Warum sich agile Vorgehensweisen für KI-Projekte besonders eignen

Das Problem: KI-Projekte sind anders

Wer schon einmal ein Machine-Learning-Modell trainiert hat, weiß: KI-Projekte laufen selten nach Plan. Die Daten sind schlechter als erwartet, das erste Modell liefert enttäuschende Ergebnisse, und der Stakeholder ändert mittendrin die Anforderungen, weil ein erster Prototyp neue Möglichkeiten aufzeigt.

Genau das macht KI-Projekte so spannend – und so gefährlich für klassische Projektmethoden. Laut einer Studie von Gartner scheitern über 80 % aller KI-Projekte daran, dass sie den Sprung vom Prototyp in die Produktion nicht schaffen. Ein wesentlicher Grund: Starre Planung in einem Umfeld, das Flexibilität verlangt.

Warum Wasserfall bei KI scheitert

Das Wasserfall-Modell funktioniert nach einem klaren Prinzip: Erst analysieren, dann planen, dann umsetzen, dann testen. Jede Phase wird vollständig abgeschlossen, bevor die nächste beginnt. Für den Bau einer Brücke ist das sinnvoll – für ein KI-Projekt ist es ein Rezept zum Scheitern.

1. Anforderungen sind zu Beginn unklar

Bei einem KI-Projekt weiß man zu Beginn oft nicht einmal, ob das Ziel erreichbar ist – geschweige denn wie. Ob ein Modell eine bestimmte Genauigkeit erreicht, hängt von der Datenqualität, dem Algorithmus und dutzenden Hyperparametern ab. Diese Unsicherheit lässt sich nicht wegplanen.

2. Daten bestimmen den Weg

In klassischen Projekten bestimmen Anforderungen die Architektur. In KI-Projekten bestimmen die Daten den Weg. Erst die explorative Datenanalyse zeigt, welche Features relevant sind, wo Lücken klaffen und welcher Modelltyp in Frage kommt. Ein starrer Plan kann diese Erkenntnisse nicht vorwegnehmen.

3. Feedback-Schleifen sind überlebenswichtig

Ein KI-Modell muss trainiert, evaluiert, angepasst und erneut trainiert werden – oft dutzende Male. Wer erst nach Monaten den ersten Test durchführt, hat wertvolle Zeit verloren. Frühe und häufige Feedbackzyklen sind bei KI kein Nice-to-have, sondern überlebenswichtig.

5 agile Prinzipien, die perfekt zu KI passen

Agile Methoden wurden ursprünglich für Softwareentwicklung konzipiert. Aber ihre Kernprinzipien passen wie angegossen auf KI-Projekte – teilweise sogar besser als auf klassische Software.

1. Iteratives Vorgehen statt Big-Bang-Delivery

KI-Entwicklung ist iterativ. Du trainierst ein Modell, evaluierst es, änderst Features, trainierst erneut. Agile Sprints bilden diesen natürlichen Rhythmus ab. Jeder Sprint liefert ein verbessertes Modell oder eine neue Erkenntnis – statt nach Monaten ein fertiges Produkt zu versprechen, das nicht funktioniert.

2. Funktionierende Ergebnisse über umfassende Dokumentation

In einem KI-Projekt sagt ein funktionierender Prototyp mehr als hundert Seiten Spezifikation. Ein trainiertes Modell mit 82 % Genauigkeit auf echten Daten ist wertvoller als ein theoretisches Konzept, das 95 % verspricht. Agile Methoden priorisieren genau das: zeigbare Ergebnisse in kurzen Abständen.

3. Reagieren auf Veränderung statt Plan-Verfolgung

Stell dir vor, du trainierst ein Sentiment-Analyse-Modell und merkst nach der ersten Iteration: Die Trainingsdaten sind zu einseitig. Im Wasserfall wärst du jetzt in einem Change-Request-Prozess gefangen. Im agilen Setup passt du einfach den nächsten Sprint an.

4. Zusammenarbeit über Abteilungsgrenzen

KI-Projekte brauchen Data Scientists, Engineers, Domain-Experten und Stakeholder an einem Tisch. Agile Methoden wie Daily Stand-ups, Sprint Reviews und Retrospektiven schaffen genau diese Zusammenarbeit – und verhindern, dass Teams monatelang aneinander vorbeiarbeiten.

5. Experimente sind Wert, kein Abfall

In klassischen Projekten ist ein gescheiterter Ansatz ein Problem. In agilen KI-Projekten ist er eine Erkenntnis. "Dieses Modell funktioniert nicht mit diesen Features" ist ein wertvolles Sprint-Ergebnis, das den Weg für den nächsten Schritt ebnet.

Kanban vs. Scrum: Welche Methode für welche KI-Phase?

Nicht jede agile Methode passt gleich gut auf jede Phase eines KI-Projekts. In der Praxis hat sich eine Kombination bewährt.

Kanban: Ideal für Exploration und Data Science

In der explorativen Phase – Datenanalyse, Feature Engineering, Modell-Experimente – ist Kanban die bessere Wahl. Warum?

• Kein fester Sprint-Rhythmus: Explorationsaufgaben lassen sich schlecht in 2-Wochen-Boxen pressen. Manche dauern 2 Stunden, manche 5 Tage.
• WIP-Limits erzwingen Fokus: Data Scientists neigen dazu, 10 Experimente parallel zu starten. Kanban-WIP-Limits sorgen dafür, dass Aufgaben abgeschlossen werden.
• Transparenz durch Spalten: „Daten aufbereiten", „Modell trainieren", „Evaluieren", „Review" – ein Kanban Board macht den Workflow sichtbar.
• Continuous Flow: Neue Erkenntnisse können sofort in neue Tasks münden, ohne auf den nächsten Sprint warten zu müssen.

Scrum: Ideal für Produktisierung und Deployment

Sobald ein KI-Modell steht und in Produktion gehen soll, bietet Scrum klare Vorteile:

• Sprint-Ziele geben Richtung: „Am Ende des Sprints läuft das Modell in der Staging-Umgebung" ist ein klares Ziel.
• Sprint Reviews mit Stakeholdern: Demo des aktuellen Stands, Feedback einsammeln, Kurs korrigieren.
• Velocity-Tracking: Wie viele Story Points schafft das Team pro Sprint? Das hilft bei der Planung.
• Retrospektiven: Was hat beim letzten Modell-Deployment nicht funktioniert? Wie machen wir es besser?

Der typische KI-Projektablauf – agil gedacht

Wie sieht ein agiles KI-Projekt in der Praxis aus? Hier ein bewährtes Vorgehen in 5 Phasen, das sich in meiner Erfahrung als IT-Consultant vielfach bewährt hat.

Phase 1: Problem-Discovery (1-2 Sprints)

• Business-Problem verstehen und schärfen
• Datenquellen identifizieren und Datenverfügbarkeit prüfen
• Machbarkeitseinschätzung: Ist KI der richtige Ansatz?
• Ergebnis: Go/No-Go-Entscheidung mit klarem Problem-Statement

Phase 2: Data Exploration (2-4 Sprints, Kanban)

• Explorative Datenanalyse (EDA)
• Datenqualität bewerten, Lücken identifizieren
• Feature Engineering und erste Hypothesen
• Ergebnis: Bereinigter Datensatz, Feature-Pipeline, erste Erkenntnisse

Phase 3: Modell-Entwicklung (3-6 Sprints, Kanban/Scrum)

• Baseline-Modell erstellen
• Iteratives Verbessern: Algorithmen, Hyperparameter, Features
• Evaluation mit relevanten Metriken
• Ergebnis: Validiertes Modell mit dokumentierter Performance

Phase 4: Produktisierung (2-4 Sprints, Scrum)

• API-Entwicklung und Integration
• Monitoring und Alerting einrichten
• A/B-Testing und schrittweises Rollout
• Ergebnis: Produktionsreifes KI-System

Phase 5: Continuous Improvement (fortlaufend, Kanban)

• Modell-Performance überwachen (Model Drift)
• Retraining bei verschlechterter Genauigkeit
• Neue Features und Datenquellen integrieren
• Ergebnis: Nachhaltig wertschöpfendes KI-System

Agile Rollen in KI-Projekten

Die klassischen agilen Rollen lassen sich auf KI-Projekte übertragen, aber mit wichtigen Anpassungen.

Do's und Don'ts: Agile in KI-Projekten

Dein KI-Projekt mit einem Kanban Board starten

Der einfachste Weg, agile Methoden in dein KI-Projekt einzuführen, ist ein Kanban Board. Es braucht keine Schulung, keine teure Software und keine Umstrukturierung. Starte mit vier Spalten:

1. Backlog: Alle Hypothesen, Experimente und Tasks sammeln
2. In Arbeit: Maximal 2-3 parallele Aufgaben (WIP-Limit!)
3. Review: Ergebnisse bewerten, Metriken prüfen
4. Done: Abgeschlossene und dokumentierte Erkenntnisse

Ergänze Prioritäten (Must Have, Should Have, Could Have) für deine Experimente, vergib Story Points auf der Fibonacci-Skala für die geschätzte Komplexität und nutze Tags wie „Daten", „Modell", „Deployment" oder „Infrastruktur", um den Überblick zu behalten.

Fazit: Agil ist kein Trend, sondern Voraussetzung

KI-Projekte sind von Natur aus explorativ, iterativ und unsicher. Genau dafür wurden agile Methoden entwickelt. Wer versucht, ein KI-Projekt wie ein klassisches Softwareprojekt zu managen, wird mit hoher Wahrscheinlichkeit scheitern.

Der erste Schritt ist der einfachste: Erstelle ein Kanban Board, sammle deine Hypothesen im Backlog, setze Prioritäten – und starte den ersten Sprint. Dein KI-Projekt wird es dir danken.