Beyond Chat – wie LLMs unstrukturierte Daten in individuelle Projektpräsentationen verwandeln

Große Sprachmodelle (LLMs) wie GPT oder LLaMA werden oft als Chatbots oder Zusammenfassungs-Tools verstanden. Doch in der Praxis ist das oft zu kurz gedacht: Wer komplexe Aufgaben wie die Planung, Analyse und Vorbereitung von Projekten automatisieren möchte, stößt mit einem klassischen Chatfenster schnell an Grenzen.

Denn: Die Anforderungen sind vielfältig. Dokumente liegen in unterschiedlichsten Formaten vor, müssen richtig interpretiert und inhaltlich verdichtet werden. Hinzu kommt: Eine erfolgreiche Projektplanung hängt nicht nur von fachlichen Informationen ab, sondern auch von einem feinen Gespür für den Ton, Stil und die Sprache des Zielunternehmens – besonders bei Pitches, Ausschreibungen oder Team-Zusammenstellungen.

Im Rahmen eines gemeinsamen Digitalisierungsprojekts mit der Ipi GmbH (Link: https://www.ipi-gmbh.com/) aus Ansbach – einem Experten für den digitalen Arbeitsplatz – wurde daher exploriert, wie LLMs über das klassische Chat-Modell hinaus eingesetzt werden können: für eine effizientere, aber dennoch individualisierte Projektvorbereitung, ohne die Inhalte zu sehr zu „verallgemeinern“.

Herausforderung: Zwischen Informationsflut und Individualisierung

Projektmanagement bedeutet heute vor allem eins: Informationsflut. Unternehmen stehen vor der Aufgabe, in kürzester Zeit eine Vielzahl an unstrukturierten Informationen zu sichten – aus PDFs, Word-Dokumenten, Excel-Tabellen, Präsentationen oder öffentlich zugänglichen Quellen wie Websites, Stellenanzeigen oder Pressemeldungen.

Die Herausforderung ist doppelt:
 

• Relevanz erkennen: Welche Rollen sind gefordert? Welches Budget ist angesetzt? Welche Fristen gelten?
• Individualität bewahren: Wie spricht das Unternehmen? Was ist ihm wichtig? Welche Erwartungen gibt es an Tonalität, Stil und Struktur?

Genau hier geraten klassische LLM-Anwendungen an ihre Grenzen – es braucht intelligentes Prompt Engineering, modulare Analysen und die Möglichkeit, verschiedene Quellen systematisch zu verknüpfen.

eigene Darstellung

Im Rahmen der Exploration wurden mehrere Lösungsansätze erprobt, die das Potenzial großer Sprachmodelle deutlich über den klassischen Chatbot-Einsatz hinaus erweitern. Zunächst wurden gezielte Systemprompts(Link: pguso.medium.com/mastering-system-prompts-for-ai-agents-3492bf4a986b ) für unterschiedliche Informationsarten entwickelt, etwa zur Extraktion von Rollen und Zertifikaten, Fristen und Deadlines, Kernaufgaben sowie Budgetvorgaben. Diese Prompts sind in einem eigenen Python-Modul strukturiert und ermöglichen eine modulare, wiederverwendbare Anwendung. 

Als oberstes Prinzip galt während des gesamten Projekts der Datenschutz. Daher wurden sensible oder interne Dokumente ausschließlich mit lokal ausgeführten Modellen verarbeitet – etwa LLaMA3, Mistral oder Gemma, die über Ollama (Link: https://ollama.com/) vollständig on-premise liefen. Dadurch wurden keine vertraulichen Informationen an Dritte übermittelt. Die cloudbasierten GPT-Modelle via API (Link: https://openai.com/de-DE/api/) kamen ausschließlich für die Recherche in öffentlich zugänglichen Quellen zum Einsatz, nicht für die Verarbeitung interner Inhalte. Ein zentraler Bestandteil war zudem die automatisierte Erstellung einer Unternehmenspersona. Um neben den inhaltlichen Anforderungen auch Tonalität, Kommunikationsstil und Ausrichtung eines Zielunternehmens zu erfassen, wurde ein webbasierter Rechercheprozess integriert. Dabei nutzt das Modell ausschließlich öffentlich zugängliche Quellen wie Websites, Pressemitteilungen oder Karriereportale, um daraus strukturiert eine Persona des Zielunternehmens abzuleiten. Diese kann anschließend genutzt werden, um Präsentationen oder Angebote noch individueller und passender zu gestalten.