Der Instinkt beim Aufbau eines "KI-Teams" ist, zuerst Data Scientists und Machine-Learning-Engineers einzustellen. Das ist nicht falsch, aber unvollständig auf eine Weise, die ein konkretes, wiederkehrendes Scheiternsmuster verursacht: technisch exzellente Modelle, die nie in etwas eingesetzt werden, das tatsächlich verändert, wie die Organisation arbeitet, weil die Rollen, die Deployment und Übernahme zum Erfolg geführt hätten, nie besetzt wurden.
Die Rollen, die übersprungen werden, und was ohne sie schiefgeht
Jemand, der den zu verändernden Geschäftsprozess tief versteht, nicht nur die beteiligten Daten. Technisches Personal versteht häufig Datenstrukturen, ohne zu verstehen, warum der zugrunde liegende Prozess so funktioniert, wie er es aktuell tut (einschließlich informeller Ausnahmen und Randfälle, die nirgends dokumentiert wurden). Ohne diese Rolle werden Modelle gegen eine saubere theoretische Version eines Prozesses gebaut, die nicht zur unordentlichen operativen Realität passt, und die Lücke zeigt sich erst nach dem Deployment, wenn sie teuer zu beheben ist.
Jemand, der für Change Management verantwortlich ist, nicht nur für die technische Lieferung. Ein technisch erfolgreiches Modell, das verändert, wie von Menschen erwartet wird zu arbeiten, braucht dieselbe Change-Management-Aufmerksamkeit wie jede andere bedeutsame Prozessänderung: Kommunikation, Training, das Adressieren konkreter Sorgen der betroffenen Personen. KI-Initiativen ohne diese Rolle erzeugen tendenziell technisch funktionierende Systeme mit geringer tatsächlicher Übernahme, weil die menschliche Seite des Übergangs nie aktiv gemanagt wurde.
Jemand mit echter Autorität für Deployment-Entscheidungen, nicht nur technischer Review-Autorität. Ein technisch bereites Modell ohne klaren organisatorischen Weg zum tatsächlichen Deployment (niemand mit der Autorität, "ja, das geht in Produktion, und der zugehörige Workflow ändert sich" zu sagen) verharrt unbegrenzt in einem "erfolgreichen Pilotprojekt"-Limbo, der nie zu echter operativer Veränderung wird.
Jemand, der spezifisch für laufendes Monitoring nach dem Deployment verantwortlich ist, nicht nur für die Entwicklung. KI-Systeme können über die Zeit an Genauigkeit verlieren, während sich die realen Bedingungen von denen entfernen, unter denen das Modell trainiert wurde, ein Problem, das ohne bewusstes Monitoring unsichtbar bleibt, und eines, für das reine Entwicklungsteams, sobald die "interessante" Bauarbeit erledigt ist, oft weder besetzt noch incentiviert sind, weiter Ausschau zu halten.
Die tatsächliche Teamform
Eine genuin wirksame KI-Initiative braucht zusätzlich zu technischer KI/ML-Expertise meist: jemanden mit tiefem operativem Wissen über den konkret zu verändernden Prozess, jemanden, der für die Change-Management-Seite der Übernahme verantwortlich ist, eine klare entscheidungsbefugte Person mit echter Autorität über das Deployment, und eine laufende Monitoring-Funktion, die nicht endet, wenn das Anfangsprojekt endet. Organisationen, die nur die technische Rolle besetzen und erwarten, dass sie auch Prozessverständnis, Change Management, Deployment-Autorität und Monitoring abdeckt, verlangen von einer Funktion die Arbeit mehrerer verschiedener, was ein großer Grund dafür ist, warum so viele technisch solide KI-Projekte nie echte organisatorische Wirkung entfalten.