Befreit KI von der Komplexität?

Informations- und Kommunikationstechnologie (ICT) ist heute aus kaum einem Lebens- oder Arbeitsbereich mehr wegzudenken. Wer heute ein System einführt oder anpasst, tut das nicht auf der grünen Wiese, sondern mitten in einer gewachsenen Umgebung. Zudem verändern sich die Arbeitsweisen, Teams entwickeln sich, werden zusammen gelegt oder die Aufgabengebiete werden grösser oder anders. Jede Änderung muss diese Rahmenbedingungen mitdenken – und das treibt die Komplexität, unabhängig davon, wie gut das einzelne Projekt geführt wird. Hinzu kommt eine zweite Verschiebung: Die einfachen, klar abgrenzbaren Prozesse sind in den meisten Organisationen längst digitalisiert. Was jetzt ansteht, sind Geschäftsmodelle und Geschäftsprozesse, die sich nicht mehr in einem Satz beschreiben lassen – Vorhaben, die mehrere Fachgebiete gleichzeitig betreffen und deshalb eine wachsende Zahl von Stakeholdern einbinden müssen. Auch das ist Komplexität. Die Projekte stehen oft vor Herausforderungen, wo der Lösungsweg noch unklar ist – die Vision steht, aber wie man dahin kommt, dieser Weg muss erst noch beschritten werden. Bereits 1994 hat Venkat Venkatraman in seinem einflussreichen Rahmenwerk zur IT-enabled Business Transformation fünf Stufen beschrieben, wie Informationstechnologie Organisationen verändert – von der lokalen Effizienzsteigerung (Localized Exploitation) über die interne Integration und die Neugestaltung von Geschäftsprozessen bis zur Neudefinition des gesamten Geschäftsumfangs (Business Scope Redefinition). Die vierte Stufe, Business Network Redesign, beschreibt die Neugestaltung von Prozessen und Systemen nicht mehr innerhalb einer einzelnen Organisation, sondern über Organisationsgrenzen hinweg – mit Partnern, Lieferanten, Behörden und anderen Anspruchsgruppen. Gut dreissig Jahre nach dieser Publikation befinden wir uns mitten in dieser Phase: Kaum ein relevantes ICT-Projekt lässt sich heute noch sauber innerhalb der eigenen vier Wände abschliessen. Diese doppelte Komplexität – technisch durch gewachsene Systemlandschaften, organisatorisch durch die Ausweitung über Unternehmensgrenzen hinweg – hat die Rolle der Projektleitung bereits verändert: von der Koordination hin zur Beratung, vom Abarbeiten eines Plans hin zum Navigieren durch ein Geflecht aus Abhängigkeiten. Nun kommt eine weitere Verschiebung dazu, die diese Komplexität verschärft – oder, richtig eingesetzt, besser beherrschbar machen kann: Künstliche Intelligenz. Für Geschäftsleitungen und Projektleitungen stellen sich damit sehr konkrete Fragen: Wo im Projektportfolio bindet die wachsende Komplexität Zeit und Ressourcen? Welche Aufgaben lassen sich an KI delegieren? Wo verändert KI nicht nur das Werkzeug, sondern die Art, wie wir Projekte über Organisationsgrenzen hinweg überhaupt führen?

Kosten- und Komplexitätstreiber

ICT-Projekte bewegen sich in einem Spannungsfeld aus vier Grössen, die sich gegenseitig beeinflussen: Kosten, Zeit, Umfang und Qualität – das «magische Viereck» des Projektmanagements. Dieses Viereck zu beherrschen, wird anspruchsvoller, nicht weil Projektleitende es schlechter machen als früher, sondern weil eben die Komplexität zunimmt. ICT-Projekte bewegen sich selten im Bereich des Einfachen oder Komplizierten, sondern tendieren zu Komplexität bis hin zum Chaos: Anforderungen sind zu Projektbeginn unklar, Lösungswege unbekannt, und die fortschreitende Verschmelzung von Business und IT bringt eine wachsende Vielfalt an Stakeholdern mit oft unterschiedlichen Erwartungen mit sich. Das ist an sich weder gut noch schlecht – es ist schlicht die Realität, in der ICT-Projekte heute stattfinden. Die Frage ist deshalb nicht, wie sich diese Komplexität vermeiden liesse, sondern wie sie beherrscht werden kann. Mehr Schnittstellen bedeuten mehr Abstimmungsaufwand, mehr Stakeholder bedeuten mehr Kommunikationskanäle, mehr Altlasten bedeuten mehr Sorgfalt bei jeder Änderung. Jede dieser Dimensionen bindet Zeit und Geld – nicht weil etwas grundsätzlich falsch läuft, sondern weil gute Arbeit unter wachsender Komplexität grundsätzlich mehr Kapazität und mehr Maturität braucht. Genau hier setzt die Auseinandersetzung mit KI an. Die Frage ist nicht nur, wie wir Projektmanagement dank KI besser beherrschen – schneller, günstiger, mit saubereren Kennzahlen. Die eigentliche Frage lautet: Wie gelingt es allen Beteiligten in einem Projekt ihren jeweiligen Beitrag mit mehr Elan, mehr Ruhe und mehr ganzheitlichem Weitblick zu leisten, statt sich in der wachsenden Komplexität aufzureiben? Das ist der Massstab, an dem sich der KI-Einsatz im Projektmanagement messen sollte – sie ist also kein Ersatz für gutes Projektmanagement.

KI-Ansätze: Vier Wellen, drei Formeln

Bevor man fragt, wo KI im Projekt helfen kann, lohnt sich eine Zwischenfrage: Welche Art von Aufgabe ist das eigentlich? Projektmanagement-Tätigkeiten lassen sich entlang zweier Achsen ordnen. Die erste unterscheidet Fachaufgaben (Planung, Anforderungen, Architektur, Reporting – der Inhalt des Projekts) von Personalführungsaufgaben (Team, Motivation, Konflikte – wie die Menschen im Projekt geführt werden). Die zweite Achse unterscheidet transaktionale Tätigkeiten – regelbasiert, wiederholbar, dokumentierbar – von relationalen Tätigkeiten, die Vertrauen, Urteilsvermögen und Kontext erfordern. Diese zweite Achse ist der eigentliche Hebel: Transaktionale Aufgaben lassen sich delegieren, unabhängig davon, ob sie fachlicher oder personeller Natur sind. Beziehungsmässige Aufgaben bleiben menschlich – auch das unabhängig davon, ob es um eine technische Architekturfrage oder einen Teamkonflikt geht.

Vier Wellen als technologische Basis
Kai-Fu Lee unterscheidet vier Wellen der KI-Entwicklung:

1. Internet-KI (lernt aus Nutzungsdaten),
2. Business-KI (lernt aus strukturierten Unternehmensdaten, um Entscheidungen vorherzusagen),
3. Perception-KI (digitalisiert die physische Welt über Sensoren und Kameras) und
4. autonome KI (Systeme, die selbständig wahrnehmen und handeln).

Für das ICT-Projektmanagement sind vor allem die ersten beiden Wellen bereits heute relevant. Die vier Wellen zeigen, was technisch verfügbar wird. Die drei Formeln von Venkatraman – H+M (Automation), H×M (Augmentation), H^AI (Agentik) – zeigen, wie viel Entscheidungshoheit man dabei abgibt. Kombiniert man beide Raster mit der obigen Aufgaben-Kategorisierung, ergibt sich ein Bild davon, wo KI heute schon Wert schafft, wo sie unterstützt, und wo sie auf absehbare Zeit aussen vor bleibt (oben vgl. Abbildung 1).

Wo KI Kosten und Risiken senkt

Bei transaktionalen Fachaufgaben ist die Automation bereits Praxis: Der Statusreport schreibt sich selbst, weil eine KI Daten aus Jira oder Azure DevOps zieht und daraus einen Fortschrittsbericht samt Ampelstatus generiert. Risikoregister aktualisieren sich laufend, weil ein Sprachmodell Team-Chats und Protokolle nach Frühwarnsignalen durchsucht («wieder eine Verzögerung erwähnt», «dritte Eskalation zum selben Thema») und Muster meldet, die einer einzelnen Person im Alltagsgeschäft entgehen. Auch bei transaktionalen Personalführungsaufgaben zahlt sich das aus: Kapazitätsplanung über mehrere Projekte hinweg, Skill-Matching, Ferienabgleich – Aufgaben, die früher in Excel-Ping-Pong endeten, gleicht KI heute in Echtzeit ab und schlägt Umverteilungen vor, bevor ein Engpass akut wird. Anforderungsworkshops mit dem Fachbereich werden transkribiert und direkt in strukturierte User Stories überführt, statt dass die Projektleitung sie tagelang nachbearbeitet. Bei beziehungsmässigen Fachaufgaben – etwa Architekturentscheiden – verschiebt sich die Rolle der KI von Automation zu Augmentation: Sie liefert Optionen mit durchgerechneten Trade-offs (Kosten, Time-to-Value, technisches Risiko), aber die Entscheidung und deren Verantwortung bleiben bei Mensch und Gremium. Das ist exakt das Muster, das Unilabs im vorangegangenen Artikel für die Wissensarbeit in der Medizin gezeigt hat, übertragen auf die Projektarbeit: die KI vervielfacht die analytische Tiefe, ohne die Entscheidungslogik zu ersetzen.

Wohin sich das entwickelt

Der nächste Schritt ist bereits sichtbar: KI-Agenten, die Sprintplanung nicht mehr nur vorschlagen, sondern basierend auf Velocity-Daten und Teamauslastung eigenständig anpassen und nur bei Zielkonflikten eskalieren. Autonome Bug-Triage, die Fehler priorisiert, Verantwortliche zuweist und Standard-Fixes selbst vorschlägt. Lieferanten-Kommunikation für Routineanfragen – Statusabfragen, Terminbestätigungen –, die vollständig automatisiert läuft. Das ist H^AI im Kleinen: Menschen definieren Ziele und Leitplanken, das System orchestriert den Weg dorthin.

ICT-Projektmanagement in fünf Jahren

Denkbar ist, dass sich «digitale Projektzwillinge» etablieren: Systeme, die den aktuellen Projektstand laufend simulieren und in Echtzeit durchspielen, was eine Verzögerung bei einem Gewerk für Budget, Termin und Folgeprojekte im Portfolio bedeutet – heute macht das eine Projektleitung im Kopf, mit Bauchgefühl statt Simulation. Denkbar ist auch, dass ein KI-System das tägliche Stand-up selbstständig vorbereitet, moderiert und protokolliert und die Projektleitung nur noch dann beizieht, wenn eine Entscheidung mit Tragweite ansteht. Und denkbar ist eine portfolioweite Ressourcensteuerung, die Kapazitäten über mehrere Projekte hinweg autonom umverteilt, innerhalb von Leitplanken, die Geschäftsleitung und PMO gemeinsam festgelegt haben. Was in dieser Vision explizit nicht verschwindet, ist die beziehungsmässige Ebene. Gabriela Eymanns Erfolgsfaktoren – anecken können, Entscheidungen fällen, Vertrauen der Auftraggeberin gewinnen, Betroffene einbinden – bleiben genuin menschliche Leistungen. Kein System übernimmt die Verantwortung dafür, wenn ein Projekt gestoppt werden muss, oder das Fingerspitzengefühl, ein zerstrittenes Team wieder zusammenzuführen.

Projektauftraggeber sind gefordert

Nicht jede Projektmanagement-Aufgabe verträgt denselben Grad an KI-Autonomie. Für die Geschäftsleitung als Projektauftraggeberin folgt daraus eine konkrete Verantwortung – nicht «KI im Projekt einführen», sondern entscheiden, wie viel Entscheidungshoheit sie für welche Aufgabenklasse tatsächlich abgeben wollen. Der erste Schritt ist eine Standortbestimmung – nicht der Organisation insgesamt, sondern des eigenen Projektportfolios. Wo laufen heute Projekte, deren Statusberichte, Risikoregister und Kapazitätsplanung sich bereits automatisieren liessen, es aber mangels Entscheid nicht werden? Und wo bewegen sich Projekte im Bereich des Komplexen bis Chaotischen, wo Automatisierung verfrüht wäre, weil selbst die Anforderungen noch nicht stehen? Daraus folgt der zweite Schritt: die bewusste Zuordnung einer strategischen Haltung – H+M, H×M oder H^AI – pro Projektkategorie, nicht pauschal für das ganze Portfolio. Ein Submissionsverfahren mit hoher regulatorischer Bindung braucht andere Leitplanken als ein internes Digitalisierungsprojekt mit klar abgegrenztem Scope. Damit rückt Governance in den Vordergrund – nicht als nachgelagertes Kontrollthema, sondern als Voraussetzung, bevor ein System Projektentscheidungen automatisiert vorbereitet oder trifft. Wer entscheidet, wenn eine KI-gestützte Priorisierung ein kritisches Projekt herunterstuft? Wer haftet, wenn eine automatisierte Ressourcenumverteilung ein anderes Projekt in Verzug bringt? Diese Fragen müssen beantwortet sein, bevor Vertrauen in ein System aufgebaut wird. Es braucht «Trust with Verification»: Vertrauen durch abgesichertes Monitoring und Eskalationswege.

Was heisst das für die Projektleitung?

Für die Projektleitung verschärft sich eine Entwicklung: die Verschiebung von der Koordinatorin zur Beraterin. KI beschleunigt diese Verschiebung, weil sie genau die Aufgaben übernimmt, die bisher am meisten Koordinationszeit gebunden haben – Statusreports, Risikoregister, Kapazitätsabgleich. Was bleibt, ist die anspruchsvollere Hälfte der Rolle: Zusammenhänge verstehen, Entscheidungen fällen, Menschen führen. Das ist eine Chance, aber keine, die sich von selbst einstellt. Die Matrix hilft zu entscheiden, wo heute schon an KI delegiert werden kann – und wo es explizit nicht getan werden sollte. Wer diese Unterscheidung nicht selbst trifft, läuft Gefahr, entweder wertvolle Zeit mit Aufgaben zu verlieren, die eine Maschine besser erledigt, oder sich auf automatisierte Empfehlungen zu verlassen, wo eigentlich Urteilsvermögen gefragt wäre.

Zwei Dinge sind dabei wichtig. Erstens: KI-Output bleibt ein Vorschlag, keine Entscheidung. Ein automatisch aktualisiertes Risikoregister kann eine Nuance übersehen, die nur im direkten Gespräch mit dem Auftraggeber auffällt. Eine autonome Sprintplanung kann formal korrekt sein und trotzdem am eigentlichen Geschäftsziel vorbeilaufen. Die Projektleitung bleibt in der Pflicht, das zu prüfen – genau das «Trust with Verification»-Prinzip, nur auf der operativen statt der strategischen Ebene angewendet.

Zweitens: Die freiwerdende Zeit muss aktiv in die beziehungsmässigen Aufgaben reinvestiert werden, sonst verpufft der Effekt. Wer den Nachmittag, den ein automatisierter Statusreport einspart, einfach mit der nächsten transaktionalen Aufgabe füllt, hat nichts gewonnen. Erfolgsfaktoren wie anecken können, in Varianten denken, Betroffene einbinden sind keine Nice-to-haves, sondern Teil der Arbeit, der übrig bleibt, wenn die Maschine den Rest übernimmt, und der mehr Gewicht bekommt, nicht weniger.

Fazit

ICT-Projekte scheitern oder gelingen wie eh und je. Künstliche Intelligenz verändert daran erst einmal wenig Grundsätzliches, aber sie hilft, Zeit für das Wesentliche zu gewinnen und hochkomplexe Zusammenhänge zu verstehen. Nur: Diese Beruhigung könnte genau der Denkfehler sein. Wenn KI Statusreports, Risikoerkennung und bald auch Sprintplanung übernimmt, wird das, was heute Wochen dauert, in Tagen sichtbar – und was heute in Tagen schiefläuft, in Stunden.

Automatisierung macht nicht nur gute Prozesse, sondern auch schlechte Prozesse schneller. Ein Unternehmen, das seine Anforderungen heute nicht sauber klärt, wird das mit KI-Unterstützung nicht besser tun – es wird nur schneller und teurer feststellen, dass es sie nicht geklärt hat. Wir lösen mit KI im Projektmanagement nicht in erster Linie ein Problem. Wir erhöhen den Einsatz.

Und – das haben wir bisher umschifft – was bleibt vom Projekt, wenn Autonomous Business tatsächlich Realität wird? Ein Projekt ist per Definition ein zeitlich begrenztes Vorhaben mit Auftraggeberin, Ziel und Ende – genau die Struktur, die entsteht, weil Veränderung heute geplant, budgetiert und verantwortet werden muss. Wenn Systeme aber kontinuierlich und eigenständig entscheiden, Massnahmen umsetzen und sich anpassen: Wozu dann noch ein Projekt? Vielleicht ist die eigentliche Disruption nicht, dass KI das Projektmanagement effizienter macht. Vielleicht ist es, dass sie den Projektbegriff selbst überflüssig macht – und mit ihm die ganze Disziplin, für die dieser Artikel eben noch Ratschläge gegeben hat.

Quellen
Eymann, G. (2024): Gutes Projektmanagement: Vernetztes Denken, Erfahrung und Empathie. In-ternes White Paper, sieber&partners.
Lee, Kai-Fu (2018): AI Superpowers: China, Silicon Valley, and the New World Order. Houghton Mif-flin Harcourt.
Venkatraman, N. (1994): IT-Enabled Business Transformation: From Automation to Business Scope Redefinition. Sloan Management Review, 35(2),