Die Frage, die ich in KI-Projekten am häufigsten höre, lautet „Welches Modell?“. Die meisten dieser Projekte geraten jedoch lange ins Stocken, bevor die Leistungsfähigkeit des Modells eine Rolle spielt – wegen eines unklaren Ziels, unklarer Daten und unklarer Verantwortlichkeiten. Genau diese Lücken zu schließen, ist die Aufgabe des Projektmanagers. Nachfolgend beschreibe ich, wie ich die Rolle verstehe. Dies ist weder eine Fallstudie noch ein gemessenes Ergebnis, sondern eine Zusammenfassung meiner Arbeitsweise.
Der Projektmanager wählt nicht das Modell, sondern baut den Entscheidungsrahmen
Als Projektmanager mit Software-Engineering-Hintergrund sehe ich Folgendes: In einem KI-Projekt fragt das technische Team „Was ist möglich?“, die Fachseite fragt „Wozu ist es nützlich?“. Wenn niemand die Frage dazwischen verantwortet – „Welche Entscheidung oder welcher Prozess wird besser, gemessen an welcher Kennzahl?“ –, bleibt das Projekt in der Demo-Phase stecken. Der erste Beitrag des Projektmanagers besteht darin, diese Frage schriftlich festzuhalten und im selben Dokument aufzulisten, was nicht zum Umfang gehört.
In KI-Agent-Projekten: Befugnisgrenzen und menschliche Freigabe
Ein KI-Agent ist ein Prozess, der Werkzeuge aufrufen und Schritt für Schritt voranschreiten kann. Die Managementfrage lautet also nicht „Wie intelligent ist er?“, sondern „Was darf er anfassen?“. Zu Projektbeginn lege ich fest:
- Auf welche Werkzeuge und Daten kann der Agent zugreifen; was darf er nur lesen, was darf er verändern?
- An welchen Schritten ist eine menschliche Freigabe zwingend?
- Was passiert, wenn der Agent nicht weiterkommt oder sich irrt; wie sehen Rollback und Übernahme aus?
- Wo werden die Ausführungsprotokolle aufbewahrt, und wer prüft sie?
In LLM-RAG-Projekten: Quellen, Aktualität und Berechtigung
RAG ermöglicht es einem Modell, aus den Dokumenten einer Organisation zu antworten; sein Erfolg hängt oft stärker vom Zustand dieser Dokumente ab als vom Modell. Welche Dokumente sind Quellen, wer hält sie aktuell, wie werden alte Versionen entfernt, und erhält ein Nutzer nur Antworten aus Dokumenten, die er einsehen darf? Das wirkt wie technisches Detail, sind aber Geschäftsentscheidungen, die in den ersten Wochen der Planung geklärt sein müssen. Außerdem schreibe ich Nachvollziehbarkeit in die Abnahmekriterien: Fragt ein Nutzer „Woher haben Sie das?“, muss das Quelldokument rückverfolgbar sein.
In Fine-Tuning-Projekten: Ist es überhaupt nötig?
Fine-Tuning ist oft die erste Idee, sollte aber nicht immer die erste Lösung sein. Wenn Prompt-Design oder RAG den Bedarf deckt, verursacht Fine-Tuning zusätzliche Kosten und Wartungsaufwand. Fällt die Entscheidung dafür, verlangt der Projektmanager: Herkunft und Nutzungsrechte der Trainingsdaten, Klarheit darüber, ob sie personenbezogene Daten enthalten, einen separaten Evaluierungsdatensatz und einen Ausweichplan für den Fall, dass das erwartete Ergebnis nicht erreicht wird.
Das gemeinsame Rückgrat: Pilot, messen, entscheiden
In allen drei Projektarten folge ich derselben Reihenfolge: Ziel und Erfolgskriterium aufschreiben, einen Pilot in kleinem Umfang aufbauen, das Ergebnis an realen Beispielen messen und die Entscheidung über Ausweitung, Abbruch oder Kurswechsel schriftlich festhalten. Der Sinn eines Piloten ist nicht, „Es hat funktioniert“ zu sagen, sondern die nächste Entscheidung auf Basis von Belegen zu treffen. Auch die Entscheidung zum Abbruch kann ein erfolgreiches Pilotergebnis sein: Man hat gelernt, ohne in das falsche Produkt zu investieren.
Was der Projektmanager liefert
- Dokument zu Umfang und Abnahmekriterien: die fachliche Fragestellung, der Nutzer, die Daten, was nicht zum Umfang gehört.
- Daten-, Zugriffs- und Risikoregister: jedes Risiko mit Verantwortlichem und Gegenmaßnahme.
- Zusammenfassung des Pilotergebnisses: mit realen Beispielen und einer Empfehlung zur Ausweitung.
- Entscheidungsprotokolle: wer was auf welcher Grundlage entschieden hat.
- Übergabe: Nutzungs- und Wartungswissen, damit das Team das System ohne mich betreiben kann.
Kurz gesagt
In einem KI-Projekt ersetzt der Projektmanager nicht das Modell; er definiert die Arbeit, die Daten, die Befugnisse und die Entscheidung, innerhalb derer das Modell arbeiten wird. Wie ich das in meiner eigenen Arbeit anwende, sehen Sie auf den Seiten KI-Projekte und Projektmanagement.