KI-Projekte erfolgreich umsetzen

Lesen Sie das Transkript:

Wir testen aktuell das Transkribieren unserer Podcasts mit einer Software. Bitte entschuldigen Sie eventuelle Tippfehler, die Maschine ist nicht zu 100% fehlerfrei.

Galen Low: Sie haben wieder diese Träume, nicht wahr? Die, in denen jedes andere Mitglied Ihres PM-Teams ein Cyborg ist? Oder der Traum, in dem das KI-Produkt Ihres Teams ein eigenes Bewusstsein erlangt und die Menschheit versklavt?

Entspannen Sie sich.

Künstliche Intelligenz ist heutzutage ein heißes Thema, aber gibt es in irgendeiner Form schon seit Jahrzehnten. Und Sie begegnet ihr überall: Sie schlägt Formulierungen für Ihre E-Mails vor, empfiehlt Ihnen Videos oder findet die beste Route zur Arbeit.

Aber ja, Projekte, die KI beinhalten, zu leiten, ist eine große Verantwortung – und offen gesagt, eine Unausweichlichkeit. Wie bei jeder sich rasant entwickelnden Technologie ist nicht jedes Projekt zum Erfolg verdammt. Der Druck, den Sie spüren, ist also realistisch und berechtigt.

Wenn Sie versuchen, die Bedeutung Künstlicher Intelligenz und deren Auswirkungen auf das digitale Projektmanagement zu verstehen, ist unsere heutige Folge genau richtig für Sie. Wir tauchen heute ein in die Gründe, warum KI-Projekte scheitern, und was wir als Projektmanager tun können, um KI-Projekten die besten Erfolgschancen zu bieten.

Hallo an alle, danke fürs Einschalten. Mein Name ist Galen Low von The Digital Project Manager. Wir sind eine Gemeinschaft digitaler Experten, die sich gegenseitig hilft, Kompetenzen zu erlangen, Selbstvertrauen zu stärken und sich zu vernetzen, um den Wert des Projektmanagements in einer digitalen Welt zu steigern. Wenn Sie mehr darüber erfahren möchten, besuchen Sie thedigitalprojectmanager.com.

Heute sprechen wir über Projekte, die Künstliche Intelligenz beinhalten, und wie agile Methoden helfen können, einige der Komplexitäten bei der Entwicklung eines KI-basierten Produkts zu navigieren.

Mit dabei sind heute Kathleen Walch und Ron Schmelzer, geschäftsführende Partner und leitende Analysten von Cognilytica sowie Gastgeber des Podcasts AI Today – ein Podcast, der sich praxisnahen Einblicken in die Welt der Künstlichen Intelligenz widmet.

Kathleen, Ronald, herzlich willkommen!

Ronald Schmelzer: Danke, dass wir hier sein dürfen.

Kathleen Walch: Ja, wir freuen uns sehr, hier zu sein.

Galen Low: Es ist großartig, euch in der Sendung zu haben. Für die Zuhörer: Wir haben uns gerade erst über Podcasts geekig ausgetauscht, da Ron und Kathleen ja schon seit etwa sechs Jahren über KI podcasten.

Kathleen Walch: Ja, ziemlich genau.

Galen Low: Ich habe also all ihre Tipps und Tricks aufgesaugt und fühle mich ein wenig unter Druck gesetzt.

Ich bin etwas unsicher, aber ich dachte, wir steigen direkt ein. KI ist derzeit ein sehr spannendes Thema im Projektmanagement – vielleicht sogar weltweit. Euer Podcast hat viele Zuhörer, alle wollen am Puls der Zeit bleiben, bei etwas, das sich so schnell bewegt und eher missverstanden wird.

Bevor wir einsteigen, könnt ihr uns erzählen, wie Cognilytica entstanden ist und wie ihr Menschen dabei unterstützt, sich im Feld der künstlichen Intelligenz zurechtzufinden?

Kathleen Walch: Gerne. Cognilytica gibt es etwa so lange wie unseren Podcast, also seit 2017. Entstanden ist es, weil Ron und ich zuvor bei einer Firma namens Tech Breakfast zusammengearbeitet haben, bei einem morgendlichen Demo-Event.

Sehr unternehmerisch, nicht exklusiv auf KI fokussiert, sondern auf Technologie im Allgemeinen. Ziel war es, zu zeigen, was in den verschiedenen Regionen der USA gerade passiert. Wir waren in etwa 12 Städten vertreten, von Boston bis New York, im DC-Gebiet, Nordvirginia, Maryland, in Texas, North Carolina und auch im Silicon Valley.

Von Tech Breakfast aus haben wir ein großes Interesse an Sprachtechnologien erkannt. So begann die Entstehung von Cognilytica, ursprünglich als KI-fokussiertes Beratungs- und Bildungsunternehmen. Wir haben schnell erkannt, dass KI-Projekte oft nicht richtig durchgeführt werden und es eine hohe Misserfolgsquote gibt. Der Begriff Künstliche Intelligenz wurde 1956 geprägt und das Konzept gibt es mittlerweile seit Jahrzehnten, auch wenn es sich immer noch neu anfühlt. Gerade in den letzten zehn Jahren ist KI im Mainstream angekommen und wird inzwischen tagtäglich genutzt – mit Sprachassistenten, dem Smartphone oder Gesichtserkennungstechnologien.

Wir stellten fest, dass viele KI-Projekte falsch umgesetzt wurden. Unser Podcast hat daher eine eigene KI-Failures-Serie, in der wir auf häufige Gründe für das Scheitern von KI-Projekten eingehen.

Das betrifft zum Beispiel Datenqualität, Datenmengenprobleme, fehlenden Investitionsnutzen oder die Tendenz, KI nur um der KI willen einzusetzen. Ein weiterer Grund ist das Überversprechen und Unterliefern von Ergebnissen: Es wird zu viel versprochen, die Technologie wird gehypt, und dann ist das Projekt jenseits des Machbaren.

Wir sagten daher: Wir brauchen eine grundsätzliche Ausbildung in diesem Bereich – inklusive der Vermittlung von Best-Practice-Methoden. Ich übergebe das Wort an Ron.

Ronald Schmelzer: Fantastische Einführung.

Ich bin Ron Schmelzer, ebenfalls geschäftsführender Partner bei Cognilytica. Ein Grund, warum unser Podcast großen Anklang findet, ist sicher auch, dass wir viel Zeit auf Konzepte, Erklärungen und Terminologie verwenden.

Vieles ist tatsächlich verwirrend – teils vielleicht sogar absichtlich. Wir verwenden für verschiedene Dinge die gleichen Begriffe und umgekehrt. Denn Künstliche Intelligenz besteht eigentlich aus einer Vielzahl von teils verbundenen, teils unterschiedlichen Communities – Robotik, Steuerungssysteme, Statistik, Linguistik, Kybernetik, usw.

Jeder bringt eigene Begriffe ein, aber niemand löst wirklich das Namensproblem. Dazu kommt: Große Unternehmen wie Microsoft, Amazon, Google, Facebook heuern inzwischen KI-Forscher an, die plötzlich große Projekte verantworten. Kathleen hat bereits unsere Bildungsangebote erwähnt – wir haben sehr früh KI-Schulungen bei Cognilytica angeboten, etwa „Grundlagen Künstlicher Intelligenz“ und Anwendungen von KI.

Das kam gut an, wir schulen heute Länder und Unternehmen weltweit. Sie denken, sie wissen nach all den Jahren Bescheid. Dann stellt man fest, dass es oft doch an Grundlagen fehlt. Dort setzt unsere Methodik an. Denn viele dieser Organisationen machen immer wieder die gleichen Fehler. Es liegt nicht an mangelndem Intellekt, ihre Teams sind hochqualifiziert. Die „Geheimzutat“ ist aber ein guter Projektmanager – und deshalb sind wir hier.

Galen Low: Es ist spannend, dass KI ihren Ursprung schon in den 1950er-Jahren hat. Vieles kommt aus Science Fiction und wird dann Realität. Also: Warum scheitern KI-Projekte? Wenn wir über Teleportation sprechen – ein Begriff aus der Fiktion – wird ja auch geforscht: Aber warum? Was ist der geschäftliche Nutzen davon? Wie bringen wir so eine Technologie in die Anwendung?

Ronald Schmelzer: Genau, aktuell gab es gerade eine Nachricht – ein autonomes Fahrzeugunternehmen, milliardenschwer, hat zugemacht. Argo wurde aufgegeben, 2000 Leute entlassen, Verkauf an Ford und VW. Artikel meinen: „Vielleicht ist der Hype um autonome Fahrzeuge vorbei.“ Es fehlt der „Fahrer“, im Sinne von: Es fehlt auch ein wirtschaftlicher Antrieb. Es reicht nicht, nur der Suche nach der Lösung zu folgen, es braucht konkret einen geschäftlichen Treiber.

Galen Low: Das ist ein gutes Bild. Viele denken bei KI-Projekten an autonome Fahrzeuge, Chatbots oder Sprachroboter. Aber KI ist viel mehr. Können wir für unsere Hörer kurz einordnen: Um was für Projekte geht es, wenn wir von KI sprechen? Was sind weitere Beispiele?

Kathleen Walch: Genau das war auch unsere Herausforderung. Jeder versteht unter KI etwas anderes: Die einen meinen Chatbots, andere autonome Fahrzeuge. Wir entwickelten daher die sieben Muster der Künstlichen Intelligenz („seven patterns of AI“). Alle Projekte, die wir gesehen haben, fallen in eines oder mehrere dieser Muster.

Auf hohem Niveau sind das: Konversationelle Systeme (Computer und Menschen kommunizieren, samt maschineller Übersetzung), autonome Systeme (Automatisierung menschlicher Aktivitäten – wie autonome Fahrzeuge oder Software), Erkennung (besonders Erschließung unstrukturierter Daten, z.B. Gesichtserkennung), zielgesteuerte Systeme (z.B. Reinforcement Learning, optimale Wege durch ein Labyrinth – wie beim Spielen), Muster- und Anomalieerkennung (Auffinden von Mustern und Ausreißern in Daten), Hyper-Personalisierung (individuelle Ansprache statt Gruppeneinteilung, etwa in der Werbung oder personalisierter Medizin) und prädiktive Analysen (Prognosen auf Basis vergangener und aktueller Daten).

Dieses Framework hilft, Projekte richtig einzuordnen und schneller zur Projektdefinition zu kommen: Welche Daten brauche ich, welche Algorithmen, wer gehört ins Team?

Galen Low: Ich mag das Wort Muster – ursprünglich dachte ich an Datenmuster, aber eigentlich ist es eher wie bei Schnittmustern in der Schneiderei: Das Muster für ein Kleid ist was anderes als für eine Hose und gibt die Richtung vor. Sehe ich das richtig?

Ronald Schmelzer: Genau, im Englischen ist „pattern“ so ein vielseitiges Wort. Manchmal denke ich auch an einen Keks-Ausstecher, weil das unsere maschinellen Lernverfahren abbildet. Das Muster ist essenziell, weil ein Sprachmodell nicht für die Bilderkennung geeignet ist. Ziel von „Artificial General Intelligence“ ist ja gerade, dass alles in einem System abgedeckt wird – so wie das menschliche Gehirn. Aber das können wir noch nicht. Wir arbeiten aktuell daran, für „Narrow AI“ Einzelmuster/Einzelfähigkeiten zu lösen.

Deshalb ist der Vergleich mit verschiedenen Kleidungsstücken nicht schlecht. Sie nähen entweder Kleidung oder – was ganz anderes – und so ist auch KI in speziellen Bereichen noch jeweils eigenständig.

Galen Low: Das macht es umso spannender; wir bauen das Gehirn Stück für Stück nach – das Streben nach AGI ist im Grunde ein Versuch, herauszufinden, wie ein Gehirn entsteht.

Eine Sache von vorher: Wo liegen die Unterschiede beim Management von KI-Projekten im Vergleich zu klassischen (digitalen) Projekten? Was sind die wichtigsten Eigenschaften, die Projektmanager beachten müssen?

Ronald Schmelzer: Tolle Frage! Tatsächlich scheitern etwa 70-80 % aller KI-Projekte – sie werden eingestellt, Firmen machen zu, Leute werden entlassen. Oft liegt der Grund in grundlegenden Projektmanagement-Problemen. Zwei Dinge sind entscheidend: KI/Data-Leute kennen oft kein Projektmanagement. Und Projektmanager behandeln KI-Projekte zu sehr wie gewöhnliche digitale Projekte. Doch es gibt einen großen Unterschied: KI-Projekte sind zu 100 % abhängig von Daten. Klassische Software funktioniert auch ohne Daten oder verändert sich nicht, wenn neue Daten einfließen. Bei Maschinellem Lernen basiert alles auf den Trainingsdaten. Beispiel Tay-Bot von Microsoft: Offen fürs Internet trainieren lassen – katastrophal. Man muss KI-Projekte daten-zentriert steuern. Kathleen, was bedeutet das konkret?

Kathleen Walch: Richtig. Für daten-zentrierte Projekte braucht man das richtige Mindset und spezielle Methoden. Viele zogen die klassischen SW-Ansätze durch – das scheiterte regelmäßig. Wir empfehlen deshalb die CPMAI-Methodik (Cognitive Project Management for AI). Häufig besteht Verwirrung: Beginnt man mit dem Business- oder Datenverständnis? Daten sind zentral, aber zuerst muss das Business-Ziel klar sein. Wer einfach nur KI macht, weil es trendy ist, verschwendet Ressourcen. Wenn das Investment keinen Ertrag bringt, war es das meist mit weiteren KI-Initiativen – und das ist ein häufiger Grund fürs Scheitern.

Galen Low: Das ist symptomatisch für viele Disziplinen: „Tunnelblick“ auf die Methode statt aufs große Ganze. PMOs setzen Projektleiter auf Projekte, als wäre Bearbeitung unabhängig vom spezifischen Gebiet. Doch KI fordert mehr Neugier auf den Kontext, Vergleichsdaten und Strategie – und das ist entscheidend.

Sowohl Data Scientists als auch PMs verlieren ohne diese Kontextkenntnis den Überblick fürs große Ganze – besonders wenn sich Geschäftsziele und Technologien ständig ändern. Ohne Verständnis für das Umfeld machen Sie 'einfach ihren Job', bis er plötzlich abgebrochen wird, und alle wundern sich warum.

Ronald Schmelzer: Das sieht man auch bei „Big Data“-Projekten ganz ohne KI. Oft heißt es: „Wenn ich die Daten habe, kann ich ein Modell bauen.“ Aber zuvor: Hat jemand die Daten überhaupt schon gesichtet? Häufig beginnt das Projekt, ohne dass die Daten geprüft wurden – und plötzlich fehlt die Hälfte, ist qualitativ schlecht oder Datenschutzprobleme stehen im Raum. Daraus werden schnell riesige Nachfolgeprojekte für Datenbereinigung, -anreicherung etc., die gar nicht eingeplant waren. Beispiel Walmart: Regal-Scanner-Roboter, Millionen investiert – am Ende eingestellt. Wir sagen: „Groß denken, klein starten, oft iterieren.“ Warum nicht erst kleine Datensätze und Teillösungen ausprobieren? Die Mustertrennung (Erkennung vs. autonome Steuerung) hilft dabei.

Galen Low: Die Messlatte für KI-Projekte ist enorm hoch – viele meinen, es müsse gleich der vollumfängliche Roboter sein, doch der erste Schritt könnte einfach ein Rezeptvorschlag sein. Agilität ist gefragt! Aber wo stößt Agile in KI-Projekten an Grenzen?

Kathleen Walch: Viele Organisationen wollen „agil“ sein, sind es aber praktisch nicht („wagile“ – Mischung aus Wasserfall und Agile). Zahlreiche Projekte dauern zu lange. Agile ist hilfreich, aber wir sagen: Für KI muss Agilität um Datenfokussierung erweitert werden.

Ronald Schmelzer: Man kann sich das wie zwei Fäden im Projekt vorstellen: Der eine ist das Hauptprojekt (z.B. ein ML-Modell), der andere ist die parallele Entwicklung des KI-Teils. Sie laufen verschränkt – die Iterationen müssen nicht synchron oder gleich lang sein. Am Anfang kann das KI-Modul einfach sein, später ausgefeilter – Schrittweise entwickeln und kontinuierlich abgleichen. Das CPMAI-Vorgehen ist kein Ersatz für Agile, sondern dient als Leitfaden, was man in jeder Iteration konkret tut.

Galen Low: Ich liebe solche Rahmenwerke – sie bieten Orientierung. Viele orientieren sich dogmatisch an Lehrbuchmethoden, sind aber am Ende unflexibel. Eigentlich geht es um Anpassungsfähigkeit! Wagile – also Wasserfall gepaart mit Agilität, betrifft oft die Datenbeschaffung, doch beides kann iterativ geschehen. Wir denken zu sehr linear, aber gerade bei KI verzahnt sich vieles – Datenvorbereitung, Modellierung und Business Case laufen parallel und brauchen laufenden Austausch.

Ronald Schmelzer: Was viele ausbremst, sind Annahmen. Man nimmt etwa an, dass man für den Start gleich Petabytes an Daten und Deep-Learning-Modelle braucht. Das ist unnötig, teuer und langsam. Vielleicht reicht für den Anfang ein Entscheidungsbaum und Megabytes an Daten. So geht es schneller, günstiger – und man kann rasch abgleichen, ob das Grundprinzip funktioniert. Erst dann mit höheren Datenvolumen, komplexeren Methoden fortfahren. Es geht darum, regelmäßig Integrationstests einzubauen – die berühmte Geschichte mit dem Flugzeug, bei dem Vorder- und Hinterteil getrennt gebaut wurden und dann das Kabel nicht passte: Lieber anfangs ein Seil als Verbindung nutzen – so entdeckt man das Problem früh.

Kathleen Walch: Mit einer Schritt-für-Schritt-Vorgehensweise ist für alle Beteiligten transparent, was wann zu tun ist. Viele Projekte scheitern, weil sie ad hoc ohne Struktur abgewickelt werden. Die methodische Herangehensweise sorgt außerdem dafür, dass im Fall von Blockaden (wie fehlende Datenzugriffe) schnell Klarheit besteht und Alternativen (z.B. „Wir starten mit verfügbaren Daten, ohne auf Silos und Zugriffsprobleme zu warten.“) greifbar sind.

Galen Low: Damit ist man auch schneller im Gespräch über Erwartungen. Oft sind diese nicht abgestimmt – nach oben wie nach unten. Wie kann man hierfür das richtige Gespräch führen, Wissen vermitteln und Erwartungen „erden“?

Kathleen Walch: Zuerst muss man verstehen, was KI kann und was nicht. Wenn immer alles exakt reproduzierbar sein muss, reicht klassische Programmierung – KI ist probabilistisch, nicht deterministisch. Wer KI verwendet, obwohl es nicht passt, riskiert Probleme. Ein Hauptgrund für das Scheitern ist das Überversprechen und das daraus resultierende Missvertrauen in KI („AI winter“) – zwei Phasen davon gab es schon. Heute erleben wir einen KI-Frühling, aber zu viel Hype und Enttäuschung könnten uns zurückwerfen. Projekt-Scoping und Ehrlichkeit sind zentrale Gegenmaßnahmen – und Best-Practice-Vorgehen, wenn KI wirklich die geeignete Lösung ist.

Galen Low: Das Team hat Verantwortung für die Erwartungshaltung, auch wenn es „nur“ um Investitionssicherheit geht. Übertriebene Versprechen führen zu Zurückhaltung und Investitionsstopps.

Ronald Schmelzer: Viele wollen KI einsetzen, weil die digitale Transformation am „Engpass“ angekommen ist: Routineaufgaben sind automatisiert, jetzt wollen wir die komplexeren, menschlicheren Aufgaben automatisieren. Aber Algorithmus-Entscheidungen können Herausforderungen mit sich bringen – „augmented intelligence“ ist oft sinnvoller, um den Menschen einzubeziehen.

Galen Low: Es gibt viel Widerstand gegen KI, nicht nur von Entscheidungsträgern, sondern auch auf Teamebene – Stichwort „Oppenheimer-Moment“. Wie begegnet man Angst oder blinder Begeisterung für KI-Konzepte?

Kathleen Walch: Wichtig ist die Einbindung der Führungsebene. Ängste sind rational und emotional. Technologie soll nicht Arbeit wegnehmen, sondern Mitarbeitern helfen und repetitive, gefährliche Aufgaben übernehmen. Viele Studien zeigen: Automatisierung bedeutet nicht Stellenabbau, sondern kann neue Möglichkeiten eröffnen. Auch Feedback einholen ist wichtig, damit wirklich die lästigen Aufgaben wegfallen. Menschen wertschätzen das sehr.

Ronald Schmelzer: Gerade das Thema Vertrauen ist nach der Pandemie und dem Homeoffice vielerorts gestört. Man muss zwischen der Tätigkeit („work“) und dem eigentlichen Job („job“) differenzieren. Vieles, was Mitarbeiter heute machen, gehört gar nicht zum eigentlichen Tätigkeitsfeld. Automatisierung kann hier Freiräume schaffen. Beispiel Finanzämter: Wieso müssen Kunden und Ansprechpartner ihre Zeit für Datenerfassung verschwenden? Genau hier würde Automatisierung der Allgemeinheit nutzen.

Galen Low: Die Frage, die alle bewegt: Wird KI Projektmanager ersetzen?

Kathleen Walch: Gute Frage. Unsere Erfahrung: Tätigkeiten mit menschlicher Komponente verschwinden selten, aber sie wandeln sich. KI ist kein Jobkiller, sondern kann Jobkategorien verändern. Technologie hat schon immer die Arbeitswelt transformiert – Beispiel: Die Erfindung des Computers hat die Sekretariatslandschaft massiv verändert, aber neue Rollen (Social Media Manager usw.) geschaffen. KI wird auch das Projektmanagement verändern und Aufgaben unterstützen, aber die Rolle bleibt bestehen – sie entwickelt sich nur weiter.

Ronald Schmelzer: Ironischerweise steigt der Bedarf an Projektmanagement mit der Anzahl der KI-Projekte! Viele aktuelle KI-Vorhaben scheitern an simplen PM-Grundsätzen. Wenn die unterstützenden Tools (Meetingprotokolle automatisieren, Vorhersagen treffen, Projektfortschritt visualisieren) besser werden, kann die Rolle sich wandeln. Letztlich geht es beim PM immer darum, Projekte erfolgreich abzuschließen – als „verbindendes Gewebe“ zwischen Fachseite und Geschäftsführung, nicht selbst als Fachexperte. Die Frage ist, ob die Buchstaben P und M künftig für andere Aufgaben stehen. Die Rolle wird bleiben – aber sich weiterentwickeln.

Galen Low: Das beruhigt sicher viele Hörer: Die Aufgaben werden sich verschieben, aber die Rolle bleibt. Zum Abschluss: Viele fühlen sich vom Thema KI überfordert – wie können Projektmanager sich genug Wissen aneignen, um die richtigen Fragen zu stellen und Projekte klug zu steuern?

Kathleen Walch: Dafür haben wir unsere CPMAI-Trainings und Zertifizierungen entwickelt – gerade für Nicht-Mathematiker und Nicht-KI-Experten, sondern um die Grundlagen und Methoden der KI-Projektleitung praxisnah zu vermitteln. Wer nicht gleich eine Zertifizierung machen will, kann unseren Gratis-Kurs „Intro to CPMAI“ auf AItoday.live/cpmai besuchen.

Der Kurs dauert rund drei Stunden, vermittelt einen umfassenden Einblick und konkrete Projektanwendungsbeispiele.

Ronald Schmelzer: Wir haben auch einen Podcast-Glossar gestartet, weil es einfach so viele Begriffe gibt, die man mal erklärt bekommen sollte (AGI, AI Winter, Mustererkennung, Data, Big Data usw.). Unser Glossar wächst beständig, und unsere kostenlose Podcastreihe bietet einfache Erklärungen zu all diesen Begriffen – für PMs ein guter Einstieg. Es lohnt sich außerdem, den Austausch zwischen den PM- und KI-Communities zu suchen, gemeinsam Events zu veranstalten, voneinander zu lernen.

Galen Low: Diese „cross-pollination“, also fachübergreifende Zusammenarbeit, finde ich super. Vielleicht organisieren wir mal ein gemeinsames Event, bei dem sich beide Communities austauschen können.

Kathleen Walch: Ja, bestimmt!

Galen Low: Ron, Kathleen, herzlichen Dank für euren Besuch! Es war eine Freude und sehr aufschlussreich. Ich werde euren Podcast und alles zu AI Today sowie Infos zu Cognilytica unten verlinken. Tausend Dank für eure Einblicke und eure Zeit.

Kathleen Walch: Vielen Dank! Das hat Spaß gemacht.

Galen Low: Was meinen Sie?

Braucht es für KI-Projekte einen eigenen Ansatz, damit sie erfolgreich werden? Oder sind Projekte einfach Projekte – mit Herausforderungen wie alle anderen?

Erzählen Sie uns Ihre Geschichte: Wann hat ein KI-Tool Ihrem Projekt einen Strich durch die Rechnung gemacht – und wie haben Sie das gelöst?

Und wenn Sie Ihre strategischen PM-Fähigkeiten weiter ausbauen möchten, kommen Sie in unsere Community!

Gehen Sie auf thedigitalprojectmanager.com/membership, um Zugang zu einer unterstützenden Community zu erhalten, die Wissen teilt, komplexe Herausforderungen löst und gemeinsam die Zukunft unseres Berufsstandes gestaltet.

Von nützlichen Vorlagen und monatlichen Trainings, die Zeit und Energie sparen, bis hin zu Peer-Support in Slack-Diskussionen, Live-Events und Mastermind-Gruppen: Unsere Community bedeutet, dass mehr als tausend Menschen Sie auf Ihrem Weg im digitalen Projektmanagement unterstützen.

Wenn Ihnen diese Folge gefallen hat, abonnieren Sie uns und bleiben Sie auf thedigitalprojectmanager.com auf dem Laufenden.

Bis zum nächsten Mal – danke fürs Zuhören.