Es ist Freitag, 16:47 Uhr an einem Novembertag. In meinem Posteingang landet eine E-Mail—eine Textwand eines Kollegen, der sich mit einem Datenintegrationsprojekt für einen Flottenmanagement-Kunden herumschlägt.

Die Nachricht ist Chaos. Beschwerden über Feldreihenfolgen. Fehlende Datenpunkte. Ein Terminologiestreit, den niemand lösen kann. Eine Deadline, die plötzlich nur noch eine Woche entfernt ist. Vergraben in diesen sechs Absätzen: mindestens ein Dutzend Probleme, die vor Montag geklärt werden müssen. Wenn ich etwas übersehe, folgt ein wütender Kundenanruf.

Vor einigen Monaten hätte ich meinen Abend damit verbracht, dieses Durcheinander zu entwirren—Dokumentation gegenlesen, Antworten entwerfen, eine mentale Landkarte aller beweglichen Teile erstellen. Heute kopiere ich die E-Mail in Claude, füge einen Prompt hinzu, den ich über Dutzende ähnlicher Situationen verfeinert habe, und innerhalb von vierzig Sekunden—bevor mein Kaffee abkühlt—habe ich eine strukturierte Analyse jedes Problems, eine priorisierte Aufgabenliste und eine professionelle Antwort, die ich abschicken kann.

Das erste Mal fühlte sich das an wie Mogeln. Heute kann ich mir nicht mehr vorstellen, zurückzugehen. Aber ich ertappe mich bei der Frage: Was genau ist eigentlich noch mein Job?

Das ist kein weiterer Produktivitäts-Hack. Nach fünfundzwanzig Jahren in der IT und vier Jahren Immersion in Large Language Models habe ich beobachtet, wie KI zu etwas wurde, das ich nicht ganz erwartet hatte: eine Schatten-Version meiner selbst, die die kognitive Routinearbeit erledigt, während ich Titel und Verantwortung behalte. Der Job verschwindet nicht, aber der Schwerpunkt verschiebt sich. Die Frage, die ich nicht loswerde, ist einfach: Wie lange noch, bis die Balance endgültig kippt?

Die stille Revolution

Um zu verstehen, was im Projektmanagement passiert, muss man verstehen, was Large Language Models tatsächlich sind—und was nicht. Modelle wie ChatGPT, Claude und Gemini „verstehen” nicht im menschlichen Sinne. Im Kern führen sie massive statistische Next-Token-Vorhersagen durch, trainiert auf Milliarden von Wörtern. Und doch sieht das in der Praxis verdächtig nach einem Schatten-Projektmanager aus, der still über die Schulter mitliest.

Für Projektmanager übersetzt sich das in etwas genuinen Nützliches: die Fähigkeit, Informationen mit einer Geschwindigkeit zu verarbeiten, zu strukturieren und zu transformieren, die kein Mensch erreichen kann. Ein LLM kann eine wirre Stakeholder-E-Mail lesen und jeden handlungsrelevanten Punkt extrahieren. Es kann ein Meeting-Transkript in strukturierte User Stories verwandeln. Es kann Sprint-Daten analysieren und Muster erkennen, die selbst erfahrenen Scrum Masters entgehen.

Die unangenehme Wahrheit: Die Technologie ist der einfache Teil. Die Herausforderung liegt darin, zu wissen, wie man effektiv mit diesen Systemen kommuniziert—was Praktiker als Prompt Engineering bezeichnen. Es wird für Projektmanager genauso essenziell wie Gantt-Diagramme und Stakeholder-Matrizen, und wie diese früheren Werkzeuge definiert es still neu, wer was macht—und wer den Credit bekommt.

Das Playbook des Prompt-Ingenieurs

Nehmen wir die E-Mail meines Kollegen. Das versuchen die meisten zuerst:

„Antworte auf diese E-Mail.” [fügt E-Mail ein]

Das Ergebnis: eine generische Bestätigung, die nichts Konkretes adressiert—technisch eine Antwort, praktisch nutzlos.

Nun betrachten wir, was mit strukturiertem Prompting passiert:

„Handle als Senior-Projektmanager. Deine Aufgabe ist es, eine prägnante, professionelle Antwort auf die untenstehende E-Mail zu verfassen. Constraints: Mache keine Zusagen ohne Datenbestätigung. Hebe unklare Anforderungen hervor. Frage nach fehlenden Informationen. Spezifiziere nächste Schritte. Halte einen lösungsorientierten Ton.”

Der Unterschied im Output ist dramatisch. Mit rollenbasiertem Prompting, expliziten Constraints und klaren Zielen produziert das Modell Antworten, die von einem erfahrenen Profi stammen könnten. Oder genauer: von einem erfahrenen Profi, der niemals müde wird, niemals einen schlechten Tag hat und Informationen mit Maschinengeschwindigkeit verarbeitet.

Ich habe über ein Dutzend Prompt-Templates für verschiedene Situationen entwickelt. E-Mail-Triage, Risiko-Scanning, Backlog-Refinement, Retrospektiv-Analyse. Jedes einzelne erforderte Trial-and-Error; jetzt sind sie wie Muskelgedächtnis.

Und hier ist, was mir in Gesprächen mit anderen auffällt: Diejenigen, die diese Templates meistern, beginnen komplexere Arbeit zu übernehmen. Diejenigen, die es nicht tun, gravitieren zurück zu Status-Reporting und Terminplanung. Prompt-Kompetenz wird still zum Karrierefilter.

Wenn die KI daneben liegt

Der Anwalt, der ChatGPT nutzte, um Rechtspräzedenzfälle zu finden—und KI-erfundene Gerichtsurteile bei einem Bundesrichter einreichte—ist zur Go-to-Warnung des Tech-Journalismus geworden. Aber für Projektmanager sind die Fehlermodi anders und in gewisser Weise heimtückischer.

Das Ding bei KI-Fehlern ist, dass sie in perfektem Selbstbewusstsein verpackt kommen. Ein menschlicher Junior würde abschwächen, sagen „ich denke” oder „es sieht so aus”. Die KI stellt einfach fest. Und wenn man müde oder unter Zeitdruck ist, vertraut man ihr.

Beunruhigender ist die Verantwortungslücke. Wenn ein menschlicher PM einen Fehler macht, ist die Verantwortungskette klar. Wenn eine KI-generierte Analyse zu einer schlechten Entscheidung führt, werden die Gewässer trüber.

Ich hatte Situationen, in denen die Risikoeinschätzung der KI etwas Offensichtliches übersah—eine regulatorische Deadline, die in den Dokumenten stand, aber irgendwie nicht in der Zusammenfassung auftauchte. Ich konnte nicht gerade sagen „die KI hat mir gesagt, es wäre in Ordnung.” Ich übernahm den Fehler. Aber es schmerzte zu wissen, dass die KI ihn tatsächlich gemacht hatte.

Es gab keinen Platz im Post-Mortem-Template, um „KI-Halluzination” als beitragenden Faktor zu protokollieren.

Die Mitigationsstrategien sind in der Theorie straightforward: spezifische Fragen stellen, kritische Behauptungen verifizieren, multiple Quellen nutzen, Kontext direkt bereitstellen statt das Modell inferieren zu lassen. In der Praxis, unter Deadline-Druck, mit einem Tool, das Dutzende Male zuvor zuverlässig war—die Versuchung zu vertrauen wächst.

Wenn die KI sieht, was Menschen übersehen

„Die KI wird nie müde, inkohärente Stakeholder-E-Mails zu parsen. Du schon.”

Eine der faszinierendsten—und beunruhigendsten—Anwendungen von KI im Projektmanagement ist die Mustererkennung. Ich führte dieses Experiment mit meinen eigenen Sprint-Daten durch.

Die Zahlen zeigten: Ein Entwickler führte 86% aller Code-Reviews durch, während ein anderer keinen einzigen Pull Request gereviewed hatte. Die PRs einer Person warteten durchschnittlich 2,3 Tage auf Review; die einer anderen wurden in 0,3 Tagen abgearbeitet. Jemand hatte Stories in drei aufeinanderfolgenden Sprints übernommen.

In Retrospektiven erwähnte niemand davon etwas explizit. Aber als ich die Sprint-Daten an Claude fütterte und es bat, versteckte Konflikte zu identifizieren, zeichnete es ein Bild, das ich irgendwie übersehen hatte: ein Senior-Ingenieur, der still die Review-Last des Teams trug, ein anderer, der sich zurückzog, die Arbeit eines Junior-Entwicklers, die in einer Warteschlange versauerte. Kein einzelner Mensch sah das ganze Muster sofort. Das Modell schon. Ich bin mir immer noch nicht sicher, wie ich mich dabei fühle. Der Subtext war klar: Wenn die KI das jeden Sprint sehen kann, warum hatte ich es nicht gesehen?

Die Bedenken sind nicht abstrakt. Wenn KI-gestützte Analytics individuelle Leistungsmuster aufdecken können, wer entscheidet, welche Muster wichtig sind? Was zählt als „Disengagement” versus „hat einen schwierigen Monat”? Dasselbe Dashboard, das einen überforderten Senior-Ingenieur hervorhebt, kann auch einen „Low Performer” brandmarken, dessen Kontext kein Diagramm erfassen kann. Dasselbe Tool, das einem nachdenklichen Manager hilft, kämpfende Teammitglieder zu unterstützen, könnte in anderen Händen zu einem Überwachungsmechanismus werden.

ChatGPT und seine Peers sind gut in allem, was man in ein Textfeld kopiert. Anthropics Claude drängt auf etwas Intrusiveres: direkte Integration in die tatsächliche Arbeitsumgebung. Über das Model Context Protocol (MCP) kann Claude auf E-Mail, Kalender, Cloud-Speicher und Chat-Tools zugreifen—Informationen in Echtzeit abrufen und Ergebnisse in dieselben Systeme zurückspielen.

Das ist keine Slideware-Demo. Ich verdrahte Claude bereits mit meinen Kalendern und Dokumentenspeichern.

Ein einzelner Prompt sieht jetzt so aus:

„Fasse den Projektstatus aus mehreren Quellen zusammen. Ziehe Mails der letzten zwei Wochen, die ‚Projekt Hermes’ enthalten, aus Gmail, scanne den ‚Projekt Hermes’-Ordner in Drive, prüfe bevorstehende Kalendertermine, dann baue einen Excel-Tracker mit visuellen Statusindikatoren, Zellkommentaren, die auf Quellen verlinken, Dropdown-Menüs für Status und Datenbalken, die den Fortschritt zeigen.”

Claude fragt Gmail nach relevanten Threads ab, parst Drive-Dokumente nach Aufgabeninformationen, prüft Kalender auf Deadlines, dann fügt es alles in eine Tabelle zusammen. Was früher Stunden dauern konnte, passiert jetzt in Minuten.

Wenn sich das anhört, als würde man einem sehr intelligenten Praktikanten Zugang zum gesamten digitalen Leben geben, dann deshalb, weil es so ist. Und nicht jede Organisation ist damit wohl. Die Rechtsabteilung will Data Residency verstehen. Compliance will Audit-Trails. IT will Notausschalter. Und ehrlich gesagt: Man gibt einem externen Dienst Lesezugriff auf Kundenkommunikation.

In stark regulierten Branchen kann selbst das Anbinden eines Assistenten an interne Ticket-Systeme Monate an Reviews auslösen. Vorerst lebt die KI oft in einer Sandbox—nützlich, aber ferngehalten von den Arterien.

Dann gibt es das Vendor-Risiko. Jeder große KI-Anbieter will das Haupttor zu deinem Workflow sein. Projektmanager, die stark auf eine Plattform setzen, werden die Konsequenzen leben, wenn dieser Anbieter Preise, Nutzungsbedingungen ändert oder einfach verschwindet. Die Integration, die heute Stunden spart, kann leicht zur Migrationsgeisel von morgen werden. Das „Muskelgedächtnis” der Prompts ist auch eine Form des Lock-in—Workflows und Templates, die nicht sauber zu einem anderen Anbieter portieren.

Einzelne Prompts sind nützlich, aber die echte Transformation entsteht, wenn KI in komplette Workflows integriert wird. Ich habe das systematisch mit meinem eigenen Scrum-Prozess getestet.

Die Ergebnisse waren schwer zu ignorieren: Die Grooming-Zeit ist um etwa zwei Drittel gesunken, Sprint-Planning-Meetings gingen von zwei Stunden auf etwa vierzig Minuten, und die Story-Qualität—gemessen daran, wie oft Akzeptanzkriterien während der Entwicklung überarbeitet werden mussten—verbesserte sich um etwa ein Viertel.

Aber es gab einen unerwarteten Nebeneffekt.

Konflikte über Prioritäten nahmen tatsächlich zu. Als das Grooming langsam und mühsam war, waren die Leute zu erschöpft, um darüber zu streiten, was in den Sprint kommt. Als die KI die Routinearbeit übernahm, hatte plötzlich jeder Energie für Diskussionen über Rankings. Ich hatte Zeit gespart, aber keine Energie—ich hatte sie in Diskussionen umgeleitet.

Ich fand schließlich eine Balance—KI für die initiale Strukturierung nutzen, aber bewusst Raum für menschliche Verhandlung bewahren. Das Tool ersetzte nicht die schwierigen Gespräche; es veränderte nur, wo sie stattfanden.

Retrospektiv-Analysen zeigen ähnliche Muster. Füttere die KI mit deinen Sprint-Daten—committed versus completed Points, Bug-Counts, Velocity-Trends, Code-Review-Statistiken—und sie kann SMART-Verbesserungsmaßnahmen generieren, die wirklich umsetzbar sind. Keine vagen „wir sollten besser kommunizieren”-Outcomes mehr.

Aber hier eine Sorge: Die Gefahr ist, dass Retrospektiven zu Abhak-Übungen werden. Die KI sagt uns, was wir verbessern sollen, wir nicken, wir machen weiter. Der ganze Sinn sollte sein, dass das Team gemeinsam reflektiert, gemeinsames Verständnis aufbaut. Wenn die KI die Verbesserungsliste schreibt und der Facilitator sie vorliest, findet das Ritual noch statt. Das Lernen nicht.