Welchen Einfluss hat KI aktuell im Projektmanagement?
- Stephan Bellmann
- 23. Jan.
- 11 Min. Lesezeit
KI im Projektmanagement: Einsatzfelder, Umsetzung in Tools und zukünftige Potenziale im Überblick
Inhalt
Künstliche Intelligenz (KI) verändert Projektmanagement derzeit nicht nur auf der Ebene einzelner Tools, sondern zunehmend auch in der Art, wie Projekte geplant, gesteuert und kommuniziert werden. Während Projektmanagement lange stark von manueller Koordination, Dokumentationsaufwand und regelmäßigen Statuszyklen geprägt war, transformiert KI das Projektmanagement von einer administrativen Tätigkeit hin zu einer strategischen, datengetriebenen Disziplin.
In der Praxis bedeutet das vor allem: weniger wiederkehrende administrative Tätigkeiten (z. B. Protokolle, Statusberichte, Zusammenfassungen), dafür mehr Zeit für die eigentlichen Kernaufgaben im Projekt – etwa Priorisierung, Stakeholder-Management, Risikosteuerung und Führung. KI wirkt damit wie ein Katalysator, der vor allem die Wissensarbeit im Projektmanagement schneller und strukturierter macht. Gleichzeitig entstehen neue Anforderungen an Governance, Datenqualität und den verantwortungsvollen Umgang mit Informationen.
Quellen:Â [1], [2]
Wie wird KI im Projektmanagement konkret umgesetzt?
In der Praxis erfolgt der Einsatz von KI im Projektmanagement aktuell selten als „ein großes KI‑System“, das ein Projekt vollständig steuert. Stattdessen wird KI meist schrittweise eingeführt und übernimmt zunächst einzelne Aufgaben, die viel Zeit kosten oder stark text- und informationsgetrieben sind. Typisch ist dabei eine Kombination aus bereits etablierten Projektmanagement-Tools (z. B. Jira, monday.com, MS Project, Confluence, Teams) und zusätzlichen KI‑Funktionen.
Grundsätzlich lassen sich drei Umsetzungsformen beobachten, die sich in Reifegrad, Integrationstiefe und Aufwand unterscheiden.
Standalone-KI als Assistenz (neben der PM-Software)
Der häufigste Einstieg ist die Nutzung von KI als „Co‑Pilot“ außerhalb der eigentlichen PM‑Software. Die Projektarbeit läuft dabei weiterhin in den bestehenden Systemen, während KI vor allem bei der Erstellung und Verdichtung von Inhalten hilft. Praktisch geschieht das oft über Copy/Paste oder über das Einfügen von Textauszügen.
Ein klassisches Beispiel ist das Erstellen von Statusberichten: Projektleitung oder Teilprojektleitungen liefern kurze Rohinfos (Stichpunkte, Risiken, Abweichungen), und KI erzeugt daraus eine strukturierte Management‑Zusammenfassung inklusive Trend und Entscheidungsbedarf. Ähnlich funktioniert es bei Protokollen: Aus einem Transkript oder Notizen entsteht ein Ergebnisdokument, das Entscheidungen, Maßnahmen und offene Punkte klar trennt.
Diese Form ist besonders attraktiv, weil sie ohne große IT‑Integration funktioniert, jedoch entsteht ein Medienbruch (also ein manueller Wechsel bzw. eine aktive Übertragung von Inhalten zwischen verschiedenen Tools wie Copy/Paste), da Inhalte aktiv übertragen werden müssen.
Quellen: [2], [4]
KI-Funktionen direkt in PM-Tools (z. B. Jira oder monday.com)
Der zweite Weg ist die Nutzung integrierter KI‑Funktionen direkt in Projekttools. Hier findet die KI‑Unterstützung „am Objekt“ statt, also direkt an Tickets, Epics, Boards oder Dokumentseiten. Das reduziert manuelle Übergaben und erhöht die Anschlussfähigkeit an die laufende Projektarbeit.
In der Praxis zeigt sich das beispielsweise so: KI fasst lange Ticket‑Diskussionen zusammen, schlägt Formulierungen für ein Issue vor oder erstellt aus einer unstrukturierten Anforderung eine erste Story‑Beschreibung mit Akzeptanzkriterien. In Wissenssystemen wie Confluence wird KI häufig genutzt, um Seiten zu verdichten, Inhalte zu vergleichen oder Fragen aus einer bestehenden Dokumentation heraus zu beantworten.
Der Vorteil liegt in der geringeren Reibung im Arbeitsablauf. Der Nachteil ist, dass Umfang und Qualität stark vom jeweiligen Anbieter abhängen und die Einführung häufig an Governance‑, Datenschutz‑ oder Lizenzthemen gekoppelt ist.
Quellen: [2], [10]
KI-Workflows über Automationen und Integrationen (PMO-/Enterprise-Ansatz)
Eine fortgeschrittene Umsetzung erfolgt über automatisierte KI‑Workflows. Hier wird KI nicht nur zur Texterstellung genutzt, sondern in Prozessketten eingebunden, sodass Informationen automatisch verarbeitet und in andere Systeme zurückgespielt werden können. Typische Plattformen dafür sind Automationslösungen (z. B. Power Automate, Make oder Zapier) oder direkte API‑Integrationen.
Ein konkretes Praxisbeispiel: Nach einem Teams‑Meeting werden Transkript und Notizen automatisch zusammengefasst, die Maßnahmen werden als Aufgaben erzeugt und in Jira angelegt, und die Ergebnisse werden als Kurzupdate in einen Status‑Channel gepostet. Ein weiteres Beispiel ist Reporting: Ein wöchentlicher Export aus Jira oder monday.com wird konsolidiert, durch KI auf Kernaussagen verdichtet und anschließend im Management‑Report abgelegt.
Solche Automationen liefern den größten Effizienzhebel, stellen aber höhere Anforderungen an Datenstruktur, Rollen, Berechtigungen und Qualitätskontrolle.
Quellen: [2], [10]
Praktische Faustregel: KI ergänzt die PM-Software – sie ersetzt sie nicht
In den meisten Organisationen bleiben Jira, monday.com & Co. weiterhin die Single Source of Truth für Aufgabenstatus, Verantwortlichkeiten und Nachverfolgbarkeit. KI wirkt in diesem Kontext primär als Produktivitäts- und Qualitätsverstärker: Sie beschleunigt die Erstellung von Artefakten, verbessert die Kommunikation und hilft, Informationen schneller zu überblicken.
Damit KI nicht bei „Spielereien“ stehen bleibt, wird sie idealerweise als fester Schritt im Projektprozess verankert, zum Beispiel:
nach Meetings standardisiert: Zusammenfassung → Entscheidungen → Maßnahmen
vor Steering Committees: Rohdaten → Management‑Summary → Entscheidungsbedarf
bei Risiken: Signale sammeln → Risiken clustern → Maßnahmen ableiten
Quellen: [2], [4]
An welchen Stellen kann KI im Projektmanagement aktuell konkret unterstützen?
Die heutige Anwendung von KI im Projektumfeld zeigt sich besonders dort, wo große Mengen an Text, Informationen oder wiederkehrenden Routinen entstehen. Projektmanagement ist dafür prädestiniert, weil nahezu jedes Projekt auf Artefakten basiert: Anforderungen, Pläne, Protokolle, Reports, Risiken, Entscheidungen, Maßnahmen und Lessons Learned.
Planung und Strukturierung von Projekten
Bereits in frühen Projektphasen kann KI dabei helfen, aus unstrukturierten Informationen eine erste Ordnung zu erzeugen. Typisch ist, dass zu Projektbeginn zwar Ziele, Erwartungen und Rahmenbedingungen bekannt sind, diese aber häufig nur als Notizen, E-Mails oder Gesprächsergebnisse vorliegen. KI kann hier unterstützen, indem sie aus Stichpunkten erste Versionen wichtiger Projektartefakte vorschlägt.
Dazu gehören beispielsweise ein Projektauftrag in sauberer Sprache, eine grobe Projektstruktur (Deliverables und Arbeitspakete), erste Meilensteine sowie Annahmen und Abhängigkeiten – wobei es sich hierbei primär um den inhaltlichen Entwurf zur Vorabstrukturierung handelt (vgl. Standalone-Ansatz mit möglichem Medienbruch), nicht um die Erstellung des eigentlichen, toolbasierten Projektplans. Der entscheidende Nutzen liegt dabei selten darin, „perfekte Pläne“ zu erzeugen, sondern darin, sehr schnell ein tragfähiges Diskussionsartefakt zu erhalten, das mit Stakeholdern weiterentwickelt und anschließend z. B. in Jira oder monday.com in konkrete Pläne, Boards und Roadmaps überführt werden kann.
Vereinzelte typische Ergebnisse sind:
Entwurf eines Projektstrukturplans (WBS/PBS = Work Breakdown Structure / Product Breakdown Structure, also Arbeits- bzw. Produktstrukturplan)
Vorschlag einer Meilensteinlogik
Ableitung erster Rollen und Verantwortlichkeiten
Sammlung relevanter Risiken und Annahmen
Anforderungen & Backlog (agil und hybrid)
Besonders hilfreich ist KI bei der Strukturierung von Anforderungen und der Übersetzung zwischen Fach- und Projektlogik. In agilen oder hybriden Settings kann sie dazu beitragen, aus einer fachlichen Beschreibung einen Backlog zu erzeugen, User Stories sauber zu formulieren und Akzeptanzkriterien zu ergänzen.
Das ist vor allem dann relevant, wenn Anforderungen unklar, widersprüchlich oder zu breit formuliert sind – ein typisches Problem in frühen Phasen. KI kann hier helfen, Anforderungen zu präzisieren, Duplikate zu erkennen oder erste Vorschläge für eine sinnvolle Aufteilung in Epics, Features und Stories zu machen. Die menschliche Verantwortung bleibt dabei jedoch zentral: KI kann strukturieren und Varianten erzeugen, aber nicht verbindlich entscheiden, welche Anforderungen tatsächlich priorisiert werden.
Reporting, Statuskommunikation und Dokumentation
Einer der aktuell am schnellsten wirksamen Use Cases liegt in der Unterstützung bei Statuskommunikation. Projektteams verbringen einen erheblichen Teil ihrer Zeit mit dem Erstellen und Konsolidieren von Statusinformationen, teilweise in mehreren Formaten gleichzeitig.
KI kann hier sehr konkret helfen, indem sie aus Rohinformationen strukturierte Outputs erzeugt, etwa Statusberichte in Management-Sprache, Zusammenfassungen für Steering Committees oder kurze Updates für Projektteams. Auch Meeting-Transkripte lassen sich in Entscheidungen, offene Punkte und konkrete Maßnahmen übersetzen.
Ein typisches Beispiel aus der Praxis:
Aus einer unsortierten Notiz wie „Sprint Review kritisch, zwei Bugs offen, Lieferant verspätet“ kann KI eine kompakte, formal saubere Statusdarstellung ableiten – inklusive Trendbewertung und Entscheidungsbedarf.
Ein mögliches Ergebnis könnte dann beispielsweise so aussehen:
Status: kritisch (rot). Sprint-Ziel ist gefährdet, da zwei offene Bugs die Abnahme blockieren und eine Lieferantenverspätung zusätzliche Verzögerung erzeugt.
Trend: verschlechternd.
Hauptursachen: Qualitätsrückläufer (Bugs) und externer Zulieferverzug.
Auswirkung: Risiko für Termin und Scope.
Entscheidungsbedarf: Priorisierung Bugfix vor neuen Features und Klärung/Absicherung des Liefertermins mit dem Lieferanten (inkl. Alternativplan).“ Dadurch wird Kommunikation effizienter, konsistenter und besser anschlussfähig für unterschiedliche Zielgruppen.
Quellen: [2], [6]
Chancen-, Risiko- und Abweichungsmanagement
KI kann das Risiko- und Chancenmanagement unterstützen, indem sie Risiken vervollständigt, clustert oder anhand von Projektmustern typische Risikofelder sichtbar macht. In datengetriebenen Umgebungen kann sie außerdem Frühindikatoren nutzen, etwa steigende Durchlaufzeiten, häufige Re-Opens in Ticketsystemen oder wachsende Abhängigkeiten.
Wie das konkret umgesetzt wird, hängt dabei stark von der gewählten Umsetzungsform aus dem vorherigen Kapitel ab. In der Standalone-Variante werden die relevanten Informationen typischerweise zunächst manuell gesammelt (z. B. Auszüge aus Jira/monday, Statusnotizen, Lieferantenmails, Qualitätszahlen) und anschließend gebündelt an die KI übergeben, damit diese daraus Risikosignale ableiten, formulieren und priorisieren kann. Bei integrierten KI-Funktionen direkt im PM-Tool kann die KI dagegen unmittelbar auf Projektartefakte wie Tickets, Kommentare, Durchlaufzeiten oder Blocker zugreifen und daraus Muster ableiten (z. B. gehäufte Blockierungen, steigende Cycle Time, wiederholtes Rework). Die fortgeschrittene Form sind KI-Workflows über Integrationen, bei denen Daten automatisiert aus PM-Tools, Kollaborationsplattformen oder Dashboards entnommen, konsolidiert und anschließend durch die KI verdichtet werden, bevor sie als strukturierte Risiken oder Abweichungshinweise in Reports oder Register zurückgespielt werden.
Wichtig ist dabei die Unterscheidung: KI ist nicht automatisch ein „Risikomanager“, aber sie kann dazu beitragen, dass Signale früher erkannt werden und Risiken nicht nur reaktiv dokumentiert, sondern proaktiv beobachtet werden. Besonders wertvoll wird das, wenn Risiken nicht isoliert betrachtet werden, sondern mit Maßnahmen, Verantwortlichkeiten und Wirkungsannahmen verbunden sind.
Quellen: [6], [7]
Wissensmanagement und Lessons Learned
Ein klassisches Problem in Organisationen ist, dass Wissen zwar vorhanden ist, aber nicht nutzbar gemacht wird. Lessons Learned werden gesammelt, Abschlussberichte geschrieben – und verschwinden anschließend in Ablagen, ohne dass sie im nächsten Projekt tatsächlich wiederverwendet werden.
KI kann hier ihre Stärke im semantischen Verständnis ausspielen: Statt nur nach Schlagwörtern zu suchen, können Teams nach Zusammenhängen fragen. Beispielsweise kann eine KI-gestützte Suche dabei helfen, frühere Projekterfahrungen zu einem bestimmten Lieferanten, einer Technologie oder einem typischen Problemfall zu finden und komprimiert aufzubereiten.
So entsteht langfristig ein praktisches organisationales Lernen, das über Einzelprojekte hinaus wirkt.
Quellen:Â [6], [10]
Zusammenarbeit, Führung und Organisationskultur
Neben den sichtbaren Artefakten wirkt KI auch auf eine weniger greifbare Ebene: Kommunikation, Zusammenarbeit und Kultur. Projektarbeit ist häufig von Spannungen geprägt – zwischen Fachbereichen, zwischen Management und Teams oder zwischen Geschwindigkeit und Qualität.
KI kann dazu beitragen, Kommunikation zu verbessern, indem sie Formulierungen neutralisiert, deeskaliert oder Stakeholder-gerecht umformuliert. Sie kann Moderationsfragen vorschlagen, unterschiedliche Perspektiven aufzeigen oder Feedback so strukturieren, dass es wertschätzend und gleichzeitig klar bleibt.
Gerade in konfliktsensiblen Situationen ist das hilfreich – jedoch unter einer wichtigen Voraussetzung: Die Organisation muss eine Kultur haben, in der Transparenz, Fehlerlernen und konstruktive Kommunikation tatsächlich gelebt werden. Wo Misstrauen herrscht, wird KI häufig als Kontrollinstrument wahrgenommen, was wiederum Widerstand auslösen kann.
Quellen: [2], [6]
Unterschiedliche KI-Ansätze in unterschiedlichen Projektarten?
Ob und wie KI sinnvoll eingesetzt wird, hängt stark von der Projektart ab. Das liegt weniger an der „Fähigkeit“ der KI, sondern an den typischen Eigenschaften eines Projekts: Datenlage, Feedback-Zyklen, Entscheidungsdynamik, Dokumentationsgrad und Risiko.
Transformationsprojekte
In Transformationsprojekten (z. B. Reorganisation, Prozesswandel, kulturelle Veränderung, Einführung neuer Arbeitsweisen) liegt ein großer Anteil der Arbeit in Abstimmung, Kommunikation und Stakeholder-Alignment. KI kann hier besonders gut unterstützen, weil sie Text, Kontext und Variantenbildung effizient verarbeitet.
Typische Anwendungen sind das Aufbereiten von Kommunikationsbausteinen, die Strukturierung von Change-Narrativen oder die Ableitung von Stakeholder-Perspektiven. Gleichzeitig ist genau hier die kulturelle Dimension am kritischsten: Wenn KI als „politisches Tool“ wahrgenommen wird oder Vertrauen fehlt, wird die Einführung oft gehemmt.
Quellen: [11], [6]
Forschungs- und Innovationsprojekte
Forschungs- und Innovationsprojekte sind von hoher Unsicherheit geprägt. KI kann hier helfen, Hypothesen zu strukturieren, Experimente zu dokumentieren und Wissen aus Literatur oder internen Quellen schneller zu synthetisieren.
Die Grenze liegt in der Natur solcher Projekte: Innovation entsteht nicht durch reine Optimierung, sondern durch Exploration. KI kann Iterationen beschleunigen, ersetzt aber nicht die Fähigkeit, wirklich Neues zu entdecken und verantwortliche Entscheidungen unter Unsicherheit zu treffen.
Quellen: [11], [6]
Softwareentwicklungsprojekte
In Softwareprojekten ist der KI-Nutzen derzeit besonders sichtbar, weil Feedback-Zyklen kurz sind und viele digitale Daten ohnehin vorliegen. KI kann Anforderungen, Backlogs und Tests unterstützen und zusätzlich technische Artefakte begleiten (z. B. Dokumentation, Review, Analyse).
Daraus resultiert häufig ein schnellerer Return on Investment, weil Effekte früh messbar sind – beispielsweise über Durchlaufzeiten, Defect Rates oder die Geschwindigkeit in der Informationsverarbeitung.
Quellen: [6], [2]
Hardware- und Mechatronikprojekte
In Hardware- und Mechatronikprojekten ist KI ebenfalls relevant, aber die Wirkung zeigt sich oft anders. Durch längere Build- und Beschaffungszyklen ist schnelle Iteration schwieriger, wodurch KI weniger über „Tempo“, sondern stärker über Qualität, Struktur und Nachverfolgbarkeit wirkt.
KI kann hier Spezifikationen, Schnittstellenbeschreibungen, Testnachweise oder FMEA-nahe Inhalte unterstützen. Besonders wertvoll wird sie, wenn sie hilft, Konsistenz zwischen Anforderungen, Verifikation und Abnahme sicherzustellen.
Quellen: [11], [6]
Der aktuelle Umgang mit der KI im PM in Unternehmen
Eine eindeutige Zahl ist schwer zu nennen, weil Studien oft unterschiedlich messen: Manche erfassen „KI-Nutzung im Unternehmen allgemein“, andere „KI im Projektkontext“, und wieder andere unterscheiden nicht sauber zwischen Pilot und produktiver Anwendung.
Der Trend ist jedoch klar: KI wird zunehmend eingesetzt, häufig zunächst in niedrigschwelligen Anwendungsfeldern wie Textzusammenfassung, Reporting oder Wissensaufbereitung. Eine tief integrierte Nutzung in Steuerungs- und Entscheidungslogiken ist dagegen noch seltener, weil hierfür Datenqualität, Tool-Integration und Governance deutlich anspruchsvoller sind.
Quellen: [1], [9]
Potenziale von KI im Projektmanagement – Blick in die Zukunft
Mit Blick nach vorne wird KI im Projektmanagement voraussichtlich weniger als „Feature“ wahrgenommen werden, sondern als grundlegender Bestandteil moderner Arbeitsweisen. Mehrere Entwicklungslinien zeichnen sich ab.
Projekt-Copilots als Standard
Projektmanagement-Tools entwickeln sich zunehmend zu Assistenzsystemen, die nicht nur Informationen anzeigen, sondern Vorschläge machen: Welche nächsten Schritte sinnvoll sind, wo Entscheidungsbedarf besteht oder welche Stakeholder besonders betroffen sind.
Dadurch verschiebt sich Projektsteuerung von einer reinen Dokumentation hin zu einer aktiven Entscheidungsvorbereitung.
Quellen: [2], [1]
Echtzeit-Steuerung statt periodischer Reports
Wo Daten verfügbar sind, kann KI Projektzustände kontinuierlich beobachten und Trends sichtbar machen. Statt monatlicher Statuszyklen entsteht eine stärker datenbasierte, laufende Steuerung. Das betrifft sowohl agile Flow-Metriken als auch klassische Steuerungsgrößen, sofern sie sauber erfasst werden.
Quellen: [2], [6]
Frühwarnsysteme für Risiken und Lieferfähigkeit
Ein besonders hohes Potenzial liegt in der systematischen Erkennung von Frühindikatoren. Dazu gehört beispielsweise die Analyse von Verzögerungssignalen, zunehmenden Abhängigkeiten, wachsenden Rework-Anteilen oder qualitativen Problemen, bevor diese im klassischen Reporting sichtbar werden.
Quellen: [6], [7]
Automatisierte PMO-Prozesse und agentische Workflows
Ein nächster Schritt sind KI-gestützte Workflows, die nicht nur Inhalte erzeugen, sondern Aktionen ausführen: Aufgaben erstellen, Informationen konsolidieren, Tickets aktualisieren, Erinnerungen auslösen oder Entscheidungsbedarfe eskalieren.
Technisch ist vieles bereits möglich, organisatorisch ist jedoch die Frage entscheidend, wie stark solche Systeme in Governance-Strukturen eingebettet werden.
Quellen: [2], [10]
Portfolio- und Multiprojektmanagement
Im Portfolio-Kontext kann KI helfen, Prioritäten datenbasiert abzuleiten, Szenarien durchzuspielen und Kapazitätsentscheidungen zu unterstützen. Gerade in Organisationen mit vielen parallelen Projekten kann das eine deutliche Verbesserung der Steuerbarkeit und Transparenz erzeugen.
Quellen: [6], [5]
Veränderung der Rolle des Projektmanagers
Langfristig wird die Rolle der Projektleitung weniger durch „Koordination als Handwerk“ geprägt sein, sondern stärker durch die Fähigkeit, Komplexität zu interpretieren, Entscheidungen zu strukturieren und kulturelle Anschlussfähigkeit herzustellen.
Projektmanager werden damit stärker zu Gestaltern von Entscheidungsprozessen und Kommunikation – und zugleich zu Verantwortungsträgern dafür, wie KI im Projekt eingesetzt wird.
Quellen: [1], [2]
Fazit
KI ist im Projektmanagement bereits heute wirksam, insbesondere dort, wo wiederkehrende Wissensarbeit, Dokumentation und Kommunikation dominieren. Sie kann Projekte schneller strukturieren, Informationen konsolidieren und Qualität in der Entscheidungsgrundlage erhöhen.
Der tatsächliche Hebel hängt jedoch stark von Rahmenbedingungen ab: Datenqualität, Tool-Integration, Governance sowie der kulturellen Akzeptanz. Während Softwareprojekte bereits heute häufig messbare Effekte erzielen, entfaltet KI in Transformations- oder Hardwareprojekten ihre Wirkung oft indirekter – über Kommunikation, Qualität und Wissensmanagement.
In Zukunft wird KI Projektmanagement nicht ersetzen, aber deutlich verändern. Die Organisationen, die KI sinnvoll integrieren, werden Projektarbeit zunehmend als lernendes System verstehen – mit schnelleren Feedbackzyklen, besserer Entscheidungsfähigkeit und höherer Transparenz.
Quellenverzeichnis
[1] PMI – Project Management Institute: The Future of Project Work: Pulse of the Profession® 2024. Link
[2] PMI – Project Management Institute: AI Essentials for Project Professionals (Practice Guide, PDF). Link
[3] GPM – Deutsche Gesellschaft für Projektmanagement e. V.: KI im Projektmanagement: Potenziale erkennen, Grenzen verstehen. Link
[4] Projektmagazin: Bollmann, M.; Janiak, A. (2021): Künstliche Intelligenz (KI) im Projektmanagement einsetzen. Link
[5] GPM – Deutsche Gesellschaft für Projektmanagement e. V.: Künstliche Intelligenz im Projektmanagement – Hype oder echter Effizienztreiber? Link
[6] Adamantiadou, D. S.; Tsironis, L. (2025): Leveraging Artificial Intelligence in Project Management: A Systematic Review of Applications, Challenges, and Future Directions (Computers, MDPI). Link
[7] Prasetyo, M. L. et al. (2024): Artificial intelligence in open innovation project management: A systematic literature review on technologies, applications, and integration requirements. Link
[8] Le Manh, P. (2024): Pulse of the Profession 2024: The Future of Project Work (Publikationshinweis/Repository-Eintrag). Link
[9] Bitkom e. V. (2025): Künstliche Intelligenz im Projektmanagement. Link
[10] Projektmagazin: Glowasz, M. (2022): Künstliche Intelligenz ins Projektmanagement einführen. Link
[11] KI-Darstellung (KI-gestützte Synthese und Praxis-Einordnung durch ChatGPT; genutzt für Abschnitte ohne eindeutige Einzelquelle, z. B. projekttypbezogene Einordnung und konkrete Tool-Praxis).