KI im Projektmanagement: Sieben Einsatzfelder, Grenzen und ein Einstieg in vier Wochen

KI im Projektmanagement übernimmt die Vorarbeit, die Projektleiter heute Stunden kostet: Protokolle, Statusreports, Prozessdokumentation, das Erkennen von Abweichungen, das Suchen von Projektwissen. Sie übernimmt nicht die Priorisierung zwischen Stakeholdern und nicht die Zusage an den Kunden. Wer diese Grenze kennt, gewinnt Zeit für die Arbeit, die den Projektleiter ausmacht.

Dieser Artikel zeigt sieben Einsatzfelder mit Beispielen, die Grenzen, die Voraussetzungen, die passenden Kennzahlen und einen Einstieg in vier Wochen. Er baut auf dem Guide KI für Unternehmen auf und verweist auf die Artikel zu Prozessdokumentation, Bottleneck-Diagnose und KPI-Framework.

Was KI im Projektmanagement heute übernimmt

Projektmanagement besteht zu einem großen Teil aus Informationsarbeit: sammeln, verdichten, verteilen, nachhalten. Genau das können Sprachmodelle. Was sie nicht können, ist urteilen: Welcher Stakeholder hat Vorrang, welches Risiko ist tragbar, wann ist ein Kompromiss besser als ein sauberer Plan. Die Trennlinie ist dieselbe wie in der Prozessarchitektur: Automatisierung trägt bei regelbasierten, stabilen, häufigen Abläufen und scheitert bei Ausnahmen und menschlichem Urteil.

Künstliche Intelligenz im Projektmanagement ist deshalb weniger ein Werkzeugwechsel als eine Arbeitsteilung: Die KI bereitet vor, der Projektleiter entscheidet. Dieselbe Regel gilt für KI-Mitarbeiter in operativen Prozessen und für Agenten im Vertrieb.

Sieben Einsatzfelder für KI im Projektmanagement

1. Meeting-Zusammenfassung und Protokoll. Der erste automatisierte Workflow im Fahrplan des Guides: Entscheidungen, offene Punkte, Verantwortliche, Termine aus dem Transkript. Im Governance-Framework steht die Meeting-Zusammenfassung in der Risikostufe "begrenzt" mit Standard-Review, nicht in der Hochrisiko-Klasse.

2. Statusreport aus den Systemen. Wöchentliche Reports werden manuell aus fünf Systemen zusammenkopiert; bis der Report fertig ist, sind die Daten veraltet. Ein Agent greift auf die Datenquellen zu, führt die Abfragen aus, interpretiert die Ergebnisse und schreibt einen Bericht mit Auffälligkeiten und Handlungsempfehlungen. Der Use-Case-Artikel nennt als typischen Effekt: von einem Tag Reporterstellung auf 15 Minuten.

3. Prozessdokumentation aus Meetings. Ein Meeting, in dem ein neuer Ablauf besprochen wird, endet mit einer fertigen SOP: Die KI transkribiert, versteht den Kontext und strukturiert. Der Review dauert fünf bis zehn Minuten statt sechzig Minuten manueller Erstellung. Voraussetzung: Die Beteiligten sind informiert und haben zugestimmt.

4. Abweichungen erkennen. KI beschleunigt Kennzahlensysteme an drei Stellen: automatische Alerts, wenn eine Metrik abweicht, Forecasting aus Leading Indicators und Fragen in natürlicher Sprache an das BI-Werkzeug ("Warum ist die Durchlaufzeit diesen Monat gestiegen?"). Im Projekt heißt das: Der Projektleiter erfährt von der Verzögerung, bevor der Kunde sie merkt.

5. Aufgaben routen. Statt regelbasierter "wenn X dann Y"-Automatisierung entscheiden Modelle kontextabhängig, wohin ein Vorgang geht: welches Ticket zu welchem Teammitglied, welche Anfrage an welche Fachabteilung. Übergabe-Trigger und Benachrichtigungen bei Schwellenwerten gehören zu den Stellen, an denen Automatisierung den größten Effekt hat.

6. Projektwissen abfragen. "Wie war nochmal unser Reklamationsprozess für Kunde X?" Ein Wissensassistent auf der Projektdokumentation antwortet mit Quellenangabe in Sekunden statt nach 30 Minuten Suche. Das setzt voraus, dass das Wissen an einem Ort liegt und die Berechtigungen von der Quellplattform geerbt werden.

7. Planen mit Baseline. KI schätzt nicht besser als Menschen, wenn die Daten fehlen. Sie schätzt besser, wenn die Durchlaufzeiten gemessen sind: Ticketerstellung bis Abschluss, pro Vorgang, über 30 Tage. Die Bottleneck-Diagnose zeigt, dass die Arbeit selbst oft nur einen kleinen Teil der gemessenen Zeit ausmacht; der Rest ist Warten, Suchen, Kommunizieren. Mit dieser Baseline wird ein Planentwurf aus der KI brauchbar.

Was KI im Projektmanagement nicht kann

Drei Dinge bleiben beim Menschen. Erstens die Priorisierung zwischen Stakeholdern: Ein Modell kennt die Geschichte zwischen Vertrieb und Entwicklung nicht und darf sie nicht entscheiden. Zweitens die Zusage: Termin, Umfang und Preis gegenüber dem Kunden verantwortet ein Mensch, so wie beim KI-Mitarbeiter in der Angebotsarbeit. Drittens die Ausnahme: Prozesse mit vielen Sonderfällen sind die Stelle, an der Automatisierung scheitert.

Dazu kommt die Grenze jedes Sprachmodells: Es formuliert plausibel, auch wenn es nichts weiß. Ein Statusreport, dessen Zahlen das Modell erzeugt statt aus der Datenquelle liest, ist gefährlicher als kein Report. Zahlen kommen aus dem System, das Modell schreibt den Text darum.

Voraussetzungen: Prozess, Daten, eine Quelle der Wahrheit

Die Automatisierungs-Checkliste aus der Prozessarchitektur gilt eins zu eins: Der Prozess ist dokumentiert und stabil, die Schritte sind regelbasiert und eindeutig, der Prozess läuft häufig genug, die Datenqualität reicht für automatische Verarbeitung. Prozesse, die das nicht erfüllen, werden erst stabilisiert, dann automatisiert.

Bevor du entscheidest, welcher Ablauf KI bekommt, brauchst du das Inventar: ein Workshop mit allen Team-Leads, in dem jeder wiederkehrende Ablauf mit Anfang, Ende, Beteiligten, Häufigkeit und Dokumentationsstand auf die Liste kommt. Danach die kritischen Pfade mit drei Fragen je Prozess: Was passiert, wenn er bricht? Wie oft bricht er? Wie komplex ist er? Hoher Impact plus hohe Frequenz bedeutet sofortige Priorität, auch für den KI-Einsatz.

Die zweite Voraussetzung ist eine Quelle der Wahrheit. Der Bericht über eine in fünf Stunden gebaute Power App zeigt, was das im Kleinen heißt: ein gemeinsamer Ort für alle Vorgänge, ein einfaches Formular, automatische Benachrichtigungen im Team-Kanal, sieben Felder statt zwanzig. Danach: jeder sieht sofort, was läuft, Eintragen dauert eine Minute, keine Duplikate, klare Zuständigkeiten. KI auf verstreuten Daten in E-Mails und Chats produziert verstreute Antworten.

Die dritte Voraussetzung ist Dokumentation ohne Overhead: just-in-time statt just-in-case, geschrieben von denen, die den Prozess ausführen, als Checkliste statt als 20-seitiges Handbuch, mit Review je Quartal und an einem Ort. Das ist der Rohstoff, aus dem KI Statusreports und Antworten baut.

Kennzahlen: Leading statt Rückspiegel

Ein Projekt mit KI-Unterstützung braucht dieselben Kennzahlen wie ohne, nur schneller. Das KPI-Framework unterscheidet Lagging Indicators, die messen, was passiert ist (Termintreue, Budgetabweichung), und Leading Indicators, die messen, was passieren wird (offene Aufgaben je Person, Durchlaufzeit je Vorgang, Reaktionszeit auf Anfragen). Für jede Lagging Metric braucht es mindestens eine Leading Metric, sonst steuert das Team im Rückspiegel.

Auf Prozessebene reichen drei Metriken je Kernprozess: Wie lange dauert er (Cycle Time), wie oft schlägt er fehl (Error Rate), was kostet eine Ausführung (Cost per Execution). Sie machen Prozesse vergleichbar und zeigen, wo KI den größten Effekt hat.

Zwei Regeln aus demselben Framework: höchstens fünf bis sieben Kennzahlen je Team, und jede hat einen Owner, der Abweichungen erklärt und Maßnahmen vorschlägt. KI liefert die Alerts; ohne Owner ignoriert sie jeder.

Für die KI-Einführung selbst gilt das Metrik-Framework für KI-Projekte: technische Ebene, Prozesseffizienz (Zykluszeit, Fehlerrate, manuelle Eingriffe), Adoption (nutzt das Team die Zusammenfassungen, oder schreibt es weiter eigene Protokolle) und Business Impact. Ohne Baseline gibt es kein Delta und keinen Business Case.

Einstieg: KI im Projektmanagement in vier Wochen

Werkzeuge: Was ins Projekt gehört und was nicht

Für den Einstieg reichen drei Werkzeugtypen: ein Chat-Assistent im Business-Plan, ein Transkriptionswerkzeug für Meetings mit SOP-Erzeugung und das Projekt-Tool, das ihr schon nutzt. Der Artikel zur Prozessdokumentation nennt für die Auswahl einen Datenschutz-Check mit drei Fragen: EU-Server, DSGVO-konform, Auftragsverarbeitungsvertrag verfügbar. Ohne drei Mal Ja kein Meeting-Transkript.

Sobald ein Werkzeug Bearbeitungszeiten je Person auswertet, etwa beim Task Mining oder bei Aufgaben-Routing nach Auslastung, gehört der Betriebsrat an den Tisch. Der Process-Mining-Artikel behandelt DSGVO und Betriebsrat als eigenen Abschnitt; im Projekt heißt das: Auswertungen auf Prozessebene statt auf Personenebene, und die Regeln vor dem Start abstimmen.

Was nicht in den Einstieg gehört: ein neues Projekt-Tool, weil es "KI hat". Die Assistenten in BI- und Projektwerkzeugen sind nützlich, sobald der Prozess und die Daten stehen; vorher automatisieren sie Unordnung. Und kein Agent, der Aufgaben selbst zuweist, bevor das Routing als Regel dokumentiert und mit dem Team abgestimmt ist.

Fünf Fehler bei KI im Projektmanagement

1. Den Soll-Prozess automatisieren. Die KI bekommt den Ablauf aus dem Handbuch, nicht den, der wirklich läuft. Erst den Ist-Prozess aufzeichnen.
2. Zahlen aus dem Modell. Ein Statusreport mit erzeugten statt gelesenen Zahlen. Zahlen kommen aus der Datenquelle.
3. Ohne Zustimmung mitschneiden. Automatische Protokolle ohne Information und Einwilligung der Beteiligten.
4. Keine Baseline. Ohne gemessene Durchlaufzeit gibt es kein Delta, ohne Delta keinen Business Case.
5. Alerts ohne Owner. Die KI meldet Abweichungen, niemand ist zuständig, alle gewöhnen sich daran.

Fazit

KI im Projektmanagement ist Vorarbeit: Protokolle, Reports, SOPs, Alerts, Antworten aus der Dokumentation. Sie funktioniert, wenn der Prozess stabil ist, die Daten an einem Ort liegen und die Zahlen aus den Systemen kommen. Sie ersetzt nicht das Urteil des Projektleiters, sie gibt ihm die Zeit dafür zurück. Wie du den Engpass findest, bevor du automatisierst, zeigt die Bottleneck-Diagnose; wie Prozesse dokumentiert bleiben, der Artikel zur Prozessdokumentation mit KI.

Quellen

• Eigene Artikel: KI für Unternehmen, Prozessarchitektur für Wachstumsteams und KPI Framework aufbauen (beide Teil der Agentur-Serie, nicht in der Sitemap), Prozessdokumentation mit KI, Bottleneck-Diagnose, KI Use Cases im Mittelstand, Erfolgsmetriken für KI-Projekte, Wie ich in 5 Stunden eine Power App baute, KI-Governance Framework
• Keine externen Zahlen; alle Effekte sind Beispiele aus den genannten Artikeln, keine Marktstudien.