Seminar ADOIT AI in der Enterprise Architecture

Das praxisorientierte Format behandelt verantwortungsvoller Einsatz der ADOIT-AI-Funktionen für Recherche, Bewertung und Architekturarbeit. Methodische Einordnung, strukturierte Systemarbeit und ein durchgängiges Übungsszenario verbinden Architekturkonzept, Repository-Pflege, Analyse und nachvollziehbare Entscheidungen.

Inhaltsverzeichnis

1. Einordnung und Lernziele
2. Zielgruppe
3. Voraussetzungen
4. Seminarinhalte
5. AI-Einsatzfelder und Kontrollrahmen
6. Qualitätsorientierte Aufgabenformulierung
7. AI-gestützte Technologie- und Lifecycle-Recherche
8. Anforderungen, Roadmaps und Portfolioempfehlungen
9. Governance, Test und Einführung
10. Praxisaufgaben

Einordnung und Lernziele

Im Mittelpunkt steht die handlungsorientierte Anwendung von ADOIT im Themenfeld verantwortungsvoller Einsatz der ADOIT-AI-Funktionen für Recherche, Bewertung und Architekturarbeit. Die Inhalte führen von der fachlichen Zielsetzung über die konkrete Konfiguration oder Modellierung bis zur Qualitätsprüfung und zur Einbettung in einen wiederholbaren Arbeitsprozess. Alle Arbeitsschritte werden an einem konsistenten Unternehmensszenario nachvollzogen.

• Fachliche Fragestellungen in geeignete ADOIT-Strukturen, Modelle, Workspaces oder Analysen übersetzen.
• Arbeitsschritte in einer belastbaren Reihenfolge durchführen und Zwischenergebnisse gezielt prüfen.
• Repository-Objekte, Beziehungen, Eigenschaften und Verantwortlichkeiten konsistent verwenden.
• Qualitäts-, Governance- und Betriebsaspekte in die praktische Umsetzung integrieren.
• Erarbeitete Strukturen auf einen eigenen organisatorischen Kontext übertragbar dokumentieren.

Zielgruppe

Enterprise Architects, Portfolioverantwortliche, Technologiemanager, EA-Analysten, Governance-Verantwortliche und ADOIT-Power-User.

Voraussetzungen

Grundkenntnisse in ADOIT und Enterprise Architecture; ein freigeschalteter AI-Dienst in der Schulungsumgebung ist für praktische Übungen hilfreich.

Seminarinhalte

AI-Einsatzfelder und Kontrollrahmen

AI-Unterstützung wird nach Nutzen, Datenrisiko und notwendiger menschlicher Kontrolle eingeordnet.

1. Schritt 1: Geeignete Einsatzfelder wie Recherche, Anforderungsermittlung, Portfoliohinweise und Textentwürfe identifizieren.
2. Schritt 2: Eingabedaten nach Vertraulichkeit, Personenbezug und fachlicher Kritikalität klassifizieren.
3. Schritt 3: Menschliche Prüfung, Freigabeverantwortung und Nachvollziehbarkeit für AI-gestützte Arbeit definieren.
4. Schritt 4: Nicht geeignete Anwendungsfälle und verbindliche Ausschlusskriterien festlegen.
5. Schritt 5: Einen pragmatischen Kontrollrahmen für Pilotierung und Regelbetrieb formulieren.

Praxisübung: Bewertung mehrerer EA-Aufgaben anhand einer Nutzen-Risiko-Matrix.

Qualitätsorientierte Aufgabenformulierung

Prompts und fachlicher Kontext werden so aufgebaut, dass prüfbare und verwertbare Ausgaben entstehen.

1. Schritt 1: Arbeitsziel, Rolle, Scope, Datenbasis und gewünschtes Ausgabeformat präzise festlegen.
2. Schritt 2: Begriffe, Bewertungsmaßstäbe und Randbedingungen aus dem EA-Kontext ergänzen.
3. Schritt 3: Große Aufgaben in aufeinander aufbauende Teilschritte zerlegen.
4. Schritt 4: Prüfkriterien für Vollständigkeit, Konsistenz und fachliche Plausibilität vorab definieren.
5. Schritt 5: Ergebnisse iterativ nachschärfen, ohne unbelegte Annahmen in das Repository zu übernehmen.

Praxisübung: Formulierung und Verbesserung einer Aufgabenfolge für die Vorbereitung einer Portfolioentscheidung.

AI-gestützte Technologie- und Lifecycle-Recherche

Technologieinformationen werden strukturiert ermittelt, bewertet und kontrolliert in ADOIT übernommen.

1. Schritt 1: Technologieobjekte und benötigte Lifecycle-Attribute für die Recherche auswählen.
2. Schritt 2: Such- und Bewertungsauftrag mit eindeutigen Produkt-, Versions- und Zeitbezügen formulieren.
3. Schritt 3: AI-Ausgaben auf Aktualität, Mehrdeutigkeit und fehlende Nachweise prüfen.
4. Schritt 4: Bestätigte Informationen in geeignete Attribute und Statuswerte übertragen.
5. Schritt 5: Unsichere Ergebnisse kennzeichnen und einer fachlichen Nachprüfung zuführen.

Praxisübung: Bearbeitung eines Technologie-Lifecycle-Falls mit dokumentierter Plausibilitätsprüfung.

Anforderungen, Roadmaps und Portfolioempfehlungen

AI-Vorschläge werden als kontrollierter Input für Szenarien und Entscheidungen verwendet.

1. Schritt 1: Strategische Ziele und betroffene Capabilities als Kontext für mögliche Anforderungen beschreiben.
2. Schritt 2: Anforderungsvorschläge erzeugen, fachlich clustern und auf Doppelungen prüfen.
3. Schritt 3: Auswirkungen auf Anwendungen, Technologien und geplante Veränderungen ableiten.
4. Schritt 4: Portfolioempfehlungen anhand definierter Kriterien wie Fitness, Risiko, Kosten und Zielbeitrag bewerten.
5. Schritt 5: Nur geprüfte Vorschläge in Roadmap, Szenario oder Entscheidungsunterlage übernehmen.

Praxisübung: Erstellung einer priorisierten Anforderungsliste für ein Transformationsszenario.

Governance, Test und Einführung

Der AI-Einsatz wird durch Testfälle, Rollen und Qualitätskontrollen reproduzierbar gemacht.

1. Schritt 1: Zulässige Daten, freigegebene Aufgabenklassen und verantwortliche Rollen dokumentieren.
2. Schritt 2: Testfälle mit erwarteten Mindestinhalten und Abbruchkriterien definieren.
3. Schritt 3: Fehlerbilder wie Halluzinationen, veraltete Angaben und verzerrte Bewertungen erkennen.
4. Schritt 4: Protokollierung, Stichprobenkontrolle und Freigabe für produktive Nutzung organisieren.
5. Schritt 5: Ein Einführungsbacklog mit Pilotgruppe, Erfolgskriterien und Verbesserungszyklen erstellen.

Praxisübung: Entwurf einer AI-Nutzungsrichtlinie einschließlich Prüfliste für die fachliche Freigabe.

Praxisaufgaben

1. Aufgabe 1: Einen kontrollierbaren Prompt für eine Architektur- oder Portfolioaufgabe entwickeln.
2. Aufgabe 2: AI-Ausgaben mit einer fachlichen Qualitätsmatrix bewerten und korrigieren.
3. Aufgabe 3: Ein Pilotkonzept mit Rollen, Datenklassen, Testfällen und Freigaberegeln erstellen.