Es ist 4:47 Uhr nachmittags an einem Freitag im November. Ich starre auf eine E-Mail, die gerade in meinem Postfach gelandet ist: eine Textwand von einem Kollegen, der sich mit einem Datenintegrationsprojekt für einen Kunden aus dem Flottenmanagement herumschlägt.
Die Nachricht ist das reine Chaos. Beschwerden über die Reihenfolge von Feldern. Fehlende Datenpunkte. Ein Streit um Begriffe, den niemand beilegen kann. Eine Deadline, die plötzlich nur noch eine Woche entfernt ist. Irgendwo in diesen sechs Absätzen stecken mindestens ein Dutzend Themen, die bis Montag geklärt sein müssen. Übersehe ich etwas, kommt die Quittung in Form eines wütenden Kundenanrufs.
Noch vor einigen Monaten hätte ich meinen Abend damit verbracht, dieses Durcheinander aufzudröseln: Dokumentation abgleichen, Antworten entwerfen, mir im Kopf eine Landkarte aller beweglichen Teile zeichnen. Heute Abend kopiere ich die E-Mail in Claude, ergänze einen Prompt, den ich in Dutzenden ähnlicher Situationen verfeinert habe, und habe innerhalb von vierzig Sekunden (bevor mein Kaffee kalt wird) eine strukturierte Analyse aller Themen, eine priorisierte Aufgabenliste und eine professionelle Antwort, die ich nur noch abschicken muss.
Beim ersten Mal kam ich mir ein bisschen vor, als würde ich schummeln. Heute kann ich mir nicht mehr vorstellen, darauf zu verzichten. Aber ich frage mich auch: Was genau ist eigentlich noch mein Job?
Das ist mehr als der nächste Produktivitätstrick. Nach fünfundzwanzig Jahren in der IT und vier Jahren intensiver Arbeit mit großen Sprachmodellen habe ich zugesehen, wie KI zu etwas wurde, das ich so nicht erwartet hatte: eine Schattenversion meiner selbst, die die geistige Knochenarbeit erledigt, während Titel und Verantwortung bei mir bleiben. Der Job verschwindet nicht, aber sein Schwerpunkt verschiebt sich. Die Frage, die mich nicht loslässt, ist einfach: Wie lange dauert es, bis das Gleichgewicht ganz kippt?
Die stille Revolution
Um zu verstehen, was im Projektmanagement gerade passiert, müssen Sie verstehen, was große Sprachmodelle tatsächlich sind und was nicht. Modelle wie ChatGPT, Claude und Gemini „verstehen“ nicht im menschlichen Sinn. Im Wesentlichen betreiben sie eine gewaltige statistische Vorhersage des nächsten Tokens, trainiert auf Milliarden von Wörtern. In der Praxis sieht das trotzdem oft verdächtig nach einem Schatten-Projektmanager aus, der Ihnen still über die Schulter mitliest.
Für Projektmanager ergibt das etwas wirklich Nützliches: die Fähigkeit, Informationen in einem Tempo zu verarbeiten, zu strukturieren und umzuwandeln, mit dem kein Mensch mithalten kann. Ein LLM kann eine ausufernde Stakeholder-E-Mail lesen und jeden konkreten Arbeitsauftrag herausziehen. Es kann ein Meeting-Transkript in strukturierte User Stories umwandeln. Es kann Sprint-Daten analysieren und Muster finden, die selbst erfahrenen Scrum Mastern entgehen.
Die unbequeme Wahrheit: Die Technologie ist der einfache Teil. Die Herausforderung liegt darin, zu wissen, wie man mit diesen Systemen wirksam spricht, was Praktiker Prompt Engineering nennen. Für Projektmanager wird das gerade so unverzichtbar wie Gantt-Diagramme und Stakeholder-Matrizen, und wie diese früheren Werkzeuge verschiebt es still und leise, wer was tut und wer dafür die Anerkennung bekommt.
Das Playbook des Prompt Engineers
Nehmen wir die E-Mail von meinem Kollegen. Das versuchen die meisten zuerst:
„Antworte auf diese E-Mail.“ [fügt E-Mail ein]
Das Ergebnis: eine allgemeine Empfangsbestätigung, die auf nichts Konkretes eingeht. Technisch gesehen eine Antwort, praktisch unbrauchbar.
Sehen Sie sich nun an, was mit strukturiertem Prompting passiert:
„Agiere als Senior-Projektmanager. Deine Aufgabe ist es, eine knappe, professionelle Antwort auf die unten stehende E-Mail zu verfassen. Einschränkungen: Mache keine Zusagen ohne Bestätigung durch Daten. Weise auf unklare Anforderungen hin. Frage nach fehlenden Informationen. Nenne die nächsten Schritte. Bleibe in einem lösungsorientierten Ton.“
Der Unterschied im Ergebnis ist drastisch. Mit rollenbasiertem Prompting, expliziten Einschränkungen und klaren Zielen liefert das Modell Antworten, die als Arbeit eines erfahrenen Profis durchgehen könnten. Oder genauer: als Arbeit eines erfahrenen Profis, der nie müde wird, nie einen schlechten Tag hat und Informationen in Maschinengeschwindigkeit verarbeitet.
Ich habe mir mehr als ein Dutzend Prompt-Vorlagen für verschiedene Situationen gebaut. E-Mail-Triage, Risiko-Scans, Backlog-Refinement, Retrospektiven-Analyse. Jede davon musste ich mir durch Ausprobieren erarbeiten, inzwischen sind sie wie Muskelgedächtnis.
Und in Gesprächen mit anderen ist mir Folgendes aufgefallen: Wer diese Vorlagen beherrscht, übernimmt zunehmend komplexere Arbeit. Wer sie nicht beherrscht, landet wieder bei Statusberichten und Terminplanung. Prompt-Kompetenz wird still und leise zum Karrierefilter.
Wenn die KI danebenliegt
Der Anwalt, der mit ChatGPT nach Präzedenzfällen suchte und einem Bundesrichter von der KI erfundene Gerichtsfälle vorlegte, ist zum beliebtesten warnenden Beispiel des Technikjournalismus geworden. Bei Projektmanagern sehen die Fehlerbilder aber anders aus und sind in mancher Hinsicht heimtückischer.
KI-Fehler kommen in perfekter Selbstsicherheit verpackt daher. Ein menschlicher Junior würde sich vielleicht absichern, „ich glaube“ oder „es sieht so aus, als ob“ sagen. Die KI stellt die Dinge einfach fest. Und wenn Sie müde oder in Eile sind, vertrauen Sie ihr.
Noch beunruhigender ist die Verantwortungslücke. Macht ein menschlicher PM einen Fehler, ist die Verantwortungskette klar. Führt eine KI-generierte Analyse zu einer schlechten Entscheidung, wird die Sache unklarer.
Ich hatte schon Fälle, in denen die Risikobewertung der KI etwas Offensichtliches übersah: eine regulatorische Frist, die in den Dokumenten stand, es aber aus irgendeinem Grund nicht in die Zusammenfassung schaffte. Ich konnte schlecht sagen: „Die KI hat mir gesagt, das passt schon.“ Ich habe den Fehler auf meine Kappe genommen. Aber es tat weh zu wissen, dass eigentlich die KI ihn gemacht hatte.
In der Post-Mortem-Vorlage gab es keinen Platz, um „KI-Halluzination“ als mitverursachenden Faktor einzutragen.
Die Gegenmaßnahmen sind in der Theorie einfach: konkrete Fragen stellen, wichtige Aussagen überprüfen, mehrere Quellen nutzen, Kontext direkt mitliefern, statt ihn vom Modell erschließen zu lassen. In der Praxis wächst unter Termindruck, mit einem Werkzeug, das schon Dutzende Male verlässlich war, die Versuchung zu vertrauen.
Wenn die KI sieht, was Menschen übersehen
„Die KI wird nie müde, wirre Stakeholder-E-Mails auszuwerten. Anders als Sie.“
Eine der überzeugendsten und zugleich beunruhigendsten Anwendungen von KI im Projektmanagement ist die Mustererkennung. Ich habe das Experiment an meinen eigenen Sprint-Daten gemacht.
Die Zahlen zeigten, dass ein Entwickler 86 % aller Code-Reviews erledigte, während ein anderer keinen einzigen Pull Request geprüft hatte. Die PRs einer Person warteten im Schnitt 2,3 Tage auf ein Review, die einer anderen waren nach 0,3 Tagen durch. Jemand hatte in drei aufeinanderfolgenden Sprints Stories mitgeschleppt.
In den Retrospektiven sprach das niemand offen an. Als ich die Sprint-Daten aber an Claude übergab und nach verborgenen Konflikten fragte, zeichnete es ein Bild, das ich irgendwie übersehen hatte: ein Senior Engineer, der still die Review-Last des Teams trug, ein anderer, der sich zurückzog, ein Junior-Entwickler, dessen Arbeit in einer Warteschlange verkümmerte. Kein einzelner Mensch sah das ganze Muster sofort. Das Modell schon. Ich weiß immer noch nicht recht, was ich davon halten soll. Die unausgesprochene Botschaft war klar: Wenn die KI das in jedem Sprint sehen konnte, warum hatte ich es nicht gesehen?
Die Sorge ist nicht abstrakt. Wenn KI-gestützte Analysen individuelle Leistungsmuster sichtbar machen können, wer entscheidet dann, welche Muster zählen? Was gilt als „Rückzug“ und was als „schwieriger Monat“? Dasselbe Dashboard, das einen überlasteten Senior Engineer hervorhebt, kann auch jemanden als „Low Performer“ abstempeln, dessen Kontext kein Diagramm erfassen kann. Dasselbe Werkzeug, das einer umsichtigen Führungskraft hilft, Teammitglieder zu unterstützen, die sich schwertun, könnte in anderen Händen zum Überwachungsinstrument werden.
Die Integrationswette
ChatGPT und seine Konkurrenten sind gut bei allem, was Sie in ein Textfeld einfügen. Anthropics Claude drängt auf etwas Aufdringlicheres: die direkte Integration in Ihre tatsächliche Arbeitsumgebung. Über das Model Context Protocol (MCP) kann Claude auf Ihre E-Mails, Ihren Kalender, Ihren Cloud-Speicher und Ihre Chat-Tools zugreifen, Informationen in Echtzeit abrufen und Ergebnisse in dieselben Systeme zurückschreiben.
Das ist keine Demo auf Folien. Ich binde Claude bereits in meine Kalender und Dokumentablagen ein.
Ein einzelner Prompt sieht heute so aus:
„Fasse den Projektstatus aus mehreren Quellen zusammen. Hole in Gmail die E-Mails der letzten zwei Wochen, die ‘Project Hermes’ enthalten, durchsuche den Ordner ‘Project Hermes’ in Drive, prüfe anstehende Kalendertermine und erstelle dann einen Excel-Tracker mit visuellen Statusanzeigen, Zellkommentaren mit Links zu den Quellen, Dropdown-Menüs für den Status und Datenbalken, die den Fortschritt zeigen.“
Claude durchsucht Gmail nach relevanten Threads, wertet Drive-Dokumente nach Aufgabeninformationen aus, prüft Kalender auf Fristen und fügt dann alles in einer Tabelle zusammen. Was mich früher manchmal Stunden gekostet hat, passiert jetzt in Minuten.
Falls das klingt, als gäben Sie einem sehr klugen Praktikanten Zugriff auf Ihr gesamtes digitales Leben: Genau so ist es. Und nicht jede Organisation fühlt sich damit wohl. Die Rechtsabteilung will den Speicherort der Daten verstehen. Compliance will Audit Trails. Die IT will Notausschalter. Und ehrlich gesagt geben Sie einem externen Dienst damit Lesezugriff auf die Kommunikation mit Ihren Kunden.
In stark regulierten Branchen kann schon die Anbindung eines Assistenten an interne Ticketsysteme monatelange Prüfungen auslösen. Vorerst lebt die KI oft in einer abgeschotteten Ecke des Stacks: nützlich, aber von den Hauptschlagadern ferngehalten.
Dazu kommt das Anbieterrisiko. Jeder große KI-Anbieter will der Assistent an der Eingangstür zu Ihrem Arbeitsablauf sein. Projektmanager, die stark auf eine Plattform setzen, müssen mit den Folgen leben, wenn dieser Anbieter seine Preise oder Nutzungsbedingungen ändert oder einfach verschwindet. Die Integration, die Ihnen heute Stunden spart, kann Sie morgen leicht zur Geisel einer Migration machen. Auch Ihr „Muskelgedächtnis“ aus Prompts ist eine Form von Lock-in: Arbeitsabläufe und Vorlagen, die sich nicht sauber zu einem anderen Anbieter mitnehmen lassen.
Die Scrum-Maschine
Einzelne Prompts sind nützlich, aber die eigentliche Veränderung entsteht, wenn KI in komplette Arbeitsabläufe eingebunden ist. Ich teste das systematisch mit meinem eigenen Scrum-Prozess.
Die Ergebnisse sind schwer zu ignorieren: Die Grooming-Zeit ist um etwa zwei Drittel gesunken, Sprint-Planning-Meetings schrumpften von zwei Stunden auf rund vierzig Minuten, und die Qualität der Stories (gemessen daran, wie oft Akzeptanzkriterien während der Entwicklung überarbeitet werden mussten) verbesserte sich um etwa ein Viertel.
Es gab aber einen unerwarteten Nebeneffekt.
Die Konflikte um Prioritäten nahmen sogar zu. Solange das Grooming langsam und mühsam war, waren alle zu müde, um darüber zu streiten, was in den Sprint kommt. Als die KI die Knochenarbeit übernahm, hatten plötzlich alle Energie, um über Rangfolgen zu diskutieren. Ich hatte Zeit gespart, aber keine Energie. Ich hatte sie in Streit umgeleitet.
Irgendwann fand ich eine Balance: KI für die erste Strukturierung, dazu bewusst freigehaltener Raum für die Verhandlung zwischen Menschen. Das Werkzeug hat die schwierigen Gespräche nicht ersetzt, es hat nur verändert, wo sie stattfinden.
Bei der Retrospektiven-Analyse zeigen sich ähnliche Muster. Füttern Sie die KI mit Ihren Sprint-Daten (zugesagte gegenüber erledigten Punkten, Bug-Zahlen, Velocity-Trends, Code-Review-Statistiken), und sie kann SMART-Verbesserungsmaßnahmen erzeugen, mit denen sich wirklich arbeiten lässt. Schluss mit vagen Ergebnissen wie „wir sollten besser kommunizieren“.
Eine Sorge möchte ich aber aussprechen: Die Gefahr ist, dass Retrospektiven zu Abhak-Übungen werden. Die KI sagt uns, was wir verbessern sollen, wir nicken, wir machen weiter. Eigentlich sollte es darum gehen, dass das Team gemeinsam nachdenkt und ein gemeinsames Verständnis aufbaut. Wenn die KI die Verbesserungsliste schreibt und der Moderator sie vorliest, findet das Ritual weiterhin statt. Das Lernen nicht.
Den Stack zusammenstellen
Der Markt bietet mehrere leistungsfähige Optionen. ChatGPT bleibt die vielseitigste Allzweckwahl. Claude glänzt bei sorgfältiger Analyse und langen Dokumenten, mit MCP-Integrationen, die vernetzte Arbeitsabläufe ermöglichen. Perplexity verbindet LLM-Fähigkeiten mit Echtzeit-Webzugriff und Quellenangaben. Darüber hinaus ergänze ich Spezialwerkzeuge für Übersetzung, Wissensmanagement und Folien.
Ich nutze Claude für alles Komplexe und Lange, ChatGPT für schnelle Sachen und Perplexity, wenn ich etwas Aktuelles überprüfen muss. Das ist unordentlicher als ein einziges Werkzeug. Aber es bedeutet auch, dass ich nicht festsitze, wenn einer von ihnen seine Preise oder Bedingungen ändert.
Jeder Anbieter will die einzige Eingangstür sein. Ich sichere mich ab.
Die Lock-in-Frage ist nicht hypothetisch. OpenAI hat seine Rate Limits schon mehrfach angepasst, die Enterprise-Preise von Anthropic bleiben undurchschaubar, Googles KI-Strategie scheint sich jedes Quartal zu ändern. Wer seinen Arbeitsablauf um einen einzigen Anbieter herum baut, geht ein kalkuliertes Risiko ein.
Was sich als Nächstes ändert
Open-Source-Modelle machen leistungsfähige KI zugänglich, ohne dass man ganz von den großen Anbietern abhängt. In regulierten Umgebungen lassen manche Teams inzwischen lokale Modelle auf Laptops laufen, um firmeninterne KI-Verbote zu umgehen. So entsteht ein Paralleluniversum nicht genehmigter Assistenten, das erst auffällt, wenn etwas schiefgeht.
Multimodale Systeme können Text, Bilder, Audio und Video gemeinsam verarbeiten. Für Projektmanager heißt das, dass sie ihnen statt nur Dokumenten auch Whiteboard-Fotos aus Workshops, Architekturdiagramme und Besprechungsaufzeichnungen geben können. Es heißt auch: neue Arten zu scheitern. Modelle verlesen sich bei handschriftlichen Notizen, halten eine Failover-Box für eine optionale Funktion und beschreiben selbstsicher Screenshots, die sie nur halb verstehen.
Die folgenreichste Veränderung könnte der Aufstieg autonomer Agenten sein: KI-Systeme, die selbstständig handeln, statt auf jeden Prompt zu warten. Frühe Umsetzungen planen bereits Meetings, ändern Jira-Tickets und verschicken Statusupdates. Das Versprechen ist Effizienz. Das Risiko ist die Entdeckung, dass die KI still Entscheidungen getroffen hat, die Sie nie genehmigt haben.
Der Job, der bleibt
Es gibt eine Version dieser Geschichte, die reine Disruptionserzählung ist: Die KI hat es auf die Projektmanager abgesehen, automatisiert ihre Jobs weg und lässt sie hektisch versuchen, sich anzupassen. Manche Anbieter hätten gern, dass Sie das glauben, denn dadurch wirken ihre Werkzeuge unverzichtbarer.
Die Wirklichkeit ist unordentlicher und menschlicher.
Die KI erledigt die mechanische Arbeit: E-Mails auswerten, Informationen strukturieren, erste Entwürfe erzeugen, Muster in Daten erkennen. Ich treffe die Entscheidungen, die zählen: Priorisierung, Stakeholder-Beziehungen, Risikoeinschätzung, Teamdynamik. Der Schatten-Projektmanager kann mir sagen, dass Entwickler B keine Pull Requests geprüft hat. Nur ich weiß, dass ein Elternteil von Entwickler B hospizlich betreut wird, dass Entwickler B um weniger Verantwortung gebeten hat und dass das Team vereinbart hat, bis zum Quartalsende einzuspringen.
Der Kontext, auf den es am meisten ankommt, steht in keinem Dokument. Er steckt in Beziehungen. Er besteht darin zu wissen, dass bei diesem Kunden „dringend“ so viel heißt wie „wann immer Sie können“, bei jenem Kunden „wann immer Sie können“ aber „alles stehen und liegen lassen“. Das kann die KI nicht lernen. Zumindest noch nicht.
Aber meine Stakeholder erwarten jetzt bei allem das KI-gestützte Tempo. Früher waren sie Antworten innerhalb von ein, zwei Tagen gewohnt. Jetzt erwarten sie Minuten. Brauche ich länger, nehmen sie an, dass sie für mich keine Priorität haben. Das Werkzeug, das mir Luft verschaffen sollte, hat nur die Erwartungen aller hochgeschraubt.
Am Freitagnachmittag landen weiterhin E-Mails in meinem Postfach. Die KI wertet sie aus, strukturiert sie und entwirft eine Antwort, bevor ich meinen Kaffee ausgetrunken habe. Aber nur ich weiß, dass hinter der „einfachen Anfrage“ des Kunden sechs Monate aufgestauter Frust stecken und dass ein falscher Satz eine Beziehung zerstören könnte, an der ich lange gearbeitet habe.
Das Modell sieht Muster im Text. Die Geschichte dahinter sieht es nicht.
Vorerst bleibt das mein Job. Die Frage ist, ob „vorerst“ Jahre bedeutet oder Monate.
Aus dem Englischen übersetzt: zum Originalbeitrag