T-Shirt‑Schätzungen scheitern: Fünf kritische Annahmen für KI‑Projekte

In der agilen Softwareentwicklung ist die T-Shirt‑Skala wegen ihrer Einfachheit und Übersichtlichkeit beliebt. Doch wenn sie auf Projekte mit großen Sprachmodellen und Multi‑Agenten angewendet wird, liefert sie systematisch falsche Ergebnisse. Ein neuer Beitrag auf arXiv (2602.17734v1) analysiert fünf Grundannahmen, die bei traditionellen Softwareaufgaben gelten, aber in KI‑Kontexten versagen: lineare Aufwand‑Skalierung, Wiederholbarkeit aus Erfahrung, Austauschbarkeit von Aufwand und Dauer, Zerlegbarkeit von Aufgaben und deterministische Fertigstellungskriterien.

Die Autoren zeigen anhand aktueller Forschung zu Multi‑Agenten‑Fehlern, Skalierungsprinzipien und der inhärenten Unzuverlässigkeit mehrtägiger Gespräche, wie KI‑Entwicklung diese Regeln bricht. Nichtlineare Leistungssteigerungen, komplexe Interaktionsflächen und „tight coupling“ führen dazu, dass kleine Datenänderungen die gesamte Systemschicht durchdringen.

Um Teams bei der Planung zu unterstützen, schlagen die Autoren „Checkpoint‑Sizing“ vor – einen menschenzentrierten, iterativen Ansatz, bei dem explizite Entscheidungspunkte eingeführt werden. Anstatt auf Anfangsannahmen zu vertrauen, werden Umfang und Machbarkeit während der Entwicklung anhand neuer Erkenntnisse neu bewertet.

Der Beitrag richtet sich an Engineering‑Manager, technische Leiter und Produktverantwortliche, die KI‑Initiativen planen und umsetzen. Er liefert praxisnahe Einsichten, wie man die häufigsten Stolperfallen bei der Schätzung von KI‑Projekten vermeidet und realistischere Zeitpläne erstellt.