Planen statt prompten — Warum KI-Projekte Struktur vor Tools brauchen

Warum ein guter Prompt keine fehlende Projektarchitektur ersetzt — und wie aus Absicht, Recherche, Anforderungen und Konzept ein belastbarer KI-Projektplan entsteht.

Ein Prompt kann in Sekunden eine beeindruckende Antwort erzeugen. Ein Projekt kann dagegen Wochen, Monate oder Jahre tragen müssen. Zwischen beiden liegt ein Unterschied, der in der Arbeit mit künstlicher Intelligenz leicht übersehen wird: Eine Antwort ist noch keine Struktur, ein Entwurf noch kein Konzept und ein Konzept noch kein belastbarer Plan.

Gerade weil moderne KI schnell produziert, entsteht eine neue Versuchung. Man beginnt früher mit der Ausführung, als man verstanden hat, was eigentlich ausgeführt werden soll. Die Oberfläche wirkt produktiv: Texte entstehen, Tabellen füllen sich, Funktionen werden vorgeschlagen, Code wird geschrieben, Aufgabenlisten wachsen. Doch Geschwindigkeit kann fehlende Orientierung verdecken. Wer das falsche Problem sehr effizient bearbeitet, ist nicht schneller am Ziel.

Der zentrale Gedanke lässt sich deshalb einfach formulieren: Je besser die Planung, desto besser die Realisierung. Planung bedeutet dabei nicht, jede Einzelheit vorab festzuschreiben. Sie bedeutet, aus einer abstrakten Absicht schrittweise etwas Realisierbares zu machen.

Ein Prompt ist kein Projekt

Ein einzelner Prompt hat normalerweise einen unmittelbaren Zweck: erklären, vergleichen, entwerfen, zusammenfassen, recherchieren, strukturieren oder produzieren. Ein Projekt besitzt dagegen eine Geschichte. Es hat einen Ausgangszustand, ein Ziel, Voraussetzungen, Abhängigkeiten, Risiken, Entscheidungen, Zwischenstände und Kriterien dafür, wann etwas als ausreichend gut gilt.

Diese Unterscheidung verändert die Arbeit mit KI grundlegend. Wer nur promptet, betrachtet jede Antwort als nächsten möglichen Ausgangspunkt. Wer ein Projekt führt, betrachtet jede Antwort als Material innerhalb eines größeren Systems.

Das klingt zunächst nach zusätzlicher Bürokratie. In Wirklichkeit ist es das Gegenteil. Eine klare Projektstruktur verhindert, dass dieselben Fragen immer wieder neu gestellt werden, dass sich Anforderungen unbemerkt verändern oder dass eine KI in jedem neuen Chat eine andere Interpretation des Ziels entwickelt.

Die entscheidende Frage lautet daher nicht: „Welchen Prompt brauche ich?" Sondern: „In welchem Zustand befindet sich mein Projekt, und welche Entscheidung muss als Nächstes vorbereitet werden?"

Vom Abstrakten zum Realisierbaren

Viele Projekte beginnen nicht mit einer Aufgabenliste, sondern mit einer Absicht. „Ich möchte eine Plattform entwickeln." „Ich will mein Portfolio professionalisieren." „Wir möchten KI im Unternehmen einsetzen." „Ich möchte einen Prozess automatisieren." Solche Sätze sind wichtig, aber noch nicht planbar.

Der erste Schritt besteht darin, die Absicht in einen Problemraum zu übersetzen. Was soll sich durch das Projekt verändern? Für wen? Welche Situation ist heute unzureichend? Welche Restriktionen existieren bereits? Welche Teile sind unbekannt? Was wäre ein plausibles Ergebnis, ohne schon die Lösung festzulegen?

Damit verschiebt sich die Arbeit von der schnellen Lösungsproduktion zur Orientierung. Genau hier kann KI besonders wertvoll sein: nicht indem sie sofort entscheidet, sondern indem sie hilft, den Raum möglicher Entscheidungen sichtbar zu machen.

Ein sauber formulierter Problemraum verhindert eine typische Fehlentwicklung: Die erste attraktive Lösung wird mit dem eigentlichen Ziel verwechselt. Wer beispielsweise „eine App" bauen möchte, kann während der Analyse feststellen, dass das reale Problem vielleicht durch einen Service, einen automatisierten Workflow, ein internes Tool oder sogar eine organisatorische Veränderung besser gelöst wird.

Planung bewahrt also nicht nur vor Fehlern in der Umsetzung. Sie schützt auch vor einer zu frühen Bindung an die falsche Lösung.

Recherche ist keine Vorstufe, sondern Teil der Projektarchitektur

In klassischen Arbeitsweisen wird Recherche häufig als Phase vor der eigentlichen Arbeit verstanden. In KI-Projekten ist diese Trennung zu schwach. Die Qualität der Datenbasis beeinflusst jeden späteren Schritt: die Anforderungen, die Varianten, die Risiken, die technische Architektur, die Business-Strategie und die Bewertung der Ergebnisse.

Deshalb sollte Recherche nicht einfach Material sammeln. Sie sollte Unsicherheit reduzieren.

Eine gute Recherche beantwortet nicht nur „Was gibt es zu diesem Thema?", sondern beispielsweise:

• Welche Annahmen meines Projekts sind bereits belegt?

• Welche Annahmen sind nur Vermutungen?

• Welche Alternativen existieren?

• Welche realen Beispiele widersprechen meiner ersten Idee?

• Welche Anforderungen ergeben sich aus Quellen, Praxis und Rahmenbedingungen?

• Welche Informationen fehlen noch, bevor eine Entscheidung verantwortbar ist?

Damit wird aus Recherche ein Entscheidungsinstrument.

Diese Logik geht noch einen Schritt weiter: Mehrere Recherchen können zu einem Research-Pool werden, aus dem anschließend eine strukturierte Wissensbasis entsteht. Das ist wesentlich stärker als ein einzelner Deep-Research-Bericht. Ein Bericht ist ein Dokument. Eine Wissensbasis ist ein Arbeitsraum, in dem Quellen, Aussagen, Widersprüche, Beispiele und offene Fragen gezielt wiederverwendet werden können.

Erst ordnen, dann verdichten

Zwischen Recherche und Konzept liegt ein oft unterschätzter Schritt: das Ordnen.

Viele KI-Projekte springen von einer großen Materialsammlung direkt zur Lösung. Das führt dazu, dass die KI zwar viel Kontext erhält, aber nicht weiß, welche Unterschiede entscheidend sind. Mehr Kontext ist nicht automatisch bessere Orientierung.

Die methodische Konzeptentwicklung beschreibt deshalb eine Kette:

Ausgangsfrage → Problemraum → Recherche → Anforderungen → Ideenraum → Variantenbewertung → Architekturentwurf → Plausibilitätsprüfung → Konzept

Diese Kette ist nicht linear. Nach einer Plausibilitätsprüfung kann man zum Architekturentwurf zurückkehren. Eine Variante kann neue Anforderungen sichtbar machen. Eine Recherche kann zeigen, dass der Problemraum falsch gefasst wurde. Das ist kein Scheitern des Plans. Diese Schleifen sind der Plan.

Ein gutes Konzept entsteht also nicht dadurch, dass eine KI möglichst viele Ideen produziert. Es entsteht dadurch, dass Optionen erzeugt, verglichen, verworfen, kombiniert und gegen Anforderungen geprüft werden.

Anforderungen sind die Brücke zwischen Wunsch und Entscheidung

Eine Idee beschreibt, was attraktiv wäre. Anforderungen beschreiben, was erfüllt sein muss.

Das ist ein großer Unterschied. Ohne Anforderungen bewertet eine KI Varianten häufig danach, was interessant, modern oder plausibel klingt. Mit Anforderungen kann sie Varianten gegen konkrete Bedingungen prüfen.

Anforderungen können funktional sein: Was muss das System können? Sie können organisatorisch sein: Wer muss damit arbeiten können? Sie können wirtschaftlich sein: Welche Kosten oder Ressourcen sind akzeptabel? Sie können zeitlich sein: Was muss zuerst fertig werden? Sie können qualitativ sein: Woran erkennen wir, dass ein Ergebnis gut genug ist? Und sie können Grenzen ausdrücken: Was darf ausdrücklich nicht passieren?

Damit entsteht ein Übergang von Kreativität zu Entscheidung.

In dieser Phase ist es sinnvoll, Anforderungen noch nicht als endgültig zu behandeln. Sie sind Hypothesen, die sich durch Varianten und Plausibilitätsprüfungen verändern können. Aber sie geben der KI einen Rahmen, innerhalb dessen Vorschläge vergleichbar werden.

Ein Konzept ist verdichtete Entscheidungsvorbereitung

Das Wort „Konzept" wird häufig für alles verwendet, was zwischen Idee und Umsetzung liegt. Für KI-Projekte ist eine präzisere Definition hilfreicher.

Ein Konzept sollte erklären:

• welches Problem bearbeitet wird;

• für wen das Ergebnis gedacht ist;

• welche Erkenntnisse aus der Recherche relevant sind;

• welche Anforderungen gelten;

• welche Lösungsvarianten geprüft wurden;

• warum eine bestimmte Richtung bevorzugt wird;

• welche Architektur oder Arbeitsweise daraus folgt;

• welche Unsicherheiten noch offen sind;

• welche Annahmen in der Projektplanung getestet werden müssen.

Damit ist ein Konzept kein schön formulierter Text. Es ist eine verdichtete Entscheidungsvorbereitung.

Erst wenn diese Verdichtung gelungen ist, lohnt es sich, aus Aufgaben, Phasen, Ressourcen und Abhängigkeiten einen Projektplan zu bauen. Sonst wird der Plan nur sehr präzise beschreiben, wie eine noch unklare Idee umgesetzt werden soll.

Der Projektplan ist kein Stundenplan

Auch hier führt KI leicht in eine Falle. Sprachmodelle können in Sekunden umfangreiche Roadmaps, Gantt-ähnliche Phasen oder hunderte Tasks erzeugen. Das sieht professionell aus, kann aber eine Scheingenauigkeit erzeugen.

Ein Projektplan sollte nicht danach bewertet werden, wie viele Aufgaben er enthält. Entscheidend ist, ob er Entscheidungen und Abhängigkeiten sichtbar macht.

Welche Arbeit muss vor welcher anderen stattfinden? Welche Ergebnisse sind Voraussetzungen für den nächsten Schritt? Wo braucht es menschliche Freigabe? Welche Arbeit kann parallel laufen? Welche Annahme muss zuerst getestet werden, bevor weitere Ressourcen gebunden werden? Welche Risiken verlangen Puffer? Welche Teile gehören ausdrücklich nicht in die aktuelle Version?

Ein guter Plan reduziert also nicht nur Arbeit in Aufgaben. Er reduziert Unsicherheit in eine sinnvolle Reihenfolge.

Agentische KI verschärft die Bedeutung guter Planung

Bei browserbasierter KI bleibt schlechte Planung häufig sichtbar, weil der Mensch viele Schritte selbst auslösen muss. Bei agentischen Systemen kann dieselbe Unklarheit wesentlich schneller skaliert werden.

Ein Agent, der Dateien verändert, Recherchen durchführt, Teilaufgaben verteilt oder ganze Arbeitsketten ausführt, benötigt mehr als einen allgemeinen Auftrag. Je größer sein Handlungsspielraum, desto wichtiger werden Zieldefinition, Quellenbasis, Grenzen, Prüfpunkte und Abnahmekriterien.

Autonomie ersetzt deshalb Projektmanagement nicht. Sie erhöht den Bedarf daran.

Die Frage lautet nicht mehr nur: „Kann die KI diese Aufgabe erledigen?" Sondern zusätzlich: „Woran erkennt sie, dass sie richtig arbeitet, wann muss sie stoppen, welche Entscheidungen darf sie selbst treffen und welche Evidenz muss sie für den nächsten Schritt liefern?"

Diese Fragen werden in späteren Artikeln der Reihe zu Agentenrollen, Gates und Human-in-the-Loop vertieft. Für den Anfang genügt ein Grundsatz: Je stärker die Ausführung automatisiert wird, desto expliziter muss die Steuerungslogik werden.

Methodik überlebt Tools

Ein weiterer Grund für strukturiertes Arbeiten ist die Geschwindigkeit des KI-Marktes. Interfaces, Modelle und Produkte wechseln. Wer seine Kompetenz an einem konkreten Tool festmacht, muss bei jedem Wechsel neu anfangen.

Methoden sind langlebiger.

Zu wissen, wie man einen Problemraum definiert, Quellen bewertet, Anforderungen ableitet, Varianten gegeneinander prüft, einen Scope begrenzt, Risiken dokumentiert und Entscheidungen an Evidenz koppelt, bleibt auch dann wertvoll, wenn sich die Oberfläche ändert.

Diese Haltung lässt sich mit einem einfachen Satz beschreiben: Wir lernen das Lernen.

Das ist mehr als ein didaktischer Slogan. Es beschreibt eine professionelle Strategie für eine Technologie, deren konkrete Werkzeuge sich schneller verändern als die grundlegenden Probleme guter Arbeit.

Planung bedeutet nicht Starrheit

Ein verbreitetes Missverständnis lautet: Planung sei das Gegenteil von Agilität. Für KI-Projekte ist das besonders gefährlich.

Eine gute Planung schreibt nicht die Zukunft fest. Sie macht den aktuellen Wissensstand sichtbar. Sie dokumentiert, was wir wissen, was wir vermuten, was wir testen und was wir bewusst später entscheiden.

Wenn neue Erkenntnisse eintreffen, darf sich der Plan ändern. Entscheidend ist, dass die Veränderung nachvollziehbar ist.

Das unterscheidet Iteration von Orientierungslosigkeit. Bei Orientierungslosigkeit verändert sich die Richtung, weil der nächste Output überzeugend klingt. Bei Iteration verändert sich die Richtung, weil neue Evidenz eine frühere Annahme schwächt oder eine bessere Variante sichtbar macht.

Agilität ohne Struktur wird zum Reagieren. Struktur ohne Agilität wird zum Festhalten. KI-Projektmanagement braucht beides: einen stabilen Rahmen und die Fähigkeit, ihn begründet zu verändern.

Die Planungskette für KI-Projekte

Für den praktischen Einstieg lässt sich die Methode auf zehn Schritte verdichten:

# KI-PROJEKT — PLANUNGSKETTE

1. ABSICHT
Was soll sich durch das Projekt verändern?

2. PROBLEMRAUM
Welches Problem bearbeiten wir wirklich — und was noch nicht?

3. RECHERCHE
Welche Quellen, Beispiele und Gegenbeispiele reduzieren Unsicherheit?

4. ANFORDERUNGEN
Was muss erfüllt sein, damit eine Lösung tragfähig ist?

5. VARIANTEN
Welche unterschiedlichen Lösungswege sind plausibel?

6. BEWERTUNG
Nach welchen Kriterien vergleichen wir die Varianten?

7. KONZEPT
Welche Richtung wählen wir und warum?

8. PROJEKTPLAN
Welche Ergebnisse, Abhängigkeiten, Prüfungen und Arbeitspakete folgen daraus?

9. KI-EINSATZPLAN
Welche Aufgaben übernimmt welche KI — mit welchen Quellen, Grenzen und Gates?

10. ITERATION
Welche neue Evidenz zwingt uns, Problemraum, Konzept oder Plan zu ändern?

Diese Kette ist bewusst unabhängig von einer bestimmten Software. Sie kann in einem Chat, in Obsidian, einem Projektmanagement-Tool oder in einer agentischen Entwicklungsumgebung umgesetzt werden.

Nicht schneller antworten, sondern besser entscheiden

Die größte Produktivitätssteigerung durch KI liegt nicht zwangsläufig darin, mehr Output in kürzerer Zeit zu erzeugen. Sie kann darin liegen, früher bessere Entscheidungen zu treffen.

Ein schlecht definiertes Projekt kann mit KI schneller größer werden. Ein gut definiertes Projekt kann mit KI schneller lernen.

Das ist der entscheidende Unterschied.

Planen statt prompten bedeutet deshalb nicht, weniger mit KI zu arbeiten. Es bedeutet, die KI an der richtigen Stelle arbeiten zu lassen: erst beim Verstehen, dann beim Strukturieren, dann beim Vergleichen, dann beim Planen und erst anschließend bei der autonomen Ausführung.

So wird aus einem Gespräch ein Projekt, aus vielen Antworten ein Wissenssystem und aus Geschwindigkeit eine kontrollierbare Form von Fortschritt.

Arbeitsblatt: Von der Idee zum planbaren KI-Projekt

1. Schreibe die Absicht ohne Lösung

Formuliere in zwei Sätzen, was sich verändern soll. Vermeide Produktnamen und konkrete Tools.

2. Definiere den Problemraum

Schreibe auf, für wen das Problem existiert, was heute nicht funktioniert und was ausdrücklich außerhalb des aktuellen Projekts liegt.

3. Baue drei Recherchefragen

Eine Frage soll Grundlagen klären, eine reale Beispiele suchen und eine gezielt nach Gegenbeispielen oder Scheiternsgründen fragen.

4. Formuliere fünf Anforderungen

Mindestens eine funktionale, eine qualitative, eine organisatorische, eine wirtschaftliche und eine Grenze beziehungsweise ein Non-Scope.

5. Erzeuge drei Varianten

Lass die KI drei deutlich unterschiedliche Lösungswege entwickeln. Verhindere, dass nur Varianten derselben ersten Idee entstehen.

6. Definiere Bewertungskriterien

Lege vor der Auswahl fest, nach welchen Kriterien die Varianten verglichen werden.

7. Schreibe das Konzept in einer Seite

Problem, relevante Evidenz, Anforderungen, geprüfte Varianten, gewählte Richtung, offene Unsicherheiten.

8. Plane erst jetzt die Umsetzung

Erstelle Phasen und Arbeitspakete. Markiere Abhängigkeiten, Prüfpunkte und die erste Annahme, die möglichst billig getestet werden kann.

Reflexion

Die Stelle, an der ich bisher zu früh mit der Lösung begonnen habe: ______________________________________

Die Entscheidung, die ich vor der nächsten KI-Ausführung explizit machen muss: ____________________________

Alle Materialien zum Download – die Themenübersicht und das Übungsblatt: