Scrum und KI: Potenziale von KI in agilen Teams

Generative KI-Modelle sind tief lernende neuronale Netze, die auf großen Internetdaten vortrainiert werden, um benutzerspezifische (gewünschte) Inhalte mithilfe leistungsstarker Large Language Models (LLMs) zu erzeugen. Diese vortrainierten, großen KI-Modelle mit neuronalen Netzen können ihre Muster verwenden, um neue Texte, Bilder oder andere Inhalte zu generieren. Mithilfe natürlichsprachlicher Eingabeaufforderungen (Prompts) können die Benutzer diese Ausgaben generieren, ohne dass sie selbst coden oder spezielle Modelle erstellen müssen.

Abb. 1 zeigt die Beziehung zwischen all den verschiedenen Ansätzen, die für das Funktionieren dieser GPT-Systeme zusammenspielen.

Nicht alle Anwendungen von KI sind gleich. Grundsätzlich lassen sich sieben Muster differenzieren, auf denen KI-Systeme in den verschiedenen Anwendungsbereichen eingesetzt werden, um die oben genannten Herausforderungen zu lösen. Von autonomem Fahren über Gesichtserkennung bis hin zur Datenanalyse – jede KI-gestützte komplexe Produktentwicklung lässt sich im Kern in ein KI-Muster einordnen, s. Abb. 2. 

1. Autonome Systeme
   Autonome Systeme erledigen Aufgaben oder treffen Entscheidungen weitgehend ohne menschliches Zutun. In Scrum-Teams könnten sie etwa durch (teilweise) autonome Testsysteme mit z. B. synthetisch generierten Daten oder kontinuierlicher Integration/Deployment (CI/CD) den Entwicklungsfluss unterstützen.
2. Konversation und Mensch-Maschine-Interaktion
   Dieses Muster umfasst Systeme wie Chatbots oder Sprachassistenten, die in natürlicher Sprache kommunizieren. In komplexen Projekten können solche Systeme z. B. Teammitgliedern Fragen zur Produktvision, Definition of Done oder Story-Abgrenzung beantworten. Dies erweitert das verfügbare Wissen und die Kompetenzen des Teams in nahezu unbegrenzter Skalierung. Ebenso können sie bei der Dokumentation durch automatische Mitschriften oder Übersetzungen in internationalen Teams unterstützen. Dies erleichtert die Kommunikation, insbesondere in verteilten oder cross-funktionalen Teams.
3. Zielorientierte Systeme
   Diese Systeme lernen durch Zielvorgaben und finden mithilfe von, z. B. Reinforcement Learning optimale Lösungen. In Scrum-Projekten könnten sie etwa bei der Sprintplanung Vorschläge machen, welche Stories im Hinblick auf das Sprintziel priorisiert werden sollten. Auch bei der Ressourcenverteilung oder Kapazitätsplanung über mehrere Teams hinweg kann dieses Muster eingesetzt werden. Es hilft, datenbasiert die besten Wege zum Erreichen komplexer Projektziele zu identifizieren. Denken wir an skalierte Vorgehensmodelle und Projekte mit vielen Abhängigkeiten zwischen Teams, wird der Vorteil umso größer.
4. Hyper-Personalisierung
   Hyper-Personalisierung bedeutet, dass ein System individuell auf einzelne Nutzer:innen eingeht und sich über die Zeit an deren Verhalten anpasst. In Scrum-Umgebungen könnten damit z. B. personalisierte Dashboards für Teammitglieder entstehen, die relevanten Aufgaben, Metriken oder Lerninhalte anzeigen. Auch gezielte Empfehlungen für Pair Programming oder Wissensaustausch innerhalb des Teams wären denkbar. Dies stärkt die individuelle Wirksamkeit im Team.
5. Muster- und Anomalie-Erkennung
   Dieses Muster hilft dabei, Regelmäßigkeiten und Abweichungen in Daten zu erkennen. In komplexer Produktentwicklung kann dies zur Früherkennung technischer Schulden oder Qualitätsprobleme in Code-Repositories, Testfällen/-daten beitragen. Auch Burnout-Risiken im Team könnten durch Analyse von Kommunikationsmustern identifiziert werden. So lassen sich Probleme frühzeitig erkennen und gegensteuern.
6. Prädiktive Analysen, Prognosen & Entscheidungshilfen
   Dieses Muster nutzt historische Daten, um zukünftige Ereignisse oder Entwicklungen vorherzusagen. Scrum-Teams könnten damit z. B. die Wahrscheinlichkeit abschätzen, ein Sprintziel zu erreichen, oder potenzielle Risiken bei Abhängigkeiten frühzeitig erkennen. Auch Release-Prognosen auf Basis vergangener Sprint Velocitys sind ein typisches Beispiel, sofern es die Rahmenbedingungen (Technologiebeständigkeit, Fachlichkeit sowie niedrige Fluktuation im Team) zulassen. Das Muster unterstützt also datenbasierte Entscheidungsfindung im Team basierend auf historischen Daten.
7. Erkennung (Recognition)
   Hierbei geht es darum, Objekte, Muster oder Inhalte (z. B. Bilder, Texte, Sprache) automatisch zu erkennen. Im Kontext von Scrum könnte das System etwa Screenshots, Whiteboard-Skizzen oder handschriftliche Notizen aus Retrospektiven automatisch analysieren, kategorisieren und dokumentieren. Ebenso kann es bei der Sortierung von Kundenfeedback helfen, indem es Inhalte klassifiziert und priorisiert. Dieses Muster stärkt also die Effizienz bei der Verarbeitung unstrukturierter Daten.

Auch Integration von Künstlicher Intelligenz im weiteren Sinne in agile Vorgehensmodelle ist also längst kein Zukunftsthema mehr. Dies belegt auch eine Studie aus 2024 und zeigt nachvollziehbar, wie Scrum-Teams durch datengetriebene Ansätze Produktivität steigern, Engpässe vermeiden und realistischere Sprint-Planungen umsetzen können [11].

Basierend auf den geschilderten Erkenntnissen und Erfahrungen stellt sich für viele Scrum-Teams die Frage, wie und wo man starten soll. Was sind mögliche erste Schritte? Wie profitieren wir schnell von Künstlicher Intelligenz? Abb. 4 zeigt zusammenfassend die ersten, wesentlichen Hebel: Vorhersagen für die Dauer von Aufgaben, dynamisches Workload-Management und frühzeitige Erkennung von Bottlenecks.

Für den Start sind folgende Schritte notwendig:

1. Sprint-Daten sammeln – insbesondere historische, wenn möglich maschinell aufbereitet (z.  B. aus Jira/Azure DevOps/Trello).
2. Modelle zur Zeitprognose aufsetzen und evaluieren (am besten mit einfachen Modellen starten z.  B. lineare Regression). Dies kann die Planungsgenauigkeit signifikant erhöhen – die Vorhersagegenauigkeit konnte in der o. g. Studie um 60 Prozent verbessert werden.
3. Task-Zuordnung visualisieren - Visualisierte Echtzeit-Task-Zuordnung hilft, Überlastungen zu vermeiden und Team-Ressourcen effizient zu steuern.
4. Bottlenecks / Engpässe analysieren (Statusverläufe) – KI-gestützte Analysen identifizieren verzögerte Aufgaben frühzeitig und ermöglichen rechtzeitige Gegenmaßnahmen.
5. Ergebnisse in Retrospektiven transparent machen, analysieren und neu iterieren.

Am Ende spielen weiterhin Menschen die zentrale Rolle – für sie und mit ihnen treiben wir Projekte.

Die gelisteten Schritte ermöglichen, bereits im ersten Schritt nicht nur Erfahrungen, sondern erste Mehrwerte zu erzeugen. Dabei bedarf es noch keiner tiefen und technischen Kenntnis von Künstlicher Intelligenz, der einzelnen Modelle, infrastruktureller Rahmenbedingungen oder Ähnlichem. Darüber hinaus ist der verändernde Charakter der Schritte überschaubar und stellt damit keine kritischen Hürden aus Change-Managementsicht – was auch für agile Teams nicht unterschätzt werden sollte. 

Am Ende spielen weiterhin Menschen die zentrale Rolle – für sie und mit ihnen treiben wir Projekte. Dafür ist es wichtig, die neuen technologischen Möglichkeiten verantwortungsvoll einzusetzen. Dies beginnt bei der sparsamen Datenerhebung im Einklang mit der Datenschutzgrundverordnung, Betriebsvereinbarungen usw., geht über die Vermeidung von Bias in den Trainingsdaten, bis hin zur Erklärbarkeit der eingesetzten Modelle und kontinuierlichen Kontrolle. Gerade projektübergreifend Modelle zu trainieren kann zu Fehlschlüssen dieser führen. 

Ein kurzes Beispiel: Im Rahmen eines skalierten Softwareprojekts mit vier Scrum-Teams werden die historischen Daten der letzten zehn Sprints teamübergreifend aus Jira extrahiert und für das Modelltraining zur Vorhersage von Durchsatz und optimaler Aufgabenverteilung für zukünftige Sprints genutzt. Dabei werden zu allen Tickets unter anderem Informationen zu Bearbeitungsdauer und dem bearbeitenden Teammitglied analysiert. Bei der nächsten Sprintplanung wird seitens des Modells empfohlen, alle Fehlertickets einem bestimmten Mitarbeiter zuzuweisen und anderen, erfahrenen Teammitgliedern nur noch kleine Stories vorzuschlagen. Das Team ist maximal irritiert und der entsprechende Mitarbeiter – erst seit zwei Sprints im Team, weiß nicht, wie er das schaffen soll… 
Im Rahmen einer Überprüfung stellt sich heraus, dass der neue Mitarbeiter nur wenige, einfache Fehler bisher behoben hat. Alle anderen, erfahrenen Mitglieder haben die komplexen, schwierigen Fehler behoben. Dies dauerte in der Regel entsprechen lang. Da Fehler hinsichtlich Aufwands nicht anständig geschätzt wurden, sondern pauschal (Pflichtfeld) mit 1 Story Point angelegt wurden, lernte das Modell, dass der neue Mitarbeiter wohl am schnellsten sei.
Das Beispiel zeigt, wie wichtig ein reflektierter Einsatz neuer Technologien ist und verdeutlicht zugleich, dass – insbesondere in den ersten Schritten – diese Herausforderung für motivierte und interessierte Teams eine lösbare ist.