KI im Projekt: Mehr Daten sind noch kein Wissen

Antonio Bassi bringt es im aktuellen GPM-Blog auf den Punkt: Mehr Daten bedeuten nicht mehr Wissen. KI wirkt in Projekten als Verstärker der vorhandenen Wissensprozesse — gute werden besser, schlechte werden schneller sichtbar. Der Beitrag vom 28. August verdichtet, was Bassi in seiner Originalarbeit zu „Human-AI Hybrid Knowledge Ecosystems” für projektbasierte Organisationen ausführlich beschreibt — und er deckt sich mit dem, was ich in Software- und IT-Projekten täglich beobachte.

Ich setze KI in jedem meiner Mandate ein — für Analysen, Auswertungen, Dokumentation, zunehmend auch für eigene Werkzeuge. Gerade weil ich von den Möglichkeiten überzeugt bin, sehe ich, wo der Hebel wirklich liegt: nicht im Erzeugen von noch mehr Information, sondern in der Architektur, die aus Information belastbares Projektwissen macht.

Wo das Paradox im Projektalltag zuschlägt

Vier Situationen aus dem Software-Projektalltag, in denen mehr KI-Output nicht automatisch bessere Entscheidungen bedeutet:

• KI-Statusbericht im Lenkungsausschuss: Die Zusammenfassung liest sich druckreif — aber wer bürgt für die Zahl, wenn niemand sie interpretiert hat? Ein Bericht ohne verantwortlichen Absender ist eine Auskunft des Modells, keine Entscheidungsgrundlage.
• Test- und Defect-Triage: KI klassifiziert Hunderte Fehlermeldungen in Minuten. Ohne vorher definierte Bewertungsregeln entsteht dabei Scheinpräzision — die Zahlen wirken exakt, aber niemand kann sagen, nach welchen Kriterien priorisiert wurde.
• Automatische Zusammenfassungen: Meeting-Protokolle und Dokumenten-Digests sparen Zeit, verlieren aber Kontext. Das Entscheidungsprotokoll — wer hat wann was auf welcher Grundlage entschieden — bleibt der Wissensanker des Projekts, den keine Zusammenfassung ersetzt.
• Verantwortung: KI kann analysieren, aber nicht verantworten. Jede KI-Ausgabe, die in eine Projektentscheidung einfließt, braucht einen menschlichen Owner, der sie geprüft hat und dafür geradesteht.

Wissensarchitektur statt Werkzeugliste

Bassi nennt das eine Wissensarchitektur: klare Regeln, wer welche KI-Ausgaben validiert, wie Entscheidungen nachvollziehbar bleiben und wo menschliches Urteil zwingend ist. Das deckt sich mit dem Befund des PMI Pulse of the Profession 2026, der Komplexität ausdrücklich als System- und Führungsproblem beschreibt — nicht als Werkzeugproblem. Wer KI ins Projekt holt, ohne diese Regeln zu definieren, bekommt schnellere Berichte über denselben Nebel.

Was Projektverantwortliche jetzt tun sollten

Drei Dinge, bevor die nächste KI-Auswertung in ein Steering wandert: Erstens für jede KI-Ausgabe einen Owner benennen, der validiert und verantwortet. Zweitens Bewertungs- und Validierungsregeln definieren, bevor automatisiert wird — nicht danach. Drittens ein Entscheidungsprotokoll führen, das Beschlüsse samt Grundlage festhält; es ist das Gedächtnis des Projekts, das auch nach dem Go-live trägt. Die relevante Kennzahl ist nicht, wie viele Analysen die KI liefert — sondern wie viele Entscheidungen dadurch nachvollziehbar besser geworden sind.