Wie können Teams beurteilen, ob ein Projekt für künstliche Intelligenz startbereit ist?

Host: Willkommen zu einer neuen Folge von A.I.S. Insights — powered by Living Knowledge. Ich bin Anna Ivy Summers. Heute sprechen wir über ein Thema, das derzeit fast jedes Unternehmen beschäftigt: Wie stellt man fest, ob eine Organisation wirklich bereit für ein KI-Projekt ist, bevor man teure Ressourcen investiert? Genau dazu gibt es eine sehr aufschlussreiche aktuelle Studie mit dem Titel "STRUKTURIERUNG DER BEREITSCHAFT FÜR KI-INNOVATIONEN: DIE ROLLE DES DESIGN CHALLENGE BRIEFS ALS KOORDINATIONS- UND GATEKEEPING-ARTEFAKT". Bei mir im Studio ist unser Experte Alex Ian Sutherland. Hallo Alex!

Expert: Hallo Anna! Schön, wieder hier zu sein. Ja, die Studie trifft genau den Nerv der Zeit, weil sie ein Problem adressiert, das in der Praxis enorm oft unterschätzt wird.

Host: Lass uns direkt bei diesem Problem ansetzen, Alex. Warum tun sich Unternehmen so schwer damit, die Bereitschaft für KI-Initiativen richtig einzuschätzen?

Expert: Das Hauptproblem liegt darin, dass viele Teams versuchen, KI-Projekte mit herkömmlichen Standard-Projektmanagement-Frameworks zu steuern. KI unterscheidet sich aber fundamental von klassischer Software. Bei KI hat man es mit einzigartigen Unsicherheiten zu tun, wie etwa schwankender Datenverfügbarkeit oder nicht-deterministischen Ergebnissen. Das bedeutet, dass man nicht einfach am Anfang einen festen Plan zeichnen und diesen starr abarbeiten kann.

Host: Und bisher gab es kaum Leitfäden dafür, wie Teams mit diesen Unsicherheiten umgehen sollen, richtig?

Expert: Genau. Es gab schlichtweg zu wenig Forschung darüber, wie Fachexperten, Data Scientists und Entscheider vor dem eigentlichen Projektstart gemeinsam feststellen können, ob eine Idee überhaupt reif für die Umsetzung ist.

Host: Wie ist das Forschungsteam in dieser Studie vorgegangen, um eine Lösung dafür zu finden?

Expert: Die Autoren haben einen qualitativen Ansatz gewählt. Sie haben die Planung in der Vorprojektphase von fünf KI-Innovationsprojekten innerhalb eines strukturierten Innovationslabors intensiv beobachtet. Im Zentrum der Untersuchung stand die Nutzung eines gemeinsam verfassten Dokuments: das sogenannte Design Challenge Brief, abgekürzt DCB.

Host: Und was hat die Studie durch die Beobachtung dieses Dokuments herausgefunden?

Expert: Die Studie skizziert ein dreiphasiges qualitatives Modell, wie KI-Projektbereitschaft entsteht. Diese Phasen sind: erstens die divergente Exploration, zweitens Verhandlung und Übersetzung und drittens die konvergente Ausrichtung. Das Besondere ist, dass das Design Challenge Brief als ein flexibles Gatekeeping-Artefakt fungiert.

Host: Was genau bedeutet "Gatekeeping-Artefakt" in diesem Zusammenhang?

Expert: Das bedeutet, dass das Dokument als Prüfstein dient. Es strukturiert die Bereitschaftsprüfung so, dass das Team frühere Annahmen gezielt hinterfragen und anpassen kann, ohne gleich das gesamte Projekt abbrechen oder von vorne anfangen zu müssen. Es schafft also einen geschützten Raum für Kurskorrekturen.

Host: Gibt es auch Grenzen, die man bei den Ergebnissen der Studie beachten sollte?

Expert: Ja, die Autoren betonen selbst, dass die Ergebnisse deskriptiv sind und auf einer kleinen Stichprobe von fünf Projekten basieren. Zudem fanden die Projekte in einem universitätsgeführten Innovationslabor statt. Die Übertragbarkeit auf weniger strukturierte Unternehmensumgebungen muss also in der Praxis noch weiter erprobt werden.

Host: Das bringt uns zum wichtigsten Punkt für unsere Hörerinnen und Hörer: Was bedeutet das alles konkret für die Wirtschaft? Welche Takeaways gibt es für Führungskräfte?

Expert: Der wichtigste Punkt ist: Werfen Sie KI-Projekte nicht einfach in die üblichen Entwicklungs-Pipelines. KI erfordert eine dedizierte Vorprojektphase. Werkzeuge wie das Design Challenge Brief helfen dabei, Silos zwischen Business-Teams und KI-Experten abzubauen. Sie gezwungen alle Beteiligten, Erwartungen, Datenreife und Anwendungsfälle frühzeitig abzugleichen. Wenn man diese Hausaufgaben macht, verhindert man, dass unreife KI-Ideen Millionen verschlingen, bevor man merkt, dass die Datenbasis gar nicht ausreicht.

Host: Ein wirklich wertvoller Ansatz. Zusammenfassend zeigt die Studie also: Wer bei KI erfolgreich sein will, muss die Bereitschaftsphase vor dem Projektstart aktiv strukturieren und Werkzeuge wie das Design Challenge Brief nutzen, um Risiken frühzeitig zu managen. Alex, vielen Dank für diese spannenden Einblicke!

Expert: Sehr gerne, Anna!

Host: Und Ihnen vielen Dank fürs Zuhören bei A.I.S. Insights — powered by Living Knowledge. Schalten Sie auch das nächste Mal wieder ein, wenn wir komplexe Technologie-Themen für Business-Entscheider auf den Punkt bringen!