Für Balluff

Agentic AI im Projektmanagement

Mehr Freiraum für die Essenz guter Projektarbeit.

Projektlebenszyklus

Der Lead verschiebt sich über die Phasen

Phase 1 · Idee

PM führt, AI fragt nach Kontext.

Phase 2 · Konzept

PM führt, AI findet Lücken.

Phase 3 · Planung

PM führt, AI prüft Abhängigkeiten.

Phase 4 · Umsetzung

AI treibt Operatives, PM entscheidet.

Phase 5 · Nutzen

PM führt Review, AI verdichtet Lernen.

Change Requests, neue Erkenntnisse und externe Impacts fließen wieder in den Kontext zurück.

Einstieg

Mehr Freiraum für die Essenz

  • Klarer Projektstand aus Meetings, Board und Dokumentation
  • Schnellere Entscheidungen durch bessere Fragen
  • Weniger Suchzeit, mehr Fokus auf Wertschöpfung

Diskussion: Wo entsteht heute Reibung?

Alltag

Wo Zeit verloren geht

Status nachziehen

Stand zwischen Stakeholdern angleichen — nach jedem Termin und jeder Mail.

Quellen bündeln

Informationen aus Meeting, Mail und Board in einem Bild zusammenführen.

Realität prüfen

Board-Stand mit dem abgleichen, was im Projektalltag wirklich passiert.

Frage: Was passiert heute zwischen Meeting und Board?

Hebel

Meeting-Transkripte als Rohstoff

  • Statusmeetings
  • Abstimmungen
  • Fachliche Meetings
  • Jede Ebene kann Projektkontext liefern

Gemeinsamer KI-Projektkontext in der Microsoft-Umgebung — pragmatischer Einstieg für Balluff.

Kontext

Vom Transkript zum Projektgedächtnis

Struktur

  • Zusammenfassung
  • Offene Punkte
  • Risiken

Entscheidungen

  • Getroffene Beschlüsse
  • Change Requests
  • Offene Fragen

Board-Bezug

  • Epics
  • Features
  • Tasks
Leitplanke

Azure Boards zuerst Read-Only

  • PAT nur lesend
  • API-Zugriff lokal und cachebewusst
  • Analysen als erster Schritt
  • Schreiben später mit Proxy, MCP, Sentinel und Bestätigung

Hinweis: Schreibzugriff kann Boards schnell beschädigen — Read-Only schützt die gemeinsame Wahrheit.

Analyse

Was Agents erkennen können

  • Lücken zwischen Grob- und Feinkonzept
  • Diskrepanzen zwischen Meeting und Board
  • Fehlende Akzeptanzkriterien
  • Offene Lieferzusagen
  • Scope-Drift und widersprüchliche Statussignale
  • Fehlende Entscheidungsgrundlagen für das nächste Meeting
Assistenz

Agent als Fragenmaschine

  • Was fehlt für die nächste Entscheidung?
  • Welche Annahme ist ungeprüft?
  • Wo passt Board-Status nicht zur Diskussion?
  • Welche Risiken müssen neu bewertet werden?
  • Welche Frage erhöht den Reifegrad des Projektkontexts?
Projektwissen

RAG und LLM-Wiki

  • Projektmanagement-Handbuch
  • Meeting-Historie
  • Rollen und Ansprechpartner
  • Technische Doku
  • Entscheidungen und offene Fragen

Vector-RAG

Semantische Suche über Dokumente und Transkripte.

Graph-RAG

Beziehungen zwischen Epics, Abhängigkeiten, Rollen.

Hybrid

Semantik und Struktur zusammen — für komplexe Projektfragen.

LLM-Wiki (Karpathy): wachsendes Projektgedächtnis — jede Session reichert den Kontext an.

Automatisierung

Decks aus Kontext generieren

  • Präsentationen automatisiert aus dem gewachsenen Projektkontext erzeugen
  • Kontext wird dabei nutzstiftend angereichert — kein Einmal-Artefakt
  • Kein Wissen versandet in einem Deck, das danach herumliegt
  • Statusreport, Meeting-Brief, Stakeholder-Update: alles aus einer Quelle

Dieses Deck ist ein Beispiel: Es lässt sich aus dem gemeinsamen Projektkontext jederzeit neu erzeugen.

Nächster Schritt

Startet klein und lernt schnell

  • Startet jetzt mit einem kleinen Pilot
  • Meetings transkribieren und Kontext bewusst pflegen
  • Azure Boards Read-Only analysieren
  • Fragenliste für das nächste Meeting erzeugen
  • Schnell iterieren, wenn Produktivität spürbar steigt

Wenn der Kontext wächst, steigt die Abstraktionsebene der Gespräche.

Anhang

Praxiscase: Maschinenbauprojekt

  • Meeting-Transkripte mit Jira-User-Stories in Beziehung gesetzt
  • Lücken und Diskrepanzen in kurzer Zeit sichtbar gemacht
  • Gute Fragen für das nächste Projektmeeting erzeugt
  • Kritische Themen, Lieferzeiten und offene Abstimmungen herausgearbeitet
  • Projektstatus und nächste Nachfasspunkte deutlich schneller verdichtet

Der Mehrwert lag in Geschwindigkeit, Klarheit und besseren Anschlussfragen.

Anhang

Vom lokalen Experiment zur Team-Fähigkeit

  • Teams befähigen, den Ablauf selbstständig zu nutzen
  • Maschinenbau-Umgebung: Google Gemini als möglicher Werkzeuganker
  • Balluff-/Microsoft-Umgebung: Copilot und Azure Boards als naheliegende Startpunkte
  • Read-Only-Analyse zuerst; Schreibpfade mit Bestätigung über Proxy, MCP und Sentinel
  • Wiederholbarer Ablauf: Transkript sammeln, Kontext pflegen, Board lesen, Fragen erzeugen, Meeting verbessern