Wo KI im Projektmanagement konkret hilft

Donnerstagvormittag. Nächste Woche steht ein Anforderungsworkshop an – und Sie müssen dafür mehrere Unterlagen vorbereiten: eine Excelliste vom Kundenservice, einen langen E-Mail-Verlauf mit der IT, zwei abfotografierte Whiteboards, die Notizen aus den Meetings mit den Stakeholdern. Alles ist wichtig. Aber alles ist verstreut abgelegt und hat ein uneinheitliches Format.

Kennen Sie das? Dann sind Sie damit nicht allein. Im Projektmanagement besteht oft die große Herausforderung, aus unsortierten Informationen Ordnung zu schaffen, früh zu erkennen, was später wichtig werden könnte, und die Kommunikation für unterschiedliche Zielgruppen zu gestalten. Diese vielen kleinen Vorarbeiten rauben die Zeit für das Wesentliche.

In diesem Artikel sehen wir uns drei Situationen an, die jede Projektmanagerin und jeder Projektmanager kennt und in denen KI konkret unterstützen kann: Anforderungen aus dem Chaos strukturieren, Lücken und Risiken früh sichtbar machen und schwierige Botschaften an Stakeholder gut verpacken.

Zu jedem Use Case erhalten Sie eine Beschreibung des konkreten Problems, einen Prompt zum Kopieren und Anpassen an Ihren Kontext, eine Einschätzung des Ergebnisses sowie Praxistipps aus der Anwendung. Wie die drei Use Cases zusammenspielen, sehen Sie an einem durchgehenden Beispiel: der Einführung eines neuen Ticketsystems im Kundenservice. KI übernimmt darin die Vorarbeit – sortieren, abgleichen, vorformulieren –, damit Sie den Kopf frei haben für das Entscheiden.

Use Case 1: Arbeitspakete und Requirements strukturieren

Das Problem und wo KI ansetzt: Anforderungen clustern, Redundanzen erkennen, Lücken sichtbar machen

Input aus den Fachbereichen kommt selten in Reinform. Statt einer sauberen Anforderungsliste liegen Excel-Tabellen, E-Mails, Whiteboard-Fotos, Powerpoint-Präsentationen und Meeting-Notizen vor – für jedes Team in seiner eigenen Logik, mit seinen eigenen Begriffen. Die Folge: Redundanzen, Widersprüche, fehlende Übersicht. Das Projekt bremst sich aus, bevor es richtig begonnen hat. Und der Anforderungsworkshop, der eigentlich Entscheidungen bringen soll, dient den Teilnehmenden in der ersten Stunde dazu, überhaupt zu sortieren, was auf dem Tisch liegt.

Vor allem das Ordnen und Strukturieren unsortierter Informationen kann KI deutlich beschleunigen. Sie nimmt all diese Quellen auf, erkennt inhaltliche Überschneidungen, fasst ähnliche Anforderungen zusammen und clustert sie in logische Themenfelder, z.B. entlang von Prozessschritten. Sichtbar wird dabei Zweierlei: wo schon Substanz vorhanden ist und wo noch Lücken herrschen, wie ein nicht beschriebener Prozessschritt oder eine unsauber definierte Schnittstelle. Das würde ggf. erst Wochen später auffallen.

Der Prompt im Detail

Es reicht nicht, die Dateien im LLM hochzuladen und "bitte strukturieren" ins Promptfenster zu schreiben. Ein guter Prompt ist eine strukturierte Instruktion an die KI. Bewährt hat sich dafür das folgende Framework:

• Rolle: aus welcher Perspektive die KI arbeiten soll, welches Vorwissen sie einbringt
• Anweisung: was sie genau tun soll und in welchem Format
• Kontext: worum es geht, auf welches Material sie sich bezieht
• Zielgruppe: für wen das Ergebnis gedacht ist
• Stil: Ton, Sprachebene, Format
• Beispiel: wie ein gutes Ergebnis konkret aussieht
• Review: die Aufforderung, das Ergebnis zu prüfen oder nachzufragen, wenn Infos fehlen

Je mehr und präzisere Informationen Sie geben, desto besser das Ergebnis.

Worauf es ankommt: Die "Rolle" (in diesem Fall Requirements Engineer) gibt der KI die richtige Perspektive. Die Anweisung zerlegt die Aufgabe in einzelne Schritte und sorgt für einen strukturierten Output. Besonders wertvoll ist die Vorgabe, konkrete von vagen Anforderungen zu trennen – das zwingt zu einer Qualitätsaussage, statt alles gleichwertig aufzulisten. Das Prüfen der Quellen am Ende des Prompts (Review) verhindert, dass die KI Lücken stillschweigend mit Annahmen füllt.

Das Ergebnis: strukturierter Überblick als Diskussionsgrundlage fürs Refinement

Was zurückkommt, ist eine strukturierte Tabelle. Aus 40 verstreuten Einzelanforderungen werden vielleicht sechs bis acht Cluster. Sie sehen auf einen Blick, wo es schon belastbare Anforderungen mit Akzeptanzkriterien gibt und wo nur vage Absichtserklärungen. Die Spalte mit den offenen Fragen ist im Grunde Ihre fertige Workshop-Agenda.

Der entscheidende Unterschied: Der Workshop startet nicht mehr bei null. Sie diskutieren auf einer Grundlage, statt die Grundlage erst im Meeting zu erarbeiten. Das spart nicht nur Zeit, es verschiebt den Fokus des Termins von "Was haben wir eigentlich?" zu "Was entscheiden wir?".

Praxistipps: Daten richtig aufbereiten

Hier sind noch ein paar Tipps zum Umgang mit Daten:

• Die Quellen vor dem Upload sichten, nicht ungefiltert übergeben. Rohdaten enthalten fast immer Material, das nicht zur Anforderungsanalyse gehört. Bitte geben Sie auch keine personenbezogenen Daten weiter.
• Den Umfang dosieren, statt alles auf einmal zu übergeben. Sehr große, heterogene Datenmengen in einem einzigen Prompt führen zu oberflächlichen Ergebnissen. Übergeben Sie die zentralen Quellen zuerst, prüfen Sie die Interpretation und ergänzen Sie weitere Quellen schrittweise. So behalten Sie die Kontrolle darüber, was in welcher Tiefe verarbeitet wird.
• Die Quelle jeder Anforderung mit ausgeben lassen. Lassen Sie sich pro Eintrag anzeigen, aus welcher Quelle er stammt — Excel-Liste, E-Mail, Whiteboard-Foto. Das macht die Übersicht nachvollziehbar: Sie sehen sofort, worauf eine Anforderung beruht, und können im Workshop jede Zeile bis zum Ursprung zurückverfolgen.

Use Case 2: Lücken- und Risikoanalyse – früh sehen, was fehlt

Das Problem und wo KI ansetzt: Compliance, Schnittstellen und Abhängigkeiten frühzeitig sichtbar machen

In frühen Projektphasen konzentrieren sich Teams auf das Offensichtliche: Kernfunktionen und sichtbare Features. Heikle Themen wie Compliance, Datenschutz, Schnittstellen und Abhängigkeiten geraten dabei leicht aus dem Blick. Die Erfahrung zeigt: Tauchen diese Lücken erst spät auf, werden sie teuer. Der Zeitplan rutscht, das Budget gerät unter Druck, und das Vertrauen der Stakeholder geht verloren.

KI kann hier einen Abgleich leisten, für den im Alltag oft die Zeit fehlt. Sie prüft Ihre vorhandenen Anforderungen und macht sichtbar, was aus Best-Practice-Sicht fehlt. So werden Risiken ersichtlich. Für unser Ticketsystem z.B.: Die Anforderungen für den Bearbeitungs-Workflow der Service-Agents sind ausführlich aufgeführt, das Reporting auch, aber Datenschutz und Schnittstelle zum bestehenden CRM sind unzureichend beschrieben. Damit ist klar: Hier droht ein Risiko.

Der Prompt im Detail

Der Aufbau folgt demselben Prinzip wie bei Use Case 1mit Angabe von Rolle, Aufgabe und Format – diesmal aber mit Blick auf Risiken:

In der Anweisung ist der Auftrag, die Anforderungen mit Best Practices zu vergleichen, der eigentliche Mechanismus der Lückenerkennung: Die KI gleicht ab, was in vergleichbaren Projekten üblicherweise dazugehört, und meldet, was bei Ihnen fehlen könnte. Die Bewertung der Auswirkung macht aus einer Aufzählung etwas, das Sie priorisieren und den Stakeholdern vorlegen können.

Das Ergebnis: eine Risikoliste mit Bewertung und Maßnahmen

Sie erhalten eine Risikoliste, die Sie direkt in den Kick-off oder das erste Steering-Meeting mitnehmen können. Jede Zeile verbindet eine konkrete Lücke mit einem benannten Risiko, einer Einschätzung der Auswirkung und einer ersten Maßnahmenempfehlung.

Der Unterschied zum üblichen Vorgehen: Risiken werden nicht entdeckt, wenn jemand zufällig daran denkt, sondern systematisch und zu einem Zeitpunkt, an dem sie noch handhabbar sind.

Praxistipps: Risiken mit KI priorisieren

Die erste Liste ist selten die fertige. So holen Sie mehr heraus:

• Fordern Sie aktiv eine Priorisierung ein. Die KI listet zuverlässig auf, ordnet aber im ersten Durchgang selten gut. Fragen Sie nach: "Sortiere die Risiken nach Dringlichkeit und begründe die drei wichtigsten."
• Fordern Sie die KI heraus. Eine gute Folgefrage ist: "Welche drei Risiken würdest Du zuerst mit dem Lenkungsausschuss besprechen – und warum?" Das zwingt zu einer Argumentation statt zu einer einfachen Liste.
• Nehmen Sie die Priorisierung als Input, nicht als Urteil. Sie kennen Ihr Projekt, die KI kennt Muster. Beides zusammenzubringen ist Ihre Aufgabe.

Use Case 3: Stakeholder-Kommunikation gestalten

Das Problem und wo KI ansetzt: Tonalität bewusst steuern und Wirkung antizipieren

Der Go-live des Ticketsystems muss um sechs Wochen verschoben werden, da eine Schnittstelle zum CRM nicht rechtzeitig fertig wird. Jetzt muss dieselbe Information an sehr unterschiedliche Menschen kommuniziert werden. Die Geschäftsführung erwartet eine sachliche, knappe Einordnung mit Fokus auf die nächsten Schritte. Das Kundenserviceteam und die User dagegen brauchen Ehrlichkeit, aber so, dass die Motivation für das Projekt und die Nutzung des künftigen Systems erhalten bleibt.

Tonalität in der Kommunikation ist im Projektalltag eine eigene und sehr heikle Disziplin, und sie kostet Zeit. Hier kann KI helfen, weil sich Tonalität gezielt steuern lässt. Sie geben die Kernbotschaft vor, beschreiben Empfänger und Ziel. Die KI liefert dazu passende Varianten für Formulierungen, beispielsweise für E-Mails, und kann zusätzlich erklären, warum eine Formulierung wirkt und wie sie wirkt.

Der Prompt im Detail

Auch hier trägt das Muster aus Rolle, Aufgabe und Format – ergänzt um eine präzise Beschreibung von Empfänger und Ziel:

Der Kern dieses Prompts steckt in Kontext, Zielgruppe und Stil. Ohne die Vorgaben "sachlich, lösungsorientiert" und "ehrlich, ohne die Motivation zu untergraben" bekommen Sie einen beliebigen, glatten Text. Erst diese Angaben geben der KI eine Richtung vor. Der zweite Trick steckt in der Anweisung: die Bitte um Erläuterung. Sie bekommen nicht nur Textentwürfe, sondern dazu die Begründung.

Das Ergebnis: mehrere Varianten mit Begründung der Wirkung

Sie erhalten einen Nachrichtenentwurf pro Zielgruppe, jeweils mit einer kurzen Begründung der gewählten Tonalität.

Die Ergebnisse der KI selbst sind Ausgangspunkte, die Sie anpassen können. Der eigentliche Gewinn steckt in der Begründung: Sie sehen schwarz auf weiß, warum "Wir haben bereits drei Maßnahmen eingeleitet" gegenüber der Geschäftsführung anders wirkt als "Wir arbeiten an einer Lösung".

Praxistipps: Umgang mit sensiblen Daten beim Einsatz von KI

Stakeholderkommunikation heißt fast immer: Es wird sensibel, denn oftmals werden Namen, Budgetzahlen, interne Konflikte, Personalthemen im LLM öffentlich gemacht. Drei Hinweise:

• Anonymisieren Sie, bevor Sie prompten. Ersetzen Sie echte Namen durch Rollen – "die Teamleiterin", "Stakeholder A". Für die Tonalität braucht die KI den Namen nicht.
• Lassen Sie vertrauliche Zahlen weg. "Eine signifikante Budgetabweichung" genügt für den Entwurf völlig. Die konkrete Zahl setzen Sie hinterher selbst ein.
• Sensibler Kontext gehört nur abstrakt in den Prompt. Die KI formuliert die Tonalität – die vertraulichen Details fügen Sie danach selbst hinzu.

Stolperfallen aus der Praxis

Zwei Stolperfallen sollten Sie kennen – und zwei einfache Methoden, die dagegen helfen:

• Ergebnis immer prüfen. KI-Modelle neigen dazu, jede Lücke zu füllen, weil sie auf eine vollständige Antwort hin optimiert sind. Je konkreter Ihr Input, desto besser das Ergebnis. Aber prüfen Sie dieses immer, bevor Sie damit weiterarbeiten. Noch verlässlicher ist die Gegenprüfung in einem neuen Chat ohne den ursprünglichen Kontext: Dann wiederholt die KI nicht einfach ihre eigene Argumentation.
• Falsche Sicherheit bei vagen Inputs. Wenn Sie der KI vage Anforderungen geben, bekommen Sie eine ordentlich formatierte Tabelle mit vagen Anforderungen. Nicht bessere Inhalte, nur eine bessere Optik, die Form täuscht über die Substanz hinweg. Lesen Sie das Ergebnis gegen den Inhalt, nicht gegen das Layout.
• Die Quelle bei jeder Aussage angeben lassen. Wenn die KI pro Eintrag angeben muss, woher er stammt, fällt sofort auf, was sie nicht belegen kann. Eine Aussage ohne Quelle ist das Erste, was Sie prüfen sollten.
• Annahmen von Fakten trennen lassen. Lassen Sie die KI im Output zwei Kategorien ausweisen: was direkt aus dem übergebenen Material stammt und was sie selbst ergänzt oder geschlussfolgert hat. So sehen Sie auf einen Blick, welcher Teil des Ergebnisses auf Ihren Daten beruht und welcher auf dem allgemeinen KI-Wissen.

Wann KI nicht die richtige Antwort ist

KI ist nicht immer der richtige Weg, wenn:

• rechtliche oder regulatorische Verbindlichkeit gefragt ist. Für abgesicherte Auskünfte zu Vertragsrecht oder Compliance braucht es geprüfte Fachexpertise. Die KI kann sensibilisieren und Fragen vorbereiten, aber keine belastbare rechtliche Grundlage liefern.
• die nötigen Informationen vertraulich sind und nur schwer anonymisiert werden können, wie Personaldaten oder geschützte Geschäftsgeheimnisse. Dies gehört nicht in den Prompt.
• der Kontext stark von einer internen Projekthistorie und Unternehmenspolitik abhängt, die die KI nicht kennt.

Was Sie jetzt konkret ausprobieren können

• Wählen Sie einen der drei Use Cases für die Umsetzung aus – am besten den, bei dem bereits die Daten vorliegen: Wie hat die KI Ihnen geholfen?
• Fangen Sie an, Ihre Prompts nach dem beschriebenen Prompt-Framework zu verfassen. Sie werden auf Anhieb bessere Ergebnisse erhalten.
• Analysieren Sie Ihre Aufgaben: Wo könnte die KI Zeit bei den vorbereitenden Arbeiten sparen? (nr)