KI reduziert meinen Mental Load. Mehr nicht. Und das reicht.

Ich bin der festen Überzeugung, dass agiles Arbeiten das beste vorgehen ist, wenn es darum geht gute Software schnell zu liefern. Dabei hängt das nicht von einer Methode ab, sondern davon, die Work-Feedback Loop geschlossen und kurz zu halten. Daher ist mein Hauptthema momentan genau das.

Und Ich bin von zwei Seiten genervt.

Von der einen Seite höre ich auf Konferenzen, in Podcasts und in meinem Feed, dass KI alles verändert. Dass agiles Arbeiten damit überflüssig wird. Dass Teams sich neu erfinden müssen, weil ein Prompt das jetzt alles erledigt. Von der anderen Seite höre ich, dass KI Teufelszeug ist, dass man bloß die Finger davon lassen soll, dass das alles maßlos überschätzt wird.

Nach meiner Erfahrung ist KI ein Tool wie Excel (ok, es ist deutlich mächtiger als Excel, aber eben nur ein Tool). Dieses Tool kann man, wie andere Tools, sinnvoll einsetzten um agiles Arbeiten zu unterstützen. Dieser Artikel stellt meinen pragmatischen Blick auf KI dar.

Ich nutze KI seit ChatGPT im Dezember 2022 erschienen ist – erst neugierig, dann systematisch, dann ernüchtert, dann pragmatisch. Ich habe viel ausprobiert, viel Zeit verschwendet und ein paar Dinge gefunden, die wirklich funktionieren. Darum geht es hier.

Mein Kontext

Ich bin Team Lead eines Kanban-Teams mit sieben Leuten. Wir machen Projekte für unterschiedliche, aber immer die selben Kunden. Ich bin kein Entwickler. Meine Arbeit passiert in zwei Richtungen: nach innen - das Team unterstützen, Prozesse gestalten, Stories schreiben, in der Konzeption unterstützen, etc. Nach außen - Projekte mit Kunden planen, Strategien mit Kunden entwickeln, Jour Fixes und weitere Meetings zur Abstimmung gestalten.

Mein tägliches Toolset: Jira, Confluence, Slack, Mail, Kalender, Joplin für Notizen.

Das Werkzeug, das ich für KI nutze, heißt Claude Cowork. Der entscheidende Grund: Es verbindet sich direkt mit Jira, Confluence, Slack, Mail, Kalender und Joplin. Das macht einen Unterschied, den ich gleich erklären werde.

Ein Wort zur Datenfrage, bevor jemand fragt: Ich habe KI lesenden Zugriff auf meine Mail und meinen Kalender gegeben. Das ist eine Entscheidung, die ich bewusst getroffen habe - und eine, die jeder für sich selbst treffen muss. Ich gebe keinen Rat dazu, weil das von der eigenen Situation, dem Arbeitgeber und der persönlichen Risikoeinschätzung abhängt. Ich berichte nur, was ich tue.

Was KI wirklich kann – und was nicht

Bevor ich auf die konkreten Anwendungsfälle eingehe, ein paar grundsätzliche Beobachtungen aus drei Jahren Praxis:

KI verstärkt. Wenn etwas ohne KI schon gut funktioniert, kann KI es besser machen. Wenn etwas schlecht ist, macht KI es schlechter. Das klingt trivial, ist es aber nicht, wenn man ehrlich hinschaut.

KI produziert viel. Die Falle ist, dass man sich produktiv fühlt, ohne es zu sein. Ich habe das selbst erlebt. Man lässt KI etwas generieren, es sieht gut aus, man fühlt sich effizient. Aber hat es wirklich Zeit gespart? Diese Frage muss man sich stellen - immer wieder, unbequem ehrlich.

KI kann nicht denken. Alles, was Erfahrung, Einschätzung oder Kreativität braucht, ist nichts für KI. Eine User Story zu schreiben, die wirklich gut ist, kann KI nicht. Die Anforderungen verstehen, die Lücken erkennen, die richtigen Fragen stellen, das ist Menschenarbeit. Was KI gut kann: große Mengen Text schnell lesen, Zusammenfassungen bauen, Verbindungen zwischen Datenpunkten finden, die man selbst übersehen hätte, wenn man es eilig hat.

KI macht Fehler. Immer noch. Und das wird sich nicht vollständig ändern. Human in the Loop ist keine Option, es ist Pflicht.

Anwendungsfall 1: Jour Fix vorbereiten

Das ist mein bestes Beispiel, weil es den Unterschied zwischen "KI als Chat-Tool" und "KI mit Datenzugang" am deutlichsten zeigt.

Ich habe einen sogenannten Skill in Claude Cowork - das ist im Grunde eine Anweisungsdatei, die beschreibt, was die KI tun soll. Dieser Skill macht folgendes: Er schaut im Kalender nach, wann der letzte Jour Fix mit dem jeweiligen Kunden war. Er liest das Protokoll und die Notizen vom letzten Termin aus Joplin - oder bei manchen Kunden aus Confluence. Er durchsucht Jira nach allem, was sich seit dem letzten Termin verändert hat: neue Stories, Status-Updates, Blocker. Er liest die relevanten Mails der Zwischenzeit.

Aus all dem erzeugt er eine strukturierte Vorlage: Was sollte ich im nächsten Jour Fix ansprechen? Welche Punkte sind offen geblieben? Was hat sich verändert?

Was dabei auffällt: Die KI findet Verbindungen, die ich als Mensch, wenn ich es eilig habe, übersehen hätte. Eine Mail, in der ein Kunde eine Erwartung erwähnt hat, die in keiner Story steht. Ein Status in Jira, der nicht zum aktuellen Stand in der letzten Notiz passt. Diese Querverbindungen zwischen mehreren Datenquellen sind der eigentliche Mehrwert, nicht der generierte Text.

Die erzeugte Notiz bearbeite ich natürlich, weil KI Fehler macht. Und weil ich das letzte Wort haben will. Aber der Start ist gut, und die Zeitersparnis ist real.

Anwendungsfall 2: Daily-Vorbereitung

Ich bin Teilnehmer im täglichen Daily, kein Moderator, aber ich bringe meine Sicht als Team Lead mit ein. Dafür habe ich einen eigenen Skill.

Dieser Skill schaut sich das letzte Daily-Protokoll aus Joplin an und geht dann durch Jira, Slack und Mail seit dem letzten Daily. Er schreibt einen neuen Report: Was sollte ich heute ansprechen?

Das klingt simpel, ist aber in der Praxis ziemlich nützlich. Wenn in Mails oder Slack Status-Updates vorhanden sind, die in den entsprechenden Stories nicht aktualisiert wurden, fällt das dem Skill auf. Er erkennt Stories, die zu lange in einem Status hängen. Er sieht, wenn jemand eine Krankmeldung geschickt hat, und verknüpft das mit den Story-Assignments - mit dem Hinweis, dass das Team prüfen sollte, ob jemand anderes übernimmt.

Diese Verbindungen kann ein Mensch auch erkennen. Ich schaue das selbst auch durch, weil KI Fehler macht. Aber die KI findet sie zuverlässig und schnell, auch wenn ich unter Zeitdruck stehe. Das ist der Punkt.

Anwendungsfall 3: Allgemeine Meeting-Vorbereitung

Für andere Meetings, z.B. Projektmeetings, Refinements, unstrukturiertere Abstimmungen, gibt es einen ähnlichen, aber flexibleren Skill. Er zieht ebenfalls Infos aus allen angebundenen Quellen und erzeugt eine Zusammenfassung dessen, was relevant sein könnte.

Die Ergebnisse sind hier etwas schlechter als beim Jour-Fix-Skill. Der Grund ist einfach: Je mehr Struktur ein Meeting hat, desto besser kann KI sich darauf vorbereiten. Beim Jour Fix weiß der Skill genau, was er suchen soll. Bei einem freieren Meeting ist der Suchraum größer, die KI unsicherer, was wirklich wichtig ist.

Trotzdem: Als Startpunkt ist auch dieser Skill gut. Ich muss die erzeugte Notiz deutlicher bearbeiten, aber ich fange nicht bei null an, und das spart Zeit.

Ich habe noch weitere kleinere Anwendungsfälle wie z.B. Zusammenfassung von Informationen und Analyse von Dokumenten, aber ich denke, das macht mittlerweile jeder und daher habe ich in diesem Artikel darauf keinen Fokus gesetzt.

Was das alles bedeutet

KI ist kein Ersatz für agiles Arbeiten. Sie macht Teams nicht schneller, Prozesse nicht schlanker und Feedback-Loops nicht kürzer. Das muss der Mensch tun. Mit Erfahrung, Disziplin und dem Willen, Dinge wirklich zu verbessern.

Was KI macht: Sie nimmt mir den kognitiven Overhead ab, Informationen aus verschiedenen Quellen mühsam zusammenzusuchen. Das Ergebnis ist, dass ich meine Energie für das einsetzen kann, wofür sie wirklich gebraucht wird - für mein Team, für meine Kunden und für die inhaltliche (Denk-)Arbeit.

Mental Load reduzieren ist kein glamouröses Ziel. Es ist kein "KI verändert alles". Aber es ist real, messbar und täglich spürbar.

Das reicht mir.