Steckbrief KANBAN (Timinger 2021), eigene Darstellung
Alle Vorgehensmodelle im Projektmanagement haben Vorteile und Nachteile. In einem ersten Beitrag habe ich das beispielsweise schon einmal am Wasserfallmodell dargestellt. Siehe Steckbrief zum Wasserfallmodell: Vorteile und Nachteile.
Wie in der Abbildung zu erkennen ist, hat auch KANBAN Vorteile und Nachteile. Seit Anderson (2010): KANBAN in der IT ist klar, dass KANBAN geeignet ist, wissensbasierte Arbeit zu organisieren.
KANBAN ist weniger präskriptiv (vorschreibend) im Vergleich zum SCRUM Framework, und ist auf der individuellen Ebene, der Teamebene und auf der organisationalen Ebene einsetzbar.
Verwechselt wird KANBAN oft mit allen möglichen Boards, die allerdings keine KANBAN Boards sind, wenn z.B. die Prozessschritte nicht begrenzt sind (WIP: Work in Progress) und die Tickets nicht nach dem Pull-Prinzip abgearbeitet werden.
Es geht in Zukunft immer mehr darum, das geeignete Vorgehensmodell zum Vorhaben (Projekt) auszuwählen. Dieser Trend ist in der Zwischenzeit an dem großen Anteil des Hybriden Projektmanagements – also einer sinnvollen Kombination von mehreren Vorgehensmodellen – abzulesen. Siehe dazu PMI (2024) Global Survey: Hybrides Projektmanagement wird immer wichtiger.
Es ist deutlich zu erkennen, dass Künstliche Intelligenz in seinen verschiedenen Formen (GenAI, AI Agenten usw.) Berufsbilder, Lernen, Wissens- und Kompetenzentwicklung beeinflusst, bzw. in Zukunft noch stärker beeinflussen wird. Siehe dazu beispielsweise WEF Jobs Report 2025.
Auch Strukturen im Bildungsbereich müssen sich daher fragen, welche Berechtigung sie noch in Zukunft haben werden, da sich der aktuelle Bildungssektor in fast allen Bereichen noch stark an den Anforderungen der Industriegesellschaft orientiert. Wenn es beispielsweise um Schulen geht, hat sich seit mehr als 100 Jahren nicht viel geändert. Siehe dazu Stundenplan von 1906/1907: Geändert hat sich bis heute (fast) nichts. Dazu passt folgendes Zitat:
“Every time I pass a jailhouse or a school, I feel sorry for the people inside.” — Jimmy Breslin, Columnist, New York Post (Quelle)
Wohin sollen sich die Bildungsstrukturen – hier speziell Schulen – entwickeln?
(1) Wir können die Technologischen Möglichkeiten von Künstlicher Intelligenz in den Mittelpunkt stellen, und Menschen als nützliches Anhängsel von KI-Agenten verstehen. Dabei werden Menschen auf die KI-Technologie trainiert,, weiter)gebildet, geschult.
(2) Wir können alternativ Menschen und ihr soziales Zusammenleben in den Mittelpunkt stellen, bei dem Künstliche Intelligenz einen wertvollen Beitrag liefern kann. Ganz im Sinne einer Society 5.0.
Aktuell dominiert fast ausschließlich die Nummer (1) der genannten Möglichkeiten, was dazu führen kann, dass der Bildungsbereich Menschen so trainiert, dass sie zu den von Tech-Giganten entwickelten Technologien passen.
Möglicherweise hilft es in der Diskussion, wenn man den Ursprung des Wortes “Schule” betrachtet. Der Begriff geht auf das griechische Wort “Skholè” zurück, was ursprünglich „Müßiggang“, „Muße“, bedeutet und später zu „Studium“ und „Vorlesung“ wurde (Quelle: Wikipedia).
Bei Forschungen zur Künstlichen Intelligenz sind Autoren genau darauf eingegangen, weil sie vermuten, dass gerade diese ursprüngliche Perspektive besser zu den aktuellen Entwicklung passen kann:
“We find this etymology deeply revealing because it undercovers a profound truth about education´s original purpose: it wasn´t about preparing workers for jobs, but about providing space for thoughtful reflection and exploration of life´s fundamental questions. What inspires us about the ancient´s Greek approach is how they saw education as a means to help people find their purpose and develop their full potential as human beings” (Bornet et al. 2025).
Organisationen fragen sich immer mehr, wie sie sich auf dem Weg zu einer Agilen Organisation entwickeln sollten. In dem Beitrag Organisationelle Agilität mit der Agile Management Maturity Map (AM³), veröffentlicht am 13.10.2025 auf der Website der GPM (Gesellschaft für Projektmanagement e.V.), wird erläutert, dass Agilität in Organisationen systemisch verstanden werden sollte, wobei Agilität aus den verschiedenen Wechselwirkungen (emergent) entsteht. Das ist zunächst der theoretische Unterbau, der auf der genannten Seite noch weiter erläutert wird.
Konkreter können Organisationen analysieren und bewerten, inwiefern sie schon auf diesem Weg sind. Dazu bietet sich eine Art Reifegradmodell (Maturity Model) an, das auch der vorgeschlagenen AM³: Agile Management Maturity Map zugrunde liegt. Wie der Abbildung zu entnehmen ist, können Sie in 10-15 Minuten anhand verschiedener Fragen klären, wo möglicherweise Handlungsbedarf besteht.
Auch der Jobs Reports 2025 des WEF zeigt auf, dass bis 2030 wohl 172 Millionen neue Jobs entstehen, und 92 Millionen wegfallen werden. Es geht dabei nicht immer um komplette Jobs, sondern auch um Teilbereiche oder Tätigkeitsportfolios, die immer mehr von AI Agenten übernommen werden (können).
Alles was mit Logik und Speicherung zu tun hat, ist eher die Stärke von Künstlicher Intelligenz, den Workflows, bzw. den AI Agenten. Doch in welchen Bereichen versagen AI Agenten noch? Dazu habe ich den folgenden Text gefunden:
“AI agents don’t fail because they’re weak at logic or memory. They fail because they’re missing the “L3” regions — the emotional, contextual, and motivational layers that guide human decisions every second” (Bornet 2025 via LinkedIn).
Dabei bezieht sich Bornet auf eine Veröffentlichung von Bang Liu et al. (2025:19-20), in dem die Autoren drei Hirnregionen in Bezug auf AI (Artificial Intelligence) untersuchten. L1: Well developed; L2: Partially developed; L3: Underexplored.
Das Ergebnis ist also, dass AI Agenten in den Ebenen Emotionen, Kontext und Motivation unterentwickelt sind (L3), wenn es um menschliche Entscheidungen geht.
Erkenntnis (Cognition) entsteht dabei nicht nur in einem Bereich im Gehirn, sondern durch das Zusammenspiel vieler unterschiedlich vernetzter Areale. Bei komplexen Problemlösungsprozesse (CPS: Complex Problem Solving) geht es verstärkt um Emotionen, Kontext und Motivation.
Im Idealfall könnten Menschen an diesen Stellen einen Mehrwert für eine qualitativ gute Problemlösung (Erkenntnis) einbringen. Es stellt sich dabei allerdings auch die Frage, wie stark sich Menschen an die Möglichkeiten einer Künstlichen Intelligenz (AI Agenten) anpassen sollen.
Zusätzlich können die in dem sehr ausführlichen wissenschaftlichen Paper von Bang Liu et al. (2025) erwähnten Zusammenhänge Hinweise geben, wie die Zusammenarbeit – das Zusammenspiel – zwischen Menschen und AI Agenten organisiert, ja ermöglicht werden kann.
Mit Nextcloud haben wir eine Open Source Software auf unserem Server installiert, die je nach Bedarf mit Hilfe von Apps (Anwendungen) erweitert werden kann. Für die Verbesserung der Produktivität gibt es zunächst einmal die App Flow, mit der einfache Abläufe automatisiert werden können.
Sind die Ansprüche etwas weitreichender, bietet sich die App Workflow an, die wir auch installiert haben. Die App basiert auf Windmill und ermöglicht es uns, Abläufe (Workflows) per bekannter Symbole darzustellen. In der Abbildung sind links die zwei einfachen Symbole “Input” und “Output” zu sehen. Rechts daneben werden die Details zu den einzelnen Button und Schritte angezeigt – das Prinzip dürfte klar sein, Einzelheiten zu den vielfältigen Optionen erspare ich mir daher.
Es ist immer wieder erstaunlich, wie schnell viele Apps auf Open Source Basis zur Verfügung stehen, und je nach Bedarf genutzt werden können. Aktuell ist die Anzahl der generierbaren Workflows über die freie Version von Nextcloud noch begrenzt. Alternativ könnten wir auch Windmill direkt auf unserem Server installieren: Self-host Windmill. Ähnlich haben wir es schon mit OpenProject gemacht. Wobei es dann aus der Anwendung heraus möglich ist, auf Nextcloud-Daten zuzugreifen.
Ob wir das machen hängt davon ab, ob wir mit Workflow in Zukunft weiterarbeiten, oder alle Arten von Flows direkt in Langflow abbilden, da wir dort den direkten Übergang zu KI-Agenten haben. Alle Open Source Anwendungen laufen auf unseren Servern, sodass alle generierten Daten auch bei uns bleiben. Ganz im sinne einer Digitalen Souveränität.
Screenshot von der Startseite https://www.opennewswire.org/
In der heutigen Daten- und Informationsflut ist es gut zu wissen, welchen Informationen man trauen kann. Viele Quellen wollen manipulieren, aufhetzen, oder einfach nur Klicks generieren. In diesem Umfeld ist Vertrauen ein wichtiges Gut.
Professionelle Journalisten traut man zu, Inhalte zu sammeln, aufzuarbeiten und ohne Wertung an den Leser zu bringen. Wertungen können ja in separaten Kommentaren geschrieben werden. Solche Artikel stehen auf der Plattform Open Newswire “frei” zur Verfügung.
Über die Plattform Open Newswire ist das in über 90 Sprachen möglich. Es handelt sich um ein Non Profit Projekt, das 2020 von einem australischen Journalisten gestartet wurde. Die Artikel unterliegen den hier gelisteten Creative Commons Licences.
Es ist allen klar, dass sich die Jobs in den nächsten Jahren weiter stark verändern werden. Möglicherweise geht es dabei um einzelne Tätigkeiten, Tätigkeitsportfolios oder komplette Jobs. Das World Economic Forum (WEF) veröffentlicht dazu immer wieder Reports. Einer davon wurde Anfang des Jahres veröffentlicht: WEF (2025): Future of Jobs Report 2025 (PDF).
Darin geht es um den Zeitraum 2025-2030, in dem aufgrund der laufenden technischen und energetischen Transition wohl 170 Millionen neue Jobs geschaffen, und 92 Millionen verschwinden werden:
“The world of work is changing fast. While 92 million jobs may disappear over the next 5 years, nearly 170 million new ones will emerge, driven by new technology and the energy transition. What are these new jobs and which sectors will see the greatest changes?” (WEF 2025).
Ich möchte an dieser Stelle nicht auf alle Details der Veröffentlichung eingehen, doch halte ich folgenden Punkt durchaus für bemerkenswert:
“Additionally, Software and Applications Developers, General and Operations Managers, and Project Managers, are among the job categories driving the most net job growth” (WEF 2025).
Die wachsende Nachfrage nach Projektmanagern wird hier allerdings nicht weiter erläutert. Ich gehe davon aus, dass Projektmanager in Zukunft die ganze Palette des Projektmanagement-Kontinuums mehr oder weniger intensiv (je nach Branche und Organisation) bewältigen müssen.
Dabei kann es im Laufe der Jahre natürlich auch zu Verschiebungen kommen. Beispielsweise von einer eher plangetriebenen Projektmanagement über das Agile Projektmanagement zu einem situationsspezifischen Hybriden Projektmanagement, das eher pragmatisch als dogmatisch ist. Alles natürlich auch immer zusammen mit den Entwicklungen bei der Künstlichen Intelligenz. Eine weiterhin anspruchsvolle Aufgabe.
In allen Projekten werden mehr oder weniger oft digitale Tools, bzw. komplette Kollaborationsplattformen eingesetzt. Hinzu kommen jetzt immer stärker die Möglichkeiten der Künstlicher Intelligenz im Projektmanagement (GenAI, KI-Agenten usw.).
Projektverantwortliche stehen dabei vor der Frage, ob sie den KI-Angeboten der großen Tech-Konzerne vertrauen wollen – viele machen das. Immerhin ist es bequem, geht schnell und es gibt auch gute Ergebnisse. Warum sollte man das hinterfragen? Möglicherweise gibt es Gründe.
Es ist schon erstaunlich zu sehen, wie aktuell Mitarbeiter ChatGPT, Gemini usw. mit personenbezogenen Daten (Personalwesen) oder auch unternehmensspezifische Daten (Expertise aus Datenbanken) füttern, um schnelle Ergebnisse zu erzielen – alles ohne zu fragen: Was passiert mit den Daten eigentlich? Siehe dazu auch Künstliche Intelligenz: Würden Sie aus diesem Glas trinken?
Es stellt sich zwangsläufig die Frage, wie man diesen Umgang mit den eigenen Daten und das dazugehörende Handeln bewertet. An dieser Stelle kommt der Begriff Ethik ins Spiel, denn Ethik befasst sich mit der “Bewertung menschlichen Handelns” (Quelle: Wikipedia). Dazu passt in Verbindung zu KI in Projekten folgende Textpassage:
“In vielen Projektorganisationen wird derzeit intensiv darüber diskutiert, welche Kompetenzen Führungskräfte in einer zunehmend digitalisierten und KI-gestützten Welt benötigen. Technisches Wissen bleibt wichtig – doch ebenso entscheidend wird die Fähigkeit, in komplexen, oft widersprüchlichen Entscheidungssituationen eine ethisch fundierte Haltung einzunehmen. Ethische Kompetenz zeigt sich nicht nur in der Einhaltung von Regeln, sondern vor allem in der Art, wie Projektleitende mit Unsicherheit, Zielkonflikten und Verantwortung umgehen” (Bühler, A. 2025, in Projektmanagement Aktuell 4/2025).
Unsere Idee ist daher, eine immer stärkere eigene Digitale Souveränität – auch bei KI-Modellen. Nextcloud, LocalAI, Ollama und Langflow auf unseren Servern ermöglichen es uns, geeigneter KI-Modelle zu nutzen, wobei alle generierten Daten auf unseren Servern bleiben. Die verschiedenen KI-Modelle können farbig im Sinne einer Ethical AI bewertet werden::
Eigener Screenshot vom Langflow-Arbeitsbereich, inkl. der Navigation auf der linken Seite
Langflow haben wir als Open Source Anwendung auf unseren Servern installiert. Mit Langflow ist es möglich, Flows und Agenten zu erstellen – und zwar einfach mit Drag&Drop. Na ja, auch wenn es eine gute Dokumentation und viele Videos zu Langflow gibt, steckt der “Teufel wie immer im Detail”.
Wenn man mit Langflow startet ist es erst einmal gut, die Beispiele aus den Dokumentationen nachzuvollziehen. Ich habe also zunächst damit begonnen, einen Flow zu erstellen. Der Flow unterscheidet sich von Agenten, auf die ich in den nächsten Wochen ausführlicher eingehen werde.
Wie in der Abbildung zu sehen ist, gibt es einen Inputbereich, das Large Language Model (LLM) oder auch ein kleineres Modell, ein Small Language Model (SLM). Standardmäßig sind die Beispiele von Langflow darauf ausgerichtet, dass man OpenAI mit einem entsprechenden API-Key verwendet. Den haben wir zu Vergleichszwecken zwar, doch ist es unser Ziel, alles mit Open Source abzubilden – und OpenAI mit ChatGPT (und andere) sind eben kein Open Source AI.
Um das zu erreichen, haben wir Ollama auf unseren Servern installiert. In der Abbildung oben ist das entsprechende Feld im Arbeitsbereich zu sehe,n. Meine lokale Adresse für die in Ollama hinterlegten Modelle ist rot umrandet unkenntlich gemacht. Unter “Model Name” können wir verschiedene Modelle auswählen. In dem Beispiel ist es custom-llama.3.2:3B. Sobald Input, Modell und Output verbunden sind, kann im Playground (Botton oben rechts) geprüft werden, ob alles funktioniert. Das Ergebnis sieht so aus:
Screenshot vom Playground: Ergebnis eines einfachen Flows in Langflow
Es kam mir jetzt nicht darauf an, komplizierte oder komplexe Fragen zu klären, sondern überhaupt zu testen, ob der einfache Flow funktioniert. Siehe da: Es hat geklappt!
Alle Anwendungen (Ollama und Langflow) sind Open Source und auf unseren Servern installiert. Alle Daten bleiben auf unseren Servern. Wieder ein Schritt auf dem Weg zur Digitalen Souveränität.
Die moderne Arbeitswelt macht es erforderlich, immer komplexere Aufgabenstellungen zusammen mit anderen zu bearbeiten, und möglichst zu lösen.
Das RKW (Rationalisierungs- und Innovationszentrum der Deutschen Wirtschaft e.V) bringt immer wieder Unterlagen heraus, die gerade für Kleine Mittlere Unternehmen (KMU) gut nutzbar sind. Diesmal geht es um die Veröffentlichung RKW (2025): Teamradar. Survival Guide für smarte Teamarbeit und clevere Konfliktlösung. Auf der Website kann der Leitfaden – immerhin 50 Seiten – als PDF-Datei kostenfrei heruntergeladen, und von vielen genutzt werden:
“Für alle, die in Teams Verantwortung übernehmen – ob als Führungskraft, Projektleitung oder Teammitglied. Besonders für KMU bietet das Teamradar eine praxisnahe Methode, um die Potenziale von Vielfalt und Unterschiedlichkeit produktiv zu nutzen” (ebda.).
Es ist gut, wenn viele Zusammenhänge aufgezeigt werden und die Möglichkeit besteht, die Inhalte für seine Organisation umzusetzen. Für Kleine Unternehmen ist das etwas zu viel des Guten, für Mittelständler kann der umfangreiche Leitfaden Sinn machen. An dieser Stelle möchte ich noch folgendes anmerken:
Es wird zunächst nicht zwischen Teamarbeit und Projektarbeit unterschieden, obwohl die Projektleitung als Zielgruppe benannt ist.
Weiterhin gibt es in dem Kapitel “Teamprofile: Zwischen Tun und Lassen: Teamkompetenzen neu denken” noch den einen oder anderen Punkt:
“Manchmal läuft ein Team wie ein Uhrwerk – alles greift ineinander, die Dinge kommen ins Rollen. Manchmal aber fehlt genau das Zahnrad, das alles verbindet” (ebda.).
Anmerkung: Die Verwendung der Metapher “Zahnrad” konterkariert das Ziel, Teamarbeit zu beschreiben und zu entwickeln. Menschen als Zahnräder haben als Metapher ausgedient. Zahnräder haben keine Emotionen, Menschen schon. Meier (2022) führt dazu aus: ““Kulturen sind in undurchschaubarer Weise verwobene Netze von Handlungen, Gegenständen, Bedeutungen, Haltungen und Annahmen. Und eben keine mechanischen Uhrwerke, bei denen voraussehbar ist, welche Veränderung sich ergibt, wenn man bei einem Zahnrad die Anzahl der Zähne vergrößert oder verkleinert.”
Weiterhin werden drei Teamkompetenzen genannt: Umsetzungsfähigkeit, Strategiefähigkeit und Anpassungsfähigkeit. Der Begriff “Teamkompetenzen” kommt ansonsten nur in der Kapitelüberschrift und im Inhaltsverzeichnis vor.
Anmerkung: Fähigkeiten werden erst im Handeln manifest, außerhalb der Handlung haben sie keine Wirklichkeit. Das Handeln, die Performanz steht im Mittelpunkt. Insofern können Fähigkeiten keine Kompetenzen sein.
Teamprofile: Die Eule, Die Ameise, Der Oktopus, Der Fuchs, Der Dachs, Der Delfin, Das Arbeitspferd.
