Das Projektcontrolling ist ein ständiger und wichtiger Begleiter im Projektmanagement. In stressigen Phasen und umfangreichen Projekten kann der damit verbundene Aufwand allerdings auch schnell Überhand nehmen und von wertschöpfenden Aufgaben ablenken. Dank fortschreitender Digitalisierung und moderner Technologien, z.B. das maschinelle Lernen, können der Aufwand reduziert und der Fokus auf das Wesentliche erhöht werden.

In diesem Artikel zeigen wir zwei Methoden, die auf künstlicher Intelligenz (KI) basieren und diese Potenziale realisieren.

Wann und wie KI sinnvoll im Projektcontrolling unterstützen kann

Klassisch hat das Projektcontrolling Steuerungs- sowie Kontrollfunktion und begleitet den gesamten Projektmanagementprozess. Der Erfolg im Controlling basiert besonders auf den in der Projektinitiierung formulierten messbaren Zielen und transparenten Plänen. Darauf folgen die Erfassung des Ist-Zustands zum Abgleich mit den geplanten Größen und das Reporting, um ggf. Abweichungen sowie passende Maßnahmen zu kommunizieren. Diese Aktivitäten sollen dazu führen, dass Projekte wirtschaftlich sind und innerhalb des zeitlich definierten Rahmens fertiggestellt werden. (Weitere Informationen zu Inhalten und Standards des Projektcontrollings im Detail siehe das Glossar des projektmagazins.) Es stellt sich nun die Frage, wie künstliche Intelligenz effektiv ansetzen kann, um einen Mehrwert zu schaffen.

Allgemein kommt KI in der Regel dann zum Einsatz, wenn sie Aufgaben mit hohem Aufwand, aber auch solche mit hoher analytischer Komplexität übernehmen soll. Konkret geht es bei den beiden von uns eingesetzten Methoden darum, Abweichungen zu identifizieren (anwendbar auf den Teilprozess M. 1, siehe Bild 1) und Risikoanalysen vorzunehmen (relevant für die Teilprozesse M. 2 und M. 3). Die Herausforderungen, die wir in diesen Prozessen beobachtet haben, inspirierten uns, Lösungen mit KI zur Realisierung von Potenzialen zu entwickeln. Z.B. wurde eine Lösung entwickelt, die maschinelle Ressourcen in Verbindung mit deren Einsatzorten überwacht und kontrolliert, um zu verhindern, dass es zu einem Ressourcenengpass an einem der Einsatzorte kommt.

Risikomanagement – ungeliebt, aber notwendig

Bei einer Vielzahl von Projekten fällt auf, dass das Risikomanagement allgemein nur stiefmütterlich behandelt und teilweise gar nicht erst durchgeführt wird. Grund dafür ist, dass der Nutzen nur schwer oder gar nicht belegbar und das Verfahren selbst mit viel Aufwand verbunden ist. Oft führen Projektmanager:innen Risikoanalysen zu Beginn eines Projekts noch sorgfältig durch, vernachlässigen dann aber im Laufe des Projekts die Datenpflege. Für den wahrscheinlichen Fall, dass sie nicht alle Risiken zu Beginn korrekt identifizieren und bewerten, laufen Projekte Gefahr, unwirtschaftlich zu werden oder den Zeitplan zu sprengen.

Zudem ergeben sich fachliche Hürden: Bei komplexen Projekten wird den Beteiligten schnell klar, dass es eine unmögliche Aufgabe ist, wirklich alle möglichen Einflussfaktoren zu benennen. Haben die Projektverantwortlichen Risikofaktoren identifiziert, müssen sie diese vollständig bewerten und dokumentieren – eine mühevolle Arbeit. Um die Subjektivität in diesem Prozess durch mehrere Perspektiven zu verringern, finden dazu üblicherweise verschiedene Termine mit mehreren Teilnehmenden statt, bei denen eine Risikolandkarte erstellt wird (siehe auch die Methode "Risikoidentifikation"). Bei Projekten, die über mehrere Jahre laufen, summiert sich damit der Aufwand für die Pflege der Risikoanalyse zu einer beachtlichen Höhe.

Bis in jedem Termin ein Konsens bei der Analyse von Risiken gefunden ist, vergeht kostbare Zeit, die mithilfe eines höheren Automatisierungsgrades anderweitig genutzt werden könnte. Wir zeigen im Verlauf dieses Artikels, wie wir die Herausforderung bei der Risikoanalyse mithilfe von maschinellem Lernen bewältigen.

Statusermittlung: eine Herausforderung in der Praxis

Dadurch, dass Teammitglieder gemeinsam auf einer digitalen Plattform planen und dokumentieren können, ist das Controlling bereits deutlich transparenter. Es fällt jedoch auf, dass es weiterhin ungenutzte Potenziale gibt, die die Teams ausschöpfen können. Darunter fällt beispielsweise, dass der Dokumentationsprozess des Ist-Zustands eines Arbeitspakets weiterhin manuell stattfindet. Das birgt die Gefahr, dass der Stand von Arbeitspaketen aufgrund anderer Prioritäten nur schleppend digital festgehalten wird. Zudem handelt es sich dabei um eine repetitive Aufgabe. Auch hierfür haben wir eine Lösung mit KI entwickelt, die die Aktivitäten im Projektmanagement unterstützt.

In 3 Schritten mithilfe von maschinellem Lernen zur Risikoanalyse

Wichtig für den erfolgreichen Einsatz von KI ist zunächst die Auswahl der richtigen Lösung(en). Die Breite und Tiefe der Verwendung von KI-Methoden muss dabei grundlegend auf das Unternehmen abgestimmt sein. Dabei muss auch abgewogen werden, ob man auf generische Lösungen setzt, z.B. Sprachmodelle wie ChatGPT, die bei allgemeinen Aufgaben wie der Recherche oder der Textverarbeitung unterstützen können, oder ob man spezielle, individuelle Lösungen benötigt. Dies ist dann der Fall, wenn es sich um eine individuelle Herausforderung handelt, z.B. eine KI, die zur Qualitätssicherung Röntgenbilder von Gussteilen anhand von Mustererkennung auf Fehler untersucht. Der Nachteil ist, dass man in dem Fall nicht auf "Off-the-shelf"-Lösungen, also Standardlösungen, zurückgreifen kann und eine eigene Dateninfrastruktur mit entsprechender Datenqualität entwickelt werden muss.

Schritt 1: Eine geeignete Datenbasis mit ausreichender Qualität herstellen

Zuallererst muss sichergestellt werden, dass relevante Daten für die Risikoanalyse in nutzbarer und einheitlicher Form vorliegen. Welche das sind, nennen wir an späterer Stelle bei der Darstellung eines praktischen Beispiels. Damit ein vollständiger Datenstand aufgebaut werden kann, ist es sinnvoll, dass die Freigabe für die jeweilige nächste Projektphase erst nach Durchführung der Risikoanalyse erteilt wird – z.B. beim Übergang von der Planung zur Durchführung. Das bedeutet: Es wird keine Freigabe für die nächste Projektphase erteilt, wenn die Risikoanalyse nicht aktualisiert und dokumentiert wurde. Damit wird sichergestellt, dass die Daten kontinuierlich gepflegt werden. Man schlägt außerdem zwei Fliegen mit einer Klappe: Zum einen wird so die Datenbasis für das Modell des maschinellen Lernens (ML) geschaffen. Zum anderen ist somit die manuelle Pflege von Daten sichergestellt.

Schritt 2: Ein Risikomodell auf Basis vergangener Risikodaten trainieren

Grundsätzlich sind verschiedene Arten von Methoden des maschinellen Lernens denkbar, die Vorhersagen zu Risiken treffen können – mit je nach Anwendungsfall jeweils verschiedenen Vor- und Nachteilen. Unsere Lösung nutzt für die Risikoanalyse neuronale Netze, die auf überwachtem Lernen basieren.

Überwachtes Lernen ist Teil des maschinellen Lernens (siehe auch Teil 1 dieser Serie "Künstliche Intelligenz im Projektmanagement: Grundlagen und Einsatzgebiete") und zeichnet sich dadurch aus, dass das Modell mit Daten trainiert wird, die Informationen über die Inputs und die zugehörigen Outputs beinhalten. Also im Falle der Risikoanalyse einerseits die Information darüber, welche Faktoren einen Effekt verursachen (Input), und der Effekt selbst (Output).

Für den Anwendungsfall der Risikoanalyse liegt dieser Ansatz nahe, da die Informationen über den Projektverzug oder den Verzug von Meilensteinen in der Projektplanung bereits dokumentiert sind (siehe Schritt 1). Man spricht hier davon, dass die Daten "gelabelt" sind. Die Inputs sind also bereits mit dem Output verbunden, z.B. durch verschiedene projektspezifische Informationen (Arbeitspakete, Ressourcen, Kundeninformationen usw.) als Input sowie durch den tatsächlichen Zeitaufwand gegenüber dem geplanten Zeitaufwand als Output. Die Besonderheit des maschinellen Lernens ist, dass der Mensch den Zusammenhang zwischen Inputs und Outputs nicht mathematisch beschreiben muss.

Während er vermutlich keine Schwierigkeiten damit hat, einfache direkte Abhängigkeiten mathematisch zu beschreiben (z.B.: Wenn ich doppelt so schnell fahre, benötige ich die Hälfte der Zeit für den gleichen Weg.), wird die Berechnung immer komplexer, je mehr Variablen Einfluss nehmen und Zusammenhänge nicht mehr ausschließlich linear sind. Zudem kann es Anwendungsfälle geben, bei denen man zwar die Einflussgrößen kennt, es aber möglich ist, den genauen Einfluss auf den Output zu bestimmen. Man kann in solchen Fällen das Modell nicht mathematisch beschreiben. In solchen Fällen helfen Modelle, die maschinelles Lernen nutzen und Muster in großen Datensätzen erkennen können. Das Modell verwendet die vorhandenen Daten, um sich dem Zusammenhang anzunähern. Man spricht hier vom Training des Modells mit historischen Daten. Wie das funktioniert, zeigen wir im Folgenden ebenfalls im praktischen Beispiel.

Schritt 3: Das Risikomodell einführen und validieren

Nachdem das Modell mit historischen Daten trainiert wurde, folgt die Einführungsphase. Das bedeutet nicht, dass der Schalter umgelegt wird und ab sofort nur noch das Modell für die Risikoanalyse genutzt wird, sondern es wird parallel zum herkömmlichen, manuellen Prozess betrieben. Das bietet mehrere Vorteile: Der:Die Projektmanager:in erhält bereits zu Beginn hilfreiche Informationen des KI-Modells zur Risikobewertung. Außerdem werden weiterhin Daten gesammelt, die das Modell verbessern. Aber viel wichtiger noch: Der Vergleich zwischen der Risikoanalyse der KI und der von Projektmanager:innen baut Vertrauen zum Modell auf. Man kann also während der Einführungsphase abgleichen, ob das KI-basierte Modell Risiken aus Sicht der Projektverantwortlichen plausibel bewertet.

Natürlich ist es wichtig, dass die verantwortliche Person mit ihrer Kompetenz ähnlich dem Vieraugenprinzip die Arbeit der KI überprüfen sollte. Diese menschliche "Aufsicht" ("human in the loop") ist auch nach der Validierung des Modells ratsam, denn maschinelles Lernen dient bei der Analyse von Risiken zur Unterstützung der menschlichen Kompetenz – das heißt, es eignet sich (noch) nicht, um den Menschen innerhalb dieser Aufgaben zu ersetzen. Grund dafür ist, dass die Auswirkungen einer Fehleinschätzung durch das Modell groß sein können und man sich nicht allein auf seine Aussagen beim Treffen von Entscheidungen stützen sollte.

Risikoanalysen mit KI am konkreten Beispiel