Was ein gutes KI-Team ausmacht: die nötigen Fähigkeiten

Der Reflex beim Aufbau eines KI-Teams ist, die stärkste verfügbare Person für Modellierung einzustellen. In den meisten KMU ist das die falsche erste Besetzung — und der Grund zeigt sich dort, wo KI-Projekte tatsächlich scheitern.

Sie scheitern an den Daten, an der Übergabe in den Betrieb und an dem Punkt, an dem eine Fachperson entscheidet, ob sie dem Ergebnis traut. Fast nie am Modell.

Der Fähigkeitsmix, gewichtet nach Scheiterpunkten

Data Engineering — die erste Besetzung

Jedes steckengebliebene KI-Projekt blieb an den Daten stecken, nicht an der Modellierung. Der Pilot lief auf einem von Hand bereinigten Auszug, und diese hundert kleinen Ermessensentscheide in einer Pipeline nachzubilden war das eigentliche Projekt.

Was diese Person tut: Pipelines bauen, die ohne Aufsicht laufen, Objektidentitäten über Systeme hinweg auflösen, Datenherkunft mitführen, damit ein Ergebnis zurückverfolgbar ist — und den Unterschied herstellen zwischen «wir haben Daten» und «wir können diese Frage wiederholbar beantworten».

Wenn Sie eine Person einstellen können, dann diese.

Tiefe im maschinellen Lernen — weniger als gedacht, aber nicht null

Basismodelle lassen sich mieten. Nicht mieten lässt sich das Urteil, welche Probleme sich überhaupt für ein Modell eignen, wie man eines ehrlich bewertet und wann die Antwort eine Regel statt eines Modells ist.

Die letzte Fähigkeit wird unterschätzt. Eine erfahrene Person, die sagt «das sind drei Bedingungen, kein Modell», hat mehr Geld gespart als eine, die einen eleganten Klassifikator für ein Problem baut, das keinen brauchte.

Worauf zu achten ist: Bewertungsmethodik, Bewusstsein für Fehlerbilder und die Fähigkeit zu erklären, warum ein Modell in einem konkreten Fall falsch liegt.

MLOps und Betriebs-Engineering

Zwischen einem Notebook und einem System liegt die Lücke, in der die meisten Piloten sterben. Versionierung von Modell und Daten, ein Weg zurück auf die Vorgängerversion, Überwachung der Eingabeverteilung, Protokollierung jedes Ergebnisses für die Nachvollziehbarkeit.

Nichts davon ist spektakulär, und alles davon entscheidet, ob das Modell den Kontakt mit dem Geschäft übersteht. Ohne das lautet das Fehlerbild konkret: Das Modell läuft, die Qualität sinkt langsam, niemand merkt es, bis sich eine Kundin beschwert — und dann lässt sich nicht rekonstruieren, welche Version wann was entschieden hat.

Disziplin aus der Softwareentwicklung

Ein KI-System ist ein Softwaresystem. Tests, Code-Review, automatisierte Auslieferung, Abhängigkeitsverwaltung. Teams, die KI als Forschung behandeln und das überspringen, erzeugen Systeme, die ausser ihrer Autorin niemand pflegen kann.

Die nicht-technischen Fähigkeiten, die das Ergebnis entscheiden

Sie stehen meist als Fussnote. In der Praxis entscheiden sie mehr Ergebnisse als der technische Mix.

Ein Ergebnis jemandem erklären, der die Mathematik nicht prüft. Ein Modell, dessen Ergebnis sich nicht in Geschäftssprache begründen lässt, wird für nichts Folgenreiches genutzt. Die Person, die sagen kann «es hat das markiert wegen dieser drei Faktoren, und hier ist es unzuverlässig», ist der Grund, warum ein System genutzt wird.

Wissen, was das Geschäft tatsächlich entscheidet. Das häufigste Versagen eines technisch starken Teams ist, etwas Korrektes zu bauen, das niemand brauchte. Jemand muss nah genug am Geschäft sein, um das früh zu bemerken — und bereit, zu sagen, dass ein angefragtes Projekt sich nicht lohnt.

Zur beeindruckenden Variante Nein sagen. Es gibt fast immer ein kleineres System, das 80 Prozent der Frage beantwortet und dieses Quartal produktiv gehen kann. Das zu wählen verlangt eine Disziplin, die einem für technischen Ehrgeiz eingestellten Team nicht natürlich zufällt.

Governance ist eine Fähigkeit geworden, kein Häkchen

Für DACH-Unternehmen ist das von optional zu strukturell geworden.

Nach dem EU AI Act brauchen Hochrisiko-Systeme dokumentierte Daten-Governance, technische Dokumentation, Protokollierung und menschliche Aufsicht mit definierter Rolle. Nach revDSG/nDSG und DSGVO müssen automatisierte Entscheide gegenüber betroffenen Personen erklärbar sein.

Nichts davon lässt sich rückwirkend erzeugen — die Herkunft der Trainingsdaten und eine Aufzeichnung der Systementscheide sind genau die Artefakte, die sich nicht rekonstruieren lassen. Damit ist Governance eine Engineering-Verantwortung im Team und keine Prüfung, die am Schluss jemand anderes macht.

Die Einzelheiten stehen in EU AI Act: Was CTOs im DACH-Raum jetzt tun müssen.

Das Team im Schweizer Markt aufbauen

Diese Profile sind hier knapp und langsam zu besetzen. Eine realistische Form statt einer angestrebten:

• Intern und fest: wer das Geschäftswissen hält — was die Daten bedeuten, welche Ausnahmen zählen, welche Entscheidung wirklich wichtig ist. Das lässt sich nicht kaufen und sollte nicht ausgelagert werden.
• Extern und flexibel: die Fähigkeiten für einen Aufbau statt für immer — MLOps-Einrichtung, Pipeline-Bau, Bewertungsmethodik. Holen Sie Leute, die es mehrfach gemacht haben, und verlangen Sie, dass sie ein Team hinterlassen, das den Betrieb übernimmt.
• Zuerst Data Engineering besetzen, dann MLOps, dann Modellierungstiefe. Diese Reihenfolge entspricht dem, wo die Arbeit liegt.

Ein KI-Plan über 18 Monate, der von drei Spezialbesetzungen in der Schweiz abhängt, ist ein Plan mit einem Rekrutierungsrisiko an vorderster Stelle. Das gemischte Modell existiert, weil dieses Risiko real ist.

Wie «gut» aussieht

Ein funktionierendes Team hat beobachtbare Eigenschaften:

• Es kann sagen, welche Entscheidung jedes System verbessert und wer sie trifft
• Jedes produktive System hat eine benannte Verantwortung und einen Weg zur Abschaltung
• Ergebnisse lassen sich ohne Ausgrabungsarbeit auf ihre Eingaben zurückführen
• Jemand im Team hat kürzlich gegen ein Projekt argumentiert

Der letzte Punkt ist der beste einzelne Indikator. Ein Team, das nie etwas abgelehnt hat, übt kein Urteil aus.

Weiterführend

• KI-Einführung: 6 Hürden für Schweizer Unternehmen
• KI-Architektur: Warum Daten-Governance entscheidet
• MLOps & KI-Infrastruktur

Wenn Sie diese Fähigkeit aufbauen, vereinbaren Sie ein Gespräch. Unverbindlich.