KI ist längst im Projektalltag etabliert. Die eigentliche Frage lautet nicht mehr „Nutzen wir KI?", sondern „Wie effizient setzen wir sie ein?" – Kunden und Dienstleister greifen gleichermaßen zu KI-Tools. Doch was passiert, wenn beide Seiten KI nutzen, aber niemand mehr richtig hinschaut? Ein Praxisbericht über Chancen, Stolperfallen und die neue Realität der Anforderungsaufnahme.
Warum verändert KI den Beratungsprozess bei Kunden grundlegend?
Die Anforderungsaufnahme ist das Fundament jeder erfolgreichen Zusammenarbeit. Hier entscheidet sich, ob ein Projekt die richtige Richtung einschlägt oder an Missverständnissen scheitert. KI-Tools wie ChatGPT, Gemini, Atlassian Rovo oder CloudPilot versprechen, diesen Prozess effizienter zu gestalten – auf beiden Seiten des Tisches.
Das Wunschdenken-Szenario
Stell Dir folgendes vor – ein Ablauf, den wir in der Realität zunehmend beobachten:
- Der Kunde lässt sein komplettes Briefing von KI schreiben
- Das Briefing landet beim Projektmanager – ungelesen vom Kunden selbst
- Der Projektmanager überfliegt das Ganze und übergibt an die KI
- Die KI erstellt ein Angebot
- Die KI vom Kunden prüft das Angebot und beauftragt
- Jetzt muss nur noch die KI des Auftraggebers den Online-Shop bauen, publizieren und alle können Geld verdienen, während sie in ihren Permakultur-Gärten Gurken anbauen.
Ups, stopp, da ist die KI-Fantasie wohl ein bisschen zu weit gegangen. Jedoch, am Ende kennt man das Szenario: KI-Systeme kommunizieren, während die eigentlichen Entscheider nur noch überfliegen. Klingt das effizient? Ist es nicht. Die Folge sind Missverständnisse, die erst in der Umsetzungsphase sichtbar werden – wenn Änderungen richtig teuer werden. Die Ironie dabei: Beide Seiten glauben, Zeit gespart zu haben. In Wirklichkeit hat niemand die Verantwortung für den Inhalt übernommen.
Wie setzen Projektmanager KI in der Anforderungsaufnahme ein?
Projektmanager nutzen KI heute, um:
- Präzisere Formulierungen für Anforderungsdokumente zu finden
- Komplexe Themen strukturiert zu diskutieren und Lücken zu identifizieren
- Briefings schneller in umsetzbare Aufgaben zu übersetzen
- Confluence-Whiteboards mit vorstrukturierten Inhalten zu befüllen
- Meeting-Protokolle automatisiert in Anforderungslisten zu überführen (z. B. aus Transkripten direkt User-Stories oder Akzeptanzkriterien generieren)
- Wiederkehrende Dokumentationsaufgaben zu automatisieren – etwa das Erstellen von Requirement-Templates, das Befüllen von Jira-Tickets aus Freitext-Notizen oder das automatische Zusammenfassen langer E-Mail-Threads zu strukturierten Anforderungsdokumenten
Der entscheidende Unterschied machts: Im Umgang mit KI-Antworten liest der erfahrene Anwender den Text, den das Tool ausspuckt. Die KI dient als Entwurfsmaschine – nicht als Endprodukt.
Formulierungen finden und schärfen
Ein häufiger Anwendungsfall: Projektmanager nutzen KI als Sparringspartner für Formulierungen. Statt minutenlang nach dem richtigen Wort zu suchen, liefert das Tool Vorschläge, die anschließend kritisch geprüft und angepasst werden.
Themen strukturiert durchdenken
KI eignet sich hervorragend als Diskussionspartner. Projektmanager können Anforderungen gegen das Tool „testen", Szenarien durchspielen und blinde Flecken aufdecken. Das Ergebnis: fundiertere Rückfragen an den Kunden und eine präzisere Anforderungsdokumentation.
Arbeitsergebnisse visuell aufbereiten
Tools wie Atlassian Rovo ermöglichen es, direkt in Confluence strukturierte Whiteboards zu erstellen – basierend auf den gesammelten Anforderungen. So entsteht in kurzer Zeit ein visueller Überblick, der als Diskussionsgrundlage dient.
Welche KI-Tools kommen in der Praxis meist zum Einsatz?
| Tool | Einsatzbereich im Anforderungsprozess | Konkrete Stärke |
|---|---|---|
| ChatGPT (inkl. Custom-GPTs) | Formulierungen schärfen, Anforderungen auf Vollständigkeit prüfen, Stakeholder-Perspektiven simulieren | Custom-GPTs erlauben es, projektspezifische Kontexte und Templates dauerhaft zu hinterlegen – der Prompt „Verhalte Dich wie ein kritischer Product-Owner" liefert dann sofort gezielte Rückfragen |
| Gemini (inkl. Gems) | Zusammenfassung langer Briefings, Extraktion von Kernforderungen aus E-Mail-Verläufen | Tiefe Integration in Google-Workspace: ein Kundenbriefing in Google Docs wird direkt analysiert, ohne Copy-Paste |
| Atlassian Rovo | Wissenssuche über Confluence-Seiten, automatische Ticket-Erstellung, Whiteboards generieren | Greift auf das gesamte Projektwissen im Confluence-Space zu – findet Abhängigkeiten zu bestehenden Anforderungen, die manuell übersehen würden |
| CloudPilot | Technische Anforderungsvalidierung, Architektur-Vorschläge | Bewertet Anforderungen direkt gegen Cloud-Best-Practices und markiert unrealistische technische Erwartungen |
Spezialisierte KI-Agenten (Skills) nutzen
Ein Konzept, das sich über verschiedene Plattformen hinweg durchsetzt: vorkonfigurierte KI-Agenten, die auf bestimmte Aufgaben spezialisiert sind.
- ChatGPT nennt sie „Custom GPTs" – mit eigenen Anweisungen und Wissensbasis
- Gemini bietet „Gems" – personalisierte Gesprächspartner mit festgelegtem Kontext
- Atlassian Rovo arbeitet mit „Agents" – diese greifen direkt auf Unternehmensdaten zu und führen Aktionen aus (z. B. Tickets anlegen)
Der Vorteil: Statt bei jeder Anfrage den Kontext neu zu erklären, arbeitet die KI ab dem ersten Prompt mit dem richtigen Vorwissen. Für die Anforderungsaufnahme bedeutet das: Ein Agent kennt bereits die Projekthistorie, geltende Standards und typische Stolperstellen – und liefert sofort relevante Ergebnisse.
Wie erkennt man ein rein KI-generiertes Kunden-Briefing?
KI-generierte Briefings verraten sich häufig durch:
- Oberflächliche Formulierungen ohne unternehmensspezifische Details
- Widersprüche zwischen verschiedenen Abschnitten
- Fehlende Priorisierung und unrealistisch umfangreiche Anforderungslisten
- Generische Aussagen, die auf jedes Unternehmen passen könnten
- Perfekte Struktur bei gleichzeitig fehlendem inhaltlichem Tiefgang
Die richtige Reaktion: Nicht akzeptieren, sondern gezielt nachfragen. „Welche drei Punkte sind euch am wichtigsten?" entlarvt schnell, ob der Kunde den eigenen Inhalt durchdrungen hat.
Zeitersparnis oder Zeitfresser – was stimmt?
Die ehrliche Antwort: Beides. Die Lernkurve bestimmt den Unterschied.
In der Anfangsphase erleben viele Projektmanager KI als zeit- und nervenraubend. Prompts liefern nicht das gewünschte Ergebnis, Ausgaben müssen mehrfach überarbeitet werden, und das Warten auf Antworten bei komplexen Anfragen unterbricht den Arbeitsfluss.
Mit zunehmender Übung kehrt sich das Verhältnis um:
- Prompts werden präziser und liefern schneller brauchbare Ergebnisse
- Wiederkehrende Aufgaben lassen sich mit gespeicherten Prompts und Skills standardisieren
- Die Einschätzung, wann KI hilft und wann sie bremst, verbessert sich spürbar
Ein realistischer Erfahrungswert: Nach etwa vier bis sechs Wochen intensiver Nutzung überwiegen die Effizienzgewinne. Davor investierst Du mehr Zeit in das Tool als Du zurückbekommst.
Häufige Kritik aus der Praxis: Bei komplexen Anfragen dauert das Iterieren mit der KI. Prompt formulieren, warten, Ergebnis lesen, Prompt anpassen, erneut warten – dieser Zyklus frisst Zeit, besonders wenn die KI-Antwort am Ende doch nicht passt. Die Lösung: klare Abbruchkriterien setzen. Liefert die KI nach zwei Iterationen kein brauchbares Ergebnis, ist der manuelle Weg schneller.
Die goldene Regel: Immer lesen, was die KI ausspuckt
Dieser Punkt ist nicht verhandelbar. Jede KI-Ausgabe erfordert eine vollständige Prüfung – auf fachliche Korrektheit, Passgenauigkeit zum Kontext und Tonalität. Genau hier liegt die Beratungskompetenz: zwischen KI-Output und fertigem Ergebnis steht immer ein Mensch mit Erfahrung.
Praktische Empfehlungen
- Ergebnisse validieren: Nie eine KI-Ausgabe ungeprüft weiterleiten
- Kontext liefern: Je spezifischer der Prompt, desto besser das Ergebnis
- Grenzen kennen: KI ersetzt kein Expertenwissen und keine Projekterfahrung
- Transparent kommunizieren: Kunden dürfen wissen, dass KI unterstützt – das schafft Vertrauen
- Wartezeiten einplanen: Bei komplexen Anfragen braucht das Iterieren mit KI Zeit
- Abbruchkriterien definieren: Nicht endlos iterieren, wenn der manuelle Weg schneller ist
KI als Werkzeug, nicht als Ersatz
KI verändert die Anforderungsaufnahme und den Beratungsprozess nachhaltig. Sie hilft Projektmanagern, schneller zu strukturieren, präziser zu formulieren und gründlicher zu hinterfragen. Gleichzeitig schafft sie neue Herausforderungen – insbesondere wenn KI unreflektiert eingesetzt wird.
Der entscheidende Erfolgsfaktor bleibt der Mensch: die Erfahrung, kritisch zu hinterfragen, zwischen den Zeilen zu lesen und die richtigen Fragen zu stellen. KI liefert Rohmaterial – die Beratungsleistung entsteht durch Einordnung, Kontext und Expertise.
Du möchtest wissen, wie wir KI-gestützt und trotzdem mit höchster Beratungsqualität arbeiten? Sprich uns an.
FAQ
ChatGPT (Custom GPTs), Gemini (Gems), Atlassian Rovo und CloudPilot decken unterschiedliche Bereiche ab. Am effektivsten ist eine Kombination aus generalistischem Tool für Formulierungen und spezialisiertem Agent mit Projektwissen.
Typische Merkmale: generische Formulierungen, fehlende unternehmensspezifische Details, widersprüchliche Anforderungen und unrealistische Umfänge bei gleichzeitig „perfekter" Textstruktur.
Nach einer Einarbeitungsphase von vier bis sechs Wochen überwiegen die Effizienzgewinne. Vorher kann der Aufwand höher sein als der Nutzen – besonders durch Wartezeiten und Iterationsschleifen.
Vorkonfigurierte KI-Agenten mit festgelegtem Kontext und Anweisungen. Sie ermöglichen es, ohne erneute Kontexterklärung sofort projektspezifische Ergebnisse zu erhalten – verfügbar bei ChatGPT, Gemini, Rovo und anderen Plattformen.
