Sie brauchen kein neues KI-Projektmanagement-Tool – Sie müssen Ihr aktuelles optimieren

Galen Low: Okay, es sind sechs Monate vergangen, seitdem Sie Ihre große Investition in eine KI-gestützte Projektmanagement-Plattform getätigt haben, aber inzwischen zeigen sich einige Lücken. Die Zeit-Analyse-Tools sind großartig, aber die Ressourcenplanung ist nicht so intelligent wie angekündigt; oder die automatisierten Statusberichte kommen zwar nahtlos an, aber Sie wissen nicht, ob Sie den zugrunde liegenden Daten trauen können; oder die proaktiven Risikobenachrichtigungen haben Ihnen geholfen, einige Minen zu umgehen, aber die Risikobewertung selbst ist zu allgemein für Ihre Branche.

Also alles über Bord werfen und von vorne anfangen? Bevor Sie das tun, hören Sie in diese Episode rein. Ich habe einen PMO-Berater zu Gast, der Hunderte von KI-Tools getestet hat und eine Beratung aufgebaut hat, die sich darauf spezialisiert, PM-Tools mit KI-Assistenten, Agenten und automatisierten Workflows zu erweitern und aufzuwerten.

Wir sprechen heute über ihre Methode zur Bewertung von KI-Tools in einer Welt, in der täglich Hunderte neuer Tools erscheinen. Wir erforschen die Möglichkeiten, wenn Organisationen feststellen, dass sie vielleicht auf das falsche PM-Tool gesetzt haben. Und wir gehen Schritt für Schritt durch, wie man jedes PM-Tool mit einem Ressourcen-Workflow auf Basis von Standardtools wie NotebookLM und n8n erweitern kann. Viel Spaß beim Zuhören.

Willkommen beim Digital Project Manager Podcast – der Show, die Delivery-Leitern hilft, smarter zu arbeiten, reibungsloser zu liefern und ihre Teams im KI-Zeitalter souverän zu führen. Ich bin Galen und jede Woche tauchen wir ein in praxisnahe Strategien, neue Trends, erprobte Frameworks und gelegentliche Anekdoten von der Projektfront. Ob Sie riesige Transformationsprojekte steuern, KI-Workflows bändigen oder einfach das Chaos im Griff behalten wollen – Sie sind hier richtig. Legen wir los.

Heute sprechen wir über KI-gestützte Projektmanagement-Software und was zu tun ist, wenn Sie feststellen, dass das ausgewählte Tool nicht alles kann, was Sie sich erhofft haben. Wir sprechen darüber, wie Sie KI-Tools testen, wie Spezialtools in ein größeres Ökosystem integriert werden können – und wir gehen gemeinsam durch ein praktisches Beispiel, wie Sie für einen bestimmten Projektenfall einen KI-gestützten Workflow aufbauen.

Heute zu Gast: Emmanuels Magaya, Director of Technology bei Tech Legends und Gründer und CEO von Project Managers Africa. Emmanuels ist ein erfahrener Technologie-Manager, PMO-Berater und KI-Experte. Er berät Führungskräfte und Vorstände darin, die PMO-Fähigkeiten, Portfoliosteuerung und Delivery-Absicherung zu stärken, damit Strategie in messbaren Geschäftswert übersetzt wird. Als CEO von Project Managers Africa leitet er eine schnell wachsende, kontinentale Beratung zur Förderung von Projektführungsstandards.

Er setzt fachliche Impulse in Executive-Roundtables, Masterclasses, Gipfeltreffen und Beratungsgremien. Er brennt für die Stärkung der afrikanischen Community und setzt sich für Governance-Exzellenz, Kompetenzaufbau und die Zukunft KI-gestützter Delivery in Afrika ein. Und vor Kurzem ist er tief in das Thema KI-Tooling für Programm- und Projektmanagement in Unternehmen jeder Größe eingestiegen. Als Teil seiner Arbeit hat Emmanuels über 100 KI PM-Tools getestet – und genau darum geht es heute.

Emmanuels, schön, dass du heute hier bist.

Emmanuels Magaya: Danke Galen, dass ich bei diesem großartigen Podcast dabei bin. Ich freue mich auf eine sehr produktive Diskussion heute.

Galen Low: Ich freue mich auch darauf.

Wir probieren diesmal etwas Neues aus, danke fürs Mitmachen. Ich möchte unbedingt über deine Erfahrungen sprechen, wie du Teams hilfst, das passende KI-Tool-Set für ihre Projekte zu finden – und hoffe, wir verlieren uns hier und da in spannenden Details. Hier ist mein Fahrplan für unser Gespräch.

Zu Beginn möchte ich dich mit einer großen, schwierigen Frage konfrontieren, die viele meiner Hörer interessiert. Dann würde ich gerne über drei Dinge sprechen: Erstens deine Erkenntnisse aus der Vielzahl an getesteten KI-Tools und Organisationen; zweitens ein praktisches Anwendungsbeispiel, wie ein spezialisiertes KI-Tool in ein größeres Projektmanagement-Ökosystem passt; und drittens deine Einschätzung, welchen Einfluss KI auf aufstrebende Märkte weltweit haben wird und wie sich damit das globale Projekt-Delivery-Landschaft verändert.

Wie klingt das für dich?

Emmanuels Magaya: Das klingt super. Los geht's.

Galen Low: Super. Dann tauchen wir ein. Ich dachte, ich fange gleich mit der großen, schwierigen Frage an. Als ich dich kennenlernte, hast du eine Statistik genannt: Es werden zurzeit täglich 500 bis 1.000 neue Tools veröffentlicht. Manche davon sind wahrscheinlich Enterprise-Tools, andere Speziallösungen, viele sind individuell entwickelte Apps.

Wahrscheinlich verfügen die meisten davon über KI-Funktionen. Meine Frage: Angesichts der Vielzahl an Tools, die durch KI möglich werden: Kommt bald die Gegenbewegung – werden „neue Tools“ zu viel? Wo liegt die Obergrenze dessen, was der Markt und die menschliche Psyche verträgt?

Emmanuels Magaya: Aus meiner Sicht glaube ich nicht, dass wir auf ein echtes Limit stoßen. Menschen haben eine Affinität zu Neuem – wir wollen immer das nächste „glänzende Objekt“. Das nennt man das „Shiny Object Syndrom“. Deswegen sind soziale Medien so beliebt: Es gibt ständig Neues, das man noch nicht gesehen oder gehört hat.

Ich denke, wir werden kein allgemeines Limit erreichen, aber jeder wird sich eigene Standards und ein eigenes Tempo setzen. Wenn ich mein aktuelles Toolset wechseln möchte, worauf achte ich? Nicht mehr einfach alles ausprobieren.

Man entwickelt ein Grundverständnis für KI, erkennt ihren Nutzen, und sucht gezielt Tools, die Mehrwert bringen. Manche nutzen KI für einen Hauptzweck, andere testen für verschiedene Aufgaben.

Zum Beispiel: Ein Projektmanager, der auch Content erstellt, bleibt offen für neue Content-Tools, nutzt aber für das Projektmanagement die gewohnten Tools.

Galen Low: Gefällt mir – dieser Ansatz nach Zweck und Kategorie.

Es gibt so viele neue Tools; viele werben mit dem Anspruch „können alles“, aber das kann überfordern. Ich finde es sinnvoll, gezielt zu filtern, wo wirklich Unterstützung gebraucht wird – im Content oder bei bestimmten Prozessen, aber nicht jedes Tool ausprobieren.

Und, zwischen den Zeilen: Nicht jedes Tool ist für jede Organisationsgröße gemacht. Es gibt Bereiche, wo klar ist: Das ist für Enterprise, ich bin kein Enterprise, das lasse ich erst einmal.

Es kommt also auf den Zweck an. Menschen mögen Tools und Neues – das ist menschlich. Vielleicht ist es wie mit Süßigkeiten: Man kann viel machen, muss aber nicht alles konsumieren.

Ich möchte etwas ausholen: Du bist nicht nur technisch, sondern kannst auch wunderbar einfach erklären. Mit Project Managers Africa positionierst du dich auch als Bildungsanbieter im Projektmanagement.

Und im Bereich Tech und KI testest du hunderte Tools, um Teams bei guten Entscheidungen zu helfen. Wie bringst du weniger technikaffine Leute dazu, mit KI-Tools zu experimentieren?

Wo sollen sie beginnen, was ist der richtige Ansatz?

Emmanuels Magaya: Danke für die Frage, Galen. Zuerst muss klar sein, was KI für einen tun soll – und für welche Aufgabe. Teste ich privat oder beruflich? Privat kann man einfach ausprobieren. Im Job gibt es Rahmenbedingungen wie Datenschutz und IP.

Wichtig: Nicht versuchen, KI für alles einzusetzen. Überlege, welche Routinetätigkeiten viel Zeit kosten und finde dann ein paar Tools zum Testen. Beispiel Content Creation: „Ich will Videos automatisiert erstellen oder Blogs.“ Das ist der Use-Case.

Früher hat man Google bemüht, heute kann man KI selbst nutzen – etwa ChatGPT, Gemini, Claude. Beispiel: „Nenne die neuesten Tools für automatisierte Contenterstellung.“

Achtung: Die „großen“ Tools listen oft die populärsten Tools. Daher den Prompt anpassen – etwa „Liste mir NICHT die gängigen Tools“, oder gezielt auf Reddit oder Blogartikeln suchen. Suche kostenlose, unkomplizierte Tools. Eine Google-Suche wie „fünf einfachste Tools zur Projektplanung, kein Asana, Jira etc.“ führt oft zu Listen und Übersichten mit weniger bekannten Tools.

So habe ich selbst viele neue Tools entdeckt.

Galen Low: Und wenn du ein Tool gefunden hast und öffnest – vielleicht zwei im Vergleich: Wie testest du, ob eins zu dir passt? Wie vergleichst du diese?

Emmanuels Magaya: Nehmen wir Content Creation. Ich schaue auf die Qualität des Outputs. Weil Content Creation breit ist (Text, Bild, Video), vergleiche ich die Tools – etwa gleichen Prompt bei Gemini, Claude etc. einstellen und vergleichen.

Es gibt Plattformen wie Galaxy.ai, dort kann man über eine Oberfläche verschiedene Modelle vergleichen. Bei Sider.ai (Browser-Plugin) geht es ähnlich.

Regelmäßig Updates prüfen! Die großen Anbieter liefern oft tägliche Neuerungen. Auch der Austausch mit Branchen-Experten, etwa per Newsletter oder Reddit, hilft am Ball zu bleiben.

Beim Vergleich zählt v.a. die Qualität und Relevanz des Outputs im Hinblick auf die gestellte Aufgabe. Promptqualität ist entscheidend! Man sollte das Prompting gezielt lernen.

Zudem prüfe ich: Wie aktuell ist das Tool? Mit welchen Modellen arbeitet es? Wie umfangreich ist der Output?

Kleine Änderungen im Tool können Unterschiede machen – bei ChatGPT z. B. unterschiedliche Modi („Fast“, „Deep Research“). Viele nutzen nur die Standardeinstellungen, aber mit ein wenig Ausprobieren offenbaren Tools oft ungeahnte Möglichkeiten.

Bei spezialisierten Tools – zum Beispiel für Bauingenieure – ist der Vergleich zu allgemeiner Software schwieriger. Es gilt abzuwägen, ob man ein All-in-One-Tool möchte oder mehrere spezialisierte Tools („AI-Army“), die sich gegenseitig ergänzen.

Galen Low: Also, Use-Case klären, recherchieren, mehrere Tools vergleichen, denselben strukturierten Prompt eingeben, Output vergleichen, den besten Modus finden und auf Features achten. Und dann entsprechende Bewertung vornehmen…

Du hast ja Hunderte Tools getestet. Gibt es eine Zeitgrenze pro Tool? Wie entscheidest du, wann du genug getestet hast und weiterziehst?

Emmanuels Magaya: Gute Frage. Es kommt auf das Ziel an: Ich will Thought Leader bleiben, also muss ich Struktur beim Testen haben. Ich habe z.B. ein Template: Für welche Organisationsgröße, welche Features, welche PMO-Methoden (Agil, Hybrid, Wasserfall)? Das alles gehört dazu.

Ich habe Tools, die ich zwei oder drei Tage teste, wenn sie komplex sind. Die Fehler vieler Influencer ist: Sie testen oberflächlich für Social Media. Bei mir steht die Alltagstauglichkeit im PM-Bereich im Fokus. Funktionalität für den Berufsalltag ist mein Maßstab, dafür habe ich ein eigenes Bewertungsschema.

Einfache Tools teste ich teils in Minuten, komplexe länger. Mehr als zwei Tage investiere ich aber selten.

Galen Low: Das macht Sinn. Schön finde ich deinen systematischen Ansatz mit Berücksichtigung von Organisation, Branche und Methode. Und das führt mich zur nächsten Frage: Viele kaufen PM-Software wegen deren KI-Funktionen, stellen dann aber fest, dass nicht alle Anforderungen erfüllt sind.

Was empfiehlst du Teams, die in so einer Situation stecken? Wie geht man weiter vor?

Emmanuels Magaya: Zuerst einen Schritt zurückgehen: Was war die ursprüngliche Erwartung? Prüfen Sie, was gefordert war, und machen Sie eine Gap-Analyse – Erwartung vs. Realität. Danach konsultieren: Nur PM-Team betroffen? Dann Gap identifizieren und Deployment ggf. stoppen.

Wann wurde das Tool eingeführt? Wie viele Daten sind schon eingespeist? Lässt sich noch zurückrudern? Gibt es die Möglichkeit, Funktionen beim Toolanbieter nachrüsten zu lassen? Falls nicht und das Tool schadet der Arbeit, Deployment-Pause und Rückzug prüfen.

Große Unternehmen sind oft durch langfristige Lizenzverträge gebunden, was einen wichtigen Wechsel erschwert. Der Fehler kann teuer werden, wenn Qualität und Zufriedenheit leiden.

Wenn Rückzug nicht möglich: Welche Funktionen kann das Tool trotzdem liefern? Wie viel muss nachgebessert werden? Vielleicht kann man den Einsatzbereich reduzieren.

Extrem wichtig: Wie viel Wissen hat das Tool bereits aufgenommen? KI-Tools, die firmeninterne Abläufe gelernt haben, kann man nicht einfach austauschen. Ein Modell kann gelerntes nicht an ein anderes weitergeben. Je später der Wechsel, desto aufwendiger das Rückabwickeln.

Mein Rat: Testen Sie neue Tools mit kurzer Laufzeit (z. B. drei Monate), bevor Sie langfristige Verträge abschließen. So können Sie schneller reagieren und Fehlentwicklungen vermeiden. Das „Gelernt-haben“ eines Tools ist schwer reversibel.

Und: Gibt es überhaupt eine brauchbare Alternative? Hilft das neue Tool wirklich – oder steht man wieder vor denselben Problemen? Gerne mehrere Tools kombinieren! Agentenbasierte KI bietet viele Möglichkeiten: Verschiedene Agenten übernehmen spezifische Aufgaben, lassen sich separat aktivieren oder entfernen. Man benötigt ein Kern-Tool für Hauptaufgaben, aber verlassen Sie sich nicht auf einen Anbieter für alles.

Galen Low: Bleiben wir beim Thema Lückenanalyse: Wie kann man ein Feature, das fehlt, mit KI-Agenten ergänzen? Und wie sorgt man dafür, dass Agenten harmonisch mit der bestehenden Software arbeiten?

Emmanuels Magaya: In vielen Organisationen – besonders in Afrika – sind KI-Agenten noch keine Selbstverständlichkeit. Viele PMOs wissen gar nicht, was Agenten sind.

Haben Sie bereits ein Tool, prüfen Sie: Unterstützt es KI? Bei gängigen Tools wie Monday.com, Asana, Jira ist KI längst Standard. Microsoft-Produkte mit Copilot bieten einen Basis-Einstieg – z. B. Transkripte aus Teams-Meetings als Aufgaben-Einträge verteilen. Es braucht oft Schritt-für-Schritt-Einführung, Change-Management und den Ausbau einer KI-RACI: Im RACI-Diagramm werden Aufgaben jetzt auch KI-Agenten zugewiesen.

Nicht jede Firma nutzt Microsoft oder weiß, wie KI-Agenten integriert werden. Unsere Empfehlung: Nach und nach ergänzen, nicht alles auf einmal – wie beim Hausbau. Es gibt verschiedene Assistenz-Level (Assistent, Agent, Metagent): Schritt für Schritt herantasten.

Automatisierungs-Tools wie Zapier, Make, n8n helfen, existierende Workflows zu ergänzen. Das Tool bleibt erhalten, ein Experte baut die Integrationen.

Galen Low: Mit anderen Worten: Wer ein Tool hat, bei dem Funktionalität fehlt, kann diese durch Workflow-Automation oder KI-Agenten ergänzen. Die Plattformen lassen offen, eigene Agenten zu bauen und einzubinden – behandeln Sie Agenten wie neue Teammitglieder! So erweitern Sie gezielt, statt alles auszutauschen.

Du wolltest uns einen Workflow zeigen… können wir den Schritt-für-Schritt durchgehen? Z.B. für Ressourcenmanagement neben Monday, Asana oder MS Project?

Emmanuels Magaya: Sehr gerne! Das Beispiel ist ein echter Use-Case, den wir vor zwei Wochen im KI-Training behandelt haben.

Ein PMO-Leiter eines internationalen Konzerns hatte folgende Herausforderung: 15 Ressourcen global verteilt, fehlende Übersicht über deren Auslastung (Capacity). Wie erkenne ich, wie ausgelastet meine Leute sind? Kann ich mehr Arbeit verteilen? Wer ist überlastet? Wer hat Kapazitäten frei?

Das Publikum bestand aus PMO-Leitern, CIOs und CEOs aus verschiedenen Branchen (Banken, Bergbau, Telekom) mit unterschiedlichem PM-Wissen. Daher habe ich die Lösung als Flussdiagramm in NotebookLM visualisiert. NotebookLM ist ideal, um komplexe Workflows einfach darzustellen – etwa als Mindmap, die sich später in n8n oder ähnlichen Automatisierungs-Tools abbilden lässt.

Wie sieht das also aus? Wir haben Ressourcen, Integration, Workflow-Automation und Kapazitätsplanung.

Galen Low: Für die Zuhörer: Mindmap-Ansicht in NotebookLM. Ausgangspunkt ist ein Workflow namens „Integrierte, multi-systemische Ressourcen- und Kapazitätsautomation“, mit Verzweigungen zu Projekteressourcen, Systemintegration, Workflow-Automation und Kapazitätsplanung.

Emmanuels Magaya: Danke, Galen.

Zu Projekteressourcen: Wir schauen uns das 15-köpfige Team an, prüfen individuelle Auslastung und Spezialisierungen. Dann Integration: Die Firma nutzt ServiceNow, Jira und Microsoft Office/Teams. Wir brauchen also Schnittstellen zu allen Systemen (über API/Sync), damit alle Daten ausgetauscht werden.

Im Workflow fließen etwa Tickets oder Anfragen aus ServiceNow ein – diese werden klassifiziert: Bug, Projekt, Programm. Die Zuweisung erfolgt je nach Qualifikation und Kapazität. Für die Automation brauchen wir Zugang zu den Zeiterfassungstools (Timesheets), um Belastung zu analysieren (ggf. historisch, die letzten Wochen/Monate).

Datenquellen: Zeiterfassung, Projektscope, alles wird zusammengeführt und verarbeitet. Daraus ergeben sich Kapazitätsberechnung, Forecast, Balancierung der Lasten und automatisierte Berichte und Alerts für den PMO-Leiter (z.B. „Resource X ist überlastet“, „Projekt droht Zeitverzug“, automatische Aufgabenverteilung).

Kapazitätsplanung am Ende: Überwachung der Verfügbarkeit, Forecasts für künftige Projekte und Auslastungs-Analyse der Teams (Überlastung, Leerlauf).

Am Ende ergibt sich ein vollständiger Automationsflow: - Daten werden integriert und analysiert (Zeiten, Scope, Historie) - Workflow verarbeitet und gleicht mit Planung ab - Alerts und automatische Allokation erfolgen - Kapazitätsauswertung und Prognose werden erzeugt

Galen Low: Super zusammengefasst. Und wie würde das dann konkret in n8n umgesetzt?

Emmanuels Magaya: Ausgangspunkt ist das Sammeln aller Datenquellen (Berichte, Lessons Learned, Templates, Richtlinien, Timesheets). Diese gehen in NotebookLM als „Wissensmaschine“.

Im nächsten Schritt baut man in n8n den Agenten/Workflow: Dort werden die Logs/projektbezogenen Daten automatisch aus einem Ordner abgerufen und mit NotebookLM synchronisiert. Die API-Integration ist zentral, um alle Datenpunkte (z.B. aus Zeiten, Scope, Statusberichten) gebündelt zu verarbeiten, Alerts zu generieren und Ressourcen realistisch einzuplanen.

Das eigentliche „Herz“ der Lösung liegt in n8n: Dort werden die Arbeitsabläufe modelliert, Trigger gesetzt (z. B. bei Datenänderung oder Zeitplan-Überschreitung), Verarbeitungsschritte definiert und Ausgaben generiert (z. B. neue Aufgaben in Asana, E-Mail-Benachrichtigung). Das zugehörige Flussdiagramm erleichtert die Planung.

In kurzer Zusammenfassung: Erst einen klaren Architektur- und Datenplan erstellen (Mindmap in NotebookLM), dann in n8n Schritt-für-Schritt Nodes und Trigger konfigurieren. Dies kann sehr viele Systeme abdecken (ServiceNow, Jira, Teams, Gmail u.v.m.).

Galen Low: Für diejenigen, die n8n nicht kennen: Man baut mit Drag & Drop sogenannte Nodes, definiert Trigger (z.B. bei E-Mail-Eingang), Workflows laufen automatisch los, sobald ein Event ausgelöst wird. Über die API kann Integration zu Asana, Jira, ServiceNow, Zendesk etc. gebaut werden. Auch eine natürliche Sprache als Input (aus Mails, Chats, Meetings) wird von KI verstanden, so dass auch unstrukturierte Daten als Trigger dienen können – KI flaggt Risiken aus Gesprächen, ganz ohne klassische „Webhooks“ oder strukturierte Daten.

Emmanuels Magaya: Genau, das ist die Stärke. Mit KI kann man Risiken und Probleme frühzeitig erkennen, indem Konversationen und Kommunikation automatisch durch die KI ausgewertet werden – Risiken werden prognostiziert, nicht nur reaktiv erkannt. Dadurch lassen sich Projekte und Teams proaktiv steuern.

Galen Low: Vielleicht zum Abschluss: KI wird oft als „Leveling Technology“ gesehen – was ist deine positive Prognose für die nächsten drei bis fünf Jahre in aufstrebenden Märkten und welches Mindset ist nötig?

Emmanuels Magaya: Es gibt großes Interesse und viel Investition, aber häufige Fehler sind Schnellschüsse und fehlende Strategien. Viele Unternehmen machen den Fehler, simply viele Tools zu testen, ohne vorher Prozesse und Ziele zu klären – dann „optimiert“ KI nur defekte Abläufe.

Mein Rat: Erst klare Rahmenbedingungen schaffen, Prozesse KI-fähig machen, ein KI-RACI einführen und die Rolle von KI in jedem Geschäftsbereich definieren – im Finanzwesen, in der Logistik, bei HR etc. Zuerst Prozess, dann das Tool, nicht umgekehrt.

Unverzichtbar: KI-Kompetenz (Literacy). Analysieren Sie die Kompetenzen Ihres Teams, machen Sie eine Gap-Analyse. Verstehen Sie, was KI ist und wie verschiedene Modelle funktionieren. Schulen Sie alle Ebenen – KI ist kein exklusives Wissen mehr, auch Fahrer und Empfang brauchen Grundkenntnisse entsprechend ihrer Aufgaben.

Erstellen Sie Test- und Schutzumgebungen für KI, mit Governance und Ethik. Erst dann Tools auswählen!

Stellen Sie sich Ihre Organisation in 12 oder 24 Monaten mit optimal eingesetzter KI vor – wie sieht Kundenzufriedenheit, Produktivität, Zusammenarbeit aus? Arbeiten Sie von dieser Vision rückwärts und planen Sie alle Schritte und Kompetenzen ein. Erst dann das richtige Tool wählen.

Galen Low: Mein Haupt-Learning: Gerade für aufstrebende Märkte heißt gewinnen durch Langsamkeit, strategisches Vorgehen und Kompetenzerwerb – so vermeidet man Fehltritte und ist langfristig besser aufgestellt, während andere hektisch Fehler machen.

Emmanuels, vielen Dank für dieses hochspannende Gespräch. Wo kann man mehr über dich erfahren?

Emmanuels Magaya: Am aktivsten bin ich auf LinkedIn (Suche: Emmanuels Magaya). Oder Sie finden mich bei Project Managers Africa (www.projectmanagers.africa / www.projectmanagers.co.za). Wir sitzen in Südafrika, arbeiten aber kontinentweit und international, zunehmend auch im Mittleren Osten.

Galen Low: Die Links dazu finden Sie in den Shownotes dieser Episode. Vielen Dank, Emmanuels!

Emmanuels Magaya: Danke, Galen. Es war mir eine Freude.

Galen Low: Das war’s für diese Ausgabe des Digital Project Manager Podcast. Wenn dir dieses Gespräch gefallen hat, abonniere uns gerne. Noch mehr praxisnahe Insights, Fallstudien und Playbooks findest du kostenlos auf thedigitalprojectmanager.com.

Bis zum nächsten Mal und danke fürs Zuhören.