Projektsteuerung ist auf verlässliche Informationen angewiesen. Terminpläne, Fortschrittsberichte, Verträge, digitale Korrespondenz, Besprechungsprotokolle, Risikoinformationen und Managementberichte helfen Projektteams zu verstehen, wo ein Projekt steht und wo Handlungsbedarf besteht.
Die Herausforderung besteht darin, dass die Erfassung, Strukturierung und Interpretation vieler dieser Informationen noch immer erheblichen Aufwand verursacht. Ein Terminplaner kann Stunden mit der Aufbereitung von Fortschrittsberichten verbringen, bevor überhaupt Zeit bleibt, deren tatsächliche Bedeutung für das Projekt zu bewerten.
Künstliche Intelligenz kann dieses Verhältnis verändern.
KI hat in den vergangenen Jahren erhebliche Fortschritte bei der Verarbeitung von Sprache gemacht. Gleichzeitig werden immer mehr Projektinformationen digital gespeichert und über Cloud Umgebungen miteinander verbunden. Für die Projektsteuerung entstehen dadurch neue Möglichkeiten. Informationen lassen sich schneller verarbeiten, Auffälligkeiten in größeren Datenmengen erkennen und Teile wiederkehrender Abläufe automatisieren.
Doch KI ist keine einzelne Technologie. Und nicht jede Anwendung benötigt dieselben Voraussetzungen.
Diese Unterschiede zu verstehen ist entscheidend, wenn Unternehmen über erste Experimente hinausgehen und fundiert bewerten wollen, wo KI einen konkreten Mehrwert für ihre Projektsteuerung schaffen kann.
Projektsteuerung besteht aus deutlich mehr sprachlichen Informationen, als auf den ersten Blick erkennbar ist.
Verträge, Fortschrittsberichte, Korrespondenz, Besprechungsprotokolle, Erläuterungen zu Verzögerungen und Managementberichte enthalten Informationen, die Projektentscheidungen unmittelbar beeinflussen. Lange Zeit waren viele dieser Inhalte für Software nur schwer interpretierbar, da sie größtenteils unstrukturiert vorlagen.
Moderne Sprachmodelle verändern diese Ausgangslage.
Sie können Texte in einem Umfang verarbeiten, klassifizieren, vergleichen und zusammenfassen, der manuell kaum zu bewältigen wäre. Ein zweistündiges Fortschrittsgespräch kann beispielsweise in eine erste Übersicht über vorgeschlagene Entscheidungen, Maßnahmen, Verantwortlichkeiten und Termine überführt werden. Ebenso lassen sich zahlreiche Fortschrittsberichte vergleichen, um gezielt diejenigen zu identifizieren, die ungewöhnliche Entwicklungen oder Abweichungen enthalten und eine nähere Prüfung erfordern.
Das bedeutet nicht, dass KI plötzlich das gesamte Projekt versteht.
Es bedeutet, dass Fachkräfte weniger Zeit mit der Suche nach relevanten Informationen verbringen müssen und mehr Zeit für deren fachliche Bewertung zur Verfügung haben.
Diese Entwicklung ist Teil eines umfassenderen technologischen Wandels in Bauwesen und Engineering. In unserem früheren Beitrag darüber, wie KI, IoT und Cloud auf der Baustelle zusammenkommen, haben wir untersucht, wie zunehmend vernetzte Projektumgebungen neue Möglichkeiten schaffen, Informationen intelligenter zu nutzen.
Für Fachkräfte in der Projektsteuerung wird die Fragestellung damit konkreter: Welche Form von KI kann welchen Teil unserer Arbeit sinnvoll unterstützen?
Für die Projektsteuerung ist es sinnvoll, zwischen drei grundlegenden Anwendungsbereichen zu unterscheiden.
Diese Bereiche überschneiden sich teilweise und werden sich technologisch weiterentwickeln. Die Unterscheidung hilft Unternehmen jedoch, Chancen, Voraussetzungen und Risiken klarer einzuordnen.
Sprachmodelle sind darauf ausgelegt, geschriebene und gesprochene Informationen zu verarbeiten.
In der Projektsteuerung können sie beispielsweise eingesetzt werden, um:
Fortschrittsbesprechungen strukturiert zusammenzufassen.
Vorgeschlagene Maßnahmen, Verantwortlichkeiten und Termine aus Informationen zu extrahieren.
Mehrere Berichte miteinander zu vergleichen.
Auffälligkeiten und Ausnahmen in Projektinformationen zu identifizieren.
Eingehende Informationen zu klassifizieren.
Einen ersten Entwurf für einen Managementbericht zu erstellen.
Diese Anwendungen sind vergleichsweise gut zugänglich, da sie nicht zwangsläufig mehrere Jahre historischer Daten voraussetzen.
Wenn das heutige Fortschrittsgespräch zusammengefasst werden soll, kann bereits die aktuelle Transkription ausreichen. Wenn Sie vierzig Fortschrittsberichte dieser Woche vergleichen und feststellen möchten, welche davon ungewöhnliche Entwicklungen enthalten, können diese Berichte selbst bereits einen großen Teil der erforderlichen Informationen liefern.
Gerade deshalb kann die Aussage, ein Unternehmen verfüge nicht über genügend Daten für KI, zu kurz greifen.
Die entscheidende Frage lautet: Genügend Daten für welchen Anwendungsfall?
Prädiktive Modelle beantworten andere Fragestellungen.
Statt in erster Linie Sprache zu interpretieren, untersuchen sie Muster in historischen Informationen, um abzuschätzen, welche Entwicklungen als Nächstes eintreten könnten.
Stellen Sie sich ein Unternehmen vor, das über konsistente Daten aus zahlreichen abgeschlossenen und laufenden Projekten verfügt. Es könnte untersuchen, wie häufig bestimmte Aktivitätstypen Terminüberschreitungen aufweisen, welche Kombinationen von Bedingungen häufig vor Verzögerungen auftreten und an welchen Stellen sich wiederkehrende Risikomuster erkennen lassen.
Für die Projektsteuerung ist das strategisch relevant. Der Fokus kann sich vom nachträglichen Erklären bereits eingetretener Probleme hin zum frühzeitigen Erkennen von Signalen verschieben.
Prädiktive Anwendungen benötigen jedoch eine wesentlich belastbarere Datengrundlage.
Projektübergreifende Vergleiche sind nur dann aussagekräftig, wenn die zugrunde liegenden Informationen ausreichend konsistent sind. Aktivitätsstrukturen, Definitionen, Methoden zur Fortschrittsmessung, Codierungen und historische Daten beeinflussen unmittelbar die Qualität der Analyse.
Dies hängt eng mit der übergeordneten Rolle von Business Intelligence und Datenanalyse in der Projektsteuerung zusammen. In unserem Artikel «Vom Bauchgefühl zur Voraussicht: Die entscheidende Rolle von BI und Datenanalyse in der Projektsteuerung» erläutern wir, warum integrierte Informationen, gemeinsame Definitionen und vorausschauende Indikatoren entscheidend sind, wenn Unternehmen nicht nur rückblickend berichten, sondern Entscheidungen früher und fundierter unterstützen wollen.
Der dritte Bereich geht über Analyse und Informationsgenerierung hinaus.
Mit KI unterstützte Automatisierung kann mehrere zusammenhängende Schritte innerhalb eines Prozesses ausführen.
Betrachten Sie beispielsweise einen regelmäßig wiederkehrenden Ablauf, bei dem eine Fachkraft Informationen sammelt, strukturiert, Prüfungen durchführt, Ergebnisse in ein weiteres System überträgt und anschließend einen Bericht für das Management vorbereitet.
Statt lediglich einen einzelnen Schritt zu unterstützen, kann ein automatisierter Prozess zunehmend mehrere dieser Arbeitsschritte miteinander verbinden.
Fortschrittsinformationen könnten beispielsweise automatisch gesammelt und strukturiert werden, bevor ein Terminplaner vorgeschlagene Änderungen bewertet. Die Fachkraft validiert weiterhin das Ergebnis und ergänzt den notwendigen Kontext, muss jedoch nicht mehr jeden administrativen Arbeitsschritt manuell durchführen.
Gerade hier können erhebliche Effizienzgewinne entstehen.
Gleichzeitig gewinnt Governance an Bedeutung.
Je mehr Handlungen ein System selbstständig ausführen darf, desto klarer muss ein Unternehmen definieren, welche Aufgaben zulässig sind, welche Informationen genutzt werden dürfen, wann eine Freigabe erforderlich ist und wer weiterhin die Verantwortung trägt.
Automatisierung kann repetitive Arbeit reduzieren. Verantwortung lässt sich nicht automatisieren.
Datenqualität ist für KI grundsätzlich relevant. Die konkreten Anforderungen hängen jedoch vom jeweiligen Anwendungsfall ab.
Ein Sprachmodell, das ein einzelnes Dokument analysiert, benötigt nicht dieselbe Informationsumgebung wie ein prädiktives Modell, das die Leistung von Hunderten Projekten miteinander vergleicht.
Diese Unterscheidung ist entscheidend, wenn Unternehmen ihren tatsächlichen Reifegrad für den Einsatz von KI beurteilen.
Für sprachbasierte Anwendungen sind möglicherweise bereits heute genügend Informationen vorhanden, um einen klar abgegrenzten Anwendungsfall zu testen.
Prädiktive Analysen können hingegen deutlich mehr Vorarbeit erfordern. Dazu gehören konsistente historische Informationen, geeignete Strukturen, vergleichbare Definitionen und eine ausreichende Datenqualität.
Die sinnvolle Reihenfolge lautet daher:
Problem → Anwendungsfall → Informationsbedarf → Technologie
Und nicht:
Technologie → mögliche Anwendung suchen
Diese Reihenfolge verhindert zugleich, dass Unternehmen umfangreiche KI oder Dateninitiativen aufbauen, bevor geklärt ist, welche Projektentscheidung oder welcher Prozess überhaupt verbessert werden soll.
Unabhängig davon, wie leistungsfähig ein KI System wird, erlebt es Ihr Projekt nicht auf dieselbe Weise wie eine erfahrene Fachkraft.
Es war nicht auf der Baustelle.
Es kennt den Auftragnehmer nicht aus zwei Jahren Zusammenarbeit.
Es hat das Zögern eines Stakeholders während der gestrigen Fortschrittsbesprechung nicht wahrgenommen.
Und es weiß nicht automatisch, dass eine technisch mögliche Änderung des Terminplans aus kommerzieller Sicht nicht akzeptabel ist.
KI kennt das Projekt über die Informationen, die ihr zur Verfügung gestellt werden.
Deshalb sind sowohl Qualität als auch Aktualität der Projektinformationen entscheidend.
Wenn der dokumentierte Fortschritt drei Wochen hinter der Realität zurückliegt, analysiert die KI faktisch den Zustand des Projekts von vor drei Wochen. Ein leistungsfähigerer Algorithmus löst dieses Problem nicht.
Eine gute KI Anwendung erhöht daher die Bedeutung einer disziplinierten Projektsteuerung. Sie ersetzt diese nicht.
Verlässliche Informationen entstehen nicht allein dadurch, dass Daten im richtigen System gespeichert werden.
Auch ihre Bedeutung muss innerhalb des Unternehmens einheitlich verstanden werden.
Nehmen wir den Begriff Verzögerung.
Fragen Sie mehrere Personen innerhalb desselben Unternehmens, wie eine Verzögerung gemessen werden soll, erhalten Sie möglicherweise unterschiedliche Antworten. Eine Person vergleicht mit der vertraglichen Baseline. Eine andere betrachtet die vorherige Berichtsperiode. Wieder eine andere stuft eine Verzögerung erst dann als relevant ein, wenn ein Meilenstein betroffen ist.
Menschen können solche Mehrdeutigkeiten häufig durch Gespräche, Erfahrung und Kontext ausgleichen.
Automatisierte Analysen benötigen klarere Definitionen.
Dasselbe gilt für die Datenverantwortung. Enthält ein wichtiger Datensatz Fehler oder widersprüchliche Informationen, muss klar geregelt sein, wer für die Klärung verantwortlich ist.
Eine belastbare Grundlage für KI umfasst daher:
Projektinformationen stehen rechtzeitig zur Verfügung.
Die Datenqualität entspricht dem vorgesehenen Anwendungszweck.
Definitionen sind unternehmensweit konsistent.
Die Verantwortung für relevante Daten ist eindeutig zugeordnet.
Die Informationsstruktur unterstützt den vorgesehenen Anwendungsfall.
Der notwendige fachliche Kontext steht zur Verfügung.
Kontrollen, Freigaben und Verantwortlichkeiten sind verbindlich geregelt.
Diese Punkte betreffen den Reifegrad der Projektsteuerung insgesamt. Sie sind keine isolierten KI Themen.
Wenn inkonsistente Prozesse, fragmentierte Informationen oder unklare Governance die Projektleistung bereits heute begrenzen, wird die Einführung von KI diese Schwächen nicht automatisch beseitigen. In unserem Artikel «Erst Klarheit, dann Kontrolle: Die Macht reifer Projektsteuerung» erläutern wir, warum Menschen, Prozesse, Informationen und Systeme zunächst aufeinander abgestimmt werden müssen, bevor die nächste technologische Lösung ausgewählt wird.
Eine häufig gestellte Frage lautet, ob KI Terminplaner und andere Fachkräfte in der Projektsteuerung langfristig ersetzen wird.
Diese Frage unterschätzt den tatsächlichen Beitrag dieser Fachkräfte.
KI kann die Informationen verarbeiten, die sie erhält. Eine erfahrene Fachkraft arbeitet innerhalb der sozialen, technischen und kommerziellen Realität eines Projekts.
Terminplaner sprechen mit Auftragnehmern, Ingenieuren und Projektleitern. Sie nehmen an Fortschrittsbesprechungen teil. Sie kennen die Hintergründe früherer Entscheidungen. Und sie erkennen, wenn etwas, das im Terminplan technisch möglich erscheint, in der praktischen Umsetzung nicht funktionieren wird.
Projekte sind keine reinen Datensätze. Sie sind komplexe Umgebungen, in denen technische, kommerzielle und menschliche Faktoren kontinuierlich miteinander interagieren.
Deshalb bedeutet menschliche Einbindung mehr, als am Ende eines automatisierten Prozesses lediglich eine Freigabe zu erteilen.
Der Mehrwert liegt im professionellen Urteilsvermögen.
Die Entwicklung bedeutet nicht, dass Fachwissen in der Projektsteuerung an Bedeutung verliert.
Vielmehr verändert sich, wofür dieses Fachwissen eingesetzt wird.
Einige Tätigkeiten, die heute viel Zeit beanspruchen, eignen sich besonders gut für die Unterstützung durch KI. Dazu gehören das Lesen großer Textmengen, die Strukturierung von Informationen, die Erstellung erster Berichtsentwürfe und wiederkehrende Prüfungen.
Wird diese administrative Belastung reduziert, entsteht mehr Raum für Tätigkeiten mit höherem Wertbeitrag.
Ein Terminplaner kann mehr Zeit darauf verwenden, den tatsächlichen Fortschritt gemeinsam mit den ausführenden Teams zu analysieren.
Eine Führungskraft in der Projektsteuerung kann Abweichungen intensiver untersuchen und mögliche Interventionen fundierter bewerten.
Fachkräfte können mehr Zeit in die Interpretation von Informationen, die kritische Prüfung vorgeschlagener Szenarien und die Beratung von Entscheidungsträgern investieren.
KI macht Fachkompetenz in der Projektsteuerung daher nicht überflüssig. Sie erhöht die Bedeutung professionellen Urteilsvermögens, weil mehr Zeit und Verantwortung auf die Entscheidungen hinter den Informationen konzentriert werden können.
Die Entwicklung führt also nicht vom Menschen zur KI.
Sie führt von manueller Informationsverarbeitung zu menschlichem Urteilsvermögen, das durch KI unterstützt wird.
Die erste KI Anwendung muss nicht ambitioniert sein.
Ein sinnvoller Ausgangspunkt ist eine kleine, regelmäßig wiederkehrende Tätigkeit, die viel Zeit in Anspruch nimmt, gleichzeitig aber nur ein begrenztes Maß an komplexem Fachurteil erfordert.
Diese Kombination schafft einen kontrollierten Rahmen, in dem ein Unternehmen lernen kann.
Denken Sie beispielsweise an einen wiederkehrenden Fortschrittsprozess. Ein Terminplaner kann erhebliche Zeit damit verbringen, Informationen einzusammeln, Aktualisierungen zu strukturieren und sie für die weitere Analyse vorzubereiten.
Teile dieses Prozesses können durch KI unterstützt werden. Der Terminplaner bleibt jedoch dafür verantwortlich, zusätzlichen Kontext aus dem Projektteam einzuholen, die Ergebnisse zu validieren und zu beurteilen, ob vorgeschlagene Änderungen sinnvoll sind.
Das Ziel besteht nicht darin, den Terminplaner zu ersetzen.
Das Ziel besteht darin, begrenzte Fachkompetenz dort einzusetzen, wo sie den größten Mehrwert schafft.
Ein pragmatisches Vorgehen umfasst folgende Schritte:
Identifizieren Sie ein wiederkehrendes Problem. Prüfen Sie, wo erheblicher Zeitaufwand entsteht, ohne dass daraus ein entsprechender Mehrwert für Entscheidungen resultiert.
Definieren Sie das gewünschte Ergebnis. Legen Sie fest, ob beispielsweise Geschwindigkeit, Konsistenz, Transparenz oder Entscheidungsqualität verbessert werden soll.
Bestimmen Sie den Informationsbedarf. Klären Sie, welche Dokumente, Daten und fachlichen Kontexte für den Anwendungsfall erforderlich sind.
Definieren Sie Verantwortlichkeiten und Kontrollen. Legen Sie fest, wer Ergebnisse validiert, wer Freigaben erteilt und wer die Verantwortung für Entscheidungen trägt.
Testen Sie in einem überschaubaren Rahmen. Wählen Sie einen Anwendungsfall, bei dem Fachkräfte die Qualität der Ergebnisse schnell beurteilen können.
Lernen Sie vor der Skalierung. Verbessern Sie zunächst den Prozess und erweitern Sie die Anwendung erst dann, wenn ein verlässlicher Mehrwert nachgewiesen ist.
Dabei kann ein Unternehmen durchaus zu dem Ergebnis kommen, dass KI aktuell nicht die höchste Priorität hat.
Möglicherweise müssen zunächst Definitionen vereinheitlicht, Daten integriert, Governance Strukturen gestärkt oder Prozesse standardisiert werden.
Auch diese Erkenntnis ist wertvoll.
Für Unternehmen, die diese Grundlagen strukturiert bewerten möchten, bietet der Project Controls Scan von Primaned eine unabhängige Reifegradanalyse. Dabei werden unter anderem Planung, Kostensteuerung, Risiken, Governance, Reporting und eingesetzte Systeme untersucht, bevor konkrete Verbesserungsprioritäten und eine belastbare Roadmap definiert werden.
Starten Sie nicht mit der Frage, wo Ihr Unternehmen KI implementieren kann.
Beginnen Sie mit einem konkreten Problem in der Projektsteuerung.
Identifizieren Sie eine wiederkehrende Tätigkeit, bei der schnellere Informationsverarbeitung oder eine bessere Analyse einen messbaren Mehrwert schaffen kann. Klären Sie, welche Informationen dafür benötigt werden. Definieren Sie klare Grenzen und Verantwortlichkeiten. Stellen Sie sicher, dass professionelle Prüfung Bestandteil des Prozesses bleibt. Bewerten Sie anschließend, ob KI die Qualität oder Effizienz der Arbeit tatsächlich verbessert.
Sie müssen nicht heute beantworten, wie die Zukunft der KI in der Projektsteuerung aussehen wird, bevor Sie den ersten Schritt gehen.
Sie benötigen ein relevantes Problem, einen kontrollierten Anwendungsfall und die notwendige Disziplin, um aus den Ergebnissen zu lernen.
Wenn Sie bewerten möchten, wo ein solcher erster Schritt in Ihrer bestehenden Projektsteuerungsumgebung sinnvoll ist, unterstützen Sie die Berater für Projektsteuerung bei Primaned dabei, Technologie mit Ihren Prozessen, Informationen, Governance Strukturen und Entscheidungsgrundlagen zu verbinden.