Anforderungsmanagement für KI-Projekte in komplexen Umgebungen

Kernaussage: Erfolg von KI-Projekten in KMU hängt zu einem grossen Teil vom disziplinierten Anforderungsmanagement ab. Klare Anforderungen, iteratives Vorgehen und enge Einbindung der Fachbereiche reduzieren Risiken, beschleunigen Wertschöpfung und verhindern Ressourcenverschwendung.

Warum Anforderungsmanagement für KI anders ist

KI-Projekte unterscheiden sich von klassischen IT-Projekten durch Unsicherheit bei Daten, Modellleistung und Betriebsanforderungen. Anforderungen sind oft probabilistisch statt deterministisch. Für KMU bedeutet das: Anforderungen nicht als einmaliges Pflichtenheft, sondern als dynamische Erwartungshaltung behandeln. Konkret: Definieren Sie nicht «Modell muss 95% Genauigkeit erreichen», sondern «Modell muss in den kritischen 3 Klassifikationsfällen mindestens 90% Präzision liefern und für Fachpersonen erklärbar sein». So bleibt der Fokus auf Geschäftsnutzen statt auf rein technischen Messwerten.

Praxisstruktur: Rollen, Artefakte, Prozesse

Setzen Sie drei klare Rollen: Fachlicher Sponsor, Datenverantwortlicher und technischer Owner. Legen Sie Artefakte fest: Use Cases mit Akzeptanzkriterien, Datenkatalog, Migrationsplan und Wartungsvereinbarung. Prozesse: Kurze Anforderungs-Workshops, wöchentliche Review-Sprints, regelmässige Datenqualitätstests. Beispiel KMU-Alltag: Ein Handelsunternehmen definiert einen Use Case «Produktempfehlung in E‑Mail», mit Akzeptanzkriterium «Umsatzsteigerung im Testsegment ≥5% binnen 3 Monaten» und einem Datenkatalog, der Kundentransaktionen, Öffnungsraten und Produktattribute beschreibt.

Datenanforderungen und Qualitätssicherung

Daten sind das Herz jedes KI-Projekts. Beschreiben Sie genau Herkunft, Häufigkeit, Eigenschaften und Bereinigungsregeln. Führen Sie frühzeitige Stichprobentests durch. Beispiel: Ein Produktionsbetrieb will Fehlererkennung per Bildanalyse. Anforderungen müssen Auflösung, Beleuchtungsszenarien, Fehlerklassen und Label-Qualität einschliessen. Vereinbaren Sie Metriken für Datenqualität (Vollständigkeit, Konsistenz, Repräsentativität) und automatische Checks im Daten-Pipeline-Workflow.

Validierung und Akzeptanzkriterien

Formulieren Sie messbare Akzeptanzkriterien, operationalisierbar und an Geschäftszielen ausgerichtet. Verwenden Sie A/B‑Tests, Kontrollgruppen oder Pilotläufe. Beispiel: Ein Dienstleister führt eine KI-basierte Angebotspriorisierung ein. Akzeptanzkriterium: «Bearbeitungszeit pro Angebot reduziert sich um mindestens 20% und Conversion steigt um 10% innerhalb eines Pilotmonats.» Dokumentieren Sie Ausfall­szenarien und Grenzwerte, ab denen menschliche Intervention verlangt wird.

Betrieb, Wartung und Governance

Definieren Sie Betriebsanforderungen früh: Monitoring, Re-Training-Zyklen, Verantwortlichkeiten bei Modellverschlechterung. Legen Sie eine Governance-Landkarte an: wer entscheidet über Updates, wer genehmigt Produktionsfreigaben. Beispiel KMU: Ein Logistikunternehmen plant wöchentliche Performance-Checks und quartalsweisen Review der Trainingsdaten auf saisonale Verzerrungen. Implementieren Sie automatisierte Alerts bei Abweichungen der wichtigsten Metriken.

Typische Fehler und Korrekturen

Fehler 1: Anforderungen zu technisch oder zu generisch formuliert. Korrektur: Fokussieren Sie auf Geschäftsergebnis und messbare Akzeptanzkriterien. Beschreiben Sie konkrete Szenarien und Fehlerfolgen.
Fehler 2: Datenqualität wird unterschätzt; Labels und Randfälle fehlen. Korrektur: Frühzeitige Daten-Audits und Annotation-Guidelines einführen. Reserve für Nachlabeling einplanen.
Fehler 3: Keine klare Betriebsverantwortung nach Projektabschluss. Korrektur: Übergabeprozess mit SLA, Monitoring-Plan und definierten Rollen vor Produktionsstart festlegen.

14–30-Tage-Handlungsanleitung (konkret und umsetzbar)

Tag 1–3: Stakeholder-Workshop durchführen. Teilnehmer: Fachlicher Sponsor, Datenverantwortlicher, technischer Owner. Ergebnis: Priorisierte Use-Cases mit groben Akzeptanzkriterien.

Tag 4–7: Daten-Inventar erstellen. Quellen, Format, Menge, erste Stichproben auf Qualität (10–100 Datensätze pro Quelle).

Tag 8–10: Use-Case-Dokument finalisieren. Konkrete Akzeptanzkriterien, Metriken, Erfolgsszenarien und Eskalationspfade festhalten.

Tag 11–14: Minimum Viable Data Set (MVDS) und Annotation-Guidelines definieren. Verantwortlichkeiten für Labeling festlegen.

Tag 15–18: Prototyp-Plan erstellen (2–4 Wochen Sprint). Ziele, Deliverables, Test­verfahren, Pilotumfang festlegen.

Tag 19–22: Monitoring- und Betriebsplan entwerfen. Metriken, Alarmgrenzen, Re-Training-Trigger und SLA für Betrieb festhalten.

Tag 23–26: Pilot-Umgebung aufsetzen und erste Tests mit MVDS fahren. Ergebnisse mit Akzeptanzkriterien vergleichen.

Tag 27–30: Review und Entscheidungsmeeting. Entscheidungspunkte: Go-to-Production, Nacharbeit am Modell, zusätzlichen Datenbedarf oder Abbruch. Dokumentation aller Erkenntnisse und nächsten Schritte.

Diese Schritte schaffen ein belastbares Fundament für Anforderungsmanagement in komplexen KI-Projekten. Priorisieren Sie klare Akzeptanzkriterien, pragmatische Datenarbeit und eine verbindliche Betriebsorganisation — so erhöhen Sie die Erfolgschancen deutlich.