IT-Projekte gab es schon immer und wird es immer geben, sei es zur Digitalisierung, Prozessoptimierung oder Automatisierung. Auch die IT-Projektmanagement-Methoden wie Agile, Wasserfall oder Hybrid sind mittlerweile kein Fremdwort mehr. Im Prinzip hatten alle ihre Komfortzone gefunden und waren zufrieden, bis die Künstliche Intelligenz vor kurzem ihren Frühling erlebte und zunächst alles durcheinanderbrachte.
Nun fragen sich Projektleiter:innen, ob KI-Projekte anders sind.
Künstliche Intelligenz wird eine der treibenden Kräfte hinter digitaler Transformation und Innovation der Unternehmen in den nächsten 5-10 Jahren sein. Doch wie kann man KI-Projekte effektiv angehen und steuern? Kann man die bewährten Prinzipien der Agilität auch auf KI-Projekte anwenden?
Diese wissensbasierten Fragen können nur beantwortet werden, wenn man Erfahrungen sammelt und selbst anpackt. Genau DAS tun wir: Wir steuern und implementieren KI-Projekte! Und das recht erfolgreich.
Das gewonnene Know-How teilen wir gerne und haben extra einige Workshops wie „KI-Projekte: Wie man sie zielgerichtet leitet?“ oder „KI-Entscheidungen im Management“ ins Leben gerufen.
Mit einer höhen Granularität betrachtet kann man die KI-Projekte in fünf verschiedene aufeinander aufbauende Phasen unterteilen:
Phase 1: Initiierungsphase
„Houston, we have a problem.“
Identifizieren Sie die Pain Points, die Sie mithilfe von KI lösen möchten. Es muss nicht zwangsläufig ein Problem sein; auch Kosteneinsparungen oder Prozessoptimierungen können als Pain Points dienen.
Diese Phase ist eine der schwierigsten, aber auch wichtigsten Phasen des Projekts. Hier sind gute Business-Analysten und Data Scientists gefragt! Bereits hier ist es sinnvoll Projektmanagement mit einzubeziehen.
Phase 2: Planungsphase
Schaffen Sie eine klare Vision, wohin die Reise führen soll.
Definieren Sie den Rahmen des Projekts und den Anteil der KI. Entscheiden Sie sich für das passende Modell oder den passenden KI-Service, führen Sie eine Kosten-Nutzen-Analyse durch und holen Sie alle Stakeholder an Bord. Auch der Typ des Projekts (Benchmarking, PoC, MVP, Erweiterung) muss für alle Stakeholder klar definiert werden.
In dieser Phase ist ein erfahrener Projektleiter von unschätzbarem Wert, um alle Details im Blick zu behalten und rechtzeitig Ansprechpartner einzubinden. Bei Bedarf können auch mehrere Workshops, sowohl informative als auch organisatorische, durchgeführt werden.
Phase 3: Ausführungsphase
Auf geht’s!
Diese Phase konzentriert sich vollständig auf Daten, Modelle, KI-Services und die Entwicklung des Frameworks.
Die möglichen Akteure in dieser Phase sind:
- Technologieberater:innen: Auswahl von ML-Modellen, KI-Services und Framework-Architektur. Am besten unabhängige Partner, die ausschließlich die Interessen des Kunden im Blick haben!
- Data Scientists: Sie bereiten die Trainingsdaten vor und speisen sie in das ausgewählte Modell ein, nach dem Prinzip „Waschen, spülen, wiederholen“.
- Fachleute/Nutzer:innen: Sie unterstützen die Entwicklung der geschäftsbezogenen Prozesse mit ihrem Fachwissen.
Alle Schritte in dieser Phase können sowohl intern als auch mit Unterstützung externer Partner durchgeführt werden.
Phase 4: Überwachungsphase
Qualitätssicherung hat hier oberste Priorität.
Ähnlich wie bei einer Prüfung: Man hat im Grunde alles gelernt, aber immer taucht diese eine Frage auf, die überrascht. Bei KI-Modellen ist es nicht anders. In den meisten Fällen funktionieren sie hervorragend, aber in dieser Phase müssen eventuell die Randfälle noch bearbeitet und angepasst werden.
Phase 5: Abschlussphase
Lessons learned!
Die Evaluierung des Projekts bringt immer Klarheit. Im Idealfall wurde die Vision zur Mission und schließlich zum Ziel umgewandelt, und alle Stakeholder sind zufrieden. Hier können bereits mögliche Verbesserungen oder Erweiterungen angesprochen werden.
Wie wird es bei ihrem Unternehmen gehandhabt? Haben Sie andere Erfahrungen gemacht? Wir freuen uns auf ihre Feedback und Nachrichten!
