KI im Risikomanagement: Wie KI Projektrisiken erkennt und wo der Mensch entscheidet

Was ist KI-gestützte Risikoanalyse im Projekt?

Eine KI-gestützte Risikoanalyse ist die Identifikation von Projektrisiken, Chancen und Maßnahmen, bei der eine KI den ersten Entwurf aus vorhandenen Projektinformationen erzeugt. Das Ziel bleibt dasselbe wie in der klassischen Risikoanalyse: Unsicherheiten früh erkennen, bewerten und steuerbar machen. Neu ist nur, wer den ersten Schritt macht.

Für das Verständnis lohnt ein kurzer Blick auf die Begriffe, die im Folgenden verwendet werden:

• Risiko: ein mögliches Ereignis, das sich negativ auf Termine, Kosten, Qualität oder Umfang des Projekts auswirkt.
• Chance: ein mögliches Ereignis mit positiver Wirkung, etwa ein früher verfügbares Bauteil oder ein Fördermittel.
• Maßnahme: eine geplante Handlung, die ein Risiko verringert oder eine Chance nutzbar macht.
• Eintrittswahrscheinlichkeit und Auswirkung: die beiden Achsen, nach denen ein Risiko bewertet wird.
• Risikomatrix: die grafische Darstellung aller Risiken nach Eintrittswahrscheinlichkeit und Auswirkung.
• Risikoregister: die zentrale Liste aller Risiken, Chancen und Maßnahmen eines Projekts.

Der Unterschied zwischen klassischer und KI-gestützter Risikoanalyse liegt im Startpunkt, nicht in der Verantwortung:

Die Tabelle zeigt den Kern: Die KI verändert, wie schnell ein vollständiges Bild entsteht. Sie verändert nicht, wer dafür einsteht.

Einen Überblick über klassische Methoden der Risikoanalyse wie FMEA, Pre-Mortem oder Monte-Carlo-Simulation gibt unser Artikel Methoden des Risikomanagements im Projektmanagement.

Warum bleiben Risikoregister in vielen Projekten lückenhaft?

Risikoregister bleiben lückenhaft, weil die Risikoerfassung in vielen Organisationen ein einmaliger Termin ist und nicht Teil der laufenden Projektsteuerung. Vier Ursachen treten dabei regelmäßig gemeinsam auf:

1. Risikoerfassung als Einmaltermin: Risiken werden im Kick-off oder kurz danach gesammelt. Danach wird das Register selten aktualisiert, obwohl sich Umfang, Beteiligte und Rahmenbedingungen ändern.
2. Wissen in wenigen Köpfen: Welche Risiken genannt werden, hängt davon ab, wer im Workshop sitzt. Erfahrungen aus früheren Projekten fließen nur ein, wenn die betreffende Person anwesend ist und sich erinnert.
3. Chancen fallen unter den Tisch: Die Aufmerksamkeit gilt den Bedrohungen. Positive Unsicherheiten werden kaum erfasst und damit auch nicht gezielt genutzt.
4. Maßnahmen ohne Verantwortliche: Eine Maßnahme ohne benannte Person und ohne Termin ist eine Absichtserklärung. Sie taucht in keiner Aufgabenliste auf und wird deshalb nicht erledigt.

Die Folge ist ein Register, das formal existiert, aber keine Steuerungswirkung hat. Risiken werden erst sichtbar, wenn sie eingetreten sind. Dann sind sie keine Risiken mehr, sondern Probleme.

Hinzu kommt der Zeitdruck in der Initialisierungsphase. Wer gleichzeitig Projektauftrag, Terminplan und Ressourcenanfragen vorbereitet, behandelt die Risikoanalyse oft als Pflichtübung. Genau an diesem Engpass setzt die KI-Unterstützung an: Sie senkt den Aufwand für den ersten vollständigen Entwurf und schafft damit Zeit für die eigentliche Bewertung.

Wie läuft eine KI-gestützte Risikoanalyse ab?

Eine KI-gestützte Risikoanalyse folgt fünf Schritten: Die KI übernimmt die Erstsammlung, das Projektteam übernimmt Bewertung, Entscheidung und Nachverfolgung. Statt mit einem leeren Risikoregister beginnt das Team mit einem ersten Entwurf.

1. Projektinformationen erfassen: Ziel, Umfang, Rahmenbedingungen und Beteiligte werden in den Projektstammdaten beschrieben. Diese Beschreibung ist die Grundlage, auf der die KI arbeitet.
2. KI-Vorschläge erzeugen: Die KI leitet aus der Projektbeschreibung mögliche Risiken, Chancen und passende Maßnahmen ab. Das Ergebnis ist ein Entwurf, keine Bewertung.
3. Fachlich prüfen und bewerten: Das Team streicht unpassende Vorschläge, ergänzt fehlende und bewertet jeden Eintrag nach Eintrittswahrscheinlichkeit und Auswirkung.
4. Maßnahmen und Verantwortliche festlegen: Jede Maßnahme erhält eine verantwortliche Person und einen Termin. Erst damit wird aus einem Eintrag eine steuerbare Aufgabe.
5. Im Projektverlauf nachverfolgen: Risiken werden zu festen Zeitpunkten neu bewertet, etwa zu Meilensteinen oder Statusberichten. Der Vergleich der Bewertung vor und nach einer Maßnahme zeigt, ob sie wirkt.

Entscheidend ist Schritt 3. Die KI kennt nur das, was im Projekt beschrieben ist. Sie weiß nicht, dass ein Lieferant im letzten Projekt zweimal verspätet geliefert hat oder dass ein Fachbereich die Einführung skeptisch sieht, es sei denn, diese Information steht in der Projektbeschreibung.

Welche Projektinformationen braucht die KI?

Die Qualität der Vorschläge hängt direkt von der Qualität der Projektbeschreibung ab. Eine knappe Beschreibung führt zu allgemeinen Risiken, die für fast jedes Projekt gelten. Eine konkrete Beschreibung führt zu Risiken, die zum Vorhaben passen. Als Mindeststand empfehlen sich folgende Angaben:

• Projektziel: Was soll am Ende messbar erreicht sein?
• Umfang und Abgrenzung: Was gehört dazu, was ausdrücklich nicht?
• Rahmenbedingungen: Budget, Termine, regulatorische Vorgaben, technische Abhängigkeiten.
• Beteiligte: Welche Fachbereiche, Dienstleister und Entscheidungsgremien sind eingebunden?

Für Sie heißt das: Die Zeit, die Sie in eine sorgfältige Projektbeschreibung investieren, zahlt sich zweimal aus: in der Abstimmung mit den Beteiligten und in der Qualität der Risikovorschläge.

Was kann die KI in der Risikoanalyse nicht leisten?

Die KI arbeitet mit Texten und Mustern, nicht mit Projektwissen im eigentlichen Sinn. Daraus ergeben sich drei Grenzen, die jedes Projektteam kennen sollte:

• Kein Wissen außerhalb der Daten: Informelle Erfahrungen, Konflikte zwischen Bereichen oder die Vorgeschichte eines Lieferanten kennt die KI nur, wenn sie dokumentiert sind.
• Keine Bewertung im Organisationskontext: Wie kritisch ein Risiko für das eigene Unternehmen ist, hängt von Strategie, Vertragslage und Risikobereitschaft ab. Diese Einordnung bleibt Aufgabe der Projektleitung.
• Mögliche Fehlvorschläge: Sprachmodelle können plausibel klingende, aber unzutreffende Einträge erzeugen. Jeder Vorschlag braucht deshalb eine fachliche Prüfung, bevor er ins Register übernommen wird.

Dieses Prinzip wird häufig als „Human in the Loop“ bezeichnet: Der Mensch bleibt fester Bestandteil jeder Entscheidung, die KI liefert Vorschläge. Mehr zur veränderten Rolle der Projektleitung beschreibt unser Artikel KI im Projektmanagement.

Wie prüft und bewertet das Team die KI-Vorschläge?

KI-Vorschläge werden nach denselben Maßstäben bewertet wie manuell erfasste Risiken, aber vorher auf ihre Eignung geprüft. Bevor ein Vorschlag ins Risikoregister übernommen wird, empfiehlt sich eine kurze Prüfung in vier Fragen:

1. Trifft der Vorschlag auf dieses Projekt zu? Allgemeine Risiken, die für jedes Projekt gelten, werden gestrichen oder konkretisiert.
2. Ist der Eintrag eine Doppelung? Vorschläge, die ein bereits erfasstes Risiko anders formulieren, werden zusammengeführt.
3. Ist die Ursache benannt? Ein Risiko wie „Terminverzug“ ist eine Folge. Steuerbar wird es erst über die Ursache, etwa eine späte Freigabe durch einen Fachbereich.
4. Passt die vorgeschlagene Maßnahme? Maßnahmen werden auf Aufwand und Wirkung geprüft, bevor sie eine verantwortliche Person erhalten.

Nach der Prüfung folgt die eigentliche Bewertung. Sie erfolgt entweder qualitativ über Stufen wie gering, mittel und hoch oder monetär über die erwartete Schadenshöhe in Euro und die Eintrittswahrscheinlichkeit in Prozent. Entscheidend ist, dass alle Beteiligten dieselbe Skala verwenden. Sonst sind Risiken verschiedener Projekte nicht vergleichbar.

Für die Nachverfolgung eignet sich der Vergleich über die Zeit: Eine Risikotrendanalyse zeigt, ob sich die Bewertung eines Risikos nach Umsetzung der Maßnahmen verbessert. Die Methoden der Bewertung selbst, etwa Risikomatrix, Heatmap oder Tornado-Diagramm, beschreibt unser Artikel zu den Methoden des Risikomanagements im Detail.

Was bringt KI im Risikomanagement und wo liegen die Grenzen?

Der Nutzen von KI im Risikomanagement liegt vor allem in Vollständigkeit und Geschwindigkeit beim Einstieg. Jeder Vorteil hat eine Kehrseite, die das Projektteam durch eigene Arbeit ausgleichen muss:

Die Tabelle macht eine Verschiebung sichtbar: Die Arbeit des Teams verlagert sich vom Sammeln zum Bewerten. Das ist der eigentliche Gewinn, denn die Bewertung ist der Teil der Risikoanalyse, der Fachwissen und Urteilsvermögen verlangt.

Wie viel Zeit sich dadurch konkret einsparen lässt, hängt von Projektgröße, Qualität der Projektbeschreibung und Erfahrung des Teams ab. Belastbare, allgemeingültige Werte gibt es dafür nicht.

Welche Rolle spielt das PMO beim KI-gestützten Risikomanagement?

Das Project Management Office (PMO, die zentrale Stelle für Standards, Methoden und Projektübersicht in einer Organisation) macht KI-gestütztes Risikomanagement projektübergreifend vergleichbar. Ohne gemeinsame Regeln bewertet jedes Projektteam KI-Vorschläge nach eigenem Maßstab, und das Portfolio zeigt am Ende Risiken, die sich nicht miteinander vergleichen lassen.

Vier Festlegungen liegen typischerweise beim PMO:

• Mindeststandard für Projektbeschreibungen: Weil die Qualität der KI-Vorschläge von der Projektbeschreibung abhängt, legt das PMO fest, welche Angaben jedes Projekt mindestens enthält, etwa über Projektvorlagen.
• Einheitliche Bewertungsskalen: Ob qualitativ oder monetär bewertet wird und welche Stufen gelten, entscheidet das PMO für alle Projekte gleich.
• Regeln für KI-Vorschläge: Wer prüft Vorschläge, bevor sie ins Register gehen? Bleiben KI-generierte Einträge gekennzeichnet? Diese Fragen werden einmal geklärt, nicht in jedem Projekt neu.
• Wissen projektübergreifend sichern: Lessons Learned und Erfahrungen mit Risiken werden so dokumentiert, dass sie in künftige Projektbeschreibungen einfließen können.

Wie wichtig diese Grundlage ist, zeigt der Praxisbericht des Pharmaunternehmens Siegfried. Dort führten gewachsene Strukturen und unterschiedliche Arbeitsweisen zu uneinheitlichen Prozessen, Daten und Verantwortlichkeiten. Ein Ziel der Einführung von PLANTA Project war deshalb die zentrale Dokumentation von Wissen, Risiken und Entscheidungen über 13 Standorte hinweg. Heute stehen Risiken, Entscheidungen und Projekterfahrungen laut Praxisbericht zentral dokumentiert für künftige Projekte zur Verfügung.

Der Praxisbericht bezieht sich nicht auf die KI-Funktion. Er zeigt aber, was KI-gestütztes Risikomanagement voraussetzt: einheitliche Prozesse und ein zentrales Gedächtnis für Risiken und Erfahrungen. Mehr zu Aufgaben und Aufbau eines PMO beschreibt unser Artikel Was ist ein Project Management Office?

Wie sieht KI-gestütztes Risikomanagement in der Praxis aus?

In der Praxis entfaltet KI im Risikomanagement ihren Nutzen erst, wenn Vorschlag, Bewertung, Maßnahme und Nachverfolgung in derselben Projektumgebung stattfinden. Die folgenden fünf Anwendungsfälle zeigen den Ablauf am Beispiel von PLANTA Project.

1. Risiken, Chancen und Maßnahmen per KI vorschlagen lassen

PLANTA Project kann Risiken, Chancen und Maßnahmen eines Projekts per KI vorschlagen. Grundlage sind die bereits erfassten Projektinformationen, etwa Eckdaten und Beschreibung in den Projektstammdaten. KI-generierte Einträge sind mit einem eigenen Symbol gekennzeichnet und damit klar von manuell erfassten Einträgen unterscheidbar.

Für Sie heißt das: Das Team startet mit einem Entwurf und konzentriert sich auf die Prüfung, statt bei null zu beginnen.

2. Risiken vor und nach der Behandlung bewerten

PLANTA Project bietet ein Risikomanagement nach ISO 27001. Risiken lassen sich vor und nach der Behandlung erfassen, bewerten und verfolgen. Matrix- und Chartdarstellungen mit Ampelfeldern bilden das Bewertungsmodell ab. Risiken und Chancen lassen sich qualitativ oder monetär bewerten, also über Schadenshöhe in Euro und Eintrittswahrscheinlichkeit in Prozent; eine Risikotrendanalyse zeigt die Entwicklung über die Zeit.

Für Sie heißt das: Ob eine Maßnahme wirkt, zeigt der Vergleich beider Bewertungen, nicht das Bauchgefühl.

3. Verantwortliche sehen ihre Risiken und Maßnahmen in den eigenen Aufgaben

Die für Risiken und Maßnahmen verantwortlichen Personen sehen diese Einträge direkt in ihren eigenen Aufgaben. Der Risikobereich ist zudem auf Projekt- und Portfolioebene einheitlich dargestellt, sodass das Portfoliomanagement dieselbe Sicht nutzt wie die Projektleitung.

Für Sie heißt das: Eine Maßnahme landet dort, wo die verantwortliche Person ohnehin arbeitet, und gerät nicht im Register in Vergessenheit.

4. Maßnahmen mit KI-Unterstützung in Arbeitsschritte zerlegen

Wird eine Maßnahme wie „Zweitlieferanten qualifizieren“ als Karte auf einem agilen Board umgesetzt, schlägt die KI-gestützte Checklisten-Generierung passende Unteraufgaben vor, die das Team anpasst.

Der KI-Assistenz in der Projektplanung widmen wir einen eigenen Artikel.

Für Sie heißt das: Aus einer Absichtserklärung wird schneller ein konkreter, abarbeitbarer Plan.

5. Erfahrungen für die nächste Risikoanalyse sichern

Mit den Projekt-Insights dokumentieren Teams Lessons Learned, Maßnahmen und Entscheidungen fortlaufend im Projekt. Daraus lässt sich ein projektübergreifender Report erzeugen, der Erkenntnisse für künftige Projekte bündelt.

Für Sie heißt das: Was in einem Projekt schiefging oder gut lief, steht dem nächsten Projekt als dokumentiertes Wissen zur Verfügung und kann in dessen Projektbeschreibung einfließen.

Fazit zu KI im Risikomanagement

KI im Risikomanagement verkürzt den Weg zu einem vollständigen Risikoregister, ersetzt aber weder Bewertung noch Entscheidung. Ihr Wert entsteht dort, wo Vorschläge geprüft, Maßnahmen Verantwortlichen zugeordnet und Bewertungen im Projektverlauf fortgeschrieben werden. Die wichtigste Voraussetzung liegt dabei nicht in der Technik, sondern in einer sorgfältigen Projektbeschreibung.

Ein erster Schritt gelingt ohne neues Werkzeug: Legen Sie das Risikoregister Ihres wichtigsten laufenden Projekts neben dessen Projektbeschreibung. Fehlen Chancen, Verantwortliche oder eine aktuelle Bewertung, kennen Sie die Stellen, an denen KI-Unterstützung den größten Unterschied macht.

Häufig gestellte Fragen zu KI im Risikomanagement

Kann KI Projektrisiken zuverlässig erkennen?

KI erkennt Risiken, die sich aus der Projektbeschreibung ableiten lassen, und liefert damit einen brauchbaren ersten Entwurf. Risiken aus nicht dokumentiertem Wissen, etwa aus Konflikten oder Erfahrungen mit Lieferanten, erkennt sie nicht. Jeder Vorschlag braucht deshalb eine fachliche Prüfung.

Wer ist für KI-vorgeschlagene Risiken verantwortlich?

Verantwortlich bleibt das Projektteam, in letzter Instanz die Projektleitung. Die KI liefert Vorschläge; erst die Übernahme ins Risikoregister, die Bewertung und die Zuordnung einer verantwortlichen Person machen daraus einen steuerbaren Eintrag.

Ersetzt KI den Risikoworkshop?

Nein, KI verändert den Workshop, statt ihn zu ersetzen. Das Team diskutiert einen vorhandenen Entwurf, statt Risiken erst zu sammeln. Damit bleibt mehr Zeit für Bewertung, Abhängigkeiten und Maßnahmen.

Welche Projektdaten braucht eine KI-gestützte Risikoanalyse?

Mindestens Projektziel, Umfang mit Abgrenzung, Rahmenbedingungen wie Budget, Termine und Vorgaben sowie die beteiligten Bereiche und Dienstleister. Je konkreter diese Angaben sind, desto projektspezifischer fallen die Vorschläge aus.

Was ist der Unterschied zwischen Risiko und Chance im Projekt?

Ein Risiko wirkt sich negativ auf das Projekt aus, eine Chance positiv. Ausführliche Definitionen finden Sie im PLANTA-Glossar unter Risiken und Chancen.