Wie Sie Vorhersehbares Wachstum Mit Datengetriebener, GenAI-gestützter Ressourcenverwaltung Freischalten

Lesen Sie das Transkript:

Wir probieren das Transkribieren unserer Podcasts mit einem Softwareprogramm aus. Bitte entschuldigen Sie eventuelle Tippfehler, da der Bot nicht immer 100% korrekt ist.

Galen Low: Willkommen zu unserer Podiumsdiskussion über die Nutzung von Daten und KI als Ihre „Resourcing-Glaskugel“. Und um es nicht zu übertreiben: Wir werden darüber diskutieren, wir werden es hinterfragen, wir werden herausfinden, worum es wirklich geht. Das ist etwas, das wir gerne jeden Monat mit unseren Mitgliedern und unseren VIP-Gästen tun.

Eine Möglichkeit, direkt mit Experten und den Personen zu sprechen, die bei uns beim Digital Project Manager beitragen und zusammenarbeiten. Für alle, die mich noch nicht kennen: Mein Name ist Galen, ich bin Gründer, Mitgründer des Digital Project Manager, und heute auch Ihr Gastgeber. Das heißt, Sie müssen mich eine Weile ertragen – aber ich habe auch eine fantastische Runde großartiger Agentur-Operations-Experten dabei – Ann Campea, Marcel Petitpas und Grant Hultgren.

Ressourcenmanagement ist ein unglaublich populäres Thema in der Agenturwelt – und ehrlich gesagt für viele Organisationen. Das hat auch einen guten Grund: Denn wenn nicht die richtigen Ressourcen für wichtige Programme und Initiativen zur Verfügung stehen, ist das ein Risiko, das das Erreichen Ihrer Ziele gefährden kann – und sogar die Arbeitsplätze von Ihnen und Ihren Kollegen binnen der Organisation.

Deswegen findet Ressourcenmanagement auch auf so vielen verschiedenen Ebenen innerhalb einer Organisation statt: Von den richtigen Teammitgliedern in Projekten über das richtige Setup und Talent im Hintergrund, damit alles funktioniert. Aber wenn es darum geht, die Zukunft vorherzusagen, machen wir Menschen bestenfalls eine Schätzung – und im schlimmsten Fall idealisierte Annahmen mit rosaroter Brille.

Manchmal nehmen wir an, dass Surrender eine Aufgabe genauso schnell erledigen wird wie Kathy, wenn sie nicht unerwartet krank gewesen wäre. Manchmal gehen wir davon aus, dass Kelvin an acht verschiedenen Projekten acht Stunden pro Tag ohne Zeitverlust durch Kontextwechsel arbeiten kann. Und manchmal nehmen wir an, dass Elena und Leila die gleichen Arbeitsweisen, Wissensstände und Verständnis für die Arbeit haben, weil sie denselben Jobtitel tragen.

Am Ende des Tages ist Ressourcenmanagement schwierig, vor allem weil es in der Regel Variablen betrifft, die wir nicht kontrollieren – vor allem Menschen. Während sich unser Ansatz zum Ressourcenmanagement in den letzten Jahrzehnten kaum verändert hat, hat die Technik dies durchaus. Daher stellte ich mir die Frage: Angesichts all der Tools, die wir nutzen, und der Daten, die wir sammeln – könnten wir diese nicht nutzen, um bessere Prognosen und Entscheidungen zu treffen? Genau das wollen wir heute erkunden.

Und ehrlich gesagt fange ich mit der breitesten Frage an: Alle Organisationen werden datenorientierter und generative KI kommt dazu – warum ist Ressourcenmanagement dann nicht schon „automagisch“ einfach?

Vielleicht geht die Frage zuerst an Marcel. Ich setze dich mal in den Hot Seat.

Marcel Petitpas: Klar. Die einfache Antwort lautet: Daten sind chaotisch – und Menschen sind unvorhersehbar. Es ist extrem spannend, was GenAI zukünftig leisten kann, um uns bei der Interpretation und beim Nutzen von Daten zu unterstützen. Aber die zugrundeliegende Annahme – und das stört mich immer bei jedem Demo einer GenAI-Firma, die behauptet: „Schau, du kannst deine Berichte automatisieren“ – ist: Man füttert die KI mit perfekt sauberen, konsistent strukturierten Daten mit eindeutiger Schema- und Namenskonvention – ohne Fehler, ohne Ausreißer. Dann kann GenAI natürlich Fragen zu den Daten beantworten und alles schneller verarbeiten als ein Mensch.

Was wirklich spannend ist: Die Art, wie wir mit Daten interagieren, wird sich komplett ändern. In zehn Jahren werden wir vermutlich zurückblicken und das Klicken durch Tabellen und Filtern, bis wir die Visualisierung bekommen, als veraltet empfinden. Aber das Problem bleibt: Du brauchst gute, saubere Daten, damit KI auch wirklich diesen Mehrwert liefern kann.

Die Realität ist: Als Produkt- und Operationsmanager arbeiten wir mit Datensätzen, die von Menschen erzeugt wurden – und die sind zwangsläufig unperfekt. Wir müssen unsere Prozesse und Datensysteme darauf ausrichten und das entsprechend berücksichtigen.

Galen Low: Boom. Gute Einordnung zur Notwendigkeit sauberer Daten! Darauf kommen wir später nochmal zurück – Datenkompetenz: Was heißt das eigentlich in der heutigen Zeit und wer braucht sie? Spoiler: wahrscheinlich alle.

Ann, hast du noch etwas hinzuzufügen zu der Frage, warum Ressourcenmanagement trotz aller Technik noch nicht „magisch“ läuft?

Ann Campea: Ich kann da anknüpfen: Entscheidend sind gute Daten. Und dabei gibt es immer diese menschliche Komponente. In meiner Erfahrung: Wir bauen Tools, denken, wir haben die richtigen Reports, beobachten die entsprechenden Metriken – doch dann geht es wieder zurück zu den Daten. Gute Daten zu bekommen, ist wie ein Blitz im Glas zu fangen, oder?

Das ist schwierig und manchmal unzuverlässig, weil der menschliche Faktor mit reinspielt. Menschen sind wunderbar – aber auch wunderbar unvorhersehbar. Beispiel: Susie hat 50 Projekte, die sie in einer Woche abarbeiten will, aber Joe muss drei Tage krank machen. Joe schafft entsprechend weniger Projekte als Susie. Wie erfasst man diesen menschlichen Kontext – bei der Zeiterfassung, der Projektkomplexität oder der Leistungsfähigkeit des Teams? Alle arbeiten unterschiedlich.

Ich kann also Marcel beipflichten: Gute Daten sind die Grundlage. Dann kann man Technik und KI darum aufbauen. Und ein weiteres Beispiel: Ich war in Organisationen mit alter und neuer Technik. Jetzt kommt noch KI obendrauf. Wie bringt man alles dazu, zusammenzuspielen – und hat trotzdem noch den Menschen in der Schleife?

Galen Low: Gefällt mir.

Und das knüpft an das an, was Grant eingangs sagte: Das Tool allein ist nicht die Wunderlösung. Es gibt viele andere Variablen. Vielleicht ist das der Übergang – es ist kompliziert.

Warum ist es nicht einfacher? Datenqualität und Menschen. Es stellt sich also die Frage: Welche Daten sollten wir überhaupt sammeln? Grant, aus deiner Sicht – was sind wichtige Datenpunkte, die etwa eine Agentur erfassen sollte, um genauer planen zu können?

Gibt es auch unkonventionelle, kontroverse Daten, die man sammeln sollte?

Grant Hultgren: Letztlich läuft es darauf hinaus: Woran glauben wir? Gerade als Agenturbesitzer – wenn man startet oder in eine Agentur einsteigt, herrscht oft die Einstellung: Ich kann es besser als mein vorheriger Arbeitgeber. Das heißt aber auch, dass man plötzlich verschiedene Datenpunkte unterschiedlich definiert. Marcel würde vermutlich sagen: Ihr könnt eure eigenen Begriffe nutzen, aber im Kern sprechen wir alle über das Gleiche. Bei den wichtigsten KPIs stimme ich voll zu. Von unserer Seite, im SaaS-Kontext, schaut man auf: Umsatz pro abrechenbarem Mitarbeiter, Umsatz pro Mitarbeiter insgesamt, Projektmargen gegenüber GuV-Quartals- und Jahreswerten, in Bezug auf Gemeinkosten, Vollkosten. Es gibt viele Überschneidungen.

Im Digital-Projektmanagement ist alles Teil eines Ökosystems, das auf diese übergeordneten KPIs einzahlt. Es gibt viele Tools, einige uralt, andere neu. Und genau darin liegt die Herausforderung – vor allem: Vertrauen wir unseren internen Systemen, damit KI-Modelle verlässliche Entscheidungen treffen? Ich glaube, da sind wir noch nicht. Darum bleiben Menschen so wichtig. KI wird niemanden für eine verpasste Projektmarge zur Rechenschaft ziehen. Das macht das Team: „Was ist hier passiert? Interpretier‘ die Daten für uns.“ – „Jemand war krank.“ – „Tja, warum wurde nichts unternommen?“ – „KI hat es nicht erkannt.“ – Das ist nicht akzeptabel.

Das wird sich irgendwann ändern, aber die Messgrößen vermutlich nicht groß. Eher die Art, wie sie zusammenwirken. Marcel, ich sehe dich nicken – stimmst du zu?

Marcel Petitpas: Ja. Ich schildere mal kurz, wie wir bei Parakeeto vorgehen, wenn wir jemanden in unser Prognosesystem bringen. Wir beginnen damit, zu verstehen, wie die Firma über Kapazitäten denkt. Das variiert. Manche fokussieren auf Skills: Design, Projektmanagement, Entwicklung, Text. Andere auf Aufgaben: Diese Person erledigt diese Tätigkeiten. Egal ob Aufgabenbereiche, Rollen oder Titel – uns interessiert das Denkmodell.

Wir versuchen, eine simple Abstraktionsschicht zwischen individuellen Beitragenden und größeren Kapazitätsgruppen zu schaffen. Hier ein Begriff, über den ich vermutlich noch öfter reden werde: Präzision und Genauigkeit. Das sind verschiedene Dinge! Viele Projektmanager verwechseln diese aber – und die beiden stehen oft sogar im Widerspruch.

Viele Projektmanager scheitern, weil sie ultra-präzise Systeme schaffen wollen, die dann nicht mehr handhabbar sind. Am Ende gibt es nur noch chaotische Daten, von denen niemand mehr profitiert.

Darum geht’s: Wie können wir mit wenigen (5-8) Kapazitäts-Buckets starten, dann Planungen konsistent nach denselben Namenskonventionen strukturieren, und sogar bei der Zeiterfassung darauf achten, dass jede Buchung ein Meta-Tag bekommt, der wieder zu einem Bucket führt? So entsteht ein strukturierter Datenpool, in dem wir nach Belieben weitere Kategorien zufügen können: Projektart, Kundentyp, Leistungsangebot, Phasen. Dann wird es einfach, mit lineärer Algebra Fragen zu beantworten wie: „Pro Dollar Website-Budget, wie viel Design-Zeit brauchen wir im Schnitt?“ – Es braucht kaum Daten, um dabei schon gute Genauigkeit zu bekommen und vorhersehbare versus unvorhersehbare Faktoren zu erkennen – und letztlich auch Prozessprobleme zu identifizieren.

Wenn man Informationen also so strukturiert: 1. Kapazitätsmodell, 2. Planungsmodell, 3. Abgleich Ist-Zeiten – und alles am gleichen Schema orientiert, spart man sich die Übersetzung zwischen drei unterschiedlichen Datenstrukturen bei der Analyse. Das reduziert Reibung und ermöglicht wirklich gute Antworten.

Galen Low: Interessant: Es gibt vorhersehbare und nicht vorhersehbare Sachen. Der Ansatz ist wichtig, weil es um Chaos und Unberechenbarkeit geht. Unser menschlicher Wunsch ist, alles zu lösen – aber das geht nicht immer! Was mich bei deinem Ansatz begeistert: Gute, saubere Daten – dafür kann Technik helfen. Ich erinnere mich, wie ich für die Agentur mal eine Skill-Matrix in Google Sheets erstellen sollte – es war der totale Daten-Chaos. Unsere Intention war gut: „Wie willst du arbeiten? Welche Projekte interessieren dich?“, aber das alles konsistent zu erfassen war eine Riesenherausforderung für Menschen.

Das ist viel Modellstruktur, viel Taxonomie. Aber genau da kann Technologie ansetzen.

Grant Hultgren: Du kannst alles perfekt planen, aber in einer Stunde ist wieder alles anders – Kunde unterschreibt ein neues Statement of Work, Change Order, kürzt Scope, es kommt zu Veränderungen wie durch Covid. Brauchen wir noch ein Büro, ist das Gemeinkosten? Genau das meint Marcel mit der Notwendigkeit von Routine und kleinen Anpassungen – die Menschen an der Front liefern die besten Daten und können laufend kleine Anpassungen einbringen.

Genau darum existiert unser Unternehmen. Marcel ist neutral – aber wir versuchen, genau das in Daten zu kodifizieren. Es ist dieselbe Messlogik, ob du Consultants engagierst oder alles selbst abbildest. Die Herausforderungen bleiben: Wie nimmt jede Ebene von Eigentümer bis Ausführender das System an? Verstehen alle, wo Präzision und wo Genauigkeit wichtig ist?

Galen Low: Gehen wir noch mal auf das Thema „saubere Daten“. Das klingt wie ein Mythos – weniger wegen Taxonomie als wegen der menschlichen Komponente. Vielleicht an Ann: Wie überzeugt man Menschen davon, dass sie von mehr Datenerfassung profitieren, obwohl sie Zeiterfassung schon hassen?

Ann Campea: Das ist wirklich schwer – besonders alle Hierarchie-Ebenen mitzunehmen. Shout-out an Marcel für deinen LinkedIn-Post dazu: Es braucht die eine magische Formel, mit der Stakeholder sagen können: „Jetzt messen wir Ressourcen, Kapazität usw.“.

Und Grant gerade gesagt hat: Es verändert sich ständig alles. Wie kontrolliert man diese Unbekannte? Im Kern kommt es darauf an, auf ein gemeinsames Modell hinzuarbeiten – egal ob es komplett anders ist als die anderer Agenturen. Wenn Team, Kultur und Führung dahinterstehen, ist schon viel gewonnen. Denn oft ist gerade das Buy-in der größte Blocker.

Wir investieren Zeit in den Aufbau unserer Tools, Reports, Zeiterfassung, Kennzahlen zur Komplexität unterschiedlicher Projekte – aber ohne Zustimmung von oben fehlt der Hebel. Es bleibt ein „menschliches“ Problem. Und beim Stakeholder-Überzeugen: Oft ist die Annahme, man hätte ultraharte, quantitative Daten. Aber selbst darin ist Subjektivität, weil Menschen Zeit erfassen. Ich stelle meine Daten daher immer mit dem Hinweis vor: „Das ist eine Zeitstudie, mit Abweichungen, weil wir mit Menschen arbeiten.“ Auch quantitative Daten enthalten immer subjektive Komponenten, die man offenlegen sollte.

Bei der Präsentation für Stakeholder gilt: Bleiben Sie ehrlich. Die Daten sind nicht perfekt – und werden es auch nie sein. Aber sie kommen nah dran. Das hilft beim „Verkaufen“ des Ansatzes.

Galen Low: Gefällt mir – der partizipative Ansatz! Nicht top-down „in den Hals drücken“, sondern die Variabilität zugeben. Zu oft neigen wir dazu, Ressourcenmanagement als absolut zu verkaufen – jeder arbeitet genau 40 Stunden, alles ist lückenlos. Aber mit der richtigen Präsentation und Transparenz…

Marcel, geht das in dein Konzept von Präzision und Genauigkeit über?

Marcel Petitpas: Absolut. Es gibt viele Compliance-Taktiken – Gamifizierung mit Slackbots, automatische Zeiterfassungsunterstützung usw. – aber entscheidend ist wie Ann sagte das Buy-in. Oft wird auch der letzte Schritt, der Feedback-Loop, nicht gemacht – die Mitarbeiter bekommen nie mit, wie ihre Zeitdaten am Ende genutzt werden. Sie stellen sich wilde Geschichten vor – nie zu ihrem Vorteil!

Deshalb: Schließe den Loop, beziehe Mitarbeitende in die Auswertungen und Diskussionen ein. Führungskräfte haben oft Angst, dass die Daten „noch nicht gut genug“ sind – aber macht trotzdem das Meeting! Was dabei herauskommt: Wenn ihr nur die Einhaltung von Budgets lobt, ohne den Zusammenhang zu prüfen, beginnen Mitarbeitende zu hinterfragen, ob wirklich alle ihre Zeiten eingetragen wurden. So entwickelt sich ein Gefühl für Genauigkeit – und das dient letztlich allen im Unternehmen.

Eine weitere Sache: Je mehr ihr verlangt, dass Leute sekundengenau subtasks erfassen, desto geringer die Beteiligung und Qualität. Weniger Komplexität, größere Zeitblöcke, schneller statistische Relevanz – und Compliance steigt.

Ressourcenplanung auf Personenebene für einen Sechs-Monats-Ausblick? Unrealistisch! Das ist zu komplex und ändert sich laufend. Passe immer die Methode an die Fragestellung an.

Galen Low: Das ist ein „intrinsisch schlauer“ Ansatz, man zieht qualitative Aspekte heraus. Du startest mit den Daten, endest aber nicht dabei – sie sind immer Teil einer weiterführenden Diskussion. Auf die richtige Unternehmenskultur kommt’s an! Niemand will Daten freiwillig liefern, wenn sie nur als Munition genutzt werden. Lieber einfach und unperfekt als zu kompliziert und dann unbrauchbar.

Storytime: Gibt’s Erfolgsgeschichten rund um Buy-in und gesteigerte Datenkompetenz in Sachen Ressourcenmanagement? Und auch „Geistergeschichten“, wie Blocker alles behindert haben?

Grant Hultgren: Ich habe eine Erfolgsgeschichte: Ich habe mich bei einer Digitalagentur mit genau dem Ansatz von Ann und Marcel zurückgenommen – das Team in die Datendiskussion eingebunden, alle geschult, wieso wir Margen pro Projekt berechnen, Kosten pro Rolle etc., ohne Individualgehälter offenzulegen, aber Transparenz zwischen Senior- und Junior-Dev geschaffen. Plötzlich wurde deutlich, warum Resourcing so wichtig ist.

Das Ergebnis nach einem Jahr war: Nicht nur KPIs erreicht, sondern drei Mitarbeitende gründeten Familien, zwei kauften ein Haus. Der CEO meinte dann: Das war sein erfüllendstes Jahr. Das ist das eigentliche Warum. Die Sorge um die Zukunft des Teams bleibt immer bestehen, es ist die Verantwortung der Führung. Aber der größte Gewinn war: Dass das Team mit ihren Entscheidungen und Lebenswegen zeigte, dass sie Vertrauen ins Unternehmen hatten.

Das sind die Momente, auf die ich mit Stolz zurückblicke – und natürlich gibt’s auch Horror-Stories, wo etwas schiefging. Aber für diesen Augenblick hat es sich gelohnt.

Galen Low: Das „Why“ ist nicht nur Agenturwachstum, sondern persönliches Wachstum, Karriere, Gemeinschaft. In manchen Kulturen klappt das nicht – dort geht’s nur um Boni für die Chef-Etage. Aber ich mag dein Beispiel!

Grant Hultgren: Wachstum ist nie linear – der Markt entscheidet, was funktioniert. Adaptivität und Iteration sind entscheidend: Nutzen wir Daten wirklich, um laufend zu optimieren?

Galen Low: Genau!

Ann Campea: Schwer, Grants Geschichte zu toppen – aber es sind oft die kleinen Erfolge, wenn man mit guten Daten Führungskräfte überzeugen, Überlastung im Team sichtbar machen und bessere Balance schaffen kann. Zeigen, wie Komplexität der Arbeit, Belastung und Ressourcen wirklich zusammenhängen, bringt konkrete Verbesserungen.

Galen Low: Marcel, eine Geschichte?

Marcel Petitpas: Ja, ich habe eine Wendegeschichte von einem Kunden: Auf den ersten Blick lief die Agentur glänzend – Top-Kunden, preisgekrönte Arbeiten. Aber intern: kreative, ausgebrannte Mitarbeitende, periodisch extreme Überlastung, dann Leerlauf und Entlassungen, Schuldzuweisungen zwischen Teams, falscher Zusammenhang zwischen Zeit und Geld in Kalkulation und Preisen. Also: Preise und Aufwände wurden je nach Kundenbudget einfach „passend“ gemacht.

Wir haben Strukturen, Trennung von Preis (für den Kunden) und Scope (fürs Team) eingeführt, einen Datenrahmen aufgebaut, nachverfolgt, was tatsächlich passierte, Risiken identifiziert, Margen analysiert. Ein Bereich – Videoproduktion – stark schwankend, Stress, Überstunden, niedrige Margen. Andere Bereiche wie Brand und Webdesign profitabler.

So entstanden verbindliche Kalkulationsmodelle, das Team stand hinter den Schätzungen, Erwartungen wurden realistisch. Am Ende: 60, dann 90 % Wachstum bei gleichzeitig 500 % Margensteigerung – bei weniger Überstunden und Burnout. Aber das Beste war: Bessere Balance und gesündere Prozesse. Das ist die Kraft, die Operations-Leute haben. Es geht letztlich darum, Annahmen durch Daten zu verifizieren und sauber in die Zukunft zu projizieren. Dann profitieren alle Stakeholder.

Galen Low: Boom. Meine kleine Story: In Gesprächen im Hochschulbereich sagten einige, sie würden gerne die eigene Kapazitätsüberlastung objektiv belegen können – ohne Zeitdaten bleibt das nur Anekdote. Mit den richtigen Daten wird die Diskussion ermöglich: Sollen wir das „unnötige“ Projekt weitermachen, wenn es nur überlastet und kaum Marge bringt?

Kommen wir zu den Fragen aus dem Publikum: Thema GenAI, Daten und Ethik. Wenn wir Projektdaten in ein GenAI-Tool geben – wie sichern wir die Daten und müssen wir firmeneigene Lösungen nutzen? Und wo liegt die ethische Grenze beim Datensammeln über Menschen?

Grant Hultgren: Ich war bei einer Marketingagentur – dort haben wir uns zuerst gefragt: Offenlegen, dass wir GenAI nutzen? Sind wir mit der Qualität zufrieden? Wenn ja, dann als neues Tool nutzen. Wichtig ist: Intern eine klare Linie zu ziehen. Im Bereich Kundendaten sind wir (wegen Compliance wie SOC 2, GDPR) sehr zurückhaltend, KI kommt da nicht überall ran. Zur Sicherheit: Daten wo möglich anonymisieren; ohne Kunden- oder Personennamen. Im Zweifel: Lieber davon ausgehen, dass man Kundendaten nicht einbinden darf – es lohnt sich nicht, die Beziehung zu gefährden.

Viele Tools draußen, nicht alle sind sicher und marktreif – immer abwägen. Technik zur Ideenfindung nutzen, aber nie zur finalen Diagnostik oder Entscheidung – dafür gibt es den Menschen.

Galen Low: Compliance ist entscheidend – manche Tools sind sicher, andere gerade noch im MVP-Stadium. Da muss man unterscheiden.

Grant Hultgren: 100%. Wir achten intern streng auf Datenschutz – haben wir Daten, heißt das noch lange nicht, dass wir sie jedem Tool anvertrauen sollten.

Galen Low: Boom. Gut so.

Ann Campea: Zur ethischen Grenze: GenAI kann Bias beinhalten und muss sorgfältig genutzt werden. PMI (Project Management Institute) bietet z.B. eine eigene KI-Plattform mit geprüften Projektmanagement-Quellen an. Die ethische Grenze ist, wie man Daten einsetzt: Daten können genutzt oder missbraucht werden – etwa wenn sie zur Durchsetzung individueller Ziele genutzt werden. Also: Daten dürfen informieren, aber nie manipuliert oder „passend gemacht“ werden.

Galen Low: Das ist die Kehrseite von „Storytelling mit Daten“ – Daten für einen Zweck gesucht, statt sauber analysiert.

Weitere Frage: Werden Tools in Zukunft das Menschliche / die Projektkomplexität berücksichtigen – oder bleibt das manuell?

Marcel Petitpas: Ich denke, komplette Automatisierung in dem Bereich wird sehr lange nicht möglich sein. Siehe autonomes Fahren: Die letzten 2% sind extrem schwer! Buchhalter und Steuerberater braucht es weiterhin, trotz jahrzehntelanger Softwareunterstützung. Viele Prozesse kann man effizient automatisieren, aber am Ende braucht es menschliche Wertung – insbesondere bei Black-Box-Modellen von KI. Beispiele: 99-Stunden-Zeiteintrag vergessen? Falschkategorisierung? Das kann die KI nicht sicher entscheiden. Es bedarf menschlichen Qualitätsmanagements.

Grant Hultgren: Stimme zu: Memes wie „Ich dachte, KI würde mir die Hausarbeit abnehmen, nicht Kunst machen“. Am besten muss KI erstmal Routineaufgaben automatisieren, als Ideengeber agieren – aber das Geschäft steuern? Eher nicht! Unerwartete Events (wie Covid) oder Bewertung von Arbeitsstunden (soll man sie schreiben oder aus Kulanz streichen?) – das kann kein Algorithmus endgültig einschätzen!

Galen Low: Thema KI als Beratungstool: Beispiel – „Willst du wirklich Tony einplanen? Tony ist langsam, Sergio ist verfügbar und schneller, Tony landet immer öfter auf der Ersatzbank – entwickelt keine Karriere...“. Sollte ein Tool solche Ratschläge geben?

Marcel Petitpas: Das sind notwendige Diskussionen in der Führung. Objektive Daten helfen, emotional schwierige Personalentscheidungen zu hinterfragen – aber es braucht klare Werte und Standards im Unternehmen. Mit Bedacht implementiert, kann KI im Entscheidungsprozess unterstützen – aber nie die finale Instanz sein.

Grant Hultgren: Menschen kündigen wegen Chefs, nicht wegen Jobs. Technik darf nicht zum reinen Profiteurwerkzeug werden – hoffentlich verlässt sonst das ganze Team das Unternehmen! Technik soll Entwicklung und Fairness fördern – und auch Talente entdecken und fördern helfen.

Galen Low: Schwierige Fragen bleiben schwierig, ganz gleich wie viel Technik man hat. Ann?

Ann Campea: GenAI ist ein Partner und Unterstützer, aber kein Entscheider. „Human in the loop“ sollte immer gelten. Ich habe GenAI dazu befragt: Es sagte, KI kann langweilige Aufgaben übernehmen und Menschen Zeit für Kreativität schaffen. Maschinen können keinen Trost spenden – das bleibt menschlich.

Galen Low: Gut trainierte KI. Eine letzte Frage: Daten als Bereich statt als absolute Zahl präsentieren – hilft das, menschliche Unsicherheiten abzubilden?

Marcel Petitpas: Perfektes Beispiel: Präzision vs. Genauigkeit. Wie beim Wetter: Lieber sagen „zwischen 22 und 26 Grad“ als eine Einzelzahl, denn das ist akkurater. Je höher in der Organisation, desto unsicherer die Datenlage, desto wahrscheinlicher ist ein Range realistischer als ein exakter Wert.

Galen Low: Boom. Danke!

Grant Hultgren: Präzise Forecasts vier Wochen oder sechs Monate im Voraus? Haha, die Realität sieht jedes Mal anders aus – daher ist Range bzw. Bandbreite essenziell für Führung und Steuerung.

Galen Low: Boom – zu viel Präzision ist trügerisch.

Super. Damit sind wir am Ende. Nochmals danke an Grant, Marcel, Ann – danke, dass ihr eure Zeit hier eingebracht habt.

Wie immer: Wenn Sie sich mit mehr als tausend Projektmanagement-Interessierten austauschen wollen, werden Sie Teil unserer Community: thedigitalprojectmanager.com/membership. Und wenn Sie heute Neues gelernt haben: Bleiben Sie dran und abonnieren Sie unseren Newsletter auf thedigitalprojectmanager.com. Bis zum nächsten Mal – danke fürs Zuhören!