Projektmanagement erfordert einerseits detaillierte Planung, andererseits standardisierte Methodenkenntnisse – damit ist es ein geradezu perfektes Anwendungsfeld für den Einsatz von KI.

In ähnlicher Weise wie sich der Einsatz von KI bereits bei Übersetzungen, Zusammenfassungen oder dem Erstellen standardisierter Schreiben bewährt hat, sind heute verfügbare Large Language Models wie z. B. ChatGPT dazu in der Lage, für viele Aufgaben des Projektmanagements erste Entwürfe zu erstellen, wenn man die richtigen Prompt-Techniken beherrscht. Es gilt aber auch:

A fool with a tool is still a fool!

Künstliche Intelligenz (KI) in der aktuell verfügbaren Form ist dabei als Werkzeug zu begreifen, dass ProjektmanagerInnen zur Steigerung der Effizienz und Effektivität ihrer Arbeit nutzen können.

Wichtig ist, sich dabei auch der Grenzen von KI bewusst zu sein:

• KI wurde auf Basis von Daten aus der Vergangenheit trainiert und kann daher keine Ereignisse berücksichtigen, die es bisher nicht gab. Das gilt für Wetterphänomene ebenso wie für menschliches Versagen im Projekt.
• KI erkennt und generiert auf Basis von statistischen Verfahren Muster, die den Mustern aus der Vergangenheit ähneln. KI ist aber keine Suchmaschine und kann üblicherweise keine neu eingehenden Informationen verarbeiten.
• KI übernimmt keine Verantwortung. Ob mit Hilfe von KI erstellte Projektpläne oder von KI erteilte Freigaben von Ressourcen tatsächlich zielführend sind, muss die ProjektleiterIn entscheiden.

Aufgaben des Projektmanagements, in denen KI zielführend eingesetzt werden kann, umfassen:

• Projektplanung: Auf Basis von Rahmeninformationen zum Projektauftrag, Terminen und Ressourcen kann KI auf Basis von Vergangenheitsdaten Vorschläge zum Projektplan (Ablaufplan, Terminplanung) erstellen.
• Projektcontrolling: KI kann Vorschläge für die Budgetierung des Projekts erstellen und auch das Monitoring von Projektbudgets übernehmen.
• Projektdokumentation: KI kann aus Workshopunterlagen und Arbeitsdokumenten Dokumentationen erstellen.
• Projektsteuerung: KI erkennt Planabweichungen und kann mögliche Maßnahmen vorschlagen. KI kann auch dabei unterstützen, Change Requests inhaltlich vorzubereiten und die notwendigen Dokumente zu erstellen.
• Risikomanagement: KI kennt Projektverläufe aus abgeschlossenen Projekten und auch Maßnahmen, die zur Abwehr von Risiken ergriffen wurden. Auf dieser Basis kann KI einen Vorschlag für ein Risikomanagement erarbeiten.

Der Einsatz von KI ändert die Art und Weise, wie Projektmanager Projekte planen, durchführen und überwachen. Die Integration von Künstlicher Intelligenz in Arbeitsprozesse erfordert zwar zunächst die Investition von Zeit und Ressourcen. Im Ergebnis erleichtert der Einsatz von KI aber das Projektmanagement:

• Datenanalyse und Mustererkennung: KI-Tools analysieren große Datenmengen, um Muster zu erkennen und Vorhersagen zu treffen, die den Projektmanagern helfen, fundierte Entscheidungen zu treffen.
• Automatisierung von Routineaufgaben: Viele administrative und repetitive Aufgaben werden automatisiert, wodurch Projektmanager mehr Zeit für strategische Entscheidungen haben.
• Proaktive Risikovorhersage: KI-Systeme ermöglichen es, potenzielle Risiken frühzeitig zu identifizieren und entsprechende Maßnahmen zu ergreifen, bevor Probleme auftreten.
• Optimierung der Ressourcennutzung: Durch die Analyse historischer Projektdaten können KI-gestützte Systeme Empfehlungen zur optimalen Ressourcenzuteilung geben.

Zusammenfassend lässt sich sagen, dass Projektmanager ihre menschlichen Fähigkeiten wie Kommunikation, Teamführung und kreatives Problemlösen mit datengestützten Entscheidungen und Automatisierung komplementär kombinieren können. Die Integration von KI in das Projektmanagement kann zu einer Effizienzsteigerung führen und ermöglicht eine schnellere Reaktion auf Veränderungen im Projektverlauf.

Anwendungsvoraussetzungen

• Technologische Infrastruktur: Unternehmen benötigen geeignete Softwarelösungen, die KI-gestützte Funktionen bieten, wie z.B. Datenanalysen und Prognosen.
• Datenqualität: Die Qualität und Quantität der verfügbaren Daten sind entscheidend, da KI-Systeme auf historischen Daten basieren, um Muster zu erkennen und Vorhersagen zu treffen.
• Mitarbeiterschulung: Projektmanager und Teammitglieder müssen im Umgang mit KI-Tools geschult werden, um deren Potenzial voll ausschöpfen zu können als auch deren Grenzen kritisch zu reflektieren.

Wesentliche Schritte

1. Bedarfsanalyse: Identifikation der spezifischen Anforderungen und Ziele, die durch den Einsatz von KI erreicht werden sollen.
2. Auswahl der KI-Tools: Auswahl geeigneter Softwarelösungen, die den Anforderungen des Unternehmens entsprechen.
3. Datenintegration: Zusammenführung und Bereinigung relevanter Daten, um eine valide Basis für KI-Analysen zu schaffen.
4. Pilotprojekte: Durchführung von Testprojekten, um die Funktionalität der KI-Tools zu evaluieren und Anpassungen vorzunehmen.
5. Vollständige Implementierung: Nach erfolgreichem Testlauf erfolgt die Integration der KI-Tools in den regulären Projektmanagementprozess.

Kennzahlen zur Erfolgsmessung

• Projektdauer: Vergleich der Zeit, die für die Durchführung von Projekten benötigt wird, vor und nach der Einführung von KI.
• Kostenkontrolle: Analyse der Budgeteinhaltung und der Kostenreduzierung durch optimierte Ressourcennutzung.
• Risikomanagement: Anzahl der identifizierten und proaktiv gemanagten Risiken im Vergleich zu vorherigen Projekten.
• Teamproduktivität: Bewertung der Effizienz und Produktivität der Teammitglieder, die durch KI-gestützte Unterstützung verbessert werden kann.

Mögliche Herausforderungen

• Akzeptanz der MitarbeiterInnen: Widerstand gegen Veränderungen und die Angst vor Arbeitsplatzverlusten können die Implementierung erschweren.
• Datenproblematik: Unzureichende oder fehlerhafte Daten können zu falschen Analysen und Entscheidungen führen. Da KI mit vergangenheitsbezogenen operiert, sind disruptive Veränderungen nicht oder nur schwer zu prognostizieren.
• Technologische Abhängigkeit: Eine zu starke Abhängigkeit von KI-Systemen kann die menschliche Entscheidungsfähigkeit beeinträchtigen und zu einem Verlust an kreativen Problemlösungsfähigkeiten führen.
• Sicherheitsrisiken: Der Umgang mit sensiblen Daten erfordert erhöhte Sicherheitsmaßnahmen, um Datenlecks und Cyberangriffe zu verhindern