KI-Schätzungen sind Referenzwerte aus Mustern, keine belastbaren Projektschätzungen: Ihnen fehlen die entscheidenden Grössen — reale Teamkapazität, konkrete Komplexität, Organisationserfahrung. Ihre Gefahr ist die Scheinpräzision. Richtig eingesetzt sind sie ein Anker unter mehreren (neben Analogie und Team-Schätzung) und ein guter Ausgangspunkt für die Schätzdiskussion — nie die alleinige Grundlage einer Zusage.
Das Problem der Scheinpräzision
Wenn KI auf die Frage nach dem Aufwand «etwa 240 Stunden» antwortet, passiert etwas Tückisches: Die Zahl trägt die Aura der Objektivität — sie kommt von einer Maschine, wirkt neutral, klingt fundiert. Tatsächlich ist sie eine Hochrechnung aus allgemeinen Mustern, die das konkrete Projekt nicht kennt: nicht die Erfahrung genau dieses Teams, nicht die spezifische Komplexität dieser Systemlandschaft, nicht die organisatorische Reibung genau dieser Firma. Damit ist die KI-Schätzung nicht besser als eine Bauchschätzung — sie ist in einer Hinsicht sogar schlechter: Die Bauchschätzung gibt sich als solche zu erkennen, die KI-Zahl tarnt sich als Berechnung. Genau diese Scheinpräzision ist das Risiko: Sie verführt dazu, die Zahl ungeprüft zu übernehmen und darauf Zusagen zu bauen, die keine Grundlage haben.
Was KI beim Schätzen nicht wissen kann
- Die reale Kapazität: Wie viel produktive Projektzeit das Team nach Ferien, Meetings, Linienaufgaben und Parallelprojekten tatsächlich hat — die entscheidende Grösse, die aus 240 Stunden eine Frage von Wochen oder Monaten macht.
- Die spezifische Komplexität: Wie verzwickt genau diese Anforderung in genau dieser Umgebung ist, welche Altlasten und Schnittstellen lauern — Kontext, den nur kennt, wer drinsteckt.
- Die Erfahrung mit Ähnlichem: Ob diese Organisation solche Vorhaben schon gemacht hat oder Neuland betritt — der grösste Einzelfaktor für Schätzunsicherheit.
- Die menschlichen Faktoren: Teameinspielung, Motivation, Fluktuation, Zusammenarbeitsqualität — alles, was Aufwand real treibt und keine Formel erfasst.
Wo KI-Schätzungen trotzdem nützen
Das heisst nicht, KI beim Schätzen zu ignorieren — es heisst, sie richtig einzuordnen. Als einer von mehreren Ankern ist die KI-Schätzung wertvoll: Sie liefert schnell eine Grössenordnung, gegen die man das eigene Gefühl und die Team-Schätzung spiegeln kann. Weicht die KI-Zahl stark von der eigenen ab, ist das ein produktiver Anstoss: Haben wir etwas übersehen — oder kennt die KI unseren Kontext nicht? Beide Antworten sind lehrreich. Ebenso nützlich ist KI beim Strukturieren der Schätzung: Sie kann helfen, an alle Aufwandsposten zu denken (Test, Doku, Abstimmung, Einarbeitung — die notorisch vergessenen), und die richtigen Schätzfragen zu stellen. Und sie liefert brauchbare Referenzklassen-Anstösse («Vorhaben dieser Art brauchen erfahrungsgemäss…»), die man dann mit eigenen Daten validiert. In all diesen Rollen verbreitert und strukturiert KI die Schätzarbeit — sie ersetzt sie nicht.
Der richtige Umgang: mehrere Anker, eine Verantwortung
Belastbare Schätzungen entstehen nie aus einer Quelle, sondern aus der Zusammenschau: die Analogie zu eigenen abgeschlossenen Projekten, die Bottom-up-Schätzung des Teams (das die Arbeit macht), die Referenzwerte aus Erfahrung — und, als zusätzlicher Anker, die KI-Schätzung. Wo diese Quellen übereinstimmen, wächst das Vertrauen; wo sie auseinanderlaufen, liegt die wertvollste Information — dort fehlt Verständnis, das man vor der Zusage klärt. Kommuniziert wird das Ergebnis als Bandbreite mit ausgewiesenen Annahmen, nie als runde Einzelzahl mit falscher Sicherheit. Und die Verantwortung bleibt, wo sie hingehört: Wer die Zusage macht, verantwortet die Schätzung — «die KI hat 240 Stunden gesagt» trägt vor keinem Auftraggeber. Die KI ist ein Berater ohne Haftung; die Entscheidung, welcher Zahl man vertraut und welche man zusagt, ist und bleibt menschlich.
KI-Schätzungen behandeln wie den schnellen Tipp eines erfahrenen, aber projektfremden Kollegen: einen Blick wert, ein guter Realitätscheck gegen das eigene Gefühl — aber niemals die Zahl, auf die man eine Zusage baut, ohne sie mit dem Wissen über das eigene Projekt zu prüfen.
Häufige Fragen
- Werden KI-Schätzungen mit besseren Modellen verlässlicher?
- Bei der Sprachqualität und Strukturierung ja — beim Kernproblem nur bedingt: Solange die KI die reale Kapazität, die spezifische Komplexität und die Organisationserfahrung nicht kennt, fehlt ihr die Grundlage für belastbare Einzelschätzungen. Bessere Modelle liefern plausibleren Text, nicht automatisch treffendere Zahlen für den konkreten Fall.
- Kann KI aus unseren eigenen Projektdaten besser schätzen?
- Wenn sie Zugang zu sauberen historischen Aufwandsdaten der eigenen Organisation hat, verbessert das die Referenzbasis deutlich — dann nähert sie sich der Analogieschätzung an. Voraussetzung ist gepflegte Historie und geklärter Datenschutz. Auch dann bleibt es ein Anker, den das Team validiert, kein Automatismus.
- Sollte ich KI-Schätzungen dem Auftraggeber gegenüber erwähnen?
- Entscheidend ist nicht die Herkunft der Zahl, sondern ihre Qualität und Verantwortung: Kommuniziert wird die eigene, geprüfte Schätzung als Bandbreite mit Annahmen — unabhängig davon, welche Anker (Analogie, Team, KI) hineingeflossen sind. Eine Zusage ist immer die eigene, nie die der KI.