Leitender Ingenieurmanager sagt, dass Delivery-Leads Echtzeit- und Signal-First-Systeme übernehmen müssen
Ein Principal Engineering Manager von Microsoft berichtet, wie KI die Projektabwicklung von manueller Koordination hin zu intelligenter Orchestrierung verändert – und welche signalorientierten Systeme seine Teams nutzen, um der Zeit voraus zu sein.
Chandrasekar Srinivasan
Principal Engineering Manager
Technische Klarheit: Chandrasekar Srinivasan betont die Notwendigkeit einer klaren architektonischen Richtung bei der Projektumsetzung.
KI-Transformation: KI verlagert das Projektmanagement von Koordination zu Orchestrierung und steigert so die Effizienz, ohne menschliche Rollen zu ersetzen.
Abhängigkeitsmanagement: KI-gestützte Zusammenfassungen verbessern Sichtbarkeit und Entscheidungsfindung, indem sie Projektstatus und Abhängigkeiten konsolidieren.
Agentische Arbeitsabläufe: Die Erkundung agentischer Arbeitsabläufe steigert die Risikodetektion und das Projekttracking über mehrere Teams hinweg, was die Zusammenarbeit verbessert.
Vertrauen in KI: Vertrauen in KI-Ergebnisse ist entscheidend für die Akzeptanz; Teams müssen Zuverlässigkeit und Transparenz priorisieren.
Chandrasekar Srinivasan ist Principal Engineering Manager bei Microsoft. Mit über 15 Jahren Erfahrung in verteilten Systemen, Cloud und KI hat er sowohl frühe als auch hyper-skalierbare Plattforminitiativen vorangetrieben.
Wir haben uns mit ihm zusammengesetzt, um einen Einblick zu bekommen, wie er die Projektabwicklung in einer KI-nativen Umgebung neu denkt. Das hat er uns erzählt.
Technische Klarheit und operative Ausrichtung
Ich bin Chandrasekar Srinivasan und Principal Engineering Manager bei Microsoft. Ich leite große Teams, die großskalige Tier-0-Cloud-Plattformen aufbauen und verfüge über mehr als 15 Jahre Erfahrung in verteilten Systemen, Cloud und KI. Während meiner gesamten Karriere habe ich sowohl 0→1- als auch 1→100-Plattforminitiativen über Kontroll- und Datenebene hinweg geleitet, mit Fokus auf Zuverlässigkeit, Skalierung, Sicherheit, Compliance und organisationsübergreifende Umsetzung.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
In der Projektumsetzung schaffe ich technische Klarheit und operative Ausrichtung. Dazu gehört die Festlegung der Architektur, das Auflösen von Unklarheiten, das Beseitigen von Blockaden, das Herstellen von Abstimmung über Partnerorganisationen hinweg, das frühzeitige Eskalieren von Risiken, das Einhalten von Kundenverpflichtungen sowie der Aufbau des Teams (Einstellung/Weiterentwicklung) für eine erfolgreiche Lieferung.
Warum KI die Projektabwicklung von Koordination zu Orchestrierung transformiert
KI ist inzwischen in nahezu jedem Bereich der Projektabwicklung eingebettet. Sie ersetzt weder Führung noch ingenieurstechnisches Urteilsvermögen, reduziert aber die Mühsal der Ausführung erheblich. Dadurch verschiebt sich das Projektmanagement grundlegend von Koordination zu Orchestrierung.
KI verschiebt das Projektmanagement grundlegend von Koordination zu Orchestrierung.
Meine Teams nutzen KI-gestützte Entwicklung und Code-Reviews, um die Entwicklung zu beschleunigen, semantische Chatbots zur Verringerung des Support-Aufwands und KI-basierte Zusammenfassungen, um Kommunikation über Meetings, Threads und Dokumente hinweg zu verdichten. Außerdem setzen wir KI ein, um technische Dokumentationen schneller zu erstellen und mit automatisierten Dashboards für mehr Transparenz durch die Hervorhebung von Verzögerungen und Ausführungsrisiken zu sorgen.
Dadurch verbringe ich deutlich weniger Zeit mit manueller Verdichtung, repetitiver Dokumentation und routinemäßiger Abstimmung. Ich kann mich mehr auf höherwertige Arbeiten konzentrieren: Architekturentscheidungen treffen, teamübergreifende Abhängigkeiten steuern, Unklarheiten lösen, Prioritäten besser setzen und Teams dabei unterstützen, sich auf die kritischsten Lieferungsrisiken zu konzentrieren.
Wie KI-basierte Ansätze teamübergreifende Abhängigkeiten steuern
In unserer Umgebung erstrecken sich Abhängigkeiten über dutzende Teams, und Aktualisierungen verteilen sich natürlich auf Projektsysteme, Kommunikationsthreads und Entwicklungsabläufe. Traditionell erforderte es großen manuellen Aufwand, dies zusammenzuführen, und oft erkannten wir Risiken später, als wir es uns gewünscht hätten.
Wir haben eine schlanke erste Version eingeführt, die eine fokussierte Auswahl an Signalen aus diesen Systemen – Projektverfolgungsdaten, Team-Updates und Kommunikationsartefakte – zusammenführte und per KI-gestützter Zusammenfassung eine konsolidierte Übersicht zum Projektstatus und den Abhängigkeiten generiert. Wir begannen, dies als einen Schritt in Richtung eines signalbasierten Liefermodells zu betrachten, bei dem kontinuierlich entwickelte Signale Entscheidungen treiben, statt periodischer Statusberichte.
Wir bewegen uns auf ein signalbasiertes Bereitstellungsmodell zu, bei dem sich kontinuierlich weiterentwickelnde Signale die Entscheidungen lenken, anstatt regelmäßiger Statusberichte.
Dieser Ansatz hat bereits dazu geführt, dass das Team weniger Zeit mit dem Sammeln von Updates verbringt und stattdessen mehr Zeit mit deren Umsetzung. Noch wichtiger ist, dass wir nun dabei sind, diese Fähigkeit zu einem Produkt zu machen – indem wir sie stärker in unsere Bereitstellungssysteme integrieren, sodass sie zu einem Standardbestandteil unserer Projekttransparenz und Aufgabenverfolgung wird, anstatt eines parallelen Workflows. Die wichtigste Erkenntnis für uns war, dass der eigentliche Wert nicht in einer vollständigen Automatisierung der Bereitstellung liegt, sondern in der Schaffung eines Systems, das kontinuierlich Transparenz und Entscheidungsfindung im großen Maßstab verbessert.
Wie KI Automatisierung unterstützt und wo menschliches Urteilsvermögen weiterhin entscheidend bleibt
Die Bereiche, die am ehesten für eine Unterstützung durch KI bereit sind, sind Status-Synthese, Abhängigkeitsverfolgung, Risikoidentifikation, Dokumentation, routinemäßige Kommunikation, Design, Programmierung und Code-Review. KI kann dabei helfen, Informationen aus verschiedenen Systemen zu ziehen, zusammenzufassen, was sich geändert hat, mögliche Blocker zu identifizieren, Ausführungslücken hervorzuheben und Nachverfolgungsmaßnahmen vorzuschlagen.
Dennoch ist keiner dieser Bereiche in einer sinnvollen Bereitstellungsumgebung wirklich „vollständig automatisierbar“. Menschliches Urteilsvermögen ist weiterhin unerlässlich für Priorisierung, Abwägungsentscheidungen, organisatorische Abstimmung, Konfliktlösung, architektonische Ausrichtung und Personalführung. Der beste Einsatz von KI besteht heute nicht darin, den Menschen aus dem Prozess zu entfernen, sondern die operative Belastung zu reduzieren, damit Ingenieure und Führungskräfte sich auf die wichtigsten Entscheidungen konzentrieren können.
Der beste Einsatz von KI besteht nicht darin, Menschen aus dem Prozess zu entfernen, sondern die operative Belastung zu senken, sodass Führungskräfte sich auf die wichtigsten Entscheidungen konzentrieren können.
Veränderungen in unserem Stack haben uns von statischen, manuell gepflegten Status-Artefakten hin zu KI-gestützten, abfragebasierten Workflows geführt, die Erkenntnisse schneller liefern und den manuellen Aufwand verringern.
Die Tool-Landschaft verändert sich überraschend schnell. Was heute fortschrittlich erscheint, kann sehr schnell zur Grundvoraussetzung werden. Unser Stack umfasst zunehmend KI-Tools wie:
- GitHub Copilot — Wir nutzen es zur Beschleunigung der Programmierung, Codesuggestions, Projektverfolgung und zur Verbesserung der Entwicklerproduktivität während der Implementierung. Insbesondere die automatische Unterstützung bei Code-Reviews ist besonders wertvoll und vielerorts noch unterschätzt. Sie hilft Entwicklerinnen und Entwicklern, Fehler früher zu erkennen, die Codequalität zu steigern und schneller voranzukommen – ohne dass für jede Routineänderung der gleiche manuelle Überprüfungsaufwand nötig ist.
Der größte Effekt war eine schnellere Iterationsgeschwindigkeit und geringerer Review-Aufwand, während Menschen weiterhin bei den tieferen Fragen zu Design und Korrektheit den Fokus behalten. - Azure Copilot / KI-Assistenten — Wir nutzen sie für technische Dokumentation, Zusammenfassungen, Wissensabruf und Support-Workflows.
- Abfragebasierte Reporting-Tools — Wir nutzen sie zur Überwachung des Projektstatus, von Verzögerungen in der Umsetzung und des Status von Abhängigkeiten.
Wie agentische Workflows Projektverfolgung und Risikofrüherkennung verbessern
Wir untersuchen agentische Workflows für Projektverfolgung, Abhängigkeitsmanagement und das Erkennen von Ausführungsrisiken. Dies sind besonders wertvolle Bereiche, da sie eine große Menge fragmentierter Informationen und manuellen Nachverfolgungsaufwands umfassen – speziell beim Koordinieren vieler Teams.
Einige Anwendungsfälle umfassen das automatische Erkennen von Projektverzögerungen, das Identifizieren von Abhängigkeitslücken und das Nachverfolgen, ob alle erforderlichen Teams Maßnahmen oder Zusagen bestätigt haben. In großen Umgebungen mit über 100 Teams wird dies extrem wertvoll.
Wie schlanke Systeme veraltete Projektdashboards ersetzen
Die meisten Projekt-Dashboards sind heute bereits veraltet – sie wurden nur noch nicht ersetzt. Wir bewegen uns weg von stark GUI-gesteuerten, manuell gepflegten Projektmanagement-Systemen hin zu schlankeren, abfragebasierten Workflows.
Die meisten Projekt-Dashboards sind heute bereits veraltet – sie wurden nur noch nicht ersetzt.
Der Wandel betrachtet Projektdaten jetzt als etwas, mit dem Teams dynamisch interagieren und das sie abfragen können – eher wie ein CLI- oder promptgesteuertes Modell. Statt mehrere Dashboards zu durchlaufen oder statische Statusdokumente zu pflegen, können Teams gezielte Fragen stellen, wie zum Beispiel:
- „Was sind diese Woche die am stärksten verzögerten Abhängigkeiten?“
- „Welche Teams haben kritische Maßnahmen noch nicht bestätigt?“
- „Wo laufen wir Gefahr, Meilensteine zu verpassen?“
Die Kombination aus dieser vorhersehbaren Schicht strukturierter Projektdaten und einer probabilistischen Schicht generativer KI ermöglicht diesen Wandel: Sie interpretiert diese Signale im Kontext – verbindet Aktualisierungen über verschiedene Systeme hinweg, identifiziert Muster und bringt Erkenntnisse ans Licht, die aus keiner einzelnen Quelle ersichtlich wären.
Warum Projektdaten für das Management von den Kernprojektdaten getrennt werden müssen, wenn sich KI-Systeme weiterentwickeln
Mit der Entwicklung der Systeme müssen wir auch Projektdaten für das Management (wie Status, Priorität usw.) von den Kernprojektdaten entkoppeln, mit klaren Leitplanken für sensible Informationen. Das stellt sicher, dass die vorhersehbare Schicht zuverlässig und sicher bleibt, während die probabilistische Schicht auf der richtigen Abstraktionsebene arbeiten kann, ohne sensible Details offenzulegen. Das Entkoppeln von Managementdaten und Kerndaten macht den Einsatz von KI in Unternehmensumgebungen erst möglich.
Mit der Entwicklung der Systeme müssen wir Projektdaten für das Management von den Kernprojektdaten entkoppeln, um KI in Unternehmensumgebungen nutzbar zu machen.
Mit steigender Qualität der Wahrscheinlichkeitsverteilung filtert diese Schicht Geräusche effektiver heraus und reduziert Halluzinationen – was für das Vertrauen in diese Systeme entscheidend ist. Der Unterschied zwischen Rauschen und Erkenntnis liegt in der Qualität der Wahrscheinlichkeiten. In der Praxis verringert das den Bedarf an manueller Statuspflege und verlagert den Aufwand auf Entscheidungsfindung. Teams verbringen weniger Zeit damit, GUIs zu aktualisieren, und mehr Zeit damit, über Abfragen oder Prompts mit Live-Daten zu arbeiten.
Das Ergebnis sind geringere Berichtslasten, schnellere Transparenz über Ausführungsrisiken und eine dynamischere Art, Lieferungen zu steuern – wobei das System kontinuierlich die Realität widerspiegelt, statt sich auf periodisch aktualisierte Momentaufnahmen zu verlassen.
Wie KI-Unterstützung es Junior Engineers ermöglicht, früher komplexere Aufgaben zu übernehmen
Dank KI-Unterstützung kann ich Junior Engineers früher in ihrer Laufbahn komplexere Aufgaben zuweisen. Die Kombination aus KI-gestützter Anleitung und strukturierter Validierung ermöglicht es ihnen, auf einer höheren Ebene zu arbeiten – und trotzdem Qualität zu gewährleisten. Das beschleunigt nicht nur die Ausführung, sondern verbessert auch das Lerntempo und die Entwicklung des Teams erheblich. KI verkürzt die Erfahrungskurve – Ingenieurinnen und Ingenieure können die Aufgaben von morgen schon heute übernehmen.
Mit KI-Unterstützung können Nachwuchs-Ingenieur:innen früher komplexere Aufgaben übernehmen und so die Erfahrungslernkurve verkürzen.
Team-Alignment verbessert sich, wenn KI Diskussionen zusammenfassen und offene Entscheidungen hervorheben kann. Die Validierung wird effizienter, wenn KI bei der Code-Review, der Dokumentationsprüfung und der Rückverfolgbarkeit unterstützt. Gleichwohl bleiben die Grundregeln wichtig: Der Umfang braucht weiterhin klare Verantwortlichkeiten. Die Abstimmung erfordert weiterhin echte Entscheidungsfindung. Die Validierung verlangt weiterhin technische Sorgfalt.
Warum die Einführung von KI bedeutet, Vertrauen aufzubauen und Spannungen auszugleichen
Die Einführung von KI führt manchmal zu einem Spannungsfeld zwischen Individualisierung und Standardisierung. Teams wünschen sich auf ihre Bedürfnisse zugeschnittene Workflows, aber im großen Maßstab benötigt das Management auch Konsistenz bei der Messung und Analyse von Ergebnissignalen. Das Ausbalancieren dieser beiden Aspekte war eine meiner interessantesten Lektionen.
Neben der Fähigkeit, solche Spannungen auszubalancieren, muss ein Team, das KI einführen möchte, gezielt Vertrauen aufbauen. Ein Mangel an Vertrauen ist das größte Hindernis bei der Akzeptanz von KI. Teams setzen KI nur dann ein, wenn die Ergebnisse ausreichend genau, nachvollziehbar und sinnvoll in ihren Workflow integriert sind – und dadurch Zeit sparen anstatt zusätzlichen Prüfaufwand zu verursachen.
Langfristig gewinnen die Teams, die KI nicht nur als Produktivitätswerkzeug, sondern als ein System betrachten, das sich durch Zuverlässigkeit, Transparenz und dauerhaften Mehrwert Vertrauen verdienen muss.
Möchten Sie mehr solcher Einblicke erhalten? Registrieren Sie sich kostenlos für ein DPM-Konto und erfahren Sie mehr von solchen Expert:innen.
