KI im Projektalltag: Was wirklich hilft – und was nur glänzt

Kaum ein Sprint-Review vergeht ohne die Frage: "Können wir das nicht mit KI machen?" Meistens folgt ein kurzes Nicken, jemand probiert ein Tool aus, und zwei Wochen später ist die Begeisterung entweder ungebrochen – oder das Thema ist stillschweigend wieder von der Agenda verschwunden.

Beides passiert zu oft aus dem gleichen Grund: Es fehlt eine ehrliche Einschätzung, wofür KI in einem Projekt tatsächlich taugt und wofür nicht. Wer das einmal sauber trennt, spart sich viele enttäuschte Erwartungen.

Der Unterschied zwischen Zuarbeit und Verantwortung

Die hilfreichste Denkfigur, die sich in der Praxis bewährt hat: KI ist ein exzellenter Zuarbeiter, aber keine Instanz, die Verantwortung übernehmen kann. Ein Zuarbeiter liefert Entwürfe, sortiert Informationen vor, macht Vorschläge. Verantwortung heißt: einschätzen, entscheiden, für die Konsequenzen geradestehen. Diese zweite Kategorie bleibt bei Menschen – und zwar nicht aus Sentimentalität, sondern weil KI-Tools den Kontext dafür schlicht nicht haben.

Mit dieser Trennschärfe im Kopf lässt sich fast jede Idee für einen KI-Einsatz im Projekt schnell einordnen.

Wo es wirklich hilft

Statusberichte zusammenfassen. Aus einem Wust an Slack-Nachrichten, Ticket-Kommentaren und Meeting-Notizen einen ersten Entwurf für den Wochenbericht zu bauen, ist eine der zuverlässigsten Anwendungen überhaupt. Die Struktur steht in Sekunden, die inhaltliche Feinjustierung bleibt Aufgabe des Projektleiters – aber die lästige Fleißarbeit des Zusammentragens entfällt.

Erste Entwürfe für Risikolisten oder Stakeholder-Analysen. Nicht als fertiges Ergebnis, sondern als Startpunkt, der die Denkarbeit anstößt. Ein KI-Tool kennt typische Risikomuster aus unzähligen Projektbeschreibungen und liefert eine Liste, die man als Team durchgeht, ergänzt und streicht – deutlich schneller, als bei null anzufangen.

Recherche und Strukturierung. Wenn ein Thema neu ist und man erst mal einen Überblick braucht – etwa zu einer neuen Compliance-Vorgabe oder einem unbekannten technischen Ansatz – sind KI-Tools ein guter erster Anlaufpunkt. Wichtig bleibt: Die Ergebnisse sind ein Ausgangspunkt für die eigene Recherche, keine zitierfähige Quelle.

Meeting-Notizen in Aufgaben übersetzen. Aus einem unstrukturierten Protokoll klare To-dos mit Verantwortlichen herauszufiltern, ist eine unterschätzte, aber sehr praktische Anwendung – vor allem in Projekten mit vielen kurzen Abstimmungsrunden.

Wo der Hype zu groß ist

Bei allem, was echtes Kontextwissen über die Organisation, die Politik im Raum oder die Historie eines Projekts braucht, stoßen die Tools schnell an Grenzen. Eine KI kennt nicht die informelle Dynamik zwischen zwei Stakeholdern, die seit Jahren nicht gut miteinander können – aber genau das entscheidet oft über den Projekterfolg mehr als jeder Projektplan.

Ähnlich kritisch: Entscheidungen mit echten Konsequenzen – Budgetfreigaben, Priorisierungen, Personalfragen. Ein KI-Tool kann Optionen aufzeigen und Für-und-Wider strukturieren. Die Entscheidung selbst, inklusive der Verantwortung dafür, gehört in menschliche Hände.

Und ein drittes, oft übersehenes Problem: die Datenqualität. Wenn die Projektdokumentation lückenhaft oder veraltet ist, produziert KI auf dieser Basis überzeugend klingende, aber falsche Zusammenfassungen. Der Effekt ist tückisch, weil die Ausgabe selbstbewusst formuliert ist – ein Vertrauen, das die zugrunde liegenden Daten oft nicht verdienen.

Eine einfache Faustregel

Bevor eine neue KI-Anwendung im Projekt eingeführt wird, helfen drei Fragen:

1. Ist das Ergebnis ein Entwurf oder eine Entscheidung? Entwürfe: gerne. Entscheidungen: nein.
2. Braucht die Aufgabe Wissen über Menschen und Beziehungen im Projekt? Wenn ja, ist menschliches Urteilsvermögen gefragt.
3. Wie gut ist die Datengrundlage, auf der das Tool arbeitet? Schlechte Daten plus überzeugende Formulierung sind eine gefährliche Kombination.

Ein Beispiel aus der Praxis

Ein IT-PMO testet KI-Unterstützung für den wöchentlichen Statusbericht an ein Steering Committee mit acht Projekten. Die erste Version läuft gut: Aus Ticket-Updates und Slack-Nachrichten entsteht in Minuten ein sauberer Entwurf, den der PMO-Lead nur noch feinschleift. Zwei Wochen später kommt die Idee auf, dieselbe Automatik auch für die Ampel-Bewertung der Projekte zu nutzen – rot, gelb, grün, automatisch aus den Kennzahlen abgeleitet.

Genau hier liegt der Bruch: Eine Ampel-Bewertung ist keine Zusammenfassung, sondern eine Einschätzung mit Konsequenzen – sie beeinflusst, wo das Management genauer hinschaut und wo Budget priorisiert wird. Das PMO entscheidet sich richtig: Die Textzusammenfassung bleibt automatisiert, die Ampel-Bewertung bleibt eine bewusste, von Menschen getroffene Einschätzung, die sich auf die automatisierte Zusammenfassung stützt, aber nicht von ihr ersetzt wird.

Die kurze Version

KI ist ein sehr guter Zuarbeiter, aber kein Ersatz für Projekterfahrung. Wer beides kombiniert – die Geschwindigkeit der Tools und das Urteilsvermögen erfahrener Projektmenschen – gewinnt am meisten Zeit, ohne an Qualität zu verlieren.