KI-Projektaufwand und Rollen planen¶
Kernfrage für Unternehmen¶
KI-Projekte brauchen grobe Phasen, realistische Personentage, fachliche Rollen, technische Rollen, Compliance-Verantwortung und Change-Arbeit statt einer reinen Modell- oder Tool-Schätzung (Niessner 2026).
Typische Stolpersteine¶
Viele Schätzungen unterschätzen Integration, Betrieb und Change. Das Team plant den technischen Proof of Concept, vergisst aber Schnittstellen, Berechtigungen, Datenpflege, Monitoring, Schulung, Support und rechtliche Freigaben. Dadurch wirkt der Pilot günstig, während das produktive Projekt später aus dem Ruder läuft (Niessner 2026).
Fraunhofer beschreibt KI-Projekte als besonders interdisziplinär: Fachexpertise, IT-Wissen, Daten- und KI-Kompetenz, Projektleitung, spätere Nutzer:innen und betriebliche Interessenvertretung müssen enger zusammenspielen als in vielen Standardprojekten. Dieser Abstimmungsaufwand gehört in die Planung, weil Ziele, Datenlage und geeignete Lösungswege häufig erst im Projektverlauf klarer werden (Kutzias, Dukino und Leuteritz 2023).
Abbildung: Die Grafik zeigt typische Phasenanteile für kleine, mittlere und große KI-Projekte. Integration und Betrieb bleiben in allen Größen ein großer Aufwandstreiber; bei größeren Projekten wächst zusätzlich der Anteil von Compliance und Change. Quelle: eigene Darstellung nach Niessner 2026.
Bewährte Vorgehensweisen¶
Nutzen Sie T-Shirt-Sizing, um eine erste Größenordnung zu klären. Ein kleines Projekt kann ein FAQ-Chatbot auf einer überschaubaren Dokumentbasis sein. Ein mittleres Projekt verbindet Dokumentenverarbeitung mit einer ERP- oder CRM-Schnittstelle. Ein großes Projekt kombiniert mehrere Datenquellen, Agentenlogik, Compliance-Anforderungen, mehrere Domänen oder Sprachen und eventuell Modellanpassung (Niessner 2026).
Abbildung: T-Shirt-Sizing hilft Führungskräften, KI-Projekte früh in S, M oder L einzuordnen. Die Größenordnung hängt vor allem von Datenlage, Integrationstiefe, Compliance und Autonomiegrad ab. Quelle: eigene Darstellung nach Niessner 2026.
Planen Sie Rollen aus vier Bereichen: Product und Governance, Engineering und Integration, Data und AI sowie Quality und Change. Für ein kleines Projekt kann eine Person mehrere Rollen übernehmen. Für ein produktives Projekt muss trotzdem klar sein, wer Business-KPIs priorisiert, Daten fachlich beurteilt, Datenschutz freigibt, Schnittstellen baut, Qualität testet, Nutzer:innen befähigt und die Mitarbeitendenvertretung einbindet (Niessner 2026; Kutzias, Dukino und Leuteritz 2023).
Sokolov ergänzt eine Führungsanforderung, die mit generativer KI wichtiger wird: Technisches und kommerzielles Verständnis dürfen nicht mehr sauber getrennt werden. Führungskräfte müssen nicht selbst Architekturentscheidungen umsetzen, aber sie sollten Kostenlogik, Systemgrenzen, Verifikationsbedarf und Wertbeitrag so weit verstehen, dass sie nicht nur zwischen Technik und Business „übersetzen“ (Sokolov 2026).
Beachten Sie die Komplexitätstreiber früh. Schlechte Datenqualität, mehrere Quellsysteme, sensible Daten, Legacy-Infrastruktur und hoher Autonomiegrad können den Aufwand massiv erhöhen. Diese Faktoren wirken nicht isoliert; ein Projekt mit mehreren Treibern kann deutlich teurer werden als die erste Basisschätzung (Niessner 2026).
Einstiegspunkte für die Umsetzung¶
Fragen Sie vor der Budgetfreigabe: Welche Projektgröße vermuten wir? Welche Integration brauchen wir wirklich? Welche Datenqualität liegt vor? Welche Rollen fehlen intern? Welche Stakeholder müssen wir früh befragen? Welche laufenden Betriebsaufgaben entstehen nach dem Go-live? Welcher Komplexitätstreiber kann unsere Schätzung verdoppeln (Niessner 2026; Kutzias, Dukino und Leuteritz 2023)?
Die Wahl des Vorgehens beschreibt Klassisch oder agil bei KI-Projekten?. Die Kosten- und Nutzenlogik vertieft ROI von KI-Projekten berechnen. Die Stakeholder- und Qualifikationslogik ergänzt Menschenzentrierte KI-Projekte (Niessner 2026; Kutzias, Dukino und Leuteritz 2023).