Projektmanagement Netzausbau mit KI

Das echte Ausmaß des Problems

Der Glasfaserausbau in Deutschland ist das größte Infrastrukturprojekt seit dem Autobahnbau der Nachkriegszeit. Laut Bundesnetzagentur (Stand Mitte 2024) liegt die Ausbauverfügbarkeit bei rund 43 Prozent — das Ziel: Gigabit-Versorgung für nahezu alle Haushalte bis 2030. Hinter dieser Zahl stecken Hunderte paralleler Ausbauprojekte regionaler ISPs, Stadtwerke und Netzbetreiber, die gleichzeitig versuchen, Tiefbau, Genehmigungen, Spleißarbeiten und Kundenaktivierung zu koordinieren.

Die Koordinationsprobleme sind dokumentiert und strukturell. Laut einer PwC-Umfrage (2025) nennen Telekommunikationsunternehmen die Komplexität und Dauer von Genehmigungsverfahren als das größte Hindernis beim Netzausbau — Genehmigungsverfahren dauern im Schnitt 8 bis 12 Monate, mit erheblichen Unterschieden zwischen Kommunen und Bundesländern. WiR Solutions (2024) beschreibt, wie der typische FTTH-Ausbau an einem strukturellen PM-Problem krankt: Alle Anbieter nutzen denselben Pool an Generalunternehmern, die wiederum an Sub-Subunternehmer vergeben — eine Kette, die jede Statusänderung in der Realität von der Eintragung im System entkoppelt.

Die Folge: Projektleiterinnen und Projektleiter verbringen nach eigener Erfahrung aus der Branche 30 bis 50 Prozent ihrer Arbeitszeit damit, Projektdaten aus verschiedenen Quellen zusammenzuführen, statt tatsächlich zu steuern. Das sind Wochentage pro Person, in denen die 120-Millionen-Investition ohne aktive Koordination läuft.

Typische Datenfragmentierung bei einem mittelgroßen FTTH-Ausbauprojekt:

• Genehmigungsstatus (Wegerechtsgenehmigungen): Separate Excel-Tabelle pro Region oder Kommunikation per E-Mail mit Bauleitern
• Tiefbaufortschritt: Wöchentliche Berichte per Excel oder PowerPoint vom Generalunternehmer — nicht tagesgenau
• Jira/Ticketsystem: Technische Workitems für Spleißteams und Hausanschlüsse — meist nicht mit dem Baufortschritt synchronisiert
• ERP-System: Budgetverbrauch und Materialbestellungen — eigenständiges Datenbankmodell ohne PM-Kontext
• Kundenaktivierung: CRM-System, oft komplett getrennt vom Infrastrukturfortschritt

Wer alle fünf Quellen manuell abgleichen muss, um eine belastbare Antwort auf die Frage „Wo stehen wir?” geben zu können, hat kein Informationsproblem. Er hat ein Systemintegrationsproblem.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zeitersparnis bei Reports ist der sichtbarste Effekt. Wichtiger ist der zweite: Wenn Risiken strukturell früher erkennbar werden, können Projektleiterinnen steuernd eingreifen — statt zu reagieren, wenn das Zeitfenster für einen Lieferantenwechsel oder eine Genehmigungseskalation bereits geschlossen ist.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Projektleitung auf einem 120-Millionen-Ausbauprojekt spart pro Statusreport 30–60 Minuten — real, aber es betrifft eine kleine Gruppe von vier bis zwölf Personen. Der Gesamteffekt auf die Teamebene ist geringer als bei Automatisierungen, die 30 Support-Agents betreffen (wie Kundensupport-Automatisierung). Dafür ist der strategische Wert jeder gewonnenen PM-Stunde hoch: Sie entscheidet über Millionen in Terminkosten, nicht über einzelne Tickets.

Kosteneinsparung — mittel (3/5) Jede Woche Projektverzögerung kostet bei einem 120-Millionen-Ausbauprojekt Kapital- und Zinskosten sowie entgangene Aktivierungserlöse. Wenn die KI-Koordination drei bis vier Wochen Verzögerung pro Ausbau-Jahr verhindert, sind das real messbare Effekte. Dennoch ist die direkte Zurechnung schwer — Genehmigungsbehörden arbeiten nicht schneller, weil der ISP besser koordiniert. Der Hebel liegt auf der internen Steuerung, nicht auf externen Engpässen.

Schnelle Umsetzung — niedrig (2/5) Das ist der ehrliche Teil: Bevor ein KI-Assistent Projektstatus konsolidieren kann, muss er Zugriff auf alle Quellsysteme haben. Das bedeutet API-Anbindung an Jira, Excel-Export-Automatisierung, ERP-Projektsystem-Konnektoren und Genehmigungsverfolgungstabellen — eine Integrationsarbeit von typisch 14 bis 20 Wochen. Kein Low-Code-Nachmittagsprojekt. Wer erwartet, in vier Wochen einen funktionierenden PM-Assistenten zu haben, wird enttäuscht. Einstieg ist im gesamten Branchenvergleich gering — und das ehrlich.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist nachweisbar: Kürzere Statusbericht-Zeiten lassen sich messen. Ob eine verhinderte Verzögerung kausal auf den KI-Assistenten zurückgeht oder auf andere Maßnahmen, bleibt schwer zu isolieren. Ähnlich wie bei der Backbone-Kapazitätsplanung: Der Nutzen ist real, aber nicht auf eine einzige Zahl zurückzuführen.

Skalierbarkeit — hoch (4/5) Das ist der stärkste Differenzierungsfaktor: Einmal aufgebaut, skaliert das System ohne proportionalen Mehraufwand. Ein ISP, der von 50 auf 150 aktive Ausbaukommunen wächst, braucht nicht dreimal mehr PM-Stunden für Statusreports — das System arbeitet für alle gleichzeitig. Jedes neue Projekt, das dieselben Datenquellen nutzt, fällt automatisch in die Aggregation. In einem wachsenden Projektportfolio wird der ROI pro Projekt besser, nicht schlechter.

Richtwerte — stark abhängig von Projektvolumen, vorhandener IT-Infrastruktur und Anzahl paralleler Ausbauprojekte.

Was der KI-Projektassistent konkret macht

Der Ansatz ist eine Schicht über dem bestehenden PM-Werkzeugstack — kein Ersatz, sondern ein intelligenter Aggregator.

Datenaggregation aus heterogenen Quellen Der Assistent verbindet sich via API mit den vorhandenen Werkzeugen: Jira für Techniker-Tickets, Microsoft Project oder Planner für Gantt-Planung, SharePoint für Subunternehmer-Berichte, Power Automate für Excel-Exporte. Permit-Tabellen werden entweder direkt eingelesen oder über wöchentliche E-Mail-Extraktion gepflegt. Das Ergebnis ist ein einheitliches Projektdaten-Modell, das alle Quellen unter einer Oberfläche vereint.

Mustererkennung und Risikofrüherkennung Hier liegt der KI-Mehrwert: Ein Machine Learning-Modell, trainiert auf historischen Ausbauverlauf-Daten desselben Netzbetreibers, erkennt Muster, die auf Verzögerungen hindeuten — bevor die Verzögerung im offiziellen Projektplan sichtbar ist. Klassische Signale: Eine Genehmigung, die seit sechs Wochen keinen Statuswechsel hatte, ist statistisch signifikant häufiger verzögert als eine mit wöchentlicher Aktualisierung. Ein Tiefbauabschnitt, der in der dritten Woche erst 30 Prozent des Wochensoll-Vorschritts erreicht hat, liegt außerhalb des normalen Verteilungsbereichs.

Automatische Berichtsgenerierung Generative KI (LLM) übernimmt das Schreiben der Wochenberichte: Die Daten liefert die Aggregationsschicht, die Formulierung übernimmt das Sprachmodell nach einer definierten Vorlage. Das Ergebnis ist ein konsistent formatierter Bericht mit aktuellen Kennzahlen, markierten Risiken und einem Handlungsvorschlag-Block — fertig zur Freigabe durch den Projektleiter, nicht zur Erstellung.

Eskalations-Automatisierung Definierte Schwellenwerte (z. B. Genehmigung ohne Statusänderung > 4 Wochen, Baufortschritt < 70 Prozent des Wochensoll in zwei aufeinanderfolgenden Wochen) lösen automatisch eine Eskalations-Benachrichtigung aus — an den zuständigen Bauleiter, ggf. mit Kopie an die Projektleitung. Das passiert, ohne dass jemand die Daten manuell prüft.

Das ist kein autonomes Steuerungssystem, das eigenständig Entscheidungen trifft. Es ist ein hochstrukturiertes Informationssystem, das dafür sorgt, dass die richtigen Informationen zur richtigen Zeit bei den richtigen Personen ankommen — und das alle Routinearbeit des Datenaggregierens übernimmt, damit Projektleiterinnen ihre Zeit für tatsächliche Steuerung nutzen können.

Die Integrations-Realität: Hier liegt die eigentliche Arbeit

Das ist die Sektion, die die meisten Anbieter in ihren Demos weglassen. Wer einen KI-Projektassistenten für den Netzausbau einführt, kauft keine Software — er kauft ein Integrationsprojekt.

Quelle 1: Jira / Atlassian Jira hat eine gut dokumentierte REST-API. Das ist der einfachste Teil. Schwieriger: Die meisten Netzausbau-Projekte nutzen Jira nicht einheitlich. Manche Subunternehmer haben keinen Zugang, manche Bauleiter tragen den Status nicht ein. Die Datenqualität im Jira-Board ist oft niedriger als angenommen.

Quelle 2: Excel und SharePoint Subunternehmer-Berichte kommen oft als Excel-Datei — manchmal strukturiert, manchmal freiformat. Power Automate kann strukturierte Exporte automatisch einlesen, aber freiform-Excel mit variabler Zellstruktur erfordert manuelle Vorlagenarbeit. Wer hier spart, zahlt später mit manuellen Korrekturrunden.

Quelle 3: ERP-System SAP, Microsoft Dynamics, oder branchenspezifische Systeme haben Schnittstellen — aber Projektnummern, Kostenstellenstruktur und Berichtslogik sind oft idiosynkratisch und schlecht dokumentiert. Ein API-Konnektor ist in der Regel machbar, aber erfordert einen bis drei Wochen Arbeit eines Entwicklers mit ERP-Kenntnissen.

Quelle 4: Genehmigungsportal oder Permit-Tabellen Das ist meistens das schwierigste Element. Genehmigungsportale der Kommunen haben selten APIs — oft ist die Realität eine gemeinsam gepflegte Excel-Tabelle oder eine E-Mail-Kommunikation. Hier ist der pragmatische Ansatz: Eine einheitliche Genehmigungsverfolgungstabelle als Single Source of Truth einführen, die wöchentlich durch die verantwortlichen Bauleiter aktualisiert wird, und diese dann automatisch einlesen.

Die Gesamtdauer für eine saubere Integration: bei einem typischen FTTH-Ausbauprojekt mit vier Quellsystemen, zwei bis drei Entwicklern und enger Begleitung durch das PM-Team realistisch 14 bis 20 Wochen. Das ist keine schlechte Nachricht — es ist die ehrliche Grundlage für die Projektplanung.

Konkrete Werkzeuge — was wann passt

Es gibt keinen einzigen “KI-Netzausbau-PM-Assistenten” von der Stange. Die Lösung besteht aus drei Schichten: Datenaggregation, KI-Analyse und Berichtgenerierung. Die richtigen Werkzeuge hängen vom bestehenden Stack ab.

Microsoft 365 Copilot + Copilot Studio — Wenn das Projektteam bereits in Microsoft 365 arbeitet (Teams, SharePoint, Project/Planner), ist Copilot der naheliegendste Einstieg. Copilot Studio erlaubt den Bau eines maßgeschneiderten PM-Agenten, der SharePoint-Dokumente, Teams-Channels und Project-Daten durchsucht und auf Statusfragen antwortet. Die Grenzen: Externe Systeme (Jira, ERP) brauchen Konnektoren, die über Power Automate gebaut werden müssen. EU-Datenhaltung konfigurierbar. Add-on-Preis: ca. 15,60 EUR/Person/Monat zusätzlich zur M365-Lizenz.

Asana (Starter oder Advanced) — Asana ist eine gute Wahl für Teams, die noch kein zentrales PM-Tool haben. Die KI-Funktionen (Smart Summaries, Smart Status, AI Studio) sind ab dem Starter-Plan enthalten. Asana AI gibt auf Grundlage des Projektstatus automatisierte Statusmeldungen und kann Aufgaben aus Meeting-Notizen generieren. Einschränkung: Als Datenaggregator für externe Quellen ist Asana nicht primär gebaut — die Stärke liegt im eigenen Ökosystem. Preis: Starter 10,99 EUR/Nutzer/Monat, Advanced 24,99 EUR/Nutzer/Monat (jährlich).

monday.com (Pro oder Enterprise) — monday.com ist für Netzausbau-Portfolios besonders gut geeignet, wenn viele parallele Projekte mit ähnlicher Struktur koordiniert werden müssen. Die Portfolio-Dashboards sind stark, Automatisierungen lassen sich ohne Code konfigurieren, und die AI Blocks ermöglichen Klassifikation und Textgenerierung auf Basis von Feldinhalten. EU-Datenresidenz verfügbar. Pro: 19 EUR/Nutzer/Monat.

Jira + Atlassian Intelligence — Für Teams, die Jira bereits intensiv nutzen: Atlassian Intelligence (ab Premium) kann Projekt-Zusammenfassungen generieren, Abhängigkeiten analysieren und Rovo-Agenten für strukturierte Abfragen konfigurieren. Grenzen: Jira ist ein Issue-Tracker, kein Portfolio-PM — für den Netzausbau-Kontext braucht es Anpassung. EU-Datenresidenz ab Premium (Frankfurt). Preis: Standard ca. 7,75 USD/Nutzer/Monat, Premium ca. 15,25 USD/Nutzer/Monat.

Power Automate + Microsoft Power BI — Die Integrationsschicht. Power Automate verbindet die Datenquellen (Excel-Exporte, Jira-Webhooks, ERP-API-Calls, SharePoint-Tabellen) und bringt die Daten in ein einheitliches Format. Power BI visualisiert den aggregierten Status — kritische Pfade, Genehmigungsstatus-Übersicht, Fortschrittsvergleich Soll/Ist pro Bauabschnitt. Beide sind in M365-Business-Plänen enthalten oder günstig hinzubuchbar. Empfohlene Ergänzung zu jedem PM-Tool.

Custom LLM-Agent (OpenAI API + eigene Integrationen) — Maximale Kontrolle, höchster Aufwand. Ein maßgeschneiderter Agent, der alle Quellen direkt abfragt und auf Basis eines Projektkontext-Prompts strukturierte Reports generiert. Sinnvoll für große Netzbetreiber (5+ gleichzeitige Ausbauprojekte), die spezifische Anforderungen an Datenmodell und Sicherheit haben. Entwicklungskosten: 30.000 bis 80.000 EUR je nach Komplexität; laufend 500 bis 2.000 EUR/Monat für API-Kosten und Infrastruktur.

Zusammenfassung: Wann welcher Ansatz

• Microsoft 365 bereits im Einsatz → Copilot Studio als PM-Agent, Power Automate als Integrationsschicht
• Neues PM-Tool gesucht, visuell und flexibel → monday.com
• Moderne Kollaborations-PM für KI-natives Team → Asana Advanced
• Jira-Ecosystem vorhanden → Atlassian Intelligence (ab Jira Premium)
• Großes Portfolio, spezifische Anforderungen → Custom LLM-Agent

Datenschutz und Datenhaltung

Ein KI-Projektassistent im Netzausbau verarbeitet keine personenbezogenen Endkundendaten — Projektdaten (Bauabschnitte, Kommunen, Meilensteine, Subunternehmerstatus) sind primär unternehmensbezogene Betriebsdaten. Das reduziert den DSGVO-Aufwand erheblich, eliminiert ihn aber nicht.

Was dennoch zu beachten ist:

• Wenn Mitarbeiterdaten in Projektsystemen vorkommen (Bauleiter-Namen in Jira-Tickets, Personalverantwortliche in ERP-Kommentaren), gelten die üblichen DSGVO-Pflichten
• Bei Cloud-Verarbeitung (Asana, monday.com, Copilot) ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO abzuschließen — alle genannten Anbieter stellen AVV-Vorlagen bereit
• Microsoft 365 Copilot bietet EU Data Boundary für Datenresidenz in europäischen Rechenzentren — bei M365-Enterprise-Tenants konfigurierbar
• monday.com bietet EU-Datenresidenz (Frankfurt) ab Enterprise-Plan
• Asana verarbeitet standardmäßig US-seitig; AVV ist verfügbar, physische EU-Residenz nur für Enterprise
• Eigener LLM-Agent auf Azure EU-Infrastruktur oder Hetzner gibt vollständige Kontrolle über Datenhaltung

Besonderer Hinweis bei Subunternehmer-Daten: Wenn Berichte von Generalunternehmern Personalstruktur, Stundenkonten oder ähnliche betriebliche Daten enthalten und diese im System verarbeitet werden, sollte das vorab mit dem Datenschutzbeauftragten oder einem Anwalt abgestimmt werden.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Integrationsentwicklung (API-Konnektoren, Datenmodell, Workflow-Automatisierung): 20.000 bis 60.000 EUR, abhängig von Quellsystemkomplexität und Zahl der Integrationen
• PM-Tool-Lizenz (wenn neu eingeführt): 0 (Asana kostenloser Start für kleine Teams) bis ca. 350–750 EUR/Monat für 15 Nutzer auf Advanced-Niveau
• Schulung und Change Management: 2–5 Tage Begleitaufwand intern
• Bei Microsoft 365 Copilot Studio als Lösung: deutlich weniger Integrationsaufwand bei bestehender M365-Infrastruktur, aber die Copilot-Add-on-Lizenzen kommen on top

Laufende Kosten (monatlich, 15 PM-Team-Mitglieder)

• Asana Advanced: ca. 375 EUR/Monat (jährlich abgerechnet)
• monday.com Pro: ca. 285 EUR/Monat (jährlich)
• Microsoft 365 Copilot: ca. 234 EUR/Monat add-on bei 15 Nutzern
• Power Automate Premium: ca. 15 EUR/Nutzer/Monat für erweiterte Konnektoren
• Custom LLM-Agent (Infrastruktur + API): 500 bis 2.000 EUR/Monat

Wann sich das rechnet Ein Netzausbauprojekt mit 40.000 Haushalten bei typischen Gesamtkosten von 120 Millionen EUR hat bei einem 36-Monats-Zeitplan Kapital- und Zinskosten von circa 200.000 bis 400.000 EUR pro zusätzlichem Monat Verzögerung (Schätzwert basierend auf üblichem Kapitalmarktzins; variiert stark je nach Finanzierungsstruktur). Wenn der Assistent auch nur zwei Wochen Verzögerung früher sichtbar macht — und damit zwei Wochen früher steuernd einzugreifen erlaubt — übersteigt der potenzielle Nutzen die Integrationskosten. Das ist keine Garantie, aber es zeigt, warum der ROI hier anders bewertet wird als bei einem 10-Personen-KMU: Die Hebel sind größer.

Wie du den Nutzen tatsächlich misst Nicht mit einer Vorher-Nachher-Kalkulation, sondern operativ: Wie viele Status-Anfragen hat die Projektleitung pro Woche beantwortet, und wie lange hat das vorher gedauert? Wie oft sind Permit-Bottlenecks eskaliert worden, bevor das System sie markierte? Wie viele Stunden hat das Team mit Datenaggregation verbracht, verglichen mit dem Quartal vor der Einführung? Diese Zahlen sind im PM-Kontext messbar.

Vier typische Einstiegsfehler

1. Den Assistenten auf schlechte Daten loslassen. Das ist der häufigste und folgenschwerste Fehler. Gartner warnte im Februar 2025 explizit: Der Hauptgrund für das Scheitern von KI-Projekten ist fehlende “AI-ready data” — keine ausreichend vollständigen, konsistenten, strukturierten Daten als Eingabe. Für den Netzausbau bedeutet das: Wenn Jira-Tickets seit zwei Wochen keine Statusänderung haben, wenn Baufortschrittsberichte in freiform-Excel ohne einheitliche Spaltenstruktur kommen, wenn der Genehmigungsstatus nur mündlich kommuniziert wird — dann konsolidiert der KI-Assistent hochkonfident falsche oder veraltete Daten. Das ist gefährlicher als gar keine Konsolidierung, weil die Ausgabe professionell formatiert und glaubwürdig wirkt. Die Gegenmaßnahme: Vor der Integration alle Quellsysteme auf Datenqualität und Aktualisierungsdisziplin prüfen. Wo nötig, Prozesse verschärfen, bevor die KI-Schicht aufgebaut wird.

2. Die Subunternehmer aus dem System heraushalten. Der Assistent ist nur so gut wie der letzte Datenpunkt in der Kette. Wenn Baufortschrittsberichte von Subunternehmern erst Donnerstag als Excel-Anhang per E-Mail ankommen, gibt es bis Donnerstag keine aktuellen Felddaten im System. Der Fehler: In das PM-Tool investieren und die Feldebene nicht digitalisieren. Die Lösung: Gemeinsame Eingabemasken oder strukturierte Formulare für Bauleiter-Updates — oft einfacher als gedacht, wenn man von mobilen Apps wie PlanRadar oder eines einfachen SharePoint-Formulars ausgeht, statt komplexer ERP-Integration.

3. Den Piloten zu groß starten. Ein häufiger Reflex: Wenn man schon integriert, dann gleich alle Quellen für alle 200 Kommunen. Das führt zu monatelangen Integrationsprojekten, bei denen das Team die ersten Ergebnisse erst nach einem halben Jahr sieht — zu spät für Feedback-Schleifen und zu spät, um den Ansatz anzupassen, wenn sich Datenqualitätsprobleme zeigen. Besser: Einen Landkreis oder eine Ausbauregion als Pilot nehmen. Zwei bis drei Quellsysteme integrieren. Vier bis sechs Wochen pilotieren. Erst dann auf das volle Portfolio skalieren.

4. Kein Maintenance-Ownership definieren. Das System braucht einen inhaltlichen Besitzer — nicht die IT, nicht “alle”. Wenn eine neue Kommunengliederung eingeführt wird, wenn ein Subunternehmer wechselt, wenn die Jira-Board-Struktur umgebaut wird: Das sind Ereignisse, bei denen die Integrationskonfiguration angepasst werden muss. Ohne eine namentlich benannte Person, die das verantwortet, veraltet das System still — und gibt weiterhin Berichte aus, die auf einem Datenmodell basieren, das die Realität nicht mehr abbildet.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Einfachste. Die schwierigere Aufgabe ist organisatorisch.

Bauleiter als Datenlieferanten gewinnen Der Assistent ist abhängig von Felddaten, die Bauleiter eingeben. Bauleiter sind keine Büromenschen — sie bauen. Jedes System, das Dateneingabe von ihnen erwartet, kämpft gegen den Tagesalltag auf der Baustelle. Was funktioniert: Mobile-first Eingabemaske, die auf dem Smartphone in unter zwei Minuten ausfüllbar ist. Was nicht funktioniert: Komplexe ERP-Masken oder SharePoint-Listen, die am Laptop geöffnet werden müssen. Die besten Implementierungen machen die Dateneingabe zur natürlichen Verlängerung einer bestehenden Routine — nicht zu einem extra Prozessschritt.

Projektleiterinnen als Interpretierende, nicht als passive Empfängerinnen Der Assistent generiert Berichte und Risikomarkierungen. Aber er versteht den Kontext nicht: Er weiß nicht, dass die Genehmigung im Gemeinderat nächste Woche auf der Tagesordnung steht und die Verzögerung damit bald aufgelöst wird. Er sieht nur die Zahl. Projektleiterinnen bleiben die Interpretierende — das System nimmt ihnen die Datenjagd ab, nicht das Urteil. Das ist kein Bug, das ist die richtige Aufgabenteilung.

Was konkret hilft bei der Einführung

• Eine Pilot-Region mit PM, der die Initiative trägt — nicht jemand, dem das Thema aufgetragen wurde
• Wöchentliche kurze Demo-Runde in den ersten vier Wochen: Was hat das System in dieser Woche geliefert? Was hat gefehlt? Feedback direkt in Konfigurationsanpassungen übersetzen
• Explizit kommunizieren, was der Assistent nicht tut: Er eskaliert nicht zu Behörden, er holt keine Genehmigungen ein, er verhandelt nicht mit Subunternehmern. Er macht das Informationsbild vollständig.

Genehmigungsverfolgung als kritischer Pfad: Warum Genehmigungen besondere Behandlung verdienen

Wegerechtsgenehmigungen sind das häufigste und folgenreichste Engpass-Muster beim deutschen Glasfaserausbau. Laut PwC-Umfrage 2025 nennen Netzbetreiber die Genehmigungsverfahren als das größte Hindernis — mit einer Durchschnittsdauer von 8 bis 12 Monaten und erheblicher Varianz zwischen Kommunen.

Das macht die Genehmigungsverfolgung zu einer eigenständigen Problematik, die besondere Aufmerksamkeit im KI-Setup verdient:

Warum Permit-Delays so lange unbemerkt bleiben: Ein Tiefbautermin, der zwei Wochen überzieht, ist sofort sichtbar (Bagger warten, Kostenabrechnung läuft). Eine Genehmigung, die seit zehn Wochen keinen Bescheid hat, landet in niemandem Eskalationsplan — die Behörde arbeitet im eigenen Tempo, der Bauleiter wartet, und niemand hat eine Ampel, die rot wird.

Was das System leisten kann: Für jede Genehmigung im Portfolio einen erwarteten Bearbeitungszeitraum (basierend auf historischen Daten dieser Behörde oder der Standarddauer aus der PwC-Analyse) als Referenz hinterlegen. Wenn dieser Zeitraum überschritten wird ohne Bescheid, automatisch eine Erinnerung an den zuständigen Bauleiter — und nach einer weiteren Woche ohne Reaktion eine Eskalation an die Projektleitung.

Was das System nicht kann: Genehmigungen beschleunigen. Politische Interventionen oder direkte Behördenkontakte bleiben menschliche Aufgaben. Das System macht sichtbar, wann der Zeitpunkt für solche Interventionen gekommen ist — das ist der eigentliche Wert.

Realistischer Zeitplan mit Risikohinweisen

Realistisches Gesamtbild: Wer das Projekt mit klarem PM-Ownership und einem dedizierten Entwickler startet, hat nach fünf Monaten ein funktionierendes System. Wer versucht, das nebenher zu machen, zieht das Projekt auf 12 bis 18 Monate.

Häufige Einwände — und was dahintersteckt

„Wir haben das alles schon in unserem Jira-Board.” Vielleicht — aber in wie vielen Jira-Boards? Und wer hat den Überblick über Jira, die Subunternehmer-Excel und die Genehmigungskorrespondenz gleichzeitig? Ein Jira-Board ist kein Ersatz für Datenaggregation über heterogene Quellen. Der Einwand zeigt, dass Jira gut eingeführt ist — das ist gut, weil es den Integrationsteil erleichtert.

„Das ist zu komplex für unser IT-Team.” Stimmt bei Custom-Entwicklung. Stimmt weniger, wenn man mit einem bestehenden Microsoft 365 Copilot Studio-Agenten beginnt und Power Automate für die Konnektoren nutzt. Der Low-Code-Ansatz ist deutlich weniger IT-intensiv als eine Full-Custom-Lösung. Der Einstieg kann mit einem Power Automate Flow beginnen, der einmal täglich eine strukturierte Excel-Datei in ein SharePoint-Format überführt — das ist keine Softwareentwicklung, das ist Automatisierung.

„Was ist, wenn der Assistent uns falsche Risikowarnungen gibt?” Das wird passieren, besonders am Anfang. Der Assistent wird Situationen als Risiko markieren, die der PM-erfahrene Mensch schon eingeordnet hat. Die Lösung ist kein besseres KI-Modell — es ist ein strukturiertes Feedback-System: Wenn eine Warnung als “falscher Alarm” bestätigt wird, geht das als Trainingssignal zurück in den Algorithmus. Nach einigen Wochen hat das System den Kontext dieses spezifischen Ausbauprojekts gelernt.

„Unser Ausbauprojekt hat noch drei Monate Laufzeit — zu kurzfristig für eine Einführung.” Richtig. Für das laufende Projekt: zu spät. Für das nächste Ausbauprojekt, das in sechs Monaten startet: Der perfekte Zeitpunkt, jetzt die Integration zu bauen. Die Infrastruktur, die für Projekt A gebaut wurde, skaliert auf Projekt B — ohne die volle Einrichtungszeit neu zu zahlen.

Woran du merkst, dass das zu dir passt

• Ihr koordiniert mehr als 20 Kommunen gleichzeitig in einem aktiven Ausbauprojekt oder über mehrere Projekte hinweg
• Eure Projektdaten leben in mindestens drei verschiedenen Systemen, die niemand automatisch synchronisiert
• Statusberichte für Vorstand oder Auftraggeber entstehen durch manuelle Datenzusammenführung, nicht durch einen automatisierten Report-Export
• Permit-Bottlenecks werden spät erkannt — typischerweise, wenn der betroffene Bauabschnitt schon als Terminrisiko eskaliert ist
• Dein PM-Team verbringt mehr als 30 Prozent der Zeit mit Koordinationsaufwand, nicht mit tatsächlicher Projektsteuerung

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Einzelnes Ausbauprojekt mit unter 20 Kommunen und einer Laufzeit unter 12 Monaten. Der Integrationsaufwand amortisiert sich nicht. Wer mit zwölf Kommunen und einem klaren Ende in Sicht koordiniert, kommt mit einem strukturierten monday.com-Board ohne KI-Schicht schneller ans Ziel.

2. Kein strukturiertes digitales Statuserfassungssystem in den Quellsystemen. Wenn Baufortschritt primär per Telefon kommuniziert und nie eingetragen wird, hat ein KI-Assistent keine Daten zum Aggregieren. Der notwendige erste Schritt ist dann die Einführung disziplinierter digitaler Statuserfassung — das ist ein Change-Management-Projekt, kein KI-Projekt. KI kommt danach.

3. Kein Entwickler-Budget und kein IT-Dienstleister verfügbar. Die Integrationsschicht braucht technische Umsetzung. Wer weder intern noch extern jemanden hat, der APIs anbinden und Workflows aufbauen kann, sollte nicht versuchen, dieses Projekt mit Excel-Makros zu ersetzen. Die Lösung wäre dann eine spezialisierte Baustellenmanagement-Software (wie PlanRadar) mit eingebautem PM-Layer — weniger KI-Flexibilität, dafür sofort einsatzbereit.

Das kannst du heute noch tun

Ohne ein Commitment für das große Integrationsprojekt: Nimm die letzten vier Wochenberichte, die dein Team manuell erstellt hat. Lade sie als PDF oder Text in Claude oder ChatGPT hoch. Formuliere dann einen Prompt, der das System bittet, den aggregierten Status, die drei größten Risiken und einen Management-Summary-Absatz zu generieren — auf Basis der hochgeladenen Berichte.

Das dauert 15 Minuten. Was du danach weißt: Erstens, ob die LLM-Ausgabe qualitativ nützlich für deine Entscheidungen ist. Zweitens, welche Informationen in den vorhandenen Berichten fehlen, damit ein System sie automatisch zusammenfassen könnte. Das ist der ehrlichste Due-Diligence-Test für die große Einführung.

Für den operativen Einsatz mit automatischer Datenintegration, hier ist ein Basis-Prompt für deinen PM-Assistenten:

Quellen & Methodik

• PwC-Umfrage 2025 — Herausforderungen des flächendeckenden Glasfaserausbaus: PwC Deutschland (2025), Befragung von Telekommunikationsunternehmen zu Hindernissen beim FTTH-Rollout. Kernbefund: Genehmigungsverfahren als primäres Hindernis, Durchschnittsdauer 8–12 Monate mit kommunaler Varianz. URL: pwc.de
• Bundesnetzagentur — Ausbaumonitor 2024: Stand 30. Juni 2024: FTTH/FTTB-Verfügbarkeit 43,2 Prozent (Haushalte); Aktivierungsquote 22,8 Prozent. bundesnetzagentur.de
• Gartner — “Lack of AI-Ready Data Puts AI Projects at Risk” (Februar 2025): Primärquelle für Aussage, dass mangelnde Datenqualität der Hauptgrund für das Scheitern von KI-Projekten ist; Unternehmen verlieren im Schnitt 12,9 Mio. USD jährlich durch schlechte Datenqualität. gartner.com
• WiR Solutions — Glasfaserausbau braucht Projektmanagement (2024): Praxisbericht über Koordinationsherausforderungen bei deutschen FTTH-Rollouts: Sub-Sub-Unternehmer-Ketten, Informationsfragmentierung, Eskalationsdefizite. wir-solutions.de
• Preisangaben PM-Tools: Asana (10,99 EUR Starter, 24,99 EUR Advanced/Nutzer/Monat, jährlich, Stand Mai 2026), monday.com (19 EUR Pro/Nutzer/Monat), Microsoft Project (Plan 3: 26,00 EUR/Nutzer/Monat), Microsoft 365 Copilot (15,60 EUR/Person/Monat Add-on). Veröffentlichte Tarife der Anbieter, Stand Mai 2026.
• Intellias — Smart CapEx for Telecom (2025): Custom AI-Lösung für Netzplanung eines ukrainischen Telekoms mit 23 Mio. Abonnenten; Entwicklungskosten für Custom-Lösung ab 500.000 USD. intellias.com
• Koordinationsaufwand 30–50 %: Erfahrungswert aus Praxisberichten zum FTTH-Projektmanagement (Fiber Products, CMI Ingenieurgesellschaft, DNS:NET); keine repräsentative Studie, aber konsistent über mehrere Branchenquellen.

Du willst wissen, welche deiner Quellsysteme sich als erste für eine Integration eignen und wie groß der Aufwand für deinen spezifischen Stack wäre? Meld dich — das klären wir in einem kurzen Gespräch.