KI Navigator #13: Künstliche Intelligenz überholt das Daily

Willkommen zur dreizehnten Ausgabe der KI-Navigator-Kolumne der DOAG KI Community!

Generative KI-Tools helfen Einzelnen dabei, Texte zu schreiben, zu programmieren oder Bilder zu erstellen. Aber sie verändern auch, wie Teams zusammenarbeiten. Intelligente Agenten können künftig komplette Aufgabenbereiche in Teams übernehmen und Aufgaben nach Expertise zuweisen, die nächsten Arbeitsschritte aus Diskussionen ableiten oder Softwaretests generieren.

Das stellt bewährte Methoden des Projektmanagements und der Softwareentwicklung auf den Prüfstand. KI-basierte Systeme unterscheiden sich grundlegend von bisheriger Software: Statt klar definierter Regeln im Programmcode treffen probabilistische Modelle teils unsichere Vorhersagen. Das Regelwerk der Modelle kann sich über die Zeit verändern, wenn die ML-Verfahren neue Zusammenhänge in den Daten aufdecken.

Die Ergebnisse der Systeme sind heute schon teilweise besser als die von Menschen. So wird der Einsatz von KI in der Softwareentwicklung zum „Outsourcing Deluxe“. Eine Herausforderung dabei ist, dass KI-basierte Systeme komplex und teils mit unseren menschlichen Ansätzen nicht erklärbar sind.

All das hat Auswirkungen auf die Arbeitsweise in Teams. Sogar agile Arbeitsansätze wie Scrum geraten unter Druck – nicht, weil die Methoden überholt sind, sondern weil die Teams sie an die neuen Bedingungen anpassen müssen.

Um diese Veränderung besser zu verstehen, haben wir Experten aus dem Bereich Agilität und Data Science zusammengebracht und den Einfluss von KI auf Agilität erörtert. Die ersten Ergebnisse dieses Erfahrungsaustauschs zeigen wir in dieser Ausgabe der KI-Kolumne.

Passen KI und agile Methoden zusammen?

In den vergangenen Jahren galten agile Methoden als Wundermittel, um komplexe Probleme zu lösen und mit den rasanten Veränderungen am Markt bezüglich Kundenanforderungen und Technologie mithalten zu können. Methoden wie Scrum operationalisieren agile Prinzipien in der Teamarbeit und sollen Unternehmen befähigen, Veränderungen zu antizipieren und darauf zielgerichtet zu reagieren. Im weiteren Verlauf legt dieser Artikel den Fokus auf Scrum, genauer gesagt die agilen Events und Rollen innerhalb des Scrum-Frameworks.

In der Theorie scheint es, als würden agile Methoden und KI wunderbar zusammenwirken. Sowohl KI-Projekte als auch die agilen Methoden fordern ein hypothesengetriebenes, iterativ-inkrementelles Arbeiten und ermöglichen eine Fehlerkultur. Trotzdem oder gerade deshalb entbrannte im Rahmen unseres Workshops eine rege Diskussion zwischen den Agilisten und den stärker explorativ arbeitenden Data Scientists, die sich in zwei Richtungen entwickelte.

KI in agile Arbeitsweise integrieren

Die erste Richtung drehte sich um die Frage, wie KI dabei helfen kann, agile Produktentwicklung zu optimieren. In der Softwareentwicklung ist beispielsweise nicht jede Tätigkeit komplex, sondern viele Aktivitäten sind gut einschätzbar und planbar. Das führt in der Praxis dazu, dass Sprintziele oft mit konkreten Features oder Aufgaben gleichgesetzt werden und somit der Fokus häufig auf gesteigerter Effizienz liegt: mehr Software in weniger Zeit. Im Rahmen der KI-Navigator-Kolumne haben Semjon Mössinger und Bastian Weinlich fünf Stufen der KI-Nutzung in der Softwareentwicklung beschrieben. Für nahezu jede Aktivität in der Softwareentwicklung gibt es bereits Tools, um den Prozess (teilweise) zu automatisieren. Die folgende Tabelle nennt einige Beispiele von KI-Anwendungen im Softwareentwicklungsprozess.

Produkte mit KI-Anteil entwickeln

Die zweite Richtung der Diskussion drehte sich um die Frage, wie Teams agile Methoden verändern müssen, wenn sie datengetriebene, KI-basierte Systeme statt klassischer Software entwickeln. Diese Systeme verarbeiten große, oft unstrukturierte Datenmengen, deren Qualität entscheidend für die Leistungsfähigkeit der späteren Anwendung ist. Die Entwicklung ist von Hypothesen getrieben, die das Team testet und anpasst, und orientiert sich nur wenig an konkreten Anforderungen. Ergebnisse entstehen nicht linear, sondern durch Exploration und Experimentieren. Das Validieren der Ergebnisse ist besonders komplex, da ein KI-Modell oft nur als Ganzes sinnvoll testbar ist und isolierte Zwischenergebnisse wenig Aussagekraft besitzen. Zudem gilt es, KI-Anwendungen regelmäßig nachzutrainieren und an neue Daten anzupassen, um aktuell und leistungsfähig zu bleiben.

Agile Methoden wie Scrum setzen prinzipiell auf klar strukturierte Rhythmen: Sprintplanung, Review, Retrospektive. Sie verfolgen das Ziel, früh sichtbare Ergebnisse zu liefern, die sich iterativ verbessern lassen. In der Theorie passen agile Methoden somit gut zur Entwicklung von Produkten, die zumindest einen KI-Anteil haben. Insbesondere die schnellen Iterationen, das Fördern funktionsübergreifender Zusammenarbeit und die hohe Anpassungsfähigkeit an geänderte Anforderungen durch häufige Feedbackschleifen schaffen scheinbar ideale Voraussetzungen für die KI-Entwicklung. So können Teams flexibel auf neue Erkenntnisse reagieren und den Entwicklungsprozess kontinuierlich verbessern.

In der Praxis stoßen agile Implementierungen bei KI- und Data-Science-Projekten jedoch an ihre Grenzen. Data Scientists beklagen übermäßigen Aufwand durch die Pflege oder Definition von Issues oder fühlen sich gedrängt, am Ende des Sprints ein Zwischenergebnis der explorativen Arbeit zu zeigen. Auch Sprintziele lassen sich nur schwer als präzises Ergebnis definieren. Die Rolle des Product Owners verliert an Kontur, da ein kontinuierlicher Erkenntnisgewinn das Produkt deutlich verändert. Einige Teams improvisieren daher und können so ihre methodische Klarheit verlieren, was zu einem ineffektiven Methodeneinsatz führen kann.