"Wir müssen KI im Unternehmen integrieren, bevor wir abgehängt werden."

Ein Satz, der häufig in Strategiemeetings fällt. Nicken rundum. Erste Ideen und Assoziationen fliegen durch den Raum: Effizienz steigern, Kosten senken, Prozesse automatisieren, besseren Service liefern. Erfahrungen von Messen, Konferenzen und Interviews werden ausgetauscht. Die Stimmung ist voller Tatendrang, die Erwartungen sind hoch: KI übernimmt jetzt Aufgaben unserer Service-Mitarbeitenden wie Texte lesen, Klassifizieren und Dokumente sortieren.

Der Einsatz von KI wird zwar mit Nachdruck gefordert – doch klare Definitionen fehlen meistens. Stattdessen gibt es ein Feuerwerk an Ideen, die auf den ersten Blick umsetzbar erscheinen. Genau hier entsteht aber die Lücke zwischen tatsächlich möglicher Umsetzung und konkreten Vorstellungen über die Lösung und das Endprodukt. Diese Lücke zieht sich durch alle Ebenen im Unternehmen – vom oberen Management bis hin zu den Endnutzer:innen.

Hier beginnt eine spannende Reise. Denn das Feld der KI-Projekte ist sowohl für Projektmanagende als auch für alle anderen Beteiligten im Unternehmen ein relativ neues Terrain. Erst seit einigen Jahren machen Unternehmen wie OpenAI oder die Open-Source-Plattform und Community Hugging Face die Technologie für uns zugänglich und anpassbar. Ihre Entwicklung verläuft nicht linear, sondern rasant exponentiell. Gleichzeitig bringen die meisten Projektbeteiligten sehr unterschiedliches Vorwissen und auch Lücken mit – wie wir Projektmanagende selbst.

Dieser Artikel liefert Ihnen, nach einem kurzen theoretischen Einstieg, eine Schritt-für-Schritt-Anleitung für erfolgreiches Stakeholdermanagement in Ihrem nächsten KI-Projekt.

Besonderheiten von KI-Projekten

Herkömmliche IT-Projekte basieren meist auf Reproduzierbarkeit: Gleiche Eingaben führen immer zu gleichen Ausgaben. Die Regeln sind explizit programmiert, Code wird geschrieben und ausgeführt. Somit sind sie besser einschätzbar und oft besser mit anderen Projekten vergleichbar. Wir als Projektmanagende haben nach einigen Jahren im Geschäft einen breiten Pool an Erfahrungen, der uns zu Hilfe kommt.

KI-Modelle in Software arbeiten hingegen probabilistisch – also mit Wahrscheinlichkeiten. Was ist die am wahrscheinlichsten richtige Antwort? Die Qualität unserer Daten – egal ob wir ein eigenes Modell selbst trainieren (finetunen), oder nur Daten in einen Wissenspool einspeisen – ist entscheidend.

Zusätzlich sorgt die Variabilität der Eingaben, die der KI Antworten oder Entscheidungen entlockt, für Unsicherheit: Welcher Kontext steckt in einer E-Mail oder einem Anhang, die wir in ein KI-System geben? Was tippen Kund:innen oder Mitarbeitende in den Chat, wenn sie mit einem KI-Chatbot sprechen? Ist hier genug Information enthalten, um eine qualitativ gute Antwort oder Entscheidung zu ermöglichen?

Erwartungen klären, Anforderungen konkretisieren

Unsicherheiten gehören bei der Planung neuer Technologien dazu. Unsere Aufgabe als Projektmanagende ist es, sie ernst zu nehmen und zu koordinieren. Dafür müssen Erwartungen und Toleranzen eindeutig formuliert und möglichst stabil sein. Häufig unterstützen wir Stakeholder dabei, ihre Vorstellungen zu konkretisieren und Ansprüche mit der Realität abzugleichen. Denn widersprüchliche Anforderungen führen im Worst Case zu Projektabbrüchen. Erwartungen übersetzen wir in objektiv prüfbare Anforderungen: Was soll die KI leisten, wie messen wir Qualität, welche Toleranzen sind akzeptabel?