KI im Projektgeschäft: Erst Datenbasis, dann Automatisierung

Projektdienstleister setzen zunehmend auf KI, um Auslastung, Forecasts und Projektstatus schneller auszuwerten. Die Erwartung: weniger manuelle Auswertungsarbeit, schnellere Antworten, bessere Entscheidungsgrundlagen. Was dabei häufig übersehen wird: Eine KI-Auswertung ist immer nur so belastbar wie die Projektdaten, auf denen sie aufbaut.

Das wird zum wirtschaftlichen Problem, sobald Entscheidungen auf Basis dieser Auswertungen getroffen werden. Denn anders als ein Mensch erkennt eine KI nicht automatisch, wenn eine Zeitbuchung auf dem falschen Projekt liegt, eine Woche in der Auslastung fehlt, weil jemand krank war, oder eine Ressourcenplanung veraltet ist. Sie verarbeitet die Daten, wie sie vorliegen, und liefert ein gut formatiertes, überzeugend klingendes Ergebnis, das im Zweifel schlicht falsch ist.

Auf Projektebene wirkt sich eine lückenhafte oder unsaubere Datenbasis konkret aus auf:

• Marge: Fehlende oder falsch zugeordnete Buchungen verzerren die Projektrentabilität nach oben oder unten.
• Auslastung: Nicht gepflegte Abwesenheiten und Einplanungen führen zu Kapazitätsprognosen, die an der Realität vorbeiplanen.
• Ressourcen: Skill- und Verfügbarkeitsdaten, die nicht aktuell sind, führen zu Staffing-Entscheidungen auf falscher Grundlage.
• Forecast: Ungenaue Ist-Daten aus der Vergangenheit verschlechtern jede Hochrechnung, die darauf aufbaut.
• Projektkosten: Doppelt erfasste oder fehlende Spesen und Fremdleistungen verfälschen die Kostenbasis pro Projekt.

Der wirtschaftliche Punkt dabei: Eine KI, die auf dieser Grundlage arbeitet, macht Fehler nicht automatisch sichtbarer. Sie verpackt sie nur schneller und überzeugender, in ganzen Sätzen statt in einer sichtbar lückenhaften Tabelle. Genau das erhöht das Risiko, dass Fehlentscheidungen ungeprüft durchgewunken werden, weil die Auswertung auf den ersten Blick belastbar wirkt.

Warum schlechte Daten riskanter sind als gar keine Daten

Für Unternehmen ohne belastbare Projektdaten ist die Lage paradoxerweise oft weniger riskant als für Unternehmen mit vielen, aber unsauberen Daten. Wer weiß, dass er im Blindflug entscheidet, fragt nach, prüft zweimal und trifft vorsichtigere Entscheidungen. Wer sich dagegen auf eine KI-Auswertung verlässt, die aus lückenhaften Buchungen eine glatte, gut aufbereitete Entscheidungsvorlage macht, verliert genau diese Vorsicht. Das Ergebnis wirkt fundiert, ist es aber nur so weit, wie die Eingangsdaten es zulassen.

Das Prinzip dahinter ist nicht neu: Kommt fehlerhafte Information rein, kommt fehlerhafte Information raus. Neu ist die Geschwindigkeit und die Optik, mit der das heute passiert. Eine KI liefert ihre Auswertung in Sekunden, professionell formatiert, in ganzen Sätzen. Das verleitet dazu, weniger kritisch nachzufragen als bei einer Excel-Tabelle, die sichtbar unvollständig aussieht und schon dadurch zur Nachfrage einlädt.

Eine belastbare Datenbasis im Projektgeschäft erkennt man an drei Eigenschaften. Erstens Vollständigkeit: Zeiten, Abwesenheiten und Ressourceneinplanungen sind für alle relevanten Zeiträume erfasst, nicht nur für die Projekte, die gerade im Fokus stehen. Zweitens Aktualität: Buchungen erfolgen zeitnah und nicht erst am Monatsende aus dem Gedächtnis heraus. Drittens Konsistenz: Projekt-, Kunden- und Mitarbeiterstammdaten sind einheitlich gepflegt, sodass eine Auswertung nicht an unterschiedlichen Schreibweisen oder doppelt angelegten Datensätzen scheitert.

Am deutlichsten zeigt sich die Bedeutung dieser drei Eigenschaften bei der Ressourcenplanung. Auslastung und Verfügbarkeit lassen sich nur verlässlich auswerten, wenn Abwesenheiten, Fehlzeiten und Projekteinplanungen über Teams und Funktionen hinweg gepflegt sind. Fehlt diese Grundlage, plant auch die schönste Auswertung an der Realität vorbei. Das gilt unabhängig davon, ob am Ende ein Mensch oder eine KI die Zahlen zusammenstellt. Software kann dabei Struktur vorgeben, Pflichtfelder erzwingen und auf unvollständige oder unplausible Daten hinweisen. Eine lückenhafte Grundlage inhaltlich richtig einordnen kann aber auch die beste Software nicht von allein, weil ihr der Kontext aus dem Projektalltag fehlt: dass eine Buchung eigentlich auf ein anderes Projekt gehört, oder dass eine Lücke im Fortschritt schlicht an einem Krankheitstag liegt.

Für Projektdienstleister ergibt sich daraus eine klare Reihenfolge: Bevor KI-gestützte Auswertungen im Projektalltag zum Einsatz kommen, muss die Datenbasis stimmen, auf der sie aufbauen. Wer diesen Schritt überspringt, kommt mit KI schneller zu falschen Entscheidungen, nicht zu besseren.

Was eine belastbare Datenbasis im Projektalltag konkret bedeutet

In der Praxis scheitert eine saubere Datenbasis selten an fehlendem Willen im Team. Sie scheitert daran, dass die dafür nötige Disziplin im Tagesgeschäft schwer durchzuhalten ist, wenn sie nicht durch klare Prozesse und passende Werkzeuge unterstützt wird. Die Regel ist meistens bekannt. Die Umsetzung über Wochen, viele Mitarbeitende und mehrere Projekte gleichzeitig ist der eigentlich schwierige Teil.

IT-Consulting: Viele Work Packages, viele Quellen für Fehler

In IT-Projekten mit Work Packages, Change Requests und Hypercare-Phasen verteilen sich Zeit- und Aufwandsdaten häufig auf mehrere Quellen: Ticketsystem, Excel-Nachkalkulation, einzelne Freelancer-Reportings. Jede zusätzliche Quelle ist eine zusätzliche Fehlerquelle. Wird eine KI gefragt, wie viel Budget in einem Work Package noch verfügbar ist, kann sie nur die Daten zusammenführen, die ihr vorliegen. Fehlt eine Quelle oder ist sie veraltet, entsteht eine Antwort, die überzeugend klingt und trotzdem am eigentlichen Stand vorbeigeht.

Das betrifft besonders Projekte mit hohem Freelancer- und Partneranteil, bei denen Stundensätze und Zuordnungen häufiger manuell nachgepflegt werden. Wechselt ein Change Request mehrfach den Status, bevor er final abgerechnet wird, und wird das nicht konsequent im System nachgezogen, verschiebt sich das Bild der tatsächlichen Projektmarge. Eine KI-Auswertung würde diese Verschiebung als aktuellen Stand ausgeben, ohne sie als Warnsignal zu kennzeichnen. Für Projektleiter bedeutet das: Je mehr Work Packages parallel laufen, desto wichtiger wird eine einheitliche, laufend aktuelle Datengrundlage statt einer nachträglichen Konsolidierung am Monatsende.

Management Consulting: Bench, Travel und Utilization in Echtzeit

Beratungen steuern ihr Geschäft über Utilization, Bench und Projektmarge. Diese Kennzahlen sind nur so aktuell wie die zugrunde liegenden Zeitbuchungen. Wird Reisezeit manuell und verspätet nachgetragen oder werden Überstunden nicht konsequent erfasst, verschiebt sich das Bild der tatsächlichen Auslastung. Eine KI-gestützte Staffing-Empfehlung, die auf Basis dieser Daten trifft, wer als Nächstes für ein Mandat frei ist, kann dann zu Fehlbesetzungen führen, die erst im laufenden Projekt auffallen und teuer nachgesteuert werden müssen.

Gerade bei parallelen Mandaten mit häufigem Kundenwechsel ist die Versuchung groß, Zeiten gesammelt am Ende der Woche einzutragen, anstatt sie tagesaktuell zu buchen. Für die Steuerung macht das einen erheblichen Unterschied. Eine Bench-Auswertung, die auf drei bis vier Tage alten Daten basiert, zeigt möglicherweise freie Kapazität, wo tatsächlich schon ein neues Mandat begonnen hat. Wird auf dieser Basis weiter gestaffelt, entstehen Doppelbelegungen, die sich erst im Kalender der betroffenen Berater bemerkbar machen und dann kurzfristig aufgelöst werden müssen.

Engineering: Lange Projektlaufzeiten, viele Beteiligte

In Ingenieurprojekten mit vielen Gewerken und langen, meilensteinbasierten Laufzeiten summieren sich kleine Erfassungslücken über Monate zu einem erheblichen Problem. Wenn Aufwände einzelner Fachbereiche nicht konsistent zugeordnet werden, verliert jede darauf aufbauende Statusauswertung an Aussagekraft. Eine KI-gestützte Fortschrittsübersicht kann diese Lücken nicht ausgleichen. Sie stellt lediglich dar, was an Daten vorhanden ist, unabhängig davon, ob diese Daten den tatsächlichen Projektstand widerspiegeln.

Besonders kritisch wird das bei Leistungsphasen nach HOAI, bei denen der wirtschaftliche Fortschritt eines Projekts oft von der formalen Abnahme einzelner Phasen abhängt. Werden Stunden zwar gebucht, aber nicht sauber der jeweiligen Leistungsphase zugeordnet, entsteht eine Nachkalkulation, die zwar plausibel aussieht, aber nicht zeigt, in welcher Phase tatsächlich Mehraufwand entstanden ist. Für die Angebotskalkulation künftiger, vergleichbarer Projekte fehlt dann genau die Information, die eigentlich den größten wirtschaftlichen Wert gehabt hätte.

Das eigentliche Problem: tägliche Disziplin lässt sich nicht manuell erzwingen

In allen drei Branchen zeigt sich derselbe Mechanismus. Die Regel ist bekannt: Zeiten sollen zeitnah, vollständig und dem richtigen Projekt zugeordnet gebucht werden. Das Problem liegt in der Umsetzung im Alltag, über Wochen und Monate, über viele Mitarbeitende und mehrere Projekte gleichzeitig hinweg. Manuelle Kontrolle skaliert hier nicht. Wer das ausschließlich über Appelle und Stichproben lösen will, verliert früher oder später die Übersicht darüber, wo die Datenbasis eigentlich steht, und mit ihr das Vertrauen in jede Auswertung, die darauf aufbaut.

Genau an diesem Punkt wird der Unterschied zwischen einer Tabelle und einem System spürbar. Eine Software, die Projektzeit, Ressourcenplanung und Projektcontrolling in einer gemeinsamen Struktur abbildet, kann unvollständige Buchungen sichtbar machen, bevor sie in eine Auswertung einfließen. Sie kann Pflichtfelder erzwingen, auf offene Zeiten hinweisen und Auslastung auf Basis derselben Datenbasis zeigen, aus der auch Rechnung und Forecast gespeist werden. Damit wird Datenqualität zum eingebauten Bestandteil des täglichen Ablaufs, statt zur Kontrollaufgabe einzelner Personen am Monatsende zu werden.

Ein weiterer Aspekt wird in der Praxis oft unterschätzt: KI-Systeme werden nicht dadurch zuverlässiger, dass man Personal einspart und die entstandene Lücke durch Automatisierung schließt. Sie werden zuverlässiger, wenn sie auf dokumentiertem, geprüftem Wissen und klaren Regeln aufbauen, die ein Team über Zeit aufgebaut hat. Für das Projektgeschäft bedeutet das: KI-gestützte Auswertungen ersetzen nicht die fachliche Einordnung durch Projektleiter und Controlling, sie beschleunigen lediglich den Weg zu einer Auswertung, deren Qualität weiterhin von der zugrunde liegenden Datenbasis und vom geschulten Blick der Verantwortlichen abhängt.

Der gemeinsame Nenner über alle drei Branchen hinweg

So unterschiedlich IT-Consulting, Management Consulting und Engineering im Detail arbeiten, wirtschaftlich landen die Folgen unsauberer Daten immer an denselben Stellen: bei der Marge, weil Aufwände falsch zugeordnet sind, bei der Auslastung, weil Kapazitäten nicht mit der Realität übereinstimmen, und beim Forecast, weil er auf einer Vergangenheit aufbaut, die selbst schon ungenau war. COOs, Finance-Verantwortliche und PMO-Leitungen erleben das häufig zuerst als diffuses Gefühl, dass Zahlen aus unterschiedlichen Quellen nicht zusammenpassen, bevor es sich in einer konkreten Fehlentscheidung niederschlägt.

Wird an dieser Stelle eine KI eingeführt, ohne die Datenbasis vorher zu prüfen, verschärft sich dieses Muster eher, als dass es sich auflöst. Die Auswertung wird schneller erstellt, wirkt professioneller und wird dadurch seltener hinterfragt. Genau das macht den Unterschied zwischen einer KI, die im Projektgeschäft tatsächlich Zeit spart, und einer KI, die vor allem dafür sorgt, dass falsche Zahlen schneller ihren Weg ins Management-Reporting finden. Der entscheidende Hebel liegt weniger in der Wahl des KI-Tools als vielmehr in der Frage, wie konsequent Projektzeit, Ressourcenplanung und Projektcontrolling im Alltag auf einer gemeinsamen, laufend gepflegten Grundlage zusammengeführt werden.

{{blog-cta}}

Wann eine systematische Lösung notwendig wird

Der Bedarf an einer strukturierten Datenbasis wird meist an denselben Stellen sichtbar: wenn die Projektzahl wächst, wenn Margendruck entsteht, wenn Kunden belastbare Nachweise zu Aufwänden verlangen, oder wenn Excel als Auswertungswerkzeug spürbar an seine Grenzen kommt. Für viele Unternehmen ist das auch der Moment, ab dem KI-gestützte Auswertungen im Projektgeschäft überhaupt erst sinnvoll werden, weil erst dann eine Datenbasis vorliegt, die eine KI ohne größere Vorbehalte verarbeiten kann.

Hinzu kommt ein strategischer Aspekt: Sobald mehrere Tools nebeneinander existieren, für Zeiterfassung, Projektmanagement, Ressourcenplanung und Abrechnung, entstehen zwangsläufig Medienbrüche, an denen Daten verloren gehen oder inkonsistent werden. Jede Schnittstelle zwischen zwei Systemen ist ein zusätzlicher Punkt, an dem eine Buchung falsch übertragen oder gar nicht übernommen wird. Für Unternehmen, die Tool-Konsolidierung als Management-Thema auf der Agenda haben, ist die Datenqualität häufig das eigentliche, nicht immer offen ausgesprochene Argument dahinter.

ZEP begleitet Projektdienstleister genau bei diesem Schritt. Als Operating System für projektorientierte Unternehmen führt ZEP Projektzeit, Ressourcenplanung und Projektcontrolling auf einer gemeinsamen Datengrundlage zusammen, statt sie auf mehrere Tools und Tabellen zu verteilen. Diese durchgängige Struktur ist auch die Grundlage, auf der ZEP seine KI-Funktionen konsequent weiterentwickelt: von der automatisierten Belegerkennung bis zu KI-gestützten Auswertungen und Assistenzfunktionen direkt in der Plattform. Statt KI als isoliertes Zusatzfeature zu behandeln, baut ZEP sie dort ein, wo bereits eine verlässliche Datengrundlage existiert.

Ein zentraler Baustein dieser Entwicklung ist der ZEP Assistant, ein Chat-basierter KI-Assistent direkt in der Plattform. Nutzer formulieren ihre Frage oder Aufgabe in natürlicher Sprache, statt sich durch Menüs und einzelne Auswertungen zu klicken. Der Assistant kennt dabei den Kontext des jeweiligen Projekts und die Berechtigungen des Nutzers und kann Informationen liefern sowie Aktionen direkt ausführen: Zeitbuchungen anlegen oder korrigieren, Urlaubsanträge stellen, Projekte und Stammdaten pflegen, oder Auswertungen zu Auslastung, Rentabilität und offenen Rechnungen erstellen.

Ein anschauliches Beispiel aus dem Projektalltag: Eine PMO-Leitung fragt den ZEP Assistant zu Wochenbeginn, welche Projekte aktuell über Budget liegen und wie die Buchungen auf diesen Projekten in der laufenden Woche aussahen. Der Assistant gleicht die vorhandenen Projekt- und Zeitdaten mit den hinterlegten Budgets ab und liefert die Antwort in Sekunden, inklusive der betroffenen Projekte und der zugehörigen Buchungen. Was bisher das manuelle Zusammenstellen mehrerer Auswertungen erforderte, wird zu einer einzelnen Anfrage. Wie belastbar diese Antwort ist, hängt weiterhin davon ab, wie vollständig und aktuell die zugrunde liegenden Projektzeiten und Budgets gepflegt sind, denn auch der Assistant wertet nur aus, was im System hinterlegt ist.

Für Unternehmen, die aktuell prüfen, ob sich eine systematische Lösung lohnt, sind das die typischen Auslöser: steigende Projektzahlen, die Excel-Auswertungen unübersichtlich machen, der Wunsch nach schnelleren und belastbareren Forecasts, oder das Ziel, mehrere Insellösungen durch eine gemeinsame Datengrundlage zu ersetzen. In allen Fällen gilt derselbe Grundsatz: Steuern lässt sich nur auf Daten, denen man vertraut, nicht auf Daten, die man erst nachträglich prüfen muss.

Fazit: Beginnen Sie bei der Datenbasis, nicht beim KI-Tool

1. Prüfen Sie zuerst, wie vollständig und aktuell Ihre Projektzeiten, Ressourcenplanungen und Stammdaten heute tatsächlich sind, bevor Sie eine KI-Lösung für Auswertungen oder Forecasts einführen.
2. Legen Sie fest, welche Buchungen und Freigaben täglich zwingend erfolgen müssen, und bilden Sie diese Pflichten direkt im System ab, statt sie über E-Mails und Erinnerungen durchzusetzen.
3. Konsolidieren Sie Projektzeit, Controlling und Ressourcenplanung so weit wie möglich auf einer gemeinsamen Datengrundlage, damit jede spätere Auswertung, mit oder ohne KI, auf demselben verlässlichen Stand aufbaut.

Wer diese Reihenfolge einhält, gewinnt mit KI tatsächlich Zeit. Wer sie überspringt, gewinnt nur Geschwindigkeit auf dem Weg zu falschen Entscheidungen. Setzen Sie sich intern eine realistische Frist, etwa ein Quartal, um die wichtigsten Datenlücken in Zeiterfassung, Ressourcenplanung und Stammdaten zu schließen, bevor Sie den nächsten KI-gestützten Auswertungsschritt gehen. So bleibt der Aufwand überschaubar, und Sie stellen sicher, dass jede neue Automatisierung auf einer Grundlage aufbaut, die diesen Namen auch verdient.