Entscheidungsfindung in KI-Projekten

Warum klassische Entscheidungsmethoden bei KI-Projekten oft nicht ausreichen

Die Entscheidungsfindung bei KI-Projekten unterscheidet sich fundamental von der bei traditionellen IT-Projekten. Während bei letzteren die Anforderungen, Kosten und erwarteten Ergebnisse oft klar definiert werden können, bringen KI-Projekte einige besondere Herausforderungen mit sich:

• Höhere Unsicherheit und Unvorhersehbarkeit
  Bei KI-Projekten hängt der Erfolg stark von der Datenverfügbarkeit und -qualität ab – Faktoren, die oft erst im Projektverlauf vollständig erkennbar werden.
• Fehlende Vergleichswerte und Benchmarks
  Für viele KI-Anwendungen fehlen noch branchenweite Standards und Vergleichswerte, während klassische IT-Projekte auf jahrzehntelange Erfahrungswerte zurückgreifen können.
• Die Interdisziplinarität von KI-Projekten
  KI-Projekte erfordern häufig die Zusammenarbeit verschiedener Abteilungen – von IT über Fachabteilungen bis hin zu Datenschutz- und Rechtsexperten.
• Die Herausforderung der Datenqualität
  Der Erfolg eines KI-Projekts hängt maßgeblich von der verfügbaren Datenbasis ab – ein Faktor, der bei klassischen IT-Projekten oft eine untergeordnete Rolle spielt.
• Der schwer messbare Wertbeitrag
  Der Wertbeitrag von KI-Initiativen umfasst häufig auch schwer quantifizierbare Komponenten wie verbesserte Entscheidungsqualität, Kundenzufriedenheit oder neue Geschäftsmöglichkeiten.

Diese besonderen Herausforderungen erfordern angepasste Entscheidungsmodelle, die sowohl die technischen als auch die strategischen und menschlichen Aspekte von KI-Projekten berücksichtigen.

Das Bewertungsmodell: Ein Kompass durch die Entscheidungsfindung

Eines der effektivsten Werkzeuge zur strukturierten Entscheidungsfindung bei KI-Projekten ist das Scoring-Modell oder Bewertungsmodell. Dieses Instrument hilft Ihnen, subjektive Einschätzungen in eine systematische, nachvollziehbare Bewertung zu überführen und verschiedene Faktoren entsprechend ihrer Bedeutung zu gewichten.

Ein Bewertungsmodell für KI-Projekte umfasst typischerweise folgende Komponenten:

• Relevante Bewertungskriterien: Eine sorgfältig ausgewählte Liste von Faktoren, die für die Bewertung Ihrer KI-Projekte relevant sind.
• Gewichtungsfaktoren: Jedes Kriterium erhält je nach seiner Bedeutung für Ihr Unternehmen eine entsprechende Gewichtung (z.B. in Prozent).
• Bewertungsskala: Eine einheitliche Skala (z.B. 1-10), mit der jedes Projekt hinsichtlich der einzelnen Kriterien bewertet wird.
• Berechnungsmethodik: Die mathematische Formel zur Berechnung eines Gesamtwertes für jedes Projekt, typischerweise die Summe der gewichteten Einzelbewertungen.

Die Kriterien sollten die spezifischen Anforderungen und Prioritäten Ihres Unternehmens widerspiegeln und verschiedene Aspekte abdecken: wirtschaftliche, technische und strategische Faktoren sowie organisatorische Kriterien.

Die Gewichtung der Kriterien sollte idealerweise in einem Workshop mit verschiedenen Stakeholdern erarbeitet werden, um unterschiedliche Perspektiven einzubeziehen und eine breite Akzeptanz zu schaffen.

Entscheidungskriterien für KI-Projekte: Was wirklich zählt

Die Auswahl der richtigen Bewertungskriterien ist entscheidend für den Erfolg Ihres Entscheidungsprozesses. Basierend auf meiner Erfahrung haben sich folgende Kernkriterien als besonders relevant erwiesen:

• Wirtschaftlicher Nutzen: Kosteneinsparungspotenzial, Umsatzsteigerungspotenzial, Qualitätsverbesserung und Prozessbeschleunigung. Wichtig ist, sowohl die direkten als auch die indirekten wirtschaftlichen Effekte zu betrachten.
• Technische Machbarkeit: Komplexität der KI-Aufgabe, Verfügbarkeit geeigneter Technologien, Integrierbarkeit in bestehende Systeme und Skalierbarkeit. Die Bewertung sollte idealerweise unter Einbeziehung von IT-Experten erfolgen.
• Datenverfügbarkeit und -qualität: Sind alle notwendigen Daten vorhanden? Wie vollständig, konsistent und aktuell sind die vorhandenen Daten? Wie leicht können die Daten aus bestehenden Systemen extrahiert werden?
• Mitarbeiterakzeptanz: Technologieaffinität der Nutzer, Veränderungsbereitschaft, Unterstützung durch Führungskräfte und erwarteter Nutzwert für Anwender. Die frühzeitige Einbindung künftiger Anwender kann die spätere Akzeptanz erheblich verbessern.
• Strategischer Wert: Wettbewerbsdifferenzierung, Zukunftssicherheit, Lerneffekte und Erweiterungspotenzial. Der strategische Wert sollte insbesondere bei der Bewertung von Pilotprojekten berücksichtigt werden.
• Implementierungskomplexität: Zeitbedarf, Ressourcenbedarf, Abhängigkeiten und Risiken. Eine realistische Einschätzung hilft, übermäßigen Optimismus zu vermeiden.

Die Auswahl und Priorisierung dieser Kriterien sollte an die spezifische Situation Ihres Unternehmens angepasst werden, da ein mittelständischer Fertigungsbetrieb möglicherweise andere Schwerpunkte setzen wird als ein Finanzdienstleister.

Jenseits von Zahlen: Die Balance zwischen Daten und Intuition

Obwohl strukturierte Bewertungsmodelle für die Entscheidungsfindung bei KI-Projekten unverzichtbar sind, wäre es falsch, sich ausschließlich auf quantitative Methoden zu verlassen. Die erfolgreiche Auswahl von KI-Projekten erfordert eine ausgewogene Kombination aus analytischer Systematik und unternehmerischer Intuition.

Selbst das sorgfältigste Scoring-Modell hat inhärente Grenzen: Nicht alle relevanten Faktoren lassen sich in Zahlen ausdrücken, die Gewichtung bleibt letztlich subjektiv, und disruptive Potenziale können durch standardisierte Bewertungen unterschätzt werden.

Unternehmerisches Gespür – oft fälschlich als reines „Bauchgefühl“ abgetan – ist tatsächlich das Ergebnis jahrelanger Erfahrung und unbewusster Mustererkennungen. Diese Intuition kann besonders wertvoll sein, um übergreifende Zusammenhänge zu erkennen, das disruptive Potenzial neuartiger

Anwendungen zu erahnen und die langfristigen strategischen Auswirkungen zu antizipieren.

Ein pragmatischer Ansatz könnte wie folgt aussehen:

1. Erste Sichtung mit einfachen, qualitativen Methoden
2. Vertiefte Analyse der vielversprechendsten Kandidaten
3. Kritische Reflexion der Ergebnisse mit verschiedenen Stakeholdern
4. Ergänzende Perspektiven einbeziehen
5. Ganzheitliche Entscheidung unter Berücksichtigung sowohl der quantitativen Ergebnisse als auch qualitativer Überlegungen

Die Herausforderung besteht darin, eine konstruktive Spannung zwischen systematischer Analyse und Erfahrungswissen zu schaffen, ohne in eines der Extreme zu verfallen.

Die Impact-Effort-Matrix: Schnelle Entscheidungen visuell treffen

Ein besonders wertvolles Werkzeug für die Priorisierung von KI-Projekten ist die Impact-Effort-Matrix, auch bekannt als Aufwand-Nutzen-Matrix. Diese intuitive Visualisierungsmethode ermöglicht es, verschiedene Projekte schnell und übersichtlich einzuordnen und erste Priorisierungsentscheidungen zu treffen.

Die Matrix stellt die beiden entscheidenden Dimensionen jedes Projekts gegenüber:

• Impact (Wirkung): Der potenzielle Nutzen für das Unternehmen
• Effort (Aufwand): Die erforderlichen Ressourcen und der Implementierungsaufwand

Diese beiden Dimensionen bilden die Achsen einer einfachen Vier-Felder-Matrix:

1. Quick Wins (hoher Impact, geringer Effort): Diese Projekte sollten priorisiert werden.
2. Major Projects (hoher Impact, hoher Effort): Diese Projekte erfordern sorgfältige Planung.
3. Fill-Ins (geringer Impact, geringer Effort): Diese Projekte können bei verfügbaren Ressourcen umgesetzt werden.
4. Money Pits (geringer Impact, hoher Effort): Diese Projekte sollten vermieden werden.

Die besondere Stärke dieser Methode liegt in ihrer Einfachheit und Visualität:

• Sie ist intuitiv verständlich ohne technische Vorkenntnisse
• Sie ermöglicht schnelle Einordnungen ohne komplexe Berechnungen
• Sie fördert den Dialog zwischen verschiedenen Stakeholdern
• Sie schafft eine gemeinsame visuelle Sprache für Priorisierungsentscheidungen

Die Impact-Effort-Matrix ist zwar ein Vereinfachungswerkzeug und ersetzt keine detaillierte Analyse, aber sie bietet einen hervorragenden Einstieg in den Priorisierungsprozess.

Kosten-Nutzen-Analyse leicht gemacht

Die Kosten-Nutzen-Analyse (KNA) ist ein klassisches Instrument zur Bewertung von Investitionen, das auch für KI-Projekte wertvolle Einsichten liefern kann. Allerdings schrecken viele kleine und mittlere Unternehmen ohne große Controlling-Abteilungen vor dem vermeintlich komplexen Prozess zurück.

Der Kern jeder KNA ist einfach: Stellen Sie alle erwarteten Kosten allen erwarteten Nutzen gegenüber.

Für eine praxisorientierte Umsetzung empfehle ich folgende Schritte:

Kosten erfassen:

• Direkte Kosten: Software/Lizenzen, Hardware, externe Beratung, Schulungen
• Indirekte Kosten: Zeitaufwand interner Mitarbeiter, Prozessanpassungen, temporäre Produktivitätseinbußen
• Versteckte Kosten: Lernkurven, Integration mit bestehenden Systemen, kontinuierliche Pflege

Nutzen identifizieren:

• Tangible Vorteile: Eingesparte Zeit, reduzierte Fehler, gesteigerte Produktivität, höherer Durchsatz
• Intangible Vorteile: Verbesserte Mitarbeiterzufriedenheit, besseres Kundenerlebnis, gestärkte Marktposition

Für kleinere Unternehmen ohne spezialisierte Controlling-Ressourcen empfehle ich eine vereinfachte Methodik:

1. Listen Sie alle Kosten und Nutzen in einer einfachen Tabelle auf
2. Schätzen Sie Zahlen, wo immer möglich
3. Dokumentieren Sie Ihre Annahmen transparent
4. Betrachten Sie kurz- und langfristige Auswirkungen

Eine pragmatische Kosten-Nutzen-Analyse sollte nie isoliert betrachtet werden, sondern immer im Kontext anderer Entscheidungsfaktoren wie strategische Passung, Risikoprofil, Opportunitätskosten und organisatorische Faktoren.

Das Tetralemma: Komplexe Entscheidungssituationen meistern

Manchmal stehen Unternehmen vor besonders kniffligen Entscheidungssituationen, in denen klassische Entweder-Oder-Entscheidungen nicht ausreichen. In solchen Fällen kann das Tetralemma – eine aus der antiken indischen Logik stammende und in der systemischen Beratung weiterentwickelte Methode – wertvolle Dienste leisten.

Das Tetralemma erweitert das klassische Dilemma (entweder Option A oder Option B) um zwei weitere Positionen:

1. Das Eine: Die erste Option (z.B. „Wir setzen auf eine Cloud-basierte KI-Lösung“)
2. Das Andere: Die zweite Option (z.B. „Wir entwickeln eine lokale On-Premise-Lösung“)
3. Beides: Eine Kombination beider Optionen (z.B. „Wir nutzen einen hybriden Ansatz“)
4. Keines von beiden: Eine völlig neue Alternative (z.B. „Wir sollten das Problem ganz anders angehen“)

Manchmal wird auch noch eine fünfte Position ergänzt: 5. All dies nicht, und selbst das nicht: Die Meta-Ebene, die den gesamten Entscheidungsrahmen in Frage stellt

So können Sie das Tetralemma für komplexe KI-Entscheidungen nutzen:

• Visualisieren Sie die vier Positionen in den Ecken eines Raumes oder auf einem Whiteboard
• Lassen Sie die Teilnehmer zu jeder Position die Vorteile zusammentragen
• Diskutieren Sie explizit die Möglichkeiten der Kombination und der alternativen Lösungswege
• Suchen Sie nach neuen, kreativen Ansätzen, die die ursprüngliche Entweder-Oder-Frage überwinden

Das Tetralemma eignet sich besonders für Entscheidungssituationen, in denen die ursprüngliche Fragestellung zu eng gefasst scheint, die beteiligten Stakeholder in verhärteten Positionen feststecken oder innovative Lösungsansätze gefragt sind.

Risikofaktoren erkennen und bewerten

Jedes KI-Projekt birgt spezifische Risiken, die in den Entscheidungsprozess einbezogen werden sollten. Ein strukturierter Ansatz zur Risikobewertung hilft, potenzielle Probleme frühzeitig zu identifizieren und geeignete Maßnahmen zu planen.

Typische Risikokategorien bei KI-Projekten umfassen:

• Technische Risiken: Datenqualitätsrisiken, Modellrisiken, Integrationsrisiken, Skalierungsrisiken
• Organisatorische Risiken: Kompetenzrisiken, Akzeptanzrisiken, Ressourcenrisiken, Prozessrisiken
• Rechtliche und ethische Risiken: Datenschutzrisiken, Haftungsrisiken, ethische Risiken, regulatorische Risiken

Für eine systematische Risikobewertung empfehle ich folgende Schritte:

1. Risiken identifizieren durch Brainstorming mit verschiedenen Stakeholdern
2. Risiken analysieren hinsichtlich Eintrittswahrscheinlichkeit und potenziellem Schaden
3. Risikomanagementstrategien entwickeln zur Vermeidung, Minderung, Übertragung oder Akzeptanz
4. Risiken in die Gesamtbewertung integrieren als eigenes Kriterium im Scoring-Modell

Eine einfache, aber effektive Methode zur Visualisierung von Risiken ist die Risikomatrix, die Eintrittswahrscheinlichkeit und Schadenshöhe gegenüberstellt und so kritische Risiken identifiziert.

Die Integration der Risikobewertung in den Entscheidungsprozess mag den Aufwand kurzfristig erhöhen, reduziert jedoch erheblich die Wahrscheinlichkeit von Projektabbrüchen oder kostspieligen Nachbesserungen.

Vom Bauchgefühl zum Business Case: Überzeugend argumentieren

Nachdem Sie zu einer fundierten Entscheidung gelangt sind, besteht die nächste Herausforderung darin, diese Entscheidung überzeugend zu kommunizieren – sei es gegenüber der Geschäftsführung, einem Investitionskomitee oder den betroffenen Fachabteilungen.

Ein wirkungsvoller Business Case für KI-Projekte sollte folgende Elemente umfassen:

1. Executive Summary mit Kernbotschaft, wichtigsten Nutzenversprechen und klarer Handlungsempfehlung
2. Ausgangssituation und Problemstellung mit präziser Beschreibung aktueller Herausforderungen
3. Lösungsansatz mit verständlicher Erklärung (auch für Nicht-Techniker)
4. Kosten-Nutzen-Analyse mit transparenter Aufschlüsselung und offengelegten Annahmen
5. Risikobewertung und -management mit ehrlicher Benennung der Hauptrisiken
6. Konkrete nächste Schritte mit klar definierten Meilensteinen

Die Argumentation sollte an die jeweilige Zielgruppe angepasst werden:

• Bei der Geschäftsführung/Entscheidern liegt der Fokus auf strategischer Relevanz und Geschäftswert
• Bei Fachabteilungen/künftigen Anwendern auf konkreten Erleichterungen im Arbeitsalltag
• Bei IT-Abteilungen auf technischer Integration und Ressourcenbedarf

Neben Zahlen und Fakten ist das Storytelling ein mächtiges Werkzeug, um die Vorteile einer KI-Lösung greifbar zu machen, etwa durch konkrete Anwendungsszenarien, Erfolgsgeschichten aus ähnlichen Unternehmen oder Vorher-Nachher-Vergleiche.

Entscheidungen umsetzen: Die nächsten Schritte

Die beste Entscheidung ist nur so gut wie ihre Umsetzung. Nach Abschluss des Auswahlprozesses beginnt die entscheidende Phase der Implementierung.

Von der Entscheidung zum Aktionsplan:

1. Detailliertes Projektvorgehen definieren mit Meilensteinen und klaren Verantwortlichkeiten
2. Stakeholder Management etablieren mit strukturiertem Kommunikationsplan
3. Quick Wins identifizieren für frühe, sichtbare Erfolge

Bei KI-Projekten empfiehlt sich häufig ein Proof of Concept (PoC) vor der vollständigen Implementierung, der es ermöglicht, Annahmen zu validieren, technische Machbarkeit zu bestätigen und frühes Nutzerfeedback zu sammeln.

Nach erfolgreichem PoC folgt die eigentliche Implementierung mit Pilotphase, schrittweisem Rollout und kontinuierlicher Optimierung.

Erfolgskritische Faktoren für die Umsetzung umfassen aktives Sponsorship, sorgfältiges Change Management, iteratives Vorgehen und die sichtbare Kommunikation von Erfolgen.

Fazit: Mit strukturierten Entscheidungen zum KI-Erfolg

Die Auswahl der richtigen KI-Projekte ist eine der entscheidenden Weichenstellungen auf dem Weg zur erfolgreichen digitalen Transformation. Wir haben verschiedene Methoden und Werkzeuge vorgestellt, die Ihnen helfen, diese komplexe Entscheidungsaufgabe zu meistern – vom Scoring-Modell über die Impact-Effort-Matrix bis hin zur Risikobewertung.

Die wichtigsten Erkenntnisse zusammengefasst:

1. Klassische Entscheidungsmethoden greifen bei KI oft zu kurz aufgrund der spezifischen Herausforderungen dieser Technologie.
2. Ein ausgewogener Mix aus Methoden führt zu besseren Entscheidungen als jede einzelne Methode für sich.
3. Neben harten Faktoren spielt die Mitarbeiterakzeptanz eine entscheidende Rolle für den Erfolg eines KI-Projekts.
4. Eine pragmatische Kosten-Nutzen-Analyse ist auch für KMUs machbar ohne komplexe Finanzmodelle.
5. Risiken systematisch zu bewerten verhindert böse Überraschungen später im Projektverlauf.
6. Die Kommunikation der Entscheidung ist ebenso wichtig wie die Entscheidung selbst, um die notwendige Unterstützung zu finden.
7. Der Übergang zur Umsetzung sollte schrittweise und kontrolliert erfolgen, um Risiken zu minimieren.

Letztendlich geht es nicht darum, mathematisch perfekte Entscheidungen zu treffen, sondern darum, mit den verfügbaren Informationen und Methoden zu fundierten Entscheidungen zu gelangen, die auf die spezifische Situation Ihres Unternehmens zugeschnitten sind.

Als TÜV-zertifizierter KI-Berater mit langjähriger Erfahrung in der technischen Kommunikation unterstütze ich Sie gerne dabei, die für Ihre spezifische Situation passenden Entscheidungsmethoden zu finden und anzuwenden. Gemeinsam können wir die KI-Potenziale identifizieren und priorisieren, die für Ihr Unternehmen den größten Mehrwert bieten.

Über den Autor: Stefan Weimar ist TÜV-zertifizierter KI-Consultant und Diplom-Ingenieur mit über 30 Jahren Erfahrung in der technischen Kommunikation. Als Gründer von PRODOC begleitet er mittelständische Unternehmen bei der digitalen Transformation ihrer internationalen Kommunikation.