Die Herausforderungen, denen sich Ingenieursunternehmen mit ihren Industrieprojekten gegenübersehen, ergeben sich aus der zunehmenden Komplexität sowohl auf organisatorischer Ebene als auch auf Produktebene. Die Unternehmen müssen bei der Projektplanung und Entscheidungsfindung schnell reagieren, um ihre Marktposition gegenüber der Konkurrenz behalten zu können. Die Komplexität von Industrieprojekten macht es jedoch schwierig, diese im Vorfeld genau abzuschätzen. Es gibt zahlreiche Beispiele dafür, dass Industrieprojekte aufgrund ihrer Komplexität schlecht geplant wurden, was zu einer ineffizienten Ressourcenzuweisung, unpassenden Teams und der Nichterfüllung der Stakeholder-Anforderungen und Projektziele führte. Infolgedessen kommt es bei Industrieprojekten zu Verzögerungen oder Misserfolgen, die zusätzliche Kosten verursachen, einschließlich solcher, die durch mangelnde Qualität verursacht werden (engl. Cost of poor quality, COPQ), und letztendlich dem Ruf des Unternehmens schaden. Um hier Abhilfe zu schaffen, entwickelt das Fachgebiet „Produktsicherheit und Qualität“ der Bergischen Universität Wuppertal einen systematischen Ansatz für die kompetenzbasierte Projektplanung in Entwicklungsprojekten im Maschinenbau. Dieser Ansatz nutzt moderne IT-basierte Lösungen aus dem Bereich der künstlichen Intelligenz (KI) zur Unterstützung der Projektleitung in der Projektplanungsphase des Projektmanagements. Durch die Extraktion und Analyse von Informationen aus dem Qualitätsmanagementsystem des Unternehmens zu Projektrollen, Teamkompetenzen und anderen relevanten Daten und dem Vergleich mit Projektdaten aus vergangenen Projekten, können wertvolle Erkenntnisse für zukünftige Projekte gewonnen werden. In diesem Paper wird das Potenzial des Einsatzes von Werkzeugen und Algorithmen des maschinellen Lernens und der Computerlinguistik (engl. Natural Language Processing, NLP) untersucht, um die Projektleitung bei der verbesserten Schätzung von Projektressourcen in der Planungsphase zu unterstützen. Das Paper befasst sich ausschließlich mit einer systematischen Analyse von Literatur und Forschungsprojekten, um die aktuellen Anwendungsbereiche von Natural Language Processing (NLP) zu ermitteln. Hierzu wurden verschiedene wissenschaftliche Datenbanken wie GEPRIS, Google Scholar, IEEE Xplore, ScienceDirect und SpringerLink im Beobachtungszeitraum von 2012 bis 2022 durchsucht, um einen klaren Überblick über den Stand der Wissenschaft und Technik zu erhalten und anschließend die wissenschaftliche Lücke aufzuzeigen.