• Entwicklung/Architektur
  • Methoden
  • Programmiersprachen
• Betrieb
  • Künstliche Intelligenz
  • Datenbanken
  • Server
  • IT-Security
  • Speicher
  • Netzwerke
  • Virtualisierung
  • Verfügbarkeit
• Management und Recht
  • Projektmanagement
  • Digitalisierung
  • IT-Recht
  • IT-Selbständige
  • IT-Karriere
• Aktuelles
• Termine
• IT-Jobs

☰

• Entwicklung
• Betrieb
• Management und Recht
• News
• IT-Jobs
• Newsletter

Lena Harnisch & Timm Hauschild 20. Januar 2026

Wie viel Projekt kann GenAI? Ein Erfahrungsbericht

KI nimmt uns die Arbeit weg. Naja, vielleicht noch nicht ganz. Während viele in Beratungen noch mit der Frage ringen, ob GenAI sie überflüssig macht, haben wir begonnen, die Arbeit neu zu verteilen. Seit 2023 entwickeln wir mit Navar.ai unsere eigene KI-Lösung, die Change- und Transformationsprojekte strukturiert begleitet – quasi Managementberater:innen in der Tasche. Warum? Weil wir wissen, dass GenAI unsere Jobs fundamental verändern wird. Es reicht uns nicht Studien zu erheben, Analysen zu lesen oder ein bisschen nebenher mit ChatGPT zu prompten. Wir wollen uns die Hände schmutzig machen, statt ”Berater-Bullshit-Bingo” zu spielen, um nicht nur über GenAI zu reden, sondern täglich damit und daran zu arbeiten.

Unsere Learnings können wir so auch in Kundenprojekten einsetzen:

Die Herausforderung

Unser Kunde, ein Unternehmen aus der Tourismusbranche – der Anonymität halber im Folgenden ”OpenMind“ bezeichnet – stand vor der Herausforderung, neue innovative Geschäftsmodelle zu entwickeln. Innerhalb eines halben Jahres wollte der Aufsichtsrat innovative Ideen vorgestellt bekommen.

Das Projekt war ambitioniert und zeitkritisch. Gerade deshalb haben wir von Beginn an stark auf GenAI setzen wollen. Nicht nur als Tool, sondern als vollwertiges Teammitglied. OpenMind lud uns ein, in diesem Projekt nicht nur effizienzsteigernde Potentiale zu heben, sondern die Grenzen der KI zu testen. Die perfekte Spielwiese! Insofern konnten wir ganz offen mit einem fünfköpfigen Projektteam (vier Menschen und eine KI) in das Projekt starten.

Spoiler: Projektmanagement mit KI ist nicht nur effizient, sondern verändert die Spielregeln der Zusammenarbeit. Gleichzeitig sind die Ergebnisse wertlos ohne menschliche Ansteuerung, Revidierung, Bewertung und Entscheidung. Die Frage ist daher schon lange nicht mehr, ob oder was KI in der Projektarbeit schon übernehmen kann, sondern wie.

Unsere Herangehensweise

Das Team

Vier Berater:innen: darunter wir, die Autorin und der Autor des Artikels, Lena Harnisch als Client Partner mit Branchenexpertise & Strategiekompetenz​ und Timm Hauschild als Projektleiter mit Background Digitale Transformation & Business Development​. Dazu ein Kollege mit Service Design Innovation & GenAI-Expertise, eine ​Kollegin als Projekt Support und - ja wirklich als Teammitglied aufgelistet - Navar, unser hauseigenes GenAI Tool. (Mini Background, was navar.ai ist: Navar ist ein KI-gestützter Berater. Er nutzt mehrere LLMs (von OpenAI, Anthropic und Google) und verfügt über eine UI, die für strategische Arbeit optimiert ist.) Unsere Anwendungsserver laufen auf AWS Lambda Serverless Functions, und wir verwenden Serverless Postgres über Neon. Alle Modelle arbeiten unter Datenschutzvereinbarungen auf Enterprise-Niveau, d. h. sie trainieren nicht mit Benutzerdaten, einschließlich Prompts oder hochgeladenen Dateien.

Ernsthaft, ein GenAI Tool als Teammitglied? Naja, wie bei Teamarbeit üblich, haben wir im Weekly Stand-up Meeting Navar eingebunden wie einen Kollegen: Wer kann diese Woche was übernehmen? Wie können wir Navar in den nächsten Schritten sinnvoll einsetzen?

Der Projektverlauf

Am Ende jeder Phase folgte ein Quality Gate, um den Übergang in die nächste Phase freizugeben. Doch beginnen wir vorn:

1. Problemverständnis und Analyse: die Phase, in der externe Beratungen gewöhnlich mit Dokumenten "zugeschmissen" werden. Auch hier galt es, einen Fundus aus ca. 200 Dokumenten mit jeweils 5 bis 300 Seiten mit Informationen aus bspw. Kundenumfragen, aber auch strategischen Dokumenten anderer Beratungen zu analysieren.

Unsere Aufgabe: Analyse des Marktes und der aktuellen Geschäftsmodelle, Verstehen der Zielgruppen und Benchmarks, Auswertung aktueller Kennzahlen, Überblick über bereits gestartete und aktuell laufende Optimierungsprojekte.

2. Ideengenerierung: Mit einem Ideation Brief basierend auf der 1. Phase (Problemverständnis und Analyse) sind wir in die Entwicklung von Ideen gestartet und haben in mehrstufigem Finetuning verschiedene Geschäftsmodelle entwickelt.

Unsere Aufgabe: Geschäftsmodelle identifizieren, die skalierbar und zukunftsfähig sind. Ansonsten gab es wenige Vorstellungen dazu, in welche Richtung es gehen soll. Erst später konnten wir im Dialog Leitplanken herausarbeiten. Die einzige Orientierungshilfe waren:

3. Interne Validierung: Die entwickelten Ideen galt es mithilfe KI-generierter Personas zu überprüfen, zu komprimieren und mit dem Kunden weiterzuentwickeln.
3.1. Das Geschäft muss am aktuellen Standort funktionieren.
3.2. Es soll dem bestehenden Geschäft so ähnlich sein, dass es nahezu mit vorhandenem Knowhow und bestehenden Ressourcen betrieben werden kann.
3.3. Und gleichzeitig so innovativ sein, dass es sich deutlich von heutigen Angeboten abgrenzt.
Ein Balanceakt zwischen Stabilität und Disruption.

Beitrag der KI: Mithilfe des Ideation Briefs und einer Zusammenfassung der Analyse haben wir eine Fülle von Ideen erzeugen lassen. Dabei haben wir immer wieder verschiedene Prompts ausprobiert und so im ersten Ideation-Durchlauf rund 300 Ideen erzeugt. Eine Masse, die erst einmal bewältigt werden muss. Die Zeit, die wir bei der Ideengenerierung gespart haben, verbrachten wir stattdessen mit Lesen. Duplikate zusammenführen kann die KI, aber die Bewertung, ob eine Idee ”gut oder schlecht“ ist, war an dieser Stelle mit dem Zeitdruck eigentlich nur mit Bauchgefühl zu begründen. Auch musste dieser Schritt einer menschlichen Qualitätskontrolle unterliegen. In dem geplanten Workshop mit der Arbeitsgruppe haben wir den Umfang dann auf 15 reduzieren können. Eigene Ideen entstehen dabei natürlich auch, die wir entsprechend ergänzt haben.

Unser Fazit: Erst der Austausch mit der Arbeitsgruppe hat eine weitere Richtung der Ideenentwicklung herausgearbeitet, die uns bei einer zweiten Ideation-Runde geholfen hat. Dennoch war der KI-Anteil dieser Phase ein voller Erfolg und wir waren einige Tage schneller als ursprünglich gedacht.
Allerdings entsteht sehr schnell eine erschlagende Quantität an Informationen, deren Bewältigung viel Zeit in Anspruch nimmt. Wenn diese Bewältigung für das gesamte Team relevant ist, braucht es dafür einen sauberen Prozess.

Unsere Aufgabe: Für die Überprüfung der vorausgewählten Ideen haben wir der KI alle verfügbaren Zielgruppen-Informationen zur Verfügung gestellt und quasi Interviews mit den verschiedenen Zielgruppen geführt. Das hat weniger dazu geführt, dass wir Ideen aussortieren konnten, sondern vielmehr erste Ansätze weiterentwickelt.

Beitrag der KI: LLMs können sich in Rollen versetzen, verschiedene Blickwinkel annehmen und hierauf basierend eine Idee bewerten. Entsprechend haben wir die KI Personas entwickeln lassen und Interviews mit ihnen simuliert. Beides war im Vergleich zu Interviews mit Menschen einfach, schnell und hat überzeugende Ergebnisse geliefert. Um noch weitere Ideen zu entdecken, wiederholten wir einfach die Schleife aus Ideengenerierung und -validierung. In den zwei Durchläufen konnten wir so insgesamt über 500 Ideen entwickeln. Mit 180 Konzepten sind wir an unseren Kunden herangetreten und haben diese in mehreren Workshops weiterentwickelt und reduziert. Mit menschlicher Einschätzung konnten wir so initiale 180 Ideen erst auf 50, dann 20, dann 10 herunterbrechen und zuletzt 4 priorisierte Ideen auswählen. Mit fortschreitender Auswahl der Ideen haben wir diese auch immer weiter vertieft, z.B. sie später über Lean Canvases und "Bierdeckelrechnungen" beschrieben. Diese haben wir nahezu vollständig und ohne weitere Anpassungen von der KI erstellen lassen können.

Unser Fazit: Eine super Zeitersparnis! An diesem Punkt hatten wir schon den ungeplanten Mehraufwand aus der Analysephase vollständig kompensiert.
Ein voller Erfolg – sowohl KI-generierte Persona, Lean Canvases als auch überraschend belastbare ”Mini-Business-Cases“.

4. Externe Validierung: die Bestätigung und Weiterentwicklung durch externes Feedback.

Unsere Aufgabe: Die Top 4 Ideen am Markt verproben, indem sie in sechs Fokusgruppen vorgestellt, diskutiert und weiterentwickelt wurden.

Beitrag der KI: Die für die Fokusgruppen notwendigen Präsentationsmaterialien haben wir auch mithilfe von GenAI deutlich schneller erzeugt. Die ”Stimuli“-Bilder, um die Idee atmosphärisch zu vermitteln, waren größtenteils Stock-Bilder. Mit begrenztem Zeitbudget für die Versuche mit Midjourney und Dall-E war die Auswahl von Stock-Bildern einfach schneller, obwohl wir gern stärker auf KI-generierte Inhalte gesetzt hätten. Die Verprobung in den Fokusgruppen wurde online durchgeführt und aufgezeichnet. Die Transkripte der Aufzeichnungen haben wir anschließend mit generativer KI ausgewertet. Dazu haben wir erst eine Art Fragebogen mit der KI entwickelt und damit Insights aus den Transkripten entwickeln lassen. Unterm Strich hilfreich, aber wir hatten mit Halluzinationen und Fehlinterpretationen zu kämpfen. Andere Analysetools wären auch hier spezialisierter und damit kompetenter gewesen. Die Zusammenfassungen unserer Insights wurden natürlich wieder von KI generiert.

Unser Fazit: Mit spezialisierten Tools hätte man womöglich noch mehr KI nutzen können – manchmal muss es aber auch einfach nicht sein! Die Auswertung der Ergebnisse in den 6 Fokusgruppen hätte ohne KI vermutlich dennoch ein bis zwei Tage länger gedauert.
Für die Transkription und Zusammenfassungen muss sich niemand mehr die Finger wund tippen!

5. Ideenoptimierung: komprimierte Auswahl der Ideen ausformulieren und implementationsfähig gestalten.

Unsere Aufgabe: Weiterentwicklung der priorisierten Ideen mit dem Feedback aus den Fokusgruppen.

Beitrag der KI: Das Feedback bzw. die Ergebnis-Auswertung der Fokusgruppen war sehr eindeutig, sodass wir direkt Empfehlungen für die Optimierung der Konzepte ableiten konnten – ohne KI-Unterstützung. Doch Navar durfte anschließend noch die Lean Canvases aktualisieren. Auf der Basis dieser Lean Canvases haben wir dann auch eine Kosten-Nutzen-Rechnung aufgestellt mit Navar als Sparringspartner, um zu überprüfen, ob wir Kostenpunkte übersehen haben. Die eigentliche Berechnung passierte dann aber auf eingeholten Angeboten oder anderen Informationen, die man uns bereitgestellt hatte. Darüber hinaus haben wir mögliche Risiken, deren Auswirkungen und Eintrittswahrscheinlichkeiten bewertet. Dies zusammen mit einer ausführlichen Problem- und Lösungsbeschreibung bildete die Grundlage für unsere "initialen" Business Cases.

Unser Fazit: In dieser Phase hat die KI uns in ihrer Sparringspartner-Funktion einfach sehr viel Sicherheit gegeben, dass wir die Konzepte wirklich von allen Seiten beleuchten.

6. Implementierungspläne: mit OpenMind auf das finale Geschäftsmodell einigen und gemeinsam erarbeiten, wie dieses im Unternehmen eingeführt werden kann.

Unsere Aufgabe: die Entwicklung von Implementierungsplänen für jedes der priorisierten Konzepte; also jene Schritte, die notwendig sind, um vom aktuellen Konzeptstadium zum laufenden Betrieb des jeweiligen Geschäftsmodells zu kommen. Dazu gehören Aktivitäten wie eine weitere Validierung mit internen Expertinnen und Experten, eine punktuelle Vertiefung der Ideen oder auch eine Prüfung, inwiefern sich die aktuelle Organisation anpassen müsste.

Beitrag der KI: Vereinfacht gesagt haben wir nur die Business Cases und eine Beschreibung der Kapazitäten unseres Kunden genommen und die KI aufgefordert: "Schreib einen Implementierungsplan in folgender Güte…!” Das hat schon einen so soliden Rahmen geschaffen, der zu 80 % hätte verwendet werden können. Durch weiteres Prompt Engineering hätte man die Qualität sicherlich noch weiter erhöhen können. Aber da wir nicht erwartet haben, dass es mit weiterem Prompting schneller geht, haben wir die letzten Anpassungen an den Implementierungsplänen manuell vorgenommen.

Unser Fazit: Die Zeitersparnis durch die KI in dieser Phase im Vergleich zu der initialen Schätzung war sehr groß – ca. 1/3 des geschätzten Aufwands.

Zusammenfassung durch navar.ai

Phase	Unsere Aufgabe	KI-Ziel	KI-Beitrag	Fazit	Key Learning
1. Problemverständnis & Analyse	Analyse von ~200 Dokumenten (5-300 Seiten)	Dokumentenanalyse & Schlüsselerkenntnisse	Zusammenfassungen & Key Learnings generiert	❌ nicht vertrauenswürdig, Halluzinationen, kaum Zeitersparnis	nur spezialisierte KI-Tools für Dokumentenanalyse nutzen
2. Ideengenerierung	skalierbare, innovative Geschäftsmodelle entwickeln	bahnbrechende neue Geschäftsmodelle	500 Ideen generiert	✅ voller Erfolg, schneller als geplant	erschlagende Quantität erfordert viel Bewältigungszeit
3. Interne Validierung	Ideenprüfung mit KI-Personas	Vorauswahl & Vertiefung via simuliertenZielgruppen	Persona-Interviews, Lean Canvases, Mini-Business-Cases	✅ super Zeitersparnis, Mehraufwand kompensiert	voller Erfolg bei Personas & Business Cases
4. Externe Validierung	Top 4 Ideen in Fokusgruppen verproben	Vor- & Nachbereitung Fokusgruppen	Präsentationsmaterial, Transkript-Auswertung	✅ hilfreich, 1-2 Tage Zeitersparnis trotz Halluzinationen	Transkription & Zusammenfassungen sehr effizient
5. Ideenoptimierung	Konzepte mit Fokusgruppen-Feedback weiterentwickeln	Handlungsempfehlungen & Anpassungen	Lean Canvas Updates, Sparringspartner für Kosten-Nutzen	✅ große Sicherheit durch Sparringspartner-Funktion	umfassende Konzeptbeleuchtung sehr wertvoll
6. Implementierungspläne	Schritte vom Konzept zum laufenden Betrieb	Entwicklung von Implementierungsplänen	80% verwendbare Pläne aus Business Cases + Kapazitätsbeschreibung	✅ sehr große Zeitersparnis (~1/3 des Aufwands)	Planung teils sehr präzise und abgewogen

Zusammenfassung: Und - wie viel Projekt kann GenAI nun?

Ziel dieses Projektes war natürlich der inhaltliche Erfolg und nicht nur die Erprobung, inwieweit KI uns bei der Arbeit unterstützen kann. Dennoch war es optimal aufgesetzt, um zu prüfen, wie viel Arbeit einem wirklich abgenommen werden kann, wenn man bei jeder Aufgabe zunächst fragt: "Wie kann KI hier unterstützen?"

Ob ein klassisch-menschlicher Kreativprozess besser gewesen wäre, können weder wir noch die KI im Nachhinein sicher beantworten. Wie zuvor bereits erwähnt, haben wir im Kreativprozess auch immer wieder selbst Ideen entwickelt und in den Prozess aufgenommen. Und jetzt ratet mal: Von wem stammten drei der vier finalen Ideen? Sie waren unsere eigenen – nicht die der KI. Allerdings sind auch diese Ideen im Rausch der 500 KI-generierten entstanden.

Zusammengefasst können wir sagen: Wir haben die Grenzen von KI im Projektmanagement in diesem Projekt noch bei weitem nicht ausgereizt. Aber es war ein Anfang. Und wir haben gelernt:

• Lesen ist das neue Schreiben
  Wer mit GenAI arbeitet, verbringt nicht mehr Stunden mit dem weißen Blatt, sondern mit Kuratieren: Prompts abfeuern, Ergebnisse sichten, Relevantes markieren, Unbrauchbares verwerfen. Das verlangt Konzentration und feste Review Slots im Projektplan, damit aus Textfluten präzise Maßnahmen werden.
• Distanz schafft Objektivität – und Ownership-Lücken
  KI-Vorschläge stammen nicht aus der eigenen Feder. Das macht das ”Kill-your-Darlings“ angenehm leicht, mindert aber auch die emotionale Bindung ans Ergebnis. Teams müssen bewusst Zeit investieren, um aus guten KI-Entwürfen ”ihre” Story zu formen, sonst bleibt das Feuer auf der Strecke.
• Erst kommt die Masse, dann kommt die Klasse
  Generative Modelle liefern rasch ein Füllhorn an Ideen – Qualität entsteht allerdings erst im iterativen Ping-Pong zwischen Mensch und Maschine. Jede Schleife schärft Prompt, Struktur und Aussagekraft, bis aus Rohtext belastbares Projektergebnis wird.
• KI ist schnell(er). Wir haben Zeit gewonnen, Punkt. Trotz zusätzlicher Lese- und Sortierarbeit. Wir können also Studien, wie die der Harvard Business School von Mollick et al (2023), mit unseren eigenen Erfahrungen nur stützen. Laut deren Ergebnisse waren "Consultants, die KI einsetzten, deutlich produktiver (sie erledigten im Durchschnitt 12,2 % mehr Aufgaben und erledigten Aufgaben 25,1 % schneller) und lieferten deutlich hochwertigere Ergebnisse (mehr als 40 % höhere Qualität im Vergleich zu einer Kontrollgruppe). Berater aller Qualifikationsstufen profitierten signifikant von der KI-Ergänzung (…)."

Wir halten GenAI bereits heute für unverzichtbar im Projektmanagement – ob als Handwerkszeug oder zusätzlicher Kollege ist dabei gern zu diskutieren. Wie viel Projekt kann KI also? Eine ganze Menge. Mehr, schneller, besser – und teils ganz anders als gedacht.

Autoren