Vor dem ersten Modell: Wie ein Challenge Brief KI-Initiativen zur Reife bringt

Was macht eine KI-Initiative reif für den nächsten Schritt? Forschende der Berner Fachhochschule, der Universität Liechtenstein und der Universität St.Gallen haben AI Innovation Challenge Briefs aus Innovationsvorhaben von Unternehmen untersucht. Unsere Ergebnisse zeigen, wie dieses scheinbar einfache Artefakt Business, Design und Technologie aufeinander abstimmt – ohne dass zuvor jede Unsicherheit ausgeräumt sein muss.

Das Problem vor dem Projekt

Eine vertraute Situation: Eine Organisation möchte mit KI ihren Kundendienst verbessern. Der Geschäftsbereich erhofft sich kürzere Antwortzeiten, die IT denkt bereits an einen Chatbot, und das Datenteam weist darauf hin, dass die nötigen Kundengespräche möglicherweise gar nicht zugänglich sind. Die Mitarbeitenden im Service wiederum sehen in ihrem Arbeitsalltag vielleicht ein ganz anderes Problem. Noch bevor ein einziges Modell gebaut ist, bewegt sich die Initiative bereits in mehrere Richtungen.

Darin liegt eine zentrale Herausforderung der KI-Innovation: Problem, angestrebter Nutzen und technische Machbarkeit lassen sich nicht unabhängig voneinander klären. Was möglich ist, hängt von den verfügbaren Daten ab, von der Aufgabe, die die KI übernehmen soll, und davon, wie verlässlich ihre Ergebnisse sein müssen – Bedingungen, die zu Beginn oft unklar sind und sich erst im Verlauf der Erkundung klären (Lin & Maruping, 2025; Berente et al., 2021).

Design Thinking gilt als anerkannte Methode, um verbreiteten Herausforderungen in KI-Innovationsprojekten zu begegnen: Es hilft Teams, Nutzerbedürfnisse, organisationalen Nutzen und technische Möglichkeiten in denselben Prozess einzubringen (Staub et al., 2023). Offen bleibt damit eine praktische Frage: Wie formuliert man einen Ausgangspunkt, der einem interdisziplinären Team Orientierung gibt, ohne die Lösung vorwegzunehmen?

Ein gemeinsamer Ausgangspunkt für KI-Innovation

Das AI Innovation Challenge Brief ist eine strukturierte, zugleich anpassbare Beschreibung des Problems, das ein Innovationsteam erkunden will. Anders als ein herkömmlicher Projektauftrag definiert es keine Anforderungen an eine vorab festgelegte Lösung – es schafft einen gemeinsamen Rahmen, in dem Fachleute aus Business, Design und Technologie untersuchen können, ob und wie KI Nutzen stiften kann.

Unsere Forschung stützt sich auf denselben Datensatz – Briefs aus 42 KI-Innovationsvorhaben von Unternehmen, darunter 13 aufeinanderfolgende Versionen aus fünf dieser Vorhaben –, stellt daran aber zwei unterschiedliche Fragen: Welche wiederkehrenden Elemente machen ein Brief wirksam? Und wie verändern sich Briefs, während ein Team auf die Reife hinarbeitet? Die Arbeit ist Teil von Design Thinking for AI (DT4AI), einer von Erasmus+ und Movetia unterstützten Initiative, die Methoden und Lernmaterialien für menschenzentrierte KI-Innovation entwickelt.

Was ein Brief braucht

Unsere Analyse hat sieben wiederkehrende Elemente identifiziert (Röckel et al., 2026). Vier davon bilden einen stabilen Rahmen: ein Verb, das die Richtung vorgibt, der Gegenstand der Innovation, die Zielgruppe und der organisationale Kontext. Zusammen beantworten sie vier Grundfragen: Was wollen wir verändern? Woran arbeiten wir? Für wen? In welchem Umfeld?

Drei weitere Elemente bleiben bewusst anpassbar: interne Daten oder Ressourcen, die in Betracht gezogene Technologie sowie die möglichen Chancen und Risiken. Diese Flexibilität ist wichtig, weil KI ein sich wandelndes Gestaltungsmaterial ist, dessen Fähigkeiten und Ergebnisse sich im Voraus kaum vollständig abschätzen lassen.

Zusammengenommen ergeben die sieben Elemente einen praktikablen Ausgangspunkt:

Wie könnten wir [Verb] [Gegenstand der Innovation], unter Nutzung von [internen Daten oder Ressourcen] und gestützt auf [Technologie], für [Zielgruppe], unter Berücksichtigung von [Kontext] und unter den Bedingungen von [Chancen und Risiken]?

Dieser Satz ist nicht mechanisch auszufüllen – er ist ein Werkzeug, um Lücken sichtbar zu machen. Bleibt die Zielgruppe vage, braucht es womöglich mehr Nutzerforschung. Lautet die einzige Aussage zur Technologie «mit KI», ist die eigentliche Aufgabe vielleicht noch unklar. Werden Daten genannt, ist aber unbekannt, ob sie zugänglich sind, bleibt die Machbarkeit eine Annahme statt eine Tatsache. Teile bewusst offen zu lassen schützt zudem davor, sich zu früh auf eine Lösung festzulegen: Wer mit einem vorab gesetzten KI-Ansatz startet, richtet die Aufmerksamkeit leicht darauf, technische Leistungsfähigkeit zu demonstrieren, statt das Problem zu verstehen (Davenport & Ronanki, 2018).

Auch die Formulierung des Innovationsgegenstands steuert die Erkundung: Ein modularer Gegenstand wie «Customer Journey» lädt dazu ein, einzelne Schritte zu untersuchen, während ein Innovationsraum wie «Green-IT-Initiative» das Ergebnis offen lässt – und damit oft mehr Raum für radikale Ideen schafft.

Wie ein Brief reif wird

Ein gut strukturiertes Brief ist ein Ausgangspunkt, kein Beleg dafür, dass eine Initiative bereit ist, weiterzugehen. Die Auswertung, wie sich Briefs über ihre aufeinanderfolgenden Versionen verändert haben, zeigte drei wiederkehrende Phasen (Hehn et al., 2026).

Abbildung 1: Wie sich das AI Innovation Challenge Brief von der divergierenden Erkundung über Aushandlung und Übersetzung hin zu einer «good enough»-Abstimmung entwickelt. Bereits stabilisierte Annahmen können gezielt wieder geöffnet werden, wenn neue Rahmenbedingungen auftreten. Quelle: Hehn et al. (2026).

Während der divergierenden Erkundung hält das Brief Alternativen und Unsicherheiten sichtbar – Teams vergleichen möglicherweise noch Wertversprechen, Nutzergruppen oder mögliche Anwendungen von KI. In der Phase der Aushandlung und Übersetzung werden Annahmen explizit: Geschäftliche Ambitionen treffen auf Nutzerbedürfnisse, Datenzugang, technische Machbarkeit und Kriterien zur Bewertung der KI-Ergebnisse. In der konvergierenden Abstimmung weicht die erkundende Sprache einer konkreten Absicht – in einem Fall verengte sich eine breite Diskussion über Prognosetechnologien auf die Unterstützung der täglichen Routenentscheidungen von Planer*innen.

Der Verlauf ist nicht streng linear. Wenn neue Informationen eine zuvor stabilisierte Annahme in Frage stellen – in einem Fall erwiesen sich als verfügbar angenommene Kundendaten als nicht zugänglich –, können Teams diesen Punkt gezielt noch einmal aufgreifen, ohne das ganze Brief neu zu öffnen. Wir nennen das selektive Wiederöffnung: keine vierte Phase, sondern ein Rückkopplungsmechanismus, der das Brief anpassbar hält und zugleich den bereits erreichten Fortschritt sichert.

Reife bedeutet nicht Gewissheit

Reife bedeutet nicht, jede Unsicherheit zu beseitigen. Sie ist ein vorläufiger, aber handlungsfähiger Zustand: Das Team hat die Aufgabe geklärt, die verbleibenden Risiken dokumentiert und genügend Abstimmung erreicht, um die nächste Investition zu rechtfertigen. Das Brief erfüllt dabei zwei Funktionen zugleich: Es koordiniert unterschiedliche Perspektiven, indem es dem Team einen gemeinsamen Bezugspunkt gibt, und es wirkt als Gate, indem es festhält, warum eine Initiative bereit ist – oder noch nicht bereit ist –, in Design und Modellierung überzugehen.

Für Organisationen lautet die Botschaft schlicht: Das Challenge Brief ist kein Formular, das zum Projektstart einmal ausgefüllt wird. Es ist ein lebendiges Koordinations- und Reifeinstrument, das im Verlauf der Initiative immer wieder überarbeitet werden sollte. Bevor es weitergeht, sollten Entscheidungsträger*innen folgende Fragen beantworten können:

• Sind die vorgesehenen Nutzer*innen und die zu unterstützende Aufgabe klar?
• Sind Datenverfügbarkeit und Datenzugang als Fakten dokumentiert oder als Annahmen gekennzeichnet?
• Wurden geschäftlicher Nutzen, Nutzen für die Anwender*innen und technische Machbarkeit gemeinsam betrachtet?
• Sind die verbleibenden Unsicherheiten explizit, und hat sich das Team darauf verständigt, welche davon vorerst akzeptabel sind?
• Drückt die aktuelle Formulierung eine gemeinsame Richtung aus – und nicht bloss eine Sammlung von Möglichkeiten?

Das Ziel ist weder ein perfekter Konsens noch ein risikofreier Plan. Es ist eine Problemrahmung, die stabil genug ist, um Handeln zu leiten, und flexibel genug, um Lernen zuzulassen. Lange bevor das erste Modell trainiert wird, ist diese Balance womöglich einer der stärksten Hinweise darauf, dass eine KI-Initiative bereit ist, zum Projekt zu werden.

Referenzen

Berente, N., Gu, B., Recker, J., & Santhanam, R. (2021). Managing Artificial Intelligence. MIS Quarterly, 45(3), 1433-1450.

Davenport, T. H., & Ronanki, R. (2018). Artificial Intelligence for the Real World. Harvard Business Review, 96(1), 108-116.

Hehn, J., Röckel, F. A., & van Giffen, B. (2026). Structuring Readiness for AI Innovation: The Role of the Design Challenge Brief as a Coordination and Gatekeeping Artefact. ECIS 2026 Proceedings

Lin, Y.-K., & Maruping, L. M. (2025). Organizing for AI Innovation: Insights from an Empirical Exploration of U.S. Patents. MIS Quarterly, 49(3), 1095-1122.

Röckel, F. A., van Giffen, B., Janson, A., & Hehn, J. (2026). The Anatomy of a Design Challenge for Initiating AI Innovation. ECIS 2026 Proceedings

Staub, L., van Giffen, B., Hehn, J., & Sturm, S. (2023). Design Thinking for Artificial Intelligence: How Design Thinking Can Help Organizations to Address Common AI Project Challenges. In HCI International 2023 – Late Breaking Papers. Springer.

Weiterführendes zum Lesen und Hören

• Design Thinking for AI (DT4AI) – offizielle BFH-Projektseite
• Design Thinking for AI: Die richtigen KI-Innovationen entwickeln – Hintergrundartikel der BFH auf Deutsch
• AIS Insights Podcast: The Anatomy of a Design Challenge – Audio-Zusammenfassung der Forschung und ihrer Implikationen
• AIS Insights Podcast: Readiness for AI Innovation – weitere Audio-Einführung in die Forschung und ihre Implikationen