Veröffentlicht am

Innovationen: Blue Ocean Strategie im Zeitalter Künstlicher Intelligenz

Image by Elias from Pixabay

Es ist für Unternehmen heute nicht leicht, eine geeignete Strategie für Innovationen zu entwickeln. Dabei können inkrementelle oder auch disruptive Innovationen im Fokus stehen. Kleine, inkrementelle Verbesserungen sind möglicherweise in Zeiten von Künstlicher Intelligenz (Artificial Intelligence) nicht mehr ausreichend. An dieser Stelle kommt die Blue-Ocean-Strategie ins Spiel:

“Die Blue-Ocean-Strategie beschäftigt sich mit disruptiven Verbesserungen von Produkten bzw. Produktideen. Disruption (= zerstören, unterbrechen) beschreibt einen Prozess, bei dem ein bestehendes Geschäftsmodell oder ein Markt von Innovationen abgelöst bzw. verdrängt wird. Die Blue-Ocean-Strategie unterteilt Märkte in sogenannte Red Oceans und Blue Oceans. Blue Oceans umfassen zukünftige, noch zu schaffende Markträume, in denen Wettbewerb eine Zeit lang wenig Relevanz hat. Der Fokus von Unternehmen liegt auf dem Aufbau von Nutzeninnovationen für die Kundschaft in neuen Markträumen. Dadurch erreichen Blue-Ocean-Produkte eine Differenzierung (Alleinstellungsmerkmale); sie sind zunächst wettbewerbsarm und erlauben höhere Gewinne (vgl. Kim/ Mauborgne 2015). Red Oceans umfassen hingegen die Gesamtheit des bereits bestehenden Wettbewerbs. Es gilt die existierende Nachfrage zu nutzen und zu steigern, um sich im bestehenden Wettbewerb zu behaupten” (RKW 2018).

Was hat das nun mit Künstlicher Intelligenz zu tun? Wie ich in dem Beitrag Warum wird GESCHÄFTSMODELL + AI nicht ausreichen? erläutert habe, ist es in Zukunft nicht mehr ausreichend, einfach zu den bestehenden Innovationsprozessen Künstliche Intelligenz hinzuzunehmen. Es kommt eher darauf an, die Möglichkeiten von Künstlicher Intelligenz (Artificial Intelligence) für ganz neue/neuartige Produkte und Dienstleistungen zu nutzen. Ganz im Sinne von AI +. Mit AI meine ich dabei immer Open Source AI.

Veröffentlicht am

Projektmanagement: Das geeignete Vorgehensmodell finden

Quelle: Timinger, H.; Seel, C. (2016) nach Boehm und Turner

Im Projektmanagement gibt es in der Zwischenzeit die Erkenntnis, dass es zwischen den beiden Polen “Plangetriebenes Projektmanagement” und Agiles Projektmanagement” sehr viele Möglichkeiten für geeignete Vorgehensmodelle gibt.

Diese für seine Projekte zu analysieren (manchmal auch mehrmals während des Projektverlaufs) ist in Zukunft eine wichtige Aufgabe in Organisationen. Dafür stehen in der Zwischenzeit mehrere Optionen zur Verfügung. Siehe dazu DAS Projektmanagement-Kontinuum in der Übersicht, die für das eigene Projekt anhand verschiedener Kriterien ausgewählt werden können.

Zunächst einmal kann das mit der allseits bekannten Stacey-Matrix erfolgen, die eine einfache Möglichkeit bietet, schnell einen Überblick zu erhalten.

Cinefin wiederum nutzt eher die Wissensperspektive und zu analysieren, welches Vorgehensmodell geeignet erscheint.

Boehm und Turner schlagen vor, ein Projekt nach insgesamt 5 Dimensionen zu charakterisieren (siehe Abbildung): Menschen, Stabile Anforderungen, Kultur, Projektgröße und Gefährdungspotenzial.

Timinger wiederum hat in seinen Veröffentlichungen eine umfangreiche Liste an Kriterien zusammengestellt, die eine noch differenziertere Beurteilung ermöglicht. Siehe dazu Projektmanagement: Einfaches Tool zur Analyse des angemessenen Vorgehensmodells – Planbasiert, Hybrid, Agil.

Überlegen Sie, welche Instrumente für Ihre Organisation genutzt werden sollten. Möglicherweise entwickeln Sie aus den genannten Optionen ein eigenes Analysetool, für Projekte, Programme und Portfolios.

Veröffentlicht am

Management 1.0 bis 4.0 und das Agile Manifest

Eigene Darstellung. Quelle: Oswald (2016); GPM-Workshop “Agiles Projekt Management 4.0“

In dem Artikel North, K; Maier, R. (2018): Wissen 4.0 – Wissensmanagement im digitalen Wandel gehen die Autoren von der Annahme aus, dass die Wissensproduktion genau so wie Arbeit (Arbeit 1.0 bis Arbeit 4.0) in Wissen 1.0 bis 4.0 aufgeteilt werden kann. Dabei erweitern sie das Konstrukt der Wissenstreppe in eine Wissenstreppe 4.0.

Ähnlich kann auch für das Management argumentiert werden (siehe Abbildung), das sich von einem Management 1.0 (Command and Control, wissenschaftlich) zum Management 2.0 (Markt-Strategien, add on Tools) weiterentwickelt hat, und über das Management 3.0 Komplexität, wissenschaftliche Analogien) zu Management 4.0 (Komplexität als Geschenk, vernetzte Modelle) weiterentwickelt hat. Dabei ist zu beachten, dass in Organisationen oftmals Arbeit 1.0-4.0 und Management 1.0-4.0 vorhanden sind.

Wie in der Abbildung weiterhin zu erkennen ist, stellt das Agile Manifest (Manifest für agile Softwareentwicklung) aus dem Jahr 2001 einen Vorschlag dar, besser mit Komplexität umzugehen. Daraus ist wiederum das Framework Scrum entstanden, wobei der Begriff Scrum in einem Paper aus dem Jahr 1986 geprägt wurde.

Siehe dazu auch Agiles Projektmanagement und das Agile Manifest – passt das wirklich zusammen?

Veröffentlicht am

Zwischen >potemkinschem< Lean und empowertem Team

Eigene Darstellung. Quelle: Boes et al. (2018)

Die Abbildung zeigt verschiedene Entwicklungsszenarien von Teams in Organisationen. In einer bürokratischen Kultur wird sich zunächst bürokratisches Team bilden, mit den genannten Eigenschaften und den entsprechenden Vorgaben der Führung.

Die Entwicklung zu einem formalen Lean ergibt die Möglichkeit, in eine agile Kultur überzugehen. An dieser Stelle kann es allerdings auch sein, dass ein potemkinsches Lean entsteht, das wiederum zu einem verbrannten Team führt.

In einer agilen Kultur kann sich ein empowertes Kollektivteam später in Richtung Nachhaltigkeit auf allen Ebenen entwickeln.

Schauen Sie sich die jeweiligen Merkmale an. Finden Sie sich mit Ihrem Team an einer Stelle wieder?

Veröffentlicht am

Künstliche Intelligenz: 40% der Projekte zu Agentic AI werden wohl bis Ende 2027 eingestellt (Gartner)

Die Überschrift ist reißerisch und soll natürlich Aufmerksamkeit generieren. Dabei stellt man sich natürlich gleich die Frage: Wie kommt das? Geschickt ist, dass Gartner selbst die Antwort gibt:

“Over 40% of agentic AI projects will be canceled by the end of 2027, due to escalating costs, unclear business value or inadequate risk controls, according to Gartner, Inc.” (Gartner vom 25.06.2025).

Es ist nun wirklich nicht ungewöhnlich, dass in der ersten Euphorie zu Agentic AI alles nun wieder auf ein sinnvolles und wirtschaftliches Maß zurückgeführt wird. Dennoch haben Unternehmen, die entsprechende Projekte durchgeführt haben, wertvolles (Erfahrungs-)Wissen generiert.

Schauen wir uns in diesem Zusammenhang den bekannten Gartner Hype Cycle 2025 an, so können wir sehen, dass AI Agents ihren “Peak of Inflated Expectations” erreicht haben, und es nun in das Tal “Through of Desillusionment” geht. Dabei wird in dem oben genannten Artikel natürlich auch darauf hingewiesen, dass Gartner gerne beratend behilflich ist, Agentic AI wirtschaftlicher und besser zu gestalten. Honi soit qui mal y pense.

Dennoch können gerade Kleine und Mittlere Unternehmen (KMU) von dieser Entwicklung profitieren, indem sie bewusst und sinnvoll KI Agenten nutzen. Am besten natürlich in Zusammenhang mit Open Source AI. Komisch ist, dass Open Source AI in dem Gartner Hype Cycle gar nicht als eigenständiger Begriff vorkommt. Honi soit qui mal y pense.

Veröffentlicht am

Was unterscheidet Künstliche Intelligenz von Suchmaschinen?

Conceptual technology illustration of artificial intelligence. Abstract futuristic background

Man könnte meinen, dass Künstliche Intelligenz (GenAI) doch nur eine Weiterentwicklung bekannter Suchmaschinen ist, doch dem ist nicht so. In einem Paper wird alles noch ausführlicher beschrieben. Hier nur ein Auszug:

“The intermediation role played by AI systems is altogether new: where the role of search engines has traditionally been to surface the most relevant links to answers of the user’s query, AI systems typically expose directly an answer… For the large number of content producers whose sustainability relies on direct exposure to (or interactions with) the final end user, this lack of reliable exposure makes it unappealing to leave their content crawlable for AI-training purposes.” (Hazaël-Massieux, D. (2024): Managing exposure of Web content to AI systems | PDF.

Für viele Content-Anbieter ist die Vorgehensweise der GenAI-Modelle von großem Nachteil, da diese direkte Ergebnisse liefern, und die Interaktionen mit dem User (wie bei den bisher üblichen Suchmaschinen-Ergebnissen) entfallen können. Die bekannten GenAI-Modelle (Closed Source) nutzen einerseits die vorab antrainierten Daten und andererseits live content (summarize this page), und machen daraus ein Milliarden-Geschäft.

Demgegenüber stehen erste allgemeine Entwicklungen wie EU AI Act, Urheberrecht, Datenschutz usw., die allerdings nicht ausreichend sind, sich als Content-Anbieter (Person, Unternehmen, Organisation, Verwaltung usw.) vor der Vorgehensweise der Tech-Giganten zu schützen.

Es müssen neue, innovative Lösungen gefunden werden.

Dabei wäre es gut, wenn jeder Content-Anbieter mit Hilfe eines einfachen Verfahrens (Framework) entscheiden könnte, ob und wie sein Content für die Allgemeinheit, für Suchmaschinen, für KI-Modelle verwendet werden darf.

… und genau so etwas gibt es in ersten Versionen.

Über diese Entwicklungen schreibe ich in einem der nächsten Blog-Beiträge noch etwas ausführlicher.