Planen, ohne das Ergebnis versprechen zu können
Ob ein Modell gut genug wird, weiß am Anfang niemand. Genau deshalb gehören eine Machbarkeitsphase und ein vereinbartes Abbruchkriterium in den Plan.
KI-generiertDieses Bild wurde mit KI erzeugt · Yves Hoppe / KI / cmt
Zugesagt wird ein Ergebnis, das noch niemand messen konnte
Der übliche Ablauf: Ein Vorhaben wird beschlossen, weil eine Anwendung anderswo beeindruckt hat, und in die Vorlage für die Geschäftsführung schreibt jemand einen Nutzen mit Prozentzahl. Danach beginnt die Arbeit, und erst dort zeigt sich, ob die Daten das überhaupt hergeben. Zu diesem Zeitpunkt ist das Versprechen längst im Umlauf.
Der zweite Fehler ist die Zeitplanung. In klassischen Vorhaben ist die Entwicklung der Engpass, hier sind es die Daten: Zugriffsrechte, Datenschutzprüfung, Abstimmung mit dem Betriebsrat, Aufbereitung, Nachbeschaffung fehlender Fälle. Wer diese Schritte als Vorarbeit abtut, verschiebt sie in die kritische Phase.
Der dritte Fehler zeigt sich nach dem Produktivgang. Ein Vorhaben gilt als abgeschlossen, wenn die Anwendung läuft, aber der Nutzen entsteht erst, wenn Leute ihre Arbeitsweise ändern und wenn jemand das Modell weiter betreut. Ohne diese beiden Punkte im Plan liefert das Projekt etwas ab, das nach einem halben Jahr niemand mehr benutzt.
KI-generiertDieses Bild wurde mit KI erzeugt · Yves Hoppe / KI / cmt
Wer entscheidet was in einem Vorhaben mit KI-Anteil
Die Zuständigkeiten verschieben sich gegenüber einem gewohnten IT-Vorhaben, weil Daten, Fachlichkeit und Recht früher und enger zusammenkommen. Die Übersicht zeigt, wo die Entscheidungen tatsächlich liegen.
| Thema | Wer entscheidet | Wer setzt um | Stolperfalle |
|---|---|---|---|
| Zielgröße und Abbruchkriterium | Der Auftraggeber aus der Fachseite, gemeinsam mit der fachlichen Bewertung | Das Projektteam, das die Messung aufsetzt und regelmäßig berichtet | Das Abbruchkriterium wird erst formuliert, wenn es erreicht ist, und dann findet sich immer ein Grund weiterzumachen. |
| Zugriff auf die benötigten Daten | Die Stelle, der die Daten fachlich gehören, mit Datenschutz und Interessenvertretung | Datenhaltung und IT, die Zugriff, Umfang und Schutz technisch umsetzen | Der Zugang wird als Nebensache eingeplant und dauert länger als die eigentliche Modellarbeit. |
| Bewertung der Ergebnisqualität | Die Fachseite anhand echter Fälle, nicht das Entwicklungsteam anhand von Kennzahlen | Das Projektteam, das Stichproben zieht und die Bewertung vergleichbar hält | Bewertet wird auf denselben Daten, mit denen trainiert wurde, und das Ergebnis sieht deshalb besser aus als es ist. |
| Rechtliche Einstufung der Anwendung | Die Stelle, die den KI-Einsatz im Haus verantwortet, mit der Rechtsabteilung | Das Projektteam, das Dokumentation, Protokollierung und Aufsicht einbaut | Die Einstufung erfolgt nach dem Produktivgang, und die nötigen Nachweise müssen nachträglich rekonstruiert werden. |
| Betrieb nach dem Projektende | Der aufnehmende Bereich, der Bereitschaft und Budget dafür stellt | Betrieb und Datenteam gemeinsam, entlang eines vereinbarten Betriebskonzepts | Das Projekt endet mit der Übergabe, und niemand ist dafür zuständig, dass das Modell in einem Jahr noch trifft. |
Zielgröße und Abbruchkriterium
- Wer entscheidet
- Der Auftraggeber aus der Fachseite, gemeinsam mit der fachlichen Bewertung
- Wer setzt um
- Das Projektteam, das die Messung aufsetzt und regelmäßig berichtet
- Stolperfalle
- Das Abbruchkriterium wird erst formuliert, wenn es erreicht ist, und dann findet sich immer ein Grund weiterzumachen.
Zugriff auf die benötigten Daten
- Wer entscheidet
- Die Stelle, der die Daten fachlich gehören, mit Datenschutz und Interessenvertretung
- Wer setzt um
- Datenhaltung und IT, die Zugriff, Umfang und Schutz technisch umsetzen
- Stolperfalle
- Der Zugang wird als Nebensache eingeplant und dauert länger als die eigentliche Modellarbeit.
Bewertung der Ergebnisqualität
- Wer entscheidet
- Die Fachseite anhand echter Fälle, nicht das Entwicklungsteam anhand von Kennzahlen
- Wer setzt um
- Das Projektteam, das Stichproben zieht und die Bewertung vergleichbar hält
- Stolperfalle
- Bewertet wird auf denselben Daten, mit denen trainiert wurde, und das Ergebnis sieht deshalb besser aus als es ist.
Rechtliche Einstufung der Anwendung
- Wer entscheidet
- Die Stelle, die den KI-Einsatz im Haus verantwortet, mit der Rechtsabteilung
- Wer setzt um
- Das Projektteam, das Dokumentation, Protokollierung und Aufsicht einbaut
- Stolperfalle
- Die Einstufung erfolgt nach dem Produktivgang, und die nötigen Nachweise müssen nachträglich rekonstruiert werden.
Betrieb nach dem Projektende
- Wer entscheidet
- Der aufnehmende Bereich, der Bereitschaft und Budget dafür stellt
- Wer setzt um
- Betrieb und Datenteam gemeinsam, entlang eines vereinbarten Betriebskonzepts
- Stolperfalle
- Das Projekt endet mit der Übergabe, und niemand ist dafür zuständig, dass das Modell in einem Jahr noch trifft.
Sechs Fragen, die vor dem Projektstart beantwortet sein müssen
- 01 Welche Entscheidung soll das Ergebnis am Ende verbessern?
- 02 Gegen welche einfache Regel muss sich das Modell behaupten?
- 03 Liegen die nötigen Daten vor, und wem gehören sie fachlich?
- 04 Wer darf worauf zugreifen, und wer muss dem zustimmen?
- 05 Ab welchem Wert brechen wir ab, ohne neu zu verhandeln?
- 06 Wer betreibt und überwacht das Ergebnis nach dem Projekt?
Was du mitnimmst
Du bekommst die Planungsmittel, die ein Vorhaben mit ungewissem Ergebnis steuerbar machen, und die Punkte, an denen sich ein KI-Vorhaben von jedem anderen IT-Vorhaben unterscheidet.
Die Zielgröße vorher festlegen
Du vereinbarst, woran der Erfolg gemessen wird, und gegen welche einfache Regel sich das Modell behaupten muss.
Machbarkeit befristet prüfen
Du setzt eine kurze Phase mit festem Budget an, an deren Ende eine echte Abbruchmöglichkeit steht und nicht nur eine Empfehlung.
Datenzugang als Vorgang planen
Du behandelst Rechte, Datenschutzprüfung und Abstimmung mit der Interessenvertretung als eigene Vorgänge mit Dauer und Verantwortlichen.
Die rechtliche Einstufung einplanen
Du klärst früh, in welche Risikostufe die Anwendung fällt, weil daraus Pflichten für Dokumentation und Aufsicht folgen.
Den Betrieb danach mitplanen
Du benennst vor dem Produktivgang, wer das Modell überwacht, wann neu trainiert wird und wer die Kosten trägt.
Einführung als Teil des Vorhabens
Du planst Einweisung, Übergangszeit und Rückmeldungen ein, weil der Nutzen an der Nutzung hängt und nicht an der Auslieferung.
KI-generiertDieses Bild wurde mit KI erzeugt · Yves Hoppe / KI / cmt
Was gegenüber einem gewohnten IT-Vorhaben wirklich anders ist
Der erste Unterschied ist die Ungewissheit über das Ergebnis. In einem klassischen Vorhaben ist am Anfang unklar, wie lange etwas dauert, aber nicht, ob es funktioniert. Bei einem Modell ist genau das offen. Daraus folgt eine andere Planungsform: eine kurze Machbarkeitsphase mit festem Budget, einer vorher vereinbarten Zielgröße und der ausdrücklichen Möglichkeit, danach aufzuhören.
Der zweite Unterschied ist der Vergleichsmaßstab. Ein Modell muss besser sein als das, was heute passiert, und das ist selten nichts, sondern meistens eine Faustregel, eine Erfahrungswerteliste oder eine bestehende Auswertung. Wer diesen Vergleich nicht rechnet, weiß nicht, ob das Vorhaben etwas bringt, und kann den Nutzen später auch nicht belegen.
Der dritte Unterschied liegt am Ende. Ein Modell altert, weil sich die Wirklichkeit unter ihm verändert, deshalb gehört der Betrieb danach in den Plan: Wer misst die Qualität, ab wann wird neu trainiert, wer trägt die Rechenkosten. Ein Vorhaben, das mit der Übergabe endet, produziert eine Anwendung mit Verfallsdatum.
Der Datenteil ist der Terminplan
In der Rückschau scheitern KI-Vorhaben selten an den Verfahren und häufig an den Daten. Sie liegen in verschiedenen Systemen, sind unterschiedlich gepflegt, enthalten die interessanten Fälle nicht oder dürfen nicht in der gewünschten Form verwendet werden. Jeder dieser Punkte ist ein Vorgang mit Dauer, Verantwortlichen und Abhängigkeiten, gehört also in den Plan und nicht in eine Vorbemerkung.
Dazu kommen die Beteiligten, die in klassischen Vorhaben spät auftauchen und hier früh gebraucht werden. Datenschutz prüft die Rechtsgrundlage, die Interessenvertretung ist einzubinden, sobald Daten von Beschäftigten betroffen sind, und die Fachseite muss beurteilen, ob die vorhandenen Fälle den Alltag überhaupt abbilden. Wer diese Runde erst nach dem ersten Modell einlädt, riskiert, von vorn anzufangen.
Der unangenehmste Fall ist der, in dem die Daten fachlich nicht taugen, obwohl sie technisch vorliegen. Ein Beispiel sind Bewertungen, die früher von Menschen nach unterschiedlichen Maßstäben vergeben wurden: Das Modell lernt dann diese Uneinheitlichkeit mit. So etwas findet man nur, indem jemand aus dem Fachbereich echte Fälle durchsieht, und diese Zeit muss eingeplant sein.
Der Weg hinein und woran du wächst
Der häufigste Weg führt aus dem IT-Projektmanagement, ergänzt um genug KI-Verständnis, um Aussagen des Fachteams einordnen zu können. Du musst kein Modell bauen können, aber du solltest wissen, was eine Trefferquote aussagt, warum sie bei seltenen Ereignissen täuscht und wieso ein Ergebnis auf Trainingsdaten nichts beweist. Ohne dieses Grundverständnis steuerst du das Vorhaben blind.
Der zweite Weg kommt aus dem Fachbereich, in dem die Anwendung entstehen soll. Diese Herkunft bringt den Vergleichsmaßstab mit, also das Wissen darüber, wie heute entschieden wird und wie gut das ist. Was fehlt, ist die Projektsteuerung selbst, und die lässt sich gezielt nachholen, inzwischen auch mit Nachweisen, die speziell auf Vorhaben mit KI-Anteil zugeschnitten sind.
Der Unterschied zwischen zwei Leuten mit gleicher Berufsdauer zeigt sich am Umgang mit dem Abbruch. Ein Vorhaben zu beenden, das die vereinbarte Zielgröße nicht erreicht, gilt vielen als Scheitern und ist tatsächlich das Gegenteil: Es setzt Geld frei, und es erhält die Glaubwürdigkeit für das nächste Vorhaben. Wer dagegen nachverhandelt, bis das Ziel passt, verbrennt beides.
Warum auf dieser Seite keine Verdienstzahl steht
Für Projektrollen mit KI-Anteil gibt es keine amtliche Berufsgattung. Die Klassifikation der Berufe stammt aus dem Jahr 2010 und kennt weder diesen Zuschnitt noch das Fachgebiet, und wer die Rolle ausübt, erscheint in der Verdiensterhebung unter seinem Grundberuf, also meistens unter IT-Koordination oder IT-Organisation.
Eine Zuordnung zu einer dieser Zellen wäre unsere Entscheidung und keine Messung, deshalb steht hier keine Zahl. Angaben aus Stellenportalen helfen nicht weiter, weil unter demselben Titel sowohl die Steuerung eines einzelnen Vorhabens im Mittelstand als auch die Verantwortung für ein ganzes Programm im Konzern erscheint.
Was den Verdienst hier bestimmt, ist dasselbe wie in jeder anderen Projektrolle: Budgetverantwortung, Zahl der Beteiligten, Branche und Betriebsgröße. Das KI im Titel verschiebt daran weniger, als es der Begriff verspricht, und wer sich darauf verlässt, verhandelt an der falschen Größe.
Dazu passende Kurse
Für die strukturierte Steuerung solcher Vorhaben gibt es Kurse, in denen du dich auf den anerkannten Nachweis für KI-Projekte vorbereitest .
Wer aus dem Fachbereich kommt, holt sich die Grundlagen am besten dort, wo Trainings, die das Handwerk der Projektsteuerung von Grund auf legen ansetzen.
Warum es zu dieser Rolle keine amtliche Zahl gibt
Für Projektrollen mit KI-Anteil gibt es keine amtliche Berufsgattung, denn die Klassifikation der Berufe stammt aus dem Jahr 2010 und kennt diesen Zuschnitt nicht. Wer die Rolle ausübt, erscheint in der Verdiensterhebung unter seinem Grundberuf, meistens unter IT-Koordination oder IT-Organisation, und eine Zuordnung zu einer dieser Zellen wäre unsere Entscheidung und keine Messung. Angaben aus Stellenportalen tragen hier wenig, weil unter demselben Titel die Steuerung eines einzelnen Vorhabens und die Verantwortung für ein ganzes Programm zusammenfallen. Den Ausschlag geben dieselben Größen wie in jeder Projektrolle: Budgetverantwortung, Zahl der Beteiligten, Branche und Betriebsgröße.
Wie sicher bist du beim Thema wirklich?
Lesen fühlt sich schnell nach Können an. Ein kurzer Test zeigt dir, was davon schon sitzt und wo sich ein Kurs lohnt. Kostenlos, ohne Anmeldung, mit einer Erklärung zu jeder Antwort.
Ein sehr gutes, praxisorientiertes und nachhaltiges Seminar. So sollte es immer sein. Vielen Dank.
Ein sehr guter und verständlicher Überblick über die Grundlagen im Umgang mit BricsCAD.
Alle meine Erwartungen wurden erfüllt und ich habe mich sehr gut aufgenommen gefühlt, jede Frage wurden Probleme direkt beseitigt.
Häufige Fragen
Muss ein KI-Projektmanager selbst Modelle verstehen?
Wie plant man ein Vorhaben, dessen Ergebnis offen ist?
Was unterscheidet die Rolle vom IT-Projektmanager?
Wann sollte man ein KI-Vorhaben abbrechen?
Passt thematisch dazu
Bevor du planst, lohnt der Blick darauf, an welchen Stellen solche Vorhaben regelmäßig hängen bleiben .
Für die Vorlage an die Geschäftsführung brauchst du eine Rechnung, und dazu steht beschrieben, wie sich der Nutzen eines KI-Vorhabens rechnen lässt .
Deine Ansprechpartner
Du bist dir nicht sicher, welcher Kurs oder welches Level zu dir passt? Wir beraten dich persönlich und kostenlos.
Yves Hoppe
Weiterbildung & Beratung
Hilft dir, aus dem IT-Berufe-Programm den passenden Kurs für deinen Stand zu finden.
Norbert Jansen
Beratung & Inhouse
Plant mit dir Inhouse-Trainings, die auf eure Abläufe und euren Datenbestand zugeschnitten sind.
Steuerung bleibt Steuerung, die Unbekannten sind neu
Wie sich Machbarkeit, Datenbeschaffung, Risiken und Betrieb in einem Vorhaben mit ungewissem Ausgang zusammenbringen lassen, wird an konkreten Projektsituationen erarbeitet.
Passt dazu
- IT-Projektmanager: wofür du geradestehst, wenn das Projekt läuft
- KI-Beauftragter: eine Rolle, die die europäische Verordnung erst geschaffen hat
- Projektleiter: Verantwortung ohne Weisungsrecht aushalten
- Machine Learning Engineer: zwischen Statistik und lauffähigem Code