Wenn es um Verbesserungen geht denken wir oft daran, nach einer Tätigkeit zu reflektieren (Retrospective). um für die kommenden Schritte zu lernen. Die Retrospective ist sogar Bestandteil des Scrum-Frameworks.
Darüber hinaus gibt es allerdings auch noch die Prospective, bei der im Vorfeld eines Prozesses, darüber nachgedacht wird, was auf mich zukommen kann.
Zwischen den beiden genannten Arten kommt noch das Accompanying hinzu, bei der ich darüber nachdenke, wie ich aktuell meine Arbeit verrichte.
Etwas vereinfacht kann das so aussehen:
Prospective >
Accompanying
< Retrospective
Die drei Arten der Reflexion (vgl. Brand et al. 2024)
Alle drei Arten der Selbstreflexion führen zu Lernaktivitäten und letztendlich zu kontextspezifischen Wissen. Dieses Wissen wird selbstorganisiert so angewendet, dass ein komplexes Problem gelöst werden kann.
In diesem Sinne entsteht Kompetenz als Selbstorganisationsdisposition auf den Ebenen Individuum, Gruppe, Organisation und Netzwerk.
Agilität war in den letzten mehr als 20 Jahren (Agiles Manifest 2001) ein Schwerpunkt für kollaboratives Arbeiten in komplexen Problemlösungssituationen – beispielsweise in innovativen Projekten. In der Zwischenzeit wird Agilität durch die Entwicklungen bei der Künstlichen Intelligenz etwas in der Wahrnehmung zurückgedrängt.
Dennoch möchte ich hier einen Ansatz zu Agilität vorstellen, den ich in einer Veröffentlichung der Dach30 gefunden habe. Dach30 bezeichnet eine Arbeitsgruppe aus 30 führenden Großunternehmen, für die Start-up-Standards wohl oft nicht ausreichen.
Dach30 (2019): Mindeststandards für Unternehmensagilität | PDF.
Darin wird gleich am Anfang der Zusammenhang zwischen Agilität und Shu Ha Ri hergestellt, das aus der asiatischen Kampfkunst hervorgegangen ist. Im Zusammenhang mit Agilität bedeutet Shu so viel wie kopieren, nachmachen, HA so etwas wie durchbrechen, abweichen, und RI so etwas wie neu verwenden. Die Arbeitsgruppe Dach 30 hat diese Zusammenhänge im folgenden Stufenmodell zusammengefasst:
Shu
Ha
Ri
Kennt agile Werte und Prinzipien
Lebt agile Werte und Prinzipien
Verankert nachhaltig agile Werte und Prinzipien, gestaltet Governance aktiv
Begleitung durch einen Experten
Alleine
Anderen helfen
Doing Agile
Becoming Agile
Being Agile
Dach30 (2019)
Aus diesen grundlegenden Überlegungen leitet die Arbeitsgruppe sehr viele “Learning Objects” ab, was wiederum insgesamt ein umfangreiches Framework ergibt. Zunächst einmal erscheint alles sehr schlüssig und umsetzbar zu sein. Ergänzend möchte ich folgende Punkte anmerken:
(1) Shu Ha Ri wird hier mit Lernebenen, oder auch Kompetenzebenen assoziiert. Das erinnert stark an Dreyfus model of skill acquisition – Ebenen der Kompetenzentwicklung. Warum wird das Modell von Dreyfus nicht gleich verwendet? Warum der “Umweg” über Shu Ha Ri? Weiterhin sollte man bedenken, dass Stufen-Modelle immer wieder kritisiert werden – auch im agilen Kontext.
(3) “Learning Objects” sind hier als Inhalte gemeint, die gelernt werden sollten (Lernziele, Kompetenzentwicklung). Es sind allerdings Subjekte (nicht Objekte) die Lernen. Der Begriff “Learning Objects” kann hier in die Irre führen. In meinen Veröffentlichungen habe ich in verschiedenen Paper immer wieder darauf hingewiesen. Das erste Mal ausführlich in Freund, R. (2003): Mass Customization in Education and Training, ELearnChina 2003, Edinburgh, Scotland. Download | Flyer.
Immer mehr Privatpersonen, Organisationen, Verwaltungen usw. überlegen, wie sie die Möglichkeiten der Künstlichen Intelligenz nutzen können. Dabei gibt es weltweit drei grundsätzlich unterschiedliche Richtungen: Der US-amerikanische Ansatz (Profit für wenige Unternehmen), der chinesische Ansatz (KI für die politische Partei) und den europäischen Ansatz, der auf etwas Regulierung setzt, ohne Innovationen zu verhindern. Siehe dazu Digitale Souveränität: Europa, USA und China im Vergleich.
Es freut mich daher sehr, dass es in Europa immer mehr Initiativen gibt, die Künstliche Intelligenz zum Wohle von Bürgern und der gesamte Gesellschaft anbieten möchten – alles Open Source. Das in 2023 gegründete Unternehmen Mistral AI hat so einen Ansatz, der jetzt in der Initiative AI for Citizens eine weitere Dynamik bekommt, und einen Gegenentwurf zu den Angeboten der bekannten Tech-Giganten darstellt:
“Empowering countries to use AI to transform public action and catalyze innovation for the benefit of their citizens” (Quelle).
Dabei listet die Website noch einmal ausführlich die Nachteile der “One size fits all AI” auf, die vielen immer noch nicht bewusst sind.
Informieren Sie sich über die vielen Chancen, Künstliche Intelligenz offen und transparent zu nutzen und minimieren Sie die Risiken von KI-Anwendungen, indem Sie offene und transparente Trainingsmodelle (Large Language Models; Small Language Models) und KI-Agenten nutzen. Siehe dazu auch
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.
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.
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.
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.
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?
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.
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.
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.
Translate »
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.
