Top view of multiracial young creative people in modern office. Group of young business people are working together with laptop, tablet, smart phone, notebook. Successful hipster team in coworking. Freelancers.
Dass Innovationen mit Lernen zusammenhängen ist offensichtlich, da es sich bei Innovationen um etwas Neues handelt. Neues bedeutet auch oft komplexes Problemlösen. In so einem Umfeld ist das Lernen von Individuen, Gruppen, Organisationen und Netzwerken wichtig, denn Lernen ist der Prozess und (neues) Wissen das Ergebnis (nach Willke 2018).
Neuere Forschungsergebnisse zeigen nun auf, dass es für Teams, die sich mit Innovationen befassen, erfolgsversprechend ist, wenn sie “establishing a rhythm that alternates thoughtfully between exploration and reflection” (Harvey et al 2025). Die Autoren schlagen daher vor, wie folgt vorzugehen:
Die Abbildung zeigt die prinzipielle Vorgehensweise im Wasserfallmodell und beim agilen Vorgehen bei Innovationen.
Bei Wasserfallmodell gibt es zu jedem Feature (1-4) die Schritte Discover – Design – Develop – Integrate – Test – Deploy, wobei erst beim letzten Schritt das jeweilige Feature vorliegt.
Bei der agilen Vorgehensweise werden für das Feature 1 die genannten Schritte durchgeführt, anschließend (idealtypisch aufbauend) für Feature 2 usw.
Das sind natürlich wirklich nur grundsätzliche Unterschiede, denn zwischen beiden Extrempositionen gibt es ein Kontinuum von Kombinationsmöglichkeiten. Diese hängen dann beispielsweise von den jeweiligen Rahmenbedingungen, z.B. rechtliche Vorgaben, Vorschriften, Ausschreibungen usw., ab.
In solchen Fällen kommt es zu einem hybriden, adaptiven Vorgehen bei der Entwicklung von Innovationen. Dabei ist es die Kunst, für das jeweilige Projekt, Programm oder Portfolio das angemessene Vorgehensmodell herauszufinden. 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.
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
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.
Quelle: Übersicht über die Blended-Learning-Weiterbildung „Innovationsmanagement in KMU“. (Quelle: Eigene Abbildung (Hochschule Pforzheim), in Bosch et al. 2022)
Das Umfeld von Kleinen und Mittelständischen Unternehmen (KMU) hat sich erheblich verändert. Die Zunahme von Komplexität in allen Bereichen führt dazu, dass auf allen Ebenen (Individuum, Gruppe, Organisation und Netzwerk) stärker selbstorganisiert gearbeitet werden muss. Mehr Selbstorganisation auf allen Ebenen ist die Antwort auf Komplexität. Betrachten wir Kompetenz als Selbstorganisationsdisposition, so wird deutlich, dass ein modernes Innovationsmanagement bedeutet, entsprechende Kompetenzen zu entwickeln. Siehe dazu auch Kompetenzmanagement.
Durch ein Ambidextres Innovationsmanagement stellen sich KMU immer besser auf diese Veränderungen ein. Dabei kann der permanente Wechsel zwischen Exploitation und Exploration beispielswise durch klassisches, hybrides und auch agiles Projektmanagement unterstützt werden. Siehe dazu auch DAS Projektmanagement-Kontinuum in der Übersicht.
Übersehen wird hier oft, dass auch Blended Learning einen wichtigen Beitrag leisten kann, da dadurch das selbstorganisierte Lernen, und eine entsprechende Kompetenzentwicklung unterstützt wird (siehe Abbildung).
In dem Artikel Bosch, N. et al. (2022). Neue Wege für das Innovationsmanagement in KMU durch Blended Learning und firmenübergreifenden Austausch. In: Nitsch, V., Brandl, C., Häußling, R., Lemm, J., Gries, T., Schmenk, B. (eds) Digitalisierung der Arbeitswelt im Mittelstand 1. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-64803-2_5 wird der Zusammenhang ausführlich dargestellt.
Wie kann man sich den Ablauf eines Prozesses vorstellen, der bei der Innovationsentwicklung von einzelnen Personen (User) ausgeht?
“In Phase 1 — the earliest stage of a market — users often innovate to create the products they want; then, in Phase 2, other users either reject or validate the initial innovation. If the user innovation is validated through adoption by others, in Phase 3 the market has grown enough to be interesting to producing companies, which refine and commercialize the innovation for sale to a growing market of users” (ebd.).
Da User ihre Innovationen oft “nur” für sich entwickeln, kann es sein, dass diese Innovationen nicht über die Phase 1 hinauskommen. In der heutigen Zeit ist es allerdings durchaus möglich, solche User in den Sozialen Netzwerken zu finden. Das kann dann auch schon der Übergang in die Phase 2 bedeuten, in der andere User (Communities) die Innovation kommentieren und bewerten. In Phase 3 geht es dann darum, die User Innovation zu skalieren. An der Stelle kann es für Unternehmen interessant werden, denn die User haben oftmals nicht die Ressourcen, um die eigene Innovation in den Markt zu bringen.
Gerade Kleine und Mittlere Unternehmen (KMU) können heute mit Hilfe von KI-Agenten permanent nach interessanten User Innovation suchen lassen – und das am besten mit Hilfe von Open Source AI.
Wenn wir etwas erklären wollen, bedienen wir uns oft der Analogie. Wenn es um Innovationen geht, haben Forscher den Begriff “Innovation Wetlands“, also Innovations-Feuchtgebiete, benutzt, um eine besondere Form der Innovationsentwicklung zu beschreiben.
Feuchtgebiete waren über eine lange Zeit für Pest und Krankheiten verantwortlich und wurden daher oft in sogenannte Nutzflächen umgewandelt. In der Zwischenzeit wird allerdings immer deutlicher, dass Feuchtgebiete für unser Ökosystem sehr wichtig sind. Die Folge: Viele Flächen werden wieder renaturiert. Ähnlich sieht es mit den Innovation Wetlands, also den Innovations-Feuchtgebieten aus. Der folgende Absatz erläutert die Zusammenhänge:
“Similar concerns have motivated IP researcher Andrew Torrance and user innovation scholar Eric von Hippel to call for preservation of the “innovation wetlands” that are essential to the ability of users to innovate. Marshy ecosystems were for a very long time, they point out, conceived of either as “resources ripe for conversion into more beneficial uses” or as “noxious sources of pestilence and disease.” Over time, environmentalists and regulators realized that wetlands were “among the most productive and diverse of ecosystems on earth” and the law should protect and preserve them. Torrance and von Hippel coined the phrase “innovation wetlands” to suggest an analogous need for an awakening in the intellectual realm. They believe that legislation and other forms of regulation can have a “significant negative impact” on the “fragile” innovation ecosystem that enables user innovation to flourish” (Samuelson, Pamela, Freedom to Tinker (June 15, 2016). Theoretical Inquiries in Law, Forthcoming, Available at SSRN: https://ssrn.com/abstract=2800362).
Forscher aus dem Bereich IP (Intellectual Property Rights) wie Andrew Torrance und Eric von Hippel, der User Innovation in den Mittelpunkt seiner Arbeiten stellt, weisen darauf hin, dass staatliche Regulierungen diese Innovations-Feuchtgebiete einschränken, ja sogar vernichten können. Siehe dazu ausführlicher Free Innovation Paradigm and Producer Innovation Paradigm.
Möglicherweise erkennen staatliche Organisationen -genau wie bei den natürlichen Feuchtgebieten, auch den Wert von Innovation Wetlands und schützen diesen wichtigen Innovations-Raum im gesamten Innovations-Ökosystem.
Innovationsmanagement zwischen Steuerung und Zufall (Kaudela-Baum 2008:35)
In dem Beitrag Innovationsmanagement zwischen Steuerung und Zufall hatte ich schon einmal darauf hingewiesen, dass Organisationen gerade in Innovationsmanagement zwischen Steuerung und Zufall hin und her “pendeln” (siehe Abbildung).
Die gesamte Organisationen soll somit Routineprozesse (inkl. KVP: Kontinuierlicher Verbesserungsprozess / oder Kaizen) effizient gestalten (Exploitation), und andererseits in dem aktuell turbulenten Umfeld flexibel und dynamisch sein (Exploration). Dieses Sowohl-als-auch wird auch als Organisationale Ambidextrie bezeichnet. Siehe dazu ausführlich:
Lang-Koetz, C., Reischl, A., Fischer, S., Weber, S., Kusch, A. (2023). Ambidextrie und das hybride Vorgehen. In: Ambidextres Innovationsmanagement in KMU. Springer Gabler, Berlin, Heidelberg.
Natürlich erinnert das auch an die Hybride Wettbewerbsstrategie Mass Customization und an das Hybride Projektmanagement.
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.).
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).
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
Translate »
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.
