KI-Technologien versprechen gerade bei komplexen und aufwändigen Projekten Entlastung für Unternehmen und Mitarbeitende – doch über den Erfolg oder Misserfolg einer KI-Implementierung entscheidet oft nicht die Technologie, sondern das federführende Projektteam und deren Rollen und Kompetenzen.

Neue Projekte, die Künstliche Intelligenz einsetzen, benötigen ganz andere Fähigkeiten als herkömmliche – und deshalb vor allem eine andere Teamzusammensetzung: Es werden nicht nur die klassischen Softwareentwicklerinnen und -entwickler benötigt, auch Fachabteilungen und Datenspezialistinnen und -spezialisten sollten einbezogen werden. Aber wie findet man nun heraus, welche Akteurinnen und Akteure wann und wie im Projekt eingebunden werden sollen? Was kann von der eigenen Belegschaft abgedeckt werden? Sind ggf. neue Stellen zu schaffen oder kann die Aufgabe auch an Externe ausgelagert werden?
Zwei praktische Methoden können hier Licht ins Dunkel der optimalen Teamzusammensetzung bringen: Zum einen die Rollen- und Stakeholder-Analyse zur Identifizierung der notwendigen Akteurinnen und Akteure und zum anderen die RACI-Matrix zur Planung der Aufgaben und deren Verantwortlichkeiten.

Rollen- und Stakeholder-Analyse

Diese Methode unterstützt Sie dabei, zu klären, welche Akteurinnen und Akteure im Projekt notwendig sein werden und wie sich das Projektteam zusammenstellen sollte.
Bei KI- bzw. datengetriebenen Projekten setzt sich das Projektteam in der Regel aus sehr interdisziplinären Rollen und Kompetenzen zusammen, diese können neu und divers sein, beispielsweise Data Scientist, Fachdatenexpertin und -experte, etc. Um die Rollen bzw. Akteurinnen und Akteure zu definieren, empfehlen wir eine Übersicht über alle Rollen zu erstellen. Da es zum Teil nicht so einfach ist, zu wissen, welche Rollen man braucht, kann man sich auch Gedanken zu den einzelnen Aufgaben im Projekt machen und sich danach überlegen, wer diese Rolle übernehmen könnte und wie sie genau definiert ist.

Zur übersichtlicheren Darstellung und Visualisierung der wichtigsten Fragestellungen bietet es sich an, folgende Felder pro Rolle zu hinterfragen:

  • Benennung der Rolle / der Akteurin bzw. des Akteurs; z. B. Fachdatenexpertin bzw. -experte
  • Definition der Rolle / der Akteurin bzw. des Akteurs; z. B. Expertin oder Experte aus der Anwendungsdomäne mit Fokus auf Daten
  • Aufgaben der Rolle / der Akteurin bzw. des Akteurs; z. B. Generierung und Interpretation von Daten
  • Verantwortung der Rolle / der Akteurin bzw. des Akteurs (Name / Abteilung / Unternehmen); z. B. Chris P. Bacon, Zentrale IT, Eigenes Unternehmen

Eine Übersicht hierzu kann klassisch per Metaplan mit Karten oder mit einem digitalen Whiteboard, Präsentationstool und anderen Anwendungen erarbeitet werden.

Wenn alle vorhandenen Rollen und Kompetenzen auf dem Whiteboard platziert sind, zeigt sich, welche Rollen besetzt oder noch nicht besetzt werden können. Fehlende Rollen und Akteurinnen bzw. Akteure müssen gegebenenfalls noch qualifiziert, eingestellt oder extern vergeben werden.

Responsibility Assignment Matrix (RACI)

Hat man die Rollen und Kompetenzen geklärt, gilt es, diese den anstehenden Aufgaben und Aktivitäten zuzuweisen. Eine dafür im Projektmanagement weit verbreitete Methode ist die sogenannte RACI-Matrix. Sie besteht aus den folgenden Komponenten:

  • R – Responsible (verantwortlich) – Personen, die für die Durchführung des Projekts verantwortlich sind, z. B. Data Scientist, Mitarbeitende der Geschäftseinheit, IT-Architektin bzw. -Architekt usw.
  • A – Accountable (rechenschaftspflichtig) – Personen, die für das Projekt und seine Teilschritte verantwortlich sind und Entscheidungen darüber treffen, z. B. Projektmanager, IT-Manager usw.
  • C – Consultant (beratend) – Können interne und externe Expertinnen und Experten sein, die Informationen zur Entscheidung innerhalb des Projekts beitragen.
  • I – Informed (informierend) – Bilden Sie den Personenkreis, der über die Ergebnisse informiert ist, aber die Entscheidung nicht beeinflussen kann, z. B. IT-Nutzende.
Abbildung 1: RACI-Matrix am Beispiel eines Data Science Prozesses. (Quelle: eigenes Beispiel)
Abbildung 1: RACI-Matrix am Beispiel eines Data Science Prozesses. (Quelle: eigenes Beispiel)

 

Die Matrix zeigt klare Verantwortlichkeiten auf und vereinfacht somit die Kommunikation zwischen den Akteuren im Projekt.
Ein weiterer Vorteil ist die Nutzerfreundlichkeit, denn Bleistift und Papier können durchaus ausreichen. Alternativ kann man auch eine der zahlreichen Vorlagen aus dem Internet herunter und verwenden, siehe Abbildung 1.

Fazit: Projektteams über die gesamte Projektlaufzeit strukturiert aufsetzen

Eine unzureichende Planung der Teams und seiner Kompetenzen kann langfristig den Projekterfolg gefährden und somit das Projekt zum Scheitern bringen. Deshalb sollte man sich ausreichend Zeit nehmen, sich Gedanken zur Teamzusammenstellung machen und bei Bedarf Unterstützung anfordern. Wir bieten diese in Form von Einzelworkshops an, begleiten Projekte aber auch allumfänglich.

Dieser Beitrag ist Teil einer Blog-Reihe, in der wir (Damian Kutzias und Claudia Dukino aus dem Bereich Digital Business) uns in den kommenden Monaten mit den Herausforderungen datenbasierter Projekte beschäftigen und dazu Mensch, Technik und Organisation im Einklang betrachten werden.

Leselinks:

Claudia Dukino

Claudia Dukino ist wissenschaftliche Mitarbeiterin am Fraunhofer IAO. Sie unterstützt Unternehmen dabei eigene KI-Anwendungsfelder zu erschließen und für sich nutzbar zu machen. Dabei liegt ihr Hauptaugenmerk auf den Menschen mit ihren Tätigkeiten und Prozessen ohne dabei die Technologie außen vor zu lassen.

Autorenprofil



Kategorien: Künstliche Intelligenz
Tags: , , ,