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.

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?

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?

Künstliche Intelligenz: Würden Sie aus diesem Glas trinken?

Image by AIAC Interactive Agency from Pixabay

Das Bild zeigt ein Glas mit einer Flüssigkeit. Es ist allerdings nicht genau zu erkennen, um welchen Inhalt es sich handelt. Es könnte also sein, dass die Flüssigkeit gut für Ihre Gesundheit ist, oder auch nicht. Vertrauen Sie dieser Situation? Vertrauen Sie demjenigen, der das Glas so hingestellt hat?

Würden Sie aus diesem Glas trinken?

So ähnlich ist die Situation bei Künstlicher Intelligenz. Die Tech-Unternehmen veröffentlichen eine KI-Anwendung nach der anderen. Privatpersonen, Unternehmen, ja ganze Verwaltungen nutzen diese KI-Apps als Black Box, ohne z.B. zu wissen, wie die Daten in den Large Language Models (LLM) zusammengetragen wurden – um nur einen Punkt zu nennen.

Der Vergleich von dem Glas mit Künstlicher Intelligenz hinkt zwar etwas, doch erscheint mir die Analogie durchaus bemerkenswert, da der erste Schritt zur Anwendung von Künstlicher Intelligenz Vertrauen sein sollte.

Step 1: It All Starts with Trust
“Think about it: the glass is opaque, you can’t even see inside it! The water inside that glass could pure spring water, but it could also be cloudy and murky puddle water, or even contaminated water! If you couldn’t see inside that glass, would you still drink what’s inside it after adding tons of high-quality sugar and lemon to it? Probably not, so why would you do this with one of your company’s most previous assets—your data?” (Thomas et al. 2025).

Vertrauen Sie der Art von Künstlicher Intelligenz, wie sie von den etablierten Tech-Giganten angeboten wird? Solche Closed Source Modelle sind nicht wirklich transparent, und wollen es auch weiterhin nicht sein. Siehe dazu auch Das Kontinuum zwischen Closed Source AI und Open Source AI.

Vertrauen Sie besser wirklichen Open Source AI – Anwendungen: Open Source AI: Besser für einzelne Personen, Organisationen und demokratische Gesellschaften.

Überraschend: Für ein Auto werden 100 Millionen, und für ein Flugzeug nur 14 Millionen Lines of Code benötigt

Image by ????? from Pixabay

Die etablierten Automobilhersteller haben seit ca. 100 Jahren ein Selbstverständnis (Mindset), das sich hauptsächlich auf die herausragende Hardware eines Autos fokussiert (Stichwort: Spaltmaß). Software war hier ein nützliches Zusatzprodukt. Es ging prinzipiell um

HARDWARE + Software

In den letzten Jahrzehnten wird immer klarer, dass Daten und Informationen, und damit Software, in dem Ökosystem Mobilität eine immer wichtigere Rolle spielen. Viele der etablierten Autohersteller haben daher versucht, den Softwarebereich immer weiter auszubauen, um letztendlich konkurrenzfähige Software im Vergleich zu den Tech-Giganten aus dem Silicon Valley anzubieten.

Viele der Initiativen sind krachend gescheitert. Ein Konzern, der Jahrzehnte lang das Mantra der Hardware propagiert hat, kann Softwareentwicklung scheinbar nicht – zumindest nicht marktgerecht. Doch es gibt auch ein gegenteiliges Beispiel: Der Vergleich der Lines of Code für eine Autos für ein viel größere Flugzeugs (Hardware) führt zu einem überraschenden Resultat:

“Consider this: today’s cars run on about 100 million lines of code—and to put that into perspective, a Boeing 787 Dreamliner runs on just 14 million lines of code. (We know, it shocked us too.) It’s obvious that a physical car defect requires a recall, but software code defects are super costly—especially in the auto industry” (Thomas et al. 2025).

Natürlich stellt sich hier die Frage, warum in einem Auto ca. 7x mehr (im Vergleich zu einem Flugzeug) Lines of Code nötig sind. Liegt es an dem Mindset aus der Hardwareentwicklung, die Softwareentwicklung einfach zu komplex werden lässt?

Es wird weiterhin deutlich, warum sich neue Marktteilnehmer (z.B. aus China) auf Software konzentrieren und die Hardware auf ein modernes Design abstimmen. Daraus entstehen konkurrenzfähige Produkte, die den heutigen Anforderungen (Preis und Leistung) entsprechen. Diese Vorgehensweise folgt der Logik

SOFTWARE + Hardware

Es ist spannend zu beobachten, wie sich die etablierten Automobilkonzerne auf die Herausforderer einstellen, denn diese brauchen keine alten Strukturen abzubauen/umzubauen.

All Our Ideas: Künstliche Intelligenz, Online-Umfragen und Crowdsourcing kombinieren

Quelle: https://all-our-ideas.citizens.is/domain/1/

Aktuell wird alles mit Künstlicher Intelligenz (AI: Artificial Intelligence) in Verbindung gebracht. Die Neukombination von bestehenden Ansätzen kann dabei zu interessanten Innovationen führen.

Die Website ALL Our Ideas verbindet beispielsweise Online-Umfragen mit Crowdsourcing und Künstlicher Intelligenz.

“All Our Ideas is an innovative tool that you can use for large-scale online engagements to produce a rank-ordered list of public input. This “Wiki Survey” tool combines the best of survey research with crowdsourcing and artificial intelligence to enable rapid feedback” (ebd.).

Ein kurzes Tutorial ist gleich auf der Website zu finden. Darin wird erläutert, wie Sie die Möglichkeiten selbst nutzen können. Starten Sie einfach mit einer eigenen Online-Umfrage.

Die Idee und das Konzept finde ich gut, da auch der Code frei verfügbar ist: Open Source Code. Damit kann alles auf dem eigenen Server installiert werden. Bei der Integration von KI-Modellen schlage ich natürlich vor, Open Source KI (Open Source AI) zu nutzen.

Organisation und Lernen – ein immer noch schwieriges Thema. Warum eigentlich?

Image by Gerd Altmann from Pixabay

Veränderungen in unserem Umfeld bedeuten, dass sich Gesellschaften, Organisationen und einzelne Personen anpassen müssen. Die lieb gewonnenen Routinen auf verschiedenen Ebenen verlieren immer öfter ihre Berechtigung und werden ersetzt. Anpassung bedeutet, dass wir Neues lernen müssen. Siehe dazu auch Reskilling 2030 des World Economic Forum.

Bei dem Wort “Lernen” denken viele an Schule oder Universitäten usw., doch ist Lernen eher als lebenslanger Prozess zu sehen. – auch in (Lernenden) Organisationen. Weiterhin haben sich die Schwerpunkte des Lernens in der letzten Zeit verschoben, denn in Zukunft kommt dem selbstorganisierten Lernen – auch mit Hilfe von Künstlicher Intelligenz – eine bedeutende Rolle zu.

Es ist für mich daher immer noch erstaunlich, wie wenig Organisationen über das Lernen von Mitarbeitern, von Teams, der gesamten Organisation und im Netzwerk wissen. Bezeichnend ist hier, dass das Lernen im beruflichen Kontext oftmals nur als reiner Kostenfaktor gesehen wird (Merkmal der klassischen industriellen Kosten- und Leistungsrechnung).

“In a 2020 BCG study of the learning capabilities of 120 large global companies, only 15% said they granted corporate learning the high priority it deserves. Skills are not linked to corporate strategy. The same BCG study shows that less than 15% of leaders believe that learning constitutes a core part of their company’s overall business strategy” (Quelle).

Das Corporate Learning sollte sich bewusst machen, dass Lernen, Kompetenzentwicklung und Erfolg einer Organisation zusammenhängen. Siehe dazu auch meinen Beitrag Wettbewerbsfähigkeit, Lernen, Kompetenz und Intelligenz hängen zusammen – aber wie?, den ich schon 2013 geschrieben hatte.

Warum wird in den Organisationen darauf zu wenig geachtet, obwohl doch viele Studien und Veröffentlichungen immer dringender auf diese Zusammenhänge hinweisen?

Meines Erachtens liegt es daran, dass viele Führungskräfte nichts von Lernen verstehen und auch keine entsprechende Kompetenzen entwickelt haben. Wie wäre es, wenn Führungskräfte einen Masterabschluss im Bereich Erwachsenenbildung nachweisen müssten? Ich habe meinen Masterabschluss im Bereich der Erwachsenenbildung beispielsweise an der TU Kaiserslautern erfolgreich abgeschlossen. Siehe dazu auch

Lernende Organisation oder Organisationales Lernen?

Freund, R. (2011): Das Konzept der Multiplen Kompetenz auf den Analyseebenen Individuum, Gruppe, Organisation und Netzwerk.

Innovationen: Das Europäische Paradox

AI (Artificial intelligence) AI management and support technology in the Business plan marketing success customer. AI management concept.

Wenn es um Innovationen geht, sind wir in Deutschland und in der EU immer sehr bemüht zu betonen, was alles dafür getan wird, dass wir in diesem Bereich führend sein wollen – aber nicht sind. Denn: Alle aktuell wichtigen Innovationen kommen nicht aus Deutschland, bzw. der EU. Wenn dem nicht so wäre, wären wir beispielsweise bei der Digitalisierung nicht so abhängig von den Tech-Konzernen aus den USA.

Obwohl wir in Deutschland (in der EU) sehr viel Geld in die Förderung von Forschung & Entwicklung stecken, und auch unser Bildungssystem, sowie die gesamte Infrastruktur gut sind, sieht es bei den wichtigen Innovationen eher schlecht aus. Wir bekommen die guten Ansätze nicht wirklich umgesetzt – doch genau das macht Innovationen aus. Die Europäische Kommission hat diese Situation 1995 schon als Europäisches Paradox bezeichnet.

“In 1995, the European Commission firstly used the term ‘European Paradox’ (European Commission 1995) to define the phenomenon of having good higher education systems, well established research infrastructure but failing to translate this into markable innovations. (…) Additionally, the EU in comparison to the USA was unable to compete although education, research and science were very well established in the EU.”

Quelle: Banholzer, Volker M. (2022). From „Industry 4.0“ to „Society 5.0“ and „Industry 5.0“: Value- and Mission-Oriented Policies: Technological and Social Innovations – Aspects of Systemic Transformation. IKOM WP Vol. 3, No. 2/2022. Nürnberg: Technische Hochschule Nürnberg Georg Simon Ohm).

Interessant dabei ist, dass sich scheinbar in den letzten 30 Jahren (1995-2025) nicht viel verbessert hat. Möglicherweise ist die Schere bei den wichtigsten aktuellen Innovationsbereichen sogar noch größer geworden. Wie kommt das?

Verstehen wir Innovation immer noch falsch?

Messen wir die falschen Parameter?

Haben wir gerade in Deutschland mehr Innovationspreise als wirkliche Innovationen?

Anmerkung: Das Bild zum Blogbeitrag habe ich nur beispielhaft ausgewählt. Es geht mir bei hier nicht nur um die Situation bei der Künstlichen Intelligenz..

Wissen im Innovationsprozess analysieren

Eigene Darstellung; (c) Dr. Robert Freund

Wissen spielt im Innovationsprozess eine wichtige Rolle. Um dieses Wissen nutzen zu können, sollten Sie zunächst die verschiedenen Schritte des Innovationsprozesses notieren. In der Abbildung sehen Sie dazu ein Beispiel.

Anschließend können Sie zu den einzelnen Schritten die jeweils benötigte(n) Wissensdomäne(n) notieren. Siehe dazu ausführlicher

Fraunhofer IPK (2010): Standarddefinitionen für Wissensdomänen (PDF).

Weitere Spalten Ihrer Analyse sind dann noch Technologie (Wo findet man die Wissensdomänen in technischen Systemen?), Organisation (Wo findet man die Wissensdomänen in der Organisation?) und Mensch (Bei wem findet man dazu noch weitere Expertise – speziell implizites Wissen?).

Diese Vorgehensweise kann auch für andere Prozesse genutzt werden. Beispielsweise für Projektmanagement-Prozesse usw. . Der Ansatz ist relativ einfach und ist daher gerade für Kleine und Mittlere Unternehmen (KMU) geeignet.

Modernes Design sollte User Experience (UX) und Agent Experience (AX) beachten

Der Begriff User Experience (UX) spielt bei der Entwicklung von Produkten und Dienstleistungen eine große Rolle. Etwas kurz ausgedrückt, geht es bei UX um das “Benutzererlebnis” oder auch “Nutzererlebnis”. Dabei wird davon ausgegangen, dass es sich bei dem User um Menschen (Human) handelt.

In Zukunft wird es neben der Interaktion zwischen Technologien und Menschen auch immer mehr Interaktionen zwischen Technologien selbst stattfinden. Am Beispiel von KI-Agenten lässt sich das ganz gut nachvollziehen, denn hier muss das Design auf einen oder mehrere Agenten abgestimmt sein (Agentic Experience: AX). Der folgende Text unterstreicht das noch einmal:

“The designs of tomorrow will have to consider two kinds of users: humans and agents. The agent experience (AX) will be using APIs to compose workflows but now includes desktop interactions” (Thomas et al. 2025).

Ich bin gespannt, wie die UX-Community auf diese Entwicklung reagiert.