Skip to main content
SpringerLink
Log in

Künstliche Intelligenz im Projektmanagement – Ein Ordnungsrahmen zur Potenzialabschätzung und Lösungskonzeption

  • Chapter
  • First Online:
Künstliche Intelligenz in der Anwendung

Part of the book series: Angewandte Wirtschaftsinformatik ((ANWI))

Zusammenfassung

In diesem Kapitel werden die Potenziale für die Anwendung Künstlicher Intelligenz im Projektmanagement beleuchtet. Aufgrund der charakteristischen Neu- und Einzigartigkeit von Projekten scheint diese Anwendungsdomäne auf den ersten Blick eher ungeeignet für den Einsatz Künstlicher Intelligenz, deren Verfahren und Methoden des maschinellen Lernens maßgeblich auf umfassenden historischen Daten basieren. Anhand von existierenden Lösungen in Theorie und Praxis sowie der Ergebnisse einer explorativen Interviewstudie zeigt dieser Beitrag, dass Künstliche Intelligenz dennoch einen sinnvollen Beitrag in der Anwendungsdomäne Projektmanagement leisten kann. Dazu wird ein Ordnungsrahmen vorgestellt, der die Anforderungen Künstlicher Intelligenz an die Anwendungsdomäne Projektmanagement einerseits sowie Anforderungen des Projektmanagements an die Lösungsdomäne Künstliche Intelligenz andererseits umfasst. Unter Betrachtung der wechselseitigen Anforderungen dieser beiden Domänen strukturiert der entwickelte Ordnungsrahmen die Einsatzpotenziale für Künstliche Intelligenz im Projektmanagement und unterstützt damit auch die zielgerichtete Lösungskonzeption in Unternehmen.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 39.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Similar content being viewed by others

Notes

  1. 1.

    Für die Wissensgebiete Integrationsmanagement und Beschaffungsmanagement wurden keine spezifischen Lösungsansätze in der Literatur identifiziert, sodass diese von der Betrachtung ausgeschlossen werden.

Literatur

  1. Brynjolfsson E, McAfee A (2017) The business of artificial intelligence. Harv Bus Rev 2017:1–20. https://hbr.org/cover-story/2017/07/the-business-of-artificial-intelligence. Zugegriffen: 27. Apr. 2020

  2. Auth G, Jokisch O, Dürk C (2019) Revisiting automated project management in the digital age – a survey of ai approaches. Online J Appl Knowl Manag 7:27–39

    Article  Google Scholar 

  3. Winter R, Rohner P, Kiselev C (2019) Mission impossible? Exploring the limits of managing large IT projects and ways to cross the line. In: Proceedings of the 52nd Hawaii international conference on system sciences (HICSS), S 6388–6397. https://hdl.handle.net/10125/60073. Zugegriffen: 26. März 2020

  4. Hofmann P, Jöhnk J, Protschky D et al (2020) Developing purposeful AI use cases – a structured method and its application in project management. In: Proceedings of the 15th international conference on Wirtschaftsinformatik (WI), S 33–49. https://doi.org/10.30844/wi_2020_a3-hofmann. Zugegriffen: 27. Apr. 2020

  5. Munns AK, Bjeirimi BF (2001) The role of project management office in achieving project success. Int J Proj Manag 14(2):81–87

    Article  Google Scholar 

  6. Müller R, Turner JR (2003) On the nature of the project as a temporary organization. Int J Proj Manag 21(1):1–8

    Article  Google Scholar 

  7. Atkinson R (1999) Project management: cost, time and quality, two best guesses and a phenomenon, its time to accept other success criteria. Int J Proj Manag 17(6):337–342

    Article  Google Scholar 

  8. Papke-Shields KE, Boyer-Wright KM (2010) Strategic planning characteristics applied to project management. Int J Proj Manag 35(2):169–179

    Article  Google Scholar 

  9. Jöhnk J, Hartmann M, Urbach N (2020) All roads lead to burning Rome: towards a conceptual model of IT project success. In: Proceedings of the 15th international conference on Wirtschaftsinformatik (WI), S 1412–1427. https://doi.org/10.30844/wi_2020_m6-joehnk. Zugegriffen: 27. Apr. 2020

  10. Swink M, Talluri S, Pandejpong T (2006) Faster, better, cheaper: a study of NPD project efficiency and performance tradeoffs. J Oper Manag 24(5):542–562

    Article  Google Scholar 

  11. PMI (2017) A guide to the project management body of knowledge (PMBOK guide), 6. Aufl. Project Management Institute, Newtown Square

    Google Scholar 

  12. Patanakul P, Iewwongcharoen B, Milosevic D (2010) An empirical study on the use of project management tools and techniques across project life-cycle and their impact on project success. J Gen Manag 35(3):41–65

    Google Scholar 

  13. McCarthy J, Minsky ML, Rochester N, Shannon CE (2006) A proposal for the Dartmouth summer research project on artificial intelligence, august 31, 1955. AI Mag 27:12–14

    Google Scholar 

  14. Russell SJ, Norvig P (2016) Artificial intelligence: a modern approach, 3. Aufl. Pearson Education, Harlow

    MATH  Google Scholar 

  15. Kirste M, Schürholz M (2018) Einleitung: Entwicklungswege zur KI. In: Wittpahl V (Hrsg) Künstliche Intelligenz. Springer Vieweg, Berlin

    Google Scholar 

  16. Nilsson NJ (2010) The quest for artificial intelligence: a history of ideas and achievements. Cambridge University Press, Cambridge

    Google Scholar 

  17. Hofmann P, Jöhnk J, Protschky D, Stähle P, Urbach N, Buck C (2020) KI-Anwendungsfälle zielgerichtet identifizieren. Wirtschaftsinformatik Manag 12:184–193

    Google Scholar 

  18. Mair C, Martincova M, Shepperd M (2012) An empirical study of software project managers using a case-based reasoner. In: Proceedings of the 45th Hawaii international conference on system sciences (HICSS), S 1030–1039

    Google Scholar 

  19. Raisch S, Krakowski S (2020) Artificial intelligence and management: the automation-augmentation paradox. Acad Manag Rev. https://doi.org/10.5465/2018.0072 (in Erscheinung)

  20. Harris R, Shaffer S, Stokes J, Goldstein D (1987) Application of expert systems in project management decision aiding. https://permanent.access.gpo.gov/LPS114036/LPS114036/ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/19880011690_1988011690.pdf. Zugegriffen: 27. Apr. 2020

  21. Hashemi Golpayegani SA, Emamizadeh B (2007) Designing work breakdown structures using modular neural networks. Decis Supp Syst 44:202–222

    Article  Google Scholar 

  22. Iranmanesh H, Madadi M (2008) An intelligent system framework for generating activity list of a project using WBS mind map and semantic network. Int J Comput Inf Eng 2(4):1020–1027

    Google Scholar 

  23. Siami-Irdemoosa E, Dindarloo SR, Sharifzadeh M (2015) Work breakdown structure (WBS) development for underground construction. Autom Constr 58:85–94

    Article  Google Scholar 

  24. Dolado J (2000) A validation of the component-based method for software size estimation. IEEE Trans Softw Eng 26(10):1006–1021

    Article  Google Scholar 

  25. Zhang D, Tsai JJP (2003) Machine learning and software engineering. Softw Qual J 11:87–119

    Article  Google Scholar 

  26. Al-Hroob A, Imam AT, Al-Heisa R (2018) The use of artificial neural networks for extracting actions and actors from requirements document. Inf Softw Technol 101:1–15

    Article  Google Scholar 

  27. Winkler J, Vogelsang A (2016) Automatic classification of requirements based on convolutional neural networks. In: Proceedings of the 24th international requirements engineering conference workshops (REW), S 39–45

    Google Scholar 

  28. Nayebi M, Kabeer SJ, Ruhe G, Carlson C, Chew F (2018) Hybrid labels are the new measure! IEEE Softw 35:54–57

    Article  Google Scholar 

  29. Relich M, Muszyński W (2014) The use of intelligent systems for planning and scheduling of product development projects. Proc Comput Sci 35:1586–1595

    Article  Google Scholar 

  30. Han W, Jiang L, Lu T, Zhang X (2015) Comparison of machine learning algorithms for software project time prediction. Int J Multimed Ubiquitous Eng 10(9):1–8

    Article  Google Scholar 

  31. Han W, Jiang H, Zhang X, Li W (2014) A neural network based algorithms for project duration prediction. In: Proceedings of the 7th international conference on control and automation, S 60–63

    Google Scholar 

  32. Perini A, Susi A, Avesani P (2013) A machine learning approach to software requirements prioritization. IEEE Trans Softw Eng 39(4):445–461

    Article  Google Scholar 

  33. Attarzadeh I, Mehranzadeh A, Barati A (2012) Proposing an enhanced artificial neural network prediction model to improve the accuracy in software effort estimation. In: Proceedings of the 4th international conference on computational intelligence, communication systems and networks, S 167–172

    Google Scholar 

  34. El-Sawalhi NI (2015) Support vector machine cost estimation model for road projects. J Civ Eng Archit 9:1115–1125

    Google Scholar 

  35. de Barcelos TIF, da Silva JDS, Sant’Anna N (2008) An investigation of artificial neural networks based prediction systems in software project management. J Syst Softw 81(3):356–367

    Article  Google Scholar 

  36. Vargas R (2015) Applying neural networks and analogous estimating to determine the project budget. In: Proceedings of the PMI global congress

    Google Scholar 

  37. Khoshgoftaar TM, Allen EB, Hudepohl JP, Aud SJ (1997) Application of neural networks to software quality modeling of a very large telecommunications system. IEEE Trans Neural Netw 8(4):902–909

    Article  Google Scholar 

  38. Liu X, Kane G, Bambroo M (2003) An intelligent early warning system for software quality improvement and project management. In: Proceedings of the 15th IEEE international conference on tools with artificial intelligence (ICTAI), S 32–38

    Google Scholar 

  39. Dey PK (2002) Project risk management: a combined analytic hierarchy process and decision tree approach. Cost Eng 44(3):13–26

    Google Scholar 

  40. Hu Y, Huang J, Chen J, Liu M, Xie K (2007) Software project risk management modeling with neural network and support vector machine approaches. In: Proceedings of the 3rd international conference on natural computation (ICNC), S 358–362

    Google Scholar 

  41. Nasri M (2010) Application of artificial neural networks (ANNs) in prediction models in risk management. World Appl Sci J 10(12):1493–1500

    Google Scholar 

  42. Colomo-Palacios R, González-Carrasco I, López-Cuadrado JL, Trigo A, Varajao JE (2014) I-Competere: using applied intelligence in search of competency gaps in software project managers. Inf Syst Front 16(4):607–625

    Article  Google Scholar 

  43. Hedberg F, Granqvist I, Nilsson E, Skjutar K, Torstensson P (2010) Predicting team performance based on past individual achievements using artificial neural networks. In: Proceedings of the PMI research conference: defining the future of project management

    Google Scholar 

  44. de Medeiros Baia D (2015) An integrated multi-agent-based simulation approach to support software project management. In: Proceedings of the 37th international conference on software engineering, S 911–914

    Google Scholar 

  45. O'Shea J, Bandar Z, Crockett K (2011) Systems engineering and conversational agents. In: Tolk A, Jain L C (Hrsg) Intelligence-based systems engineering, 10. Aufl. Springer. Berlin

    Google Scholar 

  46. Li H (2018) Deep learning for natural language processing: advantages and challenges. Natl Sci Rev 5(1):24–26

    Article  Google Scholar 

  47. Myers MD, Newman M (2007) The qualitative interview in IS research: examining the craft. Inf Organ 17(1):2–26

    Article  Google Scholar 

  48. Saldaña J (2013) The coding manual for qualitative researchers, 2. Aufl. Sage Publications, Los Angeles

    Google Scholar 

  49. Ltd A (2019) Erfolgreiche Projekte managen mit PRINCE2, 2. Aufl. The Stationery Office, Norwich

    Google Scholar 

  50. Rößl D (1990) Die Entwicklung eines Bezugsrahmens und seine Stellung im Forschungsprozeß. J Betriebswirtschaft (JfB) 40(2):99–110

    Google Scholar 

  51. Becker J, Meise V (2012) Strategie und Ordnungsrahmen. In: Becker J, Kugeler M, Rosemann M (Hrsg) Prozessmanagement – Ein Leitfaden zur prozessorientierten Organisationsgestaltung, 7. Aufl. Springer Gabler. Berlin

    Google Scholar 

  52. Becker J, Schütte R (2004) Handelsinformationssysteme, 2. Aufl. Verlag moderne industrie, Frankfurt a. M.

    Google Scholar 

  53. Meise V (2001) Ordnungsrahmen zur prozessorientierten Organisationsgestaltung – Modelle für das Management komplexer Reorganisationsprojekte. Verlag Dr. Kovac, Hamburg (zugleich Münster, Univ., Diss.)

    Google Scholar 

  54. Maedche A, Legner C, Benlian A et al (2019) AI-based digital assistants. Bus Inf Syst Eng 61(4):535–544. https://doi.org/10.1007/s12599-019-00600-8. Zugegriffen: 27. Apr. 2020

  55. Krcmar H (2015) Informationsmanagement, 6. Aufl. Springer Gabler, Berlin

    Google Scholar 

  56. Becker W, Fischer S, Ostbomk P (2006) Lebenszyklusorientierte Steuerung von Projekten. Bamberger Betriebswirtschaftliche Beiträge, Bamberg

    Google Scholar 

  57. Ltd A (2015) PRINCE2 Agile. The Stationery Office, Norwich

    Google Scholar 

  58. Ferstl OK, Sinz EJ (2015) Grundlagen der Wirtschaftsinformatik, 7. Aufl. Oldenbourg, München

    Google Scholar 

  59. Krallmann H, Bobrig A, Levina O (Hrsg) (2013) Systemanalyse im Unternehmen: Prozessorientierte Methoden der Wirtschaftsinformatik, 3. Aufl. Oldenbourg, München

    Google Scholar 

  60. Alpar P, Alt R, Bensberg F, Weimann P (2019) Anwendungsorientierte Wirtschaftsinformatik – Strategische Planung, Entwicklung und Nutzung von Informationssystemen, 9. Aufl. Springer Vieweg, Wiesbaden

    Book  Google Scholar 

  61. Espig A, Klimpel N, Rödenbeck F, Auth G (2019) Bewertung des Kundennutzens von Chatbots für den Einsatz im Servicedesk. In: Proceedings of the 14th international conference on Wirtschaftsinformatik (WI), S 817–831

    Google Scholar 

  62. Ciklum (2016) How artificial intelligence will change project management. https://service-prod.ciklum.com/wp-content/uploads/2018/10/White-Paper-AI-PM.pdf. Zugegriffen: 27. Apr. 2020

  63. Johnsonbabu A (2017) Reinventing the role of project manager in the artificial intelligence era. In: Proceedings of the project management national conference, India 2017, S 1–11

    Google Scholar 

  64. Lahmann M, Keiser P, Stierli A (2018) AI will transform project management. Are you ready? https://www.pwc.ch/en/publications/2019/ai-will-transform-project-management-en2019-web.pdf. Zugegriffen: 27. Apr. 2020

  65. Stang D (2018) How AI will reinvent program and portfolio management. https://www.gartner.com/en/documents/3894666/how-ai-will-reinvent-program-and-portfolio-management. Zugegriffen: 27. Apr. 2020

  66. Swanson SA (2017) Artificial intelligence has the potential to allow project managers to focus on higher-value work. The question is: are they ready? https://www.pmi.org/learning/library/ai-potential-allow-pm-higher-value-work-10540. Zugegriffen: 27. Apr. 2020

  67. Auth G, Dürk C, Jokisch O (2018) Per Autopilot zum Projekterfolg? Einsatzpotenziale Künstlicher Intelligenz im Projektmanagement. In: Mikuzs M et al (Hrsg) Projektmanagement und Vorgehensmodelle 2018 – Der Einfluss der Digitalisierung auf Projektmanagementmethoden und Entwicklungsprozesse. Gesellschaft für Informatik, Bonn, S 27-40

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Hochschule Meißen (FH) und Fortbildungszentrum, Meißen, Deutschland

    Gunnar Auth

  2. Projektgruppe Wirtschaftsinformatik des Fraunhofer FIT, Bayreuth, Deutschland

    Jan Jöhnk

  3. Düsseldorf, Deutschland

    Dennis Arnold Wiecha

Authors
  1. Gunnar Auth
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Jan Jöhnk
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Dennis Arnold Wiecha
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Gunnar Auth .

Editor information

Editors and Affiliations

  1. FB Informatik, Hochschule Worms, Worms, Germany

    Thomas Barton

  2. FB Wirtschaft, Informatik, Recht (WIR), Technische Hochschule Wildau, Wildau, Germany

    Christian Müller

Rights and permissions

Reprints and permissions

Copyright information

© 2021 Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Auth, G., Jöhnk, J., Wiecha, D.A. (2021). Künstliche Intelligenz im Projektmanagement – Ein Ordnungsrahmen zur Potenzialabschätzung und Lösungskonzeption. In: Barton, T., Müller, C. (eds) Künstliche Intelligenz in der Anwendung. Angewandte Wirtschaftsinformatik. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-30936-7_9

Download citation

Publish with us

Policies and ethics

Search

Navigation