KI-Teams mit Scrum strukturieren: Wie Unternehmen KI-Arbeit planbar, prüfbar und nutzbar machen

Scrum ist bewährt für Softwareentwicklung. KI-Projekte sind aber anders: Datenqualität entscheidet über Erfolg, Modellvalidierung ist neuer Sprint-Gate, und EU AI Act Artikel 4 verlangt KI-Kompetenz im Team. Wer KI-Teams mit Scrum strukturiert, überträgt die agilen Prinzipien auf KI-Projekte und macht sie planbar, prüfbar und nutzbar statt experimentell und unkontrolliert.

Was Scrum für KI-Teams bedeutet

Scrum liefert eine Struktur, die KI-Projekte dringend brauchen. Iterativ statt Big-Bang bedeutet: KI wird in Sprints entwickelt und validiert, nicht als monolithisches Projekt über Monate. Transparent statt Black-Box bedeutet: Jeder Sprint hat klare Ziele, nachvollziehbare Ergebnisse und dokumentierte Freigaben. Anpassbar statt starr bedeutet: Wenn ein KI-Modell nicht funktioniert, wird im nächsten Sprint korrigiert, statt am Ende festzustellen, dass Monate verschwendet wurden.

Die drei Scrum-Prinzipien werden auf KI übertragen:

• Iterativ: KI in Sprints entwickeln und validieren, nicht als Big-Bang-Projekt.
• Transparent: Sprint-Ziele, Modellleistung und Freigaben sind nachvollziehbar dokumentiert.
• Anpassbar: Wenn das Modell nicht funktioniert, wird im nächsten Sprint korrigiert.

KI-spezifische Scrum-Erweiterungen: EU AI Act, Datenqualität, Modellvalidierung

Scrum für KI-Teams braucht Erweiterungen über das Standard-Framework hinaus. Drei Bereiche sind kritisch:

• EU AI Act Artikel 4: KI-Kompetenz im Team ist gesetzliche Pflicht. Jedes Teammitglied muss verstehen, was das KI-System tut und wo Risiken liegen. Details unter EU AI Act Schulung.
• Datenqualität als Definition of Done: Ein Sprint ist erst fertig, wenn die Datenqualität geprüft, dokumentiert und für die nächsten Sprints nutzbar ist.
• Modellvalidierung als Sprint-Ziel: Jeder Sprint muss ein validiertes Zwischenergebnis liefern. Kein Sprint endet mit einem ungetesteten Modell.

Den vollständigen EU AI Act Verordnungstext finden Sie auf EUR-Lex.

Rollen im KI-Scrum-Team: Product Owner, Scrum Master, Dev-Team mit KI-Kompetenz

Die Scrum-Rollen bleiben, bekommen aber KI-spezifische Erweiterungen:

• Product Owner: Priorisiert KI-Use-Cases nach Business-Wert, definiert Akzeptanzkriterien für KI-Features, verantwortet Freigabeprozesse. Muss KI-Risiken verstehen, aber nicht selbst modellieren.
• Scrum Master: Moderiert KI-Freigabeprozesse, löst Blocker bei Datenzugang oder Compliance, sorgt für EU AI Act-konforme Dokumentation im Sprint.
• Dev-Team: Braucht KI-Kompetenz, Daten-Engineering und Modellvalidierung. KI-Schulung für IT-Teams stellt diese Kompetenz sicher.

KI-Sprints planen: Use Case, Daten, Validierung, Freigabe

Ein KI-Sprint hat andere Sprint-Ziele als ein Software-Sprint. Vier Elemente sind Pflicht:

• Sprint-Backlog: KI-Use-Case, Datenbereitstellung, Modelltraining, Validierung. Nicht: nur Code schreiben.
• Definition of Ready: Use Case geklärt, Daten verfügbar, Risiko bewertet, KI-Sicherheit und Governance geprüft.
• Definition of Done: Modell validiert, EU AI Act-konform, dokumentiert, Freigabe erteilt.
• Freigabeprozess als Sprint-Gate: Kein Sprint endet ohne dokumentierte Freigabe. Das schützt vor unkontrolliertem KI-Einsatz.

Praxis: KI-Projekt mit Scrum in 5 Sprints

Ein typisches KI-Pilotprojekt mit Scrum umfasst fünf Sprints:

1. Sprint 1: Use Case qualifizieren und Risiko bewerten. Welcher Prozess? Welche Daten? Welches Risiko? Freigabe oder Abbruch.
2. Sprint 2: Datenfluss mappen und Qualität prüfen. Wo kommen die Daten? Wie sauber sind sie? Welche Lücken gibt es?
3. Sprint 3: Pilotmodell bauen und intern validieren. Erstes Modell, erste Ergebnisse, erste Validierung gegen Testdaten.
4. Sprint 4: Freigabeprozess dokumentieren (EU AI Act). KI-Kompetenz nachweisen, Risikodokumentation, Freigabeentscheidung dokumentiert.
5. Sprint 5: Team schulen und Skalierung vorbereiten. KI-Beratung für strukturierte KI-Einführung, Skalierung auf weitere Use Cases, KI-Automatisierung im Unternehmen evaluieren.

Das Bundesamt für Sicherheit in der Informationstechnik (BSI) veröffentlicht KI-Leitlinien, die als Orientierung für Validierung und Sicherheit im Sprint dienen.

Häufige Fragen

Lässt sich Scrum direkt auf KI-Projekte übertragen?
Die Grundstruktur funktioniert, aber KI-Projekte brauchen Erweiterungen: Datenqualität als Definition of Done, Modellvalidierung als Sprint-Gate und EU AI Act-Kompetenz als Voraussetzung. Wer Scrum unverändert anwendet, riskiert ungetestete KI-Modelle und fehlende Compliance-Dokumentation.

Was ist der größte Unterschied zwischen Software-Scrum und KI-Scrum?
Bei Software-Scrum ist Code das Sprint-Ergebnis. Bei KI-Scrum ist ein validiertes Modell das Sprint-Ergebnis. Das bedeutet: Daten müssen geprüft, Modellleistung muss gemessen und Freigaben müssen dokumentiert sein, bevor ein Sprint als done gilt.

Braucht das Dev-Team eine KI-Schulung?
Ja. EU AI Act Artikel 4 verpflichtet alle Organisationen, KI-Kompetenz sicherzustellen. Für das Dev-Team bedeutet das: Verständnis der Modellgrenzen, Risikobewusstsein, Validierungskompetenz und Dokumentationspflicht.

Wie lange dauert ein KI-Pilotprojekt mit Scrum?
Ein strukturiertes KI-Pilotprojekt mit fünf Sprints dauert etwa 10 bis 15 Wochen, je nach Sprint-Länge (2-3 Wochen) und Datenverfügbarkeit. Der Vorteil: Jeder Sprint liefert ein validiertes Zwischenergebnis, statt am Ende festzustellen, dass das Modell nicht funktioniert.

Autor: Niklas Entenmann – KI-Berater und EU AI Act Experte für Unternehmen in NRW
LinkedIn: Niklas Entenmann