Inhaltsverzeichnis
Worum geht es in der Podcast-Folge?
In dieser Folge des Podcasts „KI in der Produktion“ sprechen wir mit Nadine Kant, IT-Managerin bei Saxoprint, über die praktische Einführung von künstlicher Intelligenz in einer Organisation. Im Mittelpunkt des Gesprächs steht die Verbindung von Agile-Transformation mit dem Einsatz von KI-Tools wie GitHub Copilot sowie deren Einfluss auf die tägliche Arbeit des Entwicklerteams.
Es handelt sich um eine Fallstudie auf Basis eines realen Projekts, in dem die Veränderung der Arbeitsweise und die Einführung neuer Technologien zu konkreten geschäftlichen Ergebnissen geführt haben.
Problem: mangelnde Planbarkeit und Chaos in der IT
Zu Beginn sah sich das Team mit Problemen konfrontiert, die für viele IT-Organisationen typisch sind. Es war schwierig abzuschätzen, wann Aufgaben abgeschlossen sein würden, Anforderungen waren vor Projektstart oft nicht vollständig definiert, und der Projektumfang änderte sich während der Umsetzung.
Zusätzlich fehlte es an Transparenz für das Business. Es stellte sich die Frage, woran die IT eigentlich arbeitet und wie der Fortschritt aussieht.
Das Ergebnis war eine hohe Lead Time von etwa 90 Tagen sowie eine zunehmende Frustration – sowohl im Team als auch bei den Stakeholdern.
Zuerst Agile, dann KI
Eine der wichtigsten Erkenntnisse aus dem Projekt ist, dass die Einführung von KI ohne einen klar strukturierten Prozess keinen Sinn ergibt. Deshalb bestand der erste Schritt darin, die Arbeitsweise im Agile-Modell zu verändern.
Das Team wechselte zu einem höheren Planungsniveau und führte eine Struktur aus Initiatives, Epics und User Stories ein. Aufgaben wurden in kleinere, präzisere Einheiten aufgeteilt. Außerdem wurde die Vorbereitung der Arbeit vor Beginn eines Sprints deutlich verbessert.
Dadurch konnte eine stabile Grundlage für die spätere Einführung von KI-gestützten Tools geschaffen werden.
Was die Arbeitsweise des Teams wirklich verändert hat
Die größte Veränderung betraf nicht die Technologie, sondern die Art und Weise der Zusammenarbeit. Aufgaben wurden granularer und besser beschrieben. Die Planung hörte auf, rein deklarativ zu sein, und begann, sich auf reale Daten und die tatsächlichen Kapazitäten des Teams zu stützen.
Die Vorhersagbarkeit verbesserte sich, die Anzahl der Nacharbeiten ging zurück, und die Zusammenarbeit mit dem Business wurde transparenter.
Das Team gewann mehr Kontrolle über den Prozess, was sich in einer höheren Effizienz niederschlug.
GitHub Copilot in der Praxis
Erst nach der Strukturierung der Prozesse wurde GitHub Copilot eingeführt. Für das Team wurde er zu einer echten Unterstützung im Arbeitsalltag.
Die Entwickler nutzen ihn zur Codegenerierung, zur Optimierung bestehender Lösungen sowie zur schnelleren Problemlösung. Dadurch können sie sich auf komplexere Themen konzentrieren, wie etwa die Systemarchitektur.
Die Rolle des Entwicklers wurde nicht ersetzt, sondern hin zu anspruchsvolleren und wertschöpfenderen Aufgaben verlagert.
Durchbruch: kürzere Lead Time und bessere Planung
Der messbarste Effekt der Transformation war die deutliche Verkürzung der Lead Time. Von etwa 90 Tagen konnte sie auf unter 20 Tage reduziert werden.
Gleichzeitig verkürzte sich auch die Cycle Time, also die Zeit von Beginn bis Abschluss einer Aufgabe.
Bessere Planung, kleinere Aufgaben und mehr Transparenz im Prozess führten direkt zu einer schnelleren Lieferung von Mehrwert.
Herausforderungen bei der Einführung von KI
Die Einführung von KI verlief nicht ohne Schwierigkeiten. Zu Beginn gab es im Team Widerstand, der mit der Sorge verbunden war, dass Menschen durch Technologie ersetzt werden könnten.
Entscheidend waren hier Aufklärungsmaßnahmen sowie die schrittweise Integration des Tools in den Arbeitsalltag. Mit der Zeit – und mit der steigenden Qualität der von der KI generierten Ergebnisse – nahm auch die Akzeptanz unter den Mitarbeitenden zu.
Eine wichtige Rolle spielte zudem das Erlernen des richtigen Umgangs mit dem Tool, insbesondere die Fähigkeit, präzise Anfragen zu formulieren.
Geschäftliche Ergebnisse und Einsparungen
Die Transformation brachte konkrete geschäftliche Ergebnisse. Das Projekt wurde etwa vier Wochen früher als ursprünglich geplant abgeschlossen.
Dies führte zu Einsparungen von rund 40.000 Euro pro Monat.
Das zeigt, dass die Kombination aus einem strukturierten Prozess und dem gezielten Einsatz von künstlicher Intelligenz einen direkten Einfluss auf die finanziellen Ergebnisse eines Unternehmens haben kann.
Wie geht es weiter: Skalierung der Lösung
Nach Abschluss der Proof-of-Concept-Phase plant das Unternehmen, die Lösung auf weitere Teams auszuweiten. GitHub Copilot soll breiter eingeführt werden, und die erarbeiteten Agile-Praktiken werden in der gesamten Organisation implementiert.
Dank der gewonnenen Erfahrungen sollten die nächsten Implementierungen schneller und effizienter verlaufen.
Hören Sie sich die Podcast-Folge an
Wenn Sie sich für den praktischen Einsatz von KI in Organisationen sowie für die realen Effekte einer Agile-Transformation interessieren, lohnt es sich, die vollständige Folge anzuhören.
Wenn Sie den gesamten Transformationsprozess besser verstehen und mehr Details zur Umsetzung sehen möchten, haben wir auf unserer Website eine ausführliche Case Study vorbereitet. Dort finden Sie eine detaillierte Beschreibung der Herausforderungen, des Projektverlaufs sowie der erzielten Ergebnisse – einschließlich der Auswirkungen auf die Effizienz des Teams und die Geschäftsergebnisse.
