Die besten KI-Modelle für Aufgaben im Projektmanagement
Modell-Landschaft: Der Einsatz von KI-Modellen im Projektmanagement ist rasant gewachsen, mit speziellen Modellen für bestimmte Aufgaben.
Besprechungszusammenfassung: Verschiedene KI-Modelle sind besonders gut darin, Meetings zusammenzufassen; die Wahl des Modells beeinflusst Genauigkeit und Detailtiefe.
Stakeholder-Kommunikation: KI hilft, Inhalte für Stakeholder-Updates zu strukturieren, aber die Präzision variiert je nach Modell.
Umfangsdokumentation: Claude wird für detailorientierte Aufgaben im Rahmenumfang bevorzugt, insbesondere dort, wo Modellprozesse Abhängigkeiten verarbeiten sollen.
Prozessdokumentation: ChatGPT ist oft besser darin, verstreute Informationen in kohärente Prozessdokumente zu strukturieren.
Wir sprechen hier bei DPM viel über KI-Projektmanagement-Tools – aber wir haben den Fokus bisher noch nicht auf die KI-Modelle selbst und ihren Einfluss auf die Projektmanagement-Arbeit gelegt. Bis jetzt.
Das Modell-Ökosystem ist rasant gewachsen. Laut der Artificial Analysis KI-Adoptionsumfrage ist die durchschnittliche Anzahl der verwendeten oder in Betracht gezogenen LLM-Familien von etwa 2,8 im Jahr 2024 auf 4,7 im Jahr 2025 gestiegen. Und das Ranking der T4 Atlas 'Meistgenutzten KI-Modelle' zeigt, welche immer wieder am Markt auftauchen: GPT-4o, Claude 3.5 Sonnet, DeepSeek R1, Gemini 1.5 Pro, Llama 3, Copilot Model Stack, Grok und Codestral.
Wer mit mehr als einem Modell experimentiert hat, weiß bereits: Sie sind nicht austauschbar – und sie so zu behandeln, würde bedeuten, echte Leistungsgewinne zu verschenken. Um herauszufinden, wie sich diese Modelle bei den gängigsten Projektmanagement-Aufgaben schlagen, haben wir direkt bei Anwendern nachgefragt. Das haben sie uns berichtet.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Meeting-Zusammenfassungen und Aufgabenübersichten
Claude, Gemini, Read AI
Meeting-Zusammenfassungen gehören zu den häufigsten KI-Anwendungsfällen im Projektmanagement und sind zugleich besonders anfällig für Leistungseinbußen der Modelle. Joe Troyer, Chief Marketing Officer bei Great Lakes Tiny Homes, zieht einen direkten Vergleich: „Claude erfasst Aufgaben über einstündige Transkripte hinweg zuverlässig, während GPT nach den ersten dreißig Minuten beginnt, Namen und Fristen zu vergessen.“ Je länger das Meeting, desto wichtiger wird die Wahl des Modells.
Claude hält Aktionspunkte während einstündiger Transkripte genau fest, während GPT nach den ersten dreißig Minuten beginnt, Namen und Fristen zu vergessen.
Aber das richtige Modell zu identifizieren ist nur die halbe Miete – zu wissen, wie ein gutes Ergebnis aussieht, ist die andere. Troyer wird dabei konkret: „Gute Ergebnisse listen jeden Punkt mit dem Namen des Sprechers und einem einzigen Satz zu dessen Aufgabe auf. Schlechte Ergebnisse fügen zusätzliche Aufgaben hinzu, die nie erwähnt wurden, oder führen zwei Personen zu einem einzigen Verantwortlichen zusammen.“
Nicht alle kommen zum selben Ergebnis. Michael Gold, der Projekte für verschiedene Kunden steuert, vergleicht Modelle gezielt miteinander, statt sich auf eines festzulegen: „Am Ende nutze ich alles – Gemini, Claude, Chatty und was es sonst noch gibt – selbst wenn ich Firefly habe. Ich nehme Fireflys Transkript und stecke es in ein anderes Modell, weil ich Firefly nicht vertraue.“ Seine Herangehensweise versteht den Modellvergleich als festen Bestandteil des Workflows – nicht als einmaligen Einrichtungsschritt.
Ryan Gilbreath geht strukturierter vor und ordnet die getesteten Optionen: „Wenn ich meine Tool-Liste für AI-Notizwerkzeuge bewerten würde, wäre Read AI momentan meine Nummer eins. An zweiter Stelle steht Gemini, weil ich in einem Google Workspace arbeite und dort einfach alles synchronisieren und an einem Ort sammeln kann. Danach würde ich Otter AI nennen.“
Stakeholder-Kommunikation und Statusberichte
Claude Opus, ChatGPT-4
Ein hilfreiches Statusupdate erfüllt bestimmte Anforderungen besonders gut. Wie Guillermo Ginesta, Managing Partner APAC bei Brinc, es ausdrückt: „Ein nützliches Ergebnis muss Fakten, Blockaden, eigentümerbezogene Maßnahmen und politische Risiken klar voneinander trennen, ohne dabei Gewissheiten zu erfinden.“ Ken Herron, Mitgründer von VCONify, bringt es genauso prägnant auf den Punkt: „Ein gutes Ergebnis fasst zusammen, was sich geändert hat, warum das wichtig ist, wer als Nächstes handelt und wo Entscheidungen nötig sind. Ein schlechtes Ergebnis liest sich wie ein allgemeiner Sitzungsbericht, behandelt alle Themen als gleich wichtig und verliert den Führungskontext.“
Mit diesem Wissen unterscheiden sich Praktiker je nachdem, was sie optimieren möchten. Ken Herron, Mitgründer von VCONify, greift auf Claude zurück, wenn Kommunikationsqualität oberste Priorität hat: „Wenn ich aus Meetingnotizen, E-Mail-Threads und Führungskräfte-Feedback einen prägnanten Stakeholder-Report erstellen muss, liefert Claude [Opus] durchweg klarere und nuanciertere Kommunikation als andere getestete Modelle.“
Andere argumentieren für ChatGPT-4. Bogdan Condurache, Mitbegründer und CPO von Brizy, verwendet GPT-4 für die Kommunikation mit Stakeholdern und nutzt Claude für die Definition des Projektumfangs. Er hebt hervor, wie sich GPT-4 an unterschiedliche Zielgruppen anpassen kann: „Wenn ich eine Verzögerung der Geschäftsleitung erklären, ein Produkt-Update für Kunden vereinfachen oder technische Schulden für nicht-technische Teams zusammenfassen muss, passt es Ton und Detailtiefe sehr gut an.“
Umfangsdokumentation und Anforderungen
Claude Opus, ChatGPT-4
Wenn es darum geht, den Projektumfang zu definieren, tendiert der Konsens unter Praktikern zu Claude – insbesondere bei komplexen Arbeiten mit mehreren Abhängigkeiten, bei denen eine übersehene Annahme hohe Kosten verursachen kann. Murli Pawar, Vice President bei SunTec, beschreibt, wie sein Team Claude Opus genau dafür einsetzt: „Wir nutzen Claude Opus, um ein Scope-Dokument eines Kunden in einen konkreten Projektplan zu überführen, indem wir es in Aufgaben zerlegen, diese in die richtige Reihenfolge bringen und Abhängigkeiten abbilden. Unsere Projekte haben meist viele voneinander abhängige Schritte, bei denen eine Stufe erst beginnen kann, wenn die vorherige abgeschlossen und sauber ist. Deshalb ist hier eine echt fundierte Planung gefragt – eine bloße Aufzählung reicht nicht.“
Was Claude in diesem Zusammenhang laut Pawar auszeichnet, ist der Umgang mit Unklarheiten: „Wenn ich einen ungenauen Auftrag gebe, erkennt Claude am zuverlässigsten, dass Schritt C insgeheim von Schritt A abhängt, und markiert, wo das Briefing unvollständig ist, anstatt stillschweigend Annahmen zu treffen, um die Lücken zu füllen. Die anderen liefern mir öfter einen Plan, der vollständig aussieht, aber dessen Reihenfolge zusammenbricht, sobald man sie überprüft.“
Pawars Definition von guter und schlechter Ausgabe ist in diesem Zusammenhang beachtenswert: „Eine gute Ausgabe ist ein Plan, den ich hinterfragen kann. Er legt seine eigenen Annahmen offen. Er kann Aufgaben zu logischen Phasen zusammenfassen und mir aufzeigen, wo das Briefing unklar war, anstatt diese Stellen zu übergehen. Ich sollte ihn bearbeiten und nicht komplett neu aufbauen müssen. Eine schlechte Ausgabe ist ein übermäßig selbstsicherer Plan, der im Kern falsch ist.“
SOP- und Prozessdokumentation mit ChatGPT
Prozessdokumentation stellt andere Anforderungen an KI als die Protokollierung von Meetings in Echtzeit – und der Unterschied zwischen einer auf den ersten Blick überzeugenden und einer tatsächlich brauchbaren Ausgabe kann hier besonders teuer werden. Die Praktiker, die diese Arbeit regelmäßig machen, greifen oft zu ChatGPT, vor allem wegen seiner Stärke, verstreute Informationen in logische Abfolgen zu ordnen.
Hien Nguyen, Mitgründerin & Direktorin bei Happy Way, nutzt ChatGPT, um betriebliches Wissen zusammenzuführen, das „über verschiedene Orte verteilt ist – Meetings, Nachrichten in Slack, E-Mails und einzelne Mitglieder des Operationsteams.“ Der Wert des Modells besteht ihrer Erfahrung nach darin, ungeordnete Eingangsinformationen zu strukturieren: „Ein gutes Ergebnis beschreibt den Schritt-für-Schritt-Prozess und enthält Entscheidungspunkte so detailliert, dass ein neuer Mitarbeiter mit diesem Dokument den Prozess umsetzen kann, ohne ständige Rückfragen stellen zu müssen.“
Sie benennt deutlich das zentrale Fehlermuster: „Ein schlechtes Ergebnis sieht zwar gut aus, aber es fehlen die praktischen Details. Wenn KI neue Schritte erfindet, wesentliche Informationen zu einem Prozess auslässt und Geschäftstätigkeiten mit allgemeinen Begriffen beschreibt, ohne zu erklären, wie die Arbeit tatsächlich erledigt wird, ist das Dokument fast unbrauchbar.“ Für SOPs reicht bloße Oberflächenlogik nicht aus – es braucht die notwendige Spezifizität, sonst scheitert das Dokument in der Praxis.
Texterstellung und schriftliche Arbeit
Claude, Gemini
Für Schreibaufgaben – sei es bei der Erstellung von Projektkommunikation, Inhalten oder Werbetexten – berichten Praktiker von einer klaren Teilung. Claude und Gemini erweisen sich als die bevorzugten Optionen, während ChatGPT bei direkten Vergleichen zurückfällt.
Jennifer Goebel, Projektkoordinatorin bei Baker Marketing Laboratory, findet Claude aus Perspektive des Schreibstils am besten: „Claude scheint für die Kommunikation am zuverlässigsten zu sein, mit weniger Hin und Her als bei ChatGPT und einem natürlicheren Schreibstil.“
Yonelly Gutierrez, die Projektworkflows über mehrere Tools hinweg managt, hat einen entschlosseneren Wechsel vollzogen: Sie kündigte ihr ChatGPT-Profikonto komplett, nachdem sie einen Leistungsabfall festgestellt hatte. „Ich habe einen riesigen Unterschied bemerkt, sogar zwischen GPT-Modellen. Früher habe ich ständig ChatGPT genutzt, aber inzwischen halluziniert es viel zu häufig.“ Jetzt verlässt sie sich für das Schreiben auf Gemini: „Wenn es ums Schreiben geht, bevorzuge ich Gemini.“ Ihr Zweittool ist Glean – nicht wegen seiner Schreibqualität, sondern weil es relevante interne Projektkontexte herausfiltern kann.
Das Modell dem Moment anpassen
Ob bei Besprechungszusammenfassungen, Statusupdates, Prozessdokumentationen oder Aufgabenabgrenzungen: Es zeigt sich stets ein Thema – KI-Ergebnisse scheitern nicht, weil die Technologie falsch wäre, sondern weil falsche Erwartungen – oder das falsche Modell – auf die Aufgabe angewendet werden. Die PMs, die den größten Nutzen aus KI ziehen, verwenden nicht nur ein einziges Tool. Sie sehen die Modellauswahl als bewussten Bestandteil ihres Workflows – und messen die Ergebnisse an einem klaren Maßstab, wie ein gutes Resultat tatsächlich aussieht.
Möchten Sie mehr solcher Einblicke? Melden Sie sich bei einem kostenlosen DPM-Account an, um von weiteren solchen Experten zu erfahren.