Früher habe ich so gearbeitet: ChatGPT öffnen, meinen Projektkontext erklären, mir helfen lassen den Scope zu strukturieren, ihn in Epics aufzuteilen, vielleicht ein paar User Stories zu groomen. Der Output war wirklich hilfreich. Dann habe ich ihn nach Confluence kopiert. Nach Jira kopiert. Tab geschlossen.
Eine Woche später hatte sich die Story weiterentwickelt. Kommentare von Entwicklern, Scope-Änderungen, neue Abhängigkeiten. Ich konnte den alten Chat wieder öffnen, aber ich musste ihn trotzdem über alles informieren, was seitdem passiert war. Jedes Gespräch begann damit, aufzuholen.
Ich habe auch versucht, es strukturierter zu machen. Custom GPTs für standardisierten Output, Integrations-Tools, die versprachen, alles zu verbinden. Beides hat für mich nicht wirklich funktioniert. Das Setup hat Zeit gekostet, die Ergebnisse waren fragil, und jedes Experiment hat Reibung hinzugefügt statt sie zu reduzieren.
Irgendwann fühlte sich die AI nicht mehr wie ein Hebel an, sondern wie Overhead.
Der Wendepunkt kam, als ich mehr darüber gelernt habe, wie diese Modelle tatsächlich funktionieren. Sie lernen nicht wirklich aus deinen Interaktionen - sie brauchen den richtigen Kontext, der ihnen jedes Mal mitgegeben wird. Es geht darum, ihnen das zu geben, was sie im richtigen Moment brauchen. Und wenn die AI außerhalb deiner Tools lebt, außerhalb deines Workflows, hat sie diesen Kontext einfach nie. Das Problem war nicht die AI. Das Problem war, dass mein Workflow sie außen vor hielt.
Wenn Kollegen mir sagen "Ich nutze ChatGPT die ganze Zeit für PM-Arbeit, ist super", bin ich neugierig, was sie damit eigentlich meinen. Macht es sie wirklich effizienter, oder generiert es nur mehr Content? Ist die AI Teil ihres Prozesses, oder ein Nebengespräch, das sie gelegentlich führen?
Dieser Unterschied ist wichtiger als die meisten denken.
Was PMs heute tatsächlich nutzen
Ich scheine damit nicht allein zu sein. Wenn ich mir anschaue, wie andere Projektmanager ihre AI-Nutzung beschreiben, klingen die Erfahrungen vertraut. In Praktiker-Diskussionen auf ProjectManagement.com steht ChatGPT an der Spitze als das Go-to-Tool. Die Anwendungsfälle sind dieselben, die ich beschrieben habe: dieses Dokument zusammenfassen, diese E-Mail entwerfen, dieses Epic aufteilen, diese Spec reviewen, diese Formel korrigieren.
Einmalige Aufgaben. Prompts, keine Systeme.
Manche Teams versuchen weiterzugehen - Custom GPTs für bestimmte Workflows, Templates für wiederkehrende Aufgaben. Aber die skalieren selten über die Person hinaus, die sie gebaut hat. Sie lösen ein konkretes Problem, dann liegen sie ungenutzt herum.
Die Adoption ist real. Aber für die meisten Projektmanager bleibt AI ein Tool, das man besucht, nicht Infrastruktur, die man baut.
Was PM-Arbeit wirklich ist
Der Grund hat weniger mit der AI zu tun und mehr damit, was Projektmanagement eigentlich beinhaltet.
PM-Arbeit ist nicht in einem Projektmanagement-Tool enthalten. Sie umfasst Requirements Engineering, Dependency Tracking, Risikoidentifikation, Stakeholder-Kommunikation und operative Umsetzung. An einem beliebigen Tag verfeinere ich vielleicht User Stories in Jira, aktualisiere eine Roadmap in Confluence, beantworte Fragen in Teams oder persönlich, bereite ein Status-Deck vor und synchronisiere mich mit Stakeholdern per E-Mail oder in Meetings.
Die Information lebt überall: Jira für Tasks, Confluence für Dokumentation und Timelines, Teams für Diskussionen, E-Mail für Kommunikation, geteilte Laufwerke für Deliverables. Jedes Tool hält ein Stück des Puzzles.
Das ist die Realität, auf die AI-Tools stoßen. Wenn ich ChatGPT bitte, mir beim Entwurf eines Status-Updates zu helfen, weiß es nicht, was in Jira steht. Wenn ich es bitte, Risiken zu identifizieren, kann es den Teams-Channel nicht sehen, wo jemand gestern ein Problem geflaggt hat, oder den E-Mail-Thread, wo es eskaliert wurde. Wenn ich es bitte, eine Requirements-Spec zu reviewen, hat es keinen Kontext über die Abhängigkeiten, die anderswo dokumentiert sind.
Die AI kann nur mit dem arbeiten, was ich hineinkopiere. Und ich kann nur so viel kopieren, bevor der Overhead den Nutzen übersteigt.
Vendor-AI-Features helfen, aber nur innerhalb ihres Ökosystems. Atlassians AI funktioniert über Jira und Confluence hinweg, was wirklich nützlich ist. Aber PM-Arbeit bleibt nicht innerhalb von Atlassian. Sie geht über in Teams, E-Mail, externe Stakeholder, Tools anderer Teams. Jeder Vendor optimiert für seine eigenen Grenzen.
Denk mal darüber nach, wie ein einzelnes Requirement sich bewegt: Es beginnt als Gespräch, wird eine Confluence-Seite, wird zu Jira-Stories, wird in Kommentaren verfeinert und beeinflusst nachgelagerte Tasks. Oder wie ein Risiko in einem Standup auftaucht, in Notizen festgehalten wird, per E-Mail eskaliert werden muss und am Ende in einem Register getrackt wird. Der Faden kreuzt ständig Tools.
Kein einzelner Vendor sieht den kompletten Faden. Und keine Vendor-AI kann über alles hinweg schlussfolgern.
Das ist keine Kritik an diesen Tools. Sie sind für ihren Zweck gebaut. Aber es erklärt, warum das Aufschrauben von AI auf sie nicht transformiert, wie du arbeitest. Es macht nur einzelne Aufgaben schneller innerhalb von Grenzen, die weiterhin existieren.
Die Frage ist, was es bräuchte, damit AI tatsächlich über diese Grenzen hinweg funktioniert.
AI-Enhanced vs AI-Native
Hier wird eine Unterscheidung aus Rajiv Pants Arbeit zu AI-native Project Management nützlich: der Unterschied zwischen AI-enhanced und AI-native Ansätzen.
AI-enhanced bedeutet, AI-Features auf bestehende Tools aufzuschrauben. Das Tool bleibt gleich, aber jetzt kann es zusammenfassen, generieren oder vorschlagen. Notion AI hilft dir beim Schreiben innerhalb von Notion. Microsoft Copilot hilft dir beim Arbeiten innerhalb von M365. Atlassian Rovo hilft über Jira und Confluence hinweg. Der Workflow bleibt menschengesteuert, mit AI, die bei bestimmten Aufgaben assistiert.
AI-native bedeutet, den Prozess um das herum neu zu gestalten, was AI kann. Die AI ist kein Feature - sie ist Teil der Architektur. Kontext persistiert über Sessions hinweg und baut sich mit der Zeit auf. Jede Interaktion fügt hinzu, was die AI weiß. Dokumentation ist so strukturiert, dass AI darauf handeln kann, nicht nur damit Menschen sie lesen können. Der Workflow verschiebt sich von menschengesteuert mit AI-Unterstützung zu AI-gesteuert mit menschlicher Aufsicht.
| Aspekt | AI-Enhanced | AI-Native |
|---|---|---|
| Integration | Plugin oder Feature | Kernarchitektur |
| Kontext | Pro Session | Persistent und akkumulierend |
| Dokumentation | Für Menschen geschrieben | Für AI strukturiert |
| Workflow | Menschengesteuert, AI assistiert | AI-gesteuert, Mensch beaufsichtigt |
Das meiste, was als "AI für Projektmanagement" vermarktet wird, ist AI-enhanced. Und für viele Aufgaben ist das okay. Wenn du ein Dokument zusammenfassen oder eine E-Mail entwerfen musst, funktioniert ein aufgeschraubtes AI-Feature.
Aber der Copy-Paste-Workflow, den ich vorher beschrieben habe? Das passiert, wenn du versuchst, AI-enhanced Tools für Arbeit zu nutzen, die Grenzen überschreitet. Die AI jedes Tools sieht nur, was innerhalb dieses Tools ist. Der Kontext persistiert nicht. Die Integrationen existieren nicht.
Pant bringt es gut auf den Punkt: "Traditionelle Docs existieren, um referenziert zu werden. AI-native Docs existieren, um auf ihnen zu handeln."
Der Unterschied ist wichtig, weil er verändert, was möglich ist. In einem AI-enhanced Setup bist du immer noch derjenige, der die Punkte verbindet. Du kopierst Kontext von einem Ort zum anderen. Du erinnerst dich an das, was die AI vergessen hat. Du überbrückst die Lücken zwischen Tools.
In einem AI-native Setup hat die AI Zugang zum Kontext, den sie braucht. Sie kann aus deinem Task-Tracker ziehen, deiner Dokumentation, deiner Kommunikationshistorie. Sie startet nicht bei Null jede Session - der Kontext ist strukturiert um zu persistieren, und er wächst mit jeder Interaktion.
Die meisten Projektmanager arbeiten in AI-enhanced Umgebungen, weil das ist, was ihre Organisationen bereitstellen. Die Frage ist nicht, ob AI-enhanced Tools schlecht sind - sie sind nützlich. Die Frage ist, ob sie ausreichen für Arbeit, die Tools, Teams und Zeit überspannt.
Für die meisten reichen sie nicht. Was die Frage aufwirft: Was bräuchte es, damit AI-Arbeit tatsächlich akkumuliert?
Wie Akkumulation aussieht
Was ist also die Alternative? Wie sieht es aus, wenn AI-Arbeit tatsächlich auf sich selbst aufbaut?
Die Verschiebung ist strukturell: Die AI wird zur Schnittstelle zum Projekt. Statt verschiedene Tools zu besuchen und Kontext zwischen ihnen zu kopieren, orchestriert die AI über Kanäle hinweg. Sie zieht aus deinem Task-Tracker, deiner Dokumentation, deiner Kommunikationshistorie. Sie ist kein Nebengespräch - sie ist der zentrale Punkt, durch den Projektarbeit fließt.
Aus Pants AI-native Framework stechen ein paar Prinzipien hervor: persistente Kontext-Dateien, die mit dem Projekt reisen, Dokumentation, die so strukturiert ist, dass AI darauf handeln kann, und Updates, die sofort passieren statt aufgeschoben zu werden.
Von Praktikern, die ihre eigenen Systeme gebaut haben: strukturierte Workflows für wiederkehrende Aufgaben statt Ad-hoc-Prompts, und direkte Tool-Integrationen statt Copy-Paste.
Aus meiner eigenen Erfahrung: Kontext, der über Sessions hinweg persistiert und wächst, mehrere Review-Perspektiven, die in den Workflow eingebaut sind, und Verifikations-Checkpoints, die Fehler abfangen, bevor sie sich aufschaukeln.
Was zählt, ist dass die AI den richtigen Kontext zur richtigen Zeit hat. Nicht allen Kontext - das würde jedes System überfordern. Der Schlüssel ist, strukturieren zu können, was die AI sieht: welche Information sie zieht, wann sie sie zieht, und wie sie sich mit vorheriger Arbeit verbindet.
Die Lücke zwischen "AI nutzen" und "AI-gestützte Prozesse bauen" ist real. Die meisten Projektmanager sind auf der ersten Seite - und das aus gutem Grund. Die Tools, die sie bekommen, sind AI-enhanced, nicht AI-native. Etwas Anderes zu bauen erfordert Aufwand.
Wo wir stehen
Die meisten Projektmanager nutzen AI. Wenige bauen AI-gestützte Prozesse. Der Unterschied ist nicht Enthusiasmus oder technische Fähigkeit - es geht darum, ob die AI integriert ist in wie Arbeit tatsächlich fließt, oder ein Nebengespräch bleibt, das man gelegentlich besucht.
Die Landschaft ist klar: ChatGPT dominiert, Nutzung ist ad-hoc, und Vendor-Tools optimieren innerhalb ihrer eigenen Grenzen, während PM-Arbeit sie alle kreuzt. AI-enhanced hilft bei Aufgaben. AI-native akkumuliert über Zeit.
Wenn dein aktueller Workflow beinhaltet, Kontext in ChatGPT zu kopieren, nützlichen Output zu bekommen und ihn woanders einzufügen - du bist nicht allein. Da sind die meisten. Die Frage ist, ob du dort bleiben willst.
Im nächsten Artikel zeige ich das System, das ich gebaut habe: die Kontext-Dateien, die Tool-Integrationen, die Workflows, die tatsächlich akkumulieren. Keine Theorie - etwas, das du adaptieren kannst.
Akkumuliert dein AI-Workflow, oder wiederholt er sich nur?
Bereit für AI-Workflows, die sich aufbauen?
Ich helfe PM-Teams dabei, von Ad-hoc AI-Nutzung zu integrierten Systemen zu kommen.
Kontakt aufnehmen