KI-Tool-Überforderung? Ein Leitfaden zum Umgang mit Ihren Optionen
Tool-Überforderung: Tägliche Neuerscheinungen von KI-Tools überfordern Projektmanager und erschweren kluge Kaufentscheidungen.
Zuerst Anwendungsfälle: Verstehen Sie zunächst Ihre spezifischen KI-Bedürfnisse, bevor Sie Tools einführen, um ineffiziente Lösungen zu vermeiden.
Vergleichend testen: Bewerten Sie KI-Tools, indem Sie Ergebnisse plattformübergreifend vergleichen und nicht isoliert betrachten.
Erweitern statt ersetzen: Erwägen Sie, bestehende Tools mit KI-Agenten zu ergänzen, statt überstürzt die Plattform zu wechseln.
Strategische Einführung: Konzentrieren Sie sich darauf, die Einführung von KI-Tools mit langfristigen Unternehmensstrategien und Prozessoptimierungen abzustimmen.
Es werden mittlerweile jeden einzelnen Tag zwischen 500 und 1.000 neue KI-Tools veröffentlicht. Für Projektmanager:innen und PMO-Führungskräfte ist diese Zahl nicht aufregend – sie ist ermüdend. Jede Woche bringt eine neue Plattform, die verspricht, Statusberichte zu automatisieren, Risiken vorherzusagen und Ressourcenallokation zu optimieren. Und jede Woche treffen Unternehmen Entscheidungen im fünf- und sechsstelligen Bereich auf Basis von Demo-Videos und Verkaufsmaterialien.
Emmanuels Magaya, Gründer von Project Managers Africa, hat über 100 KI-Tools getestet und eine Beratungsfirma gegründet, um Organisationen dabei zu unterstützen, fundiertere Entscheidungen bei der Tool-Auswahl zu treffen.
Kürzlich war er zu Gast beim DPM-Podcast-Moderator Galen Low und teilte eine Perspektive, die sich gegen den aktuellen Hype-Trend richtet: Langsam machen, spezifisch werden und nicht das Tool die Strategie bestimmen lassen.
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
Hier ist das genaue Vorgehensmodell, das er in der Sendung vorgestellt hat, damit Sie es genauso anwenden können.
Beginnen Sie mit Anwendungsfällen, nicht mit Tools
Der häufigste Fehler, den Organisationen machen, besteht nicht darin, das falsche Tool auszuwählen – sondern ein Tool zu wählen, bevor sie wissen, was es eigentlich können soll. Magaya bringt es direkt auf den Punkt: „Der erste Schritt ist, ganz genau zu verstehen, was Sie von KI erwarten“, erklärt er. „Versuchen Sie nicht, KI für alles zu nutzen. Schauen Sie sich zunächst einige der einfachen, wiederkehrenden Aufgaben an, die Denkarbeit erfordern und Zeit kosten.“
Versuchen Sie nicht, KI für alles zu nutzen. Schauen Sie sich zunächst einige der einfachen, wiederkehrenden Aufgaben an, die Sie im Alltag erledigen.
Das klingt einfach, aber die meisten Teams überspringen diesen Schritt. Sie sehen, wie ein Konkurrent ein neues System einführt oder jemand aus der Führungsetage einen Artikel liest, sodass plötzlich Druck zum schnellen Handeln entsteht. Das Problem: Dringlichkeit ohne Klarheit führt zu genau der Situation, die Magaya in seiner Beratungsarbeit am häufigsten behebt.
Eine weitere wichtige Warnung von ihm: Gehen Sie nicht davon aus, dass Ihre Prozesse bereit für KI sind, nur weil das Tool es ist. „Stürzen Sie sich nicht gleich auf das Tool“, sagt er. „Fragen Sie sich zuerst: Unterstützt mein Prozess überhaupt KI? Was wir festgestellt haben: Es gibt viele fehlerhafte Prozesse, bei denen der Einsatz von KI nur dazu führt, dass sie noch fehlerhafter werden.“ Wenn Ihre Ressourcenplanung inkonsistent ist oder Projektdaten unübersichtlich sind, löst eine KI-Schicht das Chaos nicht – sie beschleunigt es lediglich.
Wie Sie KI-Tools bewerten und vergleichen
Sobald Sie Ihre Anwendungsfälle für KI definiert haben, geht es in die Testphase – und auch dafür hat Magaya eine spezielle Methodik entwickelt. Der größte Fehler bei der Bewertung von Tools ist es, sie isoliert zu testen und sie an einem abstrakten Standard statt im direkten Vergleich zu beurteilen.
Seine Lösung ist einfach: „Verwenden Sie nie nur ein Tool, um KI-Ergebnisse zu erzielen. Geben Sie denselben Prompt in Gemini, Claude oder in jedes andere Tool, das Sie nutzen können, ein und vergleichen Sie die beiden.“ Indem Sie identische Prompts in mehreren Tools und KI-Modellen ausführen, treten Unterschiede in Qualität, Tiefe und Relevanz für Ihren spezifischen Anwendungsfall zutage.
Dieser Artikel basiert auf einer Folge des DPM-Podcasts mit dem Titel „You Don't Need a New AI PM Tool – You Need to Fix the One You Have“. Weitere DPM-Podcasts finden Sie hier.
Die Qualität Ihrer Ergebnisse ist jedoch nur so gut wie die Qualität Ihrer Eingaben. „Wenn Sie keine guten Prompts erstellen, erhalten Sie selbst mit dem besten Tool kein gutes Ergebnis“, sagt Magaya. „Sie müssen also die Fähigkeit zum Prompten entwickeln.“ Genau das wird in den meisten Evaluierungsframeworks vollständig ignoriert – Teams testen ein Tool, erzielen mittelmäßige Ergebnisse und legen es ad acta, obwohl eigentlich der Prompt das Problem war.
Außerdem warnt er davor, ein Tool nur nach dem ersten Eindruck zu bewerten. „Probieren Sie Ihre Tools richtig aus, testen Sie verschiedene Funktionen. Sie werden feststellen, dass sogar das Tool, das Sie anfangs nicht überzeugend fanden, für einen bestimmten Zweck hervorragend geeignet sein kann.“
Die meisten Plattformen enthalten zahlreiche Funktionen, die Nutzer:innen nie entdecken, weil sie direkt zur Hauptfunktion springen und nie weiter erkunden.
Was tun, wenn Ihr KI-Tool nicht passt
Selbst mit einem gründlichen Auswahlverfahren stellen Organisationen manchmal nach sechs Monaten Einsatz fest, dass das Tool nicht das liefert, was versprochen wurde. In solchen Fällen empfiehlt Magaya eine strukturierte Diagnose, bevor Entscheidungen über die nächsten Schritte getroffen werden.
„Verstehen Sie zuerst, was Sie vom Tool erwartet haben“, sagt er. „Dann führen Sie das durch, was wir eine Gap-Analyse nennen. Sie analysieren die Lücke zwischen Ihren Erwartungen – was soll das Tool leisten – und dem, was das Tool tatsächlich liefert." Diese Gap-Analyse entscheidet alles: ob das Problem lösbar ist, ob es sich lohnt, zu bleiben, und wie viel es tatsächlich kosten würde, das Tool aufzugeben.
Und diese Kosten können erheblich sein. „Die Folgen einer Fehlentscheidung können enorm sein. Es kann sogar Millionen kosten – was sich auf die Kundenzufriedenheit, die Auslieferung, die Produktqualität usw. auswirkt“, sagt Magaya. Die finanziellen Auswirkungen eines schlechten Vertrags sind offensichtlich, doch die Folgeschäden bei Lieferqualität und Team-Moral sind oft das, was wirklich schmerzt.
Die Folgen einer Fehlentscheidung können enorm sein – sie wirken sich auf Kundenzufriedenheit, Auslieferung, Produktqualität usw. aus.
Ein Aspekt, der leicht unterschätzt wird und den Magaya als wichtigste Überlegung nach der Identifikation von Reibungspunkten hervorhebt, sind Projektdaten. „Wie viele Daten haben wir dieses Tool schon gespeist? Das ist vermutlich der wichtigste Punkt nach dem Reibungspunkt“, sagt er.
„Vielleicht können Sie diese Daten nicht einmal wiederherstellen." Anders als bei einer Tabelle, die einfach exportiert und woanders importiert werden kann, sind das, was ein KI-Tool über das Verhalten Ihres Teams, Ihre Projekthistorie und Ihre Organisationsmuster gelernt hat, nicht übertragbar. Je weiter Sie mit dem Tool bereits gekommen sind, desto höher die Kosten, um wieder umzukehren.
So erweitern Sie Ihr bestehendes Tool mit KI-Agenten
Hier geraten die meisten Diskussionen über KI-Tools ins Stocken: Die Entscheidung wird auf „bleiben oder gehen“ reduziert. Magaya bietet jedoch eine dritte Option, die mehr Organisationen ernsthaft erwägen sollten – die Ergänzung. Anstatt ein Tool mit Lücken zu ersetzen, bauen Sie Agenten und automatisierte Workflows, die eben diese Lücken füllen und die bestehende Plattform erhalten.
Agenten als modular statt monolithisch betrachten
Die modulare Natur agentenbasierter KI macht dies praktikabler, als es klingt. „Bei agentischer KI liegt der Vorteil darin, dass Sie Agenten, die Sie nicht benötigen oder die nicht gut arbeiten, einfach entfernen und neue hinzufügen können“, erklärt Magaya. „Wenn Sie also ein agentisches PMO aufbauen, haben Sie zum Beispiel einen Agenten, der Ihre Risikoprognose übernimmt. Sie haben einen KI-Agenten, der das Kapazitätsmanagement erledigt. Sie haben einen, der einfach nur das Termin- oder Kalender-Management übernimmt." Jeder Agent übernimmt eine eigene Funktion, was es ermöglicht, Fähigkeiten hinzuzufügen oder zu entfernen, ohne den gesamten Stack umzustellen – und zugleich sicherstellt, dass jeder Agent optimal für seine Aufgabe arbeitet.
Bei agentischer KI liegt der Vorteil darin, dass Sie Agenten, die Sie nicht benötigen oder die nicht gut arbeiten, einfach entfernen und neue hinzufügen können
Klein anfangen – im bestehenden Tool
Der Einstieg muss nicht kompliziert sein. „Wenn Sie bereits ein Tool haben, prüfen Sie zunächst, ob es KI unterstützt“, sagt Magaya. „Wenn Sie gängige Tools wie Monday.com, Asana, Jira nutzen, dann arbeiten diese in der Regel daran, stets auf dem Stand der KI-Technologie zu bleiben. Damit können Sie anfangen. Sie starten also klein. Vielleicht ist es nur ein KI-Agent, der nach Meetings die Notizen überprüft – das Protokoll herauszieht, To-dos erstellt und dann eine E-Mail verschickt." Das ist ein risikoarmer, aber wertvoller Einstiegspunkt, der keine komplette Systemumstellung erfordert.
Planen, bevor Sie bauen
Für Teams, die weiter gehen wollen – etwa durch die Verbindung von Tools wie n8n, Make oder Zapier zur Erstellung anspruchsvollerer Workflows – betont Magaya, dass die Technologie der einfache Teil ist. Das Schwierige ist, schon vor Beginn zu wissen, was man eigentlich bauen will. „Sie können kein Haus bauen, ohne einen Plan zu haben – und genau daran scheitern viele Menschen mit KI", sagt er.
"Wenn Leute von n8n, Make, Zapier hören, stürzen sie sich direkt darauf, Workflows zu erstellen. Aber worum geht es in deinem Workflow überhaupt? Erstelle zuerst eine Mindmap in Tools wie NotebookLLM." Der Planungsschritt ist nicht optional – er entscheidet darüber, ob der von dir gebaute Workflow das Problem tatsächlich löst, den Informationsfluss versteht oder nur zusätzliche Komplexität schafft.
Du kannst kein Haus bauen, ohne einen Plan zu haben – und genau da machen viele Menschen bei KI Fehler.
Sobald die Architektur klar ist, wird die Umsetzung deutlich einfacher. "Du kannst dein Tool behalten, aber stelle sicher, dass jemand, der Automatisierungsprozesse versteht, die Workflows erstellt. So werden sie richtig integriert."
Behandle KI-Agenten wie Mitglieder deines Teams
Erweiterung ist nicht nur eine technische Entscheidung – sie erfordert einen Wandel in der Sicht auf die Zusammensetzung deines Teams. Magaya argumentiert, dass PMO-Leiter beginnen müssen, Agenten in der Teamgröße mitzuzählen. "Es gibt hier auch ein Change-Management-Element", sagt er.
"Das Team muss sich daran gewöhnen, KI als Teil des Teams zu haben. Wenn du künftig als PMO deine Mitarbeiter zählst, sagen wir dein Team umfasst 50 Personen – jetzt musst du die KI-Agenten als Teil des Teams mitzählen. Wenn du zum Beispiel 10 KI-Agenten hast, bist du eigentlich ein 60-köpfiges Team, weil es ein sogenanntes KI-RACI-Diagramm gibt – wer ist verantwortlich, wer rechenschaftspflichtig, wer wird konsultiert und wer informiert – und in einem Abschnitt übernimmt KI bestimmte Funktionen."
Wenn du künftig als PMO deine Mitarbeiter zählst, musst du jetzt auch die KI-Agenten als Teil des Teams berücksichtigen.
Diese Herangehensweise ist wichtig, weil sie für Klarheit sorgt. Wenn ein Agent auf dem RACI-Diagramm eine definierte Rolle hat, weiß das Team genau, wofür er verantwortlich ist, wie die Überwachung aussieht und wo der menschliche Übergabepunkt erfolgt. Außerdem lässt sich so leichter erkennen, welche Agenten in welchen Teilen des Workflows unterperformen.
Vom Reagieren zum Vorhersagen
Agenten wie Teammitglieder zu behandeln, erschließt laut Magaya eine der am meisten unterschätzten Stärken von KI im Projektmanagement. "Wenn du ein KI-fähiges PMO mit KI-Agenten und -Assistenten hast, die koordiniert zusammenarbeiten, können die Agenten dich tatsächlich über Risiken informieren, die auf Daten in E-Mails und Microsoft Teams basieren", sagt er.
Das ist ein grundlegend anderes Betriebsmodell, als die meisten PMOs es gewohnt sind. "Früher haben traditionelle PMOs Risiken reaktiv gemanagt – oh, etwas passiert, dann schauen wir, wie wir das lösen", sagt Magaya. "Aber mit KI kann dir KI schon 12 Monate im Voraus sagen, was passieren könnte, nur auf Basis von Daten." Die Teams, die das gut umsetzen, nutzen KI nicht nur, um Zeit bei administrativen Aufgaben zu sparen. Sie verwenden sie, um weiter vorauszublicken als je zuvor.
KI kann dir schon 12 Monate im Voraus sagen, was nur auf Basis von Daten passieren könnte.
Strategie statt Tools vorausgehen lassen
Die Organisationen, die am meisten aus KI herausholen, sind nicht diejenigen, die die meisten Tools einführen – sondern diejenigen, die sich am meisten Gedanken machen, wie und warum sie sie einsetzen. Diese Überlegtheit beginnt, bevor auch nur ein Tool angeschafft wird, und sie beginnt mit einem klaren Bild davon, wie deine Prozesse aussehen und wohin die Organisation steuert.
Wie Magaya es ausdrückt: "Stell dir vor, du benutzt KI in 12 Monaten effektiv. Wie sieht deine Organisation dann aus? Wie würden sich deine Kunden fühlen? So musst du es betrachten." Beginne mit diesem Ziel im Kopf, arbeite rückwärts und lasse die Tools der Strategie folgen – nicht umgekehrt.
Möchtest du mehr solcher Einblicke? Melde dich kostenlos beim DPM an, um mehr von solchen Expertinnen und Experten zu hören.
