Das Wichtigste in Kürze
- Scrum, SAFe und CRISP-ML(Q) sind keine Alternativen zueinander – sie lösen verschiedene Probleme.
- Scrum und SAFe steuern Teams und Prozesse. CRISP-ML(Q) strukturiert den ML-Lifecycle (den gesamten Entwicklungsprozess eines KI-Modells, von der Datenerhebung bis zum laufenden Monitoring) selbst.
- Scrum stößt bei ML-Projekten an strukturelle Grenzen: nicht-deterministische Ergebnisse und schwer schätzbare Aufgaben passen schlecht in feste Sprints.
- SAFe eignet sich für Unternehmen, die KI über viele Teams und Abteilungen skalieren – mit einem neuen AI-Native-Modell, das im Juni 2026 veröffentlicht wurde.
- In der Praxis kombinieren erfolgreiche Teams mehrere Frameworks situativ statt rigide eines zu verwenden.
- Wer in KI-Projekten arbeitet, diese steuert oder sich für den KI-Arbeitsmarkt positioniert, profitiert davon, diese Frameworks zu kennen und einordnen zu können.
Wer ein KI-Projekt zum ersten Mal aufsetzt, stößt schnell auf eine unbequeme Wahrheit: Die Methoden, die in der klassischen Softwareentwicklung zuverlässig funktionieren, stoßen bei Machine Learning an ihre Grenzen. Sprints enden, ohne dass ein Modell produktionsreif ist. Anforderungen, die zu Projektbeginn klar schienen, erweisen sich als Hypothesen. Und der Projekterfolg hängt nicht nur davon ab, ob ein Feature fertig ist – sondern ob ein Modell tatsächlich das leistet, was es leisten soll.
Die Frage, welches Framework passt, lässt sich daher nicht mit einer einfachen Antwort beantworten. Es lohnt sich zu verstehen, was jedes Framework wirklich löst.
Scrum: Bewährt – mit spezifischen Grenzen bei ML
Scrum ist das meistgenutzte Rahmenwerk für agile Softwareentwicklung. Kleine, selbstorganisierte Teams arbeiten in festen Iterationen (Sprints von 2–4 Wochen). Am Ende jedes Sprints soll ein potenziell auslieferbares Inkrement stehen.
Für viele KI-Projekte funktioniert Scrum als Koordinationsrahmen gut – besonders wenn KI-Komponenten Teil eines größeren Softwareprodukts sind und Teams explorativ vorgehen.
Doch Scrum stößt an strukturelle Grenzen, sobald der maschinelle Lernprozess selbst dominiert. Eine systematische Literaturauswertung agiler Ansätze für ML-Projekte (arXiv, 2025) benennt Sprint-Planung und Aufwandsschätzung als meistgenanntes Problem: ML-Aufgaben wie Datenvorverarbeitung und Modelloptimierung lassen sich selten zuverlässig auf einen Sprint begrenzen.
Hinzu kommt die nicht-deterministische Natur von ML: Anders als bei klassischer Software lässt sich nicht zuverlässig vorhersagen, ob ein Modell nach einer bestimmten Entwicklungszeit bereits die gewünschte Qualität erreicht. Klassische Velocity-Metriken greifen hier nicht.
Praxis-Beispiel: Ein Team entwickelt ein Churn-Prediction-Modell. Sprint 1 soll Daten vorbereiten und ein Basismodell liefern. Nach zwei Wochen zeigt sich: Die Datenqualität war schlechter als erwartet, der Großteil der Zeit floss in Bereinigung. Ein auslieferbares Inkrement? Nicht vorhanden. Für Scrum ist das ein Problem – für den ML-Prozess ist es normale Erkenntnisarbeit.
Scrum eignet sich, wenn: das Team klein und erfahren ist, KI ein Teil eines Softwareprodukts ist und das Team bereit ist, Sprint-Definitionen flexibel anzupassen – etwa durch explizite „Data Stories“ und „Model Stories“ neben klassischen User Stories.
SAFe: Skalierung für Unternehmen und eine aktuelle Weiterentwicklung
Während Scrum einzelne Teams organisiert, richtet sich SAFe an Unternehmen mit vielen Teams und komplexen Projekten. SAFe (Scaled Agile Framework) wurde genau für diese Ausgangslage entwickelt: große Organisationen, viele Teams, komplexe Portfolios. Laut Scaled Agile, Inc. nutzen weltweit mehr als 20.000 Unternehmen und Behörden das Framework.
Für KI-Projekte in Enterprise-Umgebungen bietet SAFe konkrete Vorteile:
- Strukturierte Governance über Portfolio-, Programm- und Teamebene
- Klare Rollen und Verantwortlichkeiten – auch für KI-spezifische Funktionen
- Skalierbarkeit über mehrere Teams und Abteilungen hinweg
- Einbettung von KI-Initiativen in bestehende Unternehmensstrukturen
Aktuelle Entwicklung: Am 23. Juni 2026 veröffentlichte Scaled Agile, Inc. auf dem offiziellen SAFe-Framework-Blog eine grundlegend neue Version: AI-Native SAFe. Sie ergänzt Core SAFe, ersetzt es aber nicht. Zum Zeitpunkt der Veröffentlichung dieses Artikels handelt es sich um die aktuellste Weiterentwicklung des Frameworks.
Andrew Sales, Chief Methodologist bei Scaled Agile, beschreibt die Kernidee in der offiziellen Pressemitteilung so (Originalzitat auf Englisch, sinngemäß übersetzt): „Der Engpass hat sich verschoben. Die Herausforderung ist nicht mehr, ob Unternehmen etwas in der verfügbaren Zeit bauen können – sondern ob das, was gebaut wird, sicher, zuverlässig und wertvoll ist.“
Wesentliche Änderungen in AI-Native SAFe:
- Teams werden kleiner und KI-gestützt, Arbeitszyklen kürzer
- Übergaben zwischen Mensch und KI sind explizit im Modell verankert
- Neue Rolle: „AI Value Architect“ – verantwortlich für Ethik, Recht, Kosten und Risiko
- Governance, Ethik und Datenmanagement sind zentrale, nicht nachgelagerte Elemente
SAFe eignet sich, wenn: KI-Initiativen über mehrere Teams skaliert werden, regulatorische Anforderungen wie der EU AI Act eine dokumentierte Governance erfordern, oder das Unternehmen bereits SAFe nutzt.
Kritischer Hinweis: SAFe ist komplex und teuer in der Einführung. Für kleine Teams oder frühe KI-Experimente ist es in der Regel zu schwergewichtig.
CRISP-ML(Q): Kein Projektmanagement-Tool – sondern ein Lifecycle-Modell
Hier liegt ein häufiges Missverständnis vor: CRISP-ML(Q) – ausgeschrieben Cross-Industry Standard Process for Machine Learning with Quality Assurance – ist kein agiles Framework. Es ist ein Prozessmodell, das beschreibt, wie ML-Projekte technisch strukturiert ablaufen sollten – nicht, wie Teams koordiniert werden.
Stellen Sie sich vor, Ihr Team hat Scrum eingeführt und läuft methodisch sauber durch Sprints. Trotzdem scheitert das Modell später in der Produktion – weil niemand explizit definiert hat, wie Datendrift erkannt wird, wer für Modell-Updates verantwortlich ist oder wie Reproduzierbarkeit sichergestellt wird. Genau diese Lücke schließt CRISP-ML(Q).
Das Framework wurde 2021 von Studer, Bui, Drescher und weiteren Forschern aus dem Umfeld von Mercedes-Benz AI Research und der TU Berlin in der Zeitschrift Machine Learning and Knowledge Extraction (MDPI) als Open-Access-Artikel veröffentlicht. Es baut auf dem älteren CRISP-DM-Standard auf, ergänzt ihn aber um Quality Assurance als durchgängiges Prinzip.
Das Modell strukturiert ML-Projekte in sechs Phasen, wobei Qualitätssicherung nicht eine abschließende Stufe ist, sondern in jede Phase integriert wird:
| Phase | Inhalt |
|---|---|
| Business & Data Understanding | Geschäftsziele in ML-Ziele übersetzen; Datenverfügbarkeit prüfen |
| Data Engineering | Datenbereinigung, Feature Engineering, Normalisierung |
| ML Model Engineering | Algorithmusauswahl, Training, Dokumentation für Reproduzierbarkeit |
| Quality Assurance | Robustheitstests, Explainability, Compliance-Prüfung |
| Deployment | Modellintegration, A/B-Tests, Fallback-Strategie |
| Monitoring & Maintenance | Kontinuierliche Überwachung gegen Model Drift |
Typischer Fehler: Viele Teams überspringen Phase 6 (Monitoring) oder behandeln sie als einmalige Aufgabe. Ein Modell, das heute gut funktioniert, kann durch veränderte Datenmuster in wenigen Monaten driften – ohne dass es jemand bemerkt.
CRISP-ML(Q) eignet sich, wenn: ein ML-Modell qualitätsgesichert entwickelt werden soll, Reproduzierbarkeit und Dokumentation wichtig sind, oder regulatorische Anforderungen eine strukturierte Nachvollziehbarkeit verlangen.
Kein Entweder-oder: Wie die Frameworks zusammenspielen
Die entscheidende Erkenntnis für die Praxis:
- CRISP-ML(Q) beantwortet: Was sind die richtigen technischen Schritte?
- Scrum / SAFe beantwortet: Wie koordiniert das Team seine Arbeit?
Ein realistisches Zusammenspiel im Mittelstand: Das Team nutzt Scrum für die tägliche Koordination – Sprints, Retrospektiven, Backlog-Pflege. Die Struktur der inhaltlichen Arbeit folgt CRISP-ML(Q): Eine Data Story im Backlog entspricht Phase 2 (Data Engineering), eine Model Story entspricht Phase 3. Das Framework gibt vor, was qualitätssicher zu tun ist; Scrum gibt vor, wie das Team zusammenarbeitet.
In einem regulierten Umfeld – etwa Banking oder Versicherung – kommt SAFe bzw. AI-Native SAFe als übergeordnete Steuerungsebene hinzu: Portfolio-Entscheidungen, ART-Koordination, Governance. Innerhalb der Teams folgt die technische Arbeitsweise weiterhin CRISP-ML(Q).
Orientierung auf einen Blick:
| Situation | Empfehlung |
|---|---|
| Kleines Team, KI als Teil eines Softwareprodukts | Scrum (mit ML-Anpassungen) |
| Große Organisation, viele Teams, Compliance | SAFe / AI-Native SAFe |
| Qualitätssicherung des ML-Lifecycles | CRISP-ML(Q) |
| Teamkoordination + ML-Struktur | Scrum + CRISP-ML(Q) |
| Enterprise-KI-Strategie mit ML-Qualität | AI-Native SAFe + CRISP-ML(Q) |
Was das für Sie bedeutet – egal in welcher Rolle
Wer sich mit KI-Projekten beschäftigt – ob als Projektbeteiligte, als jemand, der KI-Wissen aufbauen möchte, oder als Person, die sich auf dem Arbeitsmarkt neu positioniert – stößt früher oder später auf diese Methodenfrage.
Dabei geht es nicht darum, alle Frameworks im Detail zu beherrschen. Es geht darum, die richtige Sprache zu sprechen: zu verstehen, warum ein Team von „Sprints“ redet, während das Datenteam von „Feature Engineering“ spricht. Zu wissen, dass ein fehlgeschlagener Sprint noch kein fehlgeschlagenes KI-Projekt bedeutet. Und einschätzen zu können, welche Strukturen ein KI-Vorhaben braucht – je nach Unternehmensgröße, Regulierung und Reifegrad.
Diese Kompetenz ist kein Luxus mehr – sie ist eine der gefragtesten Qualifikationen in KI-nahen Berufsfeldern.
Methodik und Praxis als Ausbildungsinhalt
Frameworks verstehen, KI-Projekte strukturieren, Automatisierungen aufsetzen und Prozesse mit KI-Agents gestalten – diese Kombination aus Methodenkompetenz und praktischem KI-Wissen ist der Kern einer modernen KI-Weiterbildung. Unabhängig davon, ob Sie bereits in einem Unternehmen mit KI-Projekten arbeiten, in das Thema einsteigen oder sich gezielt für den KI-Arbeitsmarkt qualifizieren möchten.
Unsere KI-Manager Ausbildung vermittelt genau diese Inhalte – praxisnah, mit anerkanntem TÜV-Zertifikat und mit bis zu 100 Prozent staatlicher Förderung über Bildungsgutschein. Programmierkenntnisse sind nicht erforderlich.
Mehr Informationen und Anmeldung: KI-Manager Ausbildung – KI-Weiterbildungszentrum
