Projektmanagement mit künstlicher Intelligenz im Vergleich zu traditioneller Software

Stellen Sie sich folgendes Szenario vor: Ihr Unternehmen beschließt, ein System für Künstliche Intelligenz (KI) einzuführen, um einen kritischen Prozess zu optimieren. Der Projektmanager, der mit der Implementierung umfangreicher Softwareprojekte vertraut ist, legt den Zeitplan offen, definiert einen abgeschlossenen Projektumfang, verknüpft die Ergebnisse in einem linearen Kanban-Board und verspricht höchste Genauigkeit in Rekordzeit.

Wenn Sie Ihre Daten- und KI-Projekte genauso managen wie Ihre ERP- oder Legacy-Softwareprojekte, dann habe ich eine wichtige Erkenntnis für Sie: Ihr Zeitplan lügt Sie an.

In der Welt der traditionellen Technologie ist Erfolg meist binär: Der Code funktioniert oder nicht, der Bildschirm bleibt an oder nicht. Doch sobald wir die Grenze zur Welt der KI überschreiten, ändert sich die Logik drastisch. Wir verlassen den Bereich des Determinismus und betreten das Feld der Wahrscheinlichkeit, wo eins plus eins nicht immer zwei ergibt.

Um zu verstehen, warum so viele KI-Projekte schon vor dem Reißbrett scheitern und wie Technologieführer diese Herausforderung meistern können, haben wir die wichtigsten praktischen Erkenntnisse aus dem Builders Podcast , die von Experten diskutiert wurden, die diesen Wandel aus erster Hand miterleben.

Der Realitätscheck: Warum versagen traditionelle Methoden in der KI?

Marktdaten sind unerbittlich. Untersuchungen von Beratungsunternehmen wie McKinsey zeigen, dass rund 70 bis 85 % der KI-Projekte scheitern oder die erste Testphase (den bekannten Proof of Concept oder PoC) nicht überstehen.

Der Grund für diese alarmierende Entwicklung liegt nicht im Mangel an Spitzentechnologie, sondern vielmehr in einer tiefgreifenden Diskrepanz zwischen Erwartungen und Methoden. Die Entwicklung von KI ähnelt eher einem wissenschaftlichen und experimentellen Prozess als der traditionellen Softwareentwicklung.

Die Änderung der „Definition von fertig“

Bei traditionellen Softwareprojekten oder ERP-Modulen ist die Definition von „Fertig“ klar: Der Workflow verläuft von der Entwicklung über die Validierung bis hin zur Bereitstellung des strukturierten Codes.

In der Künstlichen Intelligenz bedeutet „fertig“ die Bestätigung einer Hypothese. Der Prozess ist von Natur aus zyklisch und iterativ: Implementierung, Testen, Recall-Analyse ( eine Metrik, die bewertet, wie viele Fehler das Modell macht oder ob weiterer Testbedarf besteht) und dann die Rückkehr zum Anfang. Oft wissen weder Entwickler noch Kunde zu Beginn des Projekts, wie das Endergebnis aussehen wird.

Die 3 Kundenprofile (und die Risiken für das Projekt)

Der Umgang mit KI erfordert ein präzises Management der menschlichen Erwartungen. Im Geschäftsumfeld lassen sich drei typische Stakeholder- , deren Management Projektleiter erlernen müssen:

1. Der Wundergläubige: Dies ist das Profil einer enthusiastischen Person, die vom Potenzial der Technologie auf dem Markt gehört hat und glaubt, dass die Implementierung von KI schnell, einfach und wie von Zauberhand erfolgen wird. Sie hat keine Ahnung, wie viel Arbeit und interne Strukturierung auf ihrer eigenen Seite erforderlich sind, damit das Modell Ergebnisse liefert.
2. Der Skeptiker des sofortigen ROI: Er glaubt zwar an das Potenzial, fordert aber einen extrem schnellen Return on Investment (ROI), ohne die evolutionäre Entwicklung von KI zu verstehen. Modelle des maschinellen Lernens benötigen einen Reifeprozess: Zuerst erreicht man eine Effizienz von 30 %, dann 60 %, bis man schließlich Reife und Exzellenz erreicht.
3. Der politisch motivierte Querdenker: Er will die Technologie um jeden Preis implementieren, nur um intern oder extern zu behaupten, das Unternehmen verfüge über KI. Dies gilt als das gefährlichste Profil, da er nicht genau weiß, wofür er die Lösung benötigt, technische Grenzen ignoriert und dadurch zukünftig ein hohes Maß an Frustration erzeugt.

Der verborgene Rohstoff: Sind Ihre Daten bereit?

Der entscheidende Faktor für den Erfolg oder Misserfolg eines KI-Systems oder -Modells ist die Qualität der Daten. Die Technologie lernt ausschließlich anhand der ihr bereitgestellten Informationen.

Das häufigste Szenario in Unternehmen ist, dass der Kunde eine komplexe Lösung anfordert und bei Nachfrage zur Datenbank feststellt, dass diese nicht existiert, unvollständig oder völlig unstrukturiert ist. Beispiel: Wenn man ein Modell zur Behebung von Problemen im Personalwesen entwickelt und es mit einer inkonsistenten Datenbank füttert oder versucht, daraus Finanzinformationen zu gewinnen, für die es nicht trainiert wurde, wird die Umsetzung scheitern.

Bevor Sie Roboter oder komplexe Arbeitsabläufe entwerfen, sollten Sie zunächst Ihre Rohdaten prüfen: Ihre Geschäftsdaten.

Wie man das Management anpasst: Investitionsausgaben, Betriebsausgaben und Dual-Track Agile

Um zu verhindern, dass Zeit- und Ressourcenmanagement durch das traditionelle deterministische Modell eingeschränkt wird, nutzen große Unternehmen Echtzeit-Anpassungsframeworks:

• Bilanzielle Trennung (Investitionskosten vs. Betriebskosten): Reifere Märkte unterscheiden klar zwischen diesen beiden Aspekten. Die Datenstrukturierung, Forschung, Experimente und die anfängliche Modelltrainingsphase werden als CAPEX ) behandelt. Sobald das Modell etabliert ist, überwacht wird und skalierbare Gewinne generiert, tritt das Projekt in die OPEX Phase der Betriebskosten (
• Dual-Track-Framework: Verwendung des agilen Modells, das gleichzeitig in zwei Tracks unterteilt ist: Discovery (Experimentieren) und Delivery (Wertschöpfung mit Fokus auf Software).
• Wertstromanalyse: Der Fokus liegt auf kontinuierlicher Verbesserung und ständiger Prozessoptimierung, anstatt Fehler als endgültige Misserfolge zu betrachten. Im Zeitalter der KI ist das Lernen aus anomalem Modellverhalten Teil des Evolutionsprozesses.

Fazit: KI ersetzt nicht die Menschen, sondern die Tätigkeiten

Erfolgreiche KI-Projekte dienen nicht dazu, den menschlichen Faktor zu ersetzen, sondern vielmehr dazu, operative Engpässe und rein manuelle oder bürokratische Tätigkeiten zu eliminieren. Indem Fachkräfte von sich wiederholenden Aufgaben, wie dem stundenlangen manuellen Formatieren von Berichten oder Präsentationen, entlastet werden, gewinnen Führungskräfte wertvolle Zeit, um sich auf Strategie, zwischenmenschliche Beziehungen und neue Geschäftsmöglichkeiten zu konzentrieren.

Die Steuerung von KI erfordert, dass man sich von statischen Betrachtungsweisen löst und probabilistische Ansätze akzeptiert. Ihre Zeitpläne werden erst dann korrekt sein, wenn sie Hypothesen, strukturierte Daten und Experimente aus der realen Welt widerspiegeln.

Möchten Sie Managementmethoden für das neue technologische Zeitalter umfassend beherrschen?

Hören Sie sich die vollständige Debatte an und entdecken Sie alle Tricks, Beispiele für HR-/Finanzdatenbanken und praktischen Lektionen, die Bruno Marcos (Data Engineering Coordinator bei Skyone) und Sidney Rocha (Services Director bei Skyone) in dieser unverzichtbaren Folge vorstellen.

🎧 Hier klicken, um die vollständige Folge des Builders Podcasts auf Spotify anzuhören!

Verfasst von Skyone