KI-ULTRA Vorgehensmodell für KI-Projekte

Kernfrage für Unternehmen

Das KI-ULTRA Vorgehensmodell beschreibt, wie Unternehmen ein konkretes KI- oder datenbasiertes Einführungsprojekt von der Idee bis zur Anwendung strukturieren. Es ergänzt reine Datenprojektmodelle, weil es nicht nur Modellbau und Evaluation betrachtet, sondern auch Wirtschaftlichkeit, Stakeholder, Recht, Projektteam, Qualifikation, Prozessveränderung und Betrieb mitdenkt (Kutzias, Dukino und Leuteritz 2023).

Im KI-Business-Kompass ist KI-ULTRA deshalb das operative Gegenstück zur Seite KI-Strategie und Wandel gestalten: Strategie und Wandel klären den Rahmen für mehrere KI-Initiativen; das KI-ULTRA Vorgehensmodell hilft, ein einzelnes KI-Projekt menschenzentriert und kontrolliert umzusetzen (Braun et al. 2023; Kutzias, Dukino und Leuteritz 2023).

Abbildung: Das KI-ULTRA Vorgehensmodell verbindet Zielklärung, Projektstart, Entwicklung und Nutzbarmachung. Wichtig sind Rücksprünge, Abbruchentscheidungen und die durchgängige Mensch-Technik-Organisation-Perspektive. Quelle: Kutzias, Dukino und Leuteritz 2023.

Typische Stolpersteine

Viele KI-Projekte starten mit einer technischen Machbarkeit, ohne vorher zu klären, welches Unternehmensziel, welcher Prozess, welche Stakeholder und welche rechtlichen Anforderungen betroffen sind. KI-ULTRA stellt deshalb die Phase „Ziele und Anforderungen“ an den Anfang: Wirtschaftlichkeit, Unternehmensanforderungen, betroffene Prozesse, Schlüsselaktivitäten, Stakeholderperspektive und rechtliche Aspekte gehören vor den eigentlichen Projektstart (Kutzias, Dukino und Leuteritz 2023).

Ein zweiter Fehler liegt darin, KI-Projekte als lineare Softwareprojekte zu behandeln. Bei datenbasierten Vorhaben ist zu Beginn oft unklar, ob die vorhandenen Daten genug relevante Information enthalten. Das Modell zeigt deshalb ausdrücklich Rückschritte bis zur finalen Evaluation und macht sichtbar, dass ein Projekt auch gestoppt werden sollte, wenn Zielerreichung oder Wirtschaftlichkeit nicht gegeben sind (Kutzias, Dukino und Leuteritz 2023).

Ein dritter Fehler entsteht, wenn die Nutzbarmachung zu spät kommt. Deployment ist nicht nur technische Inbetriebnahme. Die KI-Anwendung muss in Prozesse und Betriebslandschaft eingebunden werden; Mitarbeitende müssen qualifiziert, Jobprofile angepasst und Verantwortlichkeiten für Betrieb, Pflege und Weiterentwicklung geklärt werden (Kutzias, Dukino und Leuteritz 2023).

Bewährte Vorgehensweisen

Nutzen Sie KI-ULTRA als Checkliste für vier Projektphasen, nicht als starres Wasserfallmodell. Die Phasen müssen in der Praxis nicht strikt nacheinander laufen; spätere Schritte wie Qualifikation, Prozessanpassung oder Betriebsverantwortung sollten oft früh vorbereitet werden. Das Modell soll verhindern, dass wichtige Inhalte vergessen werden, ersetzt aber nicht die konkrete Projektsteuerung (Kutzias, Dukino und Leuteritz 2023).

Phase 1: Ziele und Anforderungen. Klären Sie zuerst Ziel und Wirtschaftlichkeit, Unternehmensanforderungen, betroffene Prozesse, Schlüsselaktivitäten, Stakeholderbedarfe und rechtliche Anforderungen. Diese Phase entscheidet, ob überhaupt ein tragfähiges KI-Projekt vorliegt und welche Grenzen es einhalten muss (Kutzias, Dukino und Leuteritz 2023).

Phase 2: Projektstart. Danach wird der Projektrahmen aufgesetzt: Datenbereitstellung, Projektmanagement, Technologieauswahl sowie Projektteam und Stakeholder. Hier wird aus einer geprüften Idee ein arbeitsfähiges Projekt mit Rollen, Zugriffen, Methoden und Entscheidungswegen (Kutzias, Dukino und Leuteritz 2023).

Phase 3: Konzepte und Entwicklung. In dieser Phase werden Daten verstanden, aufbereitet und modelliert; zusätzlich entstehen System- und Datenarchitektur, Robustheits- und Sicherheitsprüfungen sowie die abschließende Evaluation. Wenn Daten oder Modell die Zielsetzung nicht tragen, sind Modelloptimierung, Rücksprung oder Projektabbruch Teil der Logik (Kutzias, Dukino und Leuteritz 2023).

Phase 4: Nutzbarmachung der Ergebnisse. Erst wenn die Lösung fachlich und wirtschaftlich tragfähig ist, folgt die Überführung in Anwendung und Betrieb. Dazu gehören Deployment, Qualifikationsveränderungen und Prozessveränderungen. Für Führungskräfte ist das der entscheidende Unterschied zwischen Prototyp und produktivem Nutzen (Kutzias, Dukino und Leuteritz 2023).

Einstiegspunkte für die Umsetzung

Starten Sie mit fünf Managementfragen (Kutzias, Dukino und Leuteritz 2023):

1. Welches Unternehmensziel rechtfertigt das Projekt?
2. Welche Prozesse und Schlüsselaktivitäten verändern sich?
3. Welche Datenunsicherheit müssen wir zuerst prüfen?
4. Wer ist fachlich, rechtlich, technisch und organisatorisch betroffen?
5. Welche Kriterien führen zu Weiterführung, Rücksprung oder Abbruch?

Bei hoher Datenunsicherheit ist eine kleine Machbarkeitsstudie sinnvoll: Sie fokussiert zuerst auf die Daten und blendet andere Aspekte bewusst aus, um zu prüfen, ob genug projektrelevante Information vorhanden ist. Danach kann das Unternehmen entscheiden, ob ein vollständiges Projekt wirtschaftlich und organisatorisch sinnvoll ist (Kutzias, Dukino und Leuteritz 2023).

Für die Daten- und Modelllogik passt CRISP-DM für KI-Projekte. Für die Wahl zwischen linearer und iterativer Steuerung passt Klassisch oder agil bei KI-Projekten?. Die Querschnittsperspektive auf Beteiligung, Akzeptanz und Qualifikation vertieft Menschenzentrierte KI-Projekte. Für den strategischen Rahmen passt KI-Strategie und Wandel gestalten (Braun et al. 2023; Kutzias, Dukino und Leuteritz 2023; Niessner 2026).