Projektabwicklung erfordert KI-Orchestrierungssysteme, nicht nur Werkzeuge—Gründerin, zuständig für Projektabwicklung, erklärt, wie KI neue Engpässe schafft

Im Hinblick auf die Projektauslieferung bin ich für die Projekte in meinem Unternehmen verantwortlich: Strategie und KPIs definieren, das Team aufbauen (sowohl menschliche als auch KI-basierte Systeme), die Umsetzung überwachen und Projekte liefern – also grundlegende Marketingsysteme, die Teams langfristig betreiben können.

Ich würde sagen, mein Werdegang ist ungewöhnlich für jemanden im Marketing. Ich habe als lizenzierte Ingenieurin begonnen und mit dem Marketing für Engineering- und Technologieprojekte gestartet. Seit nunmehr 20 Jahren entwickle ich Wachstumsstrategien und liefere Marketingergebnisse für alle, vom Pre-Revenue-Startup bis hin zu 10 % der Fortune 100 (Intel, IBM, Amazon, Dell, SAP). Oft unterstütze ich engagierte Gründer außerhalb der klassischen Technologiezentren, wie San Antonio, Chicago, Tel Aviv oder Regionen in Europa, die keinen einfachen Zugang zu erfahrenen Growth-Leadern haben.

Das macht meinen Ansatz anders: Ich kombiniere Produktmarketing- und Growth-Marketing-Expertise mit tiefgehender KI- und Datenkompetenz. Ich habe über 2 Millionen Fachleute zu KI, Datenstrategie und jetzt KI-Marketing geschult – wenn ich also "datengetrieben" sage, meine ich es auf Engineering-Niveau. Es geht nicht nur um oberflächliche Analysen.

Wie KI Führungsrollen in Strategie, Architektur und Orchestrierung neu definiert

Mit KI hat sich meine Rolle vom "Strategin + Führungskraft" zu "Strategin + Architektin + Agenten-Orchestratorin + Führungskraft" entwickelt.

Was das in der Praxis bedeutet: Früher habe ich 50 % meiner Zeit für strategische Planung verwendet und 50 % damit verbracht, Teams bei der Ausführung zu führen. Jetzt sind es 30 % Strategie, 25 % KI-Systemarchitektur, 25 % Agenten-Orchestrierung und 20 % Teamführung.

Das nimmt nun mehr Aufmerksamkeit in Anspruch:

• KI-Systeme entwerfen, die meine Teams nutzen können – es geht hier um Workflows, nicht um Tools.
• Validierungs-Frameworks und Qualitätskontrolle

Das nimmt weniger Zeit in Anspruch:

• Manuelle Datenanalyse: KI übernimmt 80 % der ersten Einblicke per ChatGPT EDA (explorative Datenanalyse).
• Erstellung von Erstentwürfen für Inhalte: KI erstellt Entwürfe über Claude + eigene MCP, Teams überarbeiten diese.
• Routineberichterstattung: Weitgehend automatisiert über Segmetrics.
• Protokollierung von Meetings: KI extrahiert Maßnahmen und Entscheidungen über Fathom.

Wie man mit dem „Trust Gradient“-Framework entscheidet, was automatisiert wird (und was menschlich bleibt)

Ich nutze das „Trust Gradient“-Framework, um zu entscheiden, was automatisiert wird. Hier die Kurzfassung.

Hohes Automatisierungspotenzial (KI übernimmt 80 %+):

• Datenerfassung und erste Analyse
• Erstellung von Erstentwürfen für Inhalte – aber nur, wenn der Kontext der Marke dokumentiert ist
• Produktion von Kampagneninhalten
• Meeting-Protokolle und Extraktion von Aktionspunkten
• Routine-Performance-Reporting

Menschliche Aufsicht notwendig (wo KI unterstützt und ein Mensch entscheidet):

• Strategische Priorisierung – welche Kampagnen wann und warum durchgeführt werden
• Entscheidungen zur Marktpositionierung
• Budgetverteilung über die Kanäle hinweg
• Umgang mit Einwänden von Kunden in wichtigen Gesprächen
• Krisenreaktion

Exklusiv menschlicher Bereich:

• Design von Social-Media-Grafiken (ja!)
• ICP-Validierung und Zusammenführung von Marktforschungsergebnissen (KI übersieht wichtige emotionale Zwischentöne, die berücksichtigt werden sollten)
• Preisstrategie und Entwicklung von Monetarisierungsmodellen
• Verhandlungen über Partnerschaften
• Konfliktlösung
• Alle Entscheidungen, die sich direkt auf GuV oder den Ruf des Unternehmens auswirken

Clevere Teams nutzen KI für die lästige, repetitive und kontextabhängige Arbeit und halten Menschen auf Aufgaben fokussiert, die Urteilsvermögen mit tiefem Marktverständnis und die Bewertung strategischer Abwägungen erfordern.

Aber bedenke: Wenn du einen fehlerhaften Prozess automatisierst, erhältst du nur schneller fehlerhafte Ergebnisse. Zum Beispiel habe ich erlebt, dass Teams die Contenterstellung automatisiert haben, obwohl das eigentliche Problem das falsche Positioning war – das war eine komplette Zeitverschwendung.

Wenn du einen fehlerhaften Prozess automatisierst, erhältst du nur schneller fehlerhafte Ergebnisse.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Lillian Pierson

Gründerin von Data-Mania

Das neue Nadelöhr der KI lösen: Validierungs-Knoten in Ihre Workflows einbauen

Dennoch war ich überrascht und enttäuscht festzustellen, dass KI unsere Engpässe nicht beseitigt hat; sie hat sie nur verlagert.

Wir sind zehnmal schneller darin, Kampagnenstrategien, Content-Kalender und Messaging-Frameworks umzusetzen. Aber unsere gesamten Projektlaufzeiten haben sich nur verdreifacht.

Warum? Weil wir jetzt mehr Zeit darauf verwenden, zu prüfen, ob die von der KI erzeugten Ergebnisse wirklich korrekt sind. Vor der KI haben meine Teams 80 % ihrer Zeit mit der Erstellung von Ergebnissen und 20 % mit deren strategischer Überprüfung verbracht. Jetzt ist es umgekehrt: 30 % Erstellung, 70 % Prüfung.

Das Nadelöhr hat sich also von der Ausführung auf die Beurteilung verschoben.

Um dieses neue Nadelöhr zu lösen, habe ich begonnen, Validierungsknoten in meine KI-Workflows einzubauen, damit LLMs nicht nur die Genauigkeit, sondern auch die Einhaltung strikter Workflow-Kriterien überprüfen können. 

Praxisbeispiel für ein KI-Qualitätsprüfskript

Innerhalb der Agent-Anweisungen liest sich mein Validierungsknoten etwa so: 

• Für Social Media-Inhalte, die du erstellst, führe eine Qualitätssicherungsprüfung durch. Überprüfe vor der Einreichung deiner Antwort:
• Habe ich genau 3 Content-Pieces erstellt?
• Habe ich genau 1 viralen LinkedIn-Post erstellt?
• Habe ich genau 1 virale Reels-Bildunterschrift erstellt?
• Habe ich genau 1 Sprechskript für ein virales Reels-Video erstellt?
• Folgt der von mir geschriebene LinkedIn-Post den Vorgaben, die in der Eingabeaufforderung in Schritt X festgelegt wurden?
• Habe ich in alle Content-Pieces den Social Proof oder die Fallstudie integriert, die in Schritt Y ausgewählt wurde?
• Enthalten der LinkedIn-Post und die Reels-Bildunterschrift relevante Hashtags?
• Habe ich es vermieden, Strategie, Vorlagen, visuelle Hinweise oder weiteres Zusatzmaterial einzubauen?
• Habe ich die spezifischen Format-Anforderungen eingehalten?
• Wenn die Antwort auf eine der obigen Fragen „nein“ ist, gehe zurück und behebe den Fehler. Wiederhole diesen Schritt, bis alle Antworten „ja“ lauten.
• Wenn du irgendetwas anderes als die drei genannten Content-Pieces erstellst, gilt diese Aufgabe als vollständig nicht bestanden.

Bisher hilft es, aber es ist nicht zu 100 % fehlerfrei.

Wie KI Ablieferungsrituale verändert



Wir sind von Wasserfall-ähnlicher Planung in den Modus der „kontinuierlichen Validierung“ gewechselt – hier wird getestet, während der Prozess läuft. Allein dieser Wandel hat den Prozess-Overhead von 20 % auf 5 % gesenkt. Das ist beachtlich.

Der Schlüssel ist, zunächst das gesamte Delivery-Modell zu evaluieren und dann gezielt zu automatisieren.

So haben sich unsere zentralen Ablieferungsrituale verändert:

Teams ausrichten

• Vorher: 1-stündiges Alignment-Meeting mit Slides und Q&A.
• Neu: KI-generiertes Projektbriefing via ChatGPT, gefolgt von asynchronem Feedback in Notion innerhalb von 24 Stunden und einem 15-minütigen Sync nur für Blockaden.
• Auswirkung: 80 % weniger Meetingzeit und bessere Abstimmung.

Arbeit validieren

• Früher: Das QA-Team überprüfte jede Ressource manuell
• Neu: KI-gestütztes Testen, bei dem Claude Inhalte anhand von Schlüsselkriterien, der dokumentierten Markenstimme und Belegpunkten prüft und Abweichungen direkt korrigiert. Menschen führen Stichproben auf strategische Passgenauigkeit durch.
• Auswirkung: halb so viele Qualitätsprobleme.

Wir behandeln KI wie ein unglaublich schnelles Junior-Teammitglied mit perfektem Gedächtnis, aber ohne jegliches strategisches Urteilsvermögen. Sie benötigt Anweisung, Kontext und Kontrolle, übernimmt jedoch alle Fleißaufgaben.

Mein Motto: Teams, die versuchen, die meisten Menschen durch KI zu ersetzen, werden scheitern. Teams, die KI dafür nutzen, kluge und rechtzeitige menschliche Entscheidungen zu verstärken, werden gewinnen.

Wir behandeln KI wie ein unglaublich schnelles Junior-Teammitglied mit perfektem Gedächtnis, aber ohne jegliches strategisches Urteilsvermögen. Sie benötigt Anweisung, Kontext und Kontrolle, übernimmt jedoch alle Fleißaufgaben.



Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Lillian Pierson

Gründerin von Data-Mania

Der Wandel von KI-Werkzeugen zu Orchestrierungssystemen

Das war mein Tech-Stack vor 12 Monaten: Airtable, Notion, ChatGPT, Perplexity, Canva, Google Docs, Fathom, Siri und Loom.

Das ist mein aktueller Stack:

• ​​Claude + benutzerdefiniertes MCP: Mein Haupt-KI-Arbeitsbereich, in dem ich den Großteil meiner strategischen Überlegungen, Content Creation und Entwicklungsarbeit erledige. Durch speziell angepasste Integrationen habe ich Zugriff auf meinen gesamten Kontext und meine Tools an einem Ort.
• n8n: Damit automatisiere ich die lästigen Wiederholungsaufgaben und kann mich auf die eigentliche Strategie konzentrieren, statt Daten zwischen Plattformen zu kopieren oder immer wieder dieselben Follow-Up-Mails zu senden. Außerdem dient es als MCP-Server.
• Airtable: Hier speichere ich meinen gesamten Kontext für MCP. Sobald meine KI-Agenten eine Aufgabe abgeschlossen haben, schreiben sie ihre Ergebnisse automatisch in Airtable. Dort organisiere und speichere ich meine Projektdaten für MCP.
• Notion: Mein zentrales Gehirn für SOPs und Strategievorlagen. Ein Tool für Projektmanagement und Dokumentation – und für alles, was ich nachschlagen oder mit meinem Team teilen möchte.
• Bolt: Wenn ich ein individuelles Tool, eine Landingpage oder einen Prototypen brauche und nicht auf einen Entwickler warten möchte, nutze ich Bolt, um schnell Web-Apps zu bauen, die spezifische Workflow-Probleme lösen.
• Windsurf: Mein bevorzugter Code-Editor, wenn ich individuelle Apps für bestimmte Marketingaufgaben baue. Der Code wird von KI geschrieben, so dass ich mich nicht an der Syntax aufhalten muss.
• ChatGPT: Das nutze ich, wenn ich eine andere Perspektive brauche oder Ideen schnell durchspielen möchte, ohne die Umgebung zu wechseln. Außerdem ist ChatGPT ideal für Deep Research.
• Perplexity: Mein Recherche-Assistent, um aktuelle Marktdaten, Wettbewerbsanalysen und Branchentrends zu sammeln – mit echten Quellen, die ich zitieren kann.
• Gamma: Wenn ich schnell ein Präsentationsdeck erstellen muss, ohne mich in Designfragen zu verlieren, hilft mir Gamma dabei, professionell aussehende Ergebnisse in kürzester Zeit zu gestalten.
• OpenAI AgentKit: Ich experimentiere damit, um benutzerdefinierte KI-Agenten zu bauen, die wiederkehrende Aufgaben übernehmen, ohne dass ich sie jedes Mal manuell auslösen muss.
• Descript: Damit bearbeite ich meine Aufnahmen und Kundenvideos, sodass sie professionell wirken, ohne dass ich Video-Editing-Expertise brauche.
• Canva (kostenlose Marketingsoftware): Mein Gestaltungstool für gebrandete Grafiken, Social Assets und visuelle Elemente – immer dann, wenn es gut aussehen, aber kein vollständiges Design benötigen muss.
• Google Docs: Hier arbeite ich mit Kunden und meinem Team kollaborativ an Entwürfen. Es eignet sich hervorragend für Live-Feedback-Sessions und iterative Strategiearbeit.
• Fathom (Notizen-App): Dies zeichnet meine Kundengespräche auf und erzeugt automatisch Transkripte und Zusammenfassungen, damit ich mich auf das Gespräch konzentrieren kann, statt hektisch mitzuschreiben.
• Loom (Video-Marketingsoftware): Damit präsentiere ich den Großteil meiner Strategien und Website-Audits. So kann ich den Kunden meine Gedanken asynchron erläutern, damit sie sie in ihrem eigenen Tempo ansehen können.

Insgesamt war die größte Veränderung der Wechsel von „Tools“ zu „KI in Orchestrierungssystemen“. Ich habe mich davon entfernt, ChatGPT nur für Inhaltserstellung und Marktrecherche zu verwenden. Heute baue ich vollwertige KI-Agenten, die auf strukturierte Markenkontexte zugreifen und Kampagnen-Assets sowie gebrandete Materialien eigenständig generieren.

Es war sehr hilfreich, all diese verschiedenen Einzel-GPT-Lösungen zu eliminieren. Ich habe 90 % davon in Agenten konsolidiert, die innerhalb von Claude „Projekten“ mit einer passenden Kontextarchitektur gebaut werden, die in Airtable liegt.

Die Claude API war die Investition mit dem höchsten ROI. Claude verfügt über eine eigene MCP zur Erstellung von KI-Agenten, die dynamisch auf strukturierte Markenintelligenz zugreifen können. Nachdem ich Agenten auf mehreren Plattformen gebaut habe, ist dies das Setup, zu dem ich immer wieder zurückkomme — es ist einfach so leistungsstark! Aber es setzt technisches Know-how im Umgang mit APIs und Prompt Engineering voraus.

Ich würde außerdem sagen, dass n8n für Gründer:innen und Projektmanager:innen, die eigene KI-Workflows ohne Programmieren bauen möchten, unterschätzt wird.

Insgesamt war die größte Veränderung der Wechsel von “Tools” zu “KI-Orchestrierungssystemen.



Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Lillian Pierson

Gründerin von Data-Mania

Der ROI agentischer Workflows – und warum sich kontinuierliche Intelligenz mehr lohnt als schnelle Erfolge

Gibt es einen Anwendungsfall für einen agentischen Workflow, dann baue und teile ich ihn. Der ROI agentischer Workflows ist unbestreitbar.

Tatsächlich bin ich neulich bis 2 Uhr morgens wach geblieben, um einen Kurs für LinkedIn zum Agent Kit zu erstellen. In diesem Kurs führe ich die Lernenden durch den Prozess zum Aufbau eines Multi-Agenten-Systems, das eine sechsmonatige Partnerschaftsstrategie in einen robusten täglichen Aktionsplan umwandelt, den ein:e Junior-Marketer:in umsetzen kann.

Was viele Einsteiger:innen aber oft nicht bedenken: Agentische Workflows sind keine „Einrichten und vergessen“-Lösungen. Der ROI ergibt sich aus dem kontinuierlichen Aufbau von Wissen und Intelligenz – nicht aus sofortiger Perfektion. Es wäre ein Fehler, Agenten als magische Lösungen zu betrachten und nicht als Systeme, die laufend weiterentwickelt werden müssen.

Wie Sie mit agentischen Workflows aus Strategie ausführbare Tagesaufgaben machen



Diesen Strategie-zu-Ausführung-Agenten-Workflow habe ich entwickelt, um ein immer wiederkehrendes Problem zu lösen: Ich habe den Kunden umfangreiche Strategiepräsentationen übergeben und anschließend saßen wir beide vor diesem gewaltigen Fahrplan und fragten uns: „Okay, und was mache ich morgen konkret?“

Die Agentenkette zerlegt die Strategie in ausführbare Tagesaufgaben. So funktioniert der Ablauf:

• KI-Projektplaner-Agent: Nimmt den reinen Strategietext meines Deliverables und extrahiert daraus die tatsächlichen Ziele, Prioritäten und Initiativen. Er durchforstet den gesamten Kontext und filtert das Wesentliche heraus.
• Ausführungsplaner-Agent: Nimmt die extrahierten Ziele und ergänzt sie mit Prioritäten, Abhängigkeiten und realistischen Zeitplänen. Hier werden strategische Ideen zu einem echten Fahrplan, dessen Reihenfolge sinnvoll ist.
• Tagesaufgaben-Agent: Wandelt diesen Fahrplan in konkrete Tagesaufgaben um. Nicht „E-Mail-Marketing verbessern", sondern „Willkommens-E-Mail 1 entwerfen, Automatisierungstrigger in n8n einrichten, Betreffvariationen zum Testen schreiben usw.“
• Transform + MCP: Sendet alle Agenten-Ausgaben an Gamma, wo automatisch ein übersichtlich gestalteter, nutzbarer Ausführungsplan entsteht, den die Kund:innen wirklich verwenden können.

Das gesamte System läuft automatisch, sobald ich ein Strategiedokument einspeise. Was früher Stunden mühsamer Detailarbeit bedeutete, erledigt sich jetzt in Minuten – und die Kund:innen erhalten sowohl das strategische Denken als auch einen ganz konkreten Aktionsplan in einem einzigen Deliverable.

Nicht offensichtliche Tipps für Projektmanager:innen bei der Einführung von KI-Workflows

Ich habe drei weniger offensichtliche Ratschläge:

1. Vor dem Automatisieren prüfen. Automatisieren Sie niemals nur nach Gefühl.
2. Stellen Sie Skepsis gegenüber KI ein, nicht Begeisterung. Die besten Leute in meinen Teams hinterfragen die Ausgaben der KI und setzen sich für Validierung ein. Blinde Begeisterung führt zu teuren Fehlern.
3. Dokumentieren Sie Ihre Experimente wie ein:e Wissenschaftler:in. Halten Sie fest, was Sie ausprobiert haben, was funktioniert hat, was nicht und warum. Das wird im Laufe der Zeit zu unbezahlbarem Organisationswissen.
4. Investieren Sie in Kontext: Und das wird kaum thematisiert – die meisten Teams investieren 90 % zu wenig in Kontext-Infrastruktur. Sie geben tausende Euro für KI-Tools aus, aber keine fünf Minuten darauf, ihre Brand Voice, ICP-Sprache, Beweise und Positionierung zu dokumentieren. Ohne diese Grundlage skaliert KI einfach nur Mittelmaß, und das ist Fakt.

Leider werden Sie sich anfangs wahrscheinlich langsamer fühlen, bevor Sie schneller werden, und fragen sich, ob es sich lohnt. Bleiben Sie dran. Die kumulierten Vorteile sind schon nach 6 Wochen unübersehbar.

Der Aufstieg von KI-Systemarchitekt:innen und strategischen Beziehungsmanager:innen

Ich würde sagen, dass meine Rolle im Jahr 2030 aus zwei klar getrennten Aufgabenbereichen bestehen wird:

• KI-Systemarchitekt: Technische Führungskräfte, die KI-Agenten-Ökosysteme aufbauen und verwalten, die die Ausführung übernehmen. Sie benötigen Kenntnisse im Prompt Engineering, Fähigkeiten im Entwurf von Kontextdatenbanken und ein orchestrierendes Systemdenken.
• Strategische Beziehungsmanager: Konzentrieren sich ganz auf alles, was KI nicht kann, wie z. B. die Ausrichtung von Stakeholdern, Markterkundungen, strategische Abwägungen, Entwicklung von Partnerschaften und Aufbau kultureller Narrative.

Das Mittelfeld verschwindet rasch. Aufgabenbasierte Ausführungen werden bereits automatisiert. Was bleibt, sind tiefe technische Expertise (der Aufbau intelligenter Systeme) und tiefgreifende strategische Expertise (Beurteilungen, die umfangreiche Erfahrung erfordern).

Bleiben Sie dran

Sie können Lillian auf LinkedIn folgen oder ihren Convergence-Newsletter abonnieren. Schauen Sie außerdem bei Data-Mania für KI-gestützte Marketinglösungen vorbei.

Sie können sich auch ihre kostenlose Growth Engine Audit Gap Map ansehen und von ihrem LinkedIn Learning-Kursportfolio profitieren.

Weitere Experteninterviews folgen auf The Digital Project Manager!