Arjan van den Heuvel von Xebia wendet die Prinzipien des Team-Topologies-Frameworks auf das Organisationsdesign von Data & AI-Teams an, veranschaulicht anhand konkreter Fallstudien. Der Artikel untersucht, wie unterschiedliche Organisationsstrukturen die Effektivität von KI-Initiativen je nach Unternehmensgröße und KI-Reifegrad beeinflussen.
Theoretische Grundlagen
Das Team-Topologies-Framework definiert vier grundlegende Topologien (Stream-aligned, Platform, Enabling, Complicated-Subsystem-Teams) und drei Interaktionsmodi (Collaboration, X-as-a-Service, Facilitating). Conways Gesetz besagt, dass die Systemarchitektur die Kommunikationsstruktur der Organisation widerspiegelt, die sie hervorbringt. Diese Prinzipien ermöglichen die Analyse und Gestaltung effektiverer Data & AI-Organisationsstrukturen.
Fall 1: Mittelständisches Unternehmen, grundlegende KI-Erfahrung
Der Artikel untersucht drei Szenarien für ein Unternehmen, das seine KI-Initiativen vor einigen Jahren gestartet hat. Szenario 1.1 (dezentrale Experten) führt zu Punkt-zu-Punkt-Lösungen ohne Koordination und erzeugt einen technologischen Flickenteppich. Szenario 1.2 (zentralisiertes Data & AI-Produktteam) erzeugt eine übermäßige Kommunikationslast für den Product Owner und begrenzt die Autonomie des Teams angesichts mehrerer Stakeholder.
Szenario 1.3 (Data & AI-Expertenpool) erweist sich als optimale Lösung: Datenexperten werden je nach Bedarf temporär den Fachbereichs-/Produktteams zugeteilt und verbringen 10-20 % ihrer Zeit in ihrer „Home Base“ für Plattformentwicklung und Wissensaufbau. Analytics Translators fungieren als Vermittler, steuern die Ressourcenzuweisung und erhöhen die Data Literacy der Organisation.
Adaptive Topologien
Ein Schlüsselkonzept ist die dynamische Anpassung der Topologie: Ein Data Scientist kann in einem Stream-aligned-Team beginnen (enge Zusammenarbeit), sich zu einem Complicated-Subsystem-Team entwickeln (reduzierte Kommunikation) und schließlich zu einem Platform-Team (As-a-Service) übergehen, während die KI-Lösung ihren Lebenszyklus durchläuft. Diese Anpassungsfähigkeit ermöglicht die Steuerung der kognitiven Last und die Optimierung der Kommunikation.
Fall 2: Großunternehmen, fortgeschrittene KI-Erfahrung
Bei reifen Organisationen entwickelt sich die Struktur hin zu permanenten Datenexperten innerhalb der Produktteams, unterstützt durch ein ML-Engineering-Enabling-Team (Schulung, Code-Reviews, Best Practices) und ein Data-Engineering-Platform-Team (Pipeline-Vorlagen, Cloud-Workspaces as-a-Service). Communities of Practice ersetzen physische Teams für die Wissensentwicklung.
Governance und Weiterentwicklung
Der Artikel betont die Bedeutung der Reife der Data Governance: Die Übertragung der Eigentümerschaft von Datenaufbereitungs-Pipelines an die Produktteams, die die Daten erzeugen, reduziert die Komplexität und operative Last des zentralen Plattformteams und vereinfacht zugleich die Systemarchitektur im Einklang mit Conways Gesetz.
Praktisches Fazit
Van den Heuvel betont, dass kein einzelnes Design für jeden Fall passt. Jede Organisation muss ihre eigenen Szenarien anhand dieser Prinzipien bewerten, um die optimale Data & AI-Struktur für ihren spezifischen Kontext, ihre Größe und ihren KI-Reifegrad abzuleiten.