# Die Einführung in der richtigen Reihenfolge
Typ: Checkliste
Herkunft: ai-foundations / foundations-capstone / foundations-capstone-rollout-sequence
Version: foundations-capstone-rollout-sequence-2026-09-04
Geprüft: 2026-09-04

ACHTUNG: Dieses Dokument ist ein Lernartefakt aus einer Schulungssequenz. Es ist kein produktives Runbook. Vor jeder Anwendung in einer realen Umgebung müssen die Schritte gegen lokale Dokumentation, Runbooks und Freigabestatus geprüft werden.

## Szenario
Ein Anwendungsfall ist entschieden: Der Assistent soll Störungsmeldungen kategorisieren und die zuständige Gruppe vorschlagen. Fehler sind billig korrigierbar, der Nutzen ist plausibel. Fünf Arbeitsschritte stehen an. Die Reihenfolge ist hier kein Geschmack, sondern entscheidet darüber, ob am Ende überhaupt eine belastbare Aussage über Nutzen und Qualität möglich ist.

## Schritte
1. Ausgangslage erheben: Wie lange dauert die Zuordnung heute, und wie oft ist sie korrekt?
2. Testset aus echten, bereits abgeschlossenen Meldungen mit korrigierter Zielgruppe anlegen
3. Erste Version bauen und gegen das Testset messen
4. Im Schattenbetrieb mitlaufen lassen und die Vorschläge mit den menschlichen Entscheidungen vergleichen
5. Produktiv schalten, mit Stichprobenkontrolle und festgelegter Schwelle für den Rückbau

## Begründung
Warum: Jede Messung braucht ihren Bezugspunkt, bevor die Sache verändert wird, die sie messen soll. Deshalb kommt die Ausgangslage vor dem Testset, das Testset vor dem Bauen und der risikofreie Vergleich unter echter Last vor jeder Wirkung im Prozess — wer diese Reihenfolge dreht, kann hinterher weder Nutzen noch Qualität belegen.
Folgen: **+** Am Ende liegt eine belegte Aussage über Zeitgewinn und Trefferquote vor, und der Produktivstart hat ein definiertes Abbruchkriterium. **−** Bis zum sichtbaren Nutzen vergehen mehrere Wochen mit Arbeit, die von außen wie Verzögerung aussieht — Basiswert und Schattenbetrieb liefern nichts, was man vorführen kann.

## Quellen
1. Breck et al. — The ML Test Score: A Rubric for ML Production Readiness, IEEE Big Data 2017
2. Amershi et al. — Software Engineering for Machine Learning: A Case Study, ICSE-SEIP 2019
3. NIST AI Risk Management Framework (AI RMF 1.0), 2023 — Measure-Funktion