Die verbreitetste Frage zu KI im Projektmanagement lautet: Welches Werkzeug soll ich nehmen? Sie ist die falsche. Zwei Projektleiter mit demselben Werkzeug kommen zu völlig verschiedenen Ergebnissen, und der Unterschied liegt nicht am Werkzeug, sondern daran, welche Aufgabe sie ihm geben.
Denn KI hilft im Projekt nicht überall gleich gut. Sie hilft bei einer bestimmten Sorte Arbeit sehr — und bei einer anderen gar nicht, auf eine Weise, die man dem Ergebnis nicht ansieht. Diese Übersicht sortiert beides und benennt das Kriterium, an dem sich der eine Fall vom anderen unterscheiden lässt, bevor man Zeit oder Vertrauen investiert.
Wo KI in Projekten tatsächlich Arbeit abnimmt
Struktur und Planung. Aus einer Projektbeschreibung entsteht ein Entwurf für einen Projektstrukturplan in einem Durchgang. Wertvoller als der Entwurf ist allerdings die Gegenrichtung: den fertigen eigenen Plan prüfen zu lassen, was bei Vorhaben dieser Art typischerweise fehlt.
Stakeholder und Kommunikation. Welche Rollen werden übersehen? Wie wird aus einer Position eine Interessenlage? Beides ist Formulierungsarbeit — und beides funktioniert ohne einen einzigen Namen, was hier keine Nebensache ist.
Anforderungen. User Stories umschreiben, Akzeptanzkriterien ergänzen, Formulierungen vereinheitlichen. Klassische Fleißarbeit mit klarem Muster.
Risiken. Nicht das Bewerten — das Sammeln. Die Frage "welche Risiken treten bei Vorhaben dieser Art typischerweise auf, an die im Kickoff niemand denkt" liefert brauchbare Ergänzungen zu einer bestehenden Liste.
Berichte und Statusmeldungen. Aus Stichpunkten wird ein lesbarer Text. Zeitersparnis real, Risiko gering — solange die Stichpunkte stimmen.
Das Muster: Überall dort, wo die Menge das Problem ist und nicht das Urteil, nimmt ein Sprachmodell Arbeit ab. Umformulieren, sortieren, vergleichen, ergänzen — Tätigkeiten, bei denen sich das Ergebnis gegen etwas Bekanntes halten lässt und ein Fehler auffällt, sobald man hinsieht.
Wo sie zuverlässig danebenliegt
Bei allem, was Kontext braucht, den niemand aufgeschrieben hat. Wer im Unternehmen tatsächlich entscheidet, welche Abteilung mit welcher nicht zusammenarbeitet, warum ein bestimmtes Vorgehen beim letzten Mal gescheitert ist — davon steht nichts in den Unterlagen, und ein Modell kann es nicht wissen. Es füllt die Lücke trotzdem, plausibel klingend.
Bei Entscheidungen mit Verantwortung. Eine Priorisierung, eine Eskalation, eine Personalfrage. Ein Modell liefert dazu eine Antwort, und die Antwort ist oft vernünftig — aber die Verantwortung dafür lässt sich nicht abgeben, und damit ist die Entlastung nur scheinbar.
Bei Vollständigkeit. Das ist der teuerste Fall. Die Ausgabe wirkt vollständig, weil sie symmetrisch ist: jede Ebene drei bis fünf Punkte, alles sauber. Symmetrie ist aber kein Vollständigkeitsbeleg. Wer einen Projektstrukturplan erstellt, ist an die 100-Prozent-Regel gebunden: Die untergeordneten Elemente einer Ebene müssen den Inhalt des übergeordneten Elements vollständig und ohne Überschneidung abbilden — nicht mehr und nicht weniger. Ob ein KI-Entwurf diese Regel erfüllt, hängt am tatsächlichen Leistungsumfang des Vorhabens, den das Modell nicht kennt. Eine hübsch symmetrische Gliederung kann die 100-Prozent-Regel glatt verfehlen, ohne dass man es dem Baum ansieht. Reale Vorhaben sind ohnehin unsymmetrisch.
Alle drei Fälle haben eines gemeinsam: Sie sind an der Ausgabe nicht zu erkennen. Ein falscher Projektstrukturplan sieht aus wie ein richtiger. Genau deshalb ist KI im Projekt ein Werkzeug für jemanden, der das Ergebnis beurteilen kann — und nicht eines, das diese Fähigkeit ersetzt.
Das Muster hinter beidem
Es gibt eine Frage, bei der Sprachmodelle regelmäßig stark sind, und eine, bei der sie regelmäßig schwach sind.
Stark: "Was fehlt hier?" Modelle haben sehr viele Beispiele gesehen und erkennen, was in vergleichbaren Fällen üblicherweise vorkommt und in eurem Entwurf nicht.
Schwach: "Was ist hier richtig?" Das setzt Kenntnis eures Falles voraus, und die haben sie nicht.
Wer diese beiden Fragen auseinanderhält, trifft die meisten Einsatzentscheidungen richtig, ohne über einzelne Werkzeuge nachdenken zu müssen. Die Wahl zwischen Anbietern ist dann zweitrangig — sie ändert die Qualität der Formulierung, nicht die Grenze zwischen Menge und Urteil.
Was rein darf und was nicht
Zwei Grenzen, die im Projektalltag regelmäßig übersehen werden.
Personenbezogene Daten. Eine Stakeholder-Analyse enthält Namen, Funktionen und Einschätzungen zu identifizierbaren Personen. Für deren Eingabe braucht es zweierlei: eine Rechtsgrundlage nach Art. 6 DSGVO und — sofern der Anbieter als Auftragsverarbeiter tätig wird — einen Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO. Fehlt eines von beidem, ist die Eingabe unzulässig. Die praktikable Trennung heißt: Rollen ja, Personen nein.
KI-Kompetenz. Artikel 4 der EU-KI-Verordnung verpflichtet seit dem 2. Februar 2025 Anbieter und Betreiber, für ein ausreichendes Maß an KI-Kompetenz bei den Personen zu sorgen, die solche Systeme in ihrem Auftrag einsetzen. Gemeint ist nicht das Bedienen eines Werkzeugs, sondern das Beurteilen seiner Ergebnisse — also genau die Fähigkeit, ohne die die drei Fehlerfälle oben unbemerkt bleiben.
Wie man anfängt
- Eine Aufgabe wählen, bei der die Menge das Problem ist, nicht das Urteil. Umformulieren, sammeln, vergleichen — nicht entscheiden.
- Das Ergebnis gegen etwas prüfen, das man schon hat. Der erste Einsatz sollte etwas wiederholen, dessen richtige Antwort bekannt ist. Nur so merkt man, wo das Modell danebenliegt.
- Die Gegenrichtung nutzen. Nicht erstellen lassen, sondern das Eigene prüfen lassen. Das ist der unterschätzte Teil und meist der wertvollere.
- Festhalten, was nicht hineingeht. Eine Seite, auf der steht, welche Unterlagen tabu sind, verhindert mehr Ärger als jede Werkzeugauswahl.
Die Prüfung in vier Fragen
Vor jedem Einsatz im Projekt:
- Ist das eine Mengen- oder eine Urteilsfrage?
- Könnte ich erkennen, wenn das Ergebnis falsch wäre?
- Stehen personenbezogene Daten drin?
- Gibt es jemanden, der das Ergebnis verantwortet — namentlich?
Vier saubere Antworten bedeuten nicht, dass der Einsatz gelingt. Sie bedeuten, dass ein Fehler auffällt, bevor er teuer wird.
Die Vertiefungen
Häufige Fragen
Wo hilft KI im Projektmanagement konkret?
Überall dort, wo die Menge das Problem ist und nicht das Urteil: Entwürfe für einen Projektstrukturplan, Vollständigkeitsprüfungen von Risiko- und Stakeholder-Listen, Umformulieren von Anforderungen, Statusberichte aus Stichpunkten. Der unterschätzte Fall ist die Gegenrichtung — nicht erstellen lassen, sondern das Eigene prüfen lassen: „Was fehlt bei Vorhaben dieser Art typischerweise?“
Wo hilft KI im Projekt nicht?
Bei allem, was Kontext braucht, den niemand aufgeschrieben hat — wer tatsächlich entscheidet, warum ein Vorgehen beim letzten Mal gescheitert ist. Bei Entscheidungen mit Verantwortung, weil sich die Verantwortung nicht abgeben lässt. Und bei Vollständigkeit: Die Ausgabe wirkt vollständig, weil sie symmetrisch ist, aber Symmetrie ist kein Vollständigkeitsbeleg. Alle drei Fälle sind an der Ausgabe nicht zu erkennen.
Welches KI-Werkzeug ist das beste für Projektmanagement?
Das ist die falsche Frage. Zwei Projektleiter mit demselben Werkzeug kommen zu völlig verschiedenen Ergebnissen, und der Unterschied liegt an der Aufgabe, die sie ihm geben. Nützlicher ist die Unterscheidung: Sprachmodelle sind stark bei „Was fehlt hier?“ und schwach bei „Was ist hier richtig?“. Wer diese beiden Fragen auseinanderhält, trifft die meisten Einsatzentscheidungen richtig, ohne über Werkzeuge nachzudenken.
Ersetzt KI Projektmanager?
Nein, und der Grund ist konkreter als die üblichen Beteuerungen: Die drei Fehlerfälle oben sind an der Ausgabe nicht erkennbar. Ein falscher Projektstrukturplan sieht aus wie ein richtiger. Damit ist KI im Projekt ein Werkzeug für jemanden, der das Ergebnis beurteilen kann — es setzt die Fähigkeit voraus, statt sie zu ersetzen. Was sich ändert, ist der Anteil der Arbeit, der aus Tippen besteht.
Darf ich Projektunterlagen in ein KI-Werkzeug eingeben?
Das hängt am Inhalt. Enthalten sie personenbezogene Daten — Namen, Funktionen, Einschätzungen zu identifizierbaren Personen —, braucht es zweierlei: eine Rechtsgrundlage nach Art. 6 DSGVO und, sofern der Anbieter als Auftragsverarbeiter tätig wird, einen Vertrag nach Art. 28 DSGVO. Praktikabel ist die Trennung Rollen ja, Personen nein. Eine Seite, auf der steht, welche Unterlagen tabu sind, verhindert mehr Ärger als jede Werkzeugauswahl.
Wie fange ich mit KI im Projekt an?
Mit einer Aufgabe, bei der die Menge das Problem ist, nicht das Urteil — und mit einem Fall, dessen richtige Antwort bereits bekannt ist. Nur so merkt man, wo das Modell danebenliegt. Wer gleich mit einer offenen Frage anfängt, bekommt eine plausible Antwort und keine Möglichkeit, sie zu prüfen.
Passender Kurs
Projektmanagement mit KI meistern
Neun Module an einem durchgehenden Fallprojekt — die Unterscheidung aus diesem Beitrag, geübt an echten Projektunterlagen statt an Beispielen.
Zum Kurs →Die Reihe zum Thema
KI im Projektalltag
Die Reihe nimmt sich 11 Aufgaben aus dem Projektalltag vor, jede in einer eigenen Folge live mit KI gelöst — 10 davon sind abrufbar. Kostenlos.
Zur Übersicht →
Philip Müller
Trainer und Berater für Projektmanagement, agile Methoden und KI im Projektalltag.
Über den Autor →Newsletter
Was im Projektalltag wirklich funktioniert — alle zwei Wochen.
Neue Beiträge, Werkzeuge und was sich beim Einsatz von KI in Projekten bewährt hat. Kein Verkaufsgerede, keine Zusammenfassung von Nachrichten, die du schon kennst.
Ich möchte gelegentlich E-Mails von Agile Forge zu Kursen, neuen Inhalten und Angeboten erhalten. Du kannst dich jederzeit mit einem Klick wieder abmelden. Deine Adresse gebe ich nicht weiter. Zur Datenschutzerklärung