Pfadabhängigkeit etwas genauer betrachtet

Die Konstitution und Entwicklung von Pfaden (Schäcke 2006:31)

In mehreren Blogbeiträgen habe ich im Zusammenhang mit Innovationen den Begriff der Pfadabhängigkeit thematisiert. Siehe dazu “Pfadabhängigkeit” in Organisationen, Führt “Agilität” auch wieder zu einer Pfadabhängigkeit? , Wie hängen Nebenfolgen, Pfadabhängigkeit und Innovation zusammen?, Zu Kernkompetenzen und Pfadabhängigkeiten in der Automobilindustrie.

In allen Beiträgen liegt der Schwerpunkt darauf, Effizienz als das prägende Element zu betrachten, um zu entscheiden: Bleibe ich in dem gewohnten Pfad, oder wechsle ich in einen anderen Pfad?

Dass es auch einen anderen Blick auf Pfadabhängigkeit gibt, hat Jürgen Beyer in seinem Artikel ausführlich dargestellt. Dabei stellt er fest, dass Pfadabhängigkeit nicht gleich Pfadabhängigkeit ist.

Beyer, J. (2005): Pfadabhängigkeit ist nicht gleich Pfadabhängigkeit! Wider den impliziten Konservatismus eines gängigen Konzepts, in Zeitschrift für Soziologie, Jg. 34, Heft 1, Februar 2005, S. 5–21 | PDF

Der Autor zeichnet zunächst den Verlauf der wissenschaftlichen Diskussionen zum Thema nach und zeigt, dass sich die Pfadabhängigkeits-These durchaus verändert und weiterentwickelt hat. Dabei wird deutlich, dass die für die These herangezogenen Stabilitätsgründe (wie “”increasing returns“, Komplementaritäten, Machtkonstellationen oder andere Grundlagen der Pfadabhängigkeit” ebd.) durchaus anfällig für einen grundlegenden Wandel sein können.

Das deutet wiederum darauf hin, dass es nach einem “lock-in” bei der Pfadabhängigkeit doch auch dazu kommen kann, dass “Akteure jeweils einen Schlüssel finden können, um das Schloss wieder aufzuschließen” (ebd.).

Perspektiven auf Innovation: Von “eng” zu “erweitert” bis gesellschaftlich “zielgerichtet”

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

Der Blick auf Innovation ist immer noch sehr eng (narrow) und geprägt von dem Ansatz Schumpeters aus dem Jahr 1934. Dabei geht es bei Innovationen darum, vorwiegend technische Ideen zu kommerzialisieren, also für den Markt nutzbar zu machen. Die Gesellschaft war und ist dabei Empfänger der neuen Produkte und Dienstleistungen.

Eine etwas breitere (broader) Sicht auf Innovation erweitert den ursprünglichen Ansatz, indem nicht rein technologische, sondern auch Konzepte (Business Model Innovation), soziale Innovationen usw. hinzukommen.

In der Zwischenzeit geht man bei der Betrachtung von Innovation noch einen Schritt weiter und stellt den gesellschaftlichen Zweck (purposive) in den Mittelpunkt. Im Zusammenspiel zwischen Wissenschaft, Technologie und Innovationen soll es dadurch zu gesellschaftlichen Transformationen kommen.

“Within narrow understandings of innovation, in which innovation is defined as the commercialisation of research, emphasis is placed on the roles of science, academia, industry, and national governments in supporting scientific and technical knowledge. Society is frequently viewed as passively adopting innovations introduced by science and large corporations (Joly, 2019). Conversely, according to broad-based understandings, innovation encompasses the entire process of conceiving and actualising a novel concept or idea; it is not limited to technological advancements (Godin & Lane 2013). (…) Moreover, according to purposive understandings, innovation should be transformative in nature and result in sustainable change” (Nordling, N. 2024).

Es geht heute also darum, mit Innovationen Probleme in der Gesellschaft, zum Wohle (eigene Bemerkung) der Menschen und seiner Umwelt zu lösen. Siehe dazu auch Worin unterscheiden sich Industry 5.0 und Society 5.0?

Wir sollten dazu kommen, Technologie – heute ist es die Künstliche Intelligenz – für die Gesellschaft einzusetzen, und nicht vorwiegend zum wirtschaftlichen Vorteil von einigen wenigen Tech-Konzernen, die die sozialen Folgen den Gesellschaften überlassen.

Dabei kommt es zu einer Friktion bei den beiden Geschwindigkeiten: Technik (KI) verändert sich in Sekunden, Gesellschaften – und mit ihnen das gesamte gesellschaftliche System – eher langsam. Wenn wir die Menschen mitnehmen wollen, sollte der Staat – und hier meine ich eher die Europäische Union – den Rahmen setzen, denn die Tech-Giganten werden sich nicht zurückhalten. Siehe dazu auch Open Source AI: Besser für einzelne Personen, Organisationen und demokratische Gesellschaften

Hybrides Innovationsmanagement: Free Innovation und Producer Innovation

Source: The free innovation paradigm and the producer innovation paradigm. (von Hippel 2017)

Alles ist ja heute hybrid. Es gibt beispielsweise Hybrides Arbeiten, Hybrides Projektmanagement, Hybrides Wissensmanagement, und die Hybride Wettbewerbsstrategie Mass Customization. Das verwundert nicht wirklich, da es in der Reflexiven Modernisierung zu Entgrenzungen auf allen Ebenen der Gesellschaft kommt – so auch bei den Management-Prozessen. Management-Berater verkaufen alles jetzt als neue Entwicklung, doch ist diese schon sehr lange – beispielsweise in den Sozialwissenschaften – bekannt.

Den Run auf die Entgrenzung von Innovationsprozessen hat Henry Chesbrough (2003) mit Open Innovation ausgelöst (Innovation als Kontinuum zwischen Closed Innovation und Open Innovation). Sein Ansatz bezog sich dabei auf auf Innovationsprozesse in Organisationen, die nun langsam aber sicher angefangen haben, Wissen auch von Außen zu integrieren. In der Grafik ist das der untere große Pfeil (Producer Innovation Paradigm), mit dem Abschluss “Market diffusion”. Dieser auf Schumpeter zurückgehende Blick auf Innovation, und dessen Öffnung zeigt sich auch in den dazugehörenden Definitionen (Oslo Manual 2018) oder auch in den jeweiligen Statistiken, die eben Innovationen nur dann erfassen, wenn sie von Organisationen im Markt positioniert worden sind.

In den letzten mehr als 20 Jahren ist gerade von Eric von Hippel allerdings deutlich nachgewiesen worden, dass es auch viele Innovationen von einzelnen Personen gibt, die nicht zwingend im Markt, sondern beispielsweise innerhalb von interessierten Gruppen ausgetauscht werden (Free Innovation Paradigm). Dabei wird hier schon klar, dass solche Innovationen nach der Oslo-Definition gar keine Innovationen sind, und somit auch in keiner traditionellen Statistik vorkommen. In den verschiedenen Paper von Eric von Hippel allerdings schon. Siehe dazu ausführlicher Eric von Hippel (2005): Democratizing Innovation und Eric von Hippel (2017): Free Innovation.

In der Abbildung ist allerdings auch zu erkennen, dass es durchaus Sinn machen kann, nicht von einem Entweder-oder, sondern von einem Sowohl-als-auch zu sprechen. Beide Extrempositionen können sich an verschiedenen Stellen der jeweiligen Prozesse ergänzen, beispielsweise durch einen Innovation support vom Producer Innovation Paradigm zum Free Innovation Paradigm und umgekehrt durch Innovation Designs.

Ein so verstandenes Hybrides Innovationsmanagement, oder auch ein entsprechendes Innovations-Kontinuum, bieten gerade für Kleine und Mittlere Unternehmen (KMU) viele Chancen.

In Zukunft sollte wieder stärker die Nachfrage Treiber von Innovationen sein

Image by Gerd Altmann from Pixabay

Es ist immer wieder erstaunlich, dass Struktuten wie die Europäische Union, Bundes- oder Landesregieren usw. immer wieder über Geld, also Kapital, sprechen, wenn es um Innovationen geht. Es werden Statistiken aufgefahren, die zeigen sollen, dass z.B. Deutschland X Milliarden in Forschung und Entwicklung steckt, und auch mit vielen Programmen Innovationen fördert. Viele der von einzelnen Menschen erbrachten Innovationen tauchen in diesen Statistiken allerdings gar nicht auf. Siehe dazu bespielsweise Eine etwas andere Perspektive auf den Bundesbericht Forschung und Innovation 2020.

Einerseits sind Investitionen in Forschung und Entwicklung nicht zwangsläufig Innovationen, wenn z.B. Patente nicht in marktfähige Produkte und Dienstleistungen umgesetzt werden. Andererseits haben die vielen Förderprogramme einen Wust an Aktivitäten ausgelöst, die nur mehr Innovationspreise, aber keine wirklichen Innovationen gebracht haben. Wie ich darauf komme? Wir haben in der Europäischen Unionen kein Amazon, kein Apple, kein Microsoft, kein Meta, kein etc., obwohl es wohl bei den Menschen für die entsprechenden Dienstleistungen einen Bedarf gibt. Wir sind gerade bei Zukunfstechnologien in eine bequeme, allerdings auch verhängnisvolle Abhängigkeit geraten. Das hat sich alles in den letzten Jahrzehnten entwickelt. Gut erkennen kann man die dahinterliegende Denkweise an dem Vergleich der Smart City mit einer AI City:

The governance of the AI city is aimed at the difficulties and pain points in the current city. The key point of using AI to explore is the grafting point of AI technology and urban governance needs rather than the top-down promotion of AI concepts. This is fundamentally different from the rise and promotion of any “smart city” in the past, which is different from the construction of smart infrastructure and a large and comprehensive technology platform with high investment from the government, and the AI city is reflected in the “peripheral nerve” of urban governance” (Wu 2025).

Der Blick muss wieder auf die Bedürfnisse der Menschen gerichtet werden, nicht nur auf “Kapital” und “Märkte”. Diese haben die vielen Probleme der Menschen in ihrem täglichen Umfeld bisher jedenfalls nicht gelöst, trotz aller Versprechen im Marketing, beim Qualitätsmanagement, Innovationsmanagement etc. und aktuell bei den Agilen Arbeitsweisen. Siehe dazu auch Produkte und Dienstleistungen als Mehrwert für Kunden: Warum funktioniert das einfach nicht?

“There is still an invisible hand behind supply-side reform. Adam Smith argued that the invisible hand that drives markets is capital, while the invisible hand of supply that drives innovation is demand. Generally speaking, the “inconvenience” in the daily life of the people can be used as the traction of technological development. In the AI technology market, enterprises that see fundamental needs can have a large number of applications for their products” (Wu 2025).

RAG: KI-Basismodelle mit eigener Wissensbasis verknüpfen

Gerade Kleine und Mittlere Unternehmen (KMU) können es sich oftmals nicht leisten, eigene Trainingsmodelle (Large Language Models) zu entwickeln. KMU greifen daher gerne auf bekannte Modelle wie ChatGPT usw. zurück.

Es wird allerdings gerade bei innovativen KMU immer klarer, dass es gefährlich sein kann, eigene Datenbestände in z.B. ChatGPT einzugeben. Da diese Modelle nicht transparent sind ist unklar, was mit den eigenen Daten passiert.

Eine Möglichkeit aus dem Dilemma herauszukommen ist, RAG (Retrieval-Augmented Generation) zu nutzen – also ein Basismodell mit einer internen Wissensbasis zu verknüpfen:

Retrieval-Augmented Generation (RAG): Bei RAG wird ein Basismodell wie GPT-4, Jamba oder LaMDA mit einer internen Wissensbasis verknüpft. Dabei kann es sich um strukturierte Informationen aus einer Datenbank, aber auch um unstrukturierte Daten wie E-Mails, technische Dokumente, Whitepaper oder Marketingunterlagen handeln. Das Foundation Model kombiniert die Informationen mit seiner eigenen Datenbasis und kann so Antworten liefern, die besser auf die Anforderungen des Unternehmens zugeschnitten sind” (heise business services (2024): KI für KMU: Große Sprachmodelle erfolgreich einsetzen – mit Finetuning, RAG & Co.).

Wir gehen noch einen Schritt weiter, indem wir (1) einerseits LocalAI und Open Source AI mit einem Assistenten nutzen, und (2) darüber hinaus mit Hilfe von Ollama und Langflow eigene KI-Agenten entwickeln, die auf Basis von Open Source AI Modellen und beliebig konfigurierbaren eigenen Input einen gewünschten Output generieren In dem gesamten Prozess bleiben alle Daten auf unserem Server.

Mit Künstlicher Intelligenz und Online-Daten von Verbrauchern können (auch eigene) Produkte direkt entwickelt werden

Mit Hilfe der hybriden Wettbewerbsstrategie Mass Customization (PDF) ist es Unternehmen möglich, Produkte zu individualisieren, ohne dass der Preis höher ist, als bei massenhaft hergestellten Produkten. Kernelement ist dabei ein Konfigurator, mit dem der Kunde selbst in einem definierten Lösungsraum (fixed solution space) vielfältige Möglichkeiten zusammenstellen kann. In der Zwischenzeit gibt es allerdings mit Künstlicher Intelligenz noch ganz andere Optionen für Mass Customization.

Künstliche Intelligenz kann für einen Verbraucher Produkte und Dienstleistungen entwickeln und anbieten, nur auf Basis der vom Konsumenten generierten Daten – sogar ohne die aktive Mitwirkung des Konsumenten. Damit bringt Künstliche Intelligenz Mass Customization auf ein neues Level: Smart Customization.

“But this is one area where AI can take mass customization to a new level: The growth of AI and machine learning can allow us to use all the data traces consumers leave online to design a perfect product for an individual consumer, without their active involvement. AI can evolve into the ability to perfectly customize a product for a consumer, without the
need for a conscious process of elicitation from the consumer. As a consumer, I could specify what I want for aesthetics, while for functional parameters, it could be the system that senses what I want and desire. An algorithm reading your Instagram profile might know better than you do about your dream shirt or dress. I see a lot of opportunity to use the data that’s out there for what I call smart customization” (Piller, Frank T. and Euchner, James, Mass Customization in the Age of AI (June 07, 2024). Research-Technology Management, volume 67, issue 4, 2024 [10.1080/08956308.2024.2350919], Available at SSRN: https://ssrn.com/abstract=4887846).

Dieser Ansatz ist natürlich für Unternehmen interessant, da sie die umständlichen und teuren Befragungen von Verbraucher nicht mehr – oder etwas weniger – benötigen, um angemessene Produkte anzubieten.

Es gibt allerdings auch noch eine andere Perspektive: Was ist, wenn die Verbraucher ihre eigenen Daten mit Hilfe von Künstlicher Intelligenz selbst nutzen, um eigene Produkte zu entwickeln? Im Extremfall – und mit Hilfe von modernen Technologien wie z.B. den 3D-Druck (Additive Manufacturing) – können sich die Verbraucher innovative Produkte selbst herstellen. Diese Option klingt etwas futuristisch, da wir es gewohnt sind, Innovationen mit Unternehmen in Verbindung zu bringen. Doch hat Eric von Hippel gezeigt, dass es immer mehr von diesen Open User Innovation gibt, die gar nicht in den üblichen Statistiken zu Innovation auftauchen. Siehe dazu auch

Eric von Hippel (2005): Democratizing Innovation

Free Innovation: Was wäre, wenn wir Innovationen stärker Bottom-Up denken und fördern würden?

Eric von Hippel (2017): Free Innovation

Sensor Community: Umweltdaten – Open Data

Screenshot Sensor Community Website

Wir haben uns in der Vergangenheit daran gewöhnt, dass es vereinzelt Messstationen gab, an denen Umweltdaten generiert und oft von Behörden genutzt wurden. In der Zwischenzeit gibt es eine Sensor Community, bei der jeder mitmachen, und Umweltdaten frei zur Verfügung stellen kann – als Open Data.

Wie in der Abbildung zu erkennen ist, gibt es in Europa schon sehr viele, die diesen Ansatz unterstützen, und Messpunkte und Messdaten zur Verfügung stellen. Weltweit gibt es aktuell 12.101 Sensoren in 76 Ländern mit 30.703.440.715 Datenpunkten.

Da die Daten frei zur Verfügung gestellt werden (Open Data) können daraus auch eigene/neue Dienstleistungen oder auch Produkte entwickelt werden. Dieser Innovationsansatz wird von Eric von Hippel als Democratizing Innovation beschrieben. So eine Perspektive auf Innovation ist ganz anders als die übliche, die von Innovationen ausgeht, die Organisationen/Unternehmen generieren.

Siehe dazu auch Von Democratizing Innovation to Free Innovation.

Innovationsprojekte: Überwindung von Barrieren durch Promotoren und Gatekeeper

Innovationen zeichnen sich dadurch aus, dass es sich dabei um etwas Neues handelt. Auf dem Weg zu einer Innovation hat ein entsprechendes Projekt (Innovationsprojekt) Widerstände und Barrieren zu überwinden. In diesem Prozess hat es sich bewährt, Promotoren auszumachen, die helfen, diese Barrieren zu überwinden. Das Promotorenmodell von Witte ist hier eine oft erwähnte Hilfestellung. Zusammen mit der Rolle eines Gatekeepers ergeben sich somit die folgenden Schlüsselrollen mit den jeweils typischen Leistungsbeiträgen.

SchlüsselpersonenTypische Leistungsbeiträge
MachtpromotorÜberwinden von „Barriere des Nicht-Wollens“
– Zieldefinition,
– Ressourcenbereitstellung,
– Schutz vor Opponenten,
– Prozesssteuerung
FachpromotorÜberwinden von „Barriere des Nicht-Könnens“, „Barriere des Nicht-Wissens“
– Ideengenerierung,
– Alternativenentwicklung,
– Konzeptevaluierung,
– Implementierung
ProzesspromotorÜberwinden von „Barriere des Nicht-Dürfens“
– Zusammenführung,
– Vermittlung,
– Konfliktmanagement,
– Prozesssteuerung,
– Koordination
BeziehungspromotorÜberwinden von „Barriere des Nicht-Miteinander-Könnens und Nicht-Miteinander-Wollens“
– Informationsaustausch,
– Finden und Zusammenbringen von Interaktionspartnern,
– Koordination,
– Planung und Steuerung von Austauschprozessen,
– Konfliktmanagement
Gatekeeper– Suchen nach und Sammeln von Informationen,
– Filtern von Informationen zur Aufnahme und Ausgabe,
– Informationsaufnahme und -ausgabe,
– Schutz der Organisation vor Informationsüberfluss und externem Druck
Typische Schlüsselpersonen in Innovationsprojekten (Hochbrügge et al 2017, in projektmanagementaktuell 4/2017, verändert nach Gemünden/Hölzle/Lettl (2006)

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.

Künstliche Intelligenz: Wird Scrum durch den permanenten Fluss an Produkten zu Kanban?

In unsicheren, turbulenten Zeiten kommen plangetriebene Projekte an ihre Grenzen, da sich Anforderungen und Vorgehensweisen (Methoden/Techniken) oft ändern. Das bisher übliche eher langfristige planen über über mehrere Monate, Quartale und Jahre kommt an seine Grenzen.

Ein eher iteratives Vorgehen in eher kürzeren Zyklen bietet sich gerade bei Entwicklungsprojekten und hier besonders bei der Softwareentwicklung an. Das Agile Manifest und das Scrum-Framework sind entsprechende Antworten auf diese Entwicklungen. Im Vergleich zum plangetrieben Vorgehen, schlägt der Scrum-Guide vor, Produkte (Increments) maximal in einem Monat zu entwickeln. Die Praxis zeigt, dass Organisationen sogar zu 14-tägigen Zyklen tendieren.

In Zeiten von Künstlicher Intelligenz (KI) können allerdings gerade Software-Produkte immer schneller entwickelt und als Produkt (Increment) vorgestellt werden. das kann schon in wenigen Tagen, ja in wenigen Minuten erfolgen.

Was bedeutet das für das Scrum-Framework?

Gehen wir von dem Gedanken aus, dass Künstliche Intelligenz in immer schnelleren und kürzeren Zyklen Produkte generieren kann, wird der Scrum-Zyklus eher zu einem permanenten Fluss an Produkten – und somit eher zu einem Vorgehen, das wir aus Kanban kennen.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.

Projektmanagement: Risikobewertung bei klassischen und agilen Vorgehensmodellen

Vergleich der Projektrisikobewertung klassischer und agiler Methoden (Müller/Hüsselmann (2017), in projektmanagementaktuell 2/2017, in Anlehnung an Komus 2016)

In der Abbildung sehen Sie auf der Y-Achse das Projektrisiko abgebildet, das zu Beginn eines klassischen Projekts relativ hoch ist, und sich dann bei den verschiedenen Zeitpunkten der Risikobewertung reduzieren sollte. Es wird bei der Darstellung deutlich, dass das Projektrisiko zunächst langsam sinkt und dann rapide abnimmt, je mehr alle Projektbeteiligten über das Projekt Wissen. Siehe dazu auch Cone of Uncertainty.

Bei agilen Vorgehen haben wir über die Zeit eine stufenweise Abnahme des Projektrisikos von Beginn an. Durch die iterative Arbeitsweise, z.B. in Sprints, reduziert sich das Projektrisiko in “kleinen Häppchen”, an den verschiedenen Zeitpunkten – beispielsweise durch das Review am Ende eines jeden Sprints. Es wird auch hier deutlich, dass agile Vorgehensweisen Vorteile haben, wenn es um innovative Projekte geht, bei denen oft das Wissen über das Produkt und die Methoden unklar sind.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.