Welche Länder sind relevant für die neue Regelsystem? - Welche Steuerregelungen müssen unterstützt werden? - Welche speziellen Länder-, Steuer- und Validierungsregeln müssen unterstützt werden? - Wie viele Rechnungsadressen wird bereitgestellt? ## Verbesserter Requirement-Vorschlag Status: Nicht ableitbar. Ein verbesserter Requirement-Vorschlag kann nicht stabil abgeleitet werden, weil keine stabile IREB-Kernanforderung im Report vorhanden ist. ### Ergänzende Business Rules für Delivery-Readiness - Keine ergänzenden Business Rules aus dem aktuellen Report ableitbar. ### Akzeptanzkriterien-Vorschlag - Keine finalen Akzeptanzkriterien aus dem aktuellen Report ableitbar. ### Abgrenzung - Keine Business Rules wurden erfunden oder finalisiert. - Keine freigegebene Delivery-/Jira-Story. - Finale Akzeptanzkriterien, Definition of Done und technische Tasks bleiben Aufgabe der Delivery Pipeline. ## IREB-Satzschablonen-Präzisierung und Rollenbeiträge Dieser Abschnitt ist getrennt von der konservativen RES-v1 Requirement Recommendation. RES-v1 darf NO_MEANINGFUL_IMPROVEMENT liefern. Die IREB-Satzschablonen-Sicht präzisiert den fachlichen Kern und macht explizite Randbedingungen aus dem Original sichtbar, ohne neue Business Rules zu erfinden. ### Original - Ein Kunde soll mehrere Rechnungsadressen speichern können. Zusätzlich sollen pro Rechnungsadresse eigene Länder-, Steuer- und Validierungsregeln unterstützt werden. ### Vollständige IREB-Anforderungskomposition **Kernanforderung** - Das System muss dem Kunden die Möglichkeit bieten, mehrere Rechnungsadressen seinem Kundenkonto zuzuordnen, zu speichern, zu ändern und zu verwalten. **Fachliche Randbedingungen** - Das System muss pro Rechnungsadresse eigene Länder-, Steuer- und Validierungsregeln berücksichtigen. **Vollständigkeitshinweis** - Die vollständige präzisierte Anforderung besteht aus Kernanforderung plus expliziten Randbedingungen aus dem Original. - Die Kernanforderung allein ersetzt nicht den vollständigen Original-Change-Request. ### Rollenbeiträge ### Business Analyst **Fachliche Lücken und Klärungsbedarf** **Fehlende Business Rules** - Maximale Anzahl speicherbarer Rechnungsadressen pro Kunde ist nicht spezifiziert. - Regel zur Standard-Rechnungsadresse ist nicht spezifiziert. - Lösch- oder Deaktivierungsverhalten für Rechnungsadressen ist nicht spezifiziert. - Gültigkeits- und Validierungsregeln je Rechnungsadresse sind nicht spezifiziert. - Regel zur Verwendung einer Rechnungsadresse in bestehenden Rechnungsprozessen ist nicht spezifiziert. - Länder-, Steuer- und Validierungsregeln je Rechnungsadresse müssen fachlich eindeutig definiert werden. **Fehlende Akzeptanzkriterien** - Eine neue Rechnungsadresse kann einem Kundenkonto hinzugefügt werden. - Eine bestehende Rechnungsadresse kann geändert werden. - Eine bestehende Rechnungsadresse kann gelöscht oder deaktiviert werden, sofern fachlich erlaubt. - Eine Rechnungsadresse kann als Standard-Rechnungsadresse festgelegt werden, sofern diese Regel fachlich vorgesehen ist. - Bestehende Rechnungsprozesse bleiben nach der Erweiterung kompatibel. - Für jede Rechnungsadresse werden Länder-, Steuer- und Validierungsregeln geprüft. - Ungültige Kombinationen aus Land, Steuerregel und Validierungsregel werden abgelehnt. **Offene Fragen** - Gibt es eine maximale Anzahl von Rechnungsadressen pro Kunde? - Muss genau eine Standard-Rechnungsadresse existieren? - Welche Rechnungsadresse wird verwendet, wenn keine Standardadresse definiert ist? - Welche Pflichtfelder und Validierungsregeln gelten je Rechnungsadresse? - Was passiert mit bestehenden Rechnungen, wenn eine Rechnungsadresse geändert oder gelöscht wird? - Welche Länder-, Steuer- und Validierungsregeln gelten pro Rechnungsadresse? - Welche Regeln gelten bei widersprüchlichen Länder-, Steuer- oder Validierungsangaben? **Empfehlung** - Fachliche Business Rules, Akzeptanzkriterien und offene Fragen müssen vor Umsetzung geklärt werden. ### Product Owner **Business Value / MVP / Scope Sicht** - Mehrere Rechnungsadressen können den fachlichen Nutzen für Kunden mit unterschiedlichen Rechnungskontexten erhöhen. **MVP-Fit / Scope** - MVP-Fit und Scope-Abgrenzung müssen fachlich bestätigt werden. **Scope- oder Delivery-Risiken** - Länder-, Steuer- und Validierungsregeln erhöhen den fachlichen Scope und müssen priorisiert werden. **Offene Produktfragen** - Welcher fachliche Nutzen soll im MVP zuerst abgedeckt werden? - Welche Regeln gehören zwingend in den MVP und welche können später folgen? **Empfehlung** - Business Value, MVP-Scope und Priorisierung vor Umsetzung klären. ### Developer **Daten-, Validierungs- und Fehlerfallsicht** - Das Datenmodell für mehrere Rechnungsadressen pro Kunde muss konkretisiert werden. - Pflichtfelder, Gültigkeitsregeln und zulässige Werte je Rechnungsadresse müssen geklärt werden. - Länder-, Steuer- und Validierungsregeln müssen je Rechnungsadresse eindeutig modelliert und geprüft werden. **Fehlerfälle** - Fehlerfälle für ungültige, unvollständige oder widersprüchliche Rechnungsadressen müssen definiert werden. - Das Verhalten bei fehlenden Pflichtangaben muss festgelegt werden. **Integrationsauswirkungen** - Auswirkungen auf bestehende Rechnungsprozesse und Datenflüsse müssen geprüft werden. **Offene technische Fragen** - Welche Pflichtfelder gelten je Rechnungsadresse? - Wie werden ungültige oder unvollständige Rechnungsadressen behandelt? - Welche Länder-, Steuer- und Validierungsregeln gelten pro Rechnungsadresse? **Empfehlung** - Datenmodell, Validierungslogik, Fehlerfälle und Auswirkungen auf bestehende Rechnungsprozesse müssen vor Umsetzung fachlich geklärt werden. ### Software - Solution Architect **Systemgrenzen, Ownership und Rückwärtskompatibilität** - Systemgrenzen für Verwaltung und Verwendung mehrerer Rechnungsadressen müssen geklärt werden. - Verantwortung für Länder-, Steuer- und Validierungsregeln muss fachlich und systemisch abgegrenzt werden. **Ownership / Datenflüsse** - Datenverantwortung für Rechnungsadressen und deren fachliche Regeln muss geklärt werden. **Rückwärtskompatibilität / Integration** - Rückwärtskompatibilität bestehender Rechnungsprozesse und Integrationen muss bewertet werden. **Offene Architekturfragen** - Wo werden Länder-, Steuer- und Validierungsregeln fachlich verantwortet? **Empfehlung** - Systemgrenzen, Datenverantwortung, Integrationen und Rückwärtskompatibilität vor Umsetzung absichern. ### Tester **Testbarkeit, Akzeptanzkriterien und Regression** - Akzeptanzkriterien für Erfassen, Ändern, Löschen und Festlegen einer Standard-Rechnungsadresse müssen definiert werden. - Länder-, Steuer- und Validierungsregeln werden je Rechnungsadresse geprüft. **Positive Testfälle** - Eine neue Rechnungsadresse kann einem Kundenkonto hinzugefügt werden. **Negative Testfälle / Fehlerfälle** - Ungültige, unvollständige oder doppelte Rechnungsadressen werden geprüft. - Ungültige Länder-, Steuer- oder Validierungsregeln pro Rechnungsadresse werden abgelehnt. **Regression** - Regression bestehender APIs und bestehender Rechnungsprozesse muss geprüft werden. **Offene QA-Fragen** - Welche Testdaten werden für Länder-, Steuer- und Validierungsregeln benötigt? **Empfehlung** - Regression bestehender APIs und bestehender Rechnungsprozesse muss geprüft werden. ###################################################################### DELIVERY-ARTEFAKTE ###################################################################### ## User Story Paket Hinweis: Der aktuelle Core-Report leitet aus dem aktuellen Change Request genau eine fachliche User Story ab. Spätere Entwicklungsstufen können mehrere User Stories aus längeren Inputs ableiten. ### Epic-Vorschlag Mehrere Rechnungsadressen mit regelbasierter Rechnungsverarbeitung Das System soll Kunden ermöglichen, mehrere Rechnungsadressen im Kundenkonto zu verwalten und pro Rechnungsadresse relevante Länder-, Steuer- und Validierungsregeln zu berücksichtigen. Status: Fachlich abgeleitet, aber nicht delivery-ready. ### User Story 1 Status: Fachlich abgeleitet, aber nicht delivery-ready. Governance: BLOCKED_BY_VETO Release Readiness Score: siehe Abschnitt Entscheidungsstatus Diese User Story wurde aus dem Requirement und der IREB-Präzisierung abgeleitet. Sie beschreibt Nutzerziel und fachlichen Nutzen, ist aber noch nicht zur Umsetzung freigegeben. Hinweis: Echte Delivery-Artefakte, Jira-ready User Stories und Technical Tasks entstehen weiterhin über die Delivery Pipeline. #### Story Als Kunde möchte ich mehrere Rechnungsadressen in meinem Kundenkonto verwalten können, damit Rechnungen je nach Land, Steuerregel und Rechnungskontext korrekt verarbeitet werden können. #### Explizite Randbedingungen - Pro Rechnungsadresse müssen die im Original genannten Länder-, Steuer- und Validierungsregeln berücksichtigt werden. #### Akzeptanzkriterien-Vorschlag - Eine neue Rechnungsadresse kann einem Kundenkonto hinzugefügt werden. - Eine bestehende Rechnungsadresse kann geändert werden. - Eine bestehende Rechnungsadresse kann gelöscht oder deaktiviert werden, sofern fachlich erlaubt. - Eine Rechnungsadresse kann als Standard-Rechnungsadresse festgelegt werden, sofern diese Regel fachlich vorgesehen ist. - Bestehende Rechnungsprozesse bleiben nach der Erweiterung kompatibel. - Für jede Rechnungsadresse werden die im Original genannten Länder-, Steuer- und Validierungsregeln geprüft. - Ungültige Kombinationen aus Land, Steuerregel und Validierungsregel werden abgelehnt. #### Offene Business Rules vor Delivery-Readiness - Maximale Anzahl speicherbarer Rechnungsadressen pro Kunde ist nicht spezifiziert. - Regel zur Standard-Rechnungsadresse ist nicht spezifiziert. - Lösch- oder Deaktivierungsverhalten für Rechnungsadressen ist nicht spezifiziert. - Pflichtfelder und Validierungsregeln je Rechnungsadresse müssen geklärt werden. - Regel zur Verwendung einer Rechnungsadresse in bestehenden Rechnungsprozessen ist nicht spezifiziert. - Länder-, Steuer- und Validierungsregeln je Rechnungsadresse müssen fachlich eindeutig definiert werden. #### Definition of Ready Entwurf - Fachlicher Scope ist geklärt. - Offene Business Rules sind entschieden. - Akzeptanzkriterien sind fachlich bestätigt. - Datenmodell-Auswirkungen sind grob verstanden. - API- und Prozessauswirkungen sind bewertet. - Testdaten und Testfälle sind ableitbar. - Governance-Blocker sind geklärt oder bewusst akzeptiert. #### Definition of Done Entwurf - Die Funktion erfüllt die bestätigten Akzeptanzkriterien. - Positive Testfälle sind erfolgreich durchgeführt. - Negative Testfälle und Fehlerfälle sind geprüft. - Regression bestehender Rechnungsprozesse und relevanter APIs ist geprüft. - Relevante fachliche und technische Dokumentation ist aktualisiert. - Keine offenen Blocker aus Architektur, Testing oder Governance bestehen. #### Test- und Regression-Hinweise Positive Testfälle: - Eine neue Rechnungsadresse kann einem Kundenkonto hinzugefügt werden. - Eine bestehende Rechnungsadresse kann geändert werden. Negative Testfälle und Fehlerfälle: - Ungültige, unvollständige oder doppelte Rechnungsadressen werden geprüft. - Ungültige Länder-, Steuer- oder Validierungsregeln pro Rechnungsadresse werden abgelehnt. Regression: - Regression bestehender APIs und bestehender Rechnungsprozesse muss geprüft werden. ## Delivery-Readiness und Umsetzungsfreigabe ### Umsetzungsfreigabe - Keine freigegebene Delivery-/Jira-Story. - In diesem Core-Gruppenlauf wurden keine echten Delivery-Artefakte erzeugt. - Finale Akzeptanzkriterien, Definition of Done und technische Tasks entstehen weiterhin über die Delivery Pipeline. - Die aktuelle Auswertung fokussiert auf fachliche Ableitung, Governance, Risiken und Klärungsbedarf. ### Finale Akzeptanzkriterien - Status: Finale Delivery-Akzeptanzkriterien werden in diesem Core-Gruppenlauf nicht erzeugt. - Der Akzeptanzkriterien-Vorschlag ist im Abschnitt User Story Paket ausgewiesen. - Finale Kriterien entstehen über die Delivery Pipeline. ### Finale Definition of Done - Status: Eine finale Definition of Done wird in diesem Core-Gruppenlauf nicht erzeugt. - Ein Definition-of-Done-Entwurf ist im Abschnitt User Story Paket ausgewiesen. - Die finale Definition of Done entsteht über die Delivery Pipeline. ### Technische Tasks - Status: In diesem Core-Gruppenlauf nicht erzeugt. - Grund: Technische Tasks entstehen sinnvoll über die Delivery Pipeline. - Hinweis: Der Core-Report liefert fachliche Ableitung, Risiken, Vorschläge und Entwürfe. Konkrete Tasks bleiben Delivery-Artefakte. ## 1. Kurzfazit - Gruppe: TEST - IREB Core Group - Beteiligte Rollen: Business Analyst, Product Owner, Developer, Software - Solution Architect, Tester - Kritische Rollen: Developer, Software - Solution Architect - Vetorollen: Software - Solution Architect - Governance Severity: HIGH - Governance Status: BLOCKED_BY_VETO - Höchste Eskalation: CRITICAL - Der Change Request ist durch mindestens eine Vetorolle blockiert. ## 2. Entscheidungsstatus - Der Change Request ist durch mindestens eine Vetorolle blockiert. - Kritisches Gewicht: 17 von 42 - Kritischer Anteil: 0.4 - Release Readiness Score: 30 von 100 - Governance Stability: CRITICAL ## 3. Zentrale Blocker - Ownership ## 4. Wichtigste Risiken ### CRITICAL – GOVERNANCE - Ownership - Ownership der Rechnungsadressen, Länder- und Steuerregeln ist nicht klar definiert ### HIGH – ARCHITECTURE - Integrierung von Länder-Regeln in bestehende Systeme ist nicht spezifiziert, was Risiken für Breaking Changes darstellt. ### MEDIUM – BUSINESS - Der Prozess könnte mit Regeln konfliktieren, die nicht unterstützt werden. - Integrierung von Länder- und Steuerregeln in bestehende Prozesse - Unklare Fachrichtlinien und Regeln können zu Bugs führen. - Unklare Fehlerbehandlung für zusätzliche Regeln und Regelüberschreitungen ### MEDIUM – TESTING - Fehlende Datenvalidierung - Fehlende Datenvalidierung für Länder, Steuer-Regeln und Validierungsregeln ### LOW – OTHER - Es besteht das Risiko, dass falsche oder ungültige Rechnungsadressen verarbeitet werden. - Unklare Fehlerbehandlung ## 5. Offene Fragen - Welche Art von Validierung soll implementiert werden? (Singular oder plural?) - Welche Länder sind relevant für die neue Regelsystem? - Welche Steuerregelungen müssen unterstützt werden? - Welche speziellen Länder-, Steuer- und Validierungsregeln müssen unterstützt werden? - Wie viele Rechnungsadressen wird bereitgestellt? - Wie werden die Rechnungsadressen internal verwaltet (z.B. bei Zahlungsprozessen)? - Wie wird die Datenintegration mit den vorhandenen Geschäftsprozessen manuell verarbeiteten Datensätzen geführt? ## 6. Konflikte zwischen Rollen - Developer blockiert wegen technischer Umsetzbarkeit. - Software - Solution Architect blockiert wegen Architektur- und Integrationsrisiken. ## 7. Qualitäts- und Umsetzungsaspekte - Fachliche Entscheidungsreife, Business Rules und Akzeptanzkriterien müssen geklärt werden. - MVP-Scope, Business Value und Priorisierung müssen bewertet werden. - Technische Umsetzbarkeit, Datenmodell und Validierungen müssen geklärt werden. - Architektur-, Integrations-, Systemgrenzen- und Datenhoheitsrisiken müssen bewertet werden. - Test- und Releasefähigkeit müssen durch Akzeptanzkriterien, Testdaten und Regressionstests abgesichert werden. ## 8. Governance Bewertung - Aktivierte Governance-Regeln: - [HIGH] Architecture Instability Block → Architekturreview zwingend erforderlich. - Mindestens eine Vetorolle blockiert den Change Request. - Governance Severity: HIGH - Governance Status: BLOCKED_BY_VETO - Höchste Eskalationsstufe: CRITICAL ## 9. Empfehlung - Der Change Request darf in der aktuellen Form nicht umgesetzt werden. ## 10. Lösungsskizze - API-Auswirkung berücksichtigen: APIs müssen die neue Komplexität ertragen (z.B. mehrere Adressen) - Ownership-Regel definieren: Ownership der Rechnungsadressen, Länder- und Steuerregeln ist nicht klar definiert - Empfohlenes Enterprise Pattern: RBAC and Ownership Pattern - Empfohlenes Enterprise Pattern: Audit Trail Pattern - Empfohlene Pattern-Komposition: RBAC and Ownership Pattern + Audit Trail Pattern ## 10A. Architektur-Blueprint ### Security Layer - Berechtigungen und Ownership zentral erzwingen. ### Governance Layer - Governance-, Security- und Compliance-Regeln zentral bündeln. ### Audit Layer - Alle relevanten Entscheidungen revisionssicher protokollieren. ## 11. Nächste Schritte - Fehlende Business Rules, Datenregeln und Akzeptanzkriterien definieren. - Business Value, MVP-Relevanz, Scope und Priorisierung klären. - Datenmodell, Validierungen, technische Auswirkungen und Umsetzungsoptionen konkretisieren. - Systemgrenzen, Datenhoheit, Storage-Verantwortung und Integrationsfolgen klären. - Testdaten, Positivtests, Negativtests, Berechtigungstests und Regressionstests definieren.