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.

Veröffentlicht am

PM4NGOs (2025): Social Good DPro Guide – Project Management for Social Good

Es gibt für Projektmanagement internationale und nationale Normen, Standards und Vorgehensmodelle. Alle sind mehr oder weniger branchenunabhängig. Dennoch gibt es natürlich in den verschiedenen Branchen Besonderheiten, die berücksichtigt werden sollten.

Das Projektmanagement in Öffentlichen Verwaltungen, oder auch bei NGOs (Non-Government Organisations) und Not-for-Profit Organisationen, haben im Gegensatz zu wirtschaftlichen Unternehmen häufig gesellschaftliche, soziale Ziele. Siehe dazu auch Wirkungstreppe bei Not-for-Profit-Projekten: Output, Outcome und Impact.

Der folgende englischsprachige Guide stellt das Projektmanagement für die genannten Branchen ausführlich dar.

PM4NGOs (2025): Social Good DPro Guide – Project Management for Social Good. Erste Veröffentlichung 2020, aktualisiert im Mai 2025 | Link

Bei der Durchsicht fällt auf, dass viele angesprochenen Elemente des Projektmanagements branchenunabhängig sind und sich an den gängigen Standards orientieren. Ich hätte mir gewünscht, dass der Guide noch stärker auf die branchenspezifischen Besonderheiten eingeht.

Veröffentlicht am

Künstliche Intelligenz: 99% der Unternehmensdaten sind (noch) nicht in den Trainingsdaten der LLMs zu finden

Wenn es um allgemein verfügbare Daten aus dem Internet geht, können die bekannten Closed Source KI-Modelle erstaunliche Ergebnisse liefern. Dabei bestehen die genutzten Trainingsdaten der LLMs (Large Language Models) oft aus den im Internet verfügbaren Daten – immer öfter allerdings auch aus Daten, die eigentlich dem Urheberrecht unterliegen, und somit nicht genutzt werden dürften.

Wenn es um die speziellen Daten einer Branche oder eines Unternehmens geht, sind deren Daten nicht in diesen Trainingsdaten enthalten und können somit bei den Ergebnissen auch nicht berücksichtigt werden. Nun könnte man meinen, dass das kein Problem darstellen sollte, immerhin ist es ja möglich ist, die eigenen Daten für die KI-Nutzung zur Verfügung zu stellen – einfach hochladen. Doch was passiert dann mit diesen Daten?

Immer mehr Unternehmen, Organisationen und Verwaltungen sind bei diesem Punkt vorsichtig, da sie nicht wissen, was mit ihren Daten bei der KI-Nutzung durch Closed Source oder auch Closed Weighted Modellen passiert. Diese Modelle sind immer noch intransparent und daher wie eine Black Box zu bewerten. Siehe dazu Das Kontinuum zwischen Closed Source AI und Open Source AI oder Künstliche Intelligenz: Würden Sie aus diesem Glas trinken?

Wollen Sie wirklich IHRE Daten solchen Modellen zur Verfügung stellen, um DEREN Wettbewerbsfähigkeit zu verbessern?

“So here’s the deal: you’ve got data. That data you have access to isn’t part of these LLMs at all. Why? Because it’s your corporate data. We can assure you that many LLM providers want it. In fact, the reason 99% of corporate data isn’t scraped and sucked into an LLM is because you didn’t post it on the internet. (…) Are you planning to give it away and let others create disproportionate amounts of value from your data, essentially making your data THEIR competitive advantage OR are you going to make your data YOUR competitive advantage?” (Thomas et al. 2025).

Doch was ist die Alternative? Nutzen Sie IHRE Daten zusammen mit Open Source AI auf ihren eigenen Servern. Der Vorteil liegt klar auf der Hand: Alle Daten bleiben bei Ihnen.

Siehe dazu auch

LocalAI: KI-Modelle und eigene Daten kombinieren

LocalAI: Aktuell können wir aus 713 Modellen auswählen

Ollama: AI Agenten mit verschiedenen Open Source Modellen entwickeln

Digitale Souveränität: Wo befinden sich deine Daten?

Veröffentlicht am

Test Criteria Catalogue for AI Systems in Finance

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

Der Finanzbereich mit seinen unglaublichen Mengen an Daten (historische Daten und Echtzeitdaten) ist prädestiniert für den Einsatz Künstlicher Intelligenz (KI, oder englisch AI: Artificial Intelligence). Die Nutzung von LLM (Large Language Models) ,oder in Zukunft Small Language Models (SLM) und KI-Agenten, kann für eine Gesellschaft positiv, oder eher negativ genutzt werden. Dabei können Open Source AI Models, Open Weights Models und Closed AI Models unterschieden werden.

Es ist aus meiner Sicht gut, dass die Europäische Union mit dem EUAI-Act weltweit erste Rahmenbedingungen für die Nutzung Künstlicher Intelligenz festgelegt hat. Im Vergleich zu dem US-amerikanischen vorgehen (KI-Unternehmen können alles machen, um Profite zu generieren) und dem chinesischen Vorgehen (KI für die Unterstützung der Partei), ist der Europäische Weg eine gute Mischung. Natürlich muss dabei immer abgewogen werden, welcher Freiraum für Innovationen bleiben sollte.

Um nun herauszufinden, wie KI-Ssteme z.B. für den Finanzbereich bewertet und letztendlich ausgewählt werden sollten, hat das Federal Office for Information Security (Deutsch: BSI) einen entsprechenden Kriterienkatalog veröffentlicht:

“Publication Notes
Given the international relevance of trustworthy AI in the financial sector and the widespread applicability ofthe EUAIAct across memberstates and beyond,this publication was prepared in English to ensure broader accessibility and facilitate collaboration with international stakeholders. English serves as the standard language in technical, regulatory, and academic discourse on AI, making it the most appropriate choice for addressing a diverse audience, including researchers, industry professionals, and policymakers across Europe and globally” (Federal Office for Information Security 2025).

Es stellt sich dabei auch die Frage, ob diese Kriterien nur für den Finanzbereich geeignet sind, oder ob alle – oder einige – der Kriterien auch für andere gesellschaftlichen Bereiche wichtig sein könnten.

Siehe dazu auch Sou.veränitätsscore für KI-Systeme.

Veröffentlicht am

Spannungsfelder des Kompetenzmanagements

Gefunden in einem Workshop von Oliver P. Müller aus dem Jahr 2006 zu Mitarbeiterwissen identifizieren, entwickeln und dauerhaft erhalten

Die etwas ältere Abbildung zeigt gut auf, welche Spannungsfelder bei einem modernen Kompetenzmanagement zu beachten sind:

Kompetenzträger: Hier geht es um die Ebenen Individuum, Gruppe und Organisation. Hinzufügen würde ich noch die Ebene Netzwerk.

Kompetenzart: Gemeint sind hier die Fachkompetenz, die Methodenkompetenz und die Sozial-/Persönlichkeitskompetenz . Wie Sie als Leser unseres Blogs wissen, gehe ich nach Erpenbeck/Heyse von Kompetenz als Selbstorganisationsdisposition aus.

Anwendungsrahmen: Dieser Aspekt bezieht sich auf die drei Dimensionen Identifikation, Verteilung und Entwicklung. Kompetenzen sind also nicht fix, sondern relational entwickelbar.

Durch die drei Spannungsfelder entsteht eine dreidimensionale Abbildung, die einen ersten Einblick in die Dynamik des gesamten Systems gibt.

Weiterhin ist zu beachten, dass Kompetenz auf der organisationalen Ebene eher aus der betriebswirtschaftlichen Perspektive, Ressource Based View, Kernkompetenzen usw.) und Kompetenz auf der individuellen Ebene eher aus der pädagogischen Perspektive (Selbstorganisiertes Lernen etc.) betrachtet wird. In einer Organisation sollte allerdings auf allen Ebenen ein stimmiges, einheitliches Verständnis von Kompetenz und Kompetenzmanagement vorhanden sein.

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

Veröffentlicht am

GfWM (2025): Wissenstransfer und Onboarding in der öffentlichen Verwaltung

Image by Krissie from Pixabay

Öffentliche Verwaltungen haben vielschichtige Aufgaben zu bewältigen. Aufgrund unzähliger Gesetze, Verordnungen usw. der Europäischen Union, des Bundes, der Länder, der Bezirke, der Landkreise, der Städte und Gemeinden hat sich ein Umfeld ergeben, das den Bürgern, Unternehmen, Organisationen und der öffentlichen Verwaltung selbst, kaum noch Luft zum Atmen lässt.

Die kleinteiligen Regelungen, mit ihren Millionen Schnittstellen, haben wir uns in Deutschland selbst geschaffen. Vielen wird langsam aber sicher klar, dass die öffentliche Verwaltung in manchen Bereichen des gesellschaftlichen Lebens einen Flaschenhals darstellt – Digitalisierung von Akten hin oder her.

Die Veröffentlichung GfWM (2025): Wissenstransfer und Onboarding in der öffentlichen Verwaltung ist eine Empfehlungen der GfWM-Fachgruppe Digitale Transformationsprozesse. In verschiedenen Beiträgen stellen Autoren der Fachgruppe theoretische Grundlagen und erfolgreiche Beispiele dar. Insgesamt sind das alles sehr sinnvolle Beiträge, um in Zukunft Verbesserungen in der öffentlichen Verwaltung anzustoßen.

Ich stelle mir zusätzlich folgende Fragen:

Was ist eigentlich aus den vielen Studien (zum Thema) aus der Vergangenheit (z.B. Studie aus 2013, oder länderspezifische Initiativen) geworden? Dort waren auch schon sehr viele Hilfsmittel bereitgestellt/veröffentlicht worden. Manche Vorlagen erinnern mich an ProWis, obwohl die Seite nicht speziell für die öffentliche Verwaltung ist.

Gehen alle Autoren vom selben Wissensbegriff aus? Wenn ja, von welchem? Arnold schlägt beispielsweise einen “neuen” Wissensbegriff vor.

Wenn der Wissensbegriff unklar ist, wie soll dann der Umgang mit Wissen, also auch ein Wissenstransfer gelingen?

Ist es möglich, sich auf “Wissenstransfer und Onboarding” zu konzentrieren, ohne ein geeignetes Wissenssystem mit heute sehr viel verteilten Wissensbeständen zu thematisieren?

Ist die Wissensbilanz (früher: Made in Germany) eine Möglichkeit, geeignete Ansatzpunkte (Projekte) für das jeweilige (kontextspezifische) Wissens-System zu finden, und damit Ressourcen zu sparen?

Siehe dazu auch

Gegenüberstellung: Öffentliche Verwaltung und Erfolgsfaktoren von Projekten

Siehe dazu auch Warum verfehlen viele öffentliche Projekte die ursprünglich geschätzten Kosten?

Stärkere Projektorientierung um den Ineffizienzkreislauf bei öffentlichen Verwaltungen zu durchbrechen

Veröffentlicht am

Künstliche Intelligenz: Vorteile von Small Language Models (SLMs)

Aktuell bekannte KI-Anwendungen rühmen sich seit Jahren, sehr große Mengen an Trainingsdaten (Large Language Models) zu verarbeiten. Der Tenor war und ist oft noch: Je größer die Trainingsdatenbank, um so besser.

In der Zwischenzeit weiß man allerdings, dass das so nicht stimmt und Large Language Models (LLMs) durchaus auch Nachteile haben. Beispielsweise ist die Genauigkeit der Daten ein Problem – immerhin sind die Daten oft ausschließlich aus dem Internet. Daten von Unternehmen und private Daten sind fast gar nicht verfügbar. Weiterhin ist das Halluzinieren ein Problem. Dabei sind die Antworten scheinbar plausibel, stimmen aber nicht.

Muddu Sudhaker hat diese Punkte in seinem Artikel noch einmal aufgeführt. Dabei kommt er zu dem Schluss, dass es in Zukunft immer mehr darauf ankommen wird, kleinere, speziellere Trainingsdatenbanken zu nutzen – eben Small Language Models (SLMs).

Muddu Sudhakar (2024): Small Language Models (SLMs): The Next Frontier for the Enterprise, Forbes, LINK

Große Vorteile der SLMs sieht der Autor natürlich einmal in der Genauigkeit der Daten und damit in den besseren Ergebnissen. Weiterhin sind SLMs natürlich auch kostensparender. Einerseits sind die Entwicklungskosten geringer, andererseits benötigt man keine aufwendige Hardware, um SLMs zu betreiben. Teilweise können solche Modelle auf dem eigenen PC, oder auf dem Smartphone betrieben werden.

Solche Argumente sind natürlich gerade für Kleine und Mittlere Unternehmen (KMU) interessant, die mit den geeigneten SLMs und ihren eigen, unternehmensinternen Daten ein interessantes und kostengünstiges KI-System aufbauen können.

Voraussetzung dafür ist für mich, dass alle Daten auf den eigenen Servern bleiben, was aktuell nur mit Open Source AI möglich ist. OpenAI mit ChatGPT ist KEIN Open Source AI.