Jenseits von Prompts: Wie man KI für ein intelligenteres Projektmanagement nutzt

Lesen Sie das Transkript:

Wir probieren aus, unsere Podcasts mit einer Software zu transkribieren. Bitte entschuldigen Sie eventuelle Tippfehler, da der Bot nicht zu 100% korrekt ist.

Galen Low: Du bist jetzt etwa 11 Monate unterwegs mit generativer KI und hast drei Schlussfolgerungen gezogen.

Erstens: Die Fähigkeiten von GenAI sind wirklich beispiellos. Dein Onkel Rastin glaubt ernsthaft, es sei Zauberei.

Zweitens: Generative KI ist ein globales Phänomen. Die Menschen werden so schnell nicht aufhören, darüber zu sprechen – weder auf deinen Abendessen-Partys noch definitiv in deinem LinkedIn-Feed.

Und drittens: Trotz all der Ehrfurcht und Aufregung über generative KI nutzt du sie bisher fast nur für Notizen und ein bisschen Essensplanung.

Wenn du jemand im Projektmanagement bist, der das Gefühl hat, bei KI-Chatbots festzustecken, oder jemanden kennst, dem es so geht, dann ist diese Folge für dich. Wir tauchen ein, wie man seine Denkweise und Reflexe rund um generative KI formen kann, um "GenAI nicht um GenAIs willen" zu nutzen. Wir sprechen darüber, was die Zukunft der KI jenseits des Prompt Engineerings bereithält. Und wir beleuchten, wie ein tieferes Verständnis von KI und KI-Projekten dir vielleicht neue Zweige deiner Karriere erschließen kann, von denen du bisher nichts wusstest. Bereit einzutauchen?

Hallo zusammen, danke fürs Einschalten. Mein Name ist Galen Low von The Digital Project Manager. Wir sind eine Community digitaler Fachkräfte mit der Mission, einander dabei zu helfen, Fähigkeiten zu erwerben, Selbstvertrauen zu entwickeln und sich zu vernetzen, damit wir den Wert des Projektmanagements in einer digitalen Welt verstärken können. Wenn ihr mehr darüber erfahren möchtet, geht auf thedpm.com/membership.

Heute sprechen wir, wenig überraschend, über generative KI, aber auch über Prompt Engineering – und ob Fachleute wie wir vielleicht auf den sprichwörtlichen Finger von Bruce Lee starren, während dieser auf den Mond zeigt. Ich habe eine Expertin eingeladen, die die Fragen beantwortet, was GenAI für das Handwerk des Projektmanagements jenseits von Chat-basierten Oberflächen und Prompts zu bieten hat.

Mit dabei ist heute Kathleen Walch, Director of AI Engagement and Learning beim Project Management Institute und eine anerkannte KI-Vordenkerin und Ausbilderin.

Kathleen, danke, dass du heute hier bist.

Kathleen Walch: Ja, vielen Dank für die Einladung. Ich freue mich schon sehr auf diese Diskussion.

Galen Low: Ich bin so froh, dass du wieder in der Sendung bist. Kathleen war schon einmal bei uns, gemeinsam mit Ron Schmelzer, und wir haben über KI gesprochen. Huch, das ist wohl etwa zwei Jahre her, oder?

Kathleen Walch: Vielleicht. Die Zeit vergeht wirklich schnell, oder?

Galen Low: Es geht so schnell voran. Ich habe über unser damaliges Gespräch nachgedacht: So viel hat sich geändert. Es war damals fast eine Randerscheinung.

KI und Projektmanagement – ja, okay. Jetzt ist es Mainstream. Es ist überall integriert. Alle setzen sich intensiv damit auseinander. Es ist nicht zu übersehen. Und ich freue mich, heute auf deine Expertise zurückgreifen zu können.

Für alle, die dich nicht kennen: Du bist schon lange im KI-Bereich unterwegs und hast die Entwicklung unseres heutigen Verständnisses von KI im professionellen Kontext über die letzten sieben oder acht Jahre verfolgt. Die Veränderungen mögen für viele Neueinsteiger in KI sehr schnell erscheinen. Glaubst du, dass die meisten Fachleute sich vielleicht auf alltägliche Prompts versteifen und das größere Bild der technologischen Möglichkeiten nicht sehen?

Kathleen Walch: Ja, das ist eine gute Frage. Denn du hast recht – ich bin schon lange in diesem Bereich.

Ich sage immer, ich bin schon bei KI, bevor GenAI es cool gemacht hat. Und ich nenne es stets die älteste, neueste Technologie, denn der Begriff wurde offiziell 1956 geprägt – also ist sie über 70 Jahre alt. Dennoch fühlt es sich so neu an. Warum? Es gab bereits zwei vorherige KI-Winter, also Phasen mit weniger Investitionen und sinkendem Interesse.

Das lag oft daran, dass wir zu viel versprochen und zu wenig geliefert haben, was die Technologie leisten kann. Wir sollten KI wirklich als Werkzeug sehen. Es ist nicht für alles gut, aber für bestimmte Dinge – und diese sollten wir nutzen. Nun hat es die generative KI spannend gemacht, weil sie in die Hände aller gelangt ist.

Vor sieben, acht Jahren haben wir schon KI genutzt – ziemlich regelmäßig, es fiel nur nicht auf. Sei es durch Vorhersagefunktionen in E-Mails oder Spamfilter, oder beim Routing mit GPS, Waze oder Google Maps.

Aber es fühlte sich nicht wie KI an, weil sie in Anwendungen eingebettet war, die wir ohnehin schon täglich benutzt haben. Dann kam die generative KI, insbesondere ChatGPT als erstes seiner Art, und brachte sie für alle zugänglich. Das ist, was wir als augmentierte Intelligenz bezeichnen: Sie ersetzt den Menschen nicht, sondern hilft dabei, die eigenen Aufgaben besser zu erledigen.

Man spürt es also täglich. Sie hilft dabei, bessere E-Mails zu schreiben, beim Brainstorming, Übersetzungen, Bildgenerierung für Präsentationen. Die Zusammenarbeit war spürbar und der direkte Nutzen erkennbar. Das hat einen Hype ausgelöst, aber gleichzeitig müssen die Menschen verstehen, dass es ein Werkzeug ist und sie wissen sollten, wann man KI einsetzen sollte – und wann nicht.

Galen Low: Mir gefällt der Gedanke von KI im Hintergrund, und jetzt ist KI wie eine Person, mit der man täglich interagiert und zu der jeder Zugang hat – das neue Trendthema. Deine Aussage, GenAI mache KI populär, fand ich super, vor allem im Kontext der KI-Winter – ausgelöst durch überzogene Versprechen, die Technik konnte einfach noch nicht liefern. Jetzt möglicherweise schon. Wir reden über ChatGPT, große LLMs, aber jetzt im Februar 2025 auch über DeepSeek und andere Technologien, die teilweise auch ohne all das Hype-Technologiepaket auskommen. Ich finde den Ausblick spannend. Aber bei all dem: Jeder hat eine Meinung, alle glauben, sie wissen, was KI kann und denken, sie sei für alles geeignet – was vielleicht nicht stimmt.

Wenn ich das auf Projektmanagement beziehe: Was sind deine Lieblingsanwendungsfälle für GenAI-Chatbasierte Lösungen im Projektmanagement?

Kathleen Walch: Das ist eine sehr gute Frage.

Beim Project Management Institute haben wir viele Lernkurse, die für Mitglieder kostenlos oder für Nicht-Mitglieder recht günstig sind. Dort behandeln wir viele verschiedene Anwendungsfälle. Ich sage immer: Erstellt eine Liste all eurer Schmerzpunkte bzw. Bereiche, in denen ihr Hilfe braucht oder Verbesserungspotenzial seht.

Finde dann heraus, welche dieser Punkte leicht mit einer generativen KI umsetzbar sind. Im Projektmanagement denkt man oft an Meetingnotizen – das ist das Klischeebeispiel. Wenn das ein Schmerzpunkt ist, wie kann KI dabei helfen?

Dafür gibt es bereits viele Tools. Ich sage aber auch: Es ist schön, wenn ein Tool einmalig hilft – etwa bei der Erstellung eines Project Charters. Aber wie oft macht man das pro Projekt? Meist nur einmal. Was hilft dir regelmäßig – täglich oder wöchentlich? Vielleicht die Beteiligung der Stakeholder oder bessere Kommunikation: Wie verfasse ich E-Mails oder Dokumente für verschiedene Zielgruppen? Mal brauche ich eine Managementsummary, mal Kommunikationsmaterial für Stakeholder, interne oder externe Kunden.

Identifiziere diese Schmerzpunkte und setze dort an – da wirst du echten Fortschritt sehen. Und: Üben! Man wird nur besser, indem man es probiert. „Fehlschlag“ beim Prompt Engineering ist minimal; man kann es einfach wiederholen.

Das bringt uns auch zu den Power Skills, wie PMI sie nennt – also Soft Skills. Kritisches Denken, Zusammenarbeit, Kommunikation. Wie kann dir GenAI helfen, besser in diesen Power Skills zu werden – und umgekehrt, wie helfen dir diese Fähigkeiten beim Prompt Engineering? Etwa Kommunikation: GenAI kann helfen, verständlicher zu kommunizieren, E-Mails zu schreiben, den Ton anzupassen, zu kürzen oder zu zusammenzufassen. Deine Kommunikationsfähigkeit wiederum hilft dir, bessere Prompts zu formulieren: Prompt anpassen, Länge verändern, iterativ verbessern.

Mir gefällt also das Wechselspiel, wie GenAI beim Ausbau der Power Skills unterstützt und diese wiederum das Prompt Engineering stärken.

Galen Low: Dazu komme ich später gerne noch mal zurück. Erst wollte ich aber einen Schritt zurückgehen und Kontext schaffen, den nicht alle Hörer:innen kennen.

Während deiner Zeit als Managing Partner bei Cognilytica hast du die CPMAI-Zertifizierung mitentwickelt – ein Projektmanagement-Framework für Fachleute. Ich habe geschrieben – korrigiere mich, wenn ich falsch liege –, dass es für Spezialisten wie Datenwissenschaftler und Analysten in KI-Projekten gemacht wurde.

Und neuerdings ist Cognilytica dem Project Management Institute beigetreten: CPMAI ist nun offiziell Teil der renommierten PMI-Zertifizierungen für Projektmanagement. Wir hatten es gerade von Kursen, PMI, Lernen – magst du erklären, für wen CPMAI heute gemacht ist und worin der Unterschied zu Prompt Engineering-Kursen, etwa dem kostenlosen für PMI-Mitglieder, liegt oder Kursen auf Udemy? Was macht das CPMAI-Zertifikat so besonders?

Kathleen Walch: Das ist eine tolle Frage. Die CPMAI-Zertifizierung – ich erkläre das immer als zwei Seiten einer Medaille. 95 Prozent der Diskussionen drehen sich um die Frage: Wie kann ich KI-Tools nutzen, um meine Arbeit besser zu machen?

Es gibt unzählige Tools. Die Leute fragen mich ständig, welches das beste ist – ich sage immer: Es kommt darauf an, was du machen willst. Täglich erscheinen neue Tools. Was immer du tun willst: Es gibt ein Tool dafür, du musst lernen, es einzusetzen und besser zu werden.

Und das ist der Fokus des Großteils der Diskussionen sowie vieler E-Learnings bei PMI. Wir bieten Kurse zu generativer KI, Datenlandschaft für KI, Prompt Engineering, Anwendungen von KI usw. – also wie man diese Tools als Projektmanager einsetzt.

Das ist super und hilft, die eigene Arbeit zu verbessern. Aber jetzt zur anderen Seite: Als Projektmanager:in oder Projektexperte – oder projektnahe Rolle wie Data Scientist, Data Engineer, ML Engineer und so weiter – wirst du damit beauftragt, ein KI-Projekt zu leiten oder zu managen.

Und da müssen wir verstehen: KI-Projekte sind Datenprojekte. Du brauchst daten-zentrierte Methoden. Wer es wie klassische Softwareentwicklung angeht, merkt schnell, dass das die falsche Herangehensweise ist, das Risiko des Scheiterns steigt.

Deshalb haben wir damals die CPMAI-Methodik entwickelt. Organisationen – damals, vor sieben, acht Jahren, noch vor generativer KI – standen vor der Aufgabe, diese Systeme von Grund auf zu bauen, Algorithmen auszuwählen und Datenanforderungen zu erheben. Vieles davon gilt auch heute noch. Sie fragten uns: Wo fangen wir an? Es gab keinen Fahrplan. Also haben wir mit einer großen Bank und einer staatlichen Institution die CPMAI-Methodik entwickelt, als Schritt-für-Schritt-Anleitung.

Seit September 2024 ist CPMAI nun offiziell Teil der PMI-Zertifizierungen, was großartig ist. Sie richtet sich schon immer an Projektmanager, Projektprofis, Produktmanager – aber auch an „project-adjacents“. Beispiel: Mein Mann ist seit zwei Jahrzehnten Softwareentwickler. Manchmal muss er Projekte managen. Er sieht sich nie als Projektmanager – Softwareentwickler ist sein Selbstbild. Aber er übernimmt diese Rolle. Gerade bei KI-Projekten werden häufig Menschen ohne klassische Projektmanagement-Identität als Projektmanager eingesetzt.

Die Zertifizierung ist also für alle, die in dieses Raster passen.

Galen Low: Dass du das damals mit einer Bank und einer staatlichen Institution entwickelt hast, ist spannend. Beim Unterschied zwischen Software- und Datenprojekten – vor allem mit den Datenmengen von Banken oder Behörden, ist das eine ernste Sache. Mir wird klar, dass hier andere Herangehensweisen nötig sind als beim klassischen Softwareprojekt. Ein ganzes Team sollte das verstehen, auch aus ethischer Sicht, bei hohem Tempo und sich wandelnder Unternehmenskultur. Ich finde es super, dass CPMAI vermittelt, wie man Datenprojekte mit KI oder ML zum Erfolg führt, denn herkömmliche Methoden reichen oft nicht.

Man stößt schnell an Grenzen, auf die man sich besser vorbereitet hätte.

Kathleen Walch: Ja, ich sage auch gern: Bei Softwareprojekten ist der Code das Wichtigste – den gibt man nicht heraus, das ist das Herzstück.

Bei KI-Projekten ist es aber die Daten. Den Code könnte man abgeben, ist aber nebensächlich. Die Daten sind entscheidend, sie machen das Projekt aus. „Garbage in, garbage out.“ Das hilft beim Umdenken – gerade für Projektnahe, die verstehen müssen: Nicht der Code, sondern die Daten stehen im Mittelpunkt. Daher braucht es eine daten-zentrierte Methodik.

Galen Low: Ich könnte jetzt viele Nebenwege beschreiten – die Erkenntnis, dass Daten wichtiger als Code sind, war auch für mich ein Aha-Erlebnis.

Lass uns zurück zum Thema Karriere und Zertifizierungen kommen: Viele in meiner Community schätzen die PMP-Zertifizierung als wichtige Referenz im Lebenslauf, um die eigene Profession zu unterstreichen. Jetzt gibt es CPMAI zusätzlich – suchen Arbeitgeber im KI-Softwareumfeld schon gezielt nach diesem Nachweis oder ist das eher etwas, das in der Praxis auf dem Job hilft? Macht es einen Unterschied für Projektmanager?

Kathleen Walch: Ja, absolut! Es ist genau dafür da. Die PMP ist der Goldstandard bei PMI. Und wir arbeiten daran, weitere Zertifizierungen – wie CPMAI – ebenfalls zu Goldstandards zu machen. Das Zertifikat signalisiert Arbeitgebern: Du kannst KI-Projekte führen und managen, bist im Vokabular, in den Möglichkeiten und Grenzen von KI, den sechs CPMAI-Phasen und dem daten-zentrierten Vorgehen geschult.

Zu oft haben Unternehmen keinen Plan – das liegt am schnellen Wandel, am FOMO, an der Konkurrenzsituation. CPMAI bietet einen planmäßigen, schrittweisen Ansatz. Phase Eins beginnt mit Business Understanding: Welches Problem lösen wir? Klingt einfach, wird aber oft übersprungen.

Dann folgt das AI-go-no-go: Datenmachbarkeit, Geschäftsmachbarkeit, technischer Machbarkeit – wie Ampeln. Ist alles grün, stehen die Erfolgschancen gut. Bei gelb oder rot steigt das Risiko und man sollte vorsichtig sein.

Auch der ROI muss betrachtet werden – wird er nicht gemessen, bleiben selbst technische Erfolge am Ende manchmal ein Verlustgeschäft. CPMAI hilft, solche Fehler zu vermeiden und signalisiert: Dieses Knowhow ist da.

Galen Low: Nebenbei – falls jemand das CPMAI im Vorstellungsgespräch erklären muss, kann man einfach Kathleens Antwort transkribieren und benutzen. Das war die klarste Erklärung, die ich je gehört habe!

Manches klingt nach gesundem Menschenverstand – aber bei der Geschwindigkeit des Fortschritts und dem Wettbewerbsdruck geraten Unternehmen schnell ins Handeln, ohne zu wissen warum. Das CPMAI-Framework setzt da klare Leitplanken.

Ich bin neugierig, denn wir Projektmanager lieben Frameworks, Methoden und Zertifikate – manchmal zu sehr: Es entstehen regelrechte „Lager“, jedes mit seinem Ansatz. Kommt das auch bei CPMAI-Teilnehmenden vor? Kämpfen sie intern um die Implementierung deiner Methodik?

Kathleen Walch: Die, die es machen, sehen natürlich den Wert. Aber ja, sie müssen das im Unternehmen durchsetzen. Predictive, Wasserfall, Hybrid, Agil – wie auch immer: Für KI-Projekte braucht es meist einen iterativen, agilen Ansatz. Das merken oft genau die, die nach mehreren gescheiterten Versuchen eine neue Methode suchen. Viele stoßen auf CPMAI, weil andere Ansätze ab einem gewissen Punkt nicht mehr greifen.

Andere kommen aus Eigeninitiative, weil sie in das Feld einsteigen wollen. Man braucht übrigens kein Vorwissen oder Projekte um teilnehmen zu können – was ein Vorteil gegenüber dem PMP ist und als Einstieg hilft. CPMAI setzt auch bei der Terminologie an, was Teams wiederum hilft, sich abzustimmen.

Galen Low: Es gefällt mir, wie du das einordnest: Ich habe es als Methodik bezeichnet, aber eigentlich ergänzt es die eigene Arbeitsweise um wichtige Überlegungen und Schritte, die integriert werden können.

Kathleen Walch: Es ist tatsächlich ein Methodik-Framework mit sechs Phasen. Man darf sich vom Begriff nicht zu sehr irritieren lassen. Es ist iterativ, man kann zurückspringen, falls nötig: Beginn mit Business Understanding, dann folgt Data Understanding – woher kommen die Daten, sind sie intern oder extern, habe ich Zugriff? Dann die Datenbereinigung (Data Cleaning) – nie sind die Daten sauber, besonders bei unstrukturierten Daten. Erst danach Modell-Entwicklung, was viele zu früh beginnen und daher die wichtigen Schritte davor überspringen. Anschließend Testen: Funktioniert es wie erwartet? Das wird oft vernachlässigt – dann läuft das Modell aus dem Ruder („halluziniert“ oder liefert schlechte Performance). Zuletzt Operationalisierung – der echte Rollout. Die Iterationen sollten jeweils etwa zwei Wochen dauern, wie ein Sprint, keinesfalls sieben oder zwölf Monate (Wasserfall-Ansatz). In so langer Zeit ändert sich die Welt wieder! Das größte Hindernis ist meist die Datenbeschaffung: Wer schon früh klein und fokussiert beginnt („Think big, start small, iterate“) und schnellen, messbaren Fortschritt zeigt, wird Erfolg haben. Viele geben in Phase zwei – aufgrund des Datenthemas – sonst zu früh auf.

Galen Low: Der „Project Winter“ ...

Kathleen Walch: Genau. Viele geben entmutigt auf.

Galen Low: Ich wollte dich fragen, wie sich „wonky“ äußert, aber du hast es schon erklärt: Halluzinationen, schlechte Performance, Problem oft schon ganz am Anfang bei den Daten – sicherlich im Bereich Datenqualität.

Kathleen Walch: Genau! Zugriff, Qualität und Menge. Viele denken, mehr Daten ist immer besser. Das stimmt nicht immer, denn dann trainiert man eventuell auf Rauschen. Daten sind nicht gratis – es kostet, sie zu bereinigen und zu verarbeiten. Mehr ist also nicht immer besser.

Galen Low: Faszinierend! Ich habe mit der Frage begonnen, was jenseits von Prompt Engineering liegt, und festgestellt: Viele Projektmanager aus Software, Digital oder IT sehen sich noch nicht alle in der Welt der Datenprojekte, ML-Projekte, auch wenn dort extrem viel passiert – oft von Leuten durchgeführt, die sich gar nicht explizit als Projektmanager sehen. Die Möglichkeiten sind inspirierend.

Kathleen Walch: Ja, Bildung ist günstig, Fehler dagegen teuer. Die CPMAI-Ausbildung ist im Vergleich wirklich preiswert. Ich sage immer: Das ist ein „Sowohl-als-auch“. Habt euer PMP und CPMAI. Es spricht nichts gegen verschiedene Methoden – wichtig ist nur, Schritt für Schritt zu arbeiten und sie für die Organisation anzupassen.

Galen Low: Super! Wir haben mit dem Thema Prompting begonnen – also Use Cases mit Chat-basierten Interfaces wie ChatGPT, Gemini, Copilot, Claude, Perplexity, DeepSeek usw. Aber es gibt eine viel größere Welt dahinter.

Was kommt als Nächstes für KI in unserem Berufsalltag als Projektmanager? Wie kann jemand wie ich da Schritt halten?

Kathleen Walch: Das ist eine gute Frage. Es gibt den Spruch: „KI wird deinen Job nicht ersetzen, aber jemand, der KI kennt, wird deinen Job ersetzen.“ Sie ist also gekommen, um zu bleiben. Wir hoffen, dass wir die kritische Schwelle überschritten haben (kein weiterer KI-Winter).

Für mich steht „Augmented Intelligence“ im Mittelpunkt. Wie kann ich die KI nutzen, um nicht ersetzt zu werden, sondern meinen Job besser zu machen? Aufgaben oder Rollen ersetzen, aber nicht den Menschen. Viele Projektprofis machen sich Sorgen darum, aber je mehr Projekte Künstliche Intelligenz enthalten, desto mehr braucht es Projektmanager und entsprechende Skills.

Wo anfangen? Mache eine Liste mit allem, was dich nervt (und eine zweite mit dem, was dir Spaß macht – damit du nicht ausgerechnet das wegrationalisierst). Schau dann auf Community-Angebote. Bei PMI gibt es viele Lernressourcen. Intern kannst du „Prompt-Libraries“ einführen, um Prompts unter Kollegen zu teilen – sie sind selten unternehmenskritisch und sollten geteilt werden. Notiere, welches Prompt auf welcher Plattform und wann – denn Prompts entwickeln sich. Testen, iterieren.

Gemeinschaft und Austausch helfen enorm. Manche Organisationen setzen bereits voll auf KI. Wenn dies nicht der Fall ist, suche nach kleinen Schritten, um iterativ voranzugehen. Wende dich bei PMI an die Community, nimm an Chapter-Treffen teil oder tausche dich sogar organisationsübergreifend aus. Wer nicht lernt, bleibt zurück und hat Angst, die Tools zu verwenden. Keine Hemmungen – Fragen stellen ist der beste Weg zum Lernen.

Galen Low: Ich mag die Idee der Prompt-Bibliothek und des Teilens. Wissen teilen bringt die Menschen voran. Die Technologie schreitet schnell voran, aber Menschen müssen Schritt halten – durch Wissensaustausch.

Kathleen Walch: Teilen heißt Fürsorge.

Galen Low: Toller Spruch! Ich habe zwei Abschlussfragen:

Wir sprechen darüber, Listen zu machen, GenAI-Tools zum eigenen Vorteil zu nutzen, das eigene Berufsleben zu unterstützen. Für mich ist das völlig normal geworden – die schreibbasierten Interfaces sind natürliche Sprachverarbeitung in ungekanntem Ausmaß. Auf der anderen Seite denke ich: Ist es nicht auch nur ein ausgefeilter Taschenspielertrick, der Sprache remixt und wir projizieren buchstäblich unser „Oh mein Gott, das ist ein denkendes Wesen“-Gefühl darauf?

Verkaufen wir uns also zu kurz, wenn wir KI nicht ausreichend nutzen? Oder besteht die Gefahr, ihr zu viel zuzutrauen, sie als magisch zu betrachten und falsch einzusetzen? Ist das gefährlich oder inspirierend?

Kathleen Walch: Gefährlich. Denn es führt zu Überversprechen und zu wenig Leistung. 2019 haben wir gesehen: KI ist ein Überbegriff und mit LLMs, Chatbots usw. meinen viele, KI könne alles und versuchen, sie für alles einzusetzen. Scheitert sie daran, ist die Enttäuschung groß: „Warum löst sie diese Matheaufgabe nicht, warum kann sie das nicht?“ Wir müssen genau wissen, was KI leisten kann. Also haben wir Hunderte, wenn nicht Tausende Anwendungsfälle untersucht und das Konzept der „Sieben Muster von KI“ entwickelt:

Hyperpersonalisierung – individuelles Ansprechen, etwa in Marketing, Bildung, Gesundheitswesen oder Finanzen; heiß diskutiert bei individualisiertem Lernen. Erkennung – Verarbeitung unstrukturierter Daten, etwa bei Bilderkennung, Audioerkennung, Gestenerkennung. Vorhersage & Entscheidungsunterstützung – aktuelle und historische Daten helfen, bessere Entscheidungen zu treffen. Muster und Anomalien – das Erkennen von Trends und Ausreißern in großen Datenmengen, z. B. zur Betrugserkennung. Zielorientierte Systeme – vor allem Reinforcement Learning und Optimierung. Autonomes Muster – entferne Menschen aus dem Prozess, z. B. autonome Fahrzeuge, Lieferroboter oder autonome Geschäftsprozesse. Unterschied zu Automation: Automation ist einfaches Wiederholen, aber keine Intelligenz! Bei Ausnahmen braucht es den Menschen. Bei „Agentic AI“ (agentischer KI) wird dies bald spannend ... Konversationales Muster – Mensch-Maschine-Kommunikation in menschlicher Sprache, hier finden sich LLMs und Chatbots. Doch dies ist nur EIN Muster! Im ersten Schritt des CPMAI (Business Understanding) prüfen wir dies auch: Wo ist KI sinnvoll einzusetzen? LLMs ersetzen nicht jede andere KI-Anwendung!

Galen Low: Danke für diesen Crashkurs! Das bringt vieles auf den Punkt. Und das leitet prima zu meiner letzten Frage über:

Was, wenn KI nicht nur hilft, sondern wirklich eigenständig agiert? Du hast „Agentic“, „Autonom“ genannt, das ist aktuell Thema – eine Welt, in der KI selbstständig handelt, ohne dass wir ständig via Chat fragen. Was bedeutet das für das Projektmanagement oder überhaupt unsere Welt? Sind Sorgen berechtigt oder wird AGI überschätzt?

Kathleen Walch: Entscheidend ist zu verstehen: Wir sind noch bei Narrow AI. Wir wenden ein oder mehrere dieser sieben Muster an, aber wir sind noch weit entfernt von AGI (Künstlicher Allgemeiner Intelligenz). Die Maschinen haben noch kein echtes „Reasoning“. Ich erkläre das gern mit der DIKUW-Pyramide:

Data (Daten) ist die Basis – alleine nicht nutzbar; mit Analysis Folgen Information. K = Knowledge, hier kommen ML-Modelle zum Einsatz. U = Understanding, also maschinelles Schlussfolgern – das fehlt uns noch. W = Wisdom. AGI wäre an der Spitze. Experten sind uneinig: Manche meinen, es ist noch ein Jahrzehnt entfernt, andere ein Jahr, andere nie.

Aktuell bleibt es bei Narrow AI, und neue Begriffe wie „Agentic AI“ gewinnen an Bedeutung, werden auch bei PMI (z.B. in unserem Tool Infinity) bald kommen – aber eine eindeutige Definition gibt es noch nicht. Ist sie autonom, augmentiert, automatisiert? Das ist noch offen. Die Entwicklung ist rasant – was im Februar 2025 gilt, könnte im Juni 2025 schon überholt sein. Technische Durchbrüche und neue Plattformen wie DeepSeek bieten ständig Neues. Die Frage ist also: Wie übernehmen Projektprofis agentische KI ins tägliche Arbeiten? Wie setzt die Organisation sie ein? Vertrauen, Ethik und Verantwortung sind wichtig: Datenschutz, Governance. Es bleibt spannend und auch überwältigend. Wo anfangen? Lernen und Tun täglich, so wird es zur Routine. Nie mehr mit einem leeren Blatt starten! Lasst die KI euch einen Entwurf erstellen, den ihr weiterbearbeitet – Übung macht den Reflex.

Galen Low: Das Mindset und der Reflex ... Kathleen, dieses Gespräch war wirklich inspirierend!

Ich habe noch nie in einer Folge so viele Notizen gemacht – im positiven Sinn, zum eigenen Lernen, nicht zum Nachbearbeiten. PMI kann sich glücklich schätzen, dich zu haben. Ich bin gespannt auf die Zukunft und wir sollten uns spätestens im Februar 2026 für einen Vorher-Nachher-Vergleich wiedersehen.

Kathleen Walch: Ja, die Entwicklungen gehen so schnell. Viele fragen, wo wir in einem Jahr, fünf Jahren stehen. Ich frage eher: Wo sind wir in einem Monat?

Galen Low: Fantastisch. Wo findet man mehr Infos zur CPMAI-Zertifizierung?

Kathleen Walch: Auf PMI.org findest du alles. Außerdem habe ich den Podcast AI Today, dort reden wir über CPMAI. Aktuell läuft eine Use-Case-Serie, es ist jetzt ein offizieller PMI-Podcast. Alles wird gerade integriert – Übernahmen brauchen Zeit. Auch auf LinkedIn findet ihr mich, Kathleen Walch, und PMI Cognilytica.

Galen Low: Super, ich verlinke alles in den Shownotes.

Kathleen, vielen Dank, dass du heute dabei warst. Es hat richtig Spaß gemacht.

Kathleen Walch: Danke, Galen, ich spreche immer gerne mit dir.

Galen Low: So Leute, das war‘s. Wenn ihr mit mehr als tausend gleichgesinnten Projektmanagement-Champions diskutieren möchtet, kommt in unser Kollektiv unter thedpm.com/membership. Wenn euch die Folge gefallen hat, abonniert uns und bleibt in Kontakt auf thedigitalprojectmanager.com. Bis zum nächsten Mal – danke fürs Zuhören.