KI-Entwicklung und Agilität passen nicht gut zusammen, wie eine Studie zeigt

Technische Spezialisten müssen regelmäßig und offen mit Geschäftskollegen kommunizieren, um KI-Ausfälle zu vermeiden.

Agile Softwareentwicklung gilt seit langem als äußerst effektive Möglichkeit, die Software bereitzustellen, die das Unternehmen benötigt. Die Praxis hat in vielen Organisationen seit mehr als zwei Jahrzehnten gut funktioniert. Agile ist auch die Grundlage für Scrum, DevOps und andere kollaborative Praktiken. Allerdings können agile Praktiken bei der Konzeption und Implementierung künstlicher Intelligenz (KI) unzureichend sein.

Diese Erkenntnis stammt aus einem aktuellen Bericht der RAND Corporation, dem globalen politischen Think Tank, der auf Interviews mit 65 Datenwissenschaftlern und Ingenieuren mit mindestens fünf Jahren Erfahrung in der Entwicklung von KI- und maschinellen Lernmodellen in Industrie oder Wissenschaft basiert. Die ursprünglich für das US-Verteidigungsministerium durchgeführte Untersuchung wurde im April 2024 abgeschlossen. „Allzu oft scheitern KI-Projekte oder kommen nie in Gang“, sagten die Co-Autoren des Berichts unter der Leitung von James Ryseff, leitender technischer Politikanalyst bei RAND.

Interessanterweise sehen mehrere KI-Spezialisten formale agile Softwareentwicklungspraktiken als Hindernis für eine erfolgreiche KI. „Mehrere Befragte (10 von 50) äußerten die Überzeugung, dass starre Interpretationen agiler Softwareentwicklungsprozesse nicht für KI-Projekte geeignet sind“, stellten die Forscher fest.

„Obwohl die agile Software-Bewegung nie die Absicht hatte, starre Prozesse zu entwickeln - einer ihrer Hauptgrundsätze ist, dass Einzelpersonen und Interaktionen viel wichtiger sind als Prozesse und Tools -, verlangen viele Organisationen von ihren Entwicklungsteams, dass sie durchweg dieselben agilen Prozesse befolgen.“

Infolgedessen mussten, wie ein Befragter es ausdrückte, „Arbeitselemente wiederholt entweder im folgenden Sprint erneut geöffnet oder lächerlich klein und bedeutungslos gemacht werden, um in einen einwöchigen oder zweiwöchigen Sprint zu passen.“ Insbesondere KI-Projekte „erfordern eine Anfangsphase der Datenerkundung und des Experimentierens mit unvorhersehbarer Dauer.“

Die Forschung von RAND deutete darauf hin, dass andere Faktoren den Erfolg von KI-Projekten einschränken können. Während IT-Ausfälle in den letzten Jahrzehnten gut dokumentiert wurden, nehmen KI-Ausfälle eine andere Gestalt an. „KI scheint unterschiedliche Projektmerkmale zu haben, wie zum Beispiel kostspielige Arbeits- und Kapitalanforderungen und eine hohe Algorithmenkomplexität, die sie von einem traditionellen Informationssystem unterscheiden“, sagten die Co-Autoren der Studie.

„Der hohe Bekanntheitsgrad von KI kann den Wunsch der Interessengruppen verstärken, besser zu verstehen, was das Risiko von IT-Projekten im Zusammenhang mit KI auslöst.“

Das RAND-Team identifizierte die Hauptursachen für das Scheitern von KI-Projekten:

• „Branchenakteure verstehen oft falsch - oder kommunizieren falsch -, welches Problem mithilfe von KI gelöst werden muss. Zu oft setzen Unternehmen trainierte KI-Modelle ein, nur um dann festzustellen, dass die Modelle die falschen Metriken optimiert haben oder nicht in den gesamten Arbeitsablauf und Kontext passen.“ "
• „Viele KI-Projekte scheitern, weil der Organisation die notwendigen Daten fehlen, um ein effektives KI-Modell angemessen zu trainieren.“
• „Die Organisation konzentriert sich mehr auf den Einsatz der neuesten und besten Technologie als auf die Lösung realer Probleme für die vorgesehenen Benutzer.“
• „Organisationen verfügen möglicherweise nicht über eine ausreichende Infrastruktur, um ihre Daten zu verwalten und fertige KI-Modelle bereitzustellen, was die Wahrscheinlichkeit eines Projektscheiterns erhöht.“
• „Die Technologie wird auf Probleme angewendet, die für die Lösung durch KI zu schwierig sind. KI ist kein Zauberstab, der jedes schwierige Problem verschwinden lassen kann; in manchen Fällen können selbst die fortschrittlichsten KI-Modelle eine schwierige Aufgabe nicht automatisieren.“

Während formale agile Praktiken für die KI-Entwicklung möglicherweise zu umständlich sind, ist es für IT- und Datenexperten dennoch wichtig, offen mit Geschäftsanwendern zu kommunizieren. Die Befragten in der Studie empfahlen, dass „das technische Team regelmäßig mit seinen Geschäftspartnern über den Stand des Projekts kommunizieren sollte, anstatt etablierte Software-Engineering-Prozesse zu übernehmen - die oft nichts weiter als ausgefallene To-Do-Listen darstellen“.

In dem Bericht heißt es: „Den Stakeholdern gefällt es nicht, wenn Sie sagen: ‚Es dauert länger als erwartet; ich melde mich in zwei Wochen bei Ihnen.‘ Sie sind neugierig. Eine offene Kommunikation schafft Vertrauen zwischen den Geschäftsbeteiligten und dem technischen Team und erhöht die Wahrscheinlichkeit, dass das Projekt letztendlich erfolgreich sein wird.“
Daher müssen KI-Entwickler sicherstellen, dass das technische Personal den Projektzweck und den Domänenkontext versteht: „Missverständnisse.“ und Fehlkommunikation über die Absicht und den Zweck des Projekts sind die häufigsten Gründe für das Scheitern von KI-Projekten. Die Gewährleistung effektiver Interaktionen zwischen den Technologen und den Geschäftsexperten kann den Unterschied zwischen Erfolg und Misserfolg eines KI-Projekts ausmachen.“

Das RAND-Team empfahl außerdem die Auswahl „dauerhafter Probleme“. KI-Projekte erfordern Zeit und Geduld, um abgeschlossen zu werden: „Bevor sie mit einem KI-Projekt beginnen, sollten Führungskräfte bereit sein, jedes Produktteam mindestens ein Jahr lang für die Lösung eines bestimmten Problems zu verpflichten.“ Wenn ein KI-Projekt eine so langfristige Verpflichtung nicht wert ist , es lohnt sich höchstwahrscheinlich überhaupt nicht, sich darauf einzulassen.

Während es entscheidend ist, sich auf das Geschäftsproblem und nicht auf die Technologielösung zu konzentrieren, müssen Unternehmen in die Infrastruktur investieren, um die KI-Bemühungen zu unterstützen, schlägt der RAND-Bericht vor: „Vorabinvestitionen in die Infrastruktur zur Unterstützung der Datenverwaltung und Modellbereitstellung können den Zeitaufwand erheblich reduzieren.“ um KI-Projekte abzuschließen und die Menge an hochwertigen Daten zu erhöhen, die zum Trainieren effektiver KI-Modelle verfügbar sind.“

Abschließend wird in dem Bericht darauf hingewiesen, dass KI kein Zauberstab ist und ihre Grenzen hat: „Bei der Prüfung eines potenziellen KI-Projekts müssen Führungskräfte technische Experten einbeziehen, um die Machbarkeit des Projekts zu beurteilen.“