AI & M 4.0: Sein als Netzwerk – Den Collective Mind als Netzwerk sichtbar machen

Über Jahrhunderte hinweg haben die berühmtesten Philosophen versucht das „Ding an sich“ auszuleuchten und zu finden. Es ist ihnen nicht gelungen, da es meines Erachtens das „Ding an sich“ nicht gibt.

Es gibt Dinge oder Objekte, aber diese werden ganz entscheidend durch ihre Wechselwirkung mit ihrer Umgebung bestimmt. – Andere Umgebungen und schon sind Objekte oft ganz anders. – Die Relationen, also die Beziehungen, zwischen den Objekten bestimmen ganz entscheidend das Sein. – Deswegen habe ich diesem Blog-Beitrag den Titel „Sein als Netzwerk“ gegeben.

Das Studium von Netzwerken in Natur, Sozialem oder Technik mittels mathematischer Methoden ist schon mehrere hundert Jahre alt und ist eng mit dem Namen des französischen Mathematiker’s Pierre-Simon Laplace verbunden [1]. – Im zwanzigsten Jahrhundert wurde die Netzwerkanalyse zu einer vollständigen Disziplin, u.a. in den Sozialwissenschaften, ausgebaut [2], [3].

Die erfolgreiche Netzwerkanalyse ist einer der Grundpfeiler für den Erfolg von google: Der PageRank Algorithmus misst die Bedeutung von Internetknoten (homepages) im Netzwerk Internet [4]. – Weiter unten werde ich diesen Algorithmus für das Vermessen der Bedeutung von Begriffen in einem Text benutzten. – Denn ich nehmen an, dass bedeutende Begriffe und deren Relationen die mentale Ausrichtung eines Teams beschreiben.  

Die Netzwerkanalyse, oft auch Graphentheorie genannt, hat in den letzten Jahren im Bereich AI/ML eine enorme Bedeutung erhalten: Graphentheorie und Neuronale Netzwerke sind eine Relation 😉 eingegangen. Es entstand die AI/ML Disziplin Graph Neural Networks (GNN) [5]. – Im letzten Blog-Beitrag war Word-embedding der Schwerpunkt. GNN basieren auf dem Embedding von Netzwerken in höher-dimensionale abstrakte Räume. – Einige der aktuellen spektakulären AI/ML Erfolge, wie zum Beispiel in der Medikamentenerforschung, gehen auf diese Relation von Graphentheorie und AI/ML zurück.

GNN sind high-end AI/ML Systeme, die aktuell sehr viel Know-How erfordern. In vielen Fällen dürfte es jedoch genügen, Netzwerke lediglich sichtbar zu machen und erste Analysen, wie den mathematisch recht einfachen PageRank Algorithmus, anzuwenden. Genau dies will ich in diesem Artikel an einem Beispiel demonstrieren. – Hierbei steht, wie schon im letzten Beitrag, die grundlegende Idee im Vordergrund und nicht die Erzeugung oder Vermarktung eines vollständigen Produktes.

In meinem Blog-Beitrag vom Dezember 2021 habe ich erstmals für die IPMA PM Kompetenzbereiche Beispiele zu Graphen Anwendungen genannt. Hier nochmals einige Beispiele:

Führung und Stakeholder: Soziale Netzwerke können mittels Graphen oder GNN analysiert werden. Dies kann auf Teamebene und auf der Ebene aller Stakeholder erfolgen. Hierzu wird u.a. der eMail-Austausch einer Organisation analysiert und in einem Graphen sichtbar gemacht. Relative einfache Werkzeuge, wie der PageRank Algorithmus zeigen die relative Bedeutung von Knoten (d.h. hier Personen) im Netzwerk an.

Führung, Kommunikation, Teamarbeit: Die verbale Kommunikation wird mittels Graphen analysiert und die Analyse wird als Feedback in das Team gegeben. Oder die AI/ML Analyse unterstützt die Führungskraft bei ihrer Selbstreflexion und abgeleiteten Team-Interventionen. Aus der Analyse der Kommunikation lassen sich auch Collective Mind Target Hierarchien erzeugen. Das Beispiel, das ich weiter unten skizziere, gehört in diese Kategorie.

Planung und Steuerung: Aus Texten werden Graphen abgeleitet, aus denen wiederum Projektpläne erzeugt werden. Auf der Basis der Graphen und mittels GNN werden u.a. Risiken ermittelt und Aufwände abgeleitet. Diese Informationen können im Projektzeitverlauf auch für das Projektmonitoring verwendet werden.

Die letzte Kategorie ist eine deutlich anspruchsvollere Aufgabe als die beiden vorherigen Anwendungskategorien. Die beiden ersten Anwendungskategorien lassen sich in der ersten Ausbaustufe mit den in diesem Blog skizzierten Techniken bewältigen.

Im letzten Blogbeitrag habe ich die Ähnlichkeit von (gesprochenen) Texten, d.h. die Similarity, dazu benutzt, ein Maß für die Stärke des Collective Mind abzuleiten. In diesem Fall wurden Wort-Relationen über deren Einbettung in einen hochdimensionalen abstrakten Raum benutzt, um die Similarity zu berechnen.

In diesem Blogbeitrag will ich die Graphentheorie und AI/ML dazu benutzten, Texte auf enthaltene Relationen zu analysieren und diese Relationen in einem Graphen sichtbar zu machen. – Es steht also die Visualisierung von Kommunikation im Vordergrund: Die Visualisierung mittels Graphen macht in einer Kommunikation sehr schnell Zusammenhänge sichtbar. Die These ist, dass über visualisiertes Feedback in ein Team, der Prozess der Collective Mind Ausbildung deutlich beschleunigt wird.      

Ich benutze den Code von Thomas Bratanic [6], der auf towardsdatascience.com zu finden ist. Towardsdatascience.com ist eine hervorragende Fundgruppe für alle möglichen Fragestellungen rund um das Thema AI/ML.

Bratanic demonstriert die Graphenanalyse am Beispiel der Analyse von Wikipedia-Seiten zu drei Wissenschaftlerinnen. Hierzu werden die Wikipedia-Seiten in page.summaries mit einfachen Sätzen zusammengefasst. – Wir werden später sehen, dass diese einfachen Sätze (derzeit noch) notwendig sind, um die NLP-Verarbeitung gut durchzuführen. Abbildung 1 zeigt einen Auszug aus diesem Ergebnis:

Abbildung 1: Auszug einer Analyse von Wikipedia Daten zu drei Wissenschaftlerinnen gemäß Thomas Bratanic [6].

Die Grundidee ist einfach: Es werden Sätze in Texten oder Gesprochenem in „Subjekt-Relation->Objekt“ Strukturen (S-R->O Strukturen) zerlegt. Zum Beispiel ergibt der Satz „Alfred wohnt in Stolberg.“ die Struktur „Alfred – wohnt in -> Stolberg“. Die gefundenen S-R->O Strukturen werden in eine Graphen-Datenbank transferiert. Hier können verschiedene Netzwerkanalysen durchgeführt werden.

Die AI/ML Technik hierzu ist schon nicht mehr so einfach: Wie im letzten Blog-Beitrag kommt die NLP-Bibliothek spaCy [7] zum Einsatz. Hinzukommen diverse raffinierte NLP-Python-Skripte, die high-end Transformator Pipeline aus der tensorflow-Technologie [8] und zum Schluss die Graphendatenbank Neo4j [9]. Das Ganze ist nach diversen Anpassungen und einige Zeit später als Jupyter-Notebook [10] in der Colab-Umgebung [11] lauffähig.

Wie schon im letzten Blogbeitrag, habe ich der Einfachheit wegen den Text der Definition von Agile Management 4.0 benutzt. Der erste Lauf mit diesem Text zeigt jedoch, dass kaum Relationen extrahiert wurden. – Der Text ist zu verschachtelt geschrieben. Dementsprechend habe ich ihn in einfache Sätze umgeschrieben. – Ich hätte auch einen entsprechenden AI/ML pre-processing Schritt vorwegschalten können, der Text in einfachen Text mit S-R->O Strukturen transformiert. Dies hätte den Aufwand jedoch deutlich erhöht. – Mit entsprechenden AI/ML Techniken stellt dies jedoch kein prinzipielles Problem dar. – Ich habe den Text auch teilweise belassen wie er ist, um die Auswirkungen zu sehen.

 
Hier der verwendete Text:

“Agile Management is a leadership and management practice. Agile Management is able to act in an agile and proactive way. Agile Management is for acting in a complex environment. The complex environment is characterized by uncertainty. Agile Management is described as an Agile Mindset. The Agile Mindset is focused on leadership. The basis of leadership is self-leadership. Leadership is based on respect for basic human needs. Leadership demands an understanding of complex systems. Leadership regulates complexity. Regulation of complexity is done by iterative procedures. Leadership is based on people who use self-organization in teams. Agile Management creates fluid organizations.  Fluid organizations promote adaptable and fast delivery of useful results and create innovative customer solutions through proactive dealing with changes.”

Dieser Text wird von dem AI/ML-System in S-R->O Strukturen transferiert, die in der Graphendatenbank Neo4j folgende Visualisierung erhalten:

 

Abbildung 2: Screenshot der Neo4j Visualisierung der NLP extrahierten S-R->O Strukturen.

Agile Management und leadership werden als zentrale Knoten erkannt. Die Sätze

„Regulation of complexity is done by iterative procedures.”

und

Fluid organizations promote adaptable and fast delivery of useful results and create innovative customer solutions through proactive dealing with changes.”

sind in zwei getrennten Netzwerkclustern enthalten.  Der zweiten Satz ist auch nicht vollständig abgebildet. Dies ist meinem unzureichenden manuellen Pre-Processing geschuldet. Bei diesem Satz kann man auch schön erkennen, dass „Fluid organization“ und „fluid organization“ nicht als gleiche Nomen erkannt werden.

Für den ganzen Text gilt, dass die Verben des Textes in allgemeinere Relationsbezeichnungen abgebildet werden. Diese haben ihren Ursprung in einem entsprechenden vorgegebenen NLP Training von spaCy.

Auch mit diesen Einschränkungen stellt die Visualisierung des Textes einen erheblichen Mehrwert dar: Denn man möge sich nur vorstellen, dass ein entsprechendes AI/ML System online und ad hoc Teamkommunikation auf solche Weise visualisiert als Feedback an das Team zurückgibt. – Dies würde meines Erachtens den Kommunikationsprozess erheblich beschleunigen und die Visualisierung wäre auch gleichzeitig eine Visualisierung des gerade vorhandenen Collective Mind’s. Im Falle einer komplexen Kommunikation wäre die Visualisierung um so hilfreicher: Dies umso mehr, wenn die Visualisierung mehrere oder viele Netzwerkcluster zu Tage fördern würde. Dies entspräche mehreren Gesprächsthemen oder -lagern, die ggf. für mehrere (konkurrierende) Collective Mind’s stünden.

Neben der Visualisierung können diverse Werkzeuge der Netzwerktheorie verwendet werden, um Netzwerke zu analysieren [12]. – Dies ist umso notwendiger, je komplexer die Netzwerke aus Personen, Worten, homepages, Molekülen usw. sind.  Neo4j stellt mehr als hundert solcher Werkzeuge zu Verfügung, u.a. auch den PageRank Algorithmus. Abbildung 3 zeigt die PageRank-Auswertung für den Graphen aus Abbildung 2.

Abbildung 3: PageRanking für den Graphen aus Abbildung 3

Das PageRanking ist für diesen einfachen Graphen sicherlich keine große Überraschungen: Agile Management und leadership sind die beiden Begriffe, die im Netzwerk gemäß diesem Algorithmus am wichtigsten sind. Für größere Graphen erwarte ich jedoch erhebliche Überraschungseffekte in den Teams oder Organisation, deren Kommunikation auf diese Weise analysiert wird.

Agile Management und leadership sind zwei Begriffs-Attraktoren, die die Ausrichtung der gedachten Teamkommunikation, anzeigen: Das Begriffs-Netzwerk visualisiert den Collective Mind oder den fehlenden Collective Mind einer Kommunikation, je nachdem wie viele konkurrierende Netzwerkcluster (Communities) mit ähnlichem PageRanking es gibt.

Dieses kleine Beispiel illustriert, dass man mit den Mittel von AI/ML erhebliche Informationen über Teams oder Organisationen gewinnen kann. Diese Informationen können im Guten wie im Bösen eingesetzt werden. Berücksichtigt man, dass das Know-how von google und Co. Lichtjahre weiter ist als mein Eigenes, so ist die Einbettung in eine AI Ethik um so wichtiger. Deshalb beabsichtige ich, mich im nächsten Blog mit dem EU AI Act zu beschäftigen [13].

 

[1] Laplace Matrix (2022) https://en.wikipedia.org/wiki/Laplacian_matrix, Wikipedia, zugegriffen am 19.06.2022

[2] Jansen D (1999) Einführung in die Netzwerkanalyse, VS Verlag für Sozialwissenschaften

[3] Wasserman S, Faust K (1994) Social Network Analysis, Cambridge University Press

[4] PageRank (2022) https://en.wikipedia.org/wiki/PageRank, Wikipedia, zugegriffen am 19.06.2022

[5] Hamilton W L (2020) Graph Representation Learning, Morgan&Claypool Publishers

[6] Bratanic T (2022) Extract knowledge from text: End-to-end information extraction pipeline with spaCy and Neo4j, published May 6, 2022, https://towardsdatascience.com/extract-knowledge-from-text-end-to-end-information-extraction-pipeline-with-spacy-and-neo4j-502b2b1e0754, towardsdatascience.com, zugegriffen am 10.05.2022

[7] spaCy (2022) https://spacy.io/models/de, zugegriffen am 20.04.2022

[8] Transformers (2022) https://huggingface.co/docs/transformers/main_classes/pipelines, huggingface.co, zugegriffen am 20.04.2022

[9] Neo4j (2022) neo4j.com, zugegriffen am 23.06.2022

[10] Jupyter Notebooks (2021) https://jupyter.org/, zugegriffen am 02.12.2022

[11] Colab (2021) https://colab.research.google.com/

[12] Scifo E (2020) Hands-on Graph Analytics with Neo4J, Packt Publishing, Birmingham, kindle edition

[13] EU AI Act (2022) https://artificialintelligenceact.eu/, Europe Administration

AI & M 4.0: Collective Mind, Proxies und word embedding

Eine Warnung vorweg: Ich benutzte im Blog Mathematik und AI Techniken, da ich versuche, den Begriff Collective Mind damit besser auszuleuchten. Vielleicht motiviert dies den ein oder anderen Leser, den Blog-Beitrag genau aus diesem Grunde zu lesen.

Der Begriff Collective Mind wurde erstmals 2007 von Jens Köhler und mir, im Zusammenhang mit der Erstellung unseres Buches „Die Collective Mind Methode“, geprägt [1]. Später ist der Collective Mind, als einer der zentralen Begriffe, in Management 4.0 eingegangen.

Wir verstehen unter Collective Mind (CM) einerseits einen kollektiven Flow-Zustand, der für Team oder organisationale Hochleistung steht und andererseits steht er auch für einen Operator, also Modelle und Theorien, der diesen Zustand beschreibt und herbeiführt.

Wir benutzen in der Collective Mind Theorie zwar verschiedene Modelle (Persönlichkeitkeitsmodelle, Wertemodelle, Team-Heterogenitätsmodelle, Kommunikationsmodelle usw.) mit denen wir den Collective Mind herbeiführen; und das funktioniert sehr gut, wie wir in mehr als 15 Jahren Praxis zeigen konnten, jedoch ist es uns bisher nicht gelungen den Flow-Zustand selbst, den Collective Mind, durch ein Modell oder eine Theorie zu beschreiben. Wir arbeiten stattdessen mit Metaphern oder wir verwenden Stellvertretermodelle, kurz Proxies, um ihn zu beschreiben. Diese Proxies sind:

  • Mitwirkungs- und Redezeit: Der CM ist dann besonders stark, wenn alle Teammitglieder nahezu gleichstark mitwirken, also sie zum Beispiel in nahezu allen Teammeetings anwesend sind und ihre Redezeit nahezu gleich verteilt ist.
  • Ähnlichkeit in der Wort- und Bild-Wahl: Der CM ist dann besonders stark, wenn alle Teammitglieder ähnliche Worte und/oder Bilder benutzen, um einen Projektsachverhalt zu beschreiben. – Es findet ein Spiegeln im gesprochenen Wort und im Bild statt.
  • Zufriedenheit: Der CM ist besonders stark, wenn alle Teammitglieder der Arbeit im Team eine sehr hohe Zufriedenheit attestieren und sie das Gefühl haben einen sinnvollen Beitrag zu leisten.
  • Spiegeln der Körpersprache: Der CM ist besonders stark, wenn alle Teammitglieder in ihrer Körpersprache die Köpersprache der anderen spiegeln.

Im Idealfall treffen für ein CM Hochleistungsteam alle diese Proxies gleichzeitig zu.

Diese Stellvertretermodelle können sich auch über die Zeit entwickeln: Zum Beispiel benutzen die Teammitglieder am Anfang völlig unterschiedliche Beschreibungen (Sätze, Bilder), um ein Projektziel oder einzelne Anforderungen zu konkretisieren. Steigt der Collective Mind, werden die Unterschiede geringer. Jedoch kann im Team etwas passieren, das den Collective Mind zerstört oder wieder ins Wanken bringt. Die Unterschiede in den Proxies werden entsprechend wieder größer. Beispiele für solche Ereignisse, die den CM wieder verändern, sind neue Teammitglieder oder wechselhafte Anwesenheiten von Teammitgliedern oder neue Erkenntnisse, die nicht von allen im gleichen Maße gesehen und geteilt werden.

Die Leser dieses Blogs dürften diese empirischen Aussagen bei geneigter Bobachtung in ihren Teams sehr schnell bestätigen. Ich verweise diesbezüglich auch auf das Whitepaper von Armatowski et. al., das anlässlich der IPMA Research Conference zum Thema Selbstorganisation erstellt wurde [2]. – Das Whitepaper skizziert für das Autorenteam den Prozess der Selbstorganisation, also der Ausbildung eines CM’s, während der IPMA Research Hackdays 2020.

Im Bereich der Wissenschaften, insbesondere derjenigen, die Sachverhalte auch mathematisch beschreiben, hat man sich inzwischen weitgehend daran gewöhnt die Realität mit den Proxies für die Realität gleichzusetzen: Zum Beispiel werden elektrische Erscheinungen einem elektrischen Feld E zugeschrieben (Fett gedruckte Buchstaben bezeichnen hier eine sogenannte Vektorgröße, die durch einen Betrag und eine Richtung beschrieben wird). – Wahrscheinlich käme kaum jemand auf die Idee, E als Proxy zu betrachten. – Falls es doch mal durch einen genialen Wissenschaftler geschieht, bringt dieser die Erkenntnis einen Schritt weiter, in dem er die dem Proxy hinterlegten Annahmen radikal hinterfragt.

Alle anderen dürften über Jahrzehnte oder sogar Jahrhunderte hinweg das elektrische Feld E mit der „wahren“ elektrischen Realität gleichsetzen. – Lediglich im Bereich der Quantenmechanik ist diese breite Sicherheit nie so wirklich wahrgeworden. – Die Unterschiede zwischen alltäglicher Erfahrung und quantenmechanischer Beobachtung und den assoziierten Proxies ist nach wie vor zu groß.

Proxies sind also nur Stellvertreter, also Modelle oder Theorien, die unsere Beobachtungen zusammenfassen bzw. abstrahieren. So gesehen ist es sicherlich legitim die obigen Collective Mind Proxies für den „wahren“ Collective Mind zu verwenden. Verwendet man zusätzlich die Mathematik zur Beschreibung, so ergibt sich ein deutlich besseres und erweitertes Verständnis der Zusammenhängen, nicht selten werden Zusammenhänge erst sichtbar. – Eine Aussage, die nach meiner Erfahrung immer gültig ist, vorausgesetzt man berücksichtigt wie auch bei anderen (mentalen) Modellen, dass Proxies nicht zwangsläufig die Realität sind.

Setzt man die mathematische Beschreibung in Technologie, in unserem Fall in Artificial Intelligence Technologie, um, so lässt sich der CM viel besser fassen. Wie wir gleich sehen werden, lassen sich die Collective Mind Proxies in der Praxis gut operationalisieren und gut überprüfen.

Wir führen das mathematische Gebilde „Tensorfeld Collective Mind CM(x,t)“ ein, das vom Ort x und der Zeit t abhängt.

Was verstehe ich darunter?

Im Kontext von Management oder Projekt Management kann man sich sehr gut vergegenwärtigen, dass der Collective Mind wie ein abgeschossener Pfeil eine Richtung haben muss, denn Projektziele oder die Ziele einzelner Personen oder Organisationen werden u.a. durch eine Richtung beschrieben. Er hat auch einen Betrag, nämlich die Energie, die im Team, in der Person oder der Organisation zu diesem Ziel vorhanden ist. Dass der CM sich zeitlich ändern kann, habe ich schon oben erläutert. – Er kann natürlich auch vom Ort abhängen. – Der Collective Mind innerhalb eines (größeren) Teams oder einer Organisation kann durchaus von Ort zu Ort unterschiedlich sein: Verschiedene Sub-Teams eines Teams haben unterschiedliche Collective Minds, verschiedene Sub-Organisationen (Abteilungen) einer Organisation haben wahrscheinlich auch unterschiedliche Collective Minds.

Mit diesen Annahmen setze ich die obigen verbalen Proxies in Mathematik um: Die Aussage „in etwa gleiche Mitwirkungs- und Redezeit“ kann man in Differenzen umsetzen, indem wir die Redezeiten jeder Person mit jeder anderen Person vergleichen. Es entsteht eine Matrix, oder allgemeiner ein Tensor oder Tensorfeld. – Die bekannteste google AI/ML Plattform auf der Basis neuronaler Netzwerk heißt tensorflow, weil Tensoren durch das Netzwerk aus künstlichen Neuronen fließen [3].

Auch die Ähnlichkeit in der Wortwahl kann man durch Differenzen darstellen. Die Differenzen in der Wortwahl bilden ebenfalls ein Orts- und Zeit-abhängiges Tensorfeld.

Auf der Basis der obigen verbalen Proxies führen wir eine mathematische Form für den Operator des Collective Minds, CMO(x,t) (das hochgestellte O steht für Operator), ein:  

CMO(x, t) ~ proxyCMO(x, t) = SO(x, t)*MO(x,t)

Diese Gleichung drückt aus, dass wir annehmen, dass das „unbekannte Wesen“ CMO(x, t) näherungsweise durch einen proxyCMO(x,t) beschrieben werden kann; und dass zwei Faktoren – nach jetziger Erkenntnis – diesen proxyCMO(x,t) bestimmen. Ich habe Faktoren gewählt, um auszudrücken, dass im Idealfall alle zwei Faktoren, SO und MO, vorhanden und groß sein müssen, um einen großen CMO(x,t) zu erhalten.

SO(x,t) = Similarity: Dieser Faktor “misst” Mitwirkungs- und Redezeit sowie Wortähnlichkeit (Ähnlichkeiten in Bildern berücksichtigen wir der Einfachheit wegen hier nicht). Wir können diese beiden Proxies gut in einer Größe zusammenfassen: Wählen wir SO(x,t) geeignet, so kann SO(x,t) nur dann eine hohe Similiarity ausweisen, wenn man gleich große Text – oder Redeblöcke miteinander vergleicht und dies kann nur dann der Fall sein, wenn die Teammitglieder in etwa gleich lange anwesend sind und gleichlange sprechen.

MO(x,t) = Mood: Dieser Faktor misst die Stimmung, die Zufriedenheit im Team oder in der Organisation. Dieser Faktor schließt auch die Häufigkeit und Intensität des körperlichen Spiegelns ein.

Ob man mehrere Faktoren benötigt, ist mir zurzeit noch nicht klar, denn SO kann nur dann hoch sein, wenn MO hoch ist. – Nur zufriedene Teammitglieder reden in etwa gleich viel mit einer ähnlichen (spiegelnden) Kommunikation in Sprache und Körper. – Jedoch könnte man Unterschiede zwischen Körpersprache und gesprochenem Wort benutzen, um Dysfunktionalitäten aufzudecken. Hierzu wäre eine entsprechende visuelle AI notwendig und dies geht in jedem Fall weit über diesen Blog hinaus.

Ich tue jetzt mal so, als wenn einige Jahrzehnte verstrichen seien und wir uns wie beim elektrischen Feld E daran gewöhnt hätten, Proxy und Realität gleichzusetzen:  Wir setzen also in der obigen Gleichung CMO und proxyCMO gleich und wir nehmen der Einfachheit wegen an, dass die Similarity genügt, um den CMO zu beschreiben:

CMO(x, t) = SO(x, t)

SO(x, t) ist eine symmetrische Matrix deren Elemente Sij(x,t) Differenzen von zwei Vektoren sind, nämlich die Differenz zwischen dem Wortanteil und der Wortwahl des Teammitgliedes i und derjenigen des Teammitgliedes j. Wortanteil und Wortwahl jedes Teammitgliedes werden durch einen Vektor in einem verbalen Raum ausgedrückt.

Jetzt müssen wir „nur noch“ einen geeigneten Operator SO(x,t) finden, der in einem verbalen Raum Vektoren aufspannt. – Ohne die Fortschritte in AI/ML wäre hier das Ende meiner Ausführungen erreicht. – Die enormen Fortschritte in der Verarbeitung der natürlichen Sprache mittels AI/ML, also dem AI/ML-Teilgebiet NLP (Natural Language Processing), machen es mir möglich, weiterzukommen.

Im Jahre 2013 wurde die fundamentale Idee veröffentlicht, Text bzw. Worte in Vektoren zu transferieren: Es werden Worte in einen Vektorraum eingebettet. Deshalb nennt man diese Technik auch word embedding. Word embedding wird auch mit dem Namen der wahrscheinlich bekanntesten AI/ML NLP Bibliothek „word2vec“ von google gleichgesetzt. [4, 5]. Jedem Wort wird hierzu ein token, eine Zahl, zugeordnet und dieses token wird in einen hochdimensionalen Raum, typischer Weise mit 300 Dimensionen! eingebettet [6, 7, 8]. Die hohe Dimension des (Wort-) Raumes erlaubt es, Worte nach 300 Dimensionen zu differenzieren. Das Verblüffende ist, dass Neuronale Netzwerke, die mittels Texten trainiert werden, die Worte eines Textes nicht beliebig in diesem Raum verteilen, sondern gemäß Sinn, wie wir ihn auch wahrnehmen. Man kann dann sogar mit diesen Wortvektoren „rechnen“, z.B. König-Mann+Frau = Königin. Dieses Rechen hat auch dazu geführt, dass man Vorurteile und Diskriminierungen in Datensätzen aufgedeckt hat, also z.B. Arzt-Mann+Frau = Krankenschwester. – Wohlgemerkt, Datensätze die unsere diskriminierende Realität beschreiben.
Wer sich von der hinterlegten Technik beeindrucken lassen möchte, den verweise ich auf die word embedding Illustration von tensorflow [9]. 

Dies word embedding ist für mich eine mehr als nur erstaunliche Erfahrung. – Sie  stützt einen meiner wichtigsten Glaubenssätze: „Das Sein unterscheidet nicht zwischen belebt und unbelebt, oder zwischen bewusst und unbewusst, wir treffen überall auf die gleichen fundamentalen Prinzipien, auch wenn deren Erscheinungen  auf den ersten Blick sehr unterschiedlich sein mögen.“

Eine der bekanntesten NLP Bibilotheken, die word2vec Funktionalität integriert, ist spaCy [10]. Ich benutze spaCy, um SO(x, t) an einem einfachen Beispiel zu berechnen. Ich lehne mich an Beispiele aus [11] an und zeige im Folgenden den Code wie er in einem Jupyter Notebook [12] in der google Colab-Umgebung [13] lauffähig ist. Zunächst eine kleine Illustration von word embedding:

pip install spacy

!python -m spacy download en_core_web_md

import en_core_web_md

nlp = en_core_web_md.load()

vocab =nlp(‚cat dog tiger elephant bird monkey lion cheetah burger pizza food cheese wine salad noodles macaroni fruit vegetable‘)

words = [word.text for word in vocab]

vecs = np.vstack([word.vector for word in vocab if word.has_vector])

pca = PCA(n_components=2)

vecs_transformed = pca.fit_transform(vecs)

plt.figure(figsize=(20,15))

plt.scatter(vecs_transformed[:,0], vecs_transformed[:,1])

for word, coord in zip(words, vecs_transformed):

  x,y = coord

  plt.text(x,y, word, size=15)

plt.show()

Unter Anwendung des obigen Codes wird folgendes Bild erzeugt:

Abbildung 1: 300-dimensionales Wortvektor-Modell projiziert auf 2 Dimensionen

Ich gehe nicht auf die Details des Code-Beispiels ein, lediglich einige Hinweise, um das Wesentliche des Blogbeitrags zu erfassen: Ich benutze ein vortrainiertes englisches Vektormodell „en_core_web_md“ und übergebe diesem einige englische Worte ‚cat dog tiger elephant bird monkey lion cheetah burger pizza food cheese wine salad noodles macaroni fruit vegetable‘, die das vortrainierte Modell in einem 300-dimensionalen Vektorraum verortet. Um diese Verortung darstellen zu können, wird die Verortung mit der mathematischen Technik PCA auf zwei Dimensionen in der Abbildung 1 projiziert. – Dadurch kommt es zu visuellen Überlappungen, wie man im Bild sehen kann. Auch erkennt man sehr schön, dass das vortrainierte Modell gemäß der Bedeutung der Worte Bedeutungscluster gebildet hat.

Wenden wir uns jetzt der Similarity zu, indem wir die Similarity von Vektoren berechnen:

Abbildung 2: Zwei übliche Definitionen von Wort Similarity

Abbildung 2 erläutert die beiden gebräuchlichen NLP Similarities. Word2vec verwendet hierbei lediglich die Cosine-Similarity. Werden ganze Sätze oder Texte auf Similarity geprüft „misst“ word2vec die Ähnlichkeit der Texte über Mittelwertbildung der beteiligten Vektoren bzw. Worte.

Die damit verbundenen Ergebnisse sind verblüffend, wie das nachfolgende einfache Beispiel zeigt:

doc1 = nlp(‚I visited England.‘)

doc2 = nlp(‚I went to London‘)

doc1.similarity(doc2)

Die Cosine-Similarity liegt für dieses Beispiel bei sα = 0,84. Die Similarity wird von word2vec auf den Bereich 0 bis 1 normiert (Anm.: Die Similarity könnte auch zwischen -1 und 1 liegen, was für unsere Betrachtung besser geeignet wäre).

Jedoch… die Euclidean-Similarity, berechnet mittels des Codes aus [14], ergibt eine sehr geringe Similarity von sr = 0,08.

D.h. Die Wordvektoren zeigen zwar in die gleiche Richtung liegen aber in völlig unterschiedlichen Raumbereichen des 300-dimensionalen Wortvektorraumes. – Beide Aussagen sind also nicht identisch, haben jedoch eine hohe Bedeutungs-Affinität.

Ein anderes Beispiel: Ich möchte die Similarity von zwei Texten aus unserem Buch Management 4.0 [15] vergleichen: Ich vergleiche eine Kurzfassung der Management 4.0 Definition mit der Langfassung der Definition:

doc1 = nlp(‚With a systemic leadership approach, Management 4.0 provides the guiding competence for viable learning organizations in complex situations and environments. Management 4.0 integrates an Agile Mindset, the universal principle of self-organization as a governance guideline, and relevant work techniques, for sustainable working models of the future.‘)

doc2 = nlp(‚We understand Agile Management as a leadership and management practice, to be able to act in an agile and proactive way in a complex environment characterized by uncertainty.  It is described as an Agile Mindset with a focus on: leadership for which self-leadership is the basis; leadership, which is based on a respect for basic human needs; leadership, which demands an understanding of complex systems and promotes their regulation through iterative procedures; people who self-organize in teams; fluid organizations, which promote adaptable and fast delivery of useful results and create innovative customer solutions through proactive dealing with changes‘)

Das Ergebnis für die Cosine-Similarity, von word2vec, ist wieder verblüffend:

doc1.similarity(doc2)

sα = 0,97

Die Euclidean-Similarity berechnet mit dem Code aus [14] ergibt sr = 0,46. Also verglichen mit der Similarity aus dem vorherigen Beispiel sehr hoch.

Auf der Basis dieser Beispiel-Daten kann ich einen Beispiel Similarity-Operator angeben: Wir nehmen der Einfachheit wegen an, dass die obigen beiden Texte aus dem Management 4.0 Buch von zwei Personen gesprochen wurden. Damit ergibt sich der Collective Mind Operator dieser beiden Personen zu:

SO(x, t) ist eine symmetrische 2*2 Matrix (ich bitte darum, kleine farbliche Unsauberkeiten in der Formeldarstellung zu übersehen, hier bei sα): Die Nicht-Diagonal Elemente sind hier keine einfachen Skalare, sondern bilden jeweils einen Vektor in einem Similarity Raum. Da wir mit überschaubarer Mathematik (d.h. einfacher Matrizenrechnung) weiterkommen wollen, wandeln wir diese Vektoren in Skalare um. Die einfachste Weise, dies zu tun, ist sr(x,t) nicht zu berücksichtigen und die resultierende Größe als Skalar anzusehen. Ich könnte auch die Länge des Similarity-Vektors in die obige Matrix einsetzen. – Der Vektorbetrag wäre dann so etwas wie eine integrierte Similarity. – Das Weglassen von sr(x,t) hat im Rahmen dieser Vereinfachungen keinen wesentlichen Einfluss auf die nachfolgenden Ausführungen.

Damit ergibt sich:

Man kann diese Matrix auch als sogenannte Heat Matrix darstellen, in dem die Similarities farblich codiert werden: Dies wurde in [16] benutzt, um die Similarity der Reden deutscher Politiker visuell darzustellen.

Wir haben bisher zwar einen Operator für den CM definiert, jedoch den CM selbst nicht ermittelt. Dies tue ich jetzt:

Für den Operator CMO(x, t) können wir sogenannte Eigenwerte und Eigenvektoren berechnen. Eigenvektoren sind diejenigen Vektoren, die unter der Anwendung des Operators lediglich ihren Betrag verändern, jedoch ihre Richtung beibehalten. Die Veränderung des Betrages bei Anwendung des Operators wird Eigenwert genannt. Den größten Eigenwert und dessen zugehörigen Eigenvektor assoziiere ich mit dem Collective Mind Vektor CMvektor dieser beiden kommunizierenden Personen (es gibt noch einen zweiten Eigenwert und Eigenvektor, der aber hier (wahrscheinlich) keinen Sinn machen):

Das Internet stellt auch für solche Berechnungen eine App zur Verfügung [17]. Der Vektor CM bekommt damit folgende mathematische Gestalt:

Der Eigenvektor liegt also auf der „Diagonalen zwischen zwei Personen“ und hat einen Eigenwert der größer als 1 und maximal 2 ist. Die Mathematik spiegelt mein Verständnis eines CM wider. Deshalb sage ich: „Gar nicht schlecht für den Anfang 😉, jedoch werden Synergieeffekte (d.h. Eigenwerte größer 2) und Effekte des gegenseitigen Blockierens (d.h. Eigenwerte kleiner 1) nicht abgebildet. Letzteres hängt auch damit zusammen, dass die word2vec Similarity per Definition nicht kleiner Null ist.

In unserem Beispiel ist der Eigenvektor und der Eigenwert statisch, da die Similarity keine explizite Zeitabhängigkeit enthält. Im Allgemeinen ist die Similarity eine  zeit- und ortsabhängige Größe. Damit werden die Berechnungen viel aufwendiger, unterscheiden sich jedoch nicht von den einfachen Ausführungen hier.

Es ist also möglich Zeitscheiben zu definieren, in denen eine AI synchron in Teammeetings die Gespräche aufnimmt, die Gespräche transkribiert und dann wie hier geschildert (und evtl. mit weiteren AI Techniken) die Similarity berechnet. Die Darstellung der Similarity als Zeitreihen und des zeitlichen Verlaufes des Vektors CM könnte als Feedback-Mechansimus eingesetzt werden, um eine Teamreflexion zu unterstützen. – Die AI übernimmt damit eine „Coaching“ Funktion. – Dieser Blog-Beitrag skizziert also die Ausgestaltung der AI-Anwendung Collective Mind im IPMA Kompetenz Bereich Teamarbeit, aus meinem Dezember 2021 Blog-Beitrag.

[1] Köhler J, Oswald A. (2009) Die Collective Mind Methode, Projekterfolg durch Soft Skills, Springer Verlag

[2] Armatowski S., Herrmann P., Müller M., Schaffitzel N., Wagner R (2021) The importance of Mindset, Culture and Atmosphere for Self-Organisation in Projects, White Paper IPMA, erstellt anläßlich der IPMA Research Conference 2020

[3] tensorflow (2022) tensorflow.org, zugegriffen am 16.04.2022

[4] google (2022) word2vec, https://code.google.com/archive/p/word2vec/, zugegriffen am 16.04.2022

[5] Wikipedia (2022) word2vec, https://en.wikipedia.org/wiki/Word2vec, zugegriffen am 16.04.2022

[6] Karani D (2022) Introduction to Word Embedding and Word2Vec, https://towardsdatascience.com/introduction-to-word-embedding-and-word2vec-652d0c2060fa, zugegriffen am 20.04.2022

[7] Megret P (2021) Gensim word2vec tutorial,  https://www.kaggle.com/pierremegret/gensim-word2vec-tutorial , zugegriffen am 20.04.2022

[8] Delaney J (2021) Visualizing Word Vectors with t-SNE, https://www.kaggle.com/jeffd23/visualizing-word-vectors-with-t-sne/notebook , zugegriffen am 20.04.2022

[9] word embedding playground (2022) http://projector.tensorflow.org/

[10] Spacy (2022) https://spacy.io/models/de, zugegriffen am 20.04.2022

[11] Altinok D (2021) Mastering spaCy, Verlag Packt, kindle edition

[12] Jupyter Notebooks (2021) https://jupyter.org/, zugegriffen am 02.12.2021

[13] Colab (2021) https://colab.research.google.com/

[14]   NewsCatcher Engineering Team (2022) https://newscatcherapi.com/blog/ultimate-guide-to-text-similarity-with-python, zugegriffen am 20.04.2022

[15] Oswald A, Müller W (2019) Management 4.0 – Handbook for Agile Practices, Verlag BoD, kindle edition

[16] Timmermann T (2022) https://blog.codecentric.de/2019/03/natural-language-processing-basics/, zugegriffen am 20.04.2022

[17]   Виктор Мухачев (2022) https://matrixcalc.org/de/, zugegriffen am 20.04.2022   

AI & M 4.0: Hybrid Collective Intelligence in Organisation und Gesellschaft

Dieser Blogbeitrag ergänzt meinen vorherigen Blogbeitrag, insbesondere die dort gelisteten Kernaussagen des Buches „The Age of AI: And Our Human Future“ des ehemaligen amerikanische Außenminister Kissinger sowie des ehemaligen google CEO Schmidt und des MIT Professor Huttenlocher [1].

Hybrid (Collective) Intelligence liegt vor, wenn unsere menschliche (kollektive) Intelligenz durch die (kollektive) Intelligenz von Artificial Intelligence ergänzt wird und sich damit eine Erweiterung der Wahrnehmung unserer Realität ergibt, so dass wir komplexe Fragestellungen beantworten können, die wir ohne AI nicht oder nur mit deutlich größerem Aufwand beantworten könnten. Diese Definition lehnt sich an diejenige in [2] an.

Hybrid (Collective) Intelligence führt insbesondere für das Projekt Management zu drei zentralen Veränderungen:

  • Der Innovationsprozess wird sich substanziell verändern, da ein oder mehrere AI Systeme den F&E Suchraum allein oder in Zusammenarbeit mit Menschen erheblich erweitern und verändern werden [3].
  • Das (Projekt) Management hat zu berücksichtigen, dass Aufgaben zwischen Mensch und AI, alleine oder zusammen, zu verteilen sind. – Entscheidungsprozesse werden sich in dieser Zusammensetzung erheblich verändern [4]. – Man siehe hierzu auch die Liste an AI/ML Erweiterungen im letzten Blog-Beitrag.
  • AI Systeme werden in nahezu alle Projektlösungen einfließen und damit wird AI zur Kernkompetenz in der Projektarbeit. Gleichzeit sind die Auswirkungen der AI Projektlösungen für die Stakeholder, die Gesellschaft und die Natur zu berücksichtigen.

Ich verwende als Definition von Intelligenz eine recht unübliche Definition, die meines Erachtens aber umso treffender ist. Diese Definition wurde wohl erstmals von Alex Wissner-Gross vorgeschlagen [5, 6]: “Intelligence is the ability to maximize future options in order to accomplish complex tasks.” – Diese Definition lässt sich u.a. in eine mathematische Gleichung übersetzen und ist universell auf alle Objekte (belebte, unbelebte, soziale) anwendbar. Im Kontext von AI bedeutet dies zum Beispiel, dass eine AI zur Natural Language Processing (NLP) nicht nur die trainierten Texte oder recht ähnliche in Frage-Antwort Situationen wiedererkennt, sondern die Flexibilität besitzt auch Fragen zu beantworten, die nicht genau den trainierten Fragen entsprechen. Neben der neuronalen Architektur des Neuronalen Netzwerkes wird dies vor allem durch die vielen Parameter-Freiheitsgrade erreicht. – Die Freiheitsgrade von State-of-The-Art AI NLP Systemen umfassen aktuell mehrere 100 Million Parameter.

Die Fähigkeit zukünftige Optionen zu maximieren, ist also die Fähigkeit Freiheit bzw. freies Handeln unter antizipierten zukünftigen Randbedingungen zu maximieren. Falls wir nicht wollen, dass die AI „ihre Freiheit“ (in Zukunft) auf Kosten unserer Freiheit maximiert, ist es notwendig, Randbedingungen für sie zu setzen. Dies bedeutet die Einführung einer Governance für Hybride (Collective) Intelligence (kurz HCI Governance), die zudem adaptiv, also in einem PDCA-Zyklus, in die Zukunft fortzuschreiben ist.
Die Einführung einer HCI Governance wird umso notwendiger, je mehr sich die AI von einer schwachen AI zu einer starken (und allgemeinen) AI oder Superintelligenz entwickelt [7, 8]. – Die genaue Verortung des aktuellen Intelligenzgrades der AI-Systeme und deren zukünftiger Entwicklung ist jedoch nicht wesentlich, denn wir wissen heute schon, dass eine HCI Governance Not tut, da neben den Segnungen der Realitätserweiterungen durch AI auch schon Freiheitseinschränkungen (u.a. Diskriminierungen, fake news, Beeinflussung von demokratischen Wahlen) durch AI aufgetreten sind.

Peeters et al. haben unlängst in ihrem sehr lesenswerten Artikel „Hybrid Collective Intelligence in a Human-AI Society“ drei verschiedene Basis-Haltungen zum Umgang mit AI identifiziert [9]:

  • Technology-centric perspective
  • Human-centric perspective
  • Collective-Intelligence perspective

Das Bemerkenswerte ihrer Analyse, die durch das niederländische Verteidigungsministerium gesponsort wurde, ist, dass sie für jede dieser Haltungen (im Artikel sprechen sie von „perspectives“) Glaubenssysteme und dazugehörige Kontexte identifiziert haben. – Also ganz im Sinne von Management 4.0.

Ich nenne hier, als Beispiel, nur jeweils einen Glaubenssatz pro Haltung:

  • Technology-centric perspective: “When sufficiently developed, AI technology can applied to solve any problem.”
  • Human-centric perspective: “Artificial intelligence only exhibits part of human cognition and is therefore insufficient for many real-world problems.”
  • Collective-intelligence perspective: “Intelligence should not be studied at the level of individual humans or AI-machines, but at the group level of humans and AI-machines working together.”

In [10] werden die EU-Haltung und die USA-Haltung miteinander verglichen: Die EU-(Administrations-)Haltung ist tendenziell eine human-centric perspective und die USA-Haltung ist tendenziell eine technology-centric perspective. – Hieraus erklären sich u.a. die diversen Bestrebungen der EU-Administration amerikanische AI-Konzerne wie google, meta/facebook, apple und amazon durch Gesetze und Strafen zu regulieren.  

Mit Hilfe dieser drei Basis-Haltungen bzw. -Perspektiven zur AI lässt sich auch die Grundhaltung in [1] beschreiben: Sie ist tendenziell eine human-centric perspective ergänzt um die technology-centric perspectice und die collective-intelligence perspective. Im Wissen um diese, aber insbesondere auch wegen der in den USA vorherrschenden technology-centric perspective, fordern die Autoren eine Regulation der AI, also die Einführung einer Governance für AI Systeme. Dies ist umso wichtiger, da auf der Basis der technology-centric perspective schon heute weltweit AI gestützte Waffensysteme entwickelt und genutzt werden.

Berühmte Vertreter der technology-centric perspective in den USA sind Peter Kurzweil [11] und die mit ihm verbundene Singularity University [12]. – Ein Kennzeichen dieser Haltung ist der Glaube, dass in absehbarer Zukunft, im Jahre 2045, die Fähigkeiten der AI diejenigen der Menschheit übersteigen werden.

In [9] wird betont, dass keine der obigen Basis-Haltungen richtiger oder besser ist, sondern dass der Kontext die Basis-Haltung bestimmen sollte. – Was leider nur selten geschieht. – In [13] wird die zentrale Bedeutung der Reflexion und der kritischen Auseinandersetzung mit dem sozialen Kontext, also den aktiven Werten, Glaubensätzen und Prinzipien für das Design, die Implementierung und die Operationalisierung von AI Systemen diskutiert. Falls die Metakompetenz für diese (Selbst-) Reflexion und kritische Auseinandersetzung nicht vorhanden ist, wird eine AI Ethik nicht angenommen und damit auch nicht verantwortungsvoll umgesetzt. In [14] habe ich die “Forderung” aufgestellt, dass Projekte mit hoher Komplexität, eine türkis/teal Kultur benötigen: “Ideally, this requires a mindset of all key stakeholders that also contains red, blue and orange value meme components (red means power orientation, blue means control and order orientation, and orange means entrepreneurship and linear-scientific-thinking orientation), but is mainly shaped by the transformational value meme components, namely green (compassion), yellow (nonlinear networked system thinking) and teal (holistic-transcendental orientation).” Alle Teammitglieder und insbesondere der Projektleiter sollten über die Metakompetenz verfügen, ihre eigenen Werte und Glaubenssätze im jeweiligen Kontext kritisch zu hinterfragen, um bewusst AI Systeme ethisch verantwortungsvoll zu designen, zu implementieren und zu operationalisieren.  

Meine persönlich präferierte Basis-Haltung ist die collective-intelligence perspective. Wenn ich AI Systeme erstelle liegt meine Haltung hingegen eher auf der technology-centric perspective und im Schreiben dieses Blog-Beitrages eher auf der human-centric perspective.    

Schaut man sich die Definitionen für AI der großen AI-Konzerne an, so lassen diese eine recht eindeutige AI-Haltung der jeweiligen Autoren erkennen:

IBM: “Artificial intelligence leverages computers and machines to mimic the problem-solving and decision-making capabilities of the human mind.” [15]: technology-centric perspective

Microsoft (deutsch): „Unter künstlicher Intelligenz (AI) verstehen wir Technologien, die menschliche Fähigkeiten im Sehen, Hören, Analysieren, Entscheiden und Handeln ergänzen und stärken.“ [16]: collective-intelligence perspective

Microsoft (amerikanisch): “Artificial intelligence (AI) is the capability of a computer to imitate intelligent human behavior. Through AI, machines can analyze images, comprehend speech, interact in natural ways, and make predictions using data.” [17]: technology-centric perspective. – Die Microsoft AI Internetseite [18] „AI for Good“ zeigt hingegen eine eher human-centric oder collective-intelligence perspective.

Google CEO: “At its heart, AI is computer programming that learns and adapts. It can’t solve every problem, but its potential to improve our lives is profound. At Google, we use AI to make products more useful—from email that’s spam-free and easier to compose, to a digital assistant you can speak to naturally, to photos that pop the fun stuff out for you to enjoy.” [19]: collective-intelligence perspective

Die Internetseite von google [20] und diejenige von meta/facebook [21] lassen eine Mischung aus technology-centric- und collective-intelligence-perspective erkennen.

Die OECD hat im Jahre 2019 ihr Dokument „Artificial Intelligence in Society“ vorgelegt, und definiert dort ihre human-centric perspective, die sie auch so nennt [22]: Hiernach müssen AI Systeme u.a. Menschenwürde und -rechte sowie die Demokratie gewährleisten, indem sie u.a. transparent, nachvollziehbar, vertrauenswürdig, sicher und steuerbar sind und bleiben. – Eine gestaltende Auseinandersetzung mit dem sozio-technischen System Mensch-Künstliche Intelligenz, im Sinne des Designs einer Governance, findet jedoch nicht statt.

Eine ähnliche Aussage ergibt sich für Deutschland: In [23] werden unter dem Titel „The making of AI Society: AI futures frames in German political and media discourses” die sogenannten „AI future frames“ für Deutschland untersucht. – AI future frames sind mentale Rahmen, in denen die AI Zukunft gesetzt wird. Das Ergebnis ist eher ernüchternd: „By mirroring the past in the future, alternative future visions are excluded, and past and current assumptions, beliefs, and biases are maintained. Despite the allegedly disruptive potential of emerging AI.” Hiernach denkt die deutsche Politik die neoliberale Politik der letzten Jahrzehnte unter dem Label „AI Made in Germany“ oder AI German einfach fort: „successful innovation = welfare generating future = political stability“. Die Lippenbekenntnisse der deutschen politischen Administration bis zur Wahl 2021 sind human-centric; im Tun überlassen sie die AI Governance dem Markt und eine AI Ethik explizit den deutschen Industrieunternehmen. – Eine entsprechende politische Governance, die den zentralen Aussagen in [1] Rechnung trägt, gibt es nicht. – Eine Einbettung in eine europäische AI Strategie fehlt völlig!

Die EU Kommission hat letztes Jahr in [24] einen Vorschlag für ein Regulationspapier erstellt, das in erster Linie als harmonisierende Referenz für die EU Administration dienen soll: Ein seitenstarkes Papier mit vielen Details; ich vermisse mal wieder ein Großes Bild, das zu einem Collective Mind in der EU (Administration) führen könnte. 

Wie könnten die Eckpfeiler eines Großen Bildes einer AI bzw. HCI Governance aussehen? Hier ein Vorschlag:

Rahmenparameter:

Landesspezifische AI Governance Systeme sind in eine europäische AI Governance eingebettet. – Die Strukturen der AI Governance sind auf allen europäischen Ebenen ähnlich. – Die (europäische) AI Governance folgt in ihrer Struktur einer Ziel-Hierachie: Vom Großen Bild zum Detail. Der transformative Charakter der AI Governance ist in die Governance einer ökologisch-ökonomischen Transformation (u.a. Nachhaltigkeit für Natur, Tier und Mensch, hin zu einer an sozialer Gerechtigkeit und Gleichheit orientierten Ökonomie, die Wachstum nicht als Allheilmittel verkauft) eingebettet

Kontrollparameter:

Die Kontrollparameter orientieren sich an den zentralen Aussagen aus [1]: Eine europäische AI Ethik und Gesetzgebung sorgt für eine Regulation der AI Freiheiten. Die AI Ethik und Gesetzgebung wird von der Politik gestaltet. Z.B. heißt dies, dass der Wert AI Transparenz politisch definiert wird und gesetzlich verankert wird.- Dies könnte zum Beispiel heißen, dass AI Systeme in Europa vor staatlichen Organen nach Bedarf offengelegt werden müssen.

Da AI Systeme unsere Welt transformieren, ist es notwendig dafür zu sorgen, dass die Schere zwischen AI-Wissenden und AI-Nichtwissenden nicht zu einer Verschärfung von Ungleichheit führt. Ein entsprechendes Bildungskonzept ist notwendig: AI gehört als Pflichtfach in die Schulen und AI gehört in die Curricula aller universitären Disziplinen.

Ordnungsparameter:             

Als Großes Bild für den Ordnungsparameter schlage ich vor „European Ecosystem for Hybrid Collective Intelligence“. Die Ausgestaltung dieses Großen Bildes heißt u.a. dass neben einer gemeinsamen europäischen AI Governance eine gemeinsame AI Infrastruktur aufgebaut wird. – Es werden Mechanismen bereitgestellt, die das Silo-Denken und -Handeln von Industrie und politischen Administrationen auflösen. U.a. wird eine „AI für Jedermann“ aufgebaut und die die obigen drei Sichten human-centric, technology-centric und collective intelligence integriert: Die sozio-technische HCI Integration wird also bewusst europäisch gestaltet.  

 

[1] Kissinger H A, Schmidt E, Huttenlocher D (2021) The Age of AI: And Our Human Future, kindle edition
[2] Dominik Dellermann, Adrian Calma, Nikolaus Lipusch, Thorsten Weber, Sascha Weigel, Philipp Ebel (2021) The future of human-AI collaboration: a taxonomy of design knowledge for hybrid intelligence systems, arXiv.org > cs > arXiv:2105.03354
[3] Dragos‑Cristian Vasilescu, Michael Filzmoser (2021) Machine invention systems: a (r)evolution of the invention process?, Journal AI & Society, January 2021
[4] Phanish Puranam (2021) Human–AI collaborative decision‑making as an organization design Problem, Journal of Organization Design (2021) 10:75–80
[5] Alex Wissner-Gross (2022) A new equation for intelligence, https://www.youtube.com/watch?v=auT-pA5_O_A, march 2020, zugegriffen am 07.02.2022
[6] Ron Schmelzer (2022) https://www.forbes.com/sites/cognitiveworld/2020/02/27/cant-define-ai-try-defining-intelligence/?sh=6f658a955279, Forbes Blog February 2020, zugegriffen am 07.02.2022
[7] Bernard Marr (2022) The Key Definitions Of Artificial Intelligence (AI) That Explain Its Importance, Forbes Blog February 2018, https://www.forbes.com/sites/bernardmarr/2018/02/14/the-key-definitions-of-artificial-intelligence-ai-that-explain-its-importance/?sh=219cbb1f4f5d , zugegriffen am 07.01.2022
[8] Wikipedia (2022) Artificial Intelligence, https://en.wikipedia.org/wiki/Artificial_intelligence, zugegriffen am 07.02.2022
[9] Peeters M M M, van Diggelen J, van den Bosch K, Bronhorst A, Neerinex M A, Schraagen J M, Raaijmakers S (2021) Hybrid Collective Intelligence in a Human-AI Society, in AI & Society Journal, March 2021
[10] Roberts H, Cowls J, Hine E, Mazzi E, Tsamados A, Taddeo M, Floridi L (2021) Achieving a ‘Good AI Society’: Coparing the Aims and Progress of the EU and the US, SSRN Journal, January 2021
[11] Kurzweil R (2022) https://www.kurzweilai.net/, zugegriffen am 07.02.2022
[12] Singularity University (2022) https://www.su.org/ , zugegriffen am 07.02.2022
[13] Krijger J (2021) Enter the metrics: critical theory and organizational operationalization of AI ethics, Journal AI & Society, September 2021
[14] Oswald A (2022) The Whole – More than the Sum of Its Parts! Self-Organization – The Universal Principle! in Ding R, Wagner R, Bodea CN (editors) Research on Project, Programme and Portfolio Management – Projects as an Arena for Self-Organizing, Lecture Notes in Management and Industrial Engineering, Springer Nature
[15] IBM (2022) Artificial Intelligence, https://www.ibm.com/cloud/learn/what-is-artificial-intelligence, zugegriffen am 07.02.2022
[16] Microsoft (2022) Künstliche Intelligenz, https://news.microsoft.com/de-at/microsoft-erklart-was-ist-kunstliche-intelligenz-definition-funktionen-von-ki/, zugegriffen am 07.02.2022
[17] Microsoft (2022) Artificial Intelligence Architecture, https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/ai-overview, zugegriffen am 07.02.2022
[18] Microsoft (2022) AI for Good, https://www.microsoft.com/en-us/ai/ai-for-good, zugegriffen am 07.02.2022
[19] Sundar Pichai (2022) AI at Google: our principles, https://www.blog.google/technology/ai/ai-principles/, Blog of CEO google, june 2018, zugegriffen am 07.02.2022
[20] Google (2022) Google AI: Advancing AI for everyone, https://ai.google/, zugegriffen am 07.02.2022
[21] Meta AI (Facebook) (2022) Bringing the world closer together by advancing AI, https://ai.facebook.com/, zugegriffen am 07.02.2022
[22] OECD (2019) Artificial Intelligence in Society, Online Version, https://www.oecd-ilibrary.org/sites/eedfee77-en/index.html?itemId=/content/publication/eedfee77-en&_csp_=5c39a73676a331d76fa56f36ff0d4aca&itemIGO=oecd&itemContentType=book
[23] Köstler L, Ossewaarde R (2020) The making of AI Society: AI futures frames in German political and media discourses, in AI & Society Journal, February 2021, Springer Nature
[24] Europäische Kommission (2021) Proposal for a REGULATION OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL LAYING DOWN HARMONISED RULES ON ARTIFICIAL INTELLIGENCE (ARTIFICIAL INTELLIGENCE ACT) AND AMENDING CERTAIN UNION LEGISLATIVE ACTS, https://eur-lex.europa.eu/legal-content/EN/ALL/?uri=CELEX:52021PC0206, zugegriffen am 07.02.2022

AI & M 4.0: Zur Erweiterung unserer Intelligenz und Realität durch Machine Learning (ML) und Artificial Intelligence (AI) im Management 4.0

Der ehemalige amerikanische Außenminister Kissinger sowie der ehemalige Google CEO Schmidt und der MIT Professor Huttenlocher haben zusammen vor ein paar Tagen ein bemerkenswertes Buch zu unserer Zukunft im Zeitalter der künstlichen Intelligenz herausgebracht. – Ich nenne wesentliche Aussagen dieses Buches [1]:

  • Machine Learning (ML) und Artificial Intelligence (AI) basieren auf völlig anderen Prinzipien als „klassische“ Software: Im Rahmen vorgegebener Selbstorganisations-Parameter (und Daten) organisiert sich eine AI selbst. – Sie bildet durch Training Modelle zu den eingegebenen Daten, also der ausgewählten Realität, ab. – Diese Modelle sind nicht perfekt, sie liefern Wahrscheinlichkeitsaussagen. – Und damit haftet diesen Modellen unmittelbar Unsicherheit an! – Gar nicht so unähnlich unserer Intelligenz!
  • Systeme künstlicher Intelligenz erkennen schon heute Muster in unsrer Realität, die unserer Intelligenz (bisher) verschlossen waren. – AI bildet erfolgreich Schachstrategien aus, die bisher kein Mensch verwendet hat oder findet wirksame Medikamente, die bisher unentdeckt geblieben sind, oder hilft Prinzipien der Physik und Mathematik zu entdecken usw. 
  • AI wird unsere Sicht auf die Realität wesentlich verändern, nicht nur quantitativ, sondern vor allem auch qualitativ! – Und dies in zweierlei Hinsicht: Die Entwicklung von AI sorgt für die Integration verschiedener Disziplinen wie Psychologie, Sozialwissenschaften, Naturwissenschaften, Informatik, Mathematik sowie Philosophie und führt in den jeweiligen Disziplinen zu neuen Erkenntnissen und Anwendungen.
  • Gesellschaftliche Systeme werden sich substanziell unterschiedlich entwickeln, je nachdem, ob in welchem Maße und in welcher Qualität ML/AI eingesetzt wird. – Dies wird sich zum einen auf globaler Ebene zeigen, und zum anderen wird es auch eine neue „Schichtung“ der Gesellschaft(en) entlang der individuellen ML/AI Kompetenzen hervorrufen. – Derzeit gibt es nur zwei relevante ML/AI Ecosysteme: USA und China. – Und diese Ecosysteme formen mit ihren ML/AI Systemen unsere (europäische) Zukunft!

Falls jemand diese Aussagen anzweifelt, so möge er sich die Internetseite von DeepMind [2] oder der AI community DeepAI [3] ansehen – die Zweifel dürften sehr schnell verschwinden.

Seit ein paar Monaten konfiguriere bzw. programmiere ich ML/AI Systeme, also Physical Technologies. – Ich tue dies auf der Basis des amerikanischen ML/AI Ecosystems, insbesondere von Google’s Colab [4], Python [5] und Jupyter Notebooks [6]: Ich lote aus, inwieweit diese Physical Technologies helfen könnten, die Social Technology Management 4.0 gemäß den obigen Aussagen zukunftsfähig zu machen. – Das heißt, die Management 4.0 Intelligenz durch ML/AI quantitativ und qualitativ zu erweitern.

Im Tun wird einem sehr schnell bewusst, dass das europäische ML/AI Know-How ganz wesentlich vom amerikanischen ML/AI Ecosystem dominiert wird. – Das amerikanische ML/AI Ecosysteme von Google, Facebook/Meta Platforms, Microsoft und Co. ist überwältigend! – Es gibt eine Vielzahl an öffentlich zugänglichen Plattformen mit einer enormen Anzahl von vortrainierten ML/AI Modellen, unzähligen Tutorials und Code-Beispielen. – Selbst die Nutzung generativer Natural Language Processing (NLP) Systeme der neuesten Generation oder sogar die Anbindung an Quantencomputing ist prinzipiell möglich.

Das amerikanische ML/AI Ecosystem ermöglicht auch Personen wie mir, deren ML/AI Know-how Lichtjahre vom google Know-how entfernt ist, in überschaubaren Schritten in die ML/AI-Welt einzusteigen. Google, Meta Platforms, Microsoft und Co. haben damit einen gesellschaftlichen Innovations-Feedback Mechanismus angestoßen, der der (amerikanischen) Gesellschaft – zumindest einem gewissen Teil davon – einen enormen Innovationsschub gibt: Das ML/AI Ecosystem trägt zu immer schnelleren und qualitativ neuartigen ML/AI Entwicklungen bei, teilweise sogar zu ML/AI Technologie-Revolutionen – man siehe [2] und [3].

Auch wenn nicht wenige Europäer zum amerikanischen ML/AI Ecosystem beitragen, so wurde mir im Tun „schmerzlich“ bewusst, dass wir Europäer auf der Ebene der gesellschaftlichen ML/AI Ecosysteme keine Rolle spielen. – Auch wenn es „kleine“ lokale ML/AI Ecosysteme wie das Tübingen AI Center gibt [6].
Mir sind keine öffentlich zugänglichen europäischen ML/AI Plattformen bekannt. Gerade im Natural Language Processing (NLP) Bereich gibt es nur wenige vortrainierte Modell für europäische Sprachen oder die deutsche Sprache. (Nahezu) alle Tutorials sind in Code und Daten auf den Englisch-sprachigen Bereich ausgerichtet…Dies dürfte nicht nur mir sehr viel mühsame Transferarbeit bescheren!

Man mag das amerikanische ML/AI Ecosystem durchaus auch kritisch sehen, jedoch kann man Google und Co. mit ihrer ML/AI open source Philosophie nicht absprechen, dass Sie einen erheblichen Beitrag für die (ML/AI-) Entwicklung der amerikanischen und auch westlichen Gesellschaft leisten. Schaue ich auf die deutsche Unternehmenslandschaft, so zahlen unsere Unternehmen nach meinem Wissen auf kein gesellschaftliches ML/AI Ecosystem ein. – Unsere deutsche (unternehmerische) Gesellschaft wird nach wie vor von Silo-Denken, Silo-Geschäftsmodellen und Silo-Handeln bestimmt. Das heißt auch, dass gemäß [1] die Entwicklung der europäischen Gesellschaft über kurz oder lang einen Mangel an erweiterter Intelligenz und erweiterter Realität spüren wird, falls dieser Mangel nicht schon jetzt vorhanden ist.

Die obigen Aussagen aus [1] entsprechen meiner Erfahrung und Wahrnehmung und sind ein Motiv, sich um die Verbindung von AI und Management 4.0 (AI & M 4.0) zu kümmern: AI kann dem Projektleiter sowie dem Team assistieren und, was vielleicht noch viel wichtiger ist, mentale Feedback Mechanismen anstoßen, die die kognitive menschliche Projekt- und Management-Intelligenz erweitern. Damit geht einher, dass das menschliche Bewusstsein sich erweitert und mentale wie gesellschaftliche Transformationen angestoßen und begleitet werden. – Die wahrgenommene Realität insbesondere in komplexen Projekten wird sich nach meiner Einschätzung durch ML/AI erheblich erweitern.

Ich liste im Folgenden AI & M 4.0 Anwendungskategorien, die nach meinem aktuellem Wissensstand für das (Projekt) Management von Bedeutung sein werden.- Ich kennzeichne die Kategorien durch AI/ML und eine fortlaufende Nummer. – Man siehe hierzu auch die phasenorientierte Zuordnung von PM Aktivitäten und AI/ML Techniken in [8].

AI/ML 1 – Numerische Feature-Multilabel (supervised) AI: Ein Sachverhalt wird über numerische Datenkategorien (Features) beschrieben und Anwendungstypen oder Klassen (man spricht von Labels) zugeordnet. Zum Beispiel nimmt ein AI System eine Aufwands- oder Kostenschätzung vor. Hierzu werden die Aufgaben gemäß bestimmter numerischer Features beschrieben und einer Aufwandsklasse, also einem Label, zugeordnet. Supervised bedeutet hier, dass die AI mit einer Feature-Label Zuordnung trainiert wird, die durch Menschen vorher vorgenommen wurde. Hierbei ist es meines Erachtens jedoch nicht notwendig, zuerst jahrelang solche Zuordnungen, also Daten zu sammeln. Die AI könnte vielmehr in laufende Aufwandsschätzungen gemäß Delphi oder Planning Poker eingebracht werden, im Wissen, dass die AI sich wahrscheinlich langsam aufbaut.    

AI/ML 2 – Text-Multilabel (supervised) Natural Language Processing AI: Ein Sachverhalt wird über Text bzw. Sprache beschrieben und Labels zugeordnet. Auch eine Aufwandsschätzung könnte auf diese Weise durch AI vorgenommen werden.- Die zu schätzenden Aufgaben liegen als Textbeschreibungen vor und für das Training werden durch Menschen Label-Zuordnungen vorgenommen. Text und Label werden im AI-Training verarbeitet. – Die AI ist also in der Lage natürliche Sprache (Natural Language Processing (NLP)) zu verarbeiten. Ein anderes Bespiel ist die Analyse von Verhalten, beschrieben in Textform und die Zuordnung zu Persönlichkeitslabels (Temperament, Werten, Grundannahmen, Glaubenssätzen, Prinzipien). – Die nachträgliche Analyse von Verhalten durch niedergeschriebenen Text ist relativ „einfach“.  – Eine direkte Analyse der Kommunikation z.B. während einer Teamsitzung ist jedoch wesentlich anspruchsvoller und entzieht sich derzeit (noch 😉) meinem Kenntnisstand. – Selbstverständlich kann auf dieser Basis auch eine organisationale Kulturanalyse vorgenommen werden, indem die Kommunikation (Gesprochenes, Dokumente, eMail, Chat) im Team oder in der Organisation ausgewertet wird.  

AI/ML 3 – Graph Neural Networks bzw. Graphen-Multilabel (supervised) AI: Sehr viele Sachverhalte in Natur, Sozialem und Technik lassen sich über Graphen bzw. Netzwerke beschreiben [9, 10]. Soziale Systeme bzw. Organisationen lassen sich gut über Social Networks darstellen. Der Projektstrukturplan bzw. der Projektplan sind spezielle Graphen. Die Zielhierarchie ist eine weiterer Graph. Zum Beispiel lassen sich aus der Kommunikation der Stakeholder Social Networks ableiten und diese Social Networks oder Social Networks Bausteine werden mit Labels versehen und dienen dem Training von AI/ML. Ein anderes Beispiel ist die Extraktion der Zielhierarchie aus einer Teamkommunikation und die anschließende „Überprüfung der Einhaltung“ der Zielhierarchie in der Stakeholderkommunikation. Oder, das Social Network eines Teams wird Performance Labels (z.B. Hochleistung, mittlere Leistung, dysfunktionale Leistung) zugeordnet.  

AI/ML 4 – Team-Sprachanalyse (unsupervised) AI: Die Sprache in Teams oder Stakeholdergruppen wird auf Gemeinsamkeiten untersucht. So lässt sich u.a. aus der Wortwahl von Teammitgliedern u.a. mittels der Bag of Word und word embedding Technologien auf deren „mentale Verwandschaft“ oder das Collective Mind schließen.

AI/ML 5 – Generative NLP (unsupervised) AI: Mittels generativer NLP AI Systeme [11, 12] lassen sich u.a. Vertragsdokumente bzw. Claim-Dokumente mittels weniger von Menschen eingegebener zentraler Prinzipien generieren. Diese Systeme können auch dazu benutzt werden, Abweichungen (also Vertrags- und Claimrisiken) zu identifizieren.

AI/ML 6 – Clustering (unsupervised) AI: Die AI clustered numerische oder Textdaten. Diese Cluster zeichnen sich durch charakteristische Cluster Eigenschaften aus und erlauben damit das Erkennen von Mustern in den Daten. Auf diese Weise können zum Beispiel Projekte, Aufgaben oder auch Stakeholder geclustert werden. – Einen ersten Eindruck von der Fähigkeit Neuronaler  Netzwerke zu clustern, bietet die „Spielumgebung“ von Tensorflow [13].

Diese sechs Kategorien lassen sich auch kombinieren, sei es, um ergänzende Informationen zu erhalten oder eine sogenannte AI/ML Verarbeitungspipeline aufzubauen.

Ich erwarte, dass mit gewonnener Erfahrung diese sechs Kategorien detailliert werden und auch weitere Kategorien hinzukommen.

Ich verwende diese sechs AI/ML Kategorien, um AI & M 4.0 zu beschreiben: Ich tue dies unter Verwendung der IPMA ICB 4.0 Kompetenzen [14] bzw. der Kompetenzen des Handbuches Kompetenzbasiertes Projektmanagement (PM4) der GPM [15]. Die nachfolgende Tabelle listet AI & M 4.0. Die Tabelle ist sicherlich nicht vollständig. – Sie gibt den aktuellen Stand meiner Überlegungen wieder; sie dürfte sich also noch ändern.

Die Tabelle zeigt, dass schon heute mit entsprechendem Know-how die (Projekt) Management Intelligenz und Realität deutlich erweitert werden kann. – Mit einem AI Know-How, das im amerikanischen ML/AI Ecosystem abrufbar ist.

Die kursive Schrift in der Tabelle zeigt an, dass in diesen Fällen eine Bearbeitung durch die GPM Fachgruppe Agile Management begonnen wurde.

Perspective – KontextkompetenzenAI & M 4.0: Erweiterte Management 4.0 Intelligenz und Realität mittels ML/AI
Strategie 
Governance, Strukturen und Prozesse 
Compliance, Standards und RegularienAI/ML 5: Ermittlung von Compliance und Risiken durch den Abgleich von Projektartefakten und Compliance-Dokumenten sowie Standards und Normen
Macht und Interessen 
Kultur und WerteAI/ML 2: Ermittlung des organisationalen Mindsets (Kultur) durch vortrainierte Neuronale Netzwerke (NN): transkribierte Sprache und Texte werden mittels eines Transformermodells wie BERT [16,17] einer Text-MultiLabel Analyse unterzogen. – BERT ist eines der wenigen Modelle, das auch in einer deutschen Sprachversion verfügbar ist.   In einem zweiten Schritt kann diese Information dazu benutzt werden, um die Heterogenität der Kultur in einer Organisation zu ermitteln. In dem vorhergehenden Blog-Beitrag habe ich dies als „Spinglass-Organisation“ bezeichnet.     
People – Persönliche und soziale Kompetenzen 
Selbstreflexion und SelbstmanagementAI/ML 2: Die Selbstreflexion und das Selbstmanagement wird durch einen Feedback Mechanismus zwischen AI und Projektmanager oder Teammitglied angestoßen. Die AI erweitert die Metakompetenz des PM und der Teammitgliedern, indem den Verhaltensweisen durch die AI Persönlichkeitsdimensionen (Temperament, Motive, Werte, Glaubenssätze) zugeordnet werden.
Persönliche Integrität und Verlässlichkeit 
Persönliche KommunikationAI/ML 2: Die Realität der Kommunikation verändert sich auf der Basis der veränderten Selbstreflexion. Zudem liefert die AI Informationen zu den Persönlichkeitsdimensionen aller kommunizierenden Teammitglieder.
Beziehungen und Engagement 
FührungAI/ML 2: Die Führungs-Metakompetenz wird erheblich erweitert, da Selbstreflexion und Kommunikation deutlich verbessert werden. – Die Decision Intelligence wird deutlich erweitert.   AI/ML 4: Die Team-Sprachanalyse ermittelt Gemeinsamkeiten und hilft Dysfunktionalitäten aufzudecken.   AI/ML 3: Social Networks werden mittels GNN (Graph Neural Networks) analysiert und gelabelt. Dies kann auf Teamebene und auf der Ebene aller Stakeholder erfolgen.
TeamarbeitAI/ML 4: Die Stärke des Collective Mind wird durch einen „Statthalter“ also eine proxy Collective Mind (proxyCM) abgebildet: CM ~ proxyCM. Als proxyCM können verschiedene Modelle dienen: Transkribierte Sprache von Teammitgliedern werden mittels sklearn [18] (Native Bayes Classification) den Teammitgliedern zugeordnet. Desto eindeutiger die Zuordnung ist, desto geringer ist das CM, oder anders ausgedrückt, falls ein Text mehreren Teammitglieder zugeordnet werden kann, so besteht ein „inhaltlicher Überlapp“. – Der proxyCM ist größer.   Des Weiteren können Redefrequenz und Redelänge als weitere Indikatoren für den proxyCM verwendet werden.   Mittels einer Bag of Word oder Word Vector Embedding Analyse [18, 19, 20, 21] wird die Wortwahl der Teammitglieder analysiert. Unterschiedliche Wortwahlen unterschiedlicher Teammitglieder zeigen ein schwaches proxyCM an, oder umgekehrt lassen ähnliche Begriffsschwerpunkte auf ein starkes proxyCM schliessen.    
Konflikte und KrisenAI/ML 2, 3, 4: Diese AI Erweiterungen der PM Intelligenz bzw. Metakompetenz sind auch gerade in Konflikten und Krisen von enormer Bedeutung
Vielseitigkeit 
VerhandlungenAI/ML 2, 3, 4: Diese AI Erweiterungen der PM Intelligenz bzw. Metakompetenz sind auch gerade in Verhandlungen von enormer Bedeutung. AI/ML 5: Zusätzlich ist es hilfreich Vertrags- und Claim-Dokumente einer AI Überprüfung zu unterziehen.
Ergebnisorientierung 
Practice – Technische Kompetenzen 
ProjektdesignAI/ML 6: Die AI ermittelt Komplexitätsklassen auf der Basis von numerischen und/oder textuellen Daten. Die Komplexitätsklassen sind die Basis des Projektdesigns
Anforderungen und Ziele 
Leistungsumfang und Lieferobjekte 
Ablauf und Termine 
Organisation, Information und Dokumentation 
Qualität 
Kosten und FinanzierungAI/ML 1, 2: Die Ermittlung von Aufwänden und Kosten gehört zu den „einfachen“ AI/ML Techniken. Lediglich die Beschaffung von Trainingsdaten ist vermutlich schwierig, da archivierte Projektdaten selten vorliegen.
Ressourcen 
Beschaffung 
Planung und SteuerungAI/ML 1: siehe Kosten und Finanzierung
Chancen und Risiken 
StakeholderAI/ML 2, 3, 4: Diese AI Erweiterungen der PM Intelligenz bzw. Metakompetenz sind für das Stakeholdermanagement von enormer Bedeutung
Change und TransformationAI/ML 2, 3, 4, 5: Hier können nahezu alle AI Techniken zum Einsatz kommen, um eine valide Entscheidungsbasis für Interventionen zu haben.
Tabelle: AI & M 4.0 unter Verwendung der ICB 4.0 / PM4 Kompetenzen

Die GPM Fachgruppe Agile Management sucht Mitglieder, die bereit sind, in die Untiefen 😉 der AI Erstellung, des Trainingsdaten Sammelns oder sogar der Anwendung im eigenen Unternehmen einzusteigen! – Wir freuen uns über eine Kontaktaufnahme unter agile-management@gpm-ipma.de!

[1] Kissinger HA, Schmidt E, Huttenlocher D (2021) The Age of AI: And Our Human Future, kindle edition
[2] DeepMind (2021) deepmind.com, zugegriffen am 02.12.2021
[3] DeepAI (2021) deepai.org, zugegriffen am 02.12.2021
[4] Colab (2021) https://colab.research.google.com/
[5] Python (2021) https://www.python.org/
[6] Jupyter Notebooks (2021) https://jupyter.org/, zugegriffen am 02.12.2021
[7] Tübingen AI Center (2021) tuebingen.ai, zugegriffen am 02.12.2021
[8] Nuhn H (2021) Organizing for temporality and supporting AI systems – a framework for applied AI and organization research, Lecture Notes in Informatics, GI e.V
[9] Veličković P (2021) Introduction to Graph Neural Networks, https://www.youtube.com/watch?v=8owQBFAHw7E, zugegriffen am 02.12.2021, man siehe auch petar-v.com
[10] Spektral (2021) https://graphneural.network/, zugegriffen am 02.12.2021
[11] GPT-3 (2021) https://openai.com/blog/openai-api/, zugegriffen am 09.12.2021
[12] Gopher (2021) https://deepmind.com/blog/article/language-modelling-at-scale,
[13] Neuronales Netzwerk „zum Spielen“ (2021) https://playground.tensorflow.org, zugegriffen am 02.12.2021
[14] GPM (2017) Individual Competence Baseline für Projektmanagement, IPMA, Version 4.0 / Deutsche Fassung
[15] GPM (2019) Kompetenzbasiertes Projektmanagement (PM4), Handbuch für Praxis und Weiterbildung im Projektmanagement
[16] Tensorflow (2021) google Entwicklungsplattform, https://www.tensorflow.org, zugegriffen am 02.12.2021
[17] BERT (2021) NLP Transformer Model BERT, https://huggingface.co/models, zugegriffen am 02.12.2021
[18] Scikit-learn (2021) https://scikit-learn.org/, zugegriffen am 02.12.2021
[19] Gensim-word2vec (2021) https://www.kaggle.com/pierremegret/gensim-word2vec-tutorial, zugegriffen am 02.12.2021
[20] Word-Vector-Visualisation (2021) https://www.kaggle.com/jeffd23/visualizing-word-vectors-with-t-sne/notebook, zugegriffen am 02.12.2021
[21] Spacy (2021) https://spacy.io/models/de, zugegriffen am 02.12.2021          

Metabetrachtungen: Zur Schnittmenge von diesjährigem Physik-Nobelpreis, Künstlicher Intelligenz und Collective Mind

Dieses Jahr wurde der Physik-Nobelpreis unter dem gemeinsamen Label „For groundbreaking contributions to our understanding of complex physical systems.“ an die Physiker Klaus Hasselmann und Syukuro Manabe sowie Giorgio Parisi vergeben. Es ist meines Wissens das erste Mal, dass das Verstehen von komplexen physikalischen Systemen so explizit honoriert wurde. Alle drei Forscher haben den Einfluss von mikroskopischen Zuständen auf makroskopische Zustände untersucht. Bei Klaus Hasselmann ging es um die Auswirkung von (lokalen) Wetterphänomenen auf (globale) Klimaphänomene. Also dem zentralen Problem unserer Tage. Syukuro Manabe wurde für die erstmalige computergestützte globale Klima-Modellierung geehrt.

Giorgio Parisi hat den Nobelpreis für seine Untersuchung von Spingläsern, insbesondere für seinen „great leap  … to introduce a new order parameter“ erhalten [1]. Seine Arbeiten ziehe ich für meine Metabetrachtungen heran.

Spin Gläser sind u.a. Legierungen wie CuMn, wobei das nichtmagnetische Kupfer (Cu) magnetisches Mangan (Mn) mit ca. 13% enthält. Die magnetischen Momente (Spin‘s) der Manganatome sind zufällig, aber fest im Kupferkristall verteilt. Zwischen den Manganatomen können ferromagnetische und antiferromagnetische Wechselwirkungen auftreten. – Je nach Konfiguration der Manganatome müssen diese mit ihren Nachbar-Manganatomen sowohl eine ferromagnetische als auch eine antiferromagnetische Wechselwirkung „befriedigen“. Dies kann auch Atome „frustrieren“. – Spingläser, also Substanzen, die bezüglich des Spins, wie Glas, amorphe Konfigurationen aufweisen und Frustrationen ausbilden, zeichnen sich (oft) nicht mehr nur durch einen einfachen Ordnungsparameter, wie die makroskopische Magnetisierung aus. – Sondern sie bilden viele mikroskopische Zustände aus, die mit dem Einstellen bestimmter Parameter (Rahmen- und Kontrollparameter) zu vielen unterschiedlichen Phasen mit jeweils unterschiedlichen Ordnungsparameter-Ausprägungen führen. Diese Ordnungsparameter-Ausprägungen genügen jedoch einem einheitlichen mathematischen Muster. – Parisi hat dieses „new order parameter“ Muster eingeführt [2].

Ich will versuchen dieses Muster am Beispiel einer sozialen Gruppe, an einem Team, zu erläutern.- Für den ein oder anderen mag dies Physikalismus sein [3], also der Versuch Alles und Jedes mittels Physik zu erklären; für mich ist es das Denken in Modellen und Theorien; und Metabetrachtungen helfen das ein oder andere qualitativ und quantitativ viel besser zu verstehen: Im Management 4.0 modellieren wir zentrale menschliche Eigenschaften mit der sogenannten Dilts Pyramide. Die Dilts Pyramide integriert hierbei ca. 30 unsere Persönlichkeit bestimmende Eigenschaften (Vision, Mission, Zugehörigkeit, Temperament, Werte, Glaubenssätze, Grundannahmen und Prinzipien). Stellen wir uns für den Moment die Pyramide (sie ist ja ein Keil, eine Spitze) als eine Ausrichtung unserer Persönlichkeit vor. Bilden wir eine Gruppe aus Personen mit unterschiedlichen Dilts Pyramiden, so bildet die Gruppe nicht selten (am Anfang) eine „Diltsglas-Organisation“: Die Pyramiden zeigen alle in unterschiedliche Richtungen. Recht selten geschieht es, dass die Pyramiden eine gemeinsame Ausrichtung erfahren, das Team sich also einen Ordnungsparameter, den Collective Mind, erarbeitet. Sehr oft führt die Gruppendynamik in einem Projektteam zu unterschiedlichen Kommunikationskonfigurationen (Zuständen): Unterschiedliche Visionen, Werte oder Glaubenssätze tauchen auf, nicht selten bleiben diese nebeneinander bestehen, ohne dass dies für die Gruppenmitglieder wirklich transparent wird. Damit verbunden sind, wie wir wahrscheinlich alle wissen, auch Frustrationen. Die Kommunikationskonfigurationen sind jedoch nicht beliebig. Die verschiedenen konfigurationsspezifischen Ausrichtungen der Dilts Pyramide der einzelnen Gruppenmitglieder haben nichtverschwindende „Überlappe“, z.B. mögen bestimmte Werte oder Glaubenssätze in verschiedenen Konfigurationen auftauchen. – Sie wirken als „mikroskopische“ Ordnungsparameter, die die makroskopische (Un-) Ordnung bestimmen. Man könnte also einen neuen Ordnungsparameter einführen, der den „Überlapp“ bei allen Teammitglieder misst und aufsummiert. – Damit hat man auch ein Maß für die „Diltsglas-Organisation“ des Teams. – Dieses Vorgehen entspricht dem von Parisi eingeführten neuen Ordnungsparameter für Spingläser. – Der Ordnungsparameter der „Diltsglas-Organisation“ ist damit auch ein Maß für die „Abweichung“ von einem einfachen Ordnungsparameter, dem Collective Mind, bei dem alle Dilts Pyramiden im Rahmen der Teamaktivitäten in eine Richtung zeigen.

Man kann die Analogie noch erweitern: Physikalische Spingläser können durch äußere magnetische Felder in der Ausbildung des Parisi-Ordnungsparameters beeinflusst werden. Auch „Diltsglas-Organisationen“ zeigen ein ähnliches Verhalten, wenn eine (äußere) Beeinflussung einsetzt: Führungskräfte oder Coaches wirken auf die Dilts Pyramiden des Teams ein. – Bei kleinen Einflussnahmen bleibt das „Diltsglas“ erhalten, steigt die Einflussnahme entsteht eine Ausrichtung, die aussieht wie ein Collective Mind. In den meisten Fällen dürfte die Ausrichtung jedoch wieder verschwinden, wenn die Einflussnahme zurückgeht, falls sich bis dahin keine intrinsische Veränderung im Team ausgebildet hat.  

Alles schön und gut, könnte man sagen: Warum macht es Sinn sich mit solchen Metabetrachtungen zu beschäftigen. In der Schrift des Nobel-Komitees [1] wird die Antwort gegeben. Die Modelle zur Erklärung von Spin-Gläsern haben heute sehr viele unterschiedliche Bereich erheblich befruchtet: Verschiedene Gebiete der Physik, der Biologie, der Chemie, der Neurowissenschaften und der Künstlichen Intelligenz. Für die Verbindung von Neurowissenschaften und Systemen Künstlicher Intelligenz wird explizit die Arbeit von John J. Hopfield in [1] genannt. Neuronale Netzwerke können auch als Spinglas Systeme verstanden werden, wenn man die magnetischen Momente durch Neuronen ersetzt. Die Wechselwirkungsparameter zwischen den Spins entsprechen den Gewichten zwischen den Ausgängen einer Neuronen Schicht und den Eingängen der nächsten Neuronen Schicht. Angelegte magnetische Felder entsprechen den Bias-Einstellungen der Neuronen. – Und wie oben geschildert, kann man die Grundprinzipien auch auf soziale Gruppen übertragen.

Die GPM Fachgruppe Agile Management beschäftigt sich seit einem Jahr mit der Nutzung von KI-Systemen im Management 4.0. Insbesondere habe ich mir hierzu zwei Themen ausgesucht:

  • Die Nutzung eines Neuronalen Netzwerkes für die Ermittlung von Persönlichkeitsmerkmalen aus beobachteten Verhaltensweisen.
  • Die Ermittlung des Grades der „Diltsglas-Organisation“ (wie oben geschildert) und des Collective Minds eines Teams aus auditiven Gesprächsprotokollen.

Den technologischen Durchstich für die erste Aufgabe konnte ich inzwischen erfolgreich abschließen. Ich bin also optimistisch, dass ich meine nächsten Blogbeiträge der Ausgestaltung dieser beiden Themen widmen werde. 

           

[1] The Nobel Committee for Physics (2021) For groundbreaking contributions to our understanding of complex physical systems, Scientific background on the Nobel Prize in Physics 2021.

[2] Parisi G (2008) The physical Meaning of Replica Symmetry Breaking, arXiv

[3] Wikipedia (2021) Physikalismus, https://de.wikipedia.org/wiki/Physikalismus_(Ontologie), zugegriffen am 29.10.2021

[4] Hopfield J.J. (1982) Neural networks and physical systems with emergent collective computational abilities, Proc. Nat. Acad. Sci. USA, Vol. 79 Biophysics

Metabetrachtungen: Zur Schnittmenge von Intuitivem Bogenschießen, Künstlicher Intelligenz und Management 4.0

Ende letzten Jahres habe ich einen WDR-Fernseh-Beitrag zur Bogenwerkstatt gesehen [1]. Dieser Beitrag hat meine verschüttete Kindheitsleidenschaft zum Bogenschießen wieder offengelegt. Seither übe ich mich mit großer Freude im sogenannten Intuitiven Bogenschießen [2]. Beim Intuitiven Bogenschießen bringt allein das „Körpergefühl und die Erfahrung des Schützen den Pfeil ins Ziel – rein intuitiv ohne Zieltechnik“. Intuitives Bogenschießen hat eine recht große Nähe zum japanischen Zen-Bogenschießen. – Das Buch des Philosophen Eugen Herrigel, der nach sechs! Jahren harten Übens (genüsslich zu lesen) seine Zen Bogenschieß-Prüfung ablegte gibt u.a. einen wunderbaren Eindruck von der Aussage „rein intuitiv ohne Zieltechnik“. – Die Fähigkeit sich an unterschiedliche Kontexte anzupassen, wird insbesondere beim 3D-Parcours Schießen im Gelände besonders herausgefordert.

Intuitives Bogenschießen wird auch als therapeutisches Bogenschießen in Kliniken eingesetzt. – Fokus, Adaption und Intuition sind zentrale Elemente des Intuitiven Bogenschießens. – Die begriffliche Nähe zum Management 4.0 ist offensichtlich. Ich werde später aufzeigen, dass auch eine Schnittmenge zur Künstlichen Intelligenz mittels Deep Learning gegeben ist.

Vor kurzem hatte ich die Gelegenheit und das Glück an einem dreitägigen Kurs zum Thema Deep Learning mittels Tensorflow teilzunehmen [4]. Tensorflow ist die von google u.a. über colab.research.google.com zur Verfügung gestellte Plattform für das Erstellen von Deep Learning Systemen der Künstlichen Intelligenz. – Das Eintauchen in diese und weitere Plattformen des Machine Learnings (ML) ist überwältigend: Es ist kein Programmieren mehr im mir bisher bekannten Sinne, sondern entspricht eher dem Design und Konfigurieren von Systemen auf sehr hohem Abstraktionsniveau. – Den erreichten (globalen) Fortschritt im ML konnte ich mir bisher in dieser nahezu „unendlichen Fülle“ nicht vorstellen. Deep Learning ist eine Form von technischer Selbstorganisation – das Design und die Konfiguration dienen der Ausgestaltung der Selbstorganisationsparameter des neuronalen Netzwerkes; und damit ist der Bezug zu Management 4.0 schon erkennbar.          

Vor einem Jahr haben wir in der Fachgruppe Agile Management eine Arbeitsgruppe ins Leben gerufen, die sich mit der Anwendung von Künstlicher Intelligenz im Projekt Management beschäftigt: Helge Nuhn hat kürzlich einen Übersichtsartikel zu Stand und Potential der Nutzung von Artificial Intelligence Systemen (AI Systemen) in temporären Organisationen und im Projekt Management erstellt [5].

In allen drei Bereichen – Intuitivem Bogenschießen, Künstlicher Intelligenz und Management 4.0 – ist Lernen das Schlüsselelement, um das System Mensch, das technische System Neuronales Netzwerk und das soziale System Team oder Organisation auf das Umfeld, also auf den jeweiligen Kontext, auszurichten.

In dem Standardwerk zu Machine Learning (ML) von Aurélien Géron charakterisiert er maschinelle Lernverfahren u.a. durch die Gegenüberstellung von Instanzbasiertem Lernen und Modellbasiertem Lernen: Instanzbasiertes Lernen ist dem Auswendiglernen sehr nahe. – Die Maschine lernt vordefinierte Objekt-Beispiele (Instanzen) einfach auswendig und wendet ein sogenanntes Ähnlichkeitsmaß zum Identifizieren von neuen Objekten (Instanzen) an. Ist die Ähnlichkeit hoch genug werden die neuen Objekte maschinell den vordefinierten Klassen zugeordnet. Instanzen können spezifische Kunden, Äpfel, eMails usw. sein. Das Ähnlichkeitsmaß wird über Regeln definiert und wird im „klassischen“ Sinne programmiert. – Die Regeln stellen eine äußerst einfache Form eines von außen (durch den Programmierer) vorgegebenen Modells dar. Das eigentliche Modellbasierte Lernen funktioniert jedoch völlig anders: Einem System werden Beispieldaten übergeben und das System entwickelt hieraus ein Modell und dieses Modell wird zur Vorhersage verwendet. Das Modellbasierte Lernen ist also dem wissenschaftlichen Vorgehen bei der Entwicklung von Erkenntnissen nicht unähnlich. Deep Learning lässt sich nach dem mehr oder weniger an Selbständigkeit beim AI-Lernen unterscheiden: Supervised Learning, Unsupervised Learning und Reinforcement Learning.

Zwischen Instanzbasiertem Lernen und Modellbasiertem Lernen liegt ein fundamentaler Unterschied. – Dies wird in dem Moment offensichtlich, wenn ich die Verbindung zum Management 4.0 und dem Lernen im einfachen oder komplizierten Kontext und dem Lernen im komplexen Kontext ziehe. Das Instanzbasierte Lernen ist das Lernen an Best Practice, also an Beispiel-Objekten wie einem Beispiel-Projekt oder an einem Beispiel-Verfahren. Das Ähnlichkeitsmaß ist in diesem Fall die Nähe zur eigenen Praxis: Der Lernende sucht nach einem Projekt, das möglichst zu seiner bisherigen Praxis passt. Dies kann heißen, dass Beispiele aus anderen Branchen nicht akzeptiert werden, dass nur dann das Beispiel passt, wenn der Lernende davon ausgeht, dass im Best Practice ein ähnliches Mindset vorliegt oder dass der WIP (Work-in-Progress) wie in der eigenen Organisation ähnlich groß ist, usw…. In jedem Fall wird der Projektkontext des Best Practices nur ungenügend abgebildet, es findet keine oder eine nur sehr geringe Abstraktionsleistung statt und die Übertragbarkeit ist deshalb mehr als fraglich.

Lernen im Management 4.0 ist Modellbasiertes Lernen. Instanzen sind nicht die Basis des Lernens, allenfalls um zu zeigen, dass man mit dem Modell sehr gut Probleme (Instanzen) lösen kann, die man vorher noch nie gesehen hat. – Falls das Modell jedoch nicht erfasst wird, erzeugt dies bei einem an Instanzbasiertes Lernen gewöhnten Menschen keine Erkenntnis: Da das Modell sich nicht erschließt, erschließt sich auch nicht die Lösung; Modell und Lösung sind unpraktisch.         

Mit dieser Erkenntnis sehr eng verbunden ist das sogenannte „Overfitting“ im ML: Man kann ein Neuronales Netz extrem gut mit einem gewaltig großen Datensatz (zum Beispiel Tier-Bildern) trainieren. – Die ermittelte Trefferrate ist fantastisch, so lange Bilder aus dem Trainingsdatensatz verwendet werden. – Trotzdem versagt das Netz bei einem bisher unbekannten Bild die Hundeart Spitz zu erkennen, und verortet den Spitz als Tyrannosaurus Rex. Der Kontext in dem der Spitz gezeigt wurde, war anders als bei den Trainingsdaten: Das AI-System konnte aufgrund der geringen Datenvariabiltät kein hinreichend abstraktes Modell ausbilden, um den Spitz in einem andersartigen Kontext zu erkennen. – Das Modell war sozusagen im Instanzbasierten Lernen hängen geblieben.

Beim Bogenschießen machte ich eine ähnliche Erfahrung im Selbsttraining: Ich stellte mich mit sehr vielen Schüssen (und ich meine hunderte, wenn nicht tausende Schüsse) auf einen bestimmten Kontext ein und die Trefferrate war sehr gut! – Eugen Herrigel beschreibt in seinem Buch wie er 4 Jahre aus einem Meter Distanz zum Ziel die Rituale des Zen-Bogenschießens einübt, um dann ad hoc mit einer 60 Meter Distanz konfrontiert zu werden, an der er über Monate kläglich scheiterte.

Bogenschießen unterliegt vielen, wahrscheinlich einigen hundert Parametern: Einer der offensichtlichen Kontext-Parameter ist die Entfernung zum Ziel. Änderte ich in der Anfangszeit die Entfernung ging meine Trefferrate deutlich runter. Ich hatte meine Intuition, mein Gehirn (d.h. mein neuronales Netzwerk), mittels Instanzbasiertem Lernen trainiert. Mit der Hinzunahme weiterer Entfernungen im 3D-Parcours wurde meine Trefferrate immer schlechter, um nicht zu sagen chaotischer. Mein Gehirn hat es aufgrund der vielen Parameter nicht geschafft, von allein eine Intuition, also ein mentales Modell, auszubilden, das mir zu einer besseren Trefferrate verhilft. Bei künstlichen Neuronalen Netzwerken hat man eine ähnliche Beobachtung gemacht: AI-Systeme können ebenfalls „Frustration“ ausbilden, sei es, dass sie in einem System-Zustand verharren oder „chaotische“ Reaktionen zeigen.  

Die Trefferrate wurde erst wieder deutlich besser als ich meiner Intuition auf die Sprünge half. Ich dachte mir ein einfaches Modell aus: Dieses Modell beruht auf der Erkenntnis, dass der Pfeilflug eine Wurfparabel beschreibt. Man spricht auch von ballistischem Schießen. Ist die Distanz gering (ca. 20 m) merkt man vielfach nichts von dieser Wurfparabel. – Vielfach bedeutet, dass die anderen Parameter, wie zum Beispiel Pfeilgewicht, Bogenstärke, usw. dies ermöglich. Im Falle meines Bogens und meiner Pfeile wird die Wurfparabel ab 20 m immer stärker sichtbar. Das Modell lautet aktuell: Richte den Pfeil in einer geraden Linie auf das Ziel aus, auch wenn es 30 oder 40 Meter entfernt ist, schätze die Entfernung und hebe den Bogen in Abhängigkeit von der Entfernung leicht an. Leicht anheben bedeutet maximal 1-2 Winkelgrad. – Ein Winkelgrad kann durchaus im Ziel eine Abweichung von 50 cm oder mehr hervorrufen. – Also eine ziemliche Anforderung an Intuition und Motorik. Seit ich mit diesem Modell (das noch etwas umfangreicher ist, und weitere Parameter wie zum Beispiel das Pfeilgewicht berücksichtigt) schieße, hat sich die Trefferrate wieder deutlich verbessert und meine Adaptionsfähigkeit ist wesentlich gestiegen.      

Der Neurobiologe Henning Beck beschreibt in [7] wie unser Hang zur Ordnung im Lernen, also zum Instanzbasierten Block-Lernen uns „behindert“:

„Stellen Sie sich vor, Sie sind Lehrer an einer Kunstschule und wollen Ihren Kursteilnehmern den typischen Malstil von van Gogh, Monet und Cezanne vermitteln, wie gehen Sie vor? Oder umgedreht gefragt: Sie sollen für eine Prüfung lernen, was das Typische an den Bildern der drei Künstler ist, was würden Sie tun? Würden Sie sich Bilder der Maler anschauen? Ins Museum gehen, die Bilder vielleicht sogar nachmalen? …

…Eine Gruppe lernte genau nach obiger Blockabfertigung: Zunächst sah man sich eine Reihe von Bildern des ersten Künstlers an, machte dann eine kurze Pause, bevor die Bilder des Künstlers Nummer zwei folgten. Bei der anderen Gruppe machte man etwas anderes: Man zeigte die Bilder aller Künstler durcheinandergemischt, machte dann eine Pause und zeigte anschließend eine neue Runde durchmischter Bilder. Was für ein heilloses Durcheinander! So verliert man doch total den Überblick! …

…Das Ergebnis der Studie war jedoch erstaunlich: Ging es in dem anschließenden Test darum, ein zuvor gezeigtes Bild zu erkennen, dann schnitt die erste Gruppe, die blockweise gelernt hatte, besser ab. Ging es jedoch darum, ein neues, zuvor nicht gezeigtes Bild korrekt zuzuordnen, dann war Gruppe zwei mit den durchmischten Bildern besser. Denn diese Gruppe hatte die Bilder nicht nur auswendig gelernt, sondern auch das Typische der Malstile verstanden…

…Im obigen Malstilexperiment gaben drei Viertel der Teilnehmer an, das blockweise Lernen führe zu einem besseren Verständnis der Malstile – selbst nachdem man den finalen Test gemacht hatte, war die Mehrheit überzeugt, weiterhin blockweise lernen zu wollen.“

Ich habe Henning Beck hier so ausführlich zitiert, weil ich das „…Durchmischen von Lerninhalten, …das „Interleaving“…“ seit vielen Jahren in meinen Management 4.0 Trainings anwende und auch dort die Erfahrung mache, dass 50-75% der Teilnehmer das Block-Lernen bevorzugen. – Wie oben geschildert, geht blockweises Lernen mit dem Unvermögen einher, mentale Modelle zu erstellen, die sich auf neue Kontexte adaptiv einstellen. – Dies ist eine zentrale Fähigkeit um Komplexität zu meistern, also dem Handeln unter Unsicherheit und Unüberschaubarkeit.   

Meine Erfahrungen, sei es im Selbst-Training beim Bogenschießen, beim Erstellen von AI-Systemen oder in meinen Management 4.0 Trainings, zeigen, dass die Schnittmenge in diesen drei vordergründig disjunkten Bereichen keineswegs Null ist. – Die hier skizzierten Metabetrachtungen helfen, Einzel-Disziplinen besser zu verstehen, vernetzte Erkenntnisse zu gewinnen und Meta-Lernen anzuregen.

 

[1] Hörnchen D (2021) Die Bogenwerkstatt, https://www.die-bogenwerkstatt.de/, zugegriffen am 15.09.2021

[2] Wikipedia (2021) Traditionelles Bogenschießen, https://de.wikipedia.org/wiki/Traditionelles_Bogenschie%C3%9Fen, zugegriffen am 15.09.2021

[3] Herrigel E. (2010) Zen in der Kunst des Bogenschießens

[4] Zeigermann O (2021) Introduction Deep Learning to Deep Learning with Tensorflow 2, zeigermann.eu, embarc.de/oliver-zeigermann, ein Training der oose.de

[5] Nuhn H (2021) Organizing for temporality and supporting AI systems – a framework for applied AI and organization research, Lecture Notes in Informatics, GI e.V

[6] Géron A (2020) Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und Tesnorflow, O’Reilly, 2. Auflage

[7] Beck H (2021) Die Crux mit der Ordnung, in managerSeminare 276, März 2021, https://www.managerseminare.de/ms_Artikel/Schlauer-lernen-Die-Crux-mit-der-Ordnung,281117, zugegriffen am 15.09.2021

Agil oder adaptiv? Oder Management 4.0 = Complex Adaptive System Management?!

Die GPM Fachgruppe Normen und Standards im PM [1] trägt zurzeit in ihrer Arbeitsgruppe ‚Agiles Projektmanagement‘ Theorie und Praxis des Agilen Projekt Managements zusammen. Die Ergebnisse dieses Dialogs sollen in relevante Normierungsgremien von DIN, CEN und ISO einfließen.

Eine der aus dem ISO Kontext mitgebrachten Fragen lautet: „Gibt es Unterschiede zwischen Agilem und Adaptiven Management? Und welche Unterschiede sind dies?“

Der folgende Blog-Beitrag geht hierzu auf Spurensuche!

Spüre ich dem Verständnis von Agilem Management nach, so stoße ich fast immer auf ein vorherrschendes Verständnis: Agiles (Projekt) Management = Scrum, alleine oder hybrid-integriert in ein planbasiertes Projektmanagement.  Ich mache dies daran fest, dass in der überwiegenden Anzahl der Gespräche hierzu, sofort von Sprints, Product Backlog, Product Owner oder Scrum Master gesprochen wird, also speziellen Scrum Techniken! Sehr selten werden andere Techniken angeführt und noch viel seltener wird vom Agilen Manifest, von Mindset und Werten sowie Glaubenssätzen gesprochen oder dem Thema Governance. Der Begriff Selbstorganisation taucht zwar auf, jedoch wird keinerlei Zusammenhang zu dem universellen Prinzip der Selbstorganisation, als Governance, hergestellt. – PDCA oder PDIA [2] tauchen mit ähnlich geringer Häufigkeit in den Gesprächen auf, ganz zu Schweigen von Kontext, Empirie oder Komplexität. Agilität wird kaum als Balance von Flexibilität und Schnelligkeit gesehen (Agilität = Flexibilität * Schnelligkeit), und dementsprechend selten wird Agiles Management, als Management betrachtet, diese Balance herbeizuführen. Weiterführend verstehen wir im Management 4.0 Agilität als die Fähigkeit, Komplexität zu regulieren: D.h. sich mit der System-Komplexität, also der eigenen mentalen Komplexität oder der des Teams oder der der Organisation adaptiv auf die Komplexität des Umfeldes einzustellen und beide Komplexitäten, also von System und Umfeld, adaptiv wertschaffend zu meistern. Von diesem Verständnis ist das vorherrschende Verständnis Agilen (Projekt) Managements sehr weit entfernt. 

Umso erstaunlicher ist folgende Feststellung: Eine (erste) Recherche zu Adaptivem Management zeigt ein viel allgemeineres und tiefgehendes Verständnis. Der Begriff Adaptives Management hat es bis zur U.S. Agency for International Development (usaid.gov) gebracht und wird in einer discussion note ausgeführt [3], die auch in direkter Verbindung zum UK BOND Netzwerk steht, das Adaptives Management als ein zentrales Mittel für die erfolgreiche internationale Entwicklung sieht [4, 5]. – Nachhaltigkeit, Gleichheit, Gerechtigkeit, Menschlichkeit, aber auch Komplexität, Selbstorganisation, und PDCA/PDIA spielen in beiden Dokumenten eine zentrale Rolle:  

“Adaptive management is defined in ADS 201.6 as “an intentional approach to making decisions and adjustments in response to new information and changes in context.” Adaptive management is not about changing goals during implementation, it is about changing the path being used to achieve the goals in response to changes. Like other donors and development organizations (see, for example, the following initiatives: Doing Development Differently, Problem-Driven Iterative Adaptation, Thinking and Working Politically, and The World Bank’s Global Delivery Initiative), USAID is increasingly recognizing the importance of adaptability for its work to be effective. ADS 201 now integrates adaptive management approaches throughout the Program Cycle. …“Manage adaptively through continuous learning” is one of the four core principles that serve as the foundation for Program Cycle implementation.”

Dies spiegelt den empirisch-wissenschaftlichen Hintergrund wider [6]:

„Adaptive management is a process that can improve management practices incrementally by implementing plans in ways that maximize opportunities to learn from experience. From: Models for Planning Wildlife Conservation in Large Landscapes, 2009”

Mein Verständnis von Management 4.0 beruht auf folgender Definition und schließt die obigen Ausführungen [3 ,4, 5, 6] zu Adaptivem Management ein:

Management 4.0 ist eine Führungs- und Management- Theorie und Praxis, um in einem komplexen und von Unsicherheit gekennzeichneten Handlungsfeld adaptiv und proaktiv agieren zu können. Sie ist gekennzeichnet durch einen agilen Mindset mit dem Fokus auf:

  • einer Führung, deren Grundlage das Lernen und die Selbstführung ist,
  • einer Führung, die auf den Grundbedürfnissen der Menschen fußt,
  • einer Führung, die die belebte und unbelebte Natur als Basis unseres Lebens schützt und respektiert,
  • einer Führung, die das Verständnis komplexer Systeme fordert, sowie deren Regulation durch ein iteratives Vorgehen fördert, 
  • einer Führung, die Menschen zur Selbstorganisation befähigt.
  • Damit ermöglicht sie Fluide Organisationen, die das anpassungsfähige und schnelle Liefern von nutzbaren Ergebnissen fördern und durch den proaktiven Umgang mit Veränderungen innovative nachhaltige Lösungen schaffen,
  • um wesentlich dazu beizutragen, dass alle Menschen in Würde in einem lebenswerten Umfeld leben, so dass sich das Bewusstsein unserer globalen Gesellschaft ständig integral weiterentwickelt.

Zusammenfassend stelle ich fest, dass Adaptives Management und damit Management 4.0, die Führung und das Management von Complex Adaptiv Systems [7] zum Ziel hat.

Die nachfolgenden drei Abbildungen illustrieren einige Aspekte dieser Definition und des damit verbundenen Verständnisses.

Abbildung 1 verdeutlicht „in einem komplexen und von Unsicherheit gekennzeichneten Handlungsfeld adaptiv und proaktiv agieren zu können“. Hiernach ist sowohl der Start als auch das Projekt-Ziel in einem gewissen Maße unbestimmt und der Weg vom Start zum Ziel ist von hoher Unsicherheit gekennzeichnet und erfordert mittels des PDCA/PDIA eine fortlaufende Adaption. Damit geht dieses Verständnis auch über dasjenige von [3] hinaus, in dem „changing goals“ explizit ausgeschlossen werden. – Das Goal wird im Management 4.0 über eine Ziel-Hierarchie abgebildet, und diese kann sich mit fortschreitender Erkenntnis auf allen Ebenen ändern. – Im Normalfall sollte die Änderung auf der obersten Ebene nur sehr selten und wenig erfolgen.- Die oberste Ebene stellt den am wenigsten sich ändernden Ordnungsparameter dar. Abbildung 1 ist für nicht wenige Projektmanager eine mentale Herausforderung, da sowohl Start als auch Ziel nur „fuzzy“ erfassbar sind.- Damit liegt für viele kein Projekt vor! Die Herausforderungen wie Corona oder Klimawandel illustrieren jedoch sehr eindrücklich die Unzulänglichkeiten dieses Projektverständnisses!

Abbildung 1: Vom fuzzy Projekt-Start zum fuzzy Projekt-Ziel, aus [8]

Abbildung 2 verdeutlicht den empirisch wissenschaftlichen Ansatz des Adaptiven Managements, der auch in [3, 4, 5, 6] enthalten ist. Am Beispiel des komplexen Umfeldes Corona können wir erkennen, wie über Jahrzehnte gelebte Praxis ohne Theorie zu Dummheit führt oder anders ausgedrückt zu mangelhafter Adaptionsfähigkeit und damit verbundenem mangelhaftem Adaptiven Management.

Abbildung 2: Der PDCA/PDIA im Management 4.0, aus [8]

Werden Theorien und Modelle einer Pandemie nicht verstanden oder politisch weichgespült, können keine relevanten Sozialtechniken abgeleitet werden, z.B. abgestimmte Regionalisierungsmodelle zur Pandemie, konsequente Datenerhebungs- und Auswertungs-Modelle gemäß den hypothetischen Erfolgsfaktoren, Ableitung der hypothetischen Erfolgsfaktoren (wie z.B. Einlasskontrollen und Prüfungen im Inland und an den Grenzen, usw.) sowie transparentes Adaptieren der Erfolgskriterien (wie z.B. Inzidenzen, Intensivbettenbelegung, mentale Verfassung der Gesellschaft, usw.). Stattdessen werden in kurzen Zeitabständen ohne Fundament adhoc Maßnahmen eingeführt, die kurze Zeit später schon wieder verworfen werden: Die politischen Amtsträger überbieten sich regelrecht in Aussagen wie „Ich bin der Meinung, dass…“. Meinungen entbehren jedoch oft der Tragfähigkeit; sie finden sich jedoch oft kurze Zeit später als weitere Corona Regeln in einem Wirrwarr von anderen Corona Regeln. Adaptionsfähigkeit verkommt zum Spielball von Interessen oder auch zur Dummheit: Dies ist keine Adaptionsfähigkeit, genauso wenig wie Agilität!

Abbildung 3 verdeutlicht die Verwendung des obigen PDCA/PDIA Zyklus am Beispiel des Management 4.0 Handlungsrahmens Collective Mind [9]:

Abbildung 3: Der PDCA/PDIA aus Abbildung 2 umgesetzt für den Handlungsrahmen Collective Mind [9] im Management 4.0.

Im Handlungsrahmen Collective Mind werden Theorien und Modelle aus wissenschaftlichen Theorie übernommen und auf den jeweiligen Projektkontext als Sozialtechniken adaptiert (in Abbildung 3 sind nur einige Theorien und Modelle als Beispiele angeführt). Die Sozialtechniken gestalten die hypothetischen Erfolgsfaktoren aus, die wiederum die hypothetischen Erfolgskriterien beeinflussen sollen. Diese spezielle Form des Projektdesigns wird adaptiv in Iterationen mittels PDCA/PDIA überprüft und angepasst.

Der PDCA bzw. PDIA wurde nicht von der agilen Community erfunden, jedoch vielleicht erstmals entsprechend seiner Bedeutung verstanden und eingesetzt. Er ist die Basis jeglichen agilen Handlungsrahmens und des Adaptiven Managements. Seit kurzem verwenden immer mehr Anwendungsfelder dieses einfache Modell in verschiedenen spezifischen Ausprägungen. – Stellvertretend hierfür erwähne ich nur zwei sehr unterschiedliche Bereiche, die dies auf den ersten Blick nicht vermuten lassen: Das Sicherheits-, Gesundheits- und Arbeitsschutz-Management gemäß ISO 45001 [10] und das Data Science Analyse Modell gemäß des CRISP-DM Standards [11].  

Im Management 4.0 verwenden wir die aus der Veränderungsarbeit des NLP bekannte Dilts Pyramide zur Charakterisierung von sozialen Systemen, also auch von Handlungsrahmen des Management 4.0 [12]. Die nachfolgende Tabelle charakterisiert Management 4.0 und den dort auch enthalten Handlungsrahmen Scrum:

 

Management 4.0 = Complex Adaptive System Management

Scrum = Agiles Management

Vision, Mission

Wir und unsere sozialen Systeme respektieren Mensch, Tier und Natur und wir sorgen uns um deren Integrität in unserem gesamten Handeln!

Wir sorgen dafür, dass die Arbeitswelt menschenwürdig wird und bleibt!

Mit Empirie lösen wir im Team jede komplexe Aufgabe.

Zugehörigkeit

Wir gehören zu denen, die Komplexität als Basis des Seins verstehen und als Geschenk begreifen, das man annimmt, in dem man es immer besser erfassen lernt.

Wir gehören zu denen, die eine komplexe Aufgabe lösen, in dem sie früh und häufig liefern.

Identität

Wir sind Modellierer unserer Arbeitswelt und sorgen mit Social Technologies für Synergien mit den Physical Technologies.

Wir sind Problemlöser, die ihre Kunden respektieren und Respekt vom Kunden erwarten.

Werte, Glaubenssätze

•       Fokus und Offenheit, Mut und Respekt, integrale Ganzheit und transzendentale Nachhaltigkeit

•       Theorie und Praxis gehören zusammen, Praxis ohne Theorie ist Dummheit: Nichts ist so praktisch, wie eine gute Theorie.

•       Selbstorganisation ist ein universelles Prinzip: Das Ganze ist mehr als die Summe seiner Teile.

•       Die universellen Prinzipien sind fundamental für unser gesamtes Sein.

Werte: Transparenz, Fokus, Mut, Offenheit, Selbstverpflichtung, Respekt

Arbeitstechnik-Prinzipien: Timeboxen, Überprüfen und anpassen, frühe und häufige Lieferungen, Transparenz schaffen, ermächtigte selbstorganisierte Teams

Fähigkeiten

Selbstreflexion und Leadership, Modellierung und (systemische) Metakompetenz

Adaption mittels Iterationen im (wissenschaftlichen) PDCA: Erfolgskriterien-Erfolgsfaktoren; Theoriebildung-Hypothesenbildung-Social Technologies/Sozialtechniken-Empirie-Theorieanpassung…

Scrum-Team-Kompetenz: Product Owner -, Scrum Master -, Developer- Kompetenz, Kundenorientierung durch entsprechende Dienstleister-Kompetenz

Verhalten

Ständiges adaptives Verhalten auf der Basis der M 4.0 Fähigkeiten

Scrum-Handlungsrahmen: Aufgabenorientierung (Backlog definiert die Aufgabe), iterative Vorgehensweise, Arbeiten im Team

Kontext

Komplexes System-Umfeld, das durch Unüberschaubarkeit und Unvorhersehbarkeit gekennzeichnet ist.

Eine komplexe Aufgabe ist umzusetzen und das möglichst schnell und zur Zufriedenheit des Auftraggebers/Kunden

Tabelle 1: Management 4.0 und Scrum verglichen mittels der Dilts Pyramide

Wir bezeichnen die Ausprägungen aller Ebenen der Dilts Pyramide als Mindset. – Wie man unschwer erkennen kann, ist das Scrum Mindset im Management 4.0 Mindset enthalten, jedoch geht dieses weit über dasjenige von Scrum hinaus.

Damit beantworte ich abschließend unsere Eingangsfrage: Setzt man Agiles Management mit Scrum gleich, was oft geschieht, so ist Agiles Management nur eine spezielle Ausprägung Adaptiven Managements, insbesondere wenn man dieses verallgemeinert als Complex Adaptiv System Management, wie im Management 4.0, versteht.

 

[1] Fachgruppe Normen und Standards im PM der GPM (2021) https://www.gpm-ipma.de/know_how/fachgruppen/themenfokussierende_fachgruppen/normen_und_standards_im_pm.html

[2] Wikipedia (2021) PDCA, https://en.wikipedia.org/wiki/PDCA

[3] USAID Learning Lab (2021) Adaptive Management,  https://usaidlearninglab.org/lab-notes/what-adaptive-management-0 und https://usaidlearninglab.org/library/discussion-note-adaptive-management

[4] BOND (2021) Adaptive Management, https://www.bond.org.uk/resources/adaptive-management-what-it-means-for-csos

[5] Wikipedia (2021) Adaptive Management, https://en.wikipedia.org/wiki/Adaptive_management

[6] ScienceDirect (2021) Adaptive Management, https://www.sciencedirect.com/topics/earth-and-planetary-sciences/adaptive-management

[7] Wikipedia (2021) Complex Adaptive System, https://en.wikipedia.org/wiki/Complex_adaptive_system

[8] Oswald A, Köhler J, Schmitt R (2016) Projektmanagement am Rande des Chaos,  auch in englischer Sprache verfügbar: (2018) Project Management at the Edge of Chaos, Springer

[9] Köhler J und Oswald A (2009) Die Collective Mind Methode, Springer

[10] Wikipedia (2021) CRISP-DM, https://en.wikipedia.org/wiki/Cross-industry_standard_process_for_data_mining

[11] Wikipedia (2021) ISO 45001, https://de.wikipedia.org/wiki/ISO_45001

[12] Oswald A und Müller W (editors) (2019) Management 4.0 – Handbook for Agile Practices, Release 3.0“, BoD 

Agile Persönlichkeit und Kultur: Auf dem Weg zum Evidenzbasierten Agilen Projekt Management – Endlich?!

Die Zeitschrift PROJEKTMANAGEMENTaktuell hat auch dieses Jahr eine Ausgabe (Ausgabe 2/2021) dem Agilen Projekt Management gewidmet. Dieses Mal sind recht viele Beiträge von universitären Autoren enthalten. – Es ist erfreulich zu sehen, dass Agiles Projekt Management seit einigen Jahren zunehmend auch in der universitären Forschung einen Platz erhalten hat.

Insbesondere sticht aus meiner Sicht positiv der Beitrag von Schoper, Gertler und Fox hervor, der erstmalig den Einfluss von Kultur und Persönlichkeit auf das agile Arbeiten untersucht [1].  In diesem Blog-Beitrag widme ich mich diesem Artikel, da der Artikel ein sehr wichtiges PM-Thema wissenschaftlich untersucht und die Ergebnisse eine klare Praxis Relevanz haben. Gleichzeitig möchte ich die wissenschaftliche Vorgehensweise diskutieren und die abgeleiteten Ergebnisse beleuchten.

Von evidenzbasiertem Agilem Projekt Management spreche ich, wenn die Aussagen über die Wirklichkeit zu Agilem Projekt Management bzw. Agilem Arbeiten empirisch wissenschaftlich nachprüfbar sind. Wie ich noch diskutieren werde, bedeutet „empirisch wissenschaftlich nachprüfbar“ nicht automatisch, dass die Aussagen die intendierte Wirklichkeit beschreiben.

Ich fasse die wichtigsten Ergebnisse aus [1] zusammen und verzichte hier auf eine Einführung zum Persönlichkeitsmodell MBTI und zu Kulturmodellen nach Hofstede, Schein oder Spiral Dynamics. – Stattdessen verweise ich auf unsere Bücher [2, 3]:

Erstes Ergebnis: Die ideale agile Persönlichkeit hat die folgenden MBTI Persönlichkeits-Präferenzen: Introversion (Position 4), Intuition (Position 3), Feeling (Position 1) und Perceiving (Position 2). – In Klammern ist jeweils die Bedeutung der Präferenz, als Position, für die ideale agile Persönlichkeit angegeben. Die Persönlichkeits-Präferenz Feeling ist hiernach also am wichtigsten für eine ideale agile Persönlichkeit.

Zweites Ergebnis: Die ideale agile Landes-Kultur (oder nationale Kultur) zeichnet sich durch geringe Machtdistanz (Position 4), ein polychrones Zeitverständnis (Position 1), geringe Unsicherheitsvermeidung (Position 2) und Kollektivismus (Position 3) aus. – In Klammern ist jeweils wieder deren Bedeutung für agiles Arbeiten angegeben. Ein polychrones Zeitverständnis ist also hiernach am wichtigsten für eine ideale agile Landes-Kultur.

Drittes Ergebnis: Die Landes-Kultur ist deutlich einflussreicher als die Persönlichkeit für das Anwenden agiler Methoden. Die Bedeutung der Einflussfaktoren Persönlichkeit und Kultur hat folgende Positions-Ordnung: Polychron, keine Unsicherheitsvermeidung, Kollektivismus, Feeling, Perceiving, Intuition, Introversion, kleine Machtdistanz.

Einige dieser Ergebnisse decken sich mit vielen von mir in Coaching, Training und Beratung gemachten Beobachtungen, andere wiederum nicht und es gibt auch welche die ich als falsch ansehe.

Bevor ich zu den einzelnen Ergebnissen komme, möchte ich zuerst auf die wissenschaftliche Methode eingehen:

Die Ergebnisse wurden auf der Basis einer Befragung von 73 TeilnehmerInnen ermittelt. Die wesentliche Grundannahme, die sich hinter der Ableitung von wissenschaftlicher Erkenntnis durch Befragungen verbirgt, ist, dass die kollektive Intelligenz der Befragten bei sorgfältiger statistischer Analyse die „Wahrheit über die intendierte Wirklichkeit“ zu Tage fördert. Kollektive Intelligenz oder Collective Intelligence ist inzwischen ein anerkanntes Forschungsgebiet [4]. – Sie liegt unserer Management 4.0 Theorie und hier insbesondere der Theorie der Selbstorganisation zugrunde. Kollektive Intelligenz setzt jedoch bestimmt Systemparameter der Selbstorganisation voraus. – Man siehe hierzu Beiträge in diesem Blog oder in unseren Büchern [2,3].
Einfache, schon sehr lange bekannte Erfolge der kollektiven Intelligenz sind zu Schätzungen im Projekt Management bekannt. Diese Erfolge beruhen auf kollektiven Schätzungen von Experten, die sich nicht gegenseitig primen: Die Experten müssen über ein hinreichend homogenes Wissen zum Schätzgegenstand verfügen und dürfen nicht kollektiven mentalen Verzerrungen unterliegen.  – Mentale Verzerrungen werden u.a. aktiv in politischen Wahlen ausgenutzt. Passiv sind sie aber auch vorhanden, wenn die Befragten mentale Verzerrungen durch eine ähnlich geübte Praxis haben. Diese geübte Praxis kann z.B. dadurch entstehen, dass sie zur selben Berufsgruppe gehören und/oder über keine theoretische und praktische Ausbildung zum Themenbereich verfügen oder sie einfach nur zufällig vorwiegend zu gleichen oder ähnlichen Persönlichkeitspräferenzen neigen. Die Vorteile der kollektiven Intelligenz werden beim Schätzung im Projekt Management u.a. in der Delphi-Methode oder im Planning Poker genutzt.

In dem hier betrachteten Fall heißt die Grundannahme, dass die 73 TeilnehmerInnen ExpertInnen in den Bereichen Agiles Projekt Management, MBTI und Kultur sind. – Und, dass die TeilnehmerInnen über eine sehr gut Selbstreflexion verfügen, so dass die jeweiligen eigenen Persönlichkeitsprofile (MBTI-Temperament, Werte und Motive sowie Grundannahmen) die Ergebnisse nicht verfälschen. Falls dies beides nicht der Fall ist, sind die Ergebnisse fragwürdig. Die Grundannahme heißt also, dass die 73 Teilnehmer einen guten „proxy“ für die intendierte Wirklichkeit „agiles Arbeiten in Teams“ darstellen. 

Eine alternative empirische wissenschaftliche Vorgehensweise ist, eine Theorie zur Hochleistung in agilen Teams zu entwickeln oder aus der Literatur zu nehmen, um auf der Basis dieser Theorie Hypothesen zu formulieren. Anschließend werden Teams in der Praxis beobachtet, und die Hypothesen werden an den Beobachtungen getestet bzw. falsifiziert. Hier liegt Evidenz nach allgemeinem Verständnis nur vor, wenn eine hinreichend große Anzahl gleicher oder ähnlicher Teams beobachtet wird und die Ergebnisse der Beobachtung wissenschaftlich ausgewertet werden. Diese geschilderte Vorgehensweise ist in der praktischen Umsetzung sehr schwer. –  Es gibt für (agiles) Projekt Management oder für agil arbeitende Teams bisher meines Erachtens keine Begleitforschung, die dies tut.

Die im Management 4.0 skizzierte Vorgehensweise entspricht in großen Teilen dieser alternativen Vorgehensweise. Sie benutzt das Erfolgsfaktoren-Erfolgskriterien Modell zusammen mit einem wissenschaftlichen PDCA Zyklus: Theoriebildung – Hypothesenbildung – Testen – Ergebnisse sammeln und auswerten – anpassen der Theorie – usw. [2]. Das Sammeln und Auswerten der Ergebnisse erfolgt jedoch nicht nach quantitativen wissenschaftlichen Kriterien und ist damit nach allgemeinem Verständnis keine Vorgehensweise, die Evidenz erzeugt.

Die Vorgehensweise wie sie von [1] gewählt wurde, wird als Evidenz erzeugend angesehen, obwohl die Ergebnisse wie oben geschildert, die Sicht der Befragten (ggf. mit Verzerrungen) messen, also eigentlich nicht die intendierte Wirklichkeit. – Die intendierte Wirklichkeit ist nämlich die agilen Projektteams und deren unmittelbare Beobachtung. – Stattdessen erfolgen das indirekte Sammeln und Auswerten von Aussagen über den proxy „Teilnehmer der Studie“.

Ich halte die in [1] gewählte Vorgehensweise für diskussionswürdig und glaube, dass sie im hier vorliegenden Fall die intendierte Wirklichkeit nicht hinreichend gut erfasst.    

Um dies zu verdeutlichen, skizziere ich das Potential für Verzerrungen an einigen der Aussagen aus [1]. – Schauen wir uns hierzu einige Begriffe an, die die Befragten aus [1] als Experten bewerten mussten.

Zuerst die Aussagen zur idealen Kultur:

Eine geringe Unsicherheitsvermeidung ist mit Position 2 der Kulturpräferenzen ein sehr wichtiges Thema in der agilen Arbeit: Haben die Projektteilnehmer z.B. in einem Projekt Angst ihre eigene Meinung zu äußern, weil sie sich nicht gegen die Mehrheit stellen wollen oder hat das ganze Team Angst Neues anzugehen und frühe Ergebnisse zu zeigen, dann hat dies viel mit Unsicherheitsvermeidung zu tun. Schaut man in die Studie von Hofstede [2], so werden die Griechen als das Volk vermessen, das die höchste Unsicherheitsvermeidung hat. – Was man kaum glauben mag! Hierzu muss man wissen, dass die Messung von Hofstede im Berufskontext und dort wieder bei IBM Mitarbeitern gemacht wurde. Und die Griechen hatten zu dem Zeitpunkt der Befragung große Angst ihren Job zu verlieren. Die Messung und das aus meiner Sicht tatsächliche kulturelle Verhalten haben also nicht zwangsläufig etwas miteinander zu tun. – Die griechische Kultur zeichnet sich im Allgemeinen nach meiner Erfahrung nicht durch Unsicherheitsvermeidung aus. In den wenigsten Fällen dürfte Befragten dieser Zusammenhang bewusst sein. In diesem Fall hier kann man sich jedoch auf das übliche Verständnis von „Unsicherheitsvermeidung“ verlassen. – Auch nach meiner Erfahrung spielt die Unsicherheitsvermeidung eine sehr große Rolle, ob sie im vorliegenden Kontext mehr persönlich oder kulturell geprägt ist, kann ich aus meinen bisherigen Erfahrungen nicht ableiten. – Dies kann aber auch nicht aus den Daten aus [1] geschlossen werden. 

Schauen wir uns die Kultur Dimension „Individualismus-Kollektivismus“ an. – Sie steht auf Position 3 der kulturellen Präferenzen: Nach Hofstede haben gerade die Länder mit hoher Machtdistanz einen ausgeprägten Kollektivismus. – U.a. gehören China und Bangladesch in diese Kategorie.

Nach unserer Erfahrung gehört die Befriedigung des Grundbedürfnisses nach Bindung (u.a. ausgedrückt über die Werte Familie, Liebe, Teamorientierung,…) zu den wesentlichen Elementen einer persönlichkeitsorientierten (agilen) Kommunikation. Wie in [2] dargelegt, zeichnet sich eine agile Kultur durch eine Präferenz für die Befriedigung des Grundbedürfnisses nach Bindung und für die Befriedigung des Grundbedürfnisses nach Lust und Unlustvermeidung (u.a. ausgedrückt durch Neugier, Innovationsbereitschaft) aus. Die Befriedigung der Grundbedürfnisse nach Selbstwerterhöhung und -schutz (u.a. ausgedrückt über die Werte und Motive Macht, Status, …) sowie Orientierung und Kontrolle (u.a. ausgedrückt durch die Werte und Motive Ordnung, Sicherheit, Kontrolle) ist weniger wichtig. Das Modell der Grundbedürfnisse ist evidenzbasiert und beruht auf dem Konsistenzmodell der Neuropsychiatrie nach Grawe. Hieraus haben wir Aussagen zu Neuro-Leadership sowie zur Verbindung von Grundbedürfnissen und dem Kultur- und Bewusstseinsmodell Spiral Dynamics abgeleitet [2].
Die Kulturpräferenz Kollektivismus basiert in erster Linie nicht auf emotionaler Bindung, sondern auf sozialen Konventionen. Es zeigt sich in der Praxis internationaler Teams, dass Teammitglieder mit einer kollektiven und machtorientierten Ausprägung am Anfang sehr schlecht mit agilem Arbeiten zu Recht kommen. Es bedarf einer gewissen Zeit (Wochen oder Monate) bis sie in einem agilen Projektkontext die durch den Kollektivismus geforderte Anpassung ablegen. Das agile Wir ist nicht identisch mit dem Wir des Kollektivismus!

Die kulturelle Dimension monochrones-polychrones Zeitverständnis steht an Position 1 der kulturellen Präferenzen für agile Projektarbeit. Nach Wikipedia wird sie durch folgende charakteristische Verhaltensweisen beschrieben [5]:

MonochroniePolychronie
Eine Aufgabe nach der anderen erledigenviele Aufgaben gleichzeitig erledigen (Multitasking)
hohe Konzentrationhohe Ablenkung
Termine werden ernst genommenTermine haben keine Bedeutung
Orientierung an PlänenPläne haben keine Bedeutung
Störungen anderer werden vermiedenStörungen anderer werden in Kauf genommen
hohe Pünktlichkeitgeringe Pünktlichkeit (Verspätungen)
Methodische Arbeitdie Geduld geht leicht verloren
Tabelle: Monochrones-Polychrones Zeitverständnis [5]

 

Diese Charakterisierung von monochronem bzw. polychronem Zeitverständnis ist auch mein Verständnis. Das polychrone Zeitverständnis ist (leider) geübte Praxis in vielen Unternehmen. Polychrones Zeitverständnis heißt im Wesentlichen „Tanzen auf vielen Hochzeiten“. Diese kulturelle Dimension findet auch ihre Entsprechung in der Dimension Judging-Perceiving des Persönlichkeitsmodells MBTI: Man kann sehr schnell feststellen, dass Personen mit der Persönlichkeitspräferenz Perceiving ohne große Anstrengung viele Aufgaben im Multitasking erledigen. – Das „Tanzen auf vielen Hochzeiten“ findet man u.a. gerade in den Kulturen der Unternehmen wieder, die über viele Jahre durch einen Chef mit entsprechender Persönlichkeitspräferenz Perceiving geführt wurden.

Falls dies das Verständnis der Befragten in [1] ist, so ist dies das genaue Gegenteil von agilem Arbeiten. Die Begrenzung des WIP ist eine Kernvoraussetzung für agiles Arbeiten und ein Kontrollparameter der Selbstorganisation und damit eine Voraussetzung für Hochleistung. Das Time Boxing und die Iterationen sorgen gerade für die Ausrichtung auf eine Aufgabe. Da das Begriffspaar monochron-polychron diese „negative“ Ausrichtung hat, verwenden wir in unseren Veröffentlichungen [2, 3] das aus unserer Sicht besser passende Begriffspaar monochromes-polychromes Zeitverständnis. Ein polychromes Zeitverständnis konzentriert sich in einer Zeiteinheit nur auf eine Aufgabe, zeigt jedoch Offenheit für weniger Planung und mehr adaptives Handeln, d.h. u.a. dass durchaus ein Plan gemacht wird (siehe PDCA), jedoch auch wieder verworfen oder angepasst wird, wenn der Kontext es erfordert. Die Menschen werden durch das Time Boxing und die Iterationen vor schnellen ad hoc Anpassungen geschützt.

Kommen wir zu den Persönlichkeitspräferenzen:

Die Persönlichkeitspräferenz Introversion steht auf Position 4 der Bedeutung für agiles Arbeiten. Wie in [2] dargelegt, und von Kahneman empirisch wissenschaftlich belegt, unterliegt die Auswahl von Führungskräften oft einer Repräsentations-Heuristik, also einer mentalen Verzerrung: Personen, die schnell reagieren können und immer etwas zu sagen wissen, werden als durchsetzungsstark empfunden. Die Erfahrung zeigt, dass in Teams, in denen die Teammitglieder oft überwiegend introvertiert sind, z.B. in Forschungs- und Entwicklungsabteilungen oder in der Softwareentwicklung, die Extroversion der Projektleiter ein zusätzliches Risikopotential darstellt: Expertenmeinungen kommen nicht hinreichend zur Geltung, was das Projekt nicht selten in eine Schieflage bringt. – Dies ist ein bekanntes Phänomen in (planbasierten) Projekten mit einem stark extrovertierten Projektleiter.

Deshalb schlagen wir auch für den PO eines Scrum-Teams eine eher extrovertierte Persönlichkeit vor und für den Scrum Master eine eher introvertierte Persönlichkeit. „Eher“ bedeutet hier, beide verfügen über eine hinreichende Selbstreflexion, um die andere Seite der Persönlichkeits-Dimension zu aktivieren. Dies heißt auch, dass es keine feste Position für die Bedeutung agilen Arbeitens gibt, sondern diese sehr stark vom Projektkontext und der ausgeübten Verantwortlichkeit abhängt. 

Die Persönlichkeitspräferenz Intuition ist auf Position 3. Die Bandbreite was unter Intuition zu verstehen ist, ist enorm. Intuition dürfte nahezu immer mit Abstraktion zu tun haben, also einer mentalen Operation der Erfassung des Ganzheitlichen oder Allgemeinen in wahrgenommen Details. Es geht um den Zusammenhang von Feinkörnigem und Grobkörnigem. Unsere in Hochleistungs-Teams gewonnene Erfahrung, ist eindeutig: Die Intuition kann ihre Macht nur entfalten, wenn das Grobkörnige und das Feinkörnige zusammenkommen. Die Intuition Einsteins lebt von der genialen Integration beider Seiten [2]: Dem Erfassen von Details und deren Verarbeitung und der ganzheitlichen integrierenden Sicht, die das Neue und das Wesentliche erfasst und zum Ausdruck bringt. Die Intuition die Faustregeln, Glaubenssätze und Grundannahmen erzeugt, funktioniert ähnlich, kann damit auch Komplexität regulieren, aber auch Verzerrungen hervorrufen. Kahneman sieht hierin eher die damit verbundenen Gefahren, Gigerenzer eher die Möglichkeiten zum Meistern von Komplexität [2].

Meines Erachtens ist das traditionelle (planbasierte) Mindset vorwiegend in den Details verhaftet. – Hierunter leidet das traditionelle Projektmanagement oft. Es wäre aber grundfalsch stattdessen nur die Intuition zu favorisieren. – Ein Hochleistungsteam benötigt beides, um der Genialität Einsteins im Team näher zu kommen. Die diversen Ausprägungen der Ziel-Hierarchie (Collective Mind Schema, Critical Chain PM Strategie Baum, Story Map, OKR’s) sind Ausdruck der Integration von Grobkörnigem und Feinkörnigem. – Sie ist notwendig, um in einem Team oder einer Organisation eine wertschaffende Ordnung hervorzurufen.

Die MBTI-Präferenz Feeling der MBTI Dimension Feeling-Thinking ist auf Position 1 der Persönlichkeitspräferenz für agiles Arbeiten. Diese Präferenz besagt, dass die Entscheidungsprozesse einer Person durch Beziehungen und weniger durch Logik beeinflusst werden. Das Grundbedürfnisse nach Bindung hat sicherlich etwas damit zu tun, jedoch trifft diese Dimension keine unmittelbaren Aussagen über die Bedeutung des Bedürfnisses nach Bindung bei der entsprechenden Person (man siehe auch meine Ausführungen zur Kulturpräferenz Kollektivismus). Was jedoch zutrifft ist, dass Personen mit dieser Präferenz in stärkerem Maße für Störungen in der Beziehung empfindlich sind. – Dies ist sehr hilfreich, um eine gute persönlichkeitsorientierte Kommunikation mit positiver Resonanz aufzubauen. Auch gilt hier wieder die schon für die anderen Dimensionen gemachte Aussage, dass ein gutes Team immer eine Ausgewogenheit von Feeling und Thinking Präferenzen haben sollte und die Teammitglieder über genug Selbstreflexion verfügen, um die positive Resonanz hervorzubringen. Ich füge hier an, dass ich in meinen Management 4.0 Trainings Persönlichkeits-Stereotypen für Product Owner (PM) und Scrum Master (SM) angebe. – Diese Stereotypen dienen lediglich der Orientierung und sollen nicht zum Ausdruck bringen, dass andere Persönlichkeitspräferenzen für die jeweilige Verantwortlichkeit nicht geeignet sind. Unter Berücksichtigung dieser Warnung gebe ich für den PO den Stereotyp ENTJ und für den SM den Stereotyp ISFP an. Hier kann man erkennen, dass der PO eher folgende Präferenzen haben sollte: Extroversion, Intuition, Thinking und Judging. Der SM sollte eher folgende Persönlichkeitspräferenzen haben: Introversion, Sensing, Feeling und Perceiving. Also, die unterschiedlichen Verantwortlichkeiten erfordern unterschiedliche Persönlichkeitspräferenzen. – Es gibt hiernach nicht das! ideale agile Persönlichkeitsprofil! – Team-Hochleistung entsteht durch ein Team mit diversen Persönlichkeitsprofilen. Im planbasierten Projektmanagement hat man hierauf keinen Wert gelegt. – Im Agilen Management und insbesondere im Management 4.0 ist das ein sehr wichtiges Thema!

Die Persönlichkeitspräferenz Perceiving der Persönlichkeitsdimension Perceiving-Judging bringt das adaptive Eingehen auf jeweils gerade wirkende Kontexte zum Ausdruck. Die Teammitglieder mit der Präferenz Perceiving helfen unterschiedliche Perspektiven auf Kontexte auszubilden. Dies ist gerade am Anfang eines innovativen Projektes von enormer Bedeutung, wenn es darum geht einen Möglichkeitsraum für Ideen explorativ abzusuchen. Mit dem Voranschreiten eines Projektes kann dies jedoch zum Hindernis werden, wenn immer wieder neue Ideen die Umsetzung einer ausgewählten Idee torpedieren. Deswegen haben wir schon vor mehr als zehn Jahren empfohlen, die Teamzusammensetzung eines innovativen Projektes dem Projektfortschritt anzupassen [6]: Am Anfang sind mehr P-Persönlichkeiten im Team, in der Mitte des Projektes und zum Ende mehr J-Persönlichkeiten. Eine kulturelle Entsprechung zur Persönlichkeitspräferenz Perceiving ist die Kultur-Ausprägung polychromes Zeitverständnis. Das polychrome Zeitverständnis kann aber auch sehr schnell zu einem polychronen Zeitverständnis werden. Der Scrum Master sollte die Fähigkeit besitzen, sich adaptiv auf gerade wirkende Kontexte einzustellen; falls er dies jedoch unkontrolliert tut, also ohne Selbstreflexion kreiert sie oder er mit einem polychronen Zeitverständnis im Team Chaos! – Meine Erfahrung hat gezeigt, dass ein Team mit überwiegend P-Präferenzen genauso wenig Hochleistung erbringt wie ein Team mit überwiegend J-Präferenzen. – Die Diversität ist auch hier der Schlüssel für Hochleistung! Nach meiner Erfahrung ist planbasiertes Projekt Management sehr stark Judging orientiert, deshalb ist es sehr verständlich, dass Agiles Management mit der Präferenz Perceiving von den Studienteilnehmern als Gegenentwurf empfunden wird.   

Kommen wir zu der Aussage „Die Landes-Kultur ist deutlich einflussreicher als die Persönlichkeit für das Anwenden agiler Methoden.“

Dies kann ich aufgrund meiner Erfahrung nicht bestätigen. Meine Erfahrung hierzu lässt sich in folgenden Aussagen zusammenfassen:

Es spielen folgende Faktoren eine Rolle: Landes-Kultur, Organisations-Kultur und Persönlichkeit. – Diese Faktoren wechselwirken miteinander und bringen komplexe Muster hervor. In [2] haben wir dies an Beispielen illustriert und modelliert. Der jeweilige räumliche und zeitliche Kontext ist entscheidend, wann welcher dieser Faktoren welche Bedeutung hat.

In einem Unternehmen spielt die Organisations-Kultur oft die entscheidende Rolle. – Hierbei ist zu beachten, dass es in einem Unternehmen von Abteilung zu Abteilung unterschiedliche Kulturausprägungen geben kann. Dies kann in Teams deren Teammitglieder aus unterschiedlichen Abteilungen stammen zu erheblichen Problemen führen. Die Persönlichkeit spielt insoweit auch eine Rolle als der- oder diejenige, deren Persönlichkeit nicht zur Kultur „passt“ je nach Passung einen mehr oder weniger hohen Energieaufwand leisten muss: Da dieses Mitglied nicht „passt“ bleibt es unter seinen Möglichkeiten, empfindet Stress und im schlimmsten Fall Burn Out.

Die Landes-Kultur des Herkunft-Landes eines Teammitgliedes kann eine große Rolle spielen, wenn das Teammitglied im Herkunfts-Land verbleibt. Dies spielt bei virtuellen Teams eine größere Rolle als bei Präsenz-Teams. Der Einfluss der Landes-Kultur geht nach einiger Zeit (Wochen, Monate) jedoch deutlich zurück, wenn der Kontext durch eine andere Landes-Kultur, Organisations-Kultur und Team-Kultur überlagert wird. Zum Beispiel: Ein chinesisches Teammitglied, das in Deutschland lebt und arbeitet, und dessen Team eine persönlichkeitsorientierte resonante Kommunikation pflegt, wird nach einigen Wochen kaum noch im Verhalten durch die Landes-Kultur seines Herkunfts-Landes im Team geprägt werden. – Diese Aussage gilt im Normalfall nur für die Zeit, in der das Teammitglied in diesem Teamkontext verbleibt.

Die obigen Ausführungen sind Bestandteile unserer Trainings und wurden im Laufe von vielen Jahren immer wieder überprüft, konkretisiert und angepasst. Wichtig ist, dass alle Aussagen auf Theorien beruhen, die empirisch wissenschaftlich überprüft wurden. Die spezifische Anwendung auf agile Teams oder Organisationen erfolgte im Rahmen der Management 4.0 Entwicklung.

Die Arbeit von Schoper, Gertler und Fox stellt einen sehr wichtigen Schritt in die richtige Richtung dar. Vielleicht können meine obigen Ausführungen dazu beitragen, weitere wichtige Schritte folgen zu lassen.

 

[1] Schoper Y, Gertler E, Fox K (2021) Der Einfluss von Kultur und Persönlichkeit auf agile Projektmanagementtechniken, PROJEKTMANAGEMENTaktuell, Ausgabe 2/2021

[2] Oswald A, Köhler J, Schmitt R (2017) Projektmanagement am Rande des Chaos. 2. Auflage, Springer, Heidelberg

[3] Oswald A, Müller A (2018) Management 4.0 – Handbook for Agile Practices. BoD, Norderstedt, Release 3

[4] Wikipedia (2021) Kollektive Intelligenz, https://de.wikipedia.org/wiki/Kollektive_Intelligenz, abgerufen am 18.05.2021

[5] Wikipedia (2021) Polychronismus, https://de.wikipedia.org/wiki/Polychronismus, abgerufen am 18.05.2021

[6] Köhler J, Oswald A (2009) Collective Mind Methode. Springer, Heidelberg

Von der Diktatur der Praxis oder der banalen Selbstorganisation

Den ersten Teil des Blog Titels habe ich in Anlehnung an einen Spiegel-Artikel zum Thema „Uhren-Diktatur“ [1] formuliert, der zweite Teil „banale Selbstorganisation“ nimmt Bezug auf meinen März Blog-Beitrag.

Peter Maxwill spricht in [1] mit dem Zeitforscher Karlheinz Geißler, der mit Harald Lesch ein Buch zum Thema „Alles eine Frage der Zeit“ [2] verfasst hat. Etwa zur gleichen Zeit hat Geißler in [3] einen Artikel mit dem Titel „Das Ende der Uhrzeit“ verfasst. 

Während in [3] vom Ende der Uhr und gar vom Ende der Uhrzeit, also dem erwünschten Ende des Diktats der Uhr, gesprochen wird, ist diese Diktatur in [1] noch allgegenwärtig.

Dieser Kampf gegen das Diktat der Uhr ist eine der zentralen Wurzeln aus denen sich das Aufkommen des Agilen Managements oder des agilen Arbeitens vor 25 Jahren! gespeist hat. – Und nach wie vor ist dieser Kampf noch nicht erfolgreich beendet. Die bewusste Gestaltung der Zeit ist eine Kernkompetenz Agilen Arbeitens oder Arbeiten 4.0:  Time Boxing dient u.a. der mentalen Fokussierung und damit der Befriedigung menschlicher Grundbedürfnisse und ist eine Grundvoraussetzung für die Erreichung des kollektiven Flow Zustandes Collective Mind; Iterationen, eine spezielle Form von Time Boxing, dienen der empirischen Überprüfung von theoretischen Annahmen in der Praxis und sind eine der Basismittel für den kompetenten Umgang mit Komplexität; die Limitierung des Work-in-Progress pro Person und Zeiteinheit ist ein prominenter Kontrollparameter der Selbstorganisation. Nicht wenige verstehen nach wie vor den Umgang mit Zeit u.a. mittels Time Boxing und Iterationen als „neue methodische Erfindungen“, um in erster Linie Umsatz und Gewinn weiter zu steigern. Der Forderung nach der Begrenzung des WIPs wird in der Praxis selten nachgekommen. Damit eng verbunden ist ein Führungsverständnis, das von „Wahrnehmungsverengung“ bestimmt wird und nicht erkennt, dass „vordergründig unproduktive (Führungs-) Zeit hilft institutionelle Blockaden aufzubrechen“ und damit transformationale Arbeit zu ermöglichen [4].

Denn die bisher geübte Praxis bleibt oft bestehen: Es sei nämlich geübte Praxis, dass man einen übervollen Terminkalender habe, den zwar keiner haben will, gegen den man sich aber auch nicht wehren kann; dass keine Zeit für Pausen gegeben sei, dass man in mehreren oder vielen Projekten aktiv sein müsse, da sonst die Auslastung nicht gegeben sei und das Unternehmen eventuell nicht genug Umsatz hat. – Dies alles sei geübte Praxis und gegen diese könne man sich ja wohl kaum stellen. – Außerdem müsse „man sich“, wenn überhaupt, mit Forderungen zur Abkehr von dieser geübten Praxis an die oberste Führungsebene wenden.

Praxis wird als die unumstößliche Richtschnur angesehen, an der sich Alles andere ausrichten muss, so heißt es! Praxis ist also zuerst einmal nicht eine Wirklichkeit an der sich mentale Modelle und Theorien messen lassen müssen, sondern ist eine Menge von Verhaltensweisen, Methoden, Prozessen und Strukturen, die nicht in Frage zu stellen sind. – Verschiedene Wertvorstellungen, viele Glaubenssätze und unbewusste nicht hinterfragte Grundannahmen stützen die gelebte Praxis. Zurzeit erleben wir im Corona Chaos die Konsequenzen dieses Grundmusters. Denn die in Deutschland in Jahrzehnten erworbene Praxis der Bürokratisierung, der politischen Entscheidungsprozesse und des damit verbundenen Demokratieverständnisse werden selten in Frage gestellt, es ist geübte Praxis, selbst dann, wenn diese Praxis nachweislich zu keinen akzeptablen Ergebnissen der Corona Bekämpfung führt.

Praxis ist also nicht das, an dem sich Theorien oder mentale Modelle messen lassen müssen. Sondern Praxis, das sind oft über Jahrzehnte erworbene Verhaltensweisen, Strukturen und Prozesse, die selten, wenn nicht sogar überhaupt nicht mehr, hinterfragt werden. Damit widersetzt sich die Praxis transformativen Veränderungen, sie ist nicht offen für Anderes und Neues, seien es Perspektiven, Modelle oder Theorien.

Systeme gleichgültig, ob wir selbst, Teams, Unternehmen oder Gesellschaften, sie organisieren sich immer selbst. – Es gibt sicherlich in vielen Fällen Protagonisten, die durch ihre Interventionen das System in eine von ihnen gewünschte Richtung bringen wollen. – Dies wird oft als Führung bezeichnet. Ab einer bestimmten Zeit und Größe übernimmt vielfach das System die Führung. Ist dies für soziale Systeme der Fall, dann spreche ich von banaler Selbstorganisation. Dies liegt vor, wenn das System ein derart großes Beharrungsvermögen zeigt, dass es nur noch bestehende Verhaltensmuster reproduziert und nicht mehr in der Lage ist, neue auszubilden. Dies führt auch dazu, dass die Mehrzahl der Individuen, die in diesen Systemen leben, die Verhaltensmuster des Systems annehmen und kaum noch eigene Verhaltensmuster zeigen. Das System hat unmerklich die System-Selbstorganisation in die Köpfe der beteiligten Individuen gepflanzt.    

Um Komplexität zu beschreiben, benutze ich u.a. den Satz „Die individuellen Elemente „verlieren an Identität“.“ Auf soziale Systeme bezogen kann man diesen Satz vielleicht durch den Satz „Das Ich ergibt sich im sozialen System.“ oder durch „Das Ich ergibt sich nur im Du.“  beschreiben. Während der erste Satz für viele unverständlich oder sogar falsch ist, ist der dritte Satz fast immer positiv belegt. Die Erkenntnis, dass es keine isolierten Objekte gibt und damit keine losgelöste Identität, erschließt sich hingegen kaum. – Es ist die Aussage, dass Kontext oder Kontextualität ein sehr bestimmendes Element unseres Seins ist.

Ich stelle fest, dass diejenigen, die die gelebte Unternehmenspraxis hochhalten und gleichzeitig ihr Gebunden-Sein an diese beklagen, wenig mit dem obigen Satz „Die individuellen Elemente „verlieren an Identität““ anfangen können. – Es fehlt die Metakompetenz aus dem System herauszutreten, und die banale Selbstorganisation abzulegen. – Wir können die Wechselwirkung mit der Welt nicht ablegen, jedoch hinterfragen sollten wir sie schon, um sie ggf. beeinflussen zu können und uns von der banalen Selbstorganisation zu befreien.

Durch das Arbeiten im Home-Office unter Lock-Down Bedingungen wechselwirken auf fatale Weise zwei Effekte, leider oft selbstverstärkend, mit den inzwischen immer öfter beschriebenen krankmachenden Begleiterscheinungen: Die Abgrenzung und die Nicht-Abgrenzung – eine Konsequenz der banalen Selbstorganisation. Das Arbeiten im Home-Office unter Lock-Down grenzt uns von sozialen Kontakten ab. Gleichzeitig gelingt es vielen Menschen nicht sich zumindest temporär von der Macht des Systems „Arbeit“ abzugrenzen. – Die Arbeit dringt in den privaten Bereich vor, und zwar im wesentlichen mit den gleichen Prozessen und Strukturen, die in der Arbeitswelt herrschen: Arbeiten ohne hinreichende Pausen, Work in Progress deutlich höher als 1, Arbeit ohne zeitliche und räumliche „Abgrenzung“. Gleichzeitig fehlt die Entlastung durch zwischenmenschliche Kontakte. Diese Kombination von Abgrenzung und Nicht-Abgrenzung ist toxisch [5, 6]! Die bisherige bestehende Praxis wurde nicht hinterfragt, die toxische Wirkung nicht erkannt und sie entfaltet in dem neuen Kontext Home-Office noch viel stärker ihre toxische Wirkung.- Um so unverständlicher ist für mich der Wunsch nach einem Zurück zu den Vor-Corona Zeiten. Es ist sicherlich der Wunsch, die soziale Abgrenzung einzureißen; in letzter Konsequenz ist es aber auch der Wunsch, die banale Selbstorganisation fortzuführen.

Der Umgang mit Komplexität und die daraus resultierende Unsicherheit lässt sich nicht mit Praxis meistern, deren Werte, Glaubenssätze und Grundannahmen nicht hinterfragt werden. Die Fähigkeit zur Transformation beruht wesentlich darauf die Werte, Glaubenssätze und Grundannahmen einer gelebten Praxis zu erkennen und aktiv handelnd in Frage zu stellen, um der banalen Selbstorganisation zu entkommen. Der fortwährende Ruf nach der Praxis ist vielfach der unbewusste Ruf nach Bequemlichkeit im Denken, und selten die anstrengende Falsifikation (mentaler) Modelle und Theorien in der Praxis. – Denn Veränderung ist anstrengend!      

 

[1] Maxwill P (2021) Die Pandemie bietet die Chance, sich aus der Uhren-Diktatur zu befreien, https://www.spiegel.de/panorama/gesellschaft/corona-und-klimakrise-es-gibt-ein-zeitsystem-in-uns-das-nichts-mit-uhrzeiten-zu-tun-hat-a-7b396d01-1a56-4b89-8f01-359ad7b3874a, spiegel.de, zugegriffen am 26.04.2021

[2] Lesch H, Geißler K A, Geißler J (2021) Alles eine Frage der Zeit, oekom verlag

[3] Geißler Karlheinz (2021) Das Ende der Uhrzeit, in zfo Zeitschrift für Führung + Organisation, 2/2021

[4] Wüthrich H A (2021) Mutig >>unproduktiv<< sein, in zfo Zeitschrift für Führung + Organisation, 2/2021

[5] Endres H et al. (2021) Wie uns das Homeoffice kaputt macht, https://www.spiegel.de/karriere/wie-uns-das-homeoffice-kaputtmacht-burnout-erschoepfung-depressionen-a-c91f255c-0002-0001-0000-000176982995, spiegel.de, zugegriffen am 26.04.2021

[6] Larenz N (2021) Sind wir zu sozialen Zombies geworden, Herr Schulz von Thun? https://www.spiegel.de/psychologie/friedemann-schulz-von-thun-ueber-die-menschliche-kommunikation-waehrend-corona-a-14aa6c54-fefd-493c-b3bf-7e4984618eb4, zugegriffen am 04.05.2021

Von der kulturellen Aufrechterhaltung von Unwissen oder von der banalen* Selbstorganisation

Den Begriff Agnotology oder Agnotologie kannte ich bis vor kurzem nicht. Erst als ein Freund mich auf die sehr sehenswerte arte Dokumentation „Forschung, Fake und faule Tricks“ aufmerksam machte [1], wusste ich, dass ich dem damit verbundenen Inhalt schon oft und seit langem in den verschiedensten Facetten begegnet bin. Agnotologie ist nämlich eine „Wortschöpfung, die eine neue Forschungsrichtung bezeichnet, welche die kulturelle Erschaffung und Aufrechterhaltung von Unwissen untersucht“ [2].

Die arte Dokumentation zeigt auf, wie die Industrie, beginnend mit der Tabakindustrie in den 50er Jahren des letzten Jahrhunderts, sich meistens über Jahrzehnte erfolgreich gegen neue Erkenntnisse gewehrt hat, um die eigene lukrative Marktposition zu erhalten. Die Idee hierzu ist einfach und gleichzeitig genial und zeugt leider von einer perfiden Metakompetenz: Es wurden mehr oder weniger „käufliche“ eigene oder fremde Wissenschaftler engagiert, die mit wissenschaftlichen Methoden Zweifel an den neuen Erkenntnissen zur Schädlichkeit des Rauchens säten. Es wurde also das zentrale Prinzip der Wissenschaft, die Skepsis bzw. der Zweifel, ganz gezielt eingesetzt, um Zweifel zu sähen und damit Entscheidungen zu blockieren. So konnten in vielen Industrien Entscheidungen teilweise über Jahrzehnte hinausgeschoben werden: z.B. das Verbot zur Zigaretten-Werbung, die Eindämmung der extensiven Nutzung von fossilen Brennstoffen für die Energiegewinnung, Verbote zu verschiedenen gefährlichen Stoffen in den verschiedensten Produkten, u.a. Kunststoffen, usw.. Der Dieselskandal führt diese Art der Denke „konsequent“ weiter [3]: Betrug ist erlaubt, solange das vermeintlich höhere Ziel der Markposition und des damit verbundenen Machtzuwachses unterstützt wird. Das Traditionsunternehmen Bosch spielt im genannten Beitrag bei der Aufarbeitung des Skandals eine besonders unrühmliche Rolle, obwohl das Unternehmen an anderer Stelle angibt, den agilen Geist zu praktizieren. – Es resultiert eine kulturelle Aufrechterhaltung von Banalität oder Dummheit, denn die Kultur wird dominiert von roten (Macht), blauen (Ordnung) und orangen (Erfolg) Memen. – Der langfristige Schaden, der für Mensch, Tier und Natur entsteht, existiert einfach nicht bzw. ist nicht relevant.

Letztendlich ist es dieselbe Denke, die der wilden Wegwerf-Mentalität von Abfall oder der extensiven Nutzung von Rohstoffen in Form von großen schweren PKWs zugrunde liegt.

Aber auch die Basis der Verschwörungsideologien ist hier zu suchen! Verschwörungsideologen erfahren (unbewussten) Stress, den sie versuchen abzubauen, in dem sie durchaus komplexe Ideologien ersinnen, die den internen Stress nach außen verlagern. – Der damit erzeugte mentale „Abfall“ ruft dann sogar auch bei anderen Stress hervor.

Es ist hier, wie da die wertvernichtende Form der banalen Selbstorganisation: Wenn die Tabakindustrie die Wissenschaften benutzt, um gezielt Zweifel zu säen und damit Entscheidungen über Jahrzehnte hinausschiebt, führt sie geschickt einen neuen Kontrollparameter in die Selbstorganisation des gesellschaftlichen Diskurses ein, der den eigenen Ordnungsparameter, nämlich Marktmacht, am Leben erhält.

Wertvernichtende Formen von banaler Selbstorganisation liegen sehr oft vor, wenn die systemische Einbettung nicht berücksichtigt wird: Abfall, den man wild entsorgen kann, macht keinen weiteren Stress. – Große schwere PKWs stärken das Selbstwertgefühl und entschädigen für den Stress, den man an anderer Stelle erfahren hat oder selbst erzeugt hat.

Es wird also die Komplexität (hier der Stress) durch „enggeistige“ Selbstorganisation reguliert, was dann an anderer Stelle wieder Stress, also wertvernichtende Komplexität, erzeugt: Der Abfall schädigt die Natur, im besten Fall wird er auf Kosten der Gesellschaft „verarbeitet“. Die großen schweren PKWs entziehen der Natur wertvolle Rohstoffe durch ihre Produktion und brauchen auch noch ständig in großem Maße fossile Rohstoffe, um benutzt zu werden; erzeugen in großem Maße Abgase, die den Klimawandel antreiben, der dann wiederum aufwendig zu korrigieren ist – wenn es denn noch möglich ist – und sind am Ende ihres Autolebens aufwendig zu entsorgen.

Man reguliert also die wertvernichtende Komplexität, den Stress, über (unbewusste) banale Selbstorganisation, entweder individuell (gutes Gefühl) oder kollektiv (Marktmacht), und erzeugt an anderer Stelle wieder wertvernichtende Komplexität (kulturelle Aufrechterhaltung von Unwissen, Schädigung von Natur und Mensch).

Die Form der individuellen banalen Selbstorganisation ist umso leichter praktikabel, desto näher die individuellen Werte den organisationalen oder gesellschaftlichen Werten kommen. – Denn es wird der geringste individuelle Stress erzeugt.

Ich sah vor kurzem den beeindruckenden Film über Hannah Arendt und ihren Bericht zum Prozess gegen den NS-Kriegsverbrecher Adolf Eichmann [4]. Ihr Bericht gipfelte in folgender Aussage: „Dass eine solche Realitätsferne und Gedankenlosigkeit in einem mehr Unheil anrichten können als alle die dem Menschen innewohnenden bösen Triebe zusammengenommen, das war in der Tat die Lektion, die man in Jerusalem lernen konnte. Aber es war eine Lektion und weder eine Erklärung des Phänomens noch eine Theorie darüber.“ [5].  – Die Nähe zu meinen hier gemachten Aussagen kam mir unmittelbar in den Sinn. – Das Nazi-System hat den Menschen geschickt, individuellen Stress abbauend, angeboten, ihre Selbstorganisation zu übernehmen; diese haben dumm angenommen und die individuelle Selbstorganisation wurde durch die banale System-Selbstorganisation des verbrecherischen Nazi-Regimes ersetzt.

Die banale Selbstorganisation hat meistens nicht solche Ausmaße des Schreckens und Verbrechens, jedoch, so glaube ich, sind die prinzipiellen Muster in verschiedenen Kontexten gleich.

Der Glaubenssatz, dem die Tabakindustrie, die Ölindustrie, die Pharmaindustrie, die Nahrungsmittelindustrie und die Autoindustrie (aktuell) unterliegen, das ist der Glaube, dass ihre Marktmacht, um jeden Preis zu erhalten ist, dass ihre Marktmacht Wachstum erzeugt und Wachstum erzeugt Wohlstand. – Dass diese Form des Wachstums als dumm angesehen wird, ist eher selten. – Parteien gründen darauf ihr Wahlprogramm, Unternehmensführer rechtfertigen damit ihr Handeln und sogar die Gewerkschaften fordern auf dieser Basis den Erhalt von Arbeitsplätzen in Industrien, deren Schädlichkeit längst bekannt ist.

Dem so verstanden Wachstum liegt sogar eines der wichtigsten physikalischen Prinzipien zugrunde, nämlich das der Entropie bzw. hier der negativen Entropie (Negentropie). Der Physiker Erwin Schrödinger hat erstmals Leben, als eine Form organisierter Komplexität fern vom sogenannten Gleichgewicht verstanden. Leben bildet organisierte Komplexität aus, indem es Entropie nach außen transferiert, also negative Entropie in sich erzeugt [6]. – In der ARD-Mediathek gibt es hierzu einen wunderschönen Erklär-Comic [7]!

Jegliche Form von Wachstum, also auch Leben, produziert Entropie, eine Form von „Abfall“, in Form von Materie oder Energie. Die Umgebung muss jedoch in der Lage sein, diesen „Abfall“ aufzunehmen und zu verarbeiten. – Die Natur macht genau dies Tag ein – Tag aus! – Die Natur gerät aber aus den Fugen, wenn durch Entzug von Materie oder Energie und anschließende Rückgabe von Abfall-Materie und -Energie, zu viel Stress im System Natur entsteht.

Wenn wir also organisierte Komplexität aufbauen, und damit eine Form von „Leben“, indem immer mehr Organisationen immer mehr Produkte erzeugen, konsumieren und „entsorgen“, erzeugen wir irgendwann nicht mehr bewältigbaren Stress im umgebenden System Natur.

Inzwischen wurde sogar ein sogenannter Economic Complexity Index (ECI) als relatives Maß für wirtschaftliche Potenz erfunden [8]. – Der ECI stellt eine beachtliche Modellierungsleistung dar [9] und ist inzwischen seit einigen Jahren auch als Atlas ECI mit beindruckenden graphischen Darstellungen und daraus abgeleiteten neuen ökonomischen Erkenntnissen verfügbar[10]. Jedoch…

…der ECI misst die relative ökonomische Komplexität der Produktlandschaft eines Landes und leitet daraus u.a. die Zukunftsfähigkeit eines Landes ab. Vereinfacht ausgedrückt, desto komplexer die Produktlandschaft ist, desto zukunftsfähiger ist das Land. Aussagen zur Kreislaufwirtschaft bzw. Nachhaltigkeit sind in diesem Index bisher nicht enthalten. Das hängt damit zusammen, dass der ECI pro Land nur die wirtschaftlich relevante Produktkomplexität misst. Deutschland hat u.a. seinen ECI im Laufe der letzten Jahrzehnte gesteigert, unsere Produktlandschaft wurde immer vernetzter und vielfältiger, also komplexer. Der CO2-Ausstoß wurde gleichzeitig reduziert. Wer noch in den 70er/80er Jahren durch das südliche Saarland/Lothringen gefahren ist, konnte hautnah erfahren welchen Schmutz die dortige Duo-Produktlandschaft Kohle und Stahl erzeugte. Die Produktkomplexität hat sich inzwischen deutlich verbessert, auch die Luftverhältnisse. – Leider kann man daraus nicht schließen, dass hohe Produktkomplexität zu besserer Luft führt. – Also diese Form von Wachstum gut ist.

Es ist zu bedenken, dass wir von einem sehr hohen Niveau der Luftverschmutzung langsam auf ein erträgliches Maß kommen und was meines Erachtens noch bedeutender ist, dass wir über die letzten 30-50 Jahre massiv Entropieproduktion verlagert haben, in dem wir konsumorientiert die „unsauberen“ Industrien exportierten. – China gehört heute zu den Ländern, die mit Abstand das meiste CO2 ausstoßen. China durchlebt gerade an vielen Orten unsere Industrialisierung vor 50-70 Jahren. – Also auch hier finden wir wieder die kulturelle Aufrechterhaltung des Unwissens, da wir nicht den Zusammenhang unseres reduzierten CO2 Ausstoßes mit dem „Abfall“ außerhalb unserer nationalen Wirtschaft sehen.

Den Autoren des ECI kann man wohl nicht unterstellen, dass sie bewusst Unwissen aufrechterhalten wollen. – Sie stützen jedoch durch „Weglassen“ wichtiger Aspekte einen ganzheitlichen Zugang zum Wissen. – Letztendlich unterstützen sie damit die Aussage „Ökonomisches Wachstum mit mehr Produktkomplexität ist (immer) gut“. Ökonomisches Wachstum wird als bedingungsloser Kontrollparameter verstanden, der den Ordnungsparameter Wohlstand stützt.- Und das ist systemisch betrachtet schlicht falsch!

Ich habe in diesem Blog – zugegeben – einen weiten Bogen gespannt, von den Verbrechen der Tabakindustrie, über das schon fast „übliche“ Verhalten des sogenannten Normalbürgers in seinen verschiedenen Facetten zu den unvorstellbaren Schrecken und Verbrechen des Nazi-Regimes. Und auch die Wissenschaft ist nicht frei von der geschilderten Art der Komplexitätsregulation oder Stressbewältigung. Überall begegnet uns die Gedankenlosigkeit des Menschen, indem der Mensch die Selbstorganisation seines Denkens einem (mentalen) System oder einer Organisation übergibt und sich dort „einordnet“. – Diese banale Selbstorganisation ist für die kulturelle Aufrechterhaltung von Unwissen verantwortlich und diese birgt das Unheil in sich!

Leben basiert auf Entropie Abgabe, jedoch darf dies nie auf Kosten anderen Lebens geschehen, selbst wenn dieses Leben noch in der Zukunft liegt!

 

Ich verwende den Begriff „banal“ in Anlehnung an Hannah Arendt’s Wortwahl anlässlich der Berichterstattung zum Prozess des Nazi-Verbrechers Adolf Eichmann    

 

[1] arte (2021) Forschung, Fake und faule Tricks, https://www.arte.tv/de/videos/091148-000-A/forschung-fake-und-faule-tricks/, zugegriffen am 02.03.2021

[2] Wikipedia (2021) Agnotologie, https://de.wikipedia.org/wiki/Agnotology, zugegriffen am 02.03.2021

[3] ARD/WDR (2021) #DIESELGATE – Die Machenschaften der deutschen Autoindustrie, https://www.ardmediathek.de/ard/video/wdr-dok/dieselgate-oder-doku/wdr-fernsehen/Y3JpZDovL3dkci5kZS9CZWl0cmFnLTc5ZGFlMTI2LTM1ZDMtNDg1Yi05MTJiLWY4YTdhZDc5MDZjNA/, zugegriffen am 02.03.2021

[4] MDR (2021) Hannah Arendt, https://www.ardmediathek.de/ard/video/filme/hannah-arendt-oder-drama/mdr-fernsehen/Y3JpZDovL21kci5kZS9iZWl0cmFnL2Ntcy85ZGM4NjViNy02ODgwLTQ0MWYtYWNiYy02MWMxNzI4NThkOGE/, zugegriffen am 02.03.2021

[5] Wikipedia (2021) Hannah Arendt, https://de.wikipedia.org/wiki/Hannah_Arendt

[6] Wikipedia (2021) Erwin Schrödinger, https://de.wikipedia.org/wiki/Erwin_Schr%C3%B6dinger, zugegriffen am 02.03.2021

[7] ARD (2021) Warum lebst du? – Energie & Entropie, https://www.ardmediathek.de/ard/video/kurzgesagt/warum-lebst-du-energie-und-entropie/funk/Y3JpZDovL2Z1bmsubmV0LzExMDkwL3ZpZGVvLzE3MzI0MjM/, zugegriffen am 02.03.2021

[8] Wikipedia (2021) Economic Complexity Index,  https://de.wikipedia.org/wiki/Economic_Complexity_Index, zugegriffen am 02.03.2021

[9] Hidalgo C A (2021) Economic complexity theory and applications, Nature Reviews | Physics

[10] Atlas ECI (2021) https://atlas.cid.harvard.edu/, zugegriffen am 02.03.2021