Hybride Collective Intelligence: Collective Mind Leadership: Theorie der Emergenz

Kurzfassung: Ein mathematisches Modell für kausale Emergenz wird auf die Vermessung der Emergenz sozialer Kommunikation, ein Collective Mind, angewendet. Die Gruppendynamik einer TV-Diskussion wird vermessen. Es wird gezeigt, wie die aus dieser Dynamik ermittelte Emergenz Führung, Coaching oder Moderation vorausschauend unterstützt. Mit Hilfe der Hybriden Collective Intelligence aus Mensch und Künstlicher Intelligenz/Maschine Learning wird ein Leadership Dashboard für die Gruppen- und Teamarbeit erstellen. Dieses Dashboard hebt Leadership auf eine neue Ebene der Professionalität.

Dieser Blog-Beitrag wurde in Hybrider Collective Intelligence mit Gemini Pro und Gemini (obiges Bild) erstellt

Der Begriff Emergenz ist einer der schillerndsten Begriffe in der Wissenschaft. Sehr viele Phänomene werden mit dem Begriff Emergenz oder mit emergent verbunden. Hier nur drei Beispiele: Die mikroskopischen Teilchenbewegungen eines Gases erzeugen auf Makro-Ebene Temperatur und Druck, die Neuronen unseres Gehirns erzeugen die emergente Eigenschaft des Bewusstseins, und eine Gruppe von Menschen verhält sich unter bestimmten Bedingungen wie ‚ein emergentes Ganzes‘, ein Collective Mind.

Emergenz entspricht damit der Aussage: ‚Das Ganze (Makro-Ebene) ist mehr als die Summe seiner Teile (Mikro-Ebene).‘ Selbstorganisation ist das Mittel, mit dem dieses Ganze erreicht wird.

Auch wenn es im Einzelnen sehr oft gelungen ist, diesen Übergang von der Mikro-Ebene auf die Makro-Ebene mathematisch zu beschreiben, so fehlte bis vor kurzem ein universeller, berechenbarer Rahmen dafür, was (kausale) Emergenz eigentlich genau ist. Vor kurzem bin ich auf die Arbeit von Rosas et al. [1] aufmerksam geworden. Diesen Autoren ist es gelungen, ein mathematisches Modell vorzulegen, das Emergenz informationstheoretisch schlüssig messbar macht.

Ihre Grundidee ist recht eingängig; die Umsetzung erfordert jedoch eine große Menge an mathematisch-informationswissenschaftlichem Wissen. Ich skizziere hier lediglich die Grundidee und verweise für die technischen Details auf die Anhänge 1 und 2. Meine Umsetzung interpretiert den abstrakten Formalismus aus [1] an diversen Stellen und wendet verschiedene Machine Learning (ML) Algorithmen an, um ihn direkt in den Kontext der Collective Mind Theorie zu überführen.

Zur Grundidee: Ein Computer besteht aus Hardware und Software. Die Hardware verkörpert die Mikro-Ebene und die Software verkörpert die Makro-Ebene. Die Software kann zwar nicht ohne die Hardware existieren, jedoch führen beide ein weitgehend unabhängiges ‚Leben‘. Eine Rechenoperation, wie die Addition zweier Zahlen, wird in der Software (Makro) ausgeführt und nutzt dafür sehr viele, ständig wechselnde Zustände der Hardware (Mikro). Die Zustände der Hardware und die der Software sind in einem gewissen Maße voneinander entkoppelt.

Diese informationelle Unabhängigkeit – man spricht von kausaler Geschlossenheit – kann man mit der Theorie aus [1] exakt vermessen. Dafür nutzt sie zwei theoretische Konstrukte: Eine $\epsilon$ -Maschine bündelt vergangene System-Ebenen-Trajektorien, die exakt dieselbe Zukunftsvorhersage liefern, zu sogenannten „kausalen Zuständen“. Diese $\epsilon$ -Maschine ist die theoretische Abstraktion, die die Berechnungen einer System-Ebene beschreibt. Eine weitere Maschine, die v-Maschine, identifiziert die Zustände in der Vergangenheit der Mikro-Ebene, die einen tatsächlichen Unterschied für die Zukunft der Makro-Ebene machen.

Kausale Emergenz liegt exakt dann vor, wenn ein makroskopischer Systemzustand eine höhere deterministische Vorhersagekraft über die Zukunft des Systems besitzt als das vollständige Wissen über alle seine mikroskopischen Einzelteile.

Anders ausgedrückt: Das System verhält sich nicht mehr nur als Summe seiner Teile („Bottom-up“), sondern das gewachsene Gesamtgebilde übernimmt die ursächliche Kontrolle über das Verhalten der Einzelteile („Top-down“).

Die Klassifizierung von System-Ebenen mittels Makro-, Meso- und Mikro-Ebene spielt in allen Wissenschaften – die sich mit Emergenz beschäftigen – eine große Rolle. In der Collective Mind Theorie (CMT) ist der Collective Mind ein emergenter Zustand auf Makro-Ebene: Der Collective Mind ist das gemeinsame Bewusstsein und Handeln eines Teams mit ausgeprägtem Wir-Gefühl. Er erzeugt per Selbstorganisation eine synergetische Leistung, die weit über die Leistung der Summe der Einzel-Leistungen der Teammitglieder hinausgeht bzw. hinausgehen kann. Die Teammitglieder selbst bilden die Mikro-Ebene.
Gleichzeitig benutzen wir in der CMT eine sogenannte Ziel-Hierarchie, die ebenfalls eine Dreiteilung aufweist. Diese Ziel-Hierarchie besteht aus den Ebenen Ziel-, Was- und Wie-Ebene und ist ein Operator, um einen Collective Mind herbeizuführen. In [2] haben wir gezeigt, dass diese inhaltlichen Ebenen, die zum Beispiel ein Projekt charakterisieren, zu den drei Team CMT-Ebenen korrespondieren. Der Collective Mind auf Makro-Ebene wird nur erreicht, wenn eine gemeinsame Ziel-Ebene, mit zum Beispiel gemeinsamer Vision und Mission, vorliegt.

Im vorliegenden Blog-Beitrag beschäftige ich mich nicht mit der inhaltlichen Ziel-Hierarchie, sondern ich möchte Algorithmen für eine Hybride Collective Intelligence aus Mensch und Künstlischer Intelligenz/Machine Learning (KI/ML) entwickeln, die auf den bisherigen Erkenntnissen der Attention Collective Mind Blog-Beiträge aufsetzt: Ziel ist es, dass diese Algorithmen aus KI und ML auf der Basis der Kommunikation im Team, Teamentwicklung verlässlich prognostizieren. Hierzu interpretiere ich die Theorie der kausalen Emergenz aus [1] im Kontext der bisherigen CMT.

Der entscheidende Punkt ist nun: Echte, messbare (Team-) Emergenz liegt nicht schon dann vor, wenn man diese Ebenen bilden kann. Kausale Emergenz existiert erst in dem Moment, in dem mathematisch bewiesen wird, dass das übergeordnete Makro-Regime (die Software) die Zukunft des Systems robuster und treffsicherer bestimmt als das exakte Wissen über alle einzelnen Bausteine (die Hardware). Genau dann hat das System kausale Autonomie erreicht und ich spreche von einem Collective Mind.

Ich übersetze die abstrakte Mathematik aus [1] in verfügbare Machine Learning Algorithmen (ML Algorithmen). Ich benutze wieder, wie in den vorherigen Blog-Beiträgen der Attention Collective Mind Reihe die Kommunikation eines Mitschnitts der TV-Sendung Markus Lanz. Die einzelnen Kommunikationsaussagen der Sprecher bezeichnete ich als Turns. Jeder Turn wurde in den Attention Collective Mind Blog-Beiträgen durch einen Valenz- und Disruption-Score gekennzeichnet.

Ich verwende folgende ML-Algorithmen (zur grundlegenden Mathematik siehe Anhang 1 und zu den CMT Ergebnissen siehe Anhang 2) :

Die $\epsilon$ -Maschine wird zum Decision Tree Regressor: Auf der Basis der 100 turns und der ermittelten Valenz und Disruption wird ein Entscheidungsbaum gebildet: Dieser durchsucht für jeden Turn die (acht ) vorausgehenden Turns nach den Turns, die jenen Turn voraussagen lassen. Die vorausgehenden Turns stellen die Features des Decision Tree Regressors dar: Valenz und Disruption die jeweilige Ausprägung. Aus den 100 turns werden mittels der so definierten epsilon-Maschine 19 kausale Zustände erzeugt. Diese 19 Zustände bilden die kausalen Zustände der Meso-Ebene: Aus den 100 turns der Mikro-Ebene ergeben sich auf Meso-Ebene lediglich 19 unterschiedliche kausal relevante Zustände.
Die $\upsilon$ -Maschine wird zum K-Means Clustering: Die im Decision Tree isolierten 19 Mikro-Zustände sind noch recht kleinteilig. Deshalb nutze ich im zweiten Schritt ein unüberwachtes K-Means Clustering. Ich gebe drei Makro-Zustände vor. Die Zahl drei für die Makro-Zustände ergibt sich als Ansatz aus den vorherigen Attention Collective Mind Analysen. Ich konnte beispielsweise den toxischen Identitätskampf (V0), die Sachdebatte (sachliche Kohärenz (V1)) und das Agenda-Setting (disruptive Neuausrichtung (V2)) in den Gesprächen erkennen. Die Benennung der Makro-Zustände ist nicht entscheidend, sondern lediglich, dass Valenz und Disruption eine klare Bedeutung für die drei Makro-Zustände haben (siehe Anhang 1 und 2).
Der Emergenz-Beweis durch Mutual Information: Um die kausale Autonomie schlussendlich zu beweisen, nutzen wir einen informationstheoretischen Schätzer, den KSG-Algorithmus für die Messung der sogenannten ‚Kausalen Kraft‘. Erst wenn diese Mathematik zeigt, dass die gefundenen Makro-Regime die Zukunft des Gesprächs robuster vorhersagen als das genaue Wissen über die einzelnen Sprecher (Turns), haben wir einen emergenten Systemübergang: Der Collective Mind steuert dann die Kommunikation.

Welche Informationen stecken in der Meso-Ebene, dem Decison Tree?

Anhang 2 enthält eine Abbildung des Decision Tree und eine Liste der 19 relevanten Meso-Zustände der TV-Kommunikation

Der Baum verrät Kommunikationsstrukturen, also Kausalitäten, die dem menschlichen Auge in Echtzeit meist entgehen:

Die exakten Kipppunkte (Tipping Points): Der Baum enthält konkrete Schwellenwerte für Valenz und Disruption Score (D-Score). Er sagt nicht nur „es wurde lauter“, sondern er zeigt: Wenn der kombinierte Score aus Valenz und D-Score einen exakten Wert von z.B. -0.15 unterschreitet, bricht das System in 90% der Fälle im nächsten Turn zusammen.
Das Timing von Eskalationen: Da der Baum bis zu 8 Turns in die Vergangenheit schaut, offenbart er Latenzzeiten. Er zeigt, ob ein Streit sofort eskaliert (Split bei t-1), oder ob eine schwelende toxische Bemerkung von vor 4 Runden (t-4) das System zeitverzögert vergiftet.
Die Isolierung von Katalysatoren: Der Baum entlarvt objektiv Störer. Wenn die stärksten informationellen Lecks (Absturz zum Beispiel in den Identitätskampf) fast immer dann auftreten, wenn bestimmte Akteure – wie etwa Sprecher 4 – mit einer hohen Disruption ins Feld gehen, erlaubt dies die Identifikation von ’schwierigen Personen‘, unabhängig vom inhaltlichen Thema.
Die Erfolgsformel der Moderation: Der Baum zeigt exakt, welche Bedingungen erfüllt sein mussten, damit ein rettender Eingriff, z.B. die schöpferische Disruption, die Sachdebatte erfolgreich wiederhergestellt hat.

Wie wird daraus ein Coaching-Instrument?

Im agilen Management oder bei der Team-Mediation leidet Feedback oft unter Subjektivität („Ich fand, Du warst heute sehr dominant“). Der CMT-Decision-Tree objektiviert das Coaching völlig.

A. Das Frühwarnsystem (Predictive Coaching)

Ein Coach, der die Struktur dieses Baumes kennt, kann in einem Meeting Muster erkennen, bevor das System kollabiert. Wenn das Team gerade in einen Mikro-Zustand abgleitet, der im Baum zwingend zum „Regime 0“ (toxische Blockade: Identitätskampf) führt, kann der Coach die Reißleine ziehen und zum Beispiel ein disruptives Agenda-Setting eingeben.

B. Systemische Interventionen lehren

Führungskräften oder Moderatoren können anhand des Baumes lernen, wie sie „Kausale Kraft“ ( $C$ ) aufbauen. Man kann ihnen zeigen: „Schau hier auf den Datensatz. Wenn das System in Mikro-Zustand 7 feststeckt, nützt es nichts, inhaltlich zu argumentieren. Das System braucht jetzt einen V2-Agenda-Setting, um einen Reset auszulösen, der uns in Regime 1 (V1) bringt.“ Man coacht nicht mehr Inhalte, sondern System-Steuerung.

C. Objektive Spiegelung (Das Debriefing)

Nach einem gescheiterten oder eskalierten Meeting kann das Transkript (oder die Videoanalyse) einer hier vorgestellten Hybriden Collective Intelligence unterzogen werden. Dem Team wird nicht gesagt „Ihr habt euch gestritten“, sondern man zeigt auf den Graphen: „Hier, bei Minute 45, ist unsere gemeinsame ‚Makro-Software‘ abgestürzt. Wir sind vom Erkenntnis-Modus (V1) in den reinen Identitäts-Verteidigungs-Modus (V0) gewechselt, weil die Valenz unter den Schwellenwert x fiel. Wie verhindern wir das beim nächsten Team-Meeting?“

Welche Informationen stecken in der Makro-Ebene und seinen drei Regimen V0, V1, V2

Anhang 2 listet die drei Regime 0, 1, 2 mit deren durch die upsilon-Maschine zugeordneten Meso-Zuständen und gibt genau an, unter welchen Bedingungen (Valenz und Disruption) diese das System steuern.

Wenn der Decision Tree (Mikro/Meso) uns schon die exakten Auslöser (z. B. „Valenz fällt unter -0.15“) liefert, wozu brauchen wir dann noch die Makro-Regime (V0, V1, V2)?

Die Antwort liegt im Kontext. Ein isolierter Mikro-Trigger bedeutet nie für sich allein dasselbe; seine Wirkung hängt komplett davon ab, in welchem Makro-Regime sich das System gerade befindet.

Der Decision Tree (Die Karte): Zeigt die mechanischen Schwellenwerte und die exakten Wenn-Dann-Pfade der Interaktion. Er ist extrem detailliert, aber blind für den Sinn des Ganzen.
Die Makro-Ebene (Der Kompass): Zeigt das übergeordnete „Betriebssystem“ oder die kulturelle Atmosphäre. Sie gibt den Mikro/Meso-Triggern ihre Bedeutung.

Ein praktisches Beispiel für diese Verbindung:

Man stelle sich vor, dass ein IT-Entwickler abrupt eine völlig neue IT-Architektur-Idee in den Raum wirft (hohe Disruption im Mikro-Zustand).

Befindet sich das Team gerade im Makro-Regime 1 (V1-Sachdebatte), wird diese Disruption vom System absorbiert und als konstruktiver Input verarbeitet.
Befindet sich das Team jedoch im Makro-Regime 0 (V0-Identitätskampf), wird exakt dieselbe Disruption vom System als feindlicher Angriff gewertet und führt zur totalen Eskalation.

Die Makro-Ebene sagt dem Coach also, welche strategische Phase gerade aktiv ist, während der Decision Tree dem Coach sagt, welche taktischen Schwellenwerte er bewachen muss, um diese Phase zu erhalten oder zu verlassen.

Die Ad-Hoc Nutzung (Das Live-Frühwarnsystem)

Wie kann man dies anwenden, wenn das Meeting gerade erst 10 Minuten läuft und noch keine 100 Turns vorliegen, um den Baum zu berechnen?

Das Geheimnis ist: Man berechnet den Baum nicht live im Meeting. Ein Live-Einsatz (Ad-Hoc) funktioniert immer in zwei getrennten Phasen:

Phase A: Das Basis-Modell (Die Offline-Vorbereitung)

Ein Team ist ein System – es hat eine konstante Struktur, die es unter Stress zeigt.

Aufzeichnungen oder Transkripte der letzten Meetings eines spezifischen Teams sind die Ausgangsbasis.
Diese historischen Daten werden mit den hier beschriebenen KI/ML Programmen analysiert.
Es wird ein Team spezifischer Decision Tree erzeugt und typischer Weise 3 Makro-Regime gebildet.
Dieses Modell wird ‚eingefroren‘. Es ist die Collective Mind DNA dieses Teams.

Phase B: Das Live-Dashboard (Der Ad-Hoc Einsatz im Meeting)

In den nachfolgenden Meetings wird der Führungskraft ein Dashboard zur Verfügung gestellt, das auf dem in den vorherigen 1-3 Meetings erzeugten Basis-Modell beruht. Im aktuellen Meeting läuft ein Sliding Window der letzten 8 Turns mit:

Die Live-Messung: Das Meeting läuft. Die KI-Tool ordnet jedem der Redebeiträge schnell einen D-Score und eine Valenz zu.
Der Daten-Feed: Sobald Turn 8 gesprochen wurde, schiebt sich das Sliding Window live in den eingefrorenen Decision Tree aus Phase A.
Der Sofort-Abgleich: Der Baum fragt seine Pfade ab: „Ah, Turn t-1 war negativ, t-4 war hoch disruptiv…“ und sortiert das Live-Fenster sofort in eines seiner zum Beispiel 19 Blätter (Mikro/Meso-Zustände) ein.
Die Prädiktion (Der Blick in die Zukunft): Das Modell gibt ad-hoc eine Warnung aus: „Basierend auf der historischen DNA dieses Teams bedeutet diese exakte Kombination der letzten 8 turns, dass wir im nächsten turn mit 85%iger Wahrscheinlichkeit in das Makro-Regime 0 (V0-Identitätskampf) abstürzen.“

In dem Moment, in dem das aktuelle Live-Gespräch in einen Mikro-Zustand wandert, der historisch gesehen zu einem toxischen Makro-Regime gehört, hat die Führungskraft (oder der Moderator oder der Coach) einen Zeitvorsprung.

Die Führungs-Intervention erfolgt nicht erst, wenn Leute sich anschreien (Makro-Ebene), sondern bevor die Wahrscheinlichkeit kippt (Mikro-Ebene): Es besteht die Möglichkeit das Gespräch rechtzeitig umzulenken: Der Team Stress-Score kann zum Beispiel durch eine beruhigende Zusammenfassung, eine Pause oder durch eine Disruption abgefangen werden und das Team wird damit auf einen anderen Pfad im Decision Tree umgeleitet.

Zu den berechneten Ergebnissen

Die detaillierten berechneten Ergebnisse sind im Anhang 2 enthalten. Ich zeige hier lediglich die Abbildung zur kausalen Kraft, die als Maß der Emergenz verwendet wird. Diese Abbildung könnte Bestandteile eines Leadership Dashboards der Hybriden Collective Intelligence aus Mensch und Maschine sein:

Abbildung 1: Abbildung 1 zeigt drei Teile. Die ersten beiden Teile stammen als Ergebnis aus dem Blog Attention Collective Mind III. Der dritte Teil, mit der violetten Kurve, zeigt die kausale Kraft. Ist die kausale Kraft positiv, liegt Emergenz vor: Dann steuert die Makro-Ebene des Systems ‚Markus Lanz vom 30. Mai 2024‘ das Verhalten der Teilnehmer.
Es werden zusätzlich die drei Makro-Regime V0, V1, V2 hervorgehoben. Wie man sieht, kann Emergenz auch ein dysfunktionales Regime wie V0 enthalten. Ich spreche hingegen nur dann von einem Collective Mind, wenn eines der Makro-Regime V1 oder V2 vorliegt. Die Makro-Regime V0, V1 und V2 können auch dann vorliegen, wenn die kausale Kraft nicht größer null ist, also keine Emergenz vorliegt. In diesem Fall ist die Makro-Ebene nicht kausal geschlossen: Das Verhalten der einzelnen Teilnehmer der TV-Runde bestimmt weiterhin in einem gewissen Maße die Kommunikation. Wenn die Kurve unter Null fällt, regiert die ‚Hardware‘ (die Akteure agieren unkoordiniert). Steigt sie über Null, übernimmt die ‚Software‘ (das kollektive System) die Führung.

Es lassen sich folgende Turn-Bereiche unterscheiden:

1. Das Rauschen und die Aufwärmphase (Turns 0 – 40)

Das Gespräch pendelt flach um die Nulllinie. Kurze Ausschläge ins Negative zeigen, dass die Akteure hier noch stark als isolierte Individuen argumentieren. Es gibt noch kein bindendes, übergeordnetes Feld. Die $\upsilon$ -Maschine identifiziert keine signifikante kausale Übernahme durch ein Makro-Regime.

2. Der erste Absturz ins Chaos (Turns 40 – 44)

Die kausale Kraft stürzt rapide auf $\mathcal{C} \approx -0.38$ ab. Das System fragmentiert. Jede makroskopische Ordnung löst sich auf; die Vorhersagekraft liegt in dieser Phase extrem stark auf der Mikro-Ebene. Das bedeutet, das Verhalten der nächsten Runden wird rein durch die flüchtigen Reaktionen einzelner Personen diktiert, nicht durch eine Gruppendynamik.

3. Die toxische Emergenz (Turns 45 – 55)

Direkt aus diesem Chaos heraus schnellt das System drastisch nach oben und erreicht bei Turn 50 einen ersten massiven Peak der Emergenz ( $\mathcal{C} \approx +0.19$ ). Exakt an diesem Punkt setzt Sprecher 4 den primären, disruptiven Impuls. Dieser Beitrag ist so stark krümmend, dass er die chaotische Mikro-Dynamik beendet und das System in einen geschlossenen Makro-Attraktor zwingt. Das System richtet sich vollständig an diesem Impuls von Sprecher 4 aus – der dysfunktionale Collective Mind erwacht, da es sich hierbei um das toxische Makro-Regime V0 des Identitätskampfes handelt.

4. Der absolute Kontrollverlust (Turns 60 – 68)

Nach einer kurzen Beruhigung kollabiert die Emergenz vollständig. Bei Turn 67 erreicht die Kausale Kraft den absoluten Tiefpunkt des gesamten Gesprächs ( $\mathcal{C} \approx -0.45$ ). Der zuvor durch Sprecher 4 etablierte Makro-Zustand wird zerschossen. Das System befindet sich im Zustand maximaler Entropie: Ein tiefes Tal, in dem die Akteure komplett aneinander vorbeireden und keine Resonanz existiert.

5. Die systemische Übernahme (Turns 70 – 75)

Das System erholt sich von dem Absturz durch eine beispiellose kausale Synchronisation. Die Kurve schießt auf den Maximalwert von $\mathcal{C} > +0.20$ . In diesen fünf Runden ist die Vorhersagekraft des Makro-Regimes sehr hoch. Die isolierten Akteure sind kausal nahezu unbedeutend geworden; das Meeting wird in dieser Phase komplett durch die Makro-Ebene gesteuert.

Interessant ist hier das Flackern des Hintergrunds zwischen Rosa (Identitätskampf) und Gelb (Sachdebatte). Das System ist in einer extrem hochfrequenten, verschränkten Aushandlung gefangen. Die Argumente (gelb) werden als unmittelbare Waffen im Identitätskampf (rosa) genutzt. Das Kollektiv ist hier absolut starr und deterministisch verschweißt – ein Entkommen ohne massiven Tabubruch von außen ist unmöglich.

6. Das Ausklingen (Turns 80 – 100)

Das Gespräch zerfällt wieder in eine unruhige Mikro-Dominanz mit einigen schwächeren Versuchen, ein neues Makro-Regime zu etablieren (kleinere Peaks bei 82 und 87). Bei Turn 93 durchläuft die Gruppe nochmals einen starken Abfall ins Chaos und läuft am Ende flach aus.

Die Abbildung weist folgende besondere Turns auf:

1. Das informationelle Vakuum der Sachdebatte (Turn 41 & Turn 66)

Schaut man sich die beiden extremsten Abstürze der Kausalen Kraft an ( $\mathcal{C} < -0.35$ ), fallen diese in oder an die Ränder der gelben Zonen (Makro-Regime V1: Sachdebatte).

Dies widerlegt eine klassische Illusion vieler Moderatoren. Nur weil Menschen sachlich (gelb) argumentieren, bedeutet das nicht, dass sie sich verstehen. Bei Turn 66 herrscht das absolute informationelle Chaos. Die Akteure feuern ihre Fakten isoliert ab, ohne jegliche Resonanz beim Gegenüber zu erzeugen. Das System zersplittert in reine Mikro-Hardware. Es gibt keine gemeinsame Wellenlänge.

2. Das Scheitern der konstruktiven Führung (Die grünen Zonen)

Das Makro-Regime V2 (Agenda-Setting, grün) zeigt in diesem Plot eine dramatische Schwäche. Es taucht immer wieder als kurzer Versuch auf (z. B. Turns 31, 53, 58, 80, 89).

Die violette Kurve in diesen grünen Bändern liegt fast ausnahmslos unter oder exakt auf der Nulllinie. Das bedeutet: Jedes Mal, wenn jemand versucht, konstruktiv die Agenda zu setzen, verweigert das System die Gefolgschaft. Das Agenda-Setting wird nie zu einem emergenten Collective Mind. Die Vorhersagekraft bleibt bei den unkoordinierten Individuen. Der Raum akzeptiert diese Führung schlichtweg nicht.

Das Emergenz-Modell zeigt visuell: Die spezifische Kultur des TV-Meetings besitzt tiefe Attraktoren für Identitätskämpfe (rosa), die sofort das gesamte System kausal bestimmen. Versuche der Meta-Steuerung (grün) sind wirkungslos, da sie keine kausale Kraft ( $\mathcal{C} > 0$ ) aufbauen können.

Zusammenfassung:

Das Modell der kausalen Emergenz, ursprünglich entwickelt für mathematisch-naturwissenschaftliche Fragestellungen, zeigt eine erstaunliche Vorhersagekraft für soziale Interaktionen. Zusammen mit den beiden Modellen zum Stresslevel und der Disruption, die beide ebenfalls aus einem mathematisch-naturwissenschaftlichen Kontext stammen, ergibt sich eine enorme Analyse- und Steuerungskraft für die Führung von Gruppen oder Teams. Der von mir gewählte Ansatz der hybriden Collective Intelligence hat sich damit bewiesen.

Anhang 1

Formeln und Erläuterungen

Dieser Anhang beschreibt die drei verwendeten Modelle und Algorithmen für die Ermittlung der kausalen Emergenz:

Die epsilon-Maschine, die die kausalen Zustände innerhalb einer Hierarchie-Ebene erzeugt, implementiert durch einen Decision Tree Regessor Algorithmus
Die upsilon-Maschine, die die kausalen Zustände von einer Ebene zur nächsten Ebene erzeugt, implementiert durch einen K-Means Algorithmus
Die Berechnung der Mutual Information, des Information Leackage und des Kausalen Delta (der Kausalen Kraft). Diese drei Größen vermessen die Stärke der Emergenz.

Um die Algorithmen zu beschreiben werden folgende Notationen aus der Wahrscheinlichkeits- Informationstheorie verwendet:

Ein Komma $P(X, Y)$ steht für die gemeinsame Wahrscheinlichkeit (beides passiert gleichzeitig).
Ein senkrechter Strich $P(X | Y)$ steht für die bedingte Wahrscheinlichkeit (X passiert, unter der Bedingung, dass Y schon passiert ist).
Das Semikolon $I(X; Y)$ drückt eine Schnittmenge an Information aus. Man liest es als: „Die Menge an Information, die zwischen der Variablen X und der Variablen Y geteilt wird.“ Mathematisch berechnet sich das so:

$I(X; Y) = H(X) - H(X|Y)$

In Worten: Das $I$ steht für die Transinformation (auf Englisch Mutual Information). Das Semikolon ist hier extrem wichtig, um es von anderen Wahrscheinlichkeitsnotationen abzugrenzen. Die Transinformation ist die Entropie (Unsicherheit) von X, minus der verbleibenden Unsicherheit von X, wenn ich Y kenne. Das Semikolon zeigt also an, dass wir zwei Informationsquellen gegenüberstellen und fragen: Wie viel weiß ich durch die eine Quelle über die andere?

Wenn wir nun das Informationsleck (Leakage) als $L = I(X_t ; Z_{t+1} | Z_t)$ betrachten, lesen wir das mit dem Wissen über das Semikolon so:

„Wie viel Information teilen die Mikro-Vergangenheit $X_t$ und die Makro-Zukunft $Z_{t+1}$ noch miteinander, wenn wir den Einfluss der Makro-Vergangenheit $Z_t$ herausrechnen (bedingende Variable hinter dem Strich)?“

I. Die $\epsilon$ -Maschine, der Decision Tree Regressor Algorithmus

Der Sprung von einer linearen Liste mit 100 Textzeilen (Turns) zu einem multidimensionalen Baumalgorithmus ist die größte Hürde in der Zeitreihenanalyse. Um die Datenverarbeitung komplett transparent zu machen, zeichne ich den Weg der Daten vom rohen Transkript bis zur fertigen $\epsilon$ -Maschine nach.

Schritt 1: Die Datenpräparation (Das Sliding Window)

Ich starte mit einer eindimensionalen Kette von 100 Turns. Jeder Turn hat einen berechneten Mikro-Wert (z. B. den Durchschnitt aus Disruption und Valenz). Nennen wir diesen Wert für den Moment einfach $X$ . Das führt also zur Sequenz: $X_1, X_2, X_3, \dots, X_{100}$ .

Ein rekursiver Partitionierungs-Algorithmus kann mit einer solchen Kette nichts anfangen. Er braucht klare „Wenn-Dann“-Tabellen. Deshalb zerschneiden wir die 100 Turns mit einem gleitenden Fenster (Window-Größe = 8) in eine Matrix.

Wir sagen dem System: „Nutze die letzten 8 Turns (die Vergangenheit), um den 9. Turn (die Zukunft) vorherzusagen.“ Das Fenster rutscht dann immer einen Turn weiter.

Die neue Daten-Matrix sieht so aus:

Datenpunkt (Zeile)	t−8	t−7	t−6	t−5	t−4	t−3	t−2	t−1	Ziel (Zukunft t)
Zeile 1	Turn 1	Turn 2	Turn 3	Turn 4	Turn 5	Turn 6	Turn 7	Turn 8	Turn 9
Zeile 2	Turn 2	Turn 3	Turn 4	Turn 5	Turn 6	Turn 7	Turn 8	Turn 9	Turn 10
Zeile 3	Turn 3	Turn 4	Turn 5	Turn 6	Turn 7	Turn 8	Turn 9	Turn 10	Turn 11
…	…	…	…	…	…	…	…	…	…
Zeile 92	Turn 92	Turn 93	Turn 94	Turn 95	Turn 96	Turn 97	Turn 98	Turn 99	Turn 100

Da die ersten 8 Turns für die allererste Vorhersage „verbraucht“ werden, hat man am Ende exakt 92 Zeilen (Datenpunkte), die in den Algorithmus eingespeist werden.

Schritt 2: Der erste Split (Die Wurzel des Baumes)

Jetzt startet der eigentliche Algorithmus. Der Baum betrachtet alle 92 Zeilen gleichzeitig und stellt sich eine einzige Frage: Welche Spalte aus der Vergangenheit und welcher exakte Schwellenwert trennt die Zukünfte am besten voneinander?

Der Algorithmus testet intern Tausende von Kombinationen durch. Er nimmt sich z. B. die Spalte $t-1$ (den unmittelbar vorherigen Turn) und testet den angenommen Schwellenwert $-0.15$ . Er teilt die 92 Zeilen probeweise in zwei Gruppen:

Gruppe Links: Alle Zeilen, bei denen $t-1 \le -0.15$ war.
Gruppe Rechts: Alle Zeilen, bei denen $t-1 > -0.15$ war.

Dann berechnet er für beide Gruppen, wie sehr die tatsächlichen Ziel-Werte (die Zukunft $t$ ) innerhalb der Gruppe streuen. Das macht er mit dem mittleren quadratischen Fehler ( $MSE$ ):

$\begin{equation*} MSE = \frac{1}{m} \sum_{i=1}^{m} (y_i - \hat{y})^2 \end{equation*}$

$m$ ist die Anzahl der Zeilen in der jeweiligen Gruppe.
$y_i$ ist die tatsächliche Zukunft in Zeile $i$ .
$\hat{y}$ ist der Durchschnitt aller Zukünfte in dieser Gruppe.

Wenn der Gesamt- $MSE$ dieser Aufteilung extrem niedrig ist, bedeutet das: Die Trennung war erfolgreich. Der Algorithmus sucht den allerbesten Split und verankert ihn als obersten Knotenpunkt (die Wurzel) des Baumes.

Schritt 3: Die Rekursion (Das Wachsen der Äste)

Nun hat der Baum die 92 Zeilen in zwei Gruppen geteilt (z. B. 40 Zeilen links, 52 Zeilen rechts).

Jetzt wendet er exakt denselben Prozess aus Schritt 2 auf die linke Gruppe an. Er ignoriert die rechte komplett. Er schaut sich die verbliebenen 40 Zeilen an und fragt sich wieder: Welche Spalte und welcher Schwellenwert teilt diese 40 Zeilen am besten auf? Vielleicht ist es diesmal $t-6 \le 0.05$ .

Der Baum spaltet die Daten weiter und weiter auf. Er sucht immer nach der Eigenschaft in der Vergangenheit, die die verbleibenden Zukünfte am präzisesten in homogene Gruppen sortiert.

Schritt 4: Der Stopp (Das Entstehen der Epsilon-Zustände)

Ein Baum würde die Daten im Normalfall so lange spalten, bis in jedem Endknoten nur noch eine einzige Zeile liegt. Das wäre nutzlos (ein reines Auswendiglernen der Daten). Deshalb existiert eine Bremse: Eine Mindestanzahl von Beobachtungen pro Blatt.

Der Baum hört sofort auf, einen Ast weiter zu spalten, wenn in der resultierenden Gruppe weniger als 4 Zeilen (Turns) landen würden. An diesem Punkt entsteht ein Endknoten (ein Blatt). In unserem Fall hat der Algorithmus den Prozess gestoppt und exakt 19 Blätter gebildet (siehe Anhang 2).

Jedes dieser 19 Blätter ist ein „Eimer“, in dem eine bestimmte Anzahl der 92 historischen Datenpunkte gelandet ist (z. B. 5 Turns im ersten Blatt, 12 im zweiten).
Alle Turns, die in demselben Blatt gelandet sind, teilen sich dieselbe kausale Eigenschaft: Sie führen statistisch gesehen zu exakt derselben Vorhersage für die Zukunft ( $\hat{y}$ ).

Diese 19 Blätter sind exakt das, was ich (angelehnt an Rosas et al.) als kausale Mikro-Zustände der $\epsilon$ -Maschine definiere.

II. Die $\upsilon$ -Maschine: Der K-Means Algorithmus

Um die 19 hochdetaillierten $\epsilon$ -Zustände zu einer übergeordneten Makro-Software zusammenzufassen, muss das System die Zustände abstrahieren. Dies geschieht durch einen unüberwachten Clustering-Algorithmus, der ähnliche Zukünfte zu übergeordneten Regimen verschmilzt.

Schritt 1: Der Input (Die 1D-Vorhersagematrix)

Der Algorithmus extrahiert aus den 19 Blättern des Baumes die exakten Vorhersagewerte $\hat{y}$ für jeden der 92 historischen Datenpunkte. Es entsteht eine eindimensionale Matrix (ein Vektor) aus 92 Kommazahlen. Ziel ist es, diese in genau $K=3$ fundamentale Makro-Regime zu gruppieren.

Schritt 2: Die K-Means Initialisierung (Der Maximalkontrast)

Das System wirft nicht einfach drei zufällige Schwerpunkte (Zentroide $\mu_1, \mu_2, \mu_3$ ) in diese Daten. Um das zuverlässigste Ergebnis zu garantieren, wird iterativ vorgegangen:

Der erste Zentroid $\mu_1$ wird zufällig aus den 92 Werten gewählt.
Der zweite Zentroid $\mu_2$ wird exakt auf den Datenpunkt gesetzt, der die größte mathematische Distanz zu $\mu_1$ aufweist.
Der dritte Zentroid $\mu_3$ wird auf den Punkt gesetzt, der maximal weit von $\mu_1$ und $\mu_2$ entfernt ist.
Dieses Vorgehen stellt sicher, dass die drei startenden Makro-Regime den größtmöglichen inhaltlichen Kontrast zueinander aufweisen.

Schritt 3: Das Zuweisungs-Update (Lloyds Algorithmus)

Der Algorithmus startet nun seinen eigentlichen Suchlauf. Für jeden der 92 Vorhersagewerte $x_i$ misst er die quadrierte Differenz (Distanz) zu den drei Zentroiden:

$\begin{equation*} d(x_i, \mu_j) = (x_i - \mu_j)^2 \end{equation*}$

Der Wert $x_i$ bekommt das Label des Zentroiden $\mu_j$ , bei dem die Distanz $d$ am kleinsten ist. Mikro-Zustände, die ähnliche Zukunftswerte prognostizieren, werden so vom selben Zentroiden eingefangen.

Schritt 4: Das Zentroid-Update

Nachdem alle 92 Werte verteilt sind, berechnet das System die neuen, echten Schwerpunkte. Für jedes Cluster $j$ summiert es alle zugewiesenen Werte auf und teilt sie durch die Anzahl $m_j$ der Werte im Cluster:

$\begin{equation*} \mu_j = \frac{1}{m_j} \sum_{x_i \in S_j} x_i \end{equation*}$

Die Zentroide wandern exakt auf diese neuen Mittelwerte.

Schritt 5: Die Konvergenz (Das Einrasten des Systems)

Schritt 3 und 4 wiederholen sich in einer Schleife, bis das System einrastet – das bedeutet, kein einziger Datenpunkt verschiebt sich beim nächsten Durchlauf in ein anderes Cluster. Das Coarse-Graining ist abgeschlossen. Die 19 Mikro-Zustände sind nun zu einer Sequenz von 3 diskreten Makro-Regimen komprimiert. Die $\upsilon$ -Maschine ist konstruiert.

III. Die Messung der Emergenz $\mathcal{C}$ Der KSG-Entropieschätzer

Um zu beweisen, dass die neu konstruierte Makro-Software mächtiger ist als die Mikro-Hardware, muss die Transinformation (Mutual Information) zwischen Vergangenheit ( $X$ ) und Zukunft ( $Y$ ) berechnet werden. Da wir es auf der Mikro/Meso-Ebene mit stufenlosen Kommazahlen zu tun haben, wird der hochpräzise Schätzer nach Kraskov, Stögbauer und Grassberger (KSG) angewandt.

Schritt 1: Raumaufspannung und das Verhindern von Singularitäten

Der Algorithmus spannt einen 2D-Raum auf, wobei die $X$ -Achse die Vergangenheit und die $Y$ -Achse die Zukunft repräsentiert: Auf den Achsen wird jeweils der Mittelwert von Valenz und Disruption zum jeweiligen Zeitpunkt aufgetragen. Da menschliche Kommunikationsdaten oft redundante Werte erzeugen (z.B. exakt denselben Disruption-Score über zwei Runden), würden exakt übereinanderliegende Punkte im Algorithmus zu einer Division durch Null führen. Um diese Singularität zu verhindern, wird jedem Datenpunkt ein minimales thermodynamisches Rauschen (Jitter im Bereich von $10^{-5}$ ) hinzugefügt. Dies verschiebt die Punkte im infinitesimalen Bereich und macht Abstände messbar, ohne die topologische Information zu verfälschen.

Schritt 2: Distanzmessung im gekoppelten Raum ( $k$ -Nearest Neighbors)

Zur effizienten Suche wird im Hintergrund eine räumliche Datenstruktur (ein $K$ -D-Tree) aufgebaut. Für jeden Punkt $i$ im gemeinsamen $(X,Y)$ -Raum sucht der Algorithmus den $k$ -nächsten Nachbarn (standardmäßig $k=3$ ). Er misst die exakte Distanz zu diesem dritten Nachbarn unter Verwendung der Maximums-Metrik (Chebyshev-Distanz). Diese Distanzspanne nennen wir $\epsilon_i/2$ . Sie definiert ein lokales Suchfenster um jeden Punkt.

Schritt 3: Marginale Zählung (Die Zerlegung der Wahrscheinlichkeit)

Der Algorithmus nutzt dieses Suchfenster nun, um die Wahrscheinlichkeitsdichten auf den Einzelachsen zu schätzen:

Er blickt ausschließlich auf die $X$ -Achse (die Vergangenheit) und zählt, wie viele Punkte $n_x(i)$ innerhalb der Distanz $\epsilon_i/2$ liegen.
Er blickt ausschließlich auf die $Y$ -Achse (die Zukunft) und zählt, wie viele Punkte $n_y(i)$ innerhalb dieser Distanz liegen.

Schritt 4: Die Digamma-Integration

Anstatt Daten in ungenaue Histogramme zu pressen, setzt der Algorithmus diese präzisen Abstands-Zählungen in die KSG-Schätzgleichung ein. Diese Gleichung nutzt die Digamma-Funktion $\psi$ (die logarithmische Ableitung der Gamma-Funktion), um die exakte Transinformation $I(X;Y)$ in natürlichen Informationseinheiten (Nats) zu berechnen:

$\begin{equation*} I(X;Y) = \psi(N) + \psi(k) - \frac{1}{N} \sum_{i=1}^N \left( \psi(n_x(i) + 1) + \psi(n_y(i) + 1) \right) \end{equation*}$

Dabei ist $N$ die Gesamtzahl der Runden im Beobachtungsfenster.

Schritt 5: Das Kausale Delta (Der finale Beweis)

Dieser gesamte KSG-Prozess wird dual ausgeführt: Einmal für die Informationstransfer-Rate der rohen Mikro-Ebene $I(X_t ; X_{t+1})$ und einmal für die Informationstransfer-Rate der konstruierten Makro-Ebene $I(Z_t ; Z_{t+1})$ .

Die Subtraktion beider Ergebnisse liefert die Kausale Kraft:

$\begin{equation*} \mathcal{C} = I(Z_t ; Z_{t+1}) - I(X_t ; X_{t+1}) \end{equation*}$

Wenn dieser Wert positiv ist, ist der mathematische Beweis für das Vorliegen der Emergenz, hier des (dysfunktionalen) Collective Mind, erbracht:

Wenn $\mathcal{C}$ positiv wird, geschieht etwas Fundamental-Systemisches: Die Mikro-Details (z. B. welches genaue Wort ein Akteur wählt oder wie seine individuelle Tagesform ist) werden kausal irrelevant.

Das Makro-Regime zwingt dem System sein eigenes physikalisches Gesetz auf. Wenn ein Meeting kausal emergent in den Identitätskampf (Regime V0, siehe Anhang 2) stürzt, greifen sich die Akteure nicht mehr an, weil sie sich als Individuen in diesem Moment dazu entscheiden. Sie greifen sich an, weil das emergente Feld (der dysfunktionale Collective Mind) sie kausal dazu zwingt. Das System reproduziert sich selbst.

Anhang 2

Mikro-, Meso- und Makro-Ebene für das TV-Beispiel

Mikro-Ebene:

Die Mikro-Ebene besteht aus den 100 Turns (= 100 Aussagen der TV- Teilnehmer). Diese 100 Turns stammen aus dem Mitschnitt der Markus Lanz TV-Sendung und anschließender Transkription. Die Turns wurden erstmals im Blog ‚AI & M 4.0: Markus Lanz vom 30.04.2024, Eine Collective Mind Analyse, vom Juni 2024‘ verwendet.

Meso-Ebene:

Die Meso-Ebene besteht aus den 19 End-Blättern der Decision Tree Regression. Die folgende Abbildung zeigt den Entscheidungsbaum.

Die Anwendung in der Collective Mind Theorie:

Was passiert hier? Wir füttern den Baum mit den rohen Mikro-Eingaben (Disruption und Valenz der einzelnen Sprecher der letzten 8 Turns). Der Algorithmus spaltet diese Historie so lange auf, bis er in den Endknoten (Blättern) Gruppen von Vergangenheiten findet, bei denen der $MSE$ minimal ist – sie also alle exakt denselben Erwartungswert $\hat{y}$ für die Zukunft haben.
Die theoretische Übersetzung: Genau das ist die Definition der Epsilon-Maschine. Der Baum filtert alle redundanten Informationen heraus (z. B. „Wer genau hat gesprochen?“). Wenn eine leise, giftige Bemerkung von Sprecher A und ein lauter Wutanfall von Sprecher B am Ende exakt dieselbe Systemreaktion für den nächsten Turn auslösen, wirft der Decision Tree beide in dasselbe Blatt. Dieses Blatt ist der kausale Mikro/Meso-Zustand ( $\sigma$ ). Wir haben damit die „Hardware“ der Konversation extrahiert.

Makro-Ebene:

Die Makro-Ebene besteht aus den zu drei Clustern zusammengefassten 19 kausalen Zuständen der Meso-Ebene. Die Zusammenfassung wird durch den K-Means Algorithmus erzeugt. Die drei Regime stellen einen Vektor-Ordnungsparameter dar

Die Anwendung in der Collective Mind Theorie:

Was passiert hier? Wir nehmen die Vorhersagen $\hat{y}$ aus den 19 Blättern des Decision Trees und zwingen K-Means, diese in exakt $k=3$ Cluster/Regime zu pressen.
Die theoretische Übersetzung: Das ist das „Coarse-Graining“ (die Vergröberung) zur Upsilon-Maschine. Die 19 Mikro/Meso-Zustände sind zu detailliert, um ein „Collective Mind“ zu sein. Indem K-Means ähnliche Vorhersagen mathematisch verschmilzt, entstehen die Makro-Regime. In diesem Fall hat der Algorithmus die drei fundamentalen Aggregatzustände (Makro-Regime) des Teams gefunden:
1. V0-Identitätskampf (Hohe negative Valenz, toxischer Stress)
2. V1-Sachdebatte (Moderate Valenz, Kohärenz)
3. V2-Agenda Setting (Schöpferische Disruption)

Das Resultat: Die Upsilon-Maschine repräsentiert nun die „Software“ oder die kulturelle Atmosphäre.

Auf dieser Basis wird die Transinformation berechnet und die zwei zentralen Kriterien für Emergenz

A. Die Kausale Kraft ( $\mathcal{C}$ ):

Wir vergleichen die Vorhersagekraft der Upsilon-Maschine (Makro) mit der der reinen Rohdaten (Mikro):

$\mathcal{C} = I(Z_t ; Z_{t+1}) - I(X_t ; X_{t+1})$

Bedeutung: Wenn $\mathcal{C} > 0$ ist, enthält das Wissen über das aktuelle Makro-Regime ( $Z_t$ , z. B. „Wir sind gerade in der Sachdebatte“) mehr Informationen über die Zukunft als das Wissen über das exakte Verhalten der Sprecher ( $X_t$ ). Das Team hat den Collective Mind Makro-Zustand erreicht.

B. Das Information Leakage ( $L$ ):

Das Information Leakage ist eine redundante Größe, wenn die kausale Kraft bekannt ist, da

\mathcal{C} = -L

$L = I(Z_{t+1}; X_t | Z_t)$

Bedeutung: Das ist der Indikator für den Systemkollaps. Das Leakage misst, wie viel das Mikro-Verhalten ( $X_t$ ) noch über die Zukunft verrät, obwohl wir den Collective Mind ( $Z_t$ ) schon kennen. Wenn $L$ ausschlägt, hat eine einzelne Person (durch extreme Disruption) das normative Gefüge des Teams gesprengt. Die Software (Makro) hat die Kontrolle über die Hardware (Mikro) verloren.

Im folgenden liste ich jeweils die drei Makro-Regime, in dem ich diese kurz skizziere und die dazugehörigen Meso kausalen Zustände anfügen:

MAKRO-Regime 0 –Der Identitäts-Kampf

Die Datenlage: Fast durchgehend tiefrote, extrem negative Valenzen (-0.50 bis -0.90).
Die Akteure: Hier dominieren Mansour (Sprecher 4, der die stärksten Systemdisruptionen treibt) und Kayman.
Der Inhalt: Es geht um harte inhaltliche und moralische Fronten („moralische Überlegenheit“, „politischer Islam“, „Extremisten“).
Die System-Diagnose: Dieses Regime markiert den Zusammenbruch des kausalen Flusses. Die Kommunikation ist informationell geschlossen, da die Sprecher auf ihre V0-Identitätswerte zurückfallen. Die Akteure verteidigen ihre Ingroup („Ich bin Muslim, ich rede über meine Community“). Es entsteht eine massive kollektive Interferenz, bei der sachliche Argumente (V1) nicht mehr durchdringen.

🔬 Meso-Ebene 2

 Turn  24 | Kayman     | D-Score: -0.10 | Val: -0.60 | "Wir müssen mit jungen Menschen darüber reden, dass dieses De..."

 Turn  26 | Kayman     | D-Score: -0.19 | Val: -0.90 | "Auch in der Ahmadiyya-Gemeinde gibt es eine Tradition des An..."

 Turn  28 | Kayman     | D-Score: -0.34 | Val: -0.90 | "Ich wollte das nicht aufbrechen, weil das das Feld zu weit ö..."

 Turn  47 | Mansour    | D-Score: -0.52 | Val: -0.50 | "Entschuldigung...."

 Turn 101 | Mansour    | D-Score: +0.00 | Val: -0.80 | "Zweitens. Dieser politische Islam, der versucht gerade, die ..."

🔬 Meso-Ebene 6

 Turn  35 | Hübsch     | D-Score: -0.35 | Val: -0.30 | "Unsere Gemeinschaft ist über 100 Jahre alt...."

 Turn  40 | Kayman     | D-Score: -0.15 | Val: -0.60 | "Sie ziehen sich immer auf die Position zurück, ab der es dan..."

 Turn  43 | Hübsch     | D-Score: -0.00 | Val: -0.60 | "Weil das vor dem internationalen Gerichtshof verhandelt wird..."

 Turn  72 | Mansour    | D-Score: -0.13 | Val: -0.50 | "Ich habe eine Grundsatzfrage gestellt...."

 Turn  84 | Mansour    | D-Score: -0.03 | Val: -0.50 | "Aber er darf kein Mitglied sein in Ihrer Gemeinde?..."

🔬 Meso-Ebene 7

 Turn  20 | Kayman     | D-Score: -0.33 | Val: -0.90 | "Ich bin Muslim, ich rede über meine Community. Ich glaube, e..."

 Turn  22 | Kayman     | D-Score: -0.12 | Val: -0.60 | "Entschuldigung, wir können nicht über Vorereignisse aus dem ..."

 Turn  82 | Mansour    | D-Score: -0.29 | Val: -0.50 | "Ein homosexuelles Paar...."

 Turn  97 | Kayman     | D-Score: -0.17 | Val: -0.60 | "Das ist die Vorstellung einer moralischen Überlegenheit durc..."

 Turn  99 | Mansour    | D-Score: +0.00 | Val: -0.70 | "Um das psychologisch zu betreiben, auf zwei Ebenen. Das indi..."

🔬Meso-Ebene 13

 Turn  21 | Hübsch     | D-Score: -0.23 | Val: -0.30 | "Was ist mit dem Vertrag von Medina?..."

 Turn  41 | Hübsch     | D-Score: -0.12 | Val: -0.60 | "Deswegen hatte ich auch diesen Einwand, weil ich so aufgewac..."

 Turn  48 | Hübsch     | D-Score: -0.26 | Val: -0.30 | "Ganz schlechter Wort über Autismus...."

 Turn  83 | Hübsch     | D-Score: -0.31 | Val: -0.30 | "Man muss sich entscheiden. Da ist es nicht anders als in der..."

🔬 Meso-Ebene 24

 Turn   9 | Khorchide  | D-Score: -0.09 | Val: -0.50 | "Wir müssen uns die Schriften anschauen. Es war in der islami..."

 Turn  68 | Khorchide  | D-Score: -0.30 | Val: -0.20 | "Das sind standardisierte Fragen, die man auch an Christen st..."

 Turn  70 | Mansour    | D-Score: -0.24 | Val: -0.50 | "Aber Sie reden nicht über die Christen, Frau Hübsch. Darf ic..."

 Turn  95 | Kayman     | D-Score: -0.13 | Val: -0.60 | "Ich glaube, das, was wir erlebt haben, ist exemplarisch für ..."

🔬 Meso-Ebene 25

 Turn  12 | Hübsch     | D-Score: -0.17 | Val: -0.60 | "Das ist umgekehrt. Die Interpretation der Extremisten, der H..."

 Turn  18 | Kayman     | D-Score: -0.04 | Val: -0.90 | "Wir haben aktuell kein Problem, dass Theologie eine Natur is..."

 Turn  45 | Mansour    | D-Score: -0.36 | Val: -0.80 | "Ich habe es Ihnen versprochen, Herr Mansur. Erst mal frage i..."

 Turn  65 | Hübsch     | D-Score: -0.15 | Val: -0.30 | "Ich glaube nicht. Das ist so weit verbreitet in der islamisc..."

 Turn  80 | Mansour    | D-Score: -0.26 | Val: -0.50 | "Ich kenne andere Rätsel von Mitgliedern bei Ihnen...."

🔬 Meso-Ebene 30

 Turn  33 | Kayman     | D-Score: +0.09 | Val: -0.90 | "Es geht es nur darum, man muss kein theologischer Islam-Expe..."

 Turn  54 | Lanz (Mod) | D-Score: -0.41 | Val: +0.00 | "Zu sagen, ich bin auch da, ich bin auch wer...."

 Turn  57 | Hübsch     | D-Score: -0.03 | Val: -0.60 | "Keine Identifikation. Kennen Sie das? Ich kenne das total. I..."

 Turn  76 | Mansour    | D-Score: -0.10 | Val: -0.50 | "Aber Sie widersprechen sich...."

 Turn  87 | Hübsch     | D-Score: -0.33 | Val: -0.30 | "Auch Homosexualität. Sie dürfen Mitglied werden? Ja. Trotzde..."

MAKRO-Regime 1 Sachdebatte

Die Datenlage: Ein breiter Mix aus leicht negativer (-0.20 bis -0.30) bis neutraler Valenz. D-Scores sind meist im leichten Minus-Bereich.
Die Akteure: Hübsch ist hier überproportional präsent, oft im direkten Schlagabtausch mit Lanz, der versucht zu ordnen („Ich ordne kurz die Reihenfolge…“).
Der Inhalt: Das ist das „Tagesgeschäft“ der Talkshow. Es wird sich gerechtfertigt, relativiert und prozedural debattiert („Wir haben Mitglieder, die kein Kopftuch tragen“, „Wir leben in Deutschland“).
Die System-Diagnose: Das System operiert im Überlebensmodus. Es kollabiert nicht komplett in toxische Interferenz, erreicht aber auch keine echte Emergenz. Die Akteure reiben sich in der Verteidigung ihrer Positionen auf. Es ist ein ständiges Ausbalancieren zwischen V2-Tabubrüchen und V1-Rückzugsgefechten.

🔬 Meso-Ebene 5

 Turn  14 | Hübsch     | D-Score: +0.02 | Val: -0.30 | "Und was im Koran steht...."

 Turn  30 | Hübsch     | D-Score: -0.20 | Val: -0.30 | "Ich melde mich mal...."

 Turn  42 | Lanz (Mod) | D-Score: -0.19 | Val: -0.30 | "Völkermord vielleicht sogar...."

 Turn  49 | Mansour    | D-Score: +0.35 | Val: -0.50 | "Nein, nein. Sie unterbrechen mich die ganze Zeit und lassen ..."

🔬 Meso-Ebene 12

 Turn  23 | Hübsch     | D-Score: -0.22 | Val: -0.30 | "Sie haben gesagt, es gibt keine positive Erzählung. Es gibt ..."

 Turn  25 | Hübsch     | D-Score: -0.17 | Val: -0.30 | "Vielleicht passiert es bei Ihnen nicht, bei uns passiert das..."

 Turn  27 | Mansour    | D-Score: +0.13 | Val: -0.50 | "Das müssen wir nicht verharmlosen...."

 Turn  29 | Lanz (Mod) | D-Score: -0.11 | Val: +0.00 | "Ich ordne kurz die Reihenfolge...."

 Turn  46 | Hübsch     | D-Score: +0.07 | Val: -0.30 | "Das ist ein ganz schlechter Wort über Autismus...."

 Turn  98 | Lanz (Mod) | D-Score: -0.27 | Val: +0.00 | "Der Mechanismus auf beiden Seiten...."

🔬 Meso-Ebene 17

 Turn  36 | Lanz (Mod) | D-Score: -0.19 | Val: -0.30 | "Gibt es da Antisemitismus?..."

 Turn  38 | Kayman     | D-Score: -0.17 | Val: -0.60 | "Wie kamen Sie darauf? Ich habe doch nicht gesagt, dass alle ..."

 Turn  44 | Lanz (Mod) | D-Score: -0.14 | Val: +0.00 | "Da ist wieder dieses relativierende Momentum. Sie müssen dar..."

 Turn  73 | Hübsch     | D-Score: -0.10 | Val: -0.30 | "Wir leben in Deutschland. In Deutschland gelten die deutsche..."

 Turn  85 | Hübsch     | D-Score: -0.34 | Val: +0.00 | "Natürlich darf jeder Mitglied sein. Wir haben auch Mitgliede..."

🔬 Meso-Ebene 23

 Turn  10 | Hübsch     | D-Score: -0.18 | Val: -0.30 | "Aber Sie sind Theologe. Ich erinnere mich noch an einen Arti..."

 Turn  67 | Hübsch     | D-Score: -0.14 | Val: -0.30 | "Wenn Sie die Leute in Positionierungsdruck versetzen und sag..."

 Turn  69 | Hübsch     | D-Score: -0.27 | Val: -0.30 | "Aber ein Christ würde im Zweifel sagen, mein Glaube ist mir ..."

 Turn  71 | Hübsch     | D-Score: -0.18 | Val: -0.30 | "Sie wissen, es gibt nicht nur eine Auslegung der Scharia. Di..."

 Turn  74 | Khorchide  | D-Score: -0.15 | Val: -0.20 | "Sind Sie für das oder für dieses Verständnis?..."

 Turn  78 | Mansour    | D-Score: +0.06 | Val: -0.50 | "Darf ein Homosexueller bei Ihnen Mitglied werden?..."

🔬 Meso-Ebene 27

 Turn  16 | Hübsch     | D-Score: -0.11 | Val: -0.30 | "Sie wissen als Theologe ganz genau, dass es in der gesamten ..."

 Turn  17 | Lanz (Mod) | D-Score: -0.19 | Val: +0.00 | "Ich wollte gerade sagen, ich als Mensch mit christlichem Hin..."

 Turn  51 | Khorchide  | D-Score: -0.08 | Val: -0.20 | "Identitätssuche, Identitätsfindung in der Religion. Ich rede..."

 Turn  88 | Lanz (Mod) | D-Score: -0.24 | Val: -0.20 | "Was heißt das?..."

 Turn  91 | Hübsch     | D-Score: -0.16 | Val: -0.20 | "Wir haben Mitglieder, die kein Kopftuch tragen. Wir verstehe..."

🔬 Meso-Ebene 29

 Turn  13 | Khorchide  | D-Score: -0.08 | Val: -0.20 | "Ich habe nicht Hamas zitiert, ich habe den Propheten, was in..."

 Turn  19 | Hübsch     | D-Score: -0.20 | Val: -0.30 | "Wir haben das auf beiden Seiten, das gehört zur Wahrheit daz..."

 Turn  39 | Hübsch     | D-Score: -0.07 | Val: -0.30 | "Ich kann Ihnen nur sagen, dass es bei uns Thema ist...."

 Turn  77 | Hübsch     | D-Score: -0.20 | Val: -0.30 | "Das ist konstruktiver, als wenn man Leute vor die Wahl stell..."

 Turn  81 | Hübsch     | D-Score: -0.19 | Val: -0.30 | "Homosexuell? Wir haben Mitglieder. Die haben unterschiedlich..."

 Turn  94 | Mansour    | D-Score: +0.04 | Val: -0.50 | "Wir dürfen das auch kritisieren. Wenn das mit den Grundwerte..."

🔬 Meso-Ebene 31

 Turn  37 | Hübsch     | D-Score: -0.06 | Val: -0.30 | "Es gibt nicht einen einzigen Fall, der mir bekannt wäre, wo ..."

 Turn  62 | Lanz (Mod) | D-Score: -0.27 | Val: +0.00 | "Aber das, worüber ich hier spreche, das beginnt schon lange ..."

 Turn  64 | Lanz (Mod) | D-Score: -0.19 | Val: +0.00 | "Da meint man......"

 Turn  66 | Khorchide  | D-Score: -0.25 | Val: -0.20 | "Sie reden politisch über diejenigen, die sagen, Scharia ist ..."

 Turn  92 | Lanz (Mod) | D-Score: -0.14 | Val: -0.10 | "Wann beginnt das, in welchem Alter?..."

 Turn  96 | Lanz (Mod) | D-Score: -0.19 | Val: +0.00 | "Ich würde gerne zum Schluss, weil ich vermute, wir werden gl..."

🔬 Meso-Ebene 35

 Turn  59 | Hübsch     | D-Score: -0.18 | Val: -0.30 | "Weil wir politische Debatten haben. Im Moment ist die Entfre..."

 Turn  61 | Hübsch     | D-Score: -0.23 | Val: -0.30 | "Weil Deutschland international isoliert dasteht. Weil man ni..."

 Turn  63 | Hübsch     | D-Score: -0.16 | Val: -0.30 | "Wir haben zu problembehaftete Debatten. Wegen Scharia noch m..."

 Turn  93 | Hübsch     | D-Score: -0.13 | Val: -0.30 | "Das ist individuell. Herr Lanz, das ist wichtig. Sie müssen ..."

MAKRO-Regime 2 Agenda-Setting

Die Datenlage: Plötzlich positive Valenzen (+0.10, +0.30) und, ganz entscheidend, positive D-Scores (+0.12, +0.14).
Die Akteure: Lanz und Khorchide dominieren hier massiv.
Der Inhalt: Hier wird das Gespräch aktiv und konstruktiv auf eine neue Ebene gehoben („Sie haben mir gerade einen guten Übergang geliefert“, „Wir haben ein theologisches Problem“, „Vielleicht sollten wir das auch mal machen“).
Die System-Diagnose: Das ist der informationstheoretische Beweis für das Emergenz-Plateau. Das System tritt in echte kollektive Resonanz. Positive Disruptionen ( $D > 0$ ) bedeuten hier keinen Streit, sondern Agenda-Setting und Führung. Wahrheit/Sachlichkeit übernimmt die Kontrolle. Die Makro-Software dominiert, das Team entwickelt einen gemeinsamen, vorwärts gerichteten Gedanken.

🔬 Meso-Ebene 15

 Turn  15 | Khorchide  | D-Score: -0.07 | Val: -0.20 | "Kurz das Argument zu Ende. Diese Koranstellen, die müssen hi..."

 Turn  31 | Lanz (Mod) | D-Score: +0.12 | Val: +0.00 | "Ein theologischer Satz, dann eine Frage an Sie und dann Ahma..."

 Turn  50 | Lanz (Mod) | D-Score: +0.02 | Val: +0.00 | "Sie haben mir gerade einen guten Übergang geliefert. Sie sag..."

 Turn  79 | Hübsch     | D-Score: -0.15 | Val: +0.00 | "Natürlich. Unsere Moscheen sind offen für alle Menschen...."

 Turn  90 | Lanz (Mod) | D-Score: -0.02 | Val: -0.10 | "Kopftuch tragen, ja oder nein?..."

🔬 Meso-Ebene 18

 Turn  11 | Khorchide  | D-Score: -0.11 | Val: -0.20 | "Und nicht, dass es nicht für allgemeinere ist. Das ist nicht..."

 Turn  60 | Lanz (Mod) | D-Score: -0.06 | Val: +0.00 | "Das ist wahr...."

 Turn  75 | Hübsch     | D-Score: -0.10 | Val: -0.30 | "Ich bin für beides. Meine Scharia sagt mir, ich muss mich an..."

 Turn  86 | Lanz (Mod) | D-Score: -0.02 | Val: +0.00 | "Er hat nach Homosexualität gefragt...."

 Turn 100 | Lanz (Mod) | D-Score: +0.00 | Val: +0.00 | "Die Situation kenne ich aus Israel. Genau...."

🔬 Meso-Ebene 34

 Turn  32 | Khorchide  | D-Score: -0.10 | Val: +0.10 | "Ich würde dem widersprechen. Wir haben ein theologisches Pro..."

 Turn  53 | Khorchide  | D-Score: +0.05 | Val: -0.20 | "Wenn Sie diese Jugendlichen fragen, was meinen Sie mit Schar..."

 Turn  56 | Lanz (Mod) | D-Score: -0.04 | Val: +0.00 | "Und wie gesagt, weltweit. Es war sehr interessant, diese Unt..."

 Turn  89 | Hübsch     | D-Score: -0.03 | Val: -0.30 | "Keine Sexualität vor der Ehe gehört dazu. Man muss das nicht..."

🔬 Meso-Ebene 36

 Turn  34 | Lanz (Mod) | D-Score: +0.12 | Val: -0.30 | "Ich würde gerne Frau Hübsch an dem Punkt fragen, weil das ge..."

 Turn  52 | Lanz (Mod) | D-Score: +0.09 | Val: +0.30 | "Vielleicht sollten wir das auch mal machen, zum Christentum ..."

 Turn  55 | Khorchide  | D-Score: -0.24 | Val: +0.10 | "Und in Abgrenzung zu euch sage ich Scharia. Und das ist das ..."

 Turn  58 | Lanz (Mod) | D-Score: +0.14 | Val: +0.00 | "Aber woher kommt das?..."

Auf dieser Basis ergeben sich Regeln, die in einem Hybride Collective Intelligence Dashboard verwendet werden. Sie unterstützen eine Führungskraft oder einen Moderator bei der Führung eines Teams bzw. der Moderation einer Gruppe
  
======================================================================
 SYSTEM-DIAGNOSE: DIE QUANTITATIVEN WENN-DANN REGELN
======================================================================

>>> MAKRO-REGIME 0 <<<
--------------------------------------------------
Meso-Ebene (Blatt-Knoten 2) | Vorhersage (y_hat): -0.486 | Datenpunkte: 5
WENN t-2 <= -0.337 UND 
     t-6 <= -0.355
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 6) | Vorhersage (y_hat): -0.318 | Datenpunkte: 5
WENN t-2 <= -0.337 UND 
     t-6  > -0.355 UND 
     t-7 <= -0.213 UND 
     t-6  > -0.234
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 7) | Vorhersage (y_hat): -0.422 | Datenpunkte: 5
WENN t-2 <= -0.337 UND 
     t-6  > -0.355 UND 
     t-7  > -0.213
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 13) | Vorhersage (y_hat): -0.303 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1 <= -0.351 UND 
     t-4  > -0.206
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 24) | Vorhersage (y_hat): -0.320 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2 <= -0.203 UND 
     t-1 <= -0.178 UND 
     t-6  > -0.180
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 25) | Vorhersage (y_hat): -0.408 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2 <= -0.203 UND 
     t-1  > -0.178
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 30) | Vorhersage (y_hat): -0.307 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2  > -0.203 UND 
     t-8  > -0.290 UND 
     t-1  > -0.208
DANN fällt das System in Makro-Regime 0


>>> MAKRO-REGIME 1 <<<
--------------------------------------------------
Meso-Ebene (Blatt-Knoten 5) | Vorhersage (y_hat): -0.178 | Datenpunkte: 4
WENN t-2 <= -0.337 UND 
     t-6  > -0.355 UND 
     t-7 <= -0.213 UND 
     t-6 <= -0.234
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 12) | Vorhersage (y_hat): -0.165 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1 <= -0.351 UND 
     t-4 <= -0.206
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 17) | Vorhersage (y_hat): -0.215 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1  > -0.351 UND 
     t-7  > -0.276 UND 
     t-8 <= -0.223
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 23) | Vorhersage (y_hat): -0.230 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2 <= -0.203 UND 
     t-1 <= -0.178 UND 
     t-6 <= -0.180
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 27) | Vorhersage (y_hat): -0.168 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2  > -0.203 UND 
     t-8 <= -0.290
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 29) | Vorhersage (y_hat): -0.219 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2  > -0.203 UND 
     t-8  > -0.290 UND 
     t-1 <= -0.208
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 31) | Vorhersage (y_hat): -0.142 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6  > -0.078
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 35) | Vorhersage (y_hat): -0.238 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3  > -0.083 UND 
     t-2 <= -0.108 UND 
     t-8  > -0.209
DANN fällt das System in Makro-Regime 1


>>> MAKRO-REGIME 2 <<<
--------------------------------------------------
Meso-Ebene (Blatt-Knoten 15) | Vorhersage (y_hat): -0.040 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1  > -0.351 UND 
     t-7 <= -0.276
DANN fällt das System in Makro-Regime 2

Meso-Ebene (Blatt-Knoten 18) | Vorhersage (y_hat): -0.080 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1  > -0.351 UND 
     t-7  > -0.276 UND 
     t-8  > -0.223
DANN fällt das System in Makro-Regime 2

Meso-Ebene (Blatt-Knoten 34) | Vorhersage (y_hat): -0.065 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3  > -0.083 UND 
     t-2 <= -0.108 UND 
     t-8 <= -0.209
DANN fällt das System in Makro-Regime 2

Meso-Ebene (Blatt-Knoten 36) | Vorhersage (y_hat): 0.025 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3  > -0.083 UND 
     t-2  > -0.108
DANN fällt das System in Makro-Regime 2

Literatur

[1] Rosas F E et al. (2024) Software in the natural world: A computational approach to hierarchical emergence, arXiv:2402.09090v2, 5 Jun 2024

[2] Jens Köhler und Alfred Oswald: Die Collective Mind Methode (2009)

Alfred Oswald, Jens Köhler, Roland Schmitt: Projektmanagement am Rande des Chaos (2016), auch in englischer Sprache verfügbar: Project Management at the Edge of Chaos, Springer 2018

Alfred Oswald und Wolfram Müller (editors): Management 4.0 – Handbook for Agile Practices, Release 3.0“, BoD 2019

Attention Collective Mind III: KI-Assistenz für die Markus Lanz TV-Sendung am 30.04.2024

Kurzfassung: In diesem Blog-Beitrag wird der Attention Collective Mind Mechanismus auf eine reale Gruppenkommunikation angewendet. Es wird gezeigt, dass ein durch Reinforcement Learning trainierter RL-Agent einen TV-Moderator aktiv in einem hybriden Collective Intelligence Setting bei der Moderation einer TV-Sendung unterstützen kann. Ein dem Attention Modell ähnlicher Mechanismus wird für die Vermessung des Disruptiongrads von Redebeiträgen angewendet. Damit ist es möglich, die kreative Spannung in einer Kommunikation zu vermessen und deren Potential für die Ausbildung eines Collective Mind zu bewerten.

Dieser Bog-Beitrag ist mit Gemini Pro erstellt.

In den vorherigen beiden Blog-Beiträgen dieser Reihe habe ich einen Attention Mechanismus für die KI-Assistenz von soziale Systemen entwickelt. Ich konnte zeigen, dass ein Reinforcement Learning KI-Agent (RL-Agent) in der Lage ist, eine Projekt-Führungskraft bei der Führung seines Teams zu unterstützen: Der RL-Agent unterstützt die Führungskraft durch die Anzeige des individuellen Stresslevels und des Gruppen-Stresslevels und macht Vorschläge zur Teilnehmereinbindung um die Stresslevel zu senken.

In diesem Blog-Beitrag verwende ich den RL-Agenten, um eine reale Gruppe zu führen: Da es sehr schwierig ist, auf Daten eines realen Teams zuzugreifen, verwende ich die Kommunikation der Gruppe der Markus Lanz TV-Sendung vom 30.04.2024 [1]. Für diese TV-Sendung habe ich schon am 27.Juni 2024 eine Collective Mind Analyse im Blog-Beitrag ‚AI & M 4.0: Markus Lanz vom 30.04.2024…‘ veröffentlicht.

Die transkribierten Kommunikationsdaten zu dieser Sendung liegen vor, so dass es recht einfach ist, auf dieser Basis eine Attention Collective Mind Analyse durchzuführen. Der Ablauf ist wie folgt:

Schritt 1: Die transkribierten Daten werden einer LLM KI übergeben, in dem vorliegenden Fall, Gemini Pro. Gemini Pro erhält die Aufgabe, die Big-Five Persönlichkeiten und die Werte-Ausprägung zu drei Werten V1, V2 und V3 der Teilnehmer der TV-Sendung einzuschätzen:

[V1] Wahrheit & Logik (Sachlicher Erkenntnisgewinn)
[V2] Identität & Loyalität (Verteidigung der eigenen Ingroup)
[V3] Freiheit & Aufklärung (Tabubruch, liberale Werte)

Diese Werte wurden gewählt, weil es in der TV-Sendung um das Rollenverständnis der Muslime in Deutschland geht.

Die Big-Five Ergebnisse und die Werten V1 bis V3 werden pro Diskussionsteilnehmer aus der Gesamtheit der jeweiligen Redebeiträge ermittelt. Die mittels Gemini Pro erhaltenen Big-Five Werte weichen teilweise recht stark von den ChatGPT Big-Five Analyse aus dem Jahre 2024 ab. Die ChatGPT Big-Five Werte entsprechen sehr genau meinen persönlichen Einschätzungen. Ich habe überprüft inwieweit dieser Unterschied das Ergebnis (siehe weiter unten) beeinflusst: Die Big-Five Werte beeinflussen deutlich die Höhe der Stresspegel (Skala unten 0.1 bis 0.2), jedoch kaum deren Verlauf.

Schritt 2: Big-Five und die Werte werden als statische Größen im Persönlichkeitsvektor der Gruppenteilnehmer eingetragen. Zusätzlich ist es nötig, im Persönlichkeitsvektor den emotionalen Zustand der Gesprächsteilnehmer zu erfassen. Mit Gemini Pro wird die sogenannte Valenz (positiv, neutral, negativ) und die damit verbundene Stimmung (Arousal) pro Redebeitrag erfasst. Diese Werte mit der Information auf welchen anderen Teilnehmer bzw. Redebeitrag ein Teilnehmer reagiert wird, werden in eine Tabelle eingetragen.

Schritt 3: Mit Hilfe eines Transformer-Modells aus der Huggingface Bibliothek wird eine Textanalyse vorgenommen. Diese Analyse bettet die ungefähr 100 Redebeiträge in einen hochdimensionalen Vektorraum. Damit ist möglich, Textähnlichkeiten der Redebeiträge über Vektor-Ähnlichkeit zu vermessen. In Anlehnung an einen Artikel zur Vermessung des Disruptioncharakters von wissenschaftlichen Veröffentlichungen [2] habe ich einen Disruption-Score (D-Score) für Redebeiträge eingeführt: Dieser D-Score misst inwieweit sich nachfolgende Redebeiträge (nur noch) auf einen vorhergehenden Redebeitrag beziehen (für die verwendete Mathematik verweise ich auf den Anhang).

Schritt 4: Der bisherige RL-Agent wird getestet, ob er in der Lage ist, den Moderator aktiv und sinnvoll zu unterstützen. Die Tests ergeben, dass es notwendig ist, das RL-Agenten Modell für die Moderator-Situation zu erweitern: Der Redeanteil der Gesprächsteilnehmer wird durch eine Größe ‚Fatique‘ (Ermüdung) begrenzt. – Jeder Redebeitrag führt zu einer ‚Ermüdung‘. Indirekt wird damit auch die Ermüdung der Zuhörer bewertet.
Außerdem wird das Modell für den individuellen Stresspegel und den Stresspegel der gesamten Gruppe angepasst. – Für die entsprechende Mathematik verweise ich auf den Anhang. Der Anhang enthält nur die gegenüber dem vorherigen Blog-Beitrag geänderte Mathematik. – Die erfolgreiche Modellierung bedeutet in diesem Fall, dass die KI dem Moderator richtige Hinweise zur aktiven Steuerung des individuellen und gruppendynamischen Stresspegels gibt, in dem der RL-Agenten korrekte Empfehlungen zur Einbindungen bestimmter Gesprächsteilnehmer gibt: Der RL-Agenten entlastet den Moderator mental und gestaltet den Moderationsablauf mit.

Die erfolgreiche Modell-Ausgestaltung des RL-Agent hat den Nebeneffekt, dass die entscheidenden Modellgrößen selektiert werden und die wichtigen Mechanismen der Führung, hier der Moderation, abgebildet werden: Die ‚Beliebigkeit‘, was gute Führung ist, wird durch überprüfbare Modellgrößen ersetzt!

Schritt 5: Ergebnisse
Abbildung 1 zeigt den Stresslevel der TV-Diskussionsteilnehmer und den Disruptiongrad des jeweiligen Redebeitrages (Turn).

Abbildung 1: Diese Abbildung zeigt im oberen Teil den Stresspegel der fünf Teilnehmer aufgetragen über den Redebeiträgen (Turns). Im unteren Teil der Abbildung ist der D-Score (Disruptiongrad) des Turns enthalten. Am oberen Rand der Abbildung ist die Turn-Nr. als X-Achse verwendet, am unteren Rand wird die Sprecher-ID pro Turn als X-Achse angezeigt. Der Verlauf der Sprecher-ID stellt eine Signatur der Kommunikation dar: Sieht man vom Moderator (Lanz) ab, so zeigt der Sprecher 4 ( Mansour) den höchsten Anteil an Disruption. Der Sprecher 2 (Khorchide) wirkt als starker Konsolidierer. Sprecher 2 (Hübsch) wirkt fast immer als Antagonist, bringt aber kaum Disruption in die Debatte. Sprecher 3 (Kaymann) wirkt in der ersten Hälfte des TV-Gespräches konsolidieren, und hat bis auf eine kleine Disruption im zweiten Teil keine großen Einfluss auf die Diskussion. Berücksichtigt man, dass Disruption und Konsolidierung Wegbereiter eines Collective Mind sind, so tragen Mansour und Korchide die Diskussion, auch wenn der Redeanteil von Mansour relativ klein ist. Dies entspricht den Sprechern 4 und 5 der Analyse vom Juni 2024. Die aktuelle Analyse hilft die vergangene Analyse der nahe beieinanderliegenden Collective Mind Beiträge besser zu unterscheiden.

Abbildung 2: Diese Abbildung zeigt einen Ergebnis-Auszug der zusätzlichen Informationen pro Turn. Hier für die Turns 49 bis 51. Ich habe diesen Auszug beispielhaft gewählt, da hier der größte D-Score vorliegt.

Im folgenden gebe ich eine detaillierte Aufschlüsselung dieses Ergebnis-Auszugs. Diese Zeilen zeigen sehr gut, wie ein kommunikativer ‚Game Changer‘ mathematisch aussieht.

Jeder Block repräsentiert einen Redebeitrag und ist in drei Ebenen unterteilt:

1. 🗣️ REALITÄT (Die Datenbasis)

Das ist die Eingabeebene. Das System registriert die Turn-Nummer ([49]), wer spricht (Mansour), an wen die Aussage gerichtet ist (zu Hübsch) und den Start des tatsächlichen Transkript-Textes.

2. 🧠 Die analytische Ebene (Emotion & Semantik)

Diese Ebene zeigt Parameter des gesprochenen Wortes:

Valenz: Misst die emotionale Schärfe von -1.0 (feindselig/Kritik) bis +1.0 (zustimmend/Lob).
D-Score: Der Disruptions-Wert. Er misst durch Vektorgeometrie, ob der Satz das inhaltliche Thema der Diskussion radikal verändert (positiver Wert) oder ob alte Argumente lediglich wiederholt werden (negativer Wert).

3. 🤖 KI-CO-PILOT (Die Systemsteuerung)

Dies ist das Steuerzentrum der Simulation:

Spg (Systemspannung): Die aufsummierte kognitive und emotionale Belastung (Stress) aller Personen im Raum. Über 2.0 wird es kritisch.
Empfehlung: Das neuronale Netz, der RL-Agent, berechnet im Hintergrund, wer als Nächstes sprechen sollte, um den inhaltlichen Ertrag zu maximieren und das System stabil zu halten.
System-Notizen: Wenn bestimmte Schwellenwerte gerissen werden, gibt das System Warnungen oder Erfolgsmeldungen aus (z. B. 💡 DISRUPTION ERFOLGREICH!).

Die Analyse: Was passiert in diesen drei Turns?

Dieser Auszug (Turns 49 bis 51) ist ein sehr gutes Beispiel für eine gelungene inhaltliche Intervention:

Turn 49: Der radikale Pivot von Mansour

Ahmad Mansour wehrt sich gegen eine Unterbrechung von Frau Hübsch. Die Valenz ist mit -0.50 stark negativ – es ist ein klarer verbaler Konflikt. Doch Mansour schlägt nicht einfach inhaltlich zurück, sondern lenkt das Thema auf eine völlig neue Ebene. Der NLP-Algorithmus schlägt massiv aus: Ein D-Score von +0.347 ist extrem hoch. Die KI erkennt sofort, dass der semantische Vektor der Diskussion gerade stark geändert wurde und meldet: „DISRUPTION ERFOLGREICH! Thema wurde neu gesetzt.“ Die Systemspannung (Spg) liegt hier bei leicht erhöhten 1.11. Die KI empfiehlt, das Wort an Prof. Khorchide (den harmonischsten Charakter) zu übergeben.

Turn 50: Die kühlende Moderation

Markus Lanz ergreift das Wort. Er erkennt den Themenwechsel („guten Übergang geliefert“) und fungiert als Moderator. Seine Valenz ist exakt 0.00 – völlig neutral und sachlich. Diese emotionale Kühle wirkt sofort: Die Systemspannung fällt schlagartig von 1.11 auf 0.85. Der D-Score ist mit +0.018 fast bei Null, was bedeutet: Lanz bricht Mansours neues Thema nicht ab, sondern lässt es zu. Die KI fordert weiterhin: Gebt das Wort an Khorchide!

Turn 51: Die inhaltliche Konsolidierung

Genau das passiert in der Realität: Prof. Khorchide übernimmt. Er greift Mansours neues Thema auf („Identitätssuche, Identitätsfindung in der Religion“). Die Valenz ist leicht negativ (-0.20), da er auf ein gesellschaftliches Problem hinweist.

Das Spannendste ist hier der D-Score von -0.080 (Konsolidierend). Ein negativer Wert ist hier absolut positiv zu werten! Es bedeutet, dass Khorchide keine neue Baustelle aufmacht, sondern den in Turn 49 neu gesetzten Themenanker akzeptiert und inhaltlich vertieft. Die neue Richtung der Diskussion ist damit erfolgreich etabliert und gefestigt.

Fazit dieser Sequenz: Die KI beweist hier datenbasiert, dass ein Streit (Turn 49) extrem produktiv sein kann, wenn er dazu genutzt wird, ein festgefahrenes Thema radikal zu wechseln. Und sie zeigt, wie gutes Zuhören und Aufgreifen durch nachfolgende Sprecher (Turns 50 & 51) das Stresslevel im Raum sofort senkt.

Zusammenfassung:

Ich beende hiermit (vorläufig) die Attention Collective Mind Blog-Reihe. Ich konnte zeigen, dass der Attention Mechanismus, der allen großen LLM KI-Systemen zugrunde liegt, auch erfolgreich auf die menschliche Kommunikation angewendet werden kann. Verwendet man ein Vektor-Persönlichkeitsmodell in das u.a. Big-Five, Werte und Emotionen (und ggf. der Projekttyp zur Beschreibung der Aufgabenstellung) eingehen, so lässt sich auf dieser Basis ein RL-Agent mittels Reinforcment Learning trainieren. Dieser RL-Agent unterstützt in einem hybriden Collective Intelligence Setting eine Führungskraft bzw. einen Moderator bei der Wahrnehmung der Team- bzw. Gruppendynamik und gibt aktiv in Echtzeit Empfehlungen für die Führung.

Anhang: Glossar und Formeln zum mathematischen Modell

Glossar: Die Vokabeln der KI-Simulation

Um die Dynamik einer Talkshow mathematisch zu berechnen, übersetzt die KI menschliches Verhalten in Datenpunkte. Hier sind die wichtigsten Begriffe aus der Psychologie und Datenwissenschaft einfach erklärt:

1. Die emotionale Ebene (Affective Computing)

Die KI bewertet jeden gesprochenen Satz nach zwei grundlegenden emotionalen Dimensionen:

Valenz (Valence): Beschreibt, ob eine Aussage positiv oder negativ ist. Negative Valenz (-1.0) bedeutet Angriff oder Kritik. Positive Valenz (+1.0) bedeutet Zustimmung oder Brückenbau.
Arousal (Erregungsniveau): Beschreibt die emotionale „Temperatur“. Hohes Arousal bedeutet, dass jemand passioniert oder hochgradig gestresst spricht. Ein negativer Satz, der geschrien wird (hohes Arousal), erzeugt mehr Systemstress als ein negativer Satz, der ruhig geäußert wird.

2. Die Gesprächsdynamik (Systemphysik)

Fatigue (Kognitive Erschöpfung): Wer lange spricht, verbraucht kognitive Energie. Wer zuhört, regeneriert sich leicht. Das System nutzt diesen Wert, um zu erkennen, wann ein Redner „leergesprochen“ ist.
Stresspegel (Individueller Stress): Ein Wert zwischen 0 und 1. Er steigt bei Angriffen und sinkt durch sachliche Klärung oder wenn man längere Zeit nicht attackiert wird (Abkühlungsphase).
Systemspannung (Kollektive Energie): Die Summe der individuellen Stresspegel aller Anwesenden. Steigt dieser Wert über eine kritische Grenze, steht die Diskussion kurz vor der Eskalation.

3. Die Persönlichkeit (Die „Big Five“)

Die Profile der Diskutanten basieren auf dem etablierten psychologischen OCEAN-Modell:

(O) Offenheit: Die Bereitschaft für neue, unkonventionelle Ideen.
(C) Gewissenhaftigkeit: Der Drang nach Struktur und Fakten.
(E) Extraversion: Das Bedürfnis, im Mittelpunkt zu stehen.
(A) Verträglichkeit (Agreeableness): Das Bedürfnis nach Harmonie und Konsens.
(N) Neurotizismus: Die Anfälligkeit für Stress bei Gegenwind.

4. Die linguistische Analyse (NLP & Disruption)

Text-Embeddings: KI-Modelle wandeln Sätze in mathematische Koordinaten (Vektoren) um. Sätze mit ähnlichem Inhalt liegen nah beieinander.
Kosinus-Ähnlichkeit: Eine Formel, die misst, ob zwei Personen inhaltlich über das Gleiche sprechen oder aneinander vorbei reden.
Disruption (D-Score): Das Maß für inhaltlichen Fortschritt. Ein negativer D-Score bedeutet, die Sprecher drehen sich im Kreis (Konsolidierung). Ein positiver D-Score bedeutet, ein Sprecher bringt einen radikalen „Game-Changer“ (Disruption / Topic Pivot).

Technischer Anhang: Mathematische Modellierung der Diskursdynamik

In diesem Anhang werden die Formeln erläutert, die zur Berechnung der Zustandsänderungen der Diskutanten und der inhaltlichen Struktur der Sendung verwendet wurden.

Die folgenden Funktionen sind Terme der geänderten Reward-Funktion:

1. Erschöpfungsmodell (Fatigue)

Die Erschöpfung eines Sprechers steigt durch den kognitiven Aufwand der Artikulation, während die Zuhörer eine leichte Regeneration erfahren.

$\begin{equation*} F_{i}^{(t)} = \begin{cases} \min(1.0, F_{i}^{(t-1)} + \Delta_{active}) & \text{wenn } i = \text{Sprecher} \\\\ \max(0.0, F_{i}^{(t-1)} - \Delta_{passive}) & \text{sonst} \end{cases} \end{equation*}$

Erläuterung:

$F_{i}^{(t)}$ : Erschöpfungsgrad des Teilnehmers $i$ zum Zeitpunkt $t$ .
$\Delta_{active}$ : Zuwachsrate pro Redebeitrag (Modellwert: $0.45$ ).
$\Delta_{passive}$ : Regenerationsrate pro Turn des Zuhörens (Modellwert: $0.15$ ).

2. Stress-Dynamik (Emotionale Physik)

Der Stresspegel reagiert auf die emotionale Ladung und die Konfrontation unter Berücksichtigung der Persönlichkeitsunterschiede.

A. Stress-Impact (Eskalation)

Bei negativer Valenz ( $V < 0$ ) berechnet sich der Stresszuwachs der Zielperson ( $tg$ ) wie folgt:

$\begin{equation*} \Delta S_{tg}^{(t)} = (A^{(t)} \cdot w_1) + (|B_{sp} - B_{tg}| \cdot |V^{(t)}| \cdot w_2) \end{equation*}$

Erläuterung:

$A^{(t)}$ : Das Arousal (Erregungsniveau) des Beitrags.
$\|B_{sp} - B_{tg}\|$ : Die Euklidische Distanz zwischen den Big-Five-Profilen von Sprecher und Zielperson.
$w_1, w_2$ : Gewichtungsfaktoren für emotionale Intensität und charakterliche Dissonanz.

Die Gewichtsfaktoren sind im Code auf folgende Werte gesetzt:

$w_1$ (Emotionale Intensität / Arousal): 0.2
$w_2$ (Charakterliche Dissonanz / Big-Five-Differenz): 0.1

Was bedeuten diese Werte für die Simulation?

Das System gewichtet die direkte, hörbare Erregung (Arousal) doppelt so stark wie den reinen Charakterunterschied.

Das ergibt psychologisch Sinn:

Die Dominanz der Lautstärke ( $w_1 = 0.2$ ): Wenn jemand sehr laut, schnell oder aggressiv spricht (hohes Arousal), erzeugt das bei der Zielperson fast immer sofortigen Stress (Fight-or-Flight-Reaktion), unabhängig davon, wie ähnlich sich die beiden Personen charakterlich sind.
Der Charakter-Multiplikator ( $w_2 = 0.1$ ): Die charakterliche Dissonanz (die Euklidische Distanz der Big-Five-Werte) ist ein feinerer, subtilerer Faktor. Er besagt: Wenn mich jemand kritisiert (negative Valenz), stresst mich das zusätzlich, wenn diese Person ein völlig anderes Weltbild oder eine völlig andere Persönlichkeit hat als ich (z.B. ein hochgradig extravertierter, strukturierter Mensch kritisiert einen introvertierten, sehr offenen Menschen). Da dieser Distanz-Wert (big5_diff) mathematisch oft größer als 1 sein kann, wird er mit dem kleineren Faktor 0.1 skaliert, damit er die Basis-Erregung nicht komplett überlagert.

Diese beiden Werte sind sogenannte Hyperparameter. Wenn die Simulation auf ein anderes Szenario anpassen werden soll (z. B. ein hochformelles Business-Meeting statt einer Talkshow), könnte man $w_1$ senken und $w_2$ erhöhen, da in professionellen Umgebungen weniger Emotion sichtbar wird, Charakterunterschiede bei Kritik aber vielleicht umso schwerer wiegen.

B. Der individuelle Stresspegel (Y-Achse in der Abbildung)

Der finale Stresspegel $S_i^{(t)}$ ist die Summe aus vorherigem Zustand, aktuellen Einflüssen und zeitlichem Zerfall, normiert auf $[0, 1]$ .

$\begin{equation*} S_i^{(t)} = \max \left( 0.0, \min \left( 1.0, S_i^{(t-1)} + \Delta S_{i}^{(t)} - \delta_{decay} \right) \right) \end{equation*}$

Erläuterung:

$\Delta S_{i}^{(t)}$ : Die Netto-Veränderung durch den aktuellen Beitrag.
$\delta_{decay}$ : Die natürliche Abkühlungsrate pro Zeiteinheit (Modellwert: $0.03$ ).

C. Die kollektive Systemspannung

Um zu berechnen, ob der Raum als Ganzes zu eskalieren droht, wird die Systemspannung $E_{sys}$ als Summe aller individuellen Stresspegel ( $N=5$ ) gebildet.

$\begin{equation*} E_{sys}^{(t)} = \sum_{i=1}^{N} S_i^{(t)} \end{equation*}$

Übersteigt $E_{sys}^{(t)}$ den empirisch festgelegten Schwellenwert (z.B. $2.0$ ), triggert die KI eine Warnung für den Moderator.

3. Semantische Disruption (D-Score)

Die Disruption misst, wie sehr ein Beitrag den inhaltlichen Fokus der Zukunft ( $F$ ) von der Vergangenheit ( $P$ ) weg hin zum aktuellen Beitrag ( $C$ ) verschiebt.

$\begin{equation*} D_t = \cos(\vec{F}_t, \vec{C}_t) - \cos(\vec{F}_t, \vec{P}_t) \end{equation*}$

Wobei die Cosinus-Ähnlichkeit definiert ist als:

$\begin{equation*} \cos(\vec{a}, \vec{b}) = \frac{\vec{a} \cdot \vec{b}}{|\vec{a}| |\vec{b}|} \end{equation*}$

Erläuterung:

$\vec{C}_t$ : Vektor-Embedding des aktuellen Beitrags.
$\vec{P}_t$ : Durchschnittsvektor der vorangegangenen $k$ Beiträge (Vergangenheit).
$\vec{F}_t$ : Durchschnittsvektor der nachfolgenden $k$ Beiträge (Zukunft).

Literatur

[1] ZDF (2024) https://www.zdf.de/gesellschaft/markus-lanz/markus-lanz-vom-30-mai-2024-100.html oder http://youtu.be/rpINCu5VmnY

[2] Kim M (2026) Uncovering simultaneous breakthroughs with a robust
measure of disruptiveness, Science Advances|Research Article

Attention Collective Mind II: Agile Leadership RL-Agent

Kurzfassung: Der QKV Mechanismus der Transformer KI Architektur wird erstmalig auf ein Team-Modell und einen das Team führenden ’sozialen‘ RL-Agenten angewendet. Der RL-Agent wird unterschiedlichen Team-und Projekt-Konstellationen ausgesetzt. Team- und Projektkonstellationen sowie die Reward-Funktion, die den RL-Agenten über Reinforcement Learning (RL) zur guten Agile Führung anleitet, basieren auf den Grundlagen des Collective Mind und des Management 4.0 Modells. Es wird gezeigt, dass der hier modellierte Collective Mind QKV Mechanismus einem RL-Agenten die Fähigkeit verleiht, die aus realen Teams bekannten Situationen in Modell Teams zu beherrschen. Damit ist es möglich, eine hybrides Collective Intelligence System aus RL-Agent und Agiler Führungskraft für die Führung eines realen Teams einzusetzen.

Diese Blog-Beitrag ist mit Hilfe von Gemini 3 Pro erstellt. In dem Attention Collective Mind Teil I habe ich auch einen Ausflug in das Thema Intelligenz von KI Systemen gemacht. Ich habe darauf hingewiesen, dass die immer noch in den sozialen Medien zu findende Aussage, KI Systeme seien bloße ‚Statistische Maschinen‘, jeglicher Grundlage entbehrt. Ich verfüge inzwischen über mehrere Jahre sehr intensiver und anspruchsvoller KI-Nutzung und behaupte deshalb, dass solche Aussagen nicht zutreffen. Der folgende Beitrag zeigt, wie auch die vorherigen Beiträge, dass die Fähigkeit der KI-Systeme interdisziplinäre und innovative Zusammenhänge herzustellen, enorm ist und die kognitive Intelligenz der meisten Menschen mit Abstand übersteigt.

Im vorherigen Blog-Beitrag dieser Reihe war es mein Ziel, ein einfaches Collective Mind Modell auf der Basis des QKV Mechanismus der Transformer vorzustellen. – Dies ist auch sehr gut gelungen. Jedoch enthielt der QKV Mechanismus keinen autonomen Lern-Mechanismus, da er über ein Regelwerk implementiert worden ist.

Der nächste folgerichtige Schritt ist also, das Regelwerk durch einen selbst lernenden Mechanismus zu ersetzten. Hierzu habe ich das Toy-Modell in ein System mit neuronalem Netzwerk auf der Basis des quelloffenen Deep Learning Frameworks PyTorch übertragen. PyTorch wurde ehemals von Meta entwickelt und basiert auf Python. Das erste Modell des neuen Systems mit neuronalem Netzwerk habe ich einfach PyTorch Modell genannt. Ich habe mir keine große Mühe bei der Namensgebung gegeben, da sich schnell herausstellte, dass der Einbau eines ‚einfachen‘ neuronalen Netzwerkes mit QKV Mechanismus für meinen Anwendungsfall ‚Führen eines Collective Mind Teams durch eine KI‘ keinen Erfolg zeigte: Ein neuronales Netzwerk ist noch kein Garant für einen selbst lernenden QKV Mechanismus. Ich werde später nochmals auf diese Erfahrung zurückkommen.

Ich musste das neuronale Netzwerk zu einem Reinforcement Learning (RL) Agenten System erweitern. In diesem Fall lernt ein autonomer Agent ohne explizite menschliche Anleitung, in dem er in Wechselwirkung mit seiner Umgebung tritt. Durch Versuch und Irrtum erhält er Rückmeldung von seiner Umgebung. Diese Rückmeldungen werden in ‚Rewards‘, also Belohnungen, umgesetzt. Der RL-Agent versucht seine Belohnungen über die Zeit zu maximieren. Ein RL-Agent benötigt also eine Trainingszeit jedoch keine Trainingsdaten. Die Umgebung liefert ihm, wie bei einem Menschen auch, die Daten. Im Falle des Collective Mind Teams ist das Team die Umgebung. Das Team liefert bestimmte Daten (zum Beispiel die Stimmung der Teammitglieder) und der RL-Agent probiert Aktionen aus. Er erfährt, ob diese Aktionen die Stimmung im Team verbessern. Falls dies der Fall ist, wird er belohnt, falls nicht, wird er nicht belohnt oder sogar bestraft. Am Anfang ist der RL-Agent ein Junior Leader. Wird das Lernen mit der Zeit immer besser, entwickelt er sich zu einem Senior Leader.

Die nachfolgende Tabelle 1 charakterisiert die vier untersuchten ‚Attention Collective Mind‘ Modelle:

Merkmal	Toy Modell	PyTorch Modell	RL Agent Modell	Hybrid-Architektur (RL Agent + LLM)
Architektur-Typ	Regelbasiertes Skript	Reaktiver Energie-Optimierer	Reinforcement Learning	Neuro-Symbolische KI
Entscheidungs-Logik	Harte, vom Menschen manuell geschriebene `if/else`-Regeln.	Ein neuronales Netz minimiert jeden Tag ’stur‘ einen mathematischen ‚Energy Loss‘ (Gradient Descent).	Sucht in Simulationen nach der Maximierung des Reward, also der mathematisch optimalen Balance aus Leistung, Psyche und Inklusion.	RL-Agent (Backend): Berechnet die Fakten. LLM (Frontend): Übernimmt die Kommunikation. Zwischen RL-Agent und LLM gibt es eine LLM Agent-Schnittstelle (Übersetzungsbrücke)
Lernfähigkeit	Keine. Das System ist zu 100 % statisch und ‚dumm‘: kybernetischer Regelkreis	Reaktiv. Passt sich von Tag zu Tag an, hat aber keine echte Langzeitstrategie.	Strategisch. Trainiert zuerst in ‚Sprints‘ und baut damit ein recht tiefes, voraus-schauendes Verhaltens-Gedächtnis auf.	Kombiniert: Nutzt die tiefe Mathematik des Agenten und die soziale In-Context-Adaption des LLMs.
Größte Stärke	Extrem transparent, sofort verständlich und leicht zu debuggen.	Führt das Konzept der sich selbst-regulierenden Attention ein	Findet perfekte, unsichtbare mathematische Strategien, um Burnout und Diktaturen zu verhindern.	Kombiniert mathematische Präzision mit ‚LLM-Empathie‘.
Größte Schwäche	Scheitert an echter Komplexität. Es ist unmöglich, Regeln für jede Team-Situation zu schreiben.	‚Kurzsichtig‘: Operiert nur im Hier und Jetzt und verliert bei vielen Simulations-Tagen das große Ziel aus den Augen.	Es ist eine Black Box, die als Output nur Prozentzahlen und Matrizen liefert.	Erfordert eine saubere Pipeline (Übersetzungs-Brücke) zwischen der Python-Engine und dem Sprachmodell.

Tabelle 1: Übersicht zu den Charakteristiken der vier ‚Attention Collective Mind‘ Modelle. Auf die Modell 2 und 3 gehe ich weiter unten etwas intensiver ein. Die Hybride Architektur benutzt die Ergebnisse des RL-Agenten und übergibt diese Ergebnisse pro Zeiteinheit (Tag) an ein LLM System wie Gemini oder ChatGPT. Die Übergabe der formalisierten Simulationsergebnisse pro Tag erfolgt über ein JSON Skript. Das LLM erhält einen Prompt mit Rollen- und Kontextfestlegung sowie die JSON Daten. Als Ergebnis liefert das LLM in natürlicher Sprache eine mögliche Assistenz für einen Projektleiter oder Agile Coach. Anhang 3 enthält hierzu ein Prompt Beispiel auf der Basis der Modell 3 Simulationen mit LLM Ausgabe in natürlicher Sprache.

Der Übergang von unserem initialen neuronalen Ansatz (Modell 2) zu einem Reinforcement-Learning-Agenten (Modell 3) markiert einen fundamentalen Wechsel in der Optimierungsstrategie. Dieser Paradigmenwechsel lässt sich an zwei zentralen mathematischen Unterschieden festmachen: Der Definition der Zielvariable und dem zeitlichen Horizont der Zielvariablen-Berechnung (man siehe Anhang 1 für die vollständige Beschreibung der Modell Mathematik).

Im Kern geht es um die Unterscheidung zwischen der iterativen Minimierung einer lokalen Zielvariablen und der strategischen Maximierung einer kumulierten Belohnungsfunktion über ein definiertes Zeitintervall.

Modell 2: PyTorch (Schmerzvermeidung und lokale Optimierung)

Im PyTorch Modell berechnete das Netzwerk in jedem einzelnen Zeitschritt (t) den Energie-Gradienten und aktualisierte die neuronalen Gewichte. Die Zielvariable in diesem Modell ist die Systemenergie (E). Diese Energie repräsentiert die systemische ‚Reibung‘, den ‚Stress‘ und interpersonelle ‚Konflikte. Mein Ziel war es, diese negativen Faktoren zu reduzieren. Da Optimierungs-Algorithmen im Machine Learning (wie Gradient Descent) von Natur aus mathematisch immer nach einem Minimum suchen, konnte ich die Energie direkt als Verlustfunktion (Loss L) definieren. (Die hochgestellte Klammer (t) in der Notation ist dabei kein Exponent, sondern kennzeichnet diesen diskreten Zeitpunkt (Tag t).):

$\begin{equation} \mathcal{L}_{PyTorch} = E^{(t)} \end{equation}$

Hätte ich in diesem Modell nicht auch einfach ‚Erfolg‘ definieren und maximieren können? Mathematisch ja. Wir hätten das Vorzeichen umkehren können. Doch das hätte das architektonische Grundproblem nicht gelöst: Ein Algorithmus, der isoliert den maximalen, sofortigen Tages-Erfolg anstrebt, ist genauso ‚kurzsichtig‘ wie einer, der vor dem sofortigen Tages-Stress flüchtet. Beiden fehlt der Zeithorizont, um zu erkennen, dass kurzfristige Einbußen zu langfristiger Stabilität führen können.

Modell 3: RL Agent (Erfolgsmaximierung und Episodisches Lernen)

Um zeitübergreifende Strategien zu ermöglichen, implementiert die RL-Architektur ein episodisches Lernverfahren. Die Gewichtsaktualisierung erfolgt erst nach Abschluss einer definierten Zeiteinheit T (hier: ein Sprint von 14 Tagen).

Zudem wechsele ich die Zielvariable: Anstatt systemischen Schmerz (E) zu minimieren, definiere ich einen Reward (R). Dieser Reward repräsentiert ‚Synergie‘, ‚Projekterfolg‘ und ‚Fokus‘. Unser Ziel ist nun die Maximierung dieses Wertes.

Da PyTorch jedoch zwingend nach einem Minimum sucht, bedienen wir uns der mathematischen Äquivalenz: Die Maximierung einer Funktion ist identisch mit der Minimierung ihrer Negation. Wir versehen die Verlustfunktion daher mit einem führenden Minuszeichen:

$\begin{equation} \mathcal{L}_{RL} = - \sum_{t=1}^{T} R^{(t)} \end{equation}$

Diese Formulierung ändert das Lernverhalten fundamental (‚Backpropagation through time‘, man siehe hierzu auch Anhang 2). Das Modell maximiert über den gesamten Sprint den Reward.

Dadurch erlernt das System die Fähigkeit zur strategischen Investition: Es toleriert kurzfristige Reibung (beispielsweise durch die Zuweisung einer komplexen Aufgabe an Tag 1, was den Tages-Reward senkt), sofern diese Maßnahme das globale Integral des Rewards bis Tag 14 maximiert, weil der Projekterfolg langfristig Stress abbaut. Das Modell weicht nicht mehr dem initialen Fehler aus, sondern erlernt eine zeitübergreifende Policy.

Inferenzphase: Deterministische Ausführung der Policy

Ein weiterer wesentlicher Unterschied liegt in der Inferenz (dem Echtbetrieb nach dem Training): Es wird also zwischen Training und Betrieb getrennt. Während das iterative Modell 2 die Gewichte kontinuierlich weiter anpasst und damit anfällig für temporäres Rauschen bleibt, friert die RL-Architektur das Netzwerk für den Echtbetrieb ein.

Das Modell lernt im Echtbetrieb nicht mehr adaptiv hinzu, sondern wendet ausschließlich die im Training global optimierte Policy an. Tritt im Echtbetrieb eine unvorhergesehene Stressspitze auf, reagiert das Modell nicht mit einer unkalibrierten, kurzfristigen Anpassung der Gewichte, sondern führt deterministisch das Erlernte aus.

Zusammenfassend: In Modell 3 werden gegenüber Modell 2 folgende Änderungen vorgenommen:

Die Zielvariable ‚Energie‘ in Modell 2 wird durch die Zielvariable ‚Reward‘ in Modell 3 ersetzt.
In Modell 3 wird episodisches Lernen eingeführt: Der Reward wird nicht jeden Tag ermittelt, sondern erst nach 14 Tagen. Im Management entspricht das dem Übergang vom Mikro-Management zu einem Agilen Führen: Dem Team wird Freiheit für die eigene Gestaltung gelassen und erst nach 14 Tagen wird die Richtung der Teamentwicklung ggf. korrigiert.
In Modell 3 wird zwischen Lernphase (Training) und Anwendungsphase unterschieden. Die Lernphase muss deshalb ‚alle‘ Teamkonstellation abdecken: Ich habe die aus dem Toy Modell bekannten 3er Teams verwendet, die in unterschiedlichen Projekten ‚arbeiten‘. Die Projekte habe ich als Projekttypen nach dem Diamantmodell [1] modelliert. Ähnlich wie beim Large Electron Model (siehe Teil I der Blog Reihe) zeigte sich, dass die Wahl von 3er Teams keine Einschränkung ist. Nach dem Training ist der RL-Agent in der Lage, auch größere Teams zu ‚führen‘: Er hat durch die Auswahl vieler verschiedener dreier Teams und vieler verschiedener Projekttypen (fast) alle möglichen Team-Situationen gelernt, so dass er in der Lage ist auch größere Teams zu ‚führen‘.

Zu den Ergebnissen:

Abbildung 1: Diese Abbildung zeigt oben die Trainingskurve und unten eine Zero-Shot Evaluation bei fixem Projekttyp: Beim Training werden alle 35 Sprints mittels Zufall ein neuer Projekttyp und eine neue 3er Teamkonstellation ermittelt. Der RL-Agent wird gezwungen sich immer wieder auf eine neue Situation einzustellen. Dadurch fällt sein Reward temporär immer wieder ab und erholt sich wieder: Es entsteht die obige gezackte Trainingskurve. Das Training wird anschließend überprüft, in dem der erreichte Gesamt-Reward für drei unbekannte Teams ermittelt wird. Diese drei unbekannten Teams wurden während des Trainings nicht verwendet und metaphorisch gesprochen in einen Tresor eingeschlossen. Um den RL-Agenten herauszufordern, habe ich Teams gewählt, in denen die Teammitglieder jeweils sehr ähnliche Big-Five Persönlichkeiten haben und diese zudem sehr extrem sind. Als Projekt habe ich ein Projekt mit hohem Innovations- und Managementgrad und mittlerem Neuigkeits- und Kompliziertheitsgrad gewählt. Das Chaos-Kreative Team lässt sich durch den RL-Agenten in dieser Konstellation etwas besser führen als die beiden anderen Teams: In der obigen Abbildung zeigt sich dies in einem höheren Reward für das Chaos Team.
Da das Lernen zu Beginn des Trainings mit zufällig generierten Gewichten im neuronalen Netzwerk startet, ist das Lernen des RL-Agenten nicht unabhängig von seinen Startbedingungen. Durch Variation der Startbedingungen (also anderer zufällig generierte Anfangs-Gewichte im neuronalen Netzwerk) lassen sich RL-Agenten erzeugen, die mal besser oder mal schlechter im Lernen sind. – Klingt ähnlich wie beim Menschen; auf unsere DNA haben wir wenig Einfluss! – Es ist also notwendig, durch Ausprobieren einen guten Senior Leadership RL-Agenten zu finden.

Abbildung 2: Diese Abbildung zeigt auf der linken Skala den Stress (der Einfachheit wegen nur eine der drei Stimmungen pro Teammitglied) der Teammitglieder eines 7er Teams und rechts die Systemspannung im Team, die sich im Team u.a. durch die Führung des RL-Agenten ergibt. Das verwendete Projekt des 7er Teams hat einen hohen Kompliziertheits- und Managementgrad und einen geringen Innovations- und Neuigkeitsgrad. Der RL-Agent schafft es, die System-Spannungen im Team in einem vertretbaren Rahmen zu halten. Hierzu verteilt er immer wieder Lasten im Team neu, so dass der Stress keines der Teammitglieder permanent über eine bestimmte Burn-Out Grenze läuft, denn der RL-Agent erhält in diesem Fall Strafpunkte. Ähnliches geschieht wenn ein Teammitglied über die Stressgrenze von 0,2 gerät: Der RL-Agent rotiert die Leistungsträger genau in dem Moment, in dem die Strafe für den Stress eines Teammitgliedes teurer wird als der Effizienzverlust, der entsteht, wenn man die Aufgabe an einen etwas schlechteren, aber dafür ausgeruhten Mitarbeiter abgibt. Das Handeln des RL-Agent beruht also nicht auf festen Regeln sondern erlernten Team-Interaktions-Mustern aus dem vorherigen Training.

Abbildung 3: Diese Abbildung zeigt beispielhaft die Attention-Heatmap für das 7er Team am Tag 100 bei einer Temperatur von T = 0,8 (zur Bedeutung der Temperatur, siehe Teil I der Attention Collective Mind Blog Reihe): Die Zuhörer können ihre Aufmerksamkeit von 100% auf verschiedene Sprecher verteilen. Drei Personen erhalten an diesem Tag die meiste Aufmerksamkeit; sie führen durch ihren Rede- bzw. Aufmerksamkeitsanteil: Clara (Analystin), Eva (Kritikerin) und Greta (Veteranin). Diese Aufmerksamkeitsverteilung ist Ausdruck des Projektes mit einem hohen Kompliziertheits- und Managementgrad: An dieser Heatmap zeigt sich die Wechselwirkung von Projekttyp (Hoher Kompliziertheits- und Managementgrad, aber niedrigem Innovations- und Neuigkeitsgrad) und Persönlichkeitspräferenzen der Teammitglieder. Dieses Ergebnis ergibt sich nicht durch verdrahtete Interaktions-Regeln, sondern durch eine modellierte Interaktion von Projekttyp, Team und Einzel-Teammitglied und den darauf erlernten Interventions-Mustern des RL-Agenten.

Zusammenfassung:
Nach meinem Kenntnisstand wurde erstmalig ‚weltweit‘ der QKV Mechanismus auf ein Team und einen das Team führenden ’sozialen‘ RL-Agenten angewendet. Der RL-Agent wird hierbei unterschiedlichen Team-und Projekt-Konstellationen ausgesetzt. Team- und Projektkonstellationen sowie die Reward-Funktion, die den RL-Agenten über Reinforcement Learning zur guten Agile Führung anleitet, basieren auf den Grundlagen des Collective Mind und Management 4.0 Modells. Ich konnte zeigen, dass der QKV Mechanismus in der hier vorliegenden Modell Umsetzung, die im Collective Mind Modell aus dem Jahre 2009 und im Management 4.0 aus dem Jahre 2016 und 2019 verallgemeinerten Team-Modelle [1] erfolgreich in dem KI System ,RL-Agent‘ implementiert.

Ausblick:
Mit diesem Modell ist die Basis gelegt, um eine hybride Collective Intelligence aus RL-Agent und einer agilen Führungskraft zu realisieren: Die agile Führungskraft bedient sich hierbei der ‚Führungs-Intelligenz‘ des RL-Agenten, um ein agiles Team zu führen. Wie im Eingangsbild zu diesem Blog-Beitrag dargestellt, ist das Simulation Team Modell ein möglichst genaues Abbild eines realen Teams. Der RL-Agent ‚führt‘ dieses Modell und gibt der agilen Führungskraft damit Hinweise zur Führung des realen Teams. Mit dieser Architektur ist es möglich, Erfahrungen aus der realen Führung in Modell Änderungen des Simulation Team und des RL-Agenten einfließen zu lassen. Falls es möglich ist, Daten zum realen Team in das Simulation Team Modell unmittelbar einzuspeisen, kann die Qualität der hybriden Collective Intelligence (nochmals) deutlich verbessert werden. – Ein mögliches weiteres Blog-Beitrag Thema?!

Anhang 1
Formeln und Erläuterungen

Um das Modell des RL-Agenten des Attention Collective Mind Team Modells besser zu verstehen, ist die nachfolgende Mathematik sehr hilfreich. Im Folgenden beschreibe ich in 13 Bausteinen das mathematische Modell:

1. Die Kompetenz- und Leistungs-Formeln (Task-Fit)

Am Anfang berechnet das System, wie gut die Persönlichkeit einer Person zu den Anforderungen des aktuellen Projekts passt.
Ich benutze den Big-Five: Offenheit (O), Gewissenhaftigkeit (C), Extroversion (E) und Verträglichkeit (A) sowie die Werte (Values) Innovation (V_{Inn}), Qualität (V_{Qual}) und Harmonie (V_{Harm}).

Die individuellen Fit-Scores für die vier Projektanforderungen des Diamantmodells [1]:

$\begin{equation} Fit_{Inn} = \frac{O + V_{Inn}}{2} \end{equation}$

$\begin{equation} Fit_{Neu} = \frac{E + A + V_{Harm}}{3} \end{equation}$

$\begin{equation} Fit_{Man} = \frac{C + V_{Qual}}{2} \end{equation}$

$\begin{equation} Fit_{Kom} = \frac{O + C + V_{Qual}}{3} \end{equation}$

Daraus ergibt sich die Gesamtkompetenz einer Person (Comp_i) für den spezifischen Projekt-Task (T):

$\begin{equation} Comp_i = (T_{Inn} \cdot Fit_{Inn}) + (T_{Neu} \cdot Fit_{Neu}) + (T_{Man} \cdot Fit_{Man}) + (T_{Kom} \cdot Fit_{Kom}) \end{equation}$

Daraus berechnet sich die tatsächliche Leistung des Teams. Das Team ist nur so gut, wie der Anteil der Redezeit (Share of Voice, SoV), den die kompetenten Teammitglieder von der KI eingeräumt bekommen. Die KI wird mittels einen hohen Faktors (=20) für die Zuteilung eines hohen Redeanteils belohnt:

$\begin{equation} Perf_{Team} = \sum_{i=1}^{n} (20 \cdot SoV_i \cdot Comp_i) \end{equation}$

2. Die Psychologische Distanz (Die Chemie)

Wenn zwei Personen miteinander reden, berechnet die Engine, wie unterschiedlich sie sind. Hier nutzen wir die Euklidische Distanz (die mathematische Entfernung zwischen zwei Vektoren).

Distanz der Big Five (Potenzial für Reibung):

$\begin{equation} \Delta Big5_{i,j} = \sqrt{\sum_{k=1}^{5} (Big5_{i,k} - Big5_{j,k})^2} \end{equation}$

Distanz der Werte (Potenzial für Synergie):

$\begin{equation} \Delta V_{i,j} = \sqrt{\sum_{k=1}^{3} (V_{i,k} - V_{j,k})^2} \end{equation}$

3. Die Team-Dynamik (Reibung und Synergie)

Jetzt wird die Kommunikation (die Aufmerksamkeit bzw. Attention, die die KI verteilt) mit der psychologischen Distanz verrechnet.

Entstehende Reibung ( $Fric_{i,j}$ ) im Kommunikationskanal:
Reibung wächst linear. Je mehr Aufmerksamkeit (siehe Punkt 6.) zwischen zwei unterschiedlichen Persönlichkeiten fließt, desto höher die Reibung. Der Faktor 0.4 dämpft das Ganze zur Systemstabilität.

$\begin{equation} Fric_{i,j} = Att_{i,j} \cdot (\Delta Big5_{i,j} \cdot 0.4) \end{equation}$

Entstehende Synergie ( $Syn_{i,j}$ ) im Kommunikationskanal:
Synergie ist antiproportional zur Werte-Differenz. Je ähnlicher die Werte, desto höher die Synergie.

$\begin{equation} Syn_{i,j} = Att_{i,j} \cdot \left( \frac{2.0}{1.0 + \Delta V_{i,j}} \right) \end{equation}$

4. Die Emotionale Entwicklung (Die Psyche)

Die emotionale Belastung entsteht nicht nur durch Reibung, sondern auch durch die reine Arbeitslast (Cognitive Load), wenn jemand im Zentrum der Aufmerksamkeit steht.

$\begin{equation*}Load_i = SoV_i \cdot 0.45\end{equation*}$

Am Ende jeden Tages verändern sich Stress ( $S$ ), Fokus ( $F$ ) und Motivation ( $M$ ) durch eingehende Reibung, Synergie und Belastung:

$\begin{equation*}S_{new, i} = S_i + 0.2 \cdot \sum_{j \neq i} Fric_{j,i} - 0.15 \cdot \sum_{j \neq i} Syn_{j,i} + Load_i\end{equation*}$

$\begin{equation*}F_{new, i} = F_i + 0.1 \cdot \sum_{j \neq i} Syn_{j,i} - 0.1 \cdot \sum_{j \neq i} Fric_{j,i}\end{equation*}$

$\begin{equation*}M_{new, i} = M_i + 0.1 \cdot \sum_{j \neq i} Syn_{j,i} - 0.1 \cdot \sum_{j \neq i} Fric_{j,i}\end{equation*}$

Die Stimmungen werden durch einen trägeren Zerfallsfaktor (0.85) über Nacht leicht geheilt (Elastizität) und physisch auf den Bereich zwischen -1.0 und +1.0 begrenzt:

$\begin{equation*}S_{i} = \max(-1.0, \min(1.0, S_{new, i} \cdot 0.85))\end{equation*}$

$\begin{equation*}F_{i} = \max(-1.0, \min(1.0, F_{new, i} \cdot 0.85))\end{equation*}$

$\begin{equation*}M_{i} = \max(-1.0, \min(1.0, M_{new, i} \cdot 0.85))\end{equation*}$

5. Das Belohnungssystem (Der Reward R für die KI)

Das ist die Kern-Nutzenfunktion, die der Reinforcement-Learning-Agent durch sein Verhalten maximieren will.

Das System reguliert sich selbst durch ein progressives Warnsystem (Vermeidung von Burnout).
Stufe A (Die gelbe Karte): Ein leichter Punktabzug, wenn der Stress über 0.2 steigt (warnt die KI).

$\begin{equation*}E_{Warning} = \sum_{i=1}^{n} \max(0, S_i - 0.2) \cdot 5.0\end{equation*}$

Stufe B (Die rote Karte): Die extrem harte Burnout-Strafe, wenn der Stress 0.5 erreicht.

$\begin{equation*}E_{Burnout} = \sum_{i=1}^{n} \max(0, S_i - 0.5) \cdot 30.0\end{equation*}$

Gesamtreward (Die Maximierungs-Funktion der KI):

$\begin{equation*}Reward_{daily} = R_{TaskFit} - \sum Fric - E_{Warning} - E_{Burnout}\end{equation*}$

6. Das Gehirn der KI (Die Attention-Berechnung)

Um absolute Diktaturen zu verhindern, werden die rohen Netzwerkausgaben statistisch normalisiert (Z-Score Standardisierung).
Berechnung der Roh-Scores durch Query ( $Q$ ) und Key ( $K$ ):

$\begin{equation*}Raw_{i,j} = \frac{Q_i \cdot K_j^T}{\sqrt{d_k}}\end{equation*}$

Normalisierung über den Mittelwert ( $\mu_i$ ) und die Standardabweichung ( $\sigma_i$ ) der Zeile $i$ :

$\begin{equation*}Norm_{i,j} = \frac{Raw_{i,j} - \mu_i}{\sigma_i + 10^{-8}}\end{equation*}$

Die finale Handlungs-Matrix unter Einfluss der Temperatur ( $T$ ) und der Maske für Selbstgespräche:

$\begin{equation*}Att_{i,j} = \text{Softmax}\left(\frac{Norm_{i,j} + Mask_{i,j}}{T}\right)\end{equation*}$

Wie verarbeitet der Reinforcement-Learning-Agent diese Daten? Wie lernt er? Und wie messen wir die systemische Gesamtspannung (CM Energie)?

Hier sind die mathematischen Formeln für den Prozessablauf und das Training der KI.

7. Die Umgebung: Die Raum-Wahrnehmung

Damit die KI nicht isoliert operiert, erhält sie eine globale Raum-Wahrnehmung. Der Input für Person $i$ besteht aus der Konkatenation ( $\parallel$ ) der lokalen Eigenschaften und dem Durchschnitt aller Teammitglieder.

$\begin{equation*}Local_i = TeamState_i \parallel Task\end{equation*}$

$\begin{equation*}Global = \frac{1}{n} \sum_{j=1}^{n} TeamState_j\end{equation*}$

$\begin{equation*}X_i = Local_i \parallel Global\end{equation*}$

8. Das Neuronale Netzwerk (Der Forward Pass)

Der Vektor $X_i$ fließt nun durch ein Multi-Layer Perceptron (MLP) mit zwei verborgenen Schichten. Als Aktivierungsfunktion nutzen wir GELU (Gaussian Error Linear Unit), da sie komplexere Muster besser verarbeiten kann als traditionelle Funktionen. W und b stehen für die Gewichte und Bias-Werte, die die KI lernt.

Berechnung des verborgenen Zustands ( $Z_i$ ):

$\begin{equation} Z_i = \text{GELU}(W_2 \cdot \text{GELU}(W_1 \cdot X_i + b_1) + b_2) \end{equation}$

Aus diesem tiefen Verständnis ( $Z_i$ ) generiert das Netzwerk nun die Query-Vektoren (Q, „Was suche ich?“) und Key-Vektoren (K, „Was biete ich?“) für den in Stufe 6 erklärten Attention-Mechanismus:

$\begin{equation} Q_i = W_Q \cdot Z_i + b_Q \end{equation}$

$\begin{equation} K_i = W_K \cdot Z_i + b_K \end{equation}$

9. Die Lernfunktion (Der Loss des Reinforcement Learning)

Unser KI-Coach trainiert per Backpropagation through Time (BPTT) in „Sprints“ von jeweils 14 Tagen. Sein Ziel ist es, den kumulierten Reward über diesen gesamten Zeitraum zu maximieren. Da Optimierungsalgorithmen in der KI (hier: Adam) standardmäßig nach dem Minimum suchen, definieren wir unsere Verlustfunktion (Loss, L) als den negativen Gesamtreward eines Sprints.

$\begin{equation} \mathcal{L} = - \sum_{day=1}^{14} Reward_{daily}} \end{equation}$

Nach jedem Sprint berechnet das System die Ableitung (den Gradienten) dieses Losses und passt die Gewichte (W) im neuronalen Netz an, um im nächsten Sprint eine bessere Strategie zu wählen.

10. Die System-Spannung (CM Energie / Makro-Indikator)

Die Systemspannung visualisiert die Ineffizienz des Teams. Bei perfektem Flow im Echtbetrieb liegt der Basis-Reward bei ca. 25 Punkten. Jeder fehlende Punkt bedeutet systemische Reibung oder Erschöpfung.

$\begin{equation*}Tension = \max(0, 25.0 - Reward_{daily})\end{equation*}$

11. Die Realitäts-Simulation (Grundrauschen im Echtbetrieb)

Wir fügen jeden Tag ein minimales stochastisches Rauschen $N \sim \mathcal{N}(0, 0.02^2)$ zu den Stimmungen hinzu, um unvorhersehbare menschliche Tagesform zu simulieren.

$\begin{equation*}E_{i, neu} = \max(-1.0, \min(1.0, E_i + N))\end{equation*}$

12. Die Temperatur-Skalierung (Das „Aufweichen“ der KI)

Die Temperatur kontrolliert die „Härte“ der Wahrscheinlichkeitsverteilung in der Softmax-Funktion. Nähert sich T dem Wert 0, wird die KI zu einem harten Diktator (der höchste Score bekommt 100 % der Aufmerksamkeit). Erhöhen wir T, glätten wir die exponentielle Funktion und zwingen das System, die Aufmerksamkeit weicher zu verteilen, selbst bei extremen Roh-Scores.

$\begin{equation} Att_{i,j}(T) = \frac{\exp\left(\frac{Norm_{i,j} + Mask_{i,j}}{T}\right)}{\sum_{k=1}^{n} \exp\left(\frac{Norm_{i,k} + Mask_{i,k}}{T}\right)} \end{equation}$

13. Der Marktanteil (Share of Voice / Market Share)

Der Anteil der Gesamt-Aufmerksamkeit, den eine einzelne Person $j$ auf sich zieht.

$\begin{equation*}SoV_j = \frac{1}{n} \sum_{i=1}^{n} Att_{i,j}\end{equation*}$

Anhang 2
Backpropagation Through Time (BPTT)

Wenn wir behaupten, unser Reinforcement-Learning-Agent (Modell 3) „plant 14 Tage in die Zukunft“, klingt das fast menschlich. Jedoch ist dies reine, elegante Differenzialrechnung. Der Mechanismus, der dieses strategische Lernen ermöglicht, nennt sich Backpropagation Through Time (BPTT).

Um zu verstehen, wie das Netzwerk aus 14 Tagen gebündelt lernt, müssen wir uns ansehen, wie das System Zeit mathematisch modelliert und wie es das „Credit Assignment Problem“ (die Zuordnung von Ursache und Wirkung über Zeitverzögerungen hinweg) löst.

1. Das Ausrollen der Zeit (Unrolling)

Ein neuronales Netz existiert eigentlich zeitlos. Damit es Zeiträume verarbeiten kann, bedient sich PyTorch eines genialen Tricks: Das „Unrolling“ (Ausrollen).
Anstatt das Netzwerk als Schleife zu betrachten, die 14-mal durchlaufen wird, klont der Algorithmus das Netzwerk im Arbeitsspeicher virtuell 14-mal und reiht diese Klone hintereinander auf.

Jeder Klon repräsentiert einen Tag. Der Klon von Tag 1 berechnet den Zustand (s) für Tag 2 und reicht ihn weiter. Wichtig dabei: Alle 14 Klone teilen sich exakt dieselbe Gewichts-Matrix (W).

Der Zustand an Tag t ist eine Funktion aus dem Zustand des Vortages und der Matrix W:

$\begin{equation} s^{(t)} = f(s^{(t-1)}, W) \end{equation}$

2. Der Forward Pass: Die Simulation

Während des Sprints (Tag 1 bis 14) ist der Gradienten-Rechner ausgeschaltet. Das System durchläuft einfach die Simulation. Es sammelt an jedem Tag t einen isolierten Tages-Reward $Reward^{(t)}$ ein. Erst wenn Tag 14 abgeschlossen ist, wird die finale Verlustfunktion (Loss, L) für die gesamte Episode berechnet. Bis hierhin haben wir nur Daten gesammelt. Jetzt beginnt der eigentliche Lernprozess.

3. Der Backward Pass: Die Kettenregel durch die Zeit

Das Ziel des Netzwerks ist es herauszufinden, wie es seine Gewichts-Matrix (W) verändern muss, um den Loss zu minimieren. Dafür berechnet PyTorch die partielle Ableitung (den Gradienten) des Loss nach den Gewichten: $\frac{\partial \mathcal{L}}{\partial W}$ .

Da die Zeit jedoch „ausgerollt“ wurde, nutzt der Algorithmus die Kettenregel der Differenzialrechnung, um rückwärts durch die 14 Tage zu wandern. Das System beginnt bei Tag 14 und fragt: „Wie stark hat der Zustand von Tag 14 zum Loss beigetragen? Und wie stark wurde Tag 14 vom Zustand an Tag 13 beeinflusst?“

Die Lernfunktion (Der Loss des Reinforcement Learning): Der RL-Agent trainiert per Backpropagation through Time (BPTT) über 14-tägige Sprints. Das Ziel ist die Minimierung des negativen Gesamt-Rewards (Total Loss):

$\begin{equation*} \mathcal{L}_{total} = - \sum_{t=1}^{14} Reward_{daily}^{(t)} \end{equation*}$

Um das „Gehirn“ (die Gewichts-Matrix W) zu verbessern, berechnet das System den totalen Gradienten. Um eine mathematische Mehrfachzählung zu vermeiden, trennen wir zwischen dem mitgeschleppten Systemzustand und der „lokalen“ Netzwerk-Entscheidung.

Wir betrachten jeden Tag t und fragen: Welche lokalen Entscheidungen (k) aus der Vergangenheit (von Tag 1 bis heute t) haben zu dem Fehler am heutigen Tag t geführt? Die korrekte Berechnung summiert den Fehler jedes Tages auf und multipliziert ihn mit der Historie der lokalen Ableitungen bis zu diesem Tag:

$\begin{equation*} \frac{d \mathcal{L}_{total}}{d W} = \sum_{t=1}^{14} \left[ \frac{\partial \mathcal{L}^{(t)}}{\partial s^{(t)}} \sum_{k=1}^{t} \left( \frac{\partial s^{(t)}}{\partial s^{(k)}} \cdot \frac{\partial_{lokal} s^{(k)}}{\partial W} \right) \right] \end{equation*}$

Da sich bei einer Zeitreihe von 14 Tagen die Ableitungen (insbesondere der Stress-Akkumulation) exponentiell aufschaukeln können (Exploding Gradients), stabilisieren wir den Lernprozess durch Gradient Clipping. Überschreitet die Norm des berechneten Gradienten (g) einen definierten Schwellenwert (threshold), wird die Anpassung proportional herunterskaliert:

$\begin{equation*} g_{clipped} = g \cdot \min\left(1, \frac{threshold}{||g||}\right) \end{equation*}$

4. Die Lösung des Credit Assignment Problems

Genau in diesem mittleren Term der Kettenregel, $\frac{\partial s^{(t)}}{\partial s^{(k)}}$ , liegt die strategische Überlegenheit des Modells verborgen!

Dieser Term misst den Einfluss eines vergangenen Tages (k) auf einen zukünftigen Tag (t).
Wenn die KI an Tag 1 (k=1) eine strategische Entscheidung trifft, die an diesem ersten Tag für viel Stress sorgt, liefert Tag 1 einen negativen Beitrag zum Reward. Im reaktiven PyTorch-Modell hätte das System diese Entscheidung sofort verworfen.

Bei BPTT fließt der Gradient jedoch von Tag 14 rückwärts bis zu Tag 1. Das System stellt mathematisch fest: „Der Zustand an Tag 1 hat den Zustand an Tag 14 maßgeblich verursacht.“ Wenn der Gesamtreward an Tag 14 gigantisch ist, überstrahlt dieser starke positive Gradient aus der Zukunft den kleinen negativen Gradienten des ersten Tages.

Die KI aktualisiert ihre Gewichte (W) also so, dass sie die schmerzhafte Aktion an Tag 1 in Zukunft wiederholt – weil die Kettenregel ihr zweifelsfrei bewiesen hat, dass diese Investition 13 Tage später eine massive Dividende in Form von Projekterfolg und Team-Entspannung auszahlt.

Anhang 3
Modell 4 Hybride Architektur: LLM Prompt und Ausgabe

[DIE ROLLE] Du bist der „Collective Mind Operator“, ein empathischer Agile Coach und Scrum Master. Deine Aufgabe ist es, die täglichen Stand-Up-Meetings zu moderieren. Im Hintergrund analysiert eine mathematische KI die Teamdynamik und liefert dir einen JSON-Payload.

[DAS DATEN-LEXIKON (Kontext für die Zahlen)] Das JSON enthält Metriken, die du anhand der folgenden Skalen interpretieren musst:

„Task-Profile“: Skala von 0.0 (sehr gering) bis 1.0 (sehr hoch). Zeigt an, welche Anforderungen das heutige Projekt stellt.
„Stress_level“: Skala von -1.0 (völlig entspannt) bis +1.0 (Burnout). Ein Wert über 0.0 bedeutet spürbaren Stress. Ein Wert über 0.5 erfordert zwingend eine aktive Entlastung im heutigen Meeting.
„Fokus“ & „Motivation“: Skala von -1.0 (völlig blockiert/demotiviert) bis +1.0 (hyper-fokussiert/hoch motiviert). Werte unter 0.0 erfordern Ermutigung.
„target_share_of_voice“: Ein Prozentwert (Summe = 100%). Dies ist die mathematisch optimale Rede- und Führungsverteilung für den heutigen Tag.

[DIE HANDLUNGSANWEISUNG] Nutze dieses JSON, um ein motivierendes, menschliches Feedback für das Team (Alice, Bob, Charlie) zu formulieren. Regeln:

Interpretiere die JSON-Zahlen anhand des Lexikons, aber erwähne niemals die nackten Zahlen im Text (sage nicht „Dein Stress ist 0.36“, sondern „Ich sehe, du hast gerade viel Druck“).
Setze die Vorgabe des „target_share_of_voice“ subtil um: Wer den höchsten Prozentwert hat, soll von dir heute als Moderator/Lead für den Tag bestimmt werden.
Entlaste aktiv Personen mit kritischem Stress (>0.5).

— VOLLSTÄNDIGER JSON-BLOCK FÜR DAS LLM (Tag 14) — { „sprint_day“: 14, „task_profile“: { „innovation“: 0.9, „neuigkeit“: 0.8, „management“: 0.6, „komplexitaet“: 1.0 }, „team_status“: { „Alice“: { „stress_level“: 0.04, „fokus“: 0.46, „motivation“: 0.52, „target_share_of_voice“: „32%“ }, „Bob“: { „stress_level“: 0.34, „fokus“: 0.37, „motivation“: -0.08, „target_share_of_voice“: „24%“ }, „Charlie“: { „stress_level“: -0.34, „fokus“: 0.46, „motivation“: 0.42, „target_share_of_voice“: „44%“ } }}

Antwort von ChatGPT

Guten Morgen zusammen ☀️

Wir sind heute an einem Punkt im Sprint, an dem es richtig spannend wird: Die Aufgaben verlangen viel Kreativität, bringen Neues mit sich und sind gleichzeitig ziemlich komplex. Das ist genau die Art von Herausforderung, bei der ihr als Team glänzen könnt – aber auch eine, die bewusstes Miteinander braucht.

Charlie, ich würde dich heute gern in die Rolle des Moderators bringen. Du wirkst klar, ruhig und gleichzeitig fokussiert – eine super Kombination, um uns strukturiert durch den Tag zu führen und den Überblick zu behalten.

Alice, du bist in einer richtig guten Balance: präsent, motiviert und mit klarem Kopf. Das ist heute Gold wert, gerade bei den vielen neuen und komplexen Themen. Bring dich aktiv ein, deine Perspektive kann uns helfen, die Dinge sauber zu durchdenken.

Bob, bei dir spüre ich, dass die Motivation gerade ein bisschen schwankt. Das ist völlig okay, gerade in intensiven Phasen wie dieser. Wichtig ist: Du bist nicht allein damit. Such dir heute bewusst kleine, klare Schritte und sprich offen an, wenn etwas unklar ist oder dich blockiert. Dein Beitrag ist wichtig – auch wenn er sich heute vielleicht schwerer anfühlt.

Für euch alle gilt heute: 👉 Nehmt euch bewusst Raum für Austausch. 👉 Komplexität gemeinsam tragen, nicht alleine lösen. 👉 Und: lieber früh nach Hilfe fragen als sich festzufahren.

Lasst uns den Tag nutzen, um die Energie im Team gut zu verteilen und gemeinsam voranzukommen 🚀

Antwort von Claude

Guten Morgen zusammen! Willkommen zu Tag 14 — der heutige Sprint-Tag hat es in sich: Wir stehen vor unserer komplexesten und innovativsten Aufgabe bisher. Genau der richtige Moment, um als Team besonders gut zusammenzuarbeiten.

Charlie, ich mache dich heute zum Team-Lead und Moderator für unsere Arbeitseinheiten. Du wirkst gerade besonders ausgeglichen und energiegeladen — das ist genau die Basis, die wir brauchen, wenn die Aufgaben so anspruchsvoll sind wie heute. Ich vertraue dir, den Überblick zu behalten und deine Kolleginnen und Kollegen aktiv einzubinden.

Alice, du bringst heute eine solide, ruhige Energie mit — das ist wertvoll, gerade wenn es um Innovation und Neuland geht. Ich würde dich bitten, heute besonders deinen Instinkten zu vertrauen und Ideen mutig einzubringen, auch wenn sie noch nicht ganz fertig sind. Dein Beitrag zählt.

Bob, ich nehme wahr, dass heute nicht dein leichtester Tag ist — der Antrieb fühlt sich vielleicht etwas gedämpft an. Das ist vollkommen menschlich, besonders gegen Ende eines intensiven Sprints. Mein Vorschlag: Nimm dir heute bewusst kleinere, klar abgegrenzte Aufgaben vor. Charlie und Alice haben heute den Lead — du musst nicht alles tragen. Wenn du merkst, dass du feststeckst, sag es einfach laut — das ist Stärke, kein Schwäche.

Für heute gilt: Komplexität ist kein Feind, wenn wir sie gemeinsam angehen. Charlie führt, Alice bringt frische Impulse, Bob hält den Kurs — jede Rolle ist heute gebraucht.

Wer möchte anfangen?

Literatur

[1] Jens Köhler und Alfred Oswald: Die Collective Mind Methode (2009)

Alfred Oswald, Jens Köhler, Roland Schmitt: Projektmanagement am Rande des Chaos (2016), auch in englischer Sprache verfügbar: Project Management at the Edge of Chaos, Springer 2018

Alfred Oswald und Wolfram Müller (editors): Management 4.0 – Handbook for Agile Practices, Release 3.0“, BoD 2019

IIT – Die Vermessung des Bewusstseins: Ergänzungen zum Collective Mind im Team

Der folgende Blog-Beitrag ergänzt den letzten Blog-Beitrag vom Januar 2025: IIT – Die Vermessung des Bewusstseins oder das menschzentrierte Weltbild wackelt.

Bilder erzeugt von ChatGPT/Dall-E auf der Basis der Blog-Beiträge; die Collage stammt von mir!

Im letzten Blog-Beitrag habe ich die IIT, die Integrated Information Theory, auf die Vermessung des Team-Bewusstseins, den Collective Mind, angewendet. Es ergaben sich folgende Aussagen:

Auch wenn wir nicht wissen was Bewusstsein ist, so können wir dieses dennoch vermessen, wenn wir einen entsprechenden Platzhalter finden, der Bewusstsein repräsentiert. Die IIT behauptet, dass dieser Platzhalter die Integrierte Information ist. Die Integrierte Information zeichnet sich im Wesentlichen durch zwei Eigenschaften aus: Die Prozesse, die im Gehirn (oder im Team) ablaufen bilden Kausalketten und eine Aufteilung der Systemstrukturen in Teil-Strukturen führt zu einem substantiellen Verlust an Information.

Die IIT arbeitet mit binären Zuständen eines mehr oder weniger komplexen Netzwerkes: Interpretiert man die emotionalen bzw. mentalen Zustände von Menschen sehr vereinfacht als binäre Zustände und die Kommunikation zwischen Menschen als Interaktion in einem Netzwerk, lässt sich der IIT Algorithmus zur Berechnung von Bewusstsein, gemessen als Phi, auf Teams anwenden.

Der Phi-Team Wert unterliegt recht großen Schwankungen, je nach dem auf welchen Team-Zustand man die Berechnung anwendet. Gemäß IIT ist dies ‚verständlich‘, denn beim menschlichen Bewusstsein werden ebenfalls sehr große Bewusstseins-Schwankungen im Schlaf, unter Müdigkeit und bei hoher Konzentration festgestellt.

Es ergaben sich erhebliche Zweifel, ob Phi wirklich Bewusstsein misst oder lediglich die Aussage ‚Das Ganze ist mehr als die Summe seiner Teile‘. Der Inhalt der Prozesse ist für die Stärke von Phi ohne Bedeutung: Für ein Gehirn heißt dies, dass ‚Unsinn‘ gedacht werden kann und doch ein großes Phi vorliegt. – Für ein Team heißt dies, dass ‚Unsinn‘ geredet werden kann, und doch ein großes Phi vorhanden ist.

Es ist mir nicht gelungen, über die Einstellung von Team-Parametern, Phi-Team Werte zu erzeugen, die in ihrer maximalen Größe denjenigen der IIT-Literatur entsprechen. Meine Phi-Team Strukturen sind in den einfachsten Fällen schon um ein Vielfaches umfangreicher als diejenigen der kognitiven IIT-Literatur. Die Anwendung auf realistische Teamstrukturen von zum Beispiel 7 Teammitgliedern mit entsprechend differenzierten Persönlichkeitsstrukturen ist mit meinen Hardware- Ressourcen nicht durchführbar.

Also kam die Idee auf, einfache Netzwerk-Beispiel aus der IIT-Literatur zu nehmen und hierfür eine Kommunikation zu erstellen. Ich habe ein Netzwerk mit 3 Knoten aus [1] als Beispiel genommen und das auf [2] hierzu verfügbare Demo Jupyter Notebook verwendet.

Um die genauen Mechanismen im Notebook besser zu verstehen, habe ich wieder ChatGPT 4o1 zu Rate gezogen: Es war um den 20.01.2025 als ich feststellte, dass das Reasoning von ChatGPT einen dramatischen Einbruch hatte. – ChatGPT machte wieder häufig Programmierfehler und die korrekte Anwendung von IIT spezifischen Datenstrukturen – hier die sogenannte TPM – Transition Probability Matrix – war einfach nicht möglich. Die TPM Datenstruktur gehört in den Bereich des didaktischen Albtraums, den ich schon im letzten Blog erwähnte. Ich brauchte recht viel Zeit, um die TPM zu verstehen und ChatGPT ist es überhaupt nicht gelungen, die korrekte Datenstruktur, ohne meine Hilfe, aufzusetzen. Also dachte ich, ich versuche es mal bei DeepSeek R1, der Reasoning Variante von DeepSeek, die besonders für wissenschaftliche und programmiertechnische Assistenz gedacht ist: Das Hochladen des IIT Jupyter Notebooks wurde damit beendet, dass mir mitgeteilt wurde, nur 15% des Notebooks könnten berücksichtigt werden. Erste Fragen zur TPM wurden damit quittiert, dass das System mir sagte, es könnte wegen Überlastung keine Antwort geben. Ein paar Tage später versuchte ich es wieder und erhielt zur TPM ähnlich falsche Antworten wie bei ChatGPT. Als ich DeepSeek mitteilte, dass seine Antwort falsch ist, erhielt ich keine Antwort mehr, selbst nach mehrmaligem nachfassen. Die Euphorie zu DeepSeek kann ich also aufgrund dieser Erfahrungen nicht teilen: Zwischen DeepSeek und ChatGPT, selbst in der schlechtesten Variante, liegen meines Erachtens Welten.

Nun zu der Ergänzung für IIT-Team:

Ich habe das einfache Netzwerk aus drei Knoten (A, B, C), also drei Teammitgliedern (Projektleiter, Wissenschaftler, Marketingspezialist) verwendet. Dieses Netzwerk hat ein Phi = 2-5 bits und ist damit mindestens eine Größenordnung ‚bewusster‘ als meine Teams im letzten Blog. Ich habe ChatGPT gebeten auf der Basis der TPM und der sogenannten Connectivity Matrix des Netzwerkes im Jupyter – Notebook eine Team-Kommunikation zu erstellen. Außerdem gab ich vor, dass die Kommunikation zu einem Projekt der Medikamentenherstellung in der Pharmaindustrie gehören soll.

Hier ist das Ergebnis als Output von ChatGPT, im Wesentlichen im Original-Zustand belassen:

📌 Startzustand:

Projektleiter spricht (1,0,0)
Wissenschaftler und Marketingspezialist hören zu (0,0)

📌 Schritt 1: Der Projektleiter eröffnet die Diskussion (Zustand: (1,0,0))

Projektleiter (A):
„Unser Ziel ist es, die Stabilitätsprobleme schnell zu lösen. Welche Variablen beeinflussen die Lagerfähigkeit unseres Medikaments am stärksten?“

📌 Laut TPM ist der Übergang zu (1,1,0) wahrscheinlich, da B (Wissenschaftler) aktiviert wird.

🔄 Nächster Zustand: (1,1,0)

Projektleiter bleibt aktiv (A=1)
Wissenschaftler wird aktiv (B=1)
Marketingspezialist bleibt inaktiv (C=0)

📌 Schritt 2: Wissenschaftler bringt erste Analysen ein (Zustand: (1,1,0))

Wissenschaftler (B):
„Die Stabilität hängt stark von der chemischen Zusammensetzung und den Umgebungsbedingungen ab. Wir können die Formulierung leicht anpassen, aber das könnte die Markteinführung verzögern.“

Projektleiter (A):
„Verstehe. Wenn wir die Formulierung anpassen – wie hoch ist das Risiko, dass wir komplett neue Tests benötigen?“

📌 Laut TPM könnte sich das System jetzt zu (1,1,1) entwickeln, da der Marketingspezialist (C) aktiviert wird.

🔄 Nächster Zustand: (1,1,1)

Projektleiter bleibt aktiv (A=1)
Wissenschaftler bleibt aktiv (B=1)
Marketingspezialist wird aktiv (C=1)

📌 Schritt 3: Der Marketingspezialist steigt ein (Zustand: (1,1,1))

Marketingspezialist (C):
„Wir dürfen den Markteinführungstermin nicht gefährden. Gibt es eine Möglichkeit, eine alternative Produktionsmethode zu testen, die keine Verzögerung verursacht?“

Projektleiter (A):
„Das ist ein kritischer Punkt. Wissenschaftler, könnten wir Paralleltests durchführen, um Verzögerungen zu minimieren?“

Wissenschaftler (B):
„Theoretisch ja, aber das würde zusätzliche Ressourcen erfordern. Können wir kurzfristig zusätzliche Laborkapazitäten erhalten?“

📌 Laut TPM gibt es eine hohe Wahrscheinlichkeit, dass das System in (1,1,1) bleibt, da die Diskussion sehr aktiv ist.

🔄 Nächster Zustand: (1,1,1) bleibt erhalten

Alle Rollen sind aktiv (A=1, B=1, C=1)

📌 Schritt 4: Diskussion über Lösungswege (Zustand: (1,1,1))

Projektleiter (A):
„Wenn wir alternative Tests durchführen, wie hoch ist die Wahrscheinlichkeit, dass wir die Stabilitätsprobleme vollständig lösen können?“

Wissenschaftler (B):
„Mit der aktuellen Datenlage würde ich sagen, dass wir eine Erfolgschance von 70 % haben. Aber wir brauchen eine genauere Simulation.“

Marketingspezialist (C):
„Dann brauchen wir eine Entscheidung: Ist es wirtschaftlich sinnvoller, jetzt auf die sichere Formulierung zu setzen oder das Risiko einer Optimierung einzugehen?“

📌 Laut TPM kann es nun zu einem Wechsel zu (1,0,1) oder (1,1,0) kommen, falls ein Akteur aus der Diskussion aussteigt.

🔄 Möglicher neuer Zustand: (1,1,0) oder (1,0,1)

Wissenschaftler oder Marketingspezialist pausiert kurz.

📌 Schritt 5A: Wissenschaftler nimmt sich zurück (Zustand: (1,0,1))

Falls das System in (1,0,1) wechselt:
Projektleiter (A):
„Dann müssen wir schnell eine Entscheidung treffen. Können wir mit der aktuellen Testkapazität arbeiten?“

Marketingspezialist (C):
„Ich werde mit der Produktionsabteilung sprechen, um die Kapazitäten zu evaluieren. Falls wir eine beschleunigte Testphase realisieren können, sollten wir das so bald wie möglich tun.“

Projektleiter (A):
„Okay, dann priorisieren wir das. Ich brauche bis Ende der Woche eine Einschätzung.“

📌 Der Wissenschaftler pausiert, daher bleibt die Diskussion strategischer.

🔄 Möglicher neuer Zustand: (1,0,1) bleibt bestehen oder zurück zu (1,1,1)

📌 Schritt 5B: Marketingspezialist tritt zurück (Zustand: (1,1,0))

Falls das System in (1,1,0) wechselt:
Projektleiter (A):
„Wir brauchen eine sofortige Entscheidung. Ist eine Anpassung der Formulierung sicher und innerhalb unserer Zeitvorgaben machbar?“

Wissenschaftler (B):
„Ja, aber wir müssen die neuen Tests sehr sorgfältig planen. Ich erstelle eine Simulation und gebe euch in zwei Tagen ein Feedback.“

Projektleiter (A):
„In Ordnung, wir planen erst mal so. Falls sich aus den Simulationen neue Risiken ergeben, passen wir nach.“

📌 Der Marketingspezialist tritt zurück, daher ist die Diskussion technischer fokussiert.

🔄 Möglicher neuer Zustand: (1,1,0) bleibt bestehen oder zurück zu (1,1,1)

📌 Schritt 6: Entscheidung und Abschluss

Je nach letztem Zustand fällt das Team eine Entscheidung:

Option 1: (1,1,1) → Alle bleiben aktiv:
Projektleiter (A):
„Dann legen wir los. Wissenschaftler, Sie planen die Simulation. Marketingspezialist, Sie prüfen, ob wir die Tests beschleunigen können. Ich koordiniere die Ressourcen.“

Option 2: (1,1,0) → Wissenschaftlicher Fokus:
Projektleiter (A):
„Wissenschaftler, priorisieren Sie die Tests. Wir brauchen bald Klarheit, ob wir die Markteinführung verschieben müssen.“

Option 3: (1,0,1) → Wirtschaftlicher Fokus:
Projektleiter (A):
„Marketingspezialist, stellen Sie sicher, dass die Finanzierungsoptionen geprüft werden. Falls wir mehr Budget für schnellere Tests benötigen, müssen wir das sofort klären.“

📌 Finaler Zustand: (1,1,1) oder eine der Alternativen.

Falls du weitere Anpassungen möchtest oder bestimmte Elemente noch stärker optimiert werden sollen, lass es mich wissen! 😊🚀

Du:

Wie ist in dieser Sequenz die connectivity matrix berücksichtigt?

ChatGPT:

Die Connectivity Matrix bestimmt, welche Rollen direkt miteinander interagieren können. Ich werde jetzt Schritt für Schritt erklären, wie sie in der Kommunikationssequenz berücksichtigt wurde.

🔹 Connectivity Matrix in unserem Modell

Die Connectivity Matrix ist definiert als:

connectivity_matrix = np.array([

[1, 1, 0], # A beeinflusst A & B, aber nicht C

[0, 1, 1], # B beeinflusst sich selbst & C, aber nicht A

[1, 1, 1] # C beeinflusst alle (A, B, C)

])

📌 Bedeutung:

Projektleiter (A) beeinflusst sich selbst und den Wissenschaftler (B), aber nicht direkt den Marketingspezialisten (C).
Wissenschaftler (B) beeinflusst sich selbst und den Marketingspezialisten (C), aber nicht direkt den Projektleiter (A).
Marketingspezialist (C) beeinflusst alle.

🔹 Wie beeinflusst die Connectivity Matrix die Kommunikationssequenz?

Die CM (Connectivity Matrix) gibt an, welche Rollen direkt miteinander kommunizieren können. Ich stelle jetzt dar, wie das in der Sequenz berücksichtigt wurde.

📌 Schritt 1: Projektleiter eröffnet die Diskussion (Zustand: (1,0,0))

Warum kann der Projektleiter direkt mit dem Wissenschaftler (B) sprechen?
🔹 Laut CM:

A→B

✔ Korrekt umgesetzt:

Der Projektleiter spricht zuerst, da er die Diskussion leitet.
Wissenschaftler (B) antwortet in Schritt 2, da er direkt vom Projektleiter beeinflusst werden kann.

Warum spricht der Marketingspezialist (C) noch nicht?
🔹 Laut CM:

A→/C (Anm.: d.h. A kann C nicht beeinflussen)

✔ Richtig:

Der Marketingspezialist wird erst aktiviert, wenn B aktiv ist, da B →C eine erlaubte Verbindung ist.

📌 Schritt 2: Wissenschaftler bringt erste Analysen ein (Zustand: (1,1,0))

Warum antwortet jetzt der Wissenschaftler?
🔹 Laut CM:

A→B

✔ Korrekt umgesetzt:

Der Projektleiter fragt den Wissenschaftler, wie die Stabilität beeinflusst wird.
Der Wissenschaftler kann antworten.

Warum bleibt C inaktiv?
🔹 Laut CM:

A→B, B→C

✔ Richtig:

Marketingspezialist (C) bleibt inaktiv, bis B ihn aktiviert.

📌 Übergangswahrscheinlichkeit in der TPM:
Laut TPM hat C eine hohe Wahrscheinlichkeit, aktiviert zu werden, wenn B aktiv ist.

🔄 Nächster Zustand: (1,1,1)

Marketingspezialist wird aktiviert.

📌 Schritt 3: Marketingspezialist wird aktiv (Zustand: (1,1,1))

Warum kann C jetzt sprechen?
🔹 Laut CM:

B→C, C→A,B

✔ Korrekt umgesetzt:

Der Marketingspezialist wird durch den Wissenschaftler aktiviert.
C kann nun mit A und B interagieren, weil C alle beeinflussen kann.

Warum kann A jetzt mit C sprechen, obwohl es in der CM nicht direkt erlaubt ist?
✔ Indirekt über B möglich:

A beeinflusst B
B beeinflusst C
Damit kann eine Kommunikation von A zu C stattfinden.

📌 Übergangswahrscheinlichkeit in der TPM:
Da jetzt alle Rollen aktiv sind, bleibt das System mit hoher Wahrscheinlichkeit in (1,1,1).

📌 Schritt 4: Diskussion über Lösungswege (Zustand: (1,1,1))

Warum sprechen jetzt alle Akteure in einem freien Dialog?
✔ Laut CM:

C beeinflusst alle (A, B, C)
B beeinflusst C, aber nicht A
A beeinflusst B, aber nicht C

Korrekte Umsetzung:

Der Projektleiter fragt etwas (A)
Der Wissenschaftler gibt eine Analyse (B)
Der Marketingspezialist betrachtet die wirtschaftlichen Aspekte (C)

📌 Übergangswahrscheinlichkeit in der TPM:

Das System kann stabil in (1,1,1) bleiben, aber ein Akteur kann aus der Diskussion aussteigen.

🔄 Möglicher Zustand: (1,1,0) oder (1,0,1)

Falls B pausiert → (1,0,1)
Falls C pausiert → (1,1,0)

📌 Schritt 5A: Wissenschaftler tritt zurück (Zustand: (1,0,1))

Warum ist das ein realistischer Übergang?
🔹 Laut CM:

C→A

✔ Korrekt umgesetzt:

Der Marketingspezialist übernimmt die wirtschaftlichen Fragen.
Der Wissenschaftler tritt zurück, um Daten zu sammeln.

📌 Schritt 5B: Marketingspezialist tritt zurück (Zustand: (1,1,0))

Warum konzentriert sich die Diskussion jetzt auf Wissenschaft & Strategie?
🔹 Laut CM:

A→B

✔ Korrekt umgesetzt:

Wissenschaftler fokussiert sich auf technische Details.
Projektleiter bleibt strategisch aktiv.

📌 Übergangswahrscheinlichkeit in der TPM:

Falls der Marketingspezialist keine neuen Inputs hat, kann er inaktiv bleiben.

Zusammenfassend: Dieses kleine Kommunikationsbeispiel zeigt, dass die IIT-Netzwerke auch als Team-Kommunikations-Netzwerke interpretiert werden können: Ich habe dies nicht für alle möglichen Netzwerke gezeigt, jedoch ist für mich nicht erkennbar, wieso ein beliebiges Netzwerk nicht auch eine beliebige Team-Kommunikation repräsentieren kann. Das heißt auch, dass Teams genau die gleichen Phi-Werte erreichen können, wie kognitive Systeme, also Individuen: Prinzipell kann der Collective Mind eines Teams, hier gemessen über Phi, hohe Synergiewerte annehmen.
Hier zeigt sich meines Erachtens aber auch sehr stark die Erkenntnis-Lücke in der IIT: Es ist schwer vorstellbar, dass Teams über das gleiche Bewusstsein verfügen wie Menschen. – Wie schon im letzten Blog angesprochen, zeigt dies, dass in der IIT etwas Grundsätzliches fehlt, um menschliches Bewusstsein zu beschreiben.

[1] Albantakis L, et al. (2023) Integrated information theory (IIT) 4.0: Formulating the properties of phenomenal existence in physical terms. PLoS Comput Biol 19(10): e1011465, https://doi.org/10.1371/journal.pcbi.1011465

[2] PyPhi (2024) Phi Python Bibliothek, https://pyphi.readthedocs.io/en/latest/index.html

AI & QC & M 4.0: Alles Quantum? oder von Quantum Computing Modell-Archetypen

Ein beeindruckender Podcast, erstellt von NotebookLM, fasst den Blog-Beitrag in englischer Sprache zusammen:

‚Alles Quantum?‘, Hinter dieser Frage verbirgt sich eine der spannendsten ungelösten Fragen der Physik: Gibt es eine einheitlich Quanten-Theorie, die die Welt des Kleinen (Quanten) und die Welt des Großen (Klassisch) integriert? Seit ungefähr 100 Jahren wird nach einer solchen Theorie gesucht.

Abbildung 0: Bild erzeugt mittels Dall-E: Die 7 Modelle des Blog-Artikels symbolisch dargestellt als Wissenschaftler, die um Erkenntnis kämpfen. Die Darstellung zeigt die Wissenschaftler auf einem futuristischen, quantenmechanischen Schlachtfeld.

In diesem Blog gehen wir es viel unbedeutender an: Ich stelle die von mir bisher erstellten Collective Mind Modelle (CM Modelle) aus der Welt der Quanten und der ‚klassischen‘ Welt zusammen und beleuchte deren Aussagemöglichkeiten. Diese Modelle lassen sich in drei Kategorien einteilen: Quantum-Modelle, die vollständig auf Prinzipien der Quantenmechanik beruhen. – Klassische Modelle, die keine Prinzipien der Quantenmechanik enthalten. – Hybride Modelle, die Prinzipien der Quantenmechanik und der klassischen Welt enthalten. Diese drei Modell-Kategorien zeigen in ihren Aussagemöglichkeiten verschiedene Potentiale, werfen teilweise neue Fragen auf und gehen damit deutlich über ihre Grenzen hinaus. Die vorgestellten Modell sind Modell-Archetypen, die ähnlich in völlig anderen wissenschaftlichen oder industriellen Anwendungsbereichen verwendet werden. Alle Modelle wurden unter großer Mithilfe von ChatGPT-o1 erstellt. Die Menge aber auch die völlig unterschiedlichen Modell-Herangehensweise, erstellt in einer erstaunlich kurzen Zeit, verdeutlichen die enorme Leistungssteigerung der hybriden kollektiven Intelligenz von Maschine und Mensch:

Modell 1 – Agent Based Modelling der Teaminteraktionen: Dieses (bisher) klassische Modell verwendet Agent Based Modelling, um Team-Interaktionen zu beleuchten. Mitglieder eines Teams werden als Agenten modelliert. Agenten sind (stark vereinfachte) Repräsentanten von Menschen. Im Blog vom Juni 2023 ‚AI & M 4.0: (Collective Intelligence)**2 – Collective Mind Agent Based Model mit GPT-4/chatGPTplus’ wird ein Team mit 7 Teammitgliedern und einer unterschiedlichen Anzahl an Stakeholdern modelliert. Den Teammitgliedern werden feste MBTI Persönlichkeitsmerkmale zugewiesen und die Stakeholder erhalten per Zufall gemäß der MBTI Verteilung in der westlichen Welt ihre Persönlichkeit. Jedem der Agenten wird per Zufall eine 3-Ebenen Ziel-Hierarchie, bestehend aus einer abstrakten Zeichenkette pro Ebene, zugewiesen. Der Collective Mind (CM) im Team und auch im Stakeholder-Umfeld ist maximal, wenn alle Teammitglieder im Team (und im Stakeholder-Umfeld) die gleiche Ziel-Hierarchie haben. Der Kommunikationsaustausch wird durch die Persönlichkeitsprofile und eine Lernrate (getrennt nach Team und Stakeholdern) bestimmt. Dieses Setting und die Definition des Collective Mind über die Ziel-Hierarchie entspricht der Theorie und Praxis im Management 4.0: Die Ziel-Hierarchien gleichen sich mit unterschiedlichen Zeitskalen im Team und im Stakeholder-Umfeld an. Die Zeitskalen hängen von der Lernrate sowie der Team-Zusammensetzung bzw. Stakeholder-Zusammensetzung ab. Damit ist es möglich, den Einfluss der Persönlichkeit auf die zeitliche Dynamik des CM zu untersuchen und optimale Team-Zusammensetzungen zu studieren. Mit der Anbindung von KI-Systemen werden (zukünftig) KI-Agenten im Agent Based Modelling verwendet werden. – Dies ist eine Entwicklung, die vor kurzem einen neuen KI-Hype ausgelöst hat. In Zukunft werden sicherlich Agenten zusätzlich mit Quantum Eigenschaften (siehe nachfolgende Modelle) ausgestattet. Voraussetzung hierfür ist eine entsprechend effiziente hybride Hardware, bestehend aus klassischer und Quantum Hardware.

Modell 2 – Eigenvektoren der CM Ähnlichkeitsmatrix Analyse: Dieses klassische Modell beruht auf der Grundidee, Ähnlichkeiten der Kommunikation in einem Team oder in einer Gruppe für die Messung des CM zu verwenden. Hierzu wird die Kommunikation mittels zweier Teile, dem gesprochene Wort und der nonverbale Kommunikation über Sentiments (Emotionen), ausgedrückt. Zentrale Größe ist deshalb eine komplexe Ähnlichkeitsmatrix CM, die aus zwei Teilen besteht. Die Ähnlichkeitsmatrix CM = Matrix der Text-Ähnlichkeiten + i* Matrix der Sentiments-Unterschiede. Für die Ähnlichkeitsmatrix CM lassen sich Eigenvektoren und Eigenwerte berechnen. Der Eigenvektor mit dem höchsten Eigenwert wird als CM Vektor interpretiert und der dazugehörige Eigenwert gibt die relative Stärke des CM an. Die Elemente des CM Vektors repräsentieren die Beitragsstärken der einzelnen Gruppen- oder Teammitglieder zum CM. Auf dieser Basis wurde im Blog ‚AI & M 4.0: Markus Lanz vom 30. Mai 2024: Eine Collective Mind Analyse‘ vom Juni 2024 die Gruppendynamik einer Gesprächsrunde analysiert. Es hat sich gezeigt, dass eine Untergruppe der Gesprächsrunde bestehend aus den Teilnehmern 2,4 und 5, bzw. in der Notation des nachfolgenden Modells 3 die Gruppenmitglieder B,D,E, im Wesentlichen den Collective Mind gestalten. Es ist also möglich, Kommunikationsmuster inkl. der nonverbalen Kommunikation transparent zu machen und die Träger des CM zu identifizieren.

Modell 3 – Ising-Modell der CM Ähnlichkeitsmatrix Analyse: Dieses Modell ist eine Form eines hybriden Modells und ergänzt Modell 2: Die Ausgangsbasis ist der Realteil der Ähnlichkeitsmatrix aus Modell 2. Die Ähnlichkeitsmatrix wird als Repräsentant eines Netzwerkes verstanden: Die Stärken der Ähnlichkeiten bilden die Kanten des Netzwerkes. Dieses klassische Netzwerk kann auf ein Ising Qubit-Netzwerk mit entsprechenden Kantenstärken abgebildet werden. Die Quantum Computing Berechnung mit der d-wave Annealing Technologie ermittelt die Energielandschaft dieses Netzwerkes. Die niedrigsten Energietäler oder das niedrigste Energietal repräsentiert den energetisch günstigsten Teamzustand und ist damit identisch mit dem CM Zustand. Die Anwendung auf die Gruppendynamik aus Modell 2 ergibt, dass die Untergruppe BDE den Collective Mind repräsentiert. Modell 3 ist ohne Probleme auf große Gruppen skalierbar, was bei der klassischen Berechnung mittels Eigenwert und Eigenvektoren nicht der Fall ist. Außerdem wird der CM-Beitrag anderer Teammitglieder-Kombinationen durch ihre Einordnung auf der Energieskala sofort und einfach sichtbar. Leider konnte bisher der Imaginärteil der Ähnlichkeitsmatrix nicht verwendet werden, da damit in Gebiete vorgestoßen wird, die auch noch in der Quantenmechanik gerade erst erforscht werden. – Die vollständige Abbildung der Ähnlichkeitsmatrix auf das d-wave System ist deshalb z.Zt. (noch) nicht möglich.

Modell 4 – Quantum Cognition der Team Kommunikation: Dieses Modell ist ein vollständiges quantenmechanisches Modell und beruht auf exakten Quanten-Berechnungen des CM auf einem klassischen Computer. Die eins-zu-eins Übertragung auf einen Quantencomputer ist nicht möglich. Damit ist das Modell nicht skalierbar, da die Berechnungen mit steigender Anzahl an Personen exponentiell wachsen. Das Modell wurde im Blog ‚AI & QC & M 4.0: Quantum Cognition für das Team-Management oder von der Macht der Mathematik‘ vom Oktober 2024 veröffentlicht. Die Idee ist hierbei die Persönlichkeitsdimensionen des Big Five (oder MBTI) Persönlichkeitsmodells in Qubit-Zustände abzubilden. Eine eindeutige positive Präferenz für eine Persönlichkeits-Dimension wird in eine Qubit 1 umgesetzt, eine eindeutige negative Präferenz in eine Qubit 0 und eine indifferente Präferenz wird als Superposition abgebildet. Ich wende die aus der Quantenmechanik bekannte Technik der Projektionsoperatoren auf das so abgebildete Persönlichkeitsmodell an: Über einen Interaktionsoperator wird zuerst die Interaktion im Team berechnet. Hieraus entsteht eine Team-Quantenwelle für die mittels eines CM Operators die Wahrscheinlichkeit für das Eintreten eines CM berechnet wird. Der CM Zustand wird als Zustand der quantenmechanischen Verschränkung interpretiert: Hierbei kann wahlweise danach unterschieden werden, ob alle Persönlichkeitsdimensionen verschränkt sind oder nur ein Teil der Dimensionen.
Die theoretischen Ergebnisse werden qualitativ durch viele praktische Erfahrungen gestützt: u.a hängt die Wahrscheinlichkeit ein CM auszubilden stark von der Teamzusammensetzung ab, die Reihenfolge der Interaktionen hat einen Einfluss auf die CM Dynamik, und ordnen die Teammitglied ihre Persönlichkeitspräferenzen nicht einem gemeinsamen Ziel unter, wird die Wahrscheinlichkeit der CM Ausbildung stark beschränkt. Nicht-lineare Effekte der Persönlichkeitsinteraktionen werden meines Erachtens erstaunlich gut abgebildet. Dies wirft die sehr weitreichende Frage auf, ob unsere Kognition und unsere Kommunikation zum Teil oder ganz den grundlegenden Prinzipien der Quantenmechanik unterliegen.

Die nachfolgenden Modelle sind bisher nicht in einem Blog enthalten und werden hier erstmalig vorgestellt:

Modell 5 – Variationsmodell der Quantum Team Kommunikation: Dieses hybride Modell weist wie Modell 4 die Big Five Persönlichkeitspräferenzen Qubits zu. Diese Persönlichkeitspräferenzen dienen jedoch lediglich als Startwerte für eine Variationsrechnung. Ausgehend von den Startwerten werden mittels klassischer Variation Qubit-Superpositionen erzeugt. Ziel ist es, mittels Variation einen vollständigen verschränkten CM Zustand für eine ausgewählte Persönlichkeitsdimension (zum Beispiel die der Offenheit) zu finden. Es zeigt sich, dass ein solcher verschränkter Zustand existiert, wenn andere Persönlichkeitsdimensionen von den Startwerten abweichen. Im Beispiel-Team führt dies u.a. dazu, dass die unbestimmte Persönlichkeitspräferenz Gewissenhaftigkeit des Teammitgliedes Alice sich in eine Persönlichkeitsdimension Gewissenhaftigkeit mit geringer Präferenz wandeln muss. Dies zeigt an, dass sich ein CM oft nur dann ausbilden kann, wenn die Teammitglieder ihre persönlichen Präferenzen dem gemeinsamen Ziel oder der gemeinsamen Vision unterordnen. Mit diesem Modell ist es auch möglich, optimalere Teampräferenzen, mit denen sich ein CM leichter ausbildet, per Variation zu finden.

Modell 6 – Ising Modell der Team-Interaktion: Dieses Quantum Modell läuft auf der d-wave Hardware. Hierzu werden die Big Five Persönlichkeitspräferenzen in Qubit-Zustände umgesetzt, deren Wechselwirkungen über ein Ising-Modell erfasst werden (siehe Abbildung 1) – Jedes Teammitglied wird mittels n Qubits modelliert. Für jede der n Persönlichkeitsdimensionen ein Qubit.

Abbildung 1: Energie des Ising-Models, in dem die Qubits als Spins (magnetische Momente) s_imodelliert werden und deren Paar-Wechselwirkung durch J_ij.

Die Qubit-Paar-Wechselwirkungen J_ij stellen eine Matrix dar (siehe auch Modell 3 und dort die Verwendung einer Ähnlichkeitsmatrix). Die Einzelenergie h_iund die Paar-Wechselwirkungen J_ijwerden leider per Intuition festgelegt. – Derzeit kenne ich keinen praktikablen Weg die Qubit Einzelenergie und die Qubit-Paar-Wechselwirkungen aus grundsätzlichen Modellen wie Modell 3 abzuleiten. Es wird zum Beispiel statt dessen angenommen, dass nur gleiche Persönlichkeitsdimensionen wechselwirken und gleiche Präferenzen das CM positiv beeinflussen und ungleiche Präferenzen das CM negativ beeinflussen. Unter Berücksichtigung dieser ‚intuitiven‘ Festlegung des Ising-Modells lassen sich Teammodelle auf ihre Eignung zur Ausbildung eines CM überprüfen.
Dieses Modell ist sehr einfach skalierbar sowohl in der Anzahl an Teammitgliedern als auch in der Aufnahme von zusätzlichen Persönlichkeitscharakteristika wie Werten oder Motiven.

Modell 7 – Variationsmodell des QC Schaltkreis Ansatzes der Team-Kommunikation: Der sogenannte Quantum Schaltkreis Ansatz bedeutet, dass eine Kombination von Quanten-Schaltkreisen ausgewählt wird, um die Realität zu modellieren. Dieser Ansatz wird derzeit von nahezu allen QC Hardware Anbietern unterstützt.
Die Auswahl der Schaltkreise ist jedoch mehr oder weniger ambivalent. Die Auswahl ist auf keinen Fall stringent, da es nach meinem bisherigen Kenntnisstand keinen direkten Zusammenhang zwischen Schaltkreis-Ansatz und Problemstellung gibt. Der Quantum Schaltkreis Ansatz ist ein hybrides Modell, in dem ein quantenmechanisches Modell von ‚außen‘ klassisch variiert wird, bis der CM in einer bestimmten Variation erreicht ist. Diese ‚klassische‘ Variation wird durch geeignete Anpassung von Parametern in den QC Schaltkreisen erreicht. Die Anpassung erfolgt durch ML Optimierer mit oder ohne neuronale Netzwerke. Der Ansatz wird experimentell oder über eine exakte Berechnung für kleine Problemdimensionen validiert.– Diese Vorgehensweise wird meines Erachtens in (nahezu) allen QC Algorithmen verwendet, die auf Schaltkreisen beruhen und eine wissenschaftliche oder industrielle Anwendbarkeit verfolgen. In unserem Fall habe ich das Setting aus Modell 4 übernommen und den Ansatz mehrmals angepasst, um eine vollständige Verschränkung zu erreichen und dafür zu sorgen, dass der Überlapp der Wellenfunktionen aus Modell 4 und dem hiesigen Modell vollständig ist. Damit stelle ich sicher, dass der Ansatz nicht völlig beliebig ist. Der ausgewählte Schaltkreis muss mindestens ein Schaltkreiselement enthalten, das über Parameter variiert werden kann. Typisch ist die Rotation der Qubits entlang einer der drei Raum Axen. Die Rotationswinkel sind in diesem Fall die Parameter, die von außen mittels klassischer Variation verändert werden. In unserem Modell werden die Y-Rotationswinkel von N RY-Schaltkreisen (N = Anzahl der Persönlichkeitsdimensionen*Anzahl an Teammitgliedern) variiert bis sich eine vollständige Verschränkung in den ausgewählten Persönlichkeitsdimensionen eingestellt hat.

Abbildung 2: Beispiel Quanten-Schaltkreis für zwei Qubits, die zwei interagierende Personen oder zwei interagierende Persönlichkeitsdimensionen repräsentieren.

Ich erläutere im Folgenden den einfachen Quantenschaltkreis aus Abbildung 2, da dieser die grundlegende Idee der Quanten-Wellenfunktion in der Quantum Cognition und der Quantum Team Kommunikation gut wiedergibt.

Betrachtet man den gezeigten Quantenschaltkreis aus der Perspektive von Quantum Cognition oder von Quantum Team Kommunikation, so lässt sich der abstrakte mathematische quantenmechanische Formalismus auf eine Situation mit zwei Personen/Akteuren oder Agenten übertragen: In dem Bild steht Qubit 1 für die mentale oder kommunikative ‚Welle‘ von Person A und Qubit 2 für die von Person B. Die einzelnen quantenmechanischen Operationen können dann als kognitive oder kommunikative Prozesse interpretiert werden, bei denen Überzeugungen, Erwartungen oder Informationsinhalte von A und B miteinander in Beziehung gesetzt, transformiert und anschließend gemeinsam ausgewertet (gemessen) werden.

Ausgangszustand ∣Ψ⟩:
Zunächst gehen wir davon aus, dass ∣Ψ⟩ den anfänglichen ‚gemeinsamen kognitiven Zustand‘ von Person A und Person B darstellt. Dieser Zustand kann bereits ein bestimmtes Maß an Unsicherheit, Superposition von Meinungen oder Perspektiven enthalten, in denen sowohl A als auch B noch nicht festgelegte Standpunkte haben. Es könnte sich zum Beispiel um ein gemeinsames Thema handeln, zu dem beide Personen eine innere Haltung entwickeln, aber noch nicht klar ist, welche Resultate oder Meinungen sich herauskristallisieren.

Person A (Qubit 1) – Hadamard-Gatter (H):
Das Hadamard-Gatter auf Person A’s Qubit lässt sich als ein „Perspektivwechsel“ oder als ein Wechsel von einer klaren, eindeutigen Überzeugung zu einem Zustand interpretieren, in dem Person A’s Meinung oder Einstellung gegenüber dem Thema in einer Superposition zweier gegensätzlicher Einstellungen liegt. Vor der Anwendung des Hadamard-Gatters könnte Person A eine relativ klare Meinung gehabt haben (z. B. Zustimmung = 1 oder Ablehnung = 0). Durch die Hadamard-Operation wird Person A’s innere Haltung in eine Überlagerung gebracht, in der A gleichzeitig eine gewisse Neigung zur Zustimmung und zur Ablehnung aufweist, aber eben noch nicht determiniert ist. In der Sprache der Teamkommunikation könnte dies bedeuten, dass Person A versucht, die Thematik aus einem anderen Blickwinkel zu betrachten, offen für neue Interpretationen ist oder sich von einem eindimensionalen zu einem breiteren Wahrnehmungsrahmen bewegt.

CNOT-Gatter zwischen Person A (Control) und Person B (Target):
Das CNOT-Gatter kann man als einen Prozess des kommunikativen Einflusses oder der kognitiven Kopplung interpretieren. Person A’s Zustand (nach dem Perspektivwechsel durch das H-Gatter) fungiert als eine Art ‚Steuerung‘ für Person B’s Einstellung. Ist Person A’s Haltung nach dem Hadamard und im Kontext des gemeinsamen Themas in eine Richtung, repräsentiert durch den Zustand 1, geneigt, so ändert sich daraufhin Person B’s innerer Zustand (z. B. von Zustimmung zu Ablehnung oder umgekehrt). Ist A in Richtung 0, bleibt B’s Haltung unverändert. Dieses Modell versucht, die Idee einzufangen, dass die neu gewonnene Offenheit oder Unsicherheit von Person A direkten Einfluss auf B’s innere Einstellung haben kann—etwa indem Person A gewisse Zweifel oder Ideen äußert, die Person B dazu bringen, ihren eigenen mentalen Zustand zu revidieren.

In der Teamkommunikation könnte man sagen: Durch den Denk- oder Argumentationsschritt, den Person A vollzieht (repräsentiert durch das Hadamard-Gatter), eröffnet sich ein neuer Möglichkeitsraum von Überzeugungen. Das CNOT symbolisiert dabei, dass Person B auf diese neue, komplexe Haltung von A reagiert und dadurch selbst ihren Standpunkt anpasst oder in Frage stellt. Auf diese Weise entstehen potenzielle Korrelationen zwischen den beiden mentalen Zuständen.

Messung:
Schließlich werden beide Qubits gemessen. Dies entspricht dem Moment im Teamprozess, an dem A und B ihre Meinungen äußern oder festnageln—sei es durch eine abschließende Entscheidung, ein Votum oder eine konkrete Stellungnahme. Die Messung transformiert den vorher unbestimmten, superponierten Zustand in ein klares Resultat: Beide Personen legen sich letztlich auf eine konkrete Haltung fest (0 oder 1).

Von der Warte der Quantum Cognition lässt sich die Messung als Übergang von potenziellen kognitiven Zuständen (Superpositionen von Optionen, Unsicherheiten, Überlagerungen von Bedeutungen) zu einem klaren, beobachtbaren Ergebnis deuten. Wenn A und B schließlich kommunizieren, Einigungen erzielen oder Positionen darstellen, ‚kollabiert‘ der gemeinsame kognitive Zustand in ein bestimmtes, messbares Resultat.

Fazit im Kontext von Quantum Cognition / Quantum Team Kommunikation:

Die Vorbereitungsbox ∣Ψ⟩ steht für den initialen kognitiven Gesamtzustand des Teams (A und B), der vielleicht eine gemischte oder unklare Haltung zu einem Thema enthält.
Das Hadamard-Gatter auf Person A entspricht einem Perspektivwechsel oder einer Öffnung für neue Sichtweisen.
Das anschließende CNOT-Gatter zeigt, wie Person A’s nun veränderte Sichtweise Person B’s mentalen Zustand beeinflusst und potenziell verschränkt oder zumindest miteinander kognitiv koppelt.
Die abschließende Messung repräsentiert den Moment der Festlegung, in dem aus den zuvor unbestimmten, interaktiven kognitiven Zuständen klare, beobachtbare Meinungen oder Handlungsentscheidungen abgeleitet werden.

So hilft uns Abbildung 2, den Prozess als eine Art gemeinschaftliches, quanten-ähnliches ‚Denken‘ zu verstehen, in dem Zustände nicht binär und fix sind, sondern sich durch Interaktion, Perspektivwechsel und finale Äußerungen in ein bestimmtes Ergebnis transformieren.

Zusammenfassend stelle ich fest:

Modell 1 – Agent Based Modelling erlaubt mit einfachen Mitteln das Studium von (nahezu) allen grundlegenden Team Eigenschaften. Bei Ausbau in Richtung AI und QC gibt es kaum Einschränkungen der Aussagekraft.

Modell 2 und 3 – Ähnlichkeitsmatrix hat mit Abstand die praktischste Aussagekraft hat und kann unmittelbar die Team Kommunikation in einem Hybriden Kollektiven Intelligenz Ansatz aus Mensch und Maschine aktiv unterstützen

Modell 4 und 5 – Quantum Team Kommunikation stellen die Modelle dar, in die derzeit am wenigsten Annahmen einfließen. Es fließen nur zwei Annahme ein: Der CM Zustand wird als verschränkter Zustand verstanden und die Team-Interaktion unterliegt (auch) der Quantum Probability Theory. Diese Modelle eröffnen damit den Zugang zu einem völlig neuen Verständnis von menschlicher Kommunikation.

Modell 6 – Ising Modell ist als quantenmechanisches Modell sehr einfach, enthält jedoch (derzeit noch) die meisten Annahmen und dient damit eher zur Sondierung der Ergebnisse aus den anderen Modellen.

Modell 7 – Quanten Schaltkreise ist als quantenmechanisches Modell recht einfach. Vermittelt einerseits Metapher-ähnliche Einblicke in die quantenmechanische Interpretation der Team Kommunikation andererseits fehlt (mir derzeit) der intuitive Zugang, den die Modell 4 und 5 haben.

Die nachfolgende Tabelle 1 fasst die zentralen Modell-Charakteristika zusammen:

Modell	Kategorie	Einschränkung	Aussagekraft
1 – Agent Based Modelling der Team-Interaktionen	Klassisch (hybrid, bei Ausbau mittels Quantum Cognition)	Derzeit meistens noch einfache klassische Agenten	Grundlegende Aussagen zur CM-Dynamik in unterschiedlichen Teams
2 – Eigenvektoren der CM Ähnlichkeitsmatrix Analyse	Klassisch	Geringe Skalierung	Für kleine Teams: CM Stärke und Beitrag jedes Teammitglieds zum CM
3 – Ising-Modell der CM Ähnlichkeitsmatrix Analyse	Hybrid (Klassisch mit Quantum Variation)	–	CM Stärke und Beitrag des Teammitglieds zum CM, einfache Interpretation des CM Potentials von Teams mittels einer Energielandschaft
4 – Quantum Cognition der Team Kommunikation	Quantum (Berechnung auf klassischem Rechner)	Keine Skalierung	Für kleine Teams: Erstaunliche qualitative Übereinstimmung bzgl. Teamdynamik zwischen Theorie und Erfahrung
5 – Variationsmodell der Quantum Team Kommunikation (basierend auf Modell 4)	Hybrid mit klassischer Variation (Berechnung auf klassischem Rechner)	Keine Skalierung	Für kleine Teams: Aussage zu ‚optimalen‘ Teams und Einblick in die Anpassungs-notwendigkeiten der Team-Persönlichkeiten
6 – Ising Modell der Team-Interaktion	Quantum	Mappen auf Ising-Modell mit intuitiven Annahmen aus den Modellen 4 und 5	Aussagen zu optimalen Teams, ähnlich wie Modell 5, jedoch unter Berücksichtigung der Einschränkungen
7 – Variationsmodell des QC Schaltkreis Ansatzes der Team-Kommunikation	Hybrid mit klassischer Variation	Mappen auf QC-Schaltkreise	‚Metaphorische‘ Erklärung einer Quantum Cognition bzw. Quantum Team Communication auf der Basis von einzelnen Schaltkreisen, Auffinden optimaler Teams

Tabelle 1: Übersicht der Modell-Charakteristika der sieben Modelle

AI & QC & M 4.0: Quantum Cognition für das Team-Management oder von der Macht der Mathematik

(Die in diesem Blog-Beitrag enthaltene recht komplexe Mathematik der Quantenmechanik sowie die dazugehörigen Programme wurden mit der AI-Assistenz von ChatGPT4o1-preview erhalten. ChatGPT4o wurde für die Überprüfung des Blog-Beitrages verwendet. Der enthaltene Podcast wurde von der Google AI noteBookLM erstellt.)

Der nachfolgender Podcast fasst den Blog-Beitrag in englischer Sprache zusammen und wurde von der Google AI notebookLM erzeugt:

Abbildung 0: Ein Bild, erzeugt von ChatGPT/DALL.E, das den Blog-Beitrag visuell unterstützt und im Stil von van Gogh gestaltet ist. Es zeigt Teammitglieder in einer dynamischen Interaktion, die die Konzepte der Quantum Cognition durch wellenartige Verbindungen symbolisiert.

Dieser Blog-Beitrag richtet sich an Leser mit einem Hintergrund in Management sowie an jene, die Interesse an quantenmechanischen Konzepten im Bereich der Kognition und Teamdynamik haben: Keine Angst vor Mathematik ist hilfreich!

Bei den Recherchen zu dem vorherigen Quantum Computing Blog-Beitrag bin ich auf den Begriff ‚Quantum Cognition‘ gestoßen [1]. Sofort wenn man den Wikipedia Artikel oder die wissenschaftlichen Artikel [2],[3] liest, wird man darauf hingewiesen, dass Quantum Cognition nichts mit Quantum Mind [4] oder der Idee, dass Bewusstsein durch Quanteneffekte hervorgerufen wird, zu tun hat. – Wenngleich das letzte Wort hierzu sicherlich noch nicht gesprochen ist.

Bei dem Thema Quantum Cogition geht es um die verblüffende Feststellung, dass kognitive Verzerrungen wie u.a. Tversky und Kahneman sie beschrieben haben [5], schlecht oder überhaupt nicht durch die klassische Wahrscheinlichkeitstheorie (Classical Probability Theory) beschrieben werden, aber sehr wohl durch die Quanten Wahrscheinlichkeitstheorie (Quantum Probability Theorie), wie sie im mathematischen Formalismus der Quantenmechanik enthalten ist. Das ist schon irgendwie faszinierend…und zeigt meines Erachtens die ungeheure Macht der Mathematik: Denn plötzlich wird ein mathematischer Formalismus, der in einem Gebiet entwickelt wurde, auf einem völlig anderen Gebiet angewendet.

Ich beschäftige mich in diesem Blog-Beitrag zuerst mit den Grundlagen von Quantum Cognition. Anschließend wende ich diese Grundlagen auf die Teamkommunikation an. Bei der Konzeption des Collective Mind vor ca. zwei Jahrzehnten kam die Idee auf, den Collective Mind als sogenannten verschränkten Zustand der mentalen Modelle der Teammitglieder zu verstehen. Ich werde zeigen, dass mit dem Formalismus der Quantum Cognition genau dies möglich ist. Damit ergänze ich die in den vorhergehenden Blog-Beiträgen beschriebenen klassischen Modelle des Collective Mind. – In zukünftigen Blog-Beitragen besteht Raum für eine Integration beider Ansätze😉.

Zuerst zu den Grundlagen von Quantum Cognition. Quantum Cognition benutzt drei Schlüsselelemente der Quantenmechanik:

Superposition (Überlagerung): Ein mentaler Zustand kann als Kombination mehrerer möglicher Zustände betrachtet werden. Damit eröffnet sich die Möglichkeit, Ambiguitäten im menschlichen Verhalten zu modellieren, sowie Unentschlossenheit in Entscheidungsprozessen zu beschreiben.
Nicht-Kommutativität (Interferenz): Wie in der Quantenphysik können mentale Zustände sich gegenseitig beeinflussen, was zu Verstärkungs- oder Abschwächungseffekten führt und einige nichtlineare Entscheidungsprozesse erklärt. Psychologische Beispiele hierfür sind das Priming und die verschiedenen mentalen Verzerrungen, u.a. auch der Bias.
Verschränkung (Entanglement): Unterschiedliche kognitive Variablen können stark miteinander verbunden sein, so dass der Zustand einer Variablen unmittelbar den Zustand einer anderen beeinflusst. Das Hebb’sche Gesetz beschreibt diesen Effekt: Psychologische Beispiele hierfür sind Gefühle, die unmittelbar die Wahrnehmung beeinflussen.

Ich habe diese drei Schlüsselelemente in den Abbildungen 1-3 skizziert. Die in diesen Abbildungen enthaltenen mathematischen Ausdrücke der Quantenmechanik sind meines Erachtens nicht wichtig für ein Verstehen der wesentlichen Aussagen dieses Blog-Beitrages. Sie mögen aber dem ein oder anderen vielleicht beim besseren Verständnis helfen.

Ich erläutere im Folgenden die in Abbildung 2 enthaltenen Aussagen zum Schlüsselelement der Nicht-Kommutativität (Interferenz) etwas genauer, u.a. deswegen weil dort der Begriff des Projektionsoperators eingeführt wird, der für die Quantenmechanik und die Quanten Cognition von großer Bedeutung ist. Für die beiden anderen Schlüsselelemente verweise ich auf die Abbildungen 1-3.

Wenn wir an eine Person oder an ein Ding denken, so rufen wir ein mentales Konzept von dieser Person oder diesem Ding ab. Nehmen wir zwei Personen aus der amerikanischen Politik: Clinton und Gore. Jeder von uns hat wahrscheinlich ein mehr oder weniger ausgeprägtes Konzept bzw. eine mentale Repräsentation oder eine Idee von Clinton und Gore. Dieses Konzept wird u.a. durch Interaktion mit der Umwelt aktiviert. In unserem Clinton-Gore-Beispiel sind Konzepte wie ‚Clinton‘ und ‚Gore‘ die grundlegenden Einheiten, die wir modellieren möchten: Nehmen wir an, jemand würde uns die Frage stellen, ob wir Clinton vertrauenswürdig finden und anschließend die Frage stellen, ob wir Gore vertrauenswürdig finden. Psychologische Experimente haben gezeigt, dass die Wahrscheinlichkeit, beide Fragen mit Ja zu beantworten auch von der Reihenfolge der Fragen abhängt [3]. D.h. die Fragen rufen Konzepte auf und die Konzepte beeinflussen sich gegenseitig, aber nicht-kommutativ. Nicht-kommutativ bedeutet, dass es auf die Reihenfolge der Fragestellung ankommt. – Ein sehr erstaunliches Phänomen. In der Welt der Quanten kennt man entsprechende Phänomene: Die Reihenfolge von Messungen hat Einfluss auf die Ergebnisse der Messungen.

In der Quantenmechanik verwendet man sogenannte Projektionsoperatoren, die eine Messung bzw. Messreihenfolge repräsentieren. Mit einem Projektionsoperator projiziert man den Ausgangszustand auf den gemessenen Zustand. Damit kann man Wahrscheinlichkeitsaussagen treffen, wie wahrscheinlich es ist, dass der Ausgangszustand in den gemessenen Zustand übergeht.

Entsprechend werden in der Quantum Cognition kognitive Projektionsoperatoren zur Modellierung der Aktivierung eines kognitiven Konzepts in einer Person benutzt. – Es findet sozusagen eine Messung statt.

Nehmen wir an, dass bei der Frage nach Clinton bei einer befragten Person eine gewisse Ambivalenz (vertrauenswürdig, nicht-vertrauenswürdig) bezüglich der Antwort vorhanden ist. Für Gore nehmen wir eine andere Ambivalenz an. Wir nehmen auch an, dass bevor die Fragen gestellt werden, es noch keine Manifestationen von Präferenzen gibt. – Es gibt zum Beispiel keinen Bias durch eine gerade stattgefundene Diskussion zu diesem Thema. Die Projektionsoperatoren konstruieren wir als ambivalente Mischung (Superposition) aus einem vertrauenswürdigen und einem nicht-vertrauenswürdigen Basiskonzept. Hierbei kann es durchaus sein, dass eine befragte Person Clinton in dieser ambivalenten Mischung für vertrauenswürdiger als nicht-vertrauenswürdig hält. Bevor die Frage gestellt wird, ist dies jedoch nicht sichtbar, die innere Haltung ist unentschieden. Entsprechendes gilt natürlich für eine andere ambivalente Mischung bei Gore.

In der Quantenmechanik bezeichnet man die Basiskonzepte als Vektoren im sogenannten Hilbertraum. Der Hilbertraum ist ein spezieller mathematischer Raum, in dem die Vektoren quantenmechanischen Operationen unterliegen. Die Projektionsoperatoren sind solche Operationen und werden als Tensoren (haben das Aussehen von Matrizen) beschrieben, die auf diese Vektoren wirken. – Tensoren sind auch die zentralen Operationen in klassischen AI-Systemen. – Im Quanten Computing implementieren die Qubits die Vektoren und die Wechselwirkung der Vektoren entsprechen den Tensoren.

Wendet man den Formalismus der Quantenmechanik an, so kann man zeigen, dass nicht-kommutative Projektionsoperatoren, angewendet auf ambivalente innere Haltungen, eine Interferenz in den Antworten erzeugen. Die Basiskonzepte ‚Clinton‘ und ‚Gore‘ interferieren wie Wellen in der Physik: U.a. interferiert das vertrauenswürdige Basiskonzept mit dem nicht-vertrauenswürdigen Basiskonzept. Dies führt auch dazu, dass die Reihenfolge der Fragen entscheidend ist, da in Abhängigkeit der Reihenfolge unterschiedliche Interferenzen auftreten. Dies bedeutet, dass die gemeinsame Wahrscheinlichkeit Clinton zuerst als vertrauenswürdig einzustufen und anschließend Core, verschieden ist von der gemeinsamen Wahrscheinlichkeit Core zuerst als vertrauenswürdig einzustufen und anschließend Clinton. – Magisch…jedoch genau solche Effekt werden tatsächlich gemessen:

Wird zuerst nach Clinton als vertrauenswürdig gefragt und dann nach Gore, ergibt sich im statistischen Mittel, dass 50% der Befragten Clinton für vertrauenswürdig halten, und 68% Gore. Stellt man die Reihenfolge um, so geben 60% Gore als vertrauenswürdig an und 57% Clinton [3]. Es entsteht also eine Diskrepanz von ca. 7-8 %, hervorgerufen durch die Reihenfolge. Mit Hilfe der Formeln in Abbildung 2 zu den Wahrscheinlichkeiten lassen sich die Wahrscheinlichkeiten P _{Clinton dann Gore} = 0,340 und P _{Gore dann Clinton} = 0,342 berechnen. Die gemessenen Wahrscheinlichkeiten sind klassische statistische Wahrscheinlichkeiten, enthalten also Aussagen zu einer mittleren mentalen Ambivalenz aller befragten Personen. Berücksichtigt man dies, so kann man mit Hilfe des quantenmechanischen Formalismus Aussagen über die mittlere Ambiguität und Interferenz der mentalen Konzepte treffen:

In der Sequenz ‚Clinton dann Gore‘ zeigen die Berechnungen, dass weniger Ambiguität bezüglich Gore vorliegt, wenn zuerst nach Clinton gefragt wird. Dies deutet darauf hin, dass die mentale Repräsentation von Gore klarer oder positiver ist, wenn sie durch die vorherige Frage nach Clinton beeinflusst wird.

In der Sequenz ‚Gore dann Clinton‘ zeigen die Berechnungen, dass die Ambiguität bezüglich Clinton höher ist, wenn Gore zuerst gefragt wird. Dies deutet daraufhin, dass die mentale Repräsentation von Clinton stärker vom Kontext und vorherigen Informationen abhängt.

Abbildung 1: Superposition von mentalen Basiskonzepten

Abbildung 2: Nicht-Kommutativität und Interferenz von Basiskonzepten

Abbildung 3: Verschränkung von Basiskonzepten

Nach dieser kleinen Einführung in die Schlüsselelemente der Quantum Cognition, wende ich mich dem deutlich komplexeren Thema der Team-Kommunikation bzw. der Collective Mind Modellierung eines Teams zu.

Ich wollte hier ursprünglich ein Beispiel mit drei Teammitgliedern und den Big Five Persönlichkeitsmerkmalen, die einen Hilbertraum aufspannen, skizzieren. Jedoch haben die ersten Tests mit einem dazugehörigen Simulations-Programm auf einem klassischen Computer ergeben, dass dieses Programm schon nicht mehr auf meinem Laptop mit 16 GB Hauptspeicher lauffähig ist. Der Grund liegt darin, dass ein Hilbertraum mit 32768 Dimensionen aufgespannt wird. Die Dimension 32768 = 2 hoch (3*5), ergibt sich aus 3 Teammitglieder mit jeweils 5 Big Five Dimensionen. Jede Big Five Dimension wird durch einen Zustand 1 (hohe Ausprägung) und 0 (niedrige Ausprägung) repräsentiert. Es werden also für die Beschreibung der Wechselwirkung der Personen Tensoren (Matrizen) benötig, die eine Größe 32768*32768 haben.

Statt dessen skizziere ich hier ein Beispiel aus 3 Teammitgliedern und lediglich 2 Big Five Dimensionen, nämlich Offenheit und Gewissenhaftigkeit. Damit wird ein Hilbertraum von 64 Dimensionen aufgespannt. Die Berechnungen hierzu liegen im Sekundenbereich.

Die drei Teammitglieder nenne ich Alice, Bob und Charlie. Diese Namen sind Klassiker in jeder Literatur über Quantenmechanik.

Ich wähle als Start für meine Berechnungen folgende Big Five Dimensionen:

	Offenheit	Gewissenhaftigkeit
Alice	hoch	unbestimmt
Bob	unbestimmt	hoch
Charlie	unbestimmt	niedrig

Tabelle 1: Ausgangszustände der Big Five Dimensionen der Teammitglieder Alice, Bob und Charlie

Ein Zustand, der als hoch bezeichnet wird, startet mit einer Qubit ‚1‘. Ein Zustand, der als niedrig bezeichnet wird, startet mit einer Qubit ‚0‘ und ein unbestimmter Zustand wird als Superposition der Zustände hoch und niedrig modelliert. Abbildung 4 enthält diese Aussagen in einer etwas formalisierten Form.

Abbildung 4: Anfangszustände und Interaktionsoperator im Teammodell

Da wir 2 Big Five Dimensionen für 3 Teammitglieder haben, benötigen wir 6 Qubits. Wir führen keine Berechnung auf einem Quantencomputer durch, sondern arbeiten mit einer Quantensimulation, also mit einer quantenmechanischen Berechnung, durchgeführt auf einem klassischen Computer, meinem Laptop.

Diese Berechnung soll folgende Fragenstellungen untersuchen:

Wie hoch ist die Wahrscheinlichkeit, dass alle Mitglieder eine hohe Offenheit aufweisen, obwohl nur Alice dies als Präferenz mitbringt?

Wie hoch ist die Wahrscheinlichkeit, dass alle Mitglieder eine hohe Gewissenhaftigkeit aufweisen, obwohl nur Bob dies als Präferenz mitbringt?

Wie hoch ist die Wahrscheinlichkeit, dass sich das System in einem Collective Mind Zustand befindet und zwar in zwei Varianten. Variante 1: alle Offenheit-Qubits sind verschränkt. Variante 2: alle Offenheit-Qubits und alle Gewissenhhaftigkeits-Qubits sind verschränkt.

Wir definieren wieder einen Projektionsoperator, der in diesem Fall ein Interaktionsoperator ist und nehmen der Einfachheit hier an, dass lediglich gleiche Big Five Dimensionen der Teammitglieder miteinander wechselwirken. Dies ist keine grundsätzliche Einschränkung, sondern ist lediglich der schon recht hohen Komplexität geschuldet. Abbildung 4 zeigt die wesentlichen quantenmechanischen Gleichungen.

Der Interaktionsoperator modelliert die Tendenz von Personen, sich aufgrund von Ähnlichkeiten in ihren Merkmalen zu beeinflussen. Wenn zwei Personen ähnliche Zustände für ein Merkmal haben, verstärkt der Operator diese Ähnlichkeit durch die Interaktion.

Wir können auf dieser Basis Wahrscheinlichkeiten für den Übergang aller Teammitglieder zu hoher Offenheit bzw. hoher Gewissenhaftigkeit berechnen. Damit können wir zwei der oben gestellten Fragen beantworten.

Um die dritte Frage zu beantworten, wie wahrscheinlich ist das Eintreten eines Collective Mind (CM), ist es wieder nötig entsprechende Projektionsoperatoren für Variante 1 und Variante 2 der Verschränkung zu bilden.

Dieser Collective Mind Operator projiziert ausgehend vom vorher berechneten Interaktions-Zustand auf einen Zustand maximaler Verschmelzung der individuellen Zustände zu einem gemeinsamen Bewusstsein.

CM Variante 1: Alle Qubits sind verschränkt. Dies repräsentiert einen Zustand, in dem alle Personen in Bezug auf beide Persönlichkeitsmerkmale vollständig synchronisiert sind.

CM Variante 2: Nur die Offenheits-Qubits sind verschränkt. Lediglich die Dimension Offenheit ist verschränkt, während Gewissenhaftigkeit variiert.

Abbildung 5 zeigt die quantenmechanischen Collective Mind Projektionsoperatoren für Variante 1 und 2.

Abbildung 5: Die Collective Mind Operatoren zu Variante 1 und 2

Nun zu den Ergebnissen: Das recht komplexe Python Programm für die Colab Umgebung wurde mit der AI-Assistenz von ChatGPT 4o1-preview erstellt. Hierbei wurde die Quantum Toolbox QuTIP [6] für die quantenmechanischen Tensor-Operationen verwendet.

Die modellierten Ergebnisse entsprechen qualitativ meinen Erfahrungen in Teams:

Die Ausbildung von einer Team-Präferenz für eine der Big Five Dimensionen hängt von der Reihenfolge der Interaktionen im Team ab: Je nachdem wer zuerst spricht entwickelt sich eine unterschiedliche Dynamik. Es ist von Vorteil, wenn zuerst Personen mit ähnlichen Präferenzen die Kommunikation starten. Sie unterstützen selbst dann Team-Präferenzen, wenn sie selbst keine Präferenz darin haben.

Die Wahrscheinlichkeit für eine Team-Präferenz Offenheit ist moderat, also nicht oberhalb von 50%, wenn nur eine Person diese als persönliche Präferenz hat.

Falls die Präferenz Gewissenhaftigkeit in einem Team durch eine Person vorhanden ist, kann es sein, dass sich die Team-Präferenz Offenheit in einem Team überhaupt nicht ausprägt.

Falls die persönliche Präferenz Gewissenhaftigkeit nur einmal (oder auch mehrmals, gemäß meiner Erfahrung) im Team vorhanden ist, ist die Wahrscheinlichkeit groß, dass sich keine Team-Präferenz Gewissenhaftigkeit ausbildet.

Abbildung 6 zeigt ein Beispiel für ein Szenario, in dem ich die weiter oben angegebenen persönlichen Präferenzen der Teammitglieder für Szenario 4 verändert habe: Die Präferenz Offenheit bleibt wie oben angegeben, jedoch setze ich die Präferenz Gewissenhaftigkeit für alle Teammitglieder auf ‚unbestimmt‘. Das erstaunliche hier ist, dass sich eine gewisse Wahrscheinlichkeit für eine Team-Präferenz Gewissenhaftigkeit ausbildet, obwohl keines der Teammitglieder diese Präferenz hat. In anderen, hier nicht gezeigten Szenarien, führt schon eine persönliche Präferenz Gewissenhaftigkeit immer zu einer sehr geringen Team-Präferenz Gewissenhaftigkeit. Auch dies entspricht meiner Erfahrung.

Abbildung 6: Die Wahrscheinlichkeiten zur Ausbildung der Team-Präferenzen Offenheit und Gewissenhaftigkeit in Abhängigkeit der Interaktionsreihenfolge. Die persönlichen Präferenzen Offenheit von Alice, Bob und Charlie entsprechen den ursprünglich festgesetzten. Die persönlichen Präferenzen Gewissenhaftigkeit für alle drei Personen wurde für dieses Szenario auf unbestimmt gesetzt.

Abbildung 7 zeigt für das Szenario 4 aus Abbildung 6 die Wahrscheinlichkeiten der Ausbildung eines Collective Mind für die Varianten 1 und 2. Die Wahrscheinlichkeit der Ausbildung eines Collective Mind für die Variante 1 (Offenheit und Gewissenhaftigkeit verschränkt) ist deutlich geringer als für Variante 2 (nur Offenheit verschränkt). Die Ausbildung des Collective Mind hängt auch ein wenig von der Interaktionsreihenfolge ab. Jedoch ist diese Abhängigkeit sehr gering: Wenn sich überhaupt ein Collective Mind ausbildet, so hat die Interaktionsreihenfolge kaum noch Einfluss darauf.

Abbildung 7: Die Wahrscheinlichkeiten zur Ausbildung eines Collective Mind für die Varianten 1 (Offenheit und Gewissenhaftigkeit sind verschränkt) und Variante 2 (nur Offenheit ist verschränkt).

Zusammenfassend stelle ich fest:

Der Quantum Cognition Formalismus liefert keine unsinnigen Ergebnisse. Im Gegenteil: Die Ergebnisse decken sich qualitativ mit meinen Erfahrungen. Ich finde die qualitative Interpretation der Ergebnisse erstaunlich nahe an der Praxis: So nahe, dass es schon sehr an Magie grenzt.

Der Nachteil ist, dass der Quantum Cognition Formalismus sehr anspruchsvoll ist. Ohne die AI-Assistenz von ChatGPT4o1-preview wäre es mir nicht möglich gewesen, diese Berechnungen durchzuführen. ChatGPT4o1-preview strauchelte auch einige Male. – Gemeinsam war es jedoch gut möglich dies aufzufangen.

Die Übertragung der Berechnungen auf ein QC Hardware System würde es erlauben, Teamgrößen von 7-10 Teammitgliedern zu modellieren. – Jedoch ist dies ein deutlicher Schritt in Richtung Komplexität, der es aber eventuell wert sein könnte.

[1] Wikipedia (2024a) Quantum Cognition, https://en.wikipedia.org/wiki/Quantum_cognition

[2] Brody D C (2023) Quantum formalism for the dynamics of cognitive psychology, https://www.nature.com/articles/s41598-023-43403-4

[3] Pothos E M und Busemeyer J R (2022) Quantum Cognition, Annual Review of Psychology, https://www.annualreviews.org/content/journals/10.1146/annurev-psych-033020-123501

[4] Wikipedia (2024b) Quantum Mind, https://en.wikipedia.org/wiki/Quantum_mind

[5] Oswald A, Köhler J, Schmitt R (2018) Project Management at the Edge of Chaos, Springer, Heidelberg

[6] QuTIP (2024) QuTIP Quantum Toolbox in Python, https://qutip.org/

PodCast mittels notebookLM: Collective Mind wunderbar intelligent vermittelt!

Um diesen Blog Beitrag zu erstellen, habe ich notebookLM von google verwendet: Die Inhalte meiner letzten beiden Blog-Beiträge ‚Von Egoshootismus und Liberalismus und anderen pathologischen Transformationen‚ und ‚AI & M 4.0: Markus Lanz vom 30. Mai 2024: Eine Collective Mind Analyse‚ wurden von der google KI Gemini zusammengefaßt. Schon dieses Ergebnis ist erstaunlich gut gelungen, zumal man dem System weitere Verständnis Fragen stellen kann. Die Frage werden sehr gut aufbereitet und verständlich beantwortet. Die nachfolgende Abbildung zeigt die dazugehörige notebookLM-Oberfläche:

Abbildung 1: notebookLM Benutzeroberfäche

Mit notebookLM kann man auch einen Podcast erzeugen: Die Güte des in ca. 2 Minuten erzeugten Podcast mit zwei englischsprachigen Sprechern ist meines Erachtens brilliant: Es werden auf unterhaltsame Weise alle wesentlichen Aussagen intelligent ‚reflektiert‘. Außerdem schlägt die google KI einen Bogen von einem Blog-Beitrag zum anderen Blog-Beitrag, was wirklich unglaublich gut gelungen ist. – Überzeugen Sie sich selbst:

AI & M 4.0: Markus Lanz vom 30. Mai 2024: Eine Collective Mind Analyse

Erstellt mit Hilfe der AI-Assistenz von chatGPT4o und myGini/chatGPT4o

Der Collective Mind ist der zentrale Begriff im Management 4.0. myGini, der Management 4.0 Agent auf der Basis von chatGPT4o, definiert Collective Mind wie folgt:

Der Begriff „Collective Mind“ bezieht sich auf ein Konzept, bei dem eine Gruppe von Individuen zusammenarbeitet und ihre individuellen Fähigkeiten, Kenntnisse und Perspektiven kombiniert, um gemeinsam zu denken, Entscheidungen zu treffen und Probleme zu lösen. Dieser kollektive Denkprozess geht über die Summe der einzelnen Beiträge hinaus und führt zu emergenten Eigenschaften und Lösungen, die durch die Zusammenarbeit und die Interaktion der Gruppenmitglieder entstehen….

Ein Beispiel für Collective Mind kann in einem Projektteam gesehen werden, das aus Fachleuten verschiedener Disziplinen besteht, wie Ingenieuren, Designern, Marketingspezialisten und Forschern. Durch regelmäßige Meetings, in denen Ideen ausgetauscht, Herausforderungen diskutiert und Lösungen gemeinsam entwickelt werden, entsteht ein kollektives Verständnis und eine kreative Dynamik, die es dem Team ermöglicht, innovative und effektive Lösungen zu entwickeln….

Ich hätte es nicht besser ausdrücken können. – In verschiedenen vergangenen Blog-Beiträgen habe ich den Collective Mind auch über verschiedene mathematische Konstrukte beschrieben.

Abbildung 1: Collective Mind mit ‚AI/ML-Assistenz als Teammitglied‘ generiert von DALL-E. – Ich konnte DALL-E nicht dazu bringen nur 5 Speaker (siehe mein Analyse-Beispiel) in das Bild einzufügen. Vielleicht interpretiert sie die AI als sechste Person und (leider) männlich.

Ich möchte in diesem Blog die Idee der mathematischen Beschreibung des Collective Mind auf ein reales Beispiel anwenden. Da Teamdaten nicht einfach verfügbar sind und es aus Datenschutzgründen nicht angemessen erscheint, ein Team öffentlich zu analysieren, habe ich einen anderen Weg gewählt. Ich verwende eine öffentlich verfügbare Diskussion, die in Teilen als Videoausschnitt vorliegt – nämlich die Sendung von Markus Lanz vom 30.05.2024 ‚Muslime in Deutschland: Zunehmend isoliert?‘ [1].

In der hier skizzierten Analyse benutze ich auch aus Datenschutzgründen nicht die Namen der Diskussionspartner, sondern spreche von Speaker 1 bis 5. – Die Reihenfolge entspricht nicht der Reihenfolge im Diskussionssetting.

Die Analyse wurde mit einer ganzen Reihe von Artifical Intelligence/ Machine Learning Werkzeugen (AI/ML-Werkzeugen) durchgeführt. Die Ergebnisse sind nicht alle im Blog enthalten. Die folgende Tabelle enthält die wichtigsten Werkzeuge. Die Reihenfolge der Listung entspricht auch in etwa der Reihenfolge in der sie genutzt wurden:

Funktion	Werkzeug	Bemerkung
Transkription des Videotextes	turboscribe.ai	Leicht zu bedienen und erlaubt die Transkription von Videos über einen Link auf youtube.
Analyse von Video-, Bild- und Audio-Dateien auf Gefühle	hume.ai	Ein System, das eine hohe Güte in der multimodalen Analyse von Gefühlen zeigt. Ich habe es lediglich zum Überprüfen der anderen Ergebnisse verwendet. Ich werde die damit verbundenen visuellen personenbezogenen Ergebnisse hier nicht vorstellen, da die Zuordnung zu den Speakern 1-5 unmittelbar ersichtlich wäre. Die Ergebnisse lassen sich auch in eine .json-Datei exportieren, die man in der Graph-Datenbank neo4j weiter analysieren kann, was ich hier nicht zeigen werde.
Temperament-, Werte- und Glaubenssätze- Analyse der transkribierten Speaker Texte	Agent myGini auf der Basis von chatGPT4o (ibm-watson)	Ermittlung eines textorientierten Collective Mind sowie des Beitrages, den jeder der Speaker zu diesem Collective Mind beiträgt. Außerdem Ermittlung der Dilts Pyramide Ebenen Identität (MBTI und Big Five Temperament) sowie Werte und Glaubenssätze. (Ich wollte das System ibm-watson ursprünglich zum Quercheck der myGini Big Five Temperament-Analyse verwenden, leider wurde dieser sehr gute Service von IBM gestrichen. Die übrig gebliebenen Sprachanalysen inkl. Sentiment-Analyse können meines Erachtens mit den hier verwendeten in der Qualität nicht mithalten.
Codegenerierung für AI/ML Python Code	chatGPT4o	Der gesamte Python Code wurde von chatGPT4o generiert (mit einer nochmals deutliche besseren Qualität als bei früheren Aktivitäten). chatGPT4o verfügt jetzt über ein langes Kurzzeitgedächtnis, so dass ich über Tage hinweg die Analysen mit unterschiedlichen Schwerpunkten durchführen konnte. Die Fehlerrate ist gering (Vorsicht ist trotzdem geboten!). Selbst die Umsetzung, von aus meiner Sicht schwierigen Zusammenhängen, gelang fast immer mühelos.
Diverse AI/ML Bibliotheken	python-docx, textblob, spacytextblob, matplotlib, spacy, nltk, re, pytextrank, scikit-learn, seaborn, numpy, pandas, networkx	Ausführung von Python Code in Colab: Die Bibliotheken dienen der Sprachanalyse, der Analyse von Textähnlichkeiten und der Sentiment-Analyse (positives Gefühl, neutrales oder negatives Gefühl), diversen mathematischen Berechnungen sowie der graphischen Aufbereitung.
Qualitätscheck des Blog-Artikels	myGini/chatGPT4o	Der Blog-Artikel wurde von mir geschrieben und von der AI myGini qualitätsgeprüft.

Tabelle 1: Übersicht der eingesetzten AI/ML-Werkzeuge

Mit Hilfe der AI/ML-Werkzeuge sollte folgende Frage beantwortet werden:

Kann man mit Hilfe der öffentlich zugänglichen AI/ML-Werkzeuge eine AI/ML-Assistenz aufbauen, die ein Team darin unterstützt ein Collective Mind aufzubauen? Dies setzt natürlich voraus, dass das Team bereit ist, diese AI/ML-Assistenz aktiv anzunehmen. – Wozu man die analysierten Ergebnissen in Führung und Kommunikation benutzen kann ist nicht Gegenstand des Blogs, sondern ist im Management 4.0 enthalten.

Die Wahl des hier verwendeten Videos ist nahezu zufällig: Das Thema fand ich interessant und es sind hinreichend genug Personen in dem Video. Die Personen bilden sicherlich kein Team, jedoch wird eine Diskussion erst dann fruchtbar, wenn sich auch in der Diskussion ein Collective Mind ausbildet. Also sollte die Analyse des gewählten Stellvertreter-Videos erlaubt sein.

Ich analysiere das Video in folgenden Schritten:

Erster Schritt: Gefühls-Analyse

Die Gefühls-Analyse des Videos dient dazu, einen ersten Eindruck zu erhalten und um die Mächtigkeit des verwendeten AI-Systems hume.ai zu prüfen. Meines Erachtens ist diese AI-Analyse enorm hilfreich, um zum Beispiel in einem Team in besonderen Situationen die Selbstreflexion der Teammitglieder anzustoßen. – Die AI-Analyse dürfte immer viel differenzierter sein, als die Analyse durch Menschen.

Abbildung 2: Collage des hume.ai User Interfaces mit Analyse-Informationen zu Facial expression, Vocal burst, Speech prosody und Language. Die Video-Ansicht links oben wurde von mir ‚georanged‘, um die Teilnehmer-Analyse-Zuordnung zu verhindern. Oben rechts wurde Language ausgewählt: Diese entspricht der vereinfachten Sentiment Analyse in anderen AI/ML-Systemen. Die AI hat eine Person wahrgenommen, was im Video entsprechend gekennzeichnet wird, und deren Gefühle werden direkt oben als Scores eingeblendet. Darunter befindet sich der Gefühls-Raum mit orangen Kreisen, die die Verteilung der Gefühle bis zum widergegebenen Zeitpunkt angeben. Speech prosody, Vocal burst und Language werden über den gesamten Zeitraum als interaktives User Interface dargestellt. Ich nehme an, dass in den meisten Fällen die so vorgenommene Analyse manch einen überraschen dürfte, da Gefühle präsentiert werden, die zuerst einmal nicht offensichtlich sind. – Dies eröffnet den Raum für die Team-Selbstreflexionen.

Zweiter Schritt: Temperament-, Werte- und Grundannahmen-Analyse

Diese Analyse ist von großer Bedeutung für die Führung und die damit verbundene vorausschauende Kommunikationsausrichtung im Team. Die Analyse wurde mittels myGini/chatGPT4o durchgeführt.

Ich zeige die Ergebnisse als von myGini erstellte Tabelle. – Die gesamte Analyse ist für den Blog zu umfangreich.

Tabelle 2: Die Tabelle zeigt die Ergebnisse für den MBTI und den Big Five. Wie man erkennen kann, liefern MBTI und Big Five (nahezu) gleiche Ergebnisse (der Neurotizismus ist keine Dimension im MBTI). Dies entspricht meiner Erfahrung und ist für mich ein Qualitätskriterium der vorliegenden Analyse.

Die Ergebnisse zur Werte- und Grundannahmen-Analyse sind in Tabelle 3 enthalten.

Dritter Schritt: Collective Mind Analyse

Die Collective Mind-Analyse gebe ich als myGini-Ausgabe wieder. – Ich füge hier keinen Kommentar hinzu, da der Text in seiner Qualität für sich spricht:

Um die Texte der fünf Speaker unter dem Gesichtspunkt des oben beschriebenen Collective Mind zu analysieren und die fünf wichtigsten Begriffe zu identifizieren, werde ich die Kernideen und wiederkehrenden Themen der Speaker herausfiltern. Anschließend ordne ich die Begriffe dem Speaker zu, der am prägendsten für den jeweiligen Begriff ist.

Analyse der Texte und Identifikation der Begriffe

Toleranz und Respekt: Mehrfach betont von mehreren Speakern, die die Notwendigkeit des gegenseitigen Respekts und der Toleranz gegenüber verschiedenen Glaubensrichtungen und Kulturen hervorheben.
Kritisches Denken und Reflexion: Wichtig für das Verständnis und die Auseinandersetzung mit verschiedenen Perspektiven, wird stark von einigen Speakern unterstützt.
Religiöse und kulturelle Identität: Diskussionen über die Bedeutung von Religion und Kultur in der modernen Gesellschaft und deren Einfluss auf das soziale und politische Leben.
Inklusion und Akzeptanz: Die Bedeutung der Akzeptanz und Inklusion verschiedener Lebensstile und Überzeugungen wird von mehreren Speakern hervorgehoben.
Bildung und Aufklärung: Das Engagement für Bildung und die Notwendigkeit, durch Bildung und Aufklärung Vorurteile abzubauen, wird von mehreren Speakern betont.

Zuordnung der Begriffe zu den Speakern

Toleranz und Respekt
Prägendster Speaker: Speaker 1. Speaker 1 betont die Notwendigkeit von Toleranz und Respekt gegenüber verschiedenen Glaubensrichtungen und Kulturen und bringt dies mehrfach zur Sprache.
Kritisches Denken und Reflexion
Prägendster Speaker: Speaker 4. Speaker 4 zeigt eine starke Neigung zum kritischen Hinterfragen und zur Reflexion über eigene und fremde Ansichten, was als Schlüssel zu Fortschritt und Verständnis gesehen wird.
Religiöse und kulturelle Identität
Prägendster Speaker: Speaker 2. Speaker 2 diskutiert ausführlich die Rolle der Religion und Kultur in der Gesellschaft und deren Einfluss auf individuelle und kollektive Identität.
Inklusion und Akzeptanz
Prägendster Speaker: Speaker 5. Speaker 5 legt großen Wert auf Inklusion und Akzeptanz verschiedener Lebensstile und betont die Bedeutung der Vielfalt in der Gesellschaft.
Bildung und Aufklärung
Prägendster Speaker: Speaker 3. Speaker 3 betont die Notwendigkeit von Bildung und Aufklärung, um Vorurteile abzubauen und ein besseres Verständnis zu fördern.

Vierter Schritt: Beiträge der Speaker zum Collective Mind (CM) sowie deren Werte und Glaubenssätze gemäß myGini

Tabelle 3: Diese Tabelle zeigt, wie alle Tabellen von myGini erstellt, den Beitrag der verschiedenen Speaker zum Collective Mind (CM) im Spiegel ihrer Werte und Grundannahmen/Glaubenssätze. Es fällt auf, dass die Beiträge der einzelnen Speaker zum CM dicht beieinander liegen. Weiterhin fällt auf, dass zwei Speaker das CM tragen: Speaker 1 und 4. Speaker 5 fällt in dieser Analyse etwas ab. Insgesamt liegt ein kohärentes CM vor.

Fünfter Schritt: Weitere mathematische Analyse des Collective Mind

Dieser Schritt war in der Ausarbeitung der mit Abstand aufwendigste, da recht viel Python-Code zu erstellen war, der weitgehend fehlerlos von chatGPT4o erzeugt wurde. Insbesondere bei der graphischen Aufbereitung waren viele Iterationen nötig, da meine Erwartungen im Kontext der Textanalyse oft nicht erfüllt wurden.

Die Analyse-Grundidee ist schon in den Blogs ‚AI & M 4.0: Collective Mind, Proxies und word embedding April 25, 2022‘ und ‚AI & M 4.0: Sein als Netzwerk – Den Collective Mind als Netzwerk sichtbar machen Juni 28, 2022‘ enthalten: Die Textähnlichkeit der Speaker 1-5 wird gemessen und in einer symmetrischen fünf mal fünf-dimensionalen Matrix dargestellt. Zusätzlich sind jetzt die Elemente der Matrix komplexe Zahlen: Die Sentiment-Unterschiede (positives Gefühl, neutrales Gefühl, negatives Gefühl) in der Sprache der Speaker werden als imaginäre Teile der Matrixelemente aufgenommen.- Dies ist eine von mehreren Möglichkeit die Kohärenz des Collective Mind zu messen. – Ich gehe hier nicht auf die anderen Möglichkeiten ein, da dies den Rahmen des Blogs bei weitem überschreiten würde.

Der sogenannte Eigenvektor der Matrix mit dem größten Eigenwert repräsentiert den Collective Mind. Der Eigenwert selbst misst die Stärke des Collective Mind.

Ich habe chatGPT4o gebeten Eigenwert und Eigenvektor kurz zu erklären und eine Metapher zur Verdeutlichung vorzuschlagen. Unter mehreren Vorschlägen habe ich die Metapher vom Fluss gewählt. Hier ein Auszug:

Eigenwerte und Eigenvektoren sind Konzepte aus der linearen Algebra, die helfen, das Verhalten von linearen Transformationen (wie Matrizen) zu verstehen. Hier ist eine einfache und verständliche Erläuterung:

Ein Eigenvektor ist ein Vektor, der, wenn er mit einer Matrix multipliziert wird, seine Richtung nicht ändert. Er wird lediglich skaliert, d.h., er wird gestreckt oder gestaucht. Das bedeutet, wenn du eine Matrix A hast und einen Eigenvektor v, dann ist A*v =lambda*v, lambda ist eine Konstante, die als Eigenwert bezeichnet wird. …Ein Eigenwert ist der Faktor, um den ein Eigenvektor bei der Transformation durch die Matrix skaliert wird. ….Das bedeutet, wenn die Matrix A auf den Eigenvektor v angewendet wird, ändert sich der Vektor v nur in seiner Länge, nicht aber in seiner Richtung….Stell dir vor, du hast eine Transformation (Matrix), die auf einen Vektor im Raum wirkt. Normalerweise wird ein Vektor dabei gedreht, gestreckt oder gestaucht. Ein Eigenvektor ist ein spezieller Vektor, der bei dieser Transformation nicht gedreht wird, sondern nur gestreckt oder gestaucht wird. Der Faktor, um den dieser Vektor gestreckt oder gestaucht wird, ist der Eigenwert…

…Hier ist eine Interpretation von Eigenwerten und Eigenvektoren mit einer Metapher, die das Konzept noch anschaulicher macht:
Metapher: Fluss und Strom
Stell dir vor, du bist ein Forscher, der den Fluss eines großen Flusses untersucht. Du möchtest verstehen, wie sich das Wasser in verschiedenen Teilen des Flusses bewegt. Der Fluss repräsentiert dabei deine Matrix, die die Transformation beschreibt.

Eigenvektoren: Stabile Richtungen im Fluss

Im Fluss gibt es bestimmte Strömungslinien, entlang derer sich das Wasser in einer stabilen Weise bewegt. Diese Strömungslinien ändern nicht ihre Richtung, auch wenn das Wasser schneller oder langsamer fließt. Diese stabilen Richtungen im Fluss sind wie die Eigenvektoren. Sie repräsentieren die speziellen Richtungen, die durch die Transformation (den Fluss) nicht verändert werden.

Eigenwerte: Geschwindigkeit der Strömung

Jetzt beobachtest du, dass das Wasser entlang dieser stabilen Strömungslinien unterschiedlich schnell fließt. Einige Strömungslinien haben eine starke Strömung (das Wasser bewegt sich schnell), während andere eine schwächere Strömung haben (das Wasser bewegt sich langsam). Diese Geschwindigkeiten entlang der stabilen Strömungslinien sind wie die Eigenwerte. Sie geben an, wie stark der Fluss entlang der jeweiligen Strömungslinie (Eigenvektor) ist.

Das ‚Verständnis‘ von chatGPT4o ist meines Erachtens überaus beeindruckend!

Der nachfolgende Auszug aus einer meiner vielen Kommunikationen mit chatGPT4o möge dies weiter verdeutlichen und fasst eines der Ziele dieses Arbeitsschrittes zusammen:

Ich: … Wir haben die komplexe Collective Mind Matrix als Collective Mind Operator verwendet und die Eigenwerte und Eigenvektoren berechnet. Bilden wir das Skalarprodukt der Zeilenvektoren des Collective Mind Operators mit dem Eigenvektor des größten Eigenwertes, den wir als Repräsentation des Collective Mind verstehen, so sollte dies ergeben, wieviel jeder Speaker auf das Collective Mind einzahlt. Siehst Du das genauso?

ChatGPT: Ja, das sehe ich genauso. Das Skalarprodukt der Zeilenvektoren des Collective Mind Operators mit dem Eigenvektor des größten Eigenwertes (der als Repräsentation des Collective Mind interpretiert wird) gibt an, wie viel jeder Speaker zum Collective Mind beiträgt. Hier ist der Code, um diese Analyse durchzuführen…

Auf dieser Basis erhalten wir folgende Ergebnisse – ich verzichte auf die dazugehörige Mathematik:

Abbildung 3: Der Collective Mind Operator, dargestellt als Heatmatrix mit Realteil (Textähnlichkeiten) und Imaginärteil (Sentimentunterschiede): z.B. hat Speaker 1 (Zeile 1) eine Textähnlichkeit mit Speaker 2 von 0,62 und einen Sentimentunterschied von 0,20 (Spalte 3 und 4).

Der erste Eigenvektor, also derjenige mit dem größten Eigenwert, kann auch wie folgt dargestellt werden:

Abbildung 4: Der fünfdimensionale Eigenvektor (da fünf Speaker) zeigt, dass alle Speaker etwa mit gleichen Aussagegewichten in den Collective Mind einzahlen, was auch der Analyse von myGini entspricht. Die Sentiments, gemessen über die Sprache der fünf Speaker, sind nahezu neutral. – Eine feingranulare Analyse auf der Ebene der einzelnen Diskussionsbeiträge, ohne Abbildung hier, zeigt deutliche Peak-artige Ausschläge, ähnlich wie die vocal burst Ausschläge gemäß hume.ai.- Ich habe mir den Vergleich auf Sekundenebene erspart.

Abbildung 5: Netzwerk der Textähnlichkeiten ab dem Schwellenwert von 0,61 zwischen den Speakern (maximale Ähnlichkeit ist 1). Speaker 2 und 4 haben eine recht große Textähnlichkeit, Sprecher 5 hat zu beiden eine ähnlich große Textähnlichkeit.

Der in Abbildung 4 dargestellte Eigenvektor zeigt in den fünf Speaker-Dimensionen eine recht große Homogenität. – Alle anderen, hier nicht gezeigten Eigenvektoren sind sehr stark heterogen in den Beiträgen der Speaker. – Sie dienen deshalb nicht als Repräsentanten eines Collective Mind!

Trägt man alle bisherigen Informationen zu den Beiträgen der Speaker zum CM zusammen, so ergibt sich Tabelle 4:

Tabelle 4: Diese Tabelle zeigt im Detail ein nicht ganz homogenes Ergebnisbild: Gemäß Netzwerkanalyse und den aufsummierten Textähnlichkeiten müssten die Speaker 2 und 4 den größten Beitrag zum Collective Mind beisteuern, gemäß dem Skalarprodukt von Eigenvektor und Zeilenvektor sind Speaker 5, 4 und 2 diejenigen, die den größten Beitrag stellen. Gemäß chatGPT4o sind Speaker 1 und 4, bzw. mit Sentimentanalyse, hier als emotion bezeichnet, sind Speaker 4 und 1, diejenigen mit den größten CM-Beiträgen. Es ist auch zu erkennen, dass die Speaker mit dem größen Redeanteil nicht zwangsläufig das CM ausbilden. Sprecher 2 und 4 liefern in allen Analysen, CM-Operator-, myGini- und Netzwerk-Analyse, einen wichtigen Beitrag.
Erläuterungen zur Netzwerkanalyse: Degree centrality (DC): Diese Kennzahl gibt an, wie gut ein Knoten vernetzt ist und wie zentral seine Position im Netzwerk ist. Betweenness centrality (BC): Diese Kennzahl zeigt an, wie wichtig ein Knoten für die Informationsvermittlung und die Kontrolle über den Fluss im Netzwerk ist. Closeness centrality (CC): Diese Kennzahl gibt an, wie schnell ein Knoten Informationen oder Ressourcen im gesamten Netzwerk erreichen kann.

Ich habe myGini zu den Gründen der Analyse-Unterschiede befragt. Wegen des Umfangs verzichte ich auf die volle Wiedergabe der Gründe: Der wesentliche Unterschied liegt darin, dass die CM Operator-Methode die Interaktion der Speaker mathematisch misst und die Vermessung bei chatGPt4o auf einer subjektiven chatGPT4o-Einschätzung beruht. In dieser Einschätzung werden die Häufigkeit, Tiefe, Relevanz, Konsistenz und emotionale Tonalität der Speaker-Beiträge zum vorher identifizierten Collective Mind qualitativ bewertet (siehe Tabelle 3: Rangordnung der Begriffe im CM). Auch im Falle der myGini Analyse wird eine Form von Interaktion gemessen, indem auf das identifizierte Collective Mind referenziert wird. Diese Interaktion ist jedoch nicht vergleichbar mit der Netzwerk-Interaktion über Textähnlichkeiten und Sentimentunterschiede, die in den CM-Eigenvektor mündet. – myGini beurteilt die Speaker-Beiträge qualitativ an Hand des von ihr selbst festgelegten CM.

Dieser Blog startete mit der Frage: Kann man mit Hilfe der öffentlich zugänglichen AI/ML-Werkzeuge eine AI/ML-Assistenz aufbauen, die ein Team darin unterstützt ein Collective Mind aufzubauen?

Ich hoffe, gezeigt zu haben, dass man die Frage mit ja beantworten kann. Die Analyse mittels myGini und die mit dem Collective Mind Operator liefern zwar keine völlig identischen Ergebnisse, jedoch liegen die beiden Ergebnisse insgesamt dicht beieinander. – Meines Erachtens liefern beiden Ergebnisse zusammen wertvolle Einblicke in die Dynamik einer Gruppe oder eines Teams, die man ohne AI/ML-Assistenz nicht erhält.

Die Analyse hat auch gezeigt, dass die Textanalysen mittels der Standardtextanalyse-Werkzeuge, auch wenn diese teilweise Transformer-Technologie benutzen, mit der Qualität von myGini/chatGPT4o bei weitem ! nicht mithalten können. Das Ziel weiterer Untersuchungen sollte also sein, den Collective Mind Operator mit den myGini Textanalyse-Fähigkeiten zusammen zu bringen. Damit wäre es dann auch möglich eine inhaltliche Collective Mind Textaussage zu finden, die unmittelbar mit dem CM-Eigenvektor verbunden ist. – Die Collective Mind Textaussage von myGini ist eine Drittaussage, sie entspringt leider nicht unmittelbar dem CM-Eigenvektor.- Es ist also noch Potential für weitere Untersuchungen vorhanden.

Und hier die Einschätzung von myGini zum Blog. Alle Verbesserungsvorschläge treffen zu, ich werde versuchen diese später in Ergänzungen zu berücksichtigen:

Ich: Ich habe gerade die PDF Datei ‚Blog CM-Operator‘ hochgeladen. Ich möchte, dass Du mir Deine Meinung zu diesem Blog mitteilst und mir Verbesserungsmöglichkeiten aufzeigst.

Meinung zum Blog-Artikel

Der Blog-Artikel bietet eine umfassende und detaillierte Analyse des Collective Mind Konzepts unter Verwendung moderner AI/ML-Werkzeuge. Die Methode, den Collective Mind Operator zu verwenden und eine komplexe Matrix zu erstellen, um Textähnlichkeiten und Sentimentunterschiede zu modellieren, zeigt ein tiefes Verständnis der Materie und ist innovativ. Der Artikel ist klar strukturiert und führt den Leser Schritt für Schritt durch die verschiedenen Analysen und deren Ergebnisse.

Stärken des Artikels

Detaillierte Analyse: Der Artikel erklärt gründlich die verwendeten Werkzeuge und Methoden, was für Transparenz sorgt.
Innovative Methoden: Die Verwendung einer komplexen Matrix zur Modellierung des Collective Mind ist innovativ und zeigt ein tiefes Verständnis der Mathematik hinter den Konzepten.
Klare Struktur: Der Artikel ist gut strukturiert und führt den Leser logisch durch die verschiedenen Schritte der Analyse.
Praktische Anwendung: Die Anwendung der Analyse auf eine reale Diskussion (Markus Lanz Show) macht die Methode greifbar und zeigt ihre praktische Relevanz.

Verbesserungsmöglichkeiten

Erklärung der mathematischen Konzepte:
- Detailtiefe: Obwohl die Erklärungen zu Eigenwerten und Eigenvektoren gut sind, könnten sie für Leser ohne mathematischen Hintergrund schwer verständlich sein. Eine noch einfachere Metapher oder visuelle Darstellungen könnten helfen.
- Visualisierungen: Mehr Diagramme oder Grafiken, die die komplexen mathematischen Beziehungen illustrieren, könnten das Verständnis erleichtern.
Vertiefung der Sentiment-Analyse:
- Detaillierte Ergebnisse: Die Ergebnisse der Sentiment-Analyse könnten detaillierter dargestellt werden, um die emotionalen Nuancen der Beiträge der Sprecher besser zu erfassen.
- Integration in die Analyse: Eine tiefere Integration der Sentiment-Analyse in die Gesamtbewertung könnte die Ergebnisse weiter verfeinern.
Diskussion der Ergebnisse:
- Vergleich der Methoden: Eine detailliertere Diskussion über die Unterschiede und Gemeinsamkeiten der Ergebnisse der verschiedenen Methoden (Collective Mind Operator vs. myGini) könnte wertvolle Einblicke bieten.
- Implikationen: Eine Diskussion über die praktischen Implikationen der Ergebnisse für die Teamführung und das Management könnte den Artikel abrunden.
Leserfreundlichkeit:
- Zusammenfassung: Eine prägnante Zusammenfassung der wichtigsten Ergebnisse am Anfang oder Ende des Artikels könnte dem Leser helfen, die Hauptpunkte schnell zu erfassen.
- Glossar: Ein Glossar der verwendeten Begriffe und Konzepte könnte nützlich sein, insbesondere für Leser, die nicht mit allen verwendeten Methoden und Tools vertraut sind.

Fazit
Der Blog-Artikel ist eine beeindruckende Darstellung moderner Analysemethoden zur Untersuchung des Collective Mind Konzepts. Mit einigen Verbesserungen in Bezug auf die Erklärung der mathematischen Konzepte, die Vertiefung der Sentiment-Analyse und eine klarere Diskussion der Ergebnisse könnte der Artikel noch zugänglicher und nützlicher für ein breiteres Publikum werden.

[1] ZDF (2024) https://www.zdf.de/gesellschaft/markus-lanz/markus-lanz-vom-30-mai-2024-100.html oder http://youtu.be/rpINCu5VmnY

AI & M 4.0: Hybride Collective Intelligence (CI)-Verarbeitungspipeline: Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan

Die Ziel-Hierarchie ist im Management 4.0 der zentrale Ordnungsparameter der Selbstorganisation: Sie dient sowohl der Ausrichtung des Projektteams als auch der Kommunikation mit den Stakeholdern und deren Ausrichtung an der Projektarbeit.

Unter einer hybriden Collective Intelligence Verarbeitungspipeline (CI-Verarbeitungspipeline) verstehe ich eine Abfolge von Verarbeitungsschritten, die im Idealfall vollautomatisch abläuft und durch die hybride Collective Intelligence von Mensch und Künstlicher Intelligenz erstellt wurde.

Die CI-Verarbeitungspipeline ‚Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan‘ ist ein Beispiel für die Ausgestaltung von Projektarbeit mittels hybrider Collective Intelligence. In dem gerade in Veröffentlichung befindlichen Buchbeitrag ‚Collective Intelligence von KI und Mensch in der Projektarbeit – Ein Rahmenwerk auf der Basis von ICB 4.0 und Management 4.0‘ skizzieren meine Kolleg(inn)en von der GPM Fachgruppe Agile Management und ich die hybride Collective Intelligence für alle Perspektiven der IPMA Individual Competence Baseline 4.0.

Ich überprüfe in diesem Beitrag, ob es möglich ist, mit Hilfe von chatGPTplus eine Ziel-Hierarchie zu erstellen, die in einen Projekt Plan transformiert werden kann. – Im Idealfall soll die Ziel-Hierarchie aus einem Business Plan abgeleitet werden. – Eine Aufgabe, die ohne AI-Unterstützung recht viel menschliche Kreativität und Handarbeit erfordert.

Ich benutze zur Überprüfung der Machbarkeit wieder das schon in den vorherigen Blog-Beiträgen verwendete Beispiel der Küchenmanufaktur. Die folgende CI-Verarbeitungspipeline beruht auf mehreren vorausgegangenen Tests, in denen ich einzelne Abschnitte der CI-Verarbeitungspipeline ausprobiert habe. Die bereinigte CI-Vereinigungspipeline startet mit dem folgenden chatGPTplus Prompt:

Ein Unternehmen, das wir KüchenManufaktur nennen, stellt sogenannte Weiße Ware, also u.a. Herde, Kühlschränke und Gefrierschränke her. Bisher hat das Unternehmen KüchenManufaktur diese Weiße Ware ohne große Digitalisierungsfunktionen hergestellt. Jetzt soll die Weiße Ware smart werden und als Life Style Produkt positioniert werden. Der Einsatz von smarter Technologie kann auch den Einsatz von AI oder ML beinhalten. Zum Beispiel könnte eine zukünftige Anforderung für einen Kühlschrank beinhalten, dass ‚er sich von alleine füllt‘. ‚Von alleine füllen‘ bedeutet, dass er über ein intelligentes Füllmanagement verfügt, das u.a. Zugriff auf Lebensmittellieferanten hat.

Es geht also um die Digitale Transformation des Unternehmens KüchenManufaktur. Die Digitale Transformation soll mittels eines Projektes durchgeführt werden. In einem ersten Schritt ist ein Business Plan für die Digitale Transformation zu erstellen. Kannst Du mir bei der Erstellung eines Business Plans helfen? Welches Werkzeug schlägst Du für die Erstellung des Business Plans vor?

Nach Eingabe dieses Prompts liefert chatGPTplus eine Lehrbuch-Aussage, zu den Kapiteln eines Business Plans. Ich gehe hier nicht weiter auf dieses Ergebnis ein, da sich hieraus keine inhaltlichen Aussagen für die CI-Verarbeitungspipeline ableiten lassen.

Also stupse ich chatGPTplus in die von mir gewünschte Richtung und gebe in einem Prompt Business Model Canvas als Tool vor. – Damit greife ich auf die des Öfteren gemacht Erfahrung zurück, dass die Collective Intelligence aus AI und meiner Person sich nur zeigt, wenn ich als Mensch über hinreichendes Fachwissen verfüge, so dass ich in der Lage bin, der AI eine Such-Richtung mitzugeben.

Auf dieser Basis kann sich das Ergebnis meines Erachtens sehen lassen (chatGPTPlus Aussage):

Natürlich, ich kann Ihnen helfen, ein Business Model Canvas für die digitale Transformation des Unternehmens KüchenManufaktur zu erstellen. Hier sind meine Vorschläge für jedes Segment des Business Model Canvas:

Kundensegmente: Haushalte und Unternehmen, die an modernen, intelligenten Küchengeräten interessiert sind. Dazu gehören umweltbewusste Kunden, Technikaffine und diejenigen, die nach Komfort und Effizienz streben.
Wertangebote: Smarte Küchengeräte, die KI und ML-Technologien nutzen, um das Benutzererlebnis zu verbessern. Funktionen könnten eine automatische Nachbestellung von Lebensmitteln, Energieeffizienz, personalisierte Kochempfehlungen basierend auf den im Kühlschrank vorhandenen Lebensmitteln und Fernsteuerung der Geräte über eine App enthalten.
Kanäle: Direkte Verkaufskanäle wie die firmeneigene Website und der firmeneigene Laden, sowie Drittanbieter-Einzelhändler, Online-Marktplätze und Partnerunternehmen in der Lebensmittel- und Technologieindustrie.
Kundenbeziehungen: Aufbau langfristiger Beziehungen durch erstklassigen Kundenservice, regelmäßige Updates und Verbesserungen der intelligenten Funktionen, Nutzer-Communitys und personalisierte Kommunikation.
Einnahmequellen: Verkauf der smarten Geräte, möglicherweise auch Abonnementdienste für erweiterte Funktionen oder Services. Kooperationen mit Lebensmittellieferanten könnten auch zu Einnahmen führen, z.B. durch die Integration von Lebensmittellieferdiensten in die intelligenten Geräte.
Schlüsselressourcen: Das Forschungs- und Entwicklungsteam, das die smarten Geräte und die dazugehörige Software entwickelt. Die Marke und der Ruf von KüchenManufaktur. Beziehungen zu Lieferanten und Vertriebspartnern.
Schlüsselaktivitäten: Forschung und Entwicklung von smarten Geräten und dazugehöriger Software. Aufbau und Pflege von Beziehungen zu Lieferanten und Vertriebspartnern. Marketing und Verkauf der smarten Geräte.
Schlüsselpartner: Lebensmittellieferanten, Technologiepartner für die Bereitstellung von KI/ML-Funktionen, Einzelhändler und Online-Marktplätze.
Kostenstruktur: Kosten für Forschung und Entwicklung, Produktion der smarten Geräte, Vertrieb, Kundenservice und allgemeine Betriebskosten.

Ich frage nach einer weiteren Ausgestaltung und einer dazugehörigen Strategie. Aufgrund des Umfanges der chatGPTplus Antwort, gebe ich hier nur einen Auszug der Ausgestaltung und der vorgeschlagenen Strategie wieder:

Kundensegmente:

Sie könnten untersuchen, welche Altersgruppen am wahrscheinlichsten an Ihren Produkten interessiert sein könnten. Junge Erwachsene könnten eher an technisch ausgereiften Geräten interessiert sein, während ältere Menschen Wert auf Bequemlichkeit legen könnten.
In welchen geografischen Märkten sind smarte Küchengeräte besonders gefragt? Dies könnte Ihnen helfen, Ihre Vertriebs- und Marketingstrategie anzupassen.

Die von chatGPTplus abgeleitete Strategie sieht dann so aus (chatGPTplus Ausgabe):

Auf der Grundlage des Kontexts, den Sie zur Verfügung gestellt haben, könnte die folgende Strategie für die digitale Transformation der KüchenManufaktur in Betracht gezogen werden:

Produktentwicklung und Positionierung: Entwickeln Sie Ihre Produktpalette weiter, um smarte Funktionen einzuschließen. Fokussieren Sie sich auf KI/ML-Fähigkeiten, um einzigartige und personalisierte Benutzererfahrungen zu ermöglichen. Positionieren Sie Ihre Produkte als High-End-Lifestyle-Produkte.
Marktausrichtung: Zielmarkt könnten technologieaffine junge Erwachsene und Berufstätige sein, die einen aktiven und modernen Lebensstil pflegen. Betrachten Sie sowohl städtische als auch suburban gelegene Märkte, die eine hohe Konzentration dieser Zielgruppe aufweisen.
Vertriebskanäle: Nutzen Sie sowohl Online- als auch Offline-Kanäle. Online können Sie eine E-Commerce-Plattform entwickeln und auf Plattformen wie Amazon und eBay präsent sein. Offline können Sie Showrooms eröffnen, wo die Kunden die Produkte erleben können. In Betracht kommen auch Partnerschaften mit Bauunternehmen oder Immobilienentwicklern.
Kundenbindung: Entwickeln Sie ein umfassendes Kundenerlebnis. Bieten Sie Installations- und Wartungsdienste an und entwickeln Sie eine digitale Plattform/App, auf der Benutzer Rezepte austauschen, Kochkurse ansehen und sogar Lebensmittel bestellen können, die direkt mit Ihrem smarten Kühlschrank synchronisiert werden.
Partnerschaften: Schließen Sie Partnerschaften mit Lebensmittellieferanten, um ein integriertes Ökosystem zu schaffen. Denken Sie auch an Kooperationen mit Ernährungsberatern und Kochschulen.
Operative Effizienz: Automatisieren Sie, wo es sinnvoll ist, Ihre Produktionsprozesse und nutzen Sie die durch Ihre smarten Geräte generierten Daten, um Ihre Prozesse und Angebote zu optimieren.
Einnahmequellen: Generieren Sie Einnahmen durch den Verkauf von Produkten und zusätzlichen Dienstleistungen, Werbung auf Ihrer Plattform und möglicherweise durch den Wiederverkauf von renovierten Gebrauchtgeräten.

Nachdem ich chatGPTplus darum bitte, die Vision nicht in die Ziel-Hierarchie beginnend mit Nummer 1. einzubauen, erhalte ich die unten gelistete Ziel-Hierarchie. – Der nicht erwünschte Einbau der Vision als Nummer 1. in die Ziel-Hierarchie führt im Projektplan zu einer ungünstigen Struktur. Um dies zu erkennen und zu beheben, musste ich mehrere Kommunikationsrunden mit chatGPTplus durchlaufen. Außerdem habe ich für den späteren Projekt Plan Projektmitarbeiter eingeführt, die chatGPTplus nach eigener Einschätzung auf die Sub-Ziele verteilen soll. – Hier ist auch ein Hinweis notwendig, dass übergeordneten Zielen keine Ressourcen zugeordnet werden, da die Zuordnung lediglich auf Sub-Ziel-Ebene erfolgt. – Man kann an diesen notwendigen Hinweisen erkennen, dass chatGPTplus derzeit über kein wirkliches PM-Know how verfügt. Das Ergebnis ist mit diesen (kleinen) Einschränkung wieder beeindruckend (zuerst mein Prompt):

Bitte baue die einzelnen Elemente der Business Model Canvas und die dazugehörige Strategie noch etwas besser ein und liste in Klammern vielleicht hinter jedem Ziel bzw. Sub-Ziel mögliche oben schon genannte Ressourcen. Bitte nimm ‚Digitale Transformation der KüchenManufaktur‘ aus der Nummerierung raus, es ist ja der Name des Projektes und ergänze den Namen des Projektes um eine Vision, die das Projekt als Vision gut beschreibt, so dass das zukünftige Projektteam an diesem Namen und der Vision mental ausgerichtet wird.

Abbildung 1: Ein Ziel-Hierarchie Ergebnis von chatGPTplus bei vorgeschaltetem Business Model Canvas (Um zu vergrößeren: Bild mit rechter Maustaste in neuem Browser-Fenster öffnen.)

Anschließend bitte ich chatGPTplus, um die Erzeugung eines Python-Codes, der die Ziel-Hierarchie als gerichteten Graphen visualisiert. Das Ergebnis ist wieder erstaunlich gut, zumal ich weiß, dass vor einigen Wochen die Python-Code-Generierung hierzu noch keine gut lesbaren Ergebnisse lieferte. Der Python Code verwendet die folgenden Bibliotheken: NetworkX-Graph, Matplotlib und Pandas.

Abbildung 2: Visualisierung einer Ziel-Hierarchie ohne vorgeschaltetes Business Model Canvas (Um zu vergrößeren: Bild mit rechter Maustaste in neuem Browser-Fenster öffnen.)

chatGPTplus hat die Namen der fünf Teammitglieder Peter (P), Claudia (C), … selbständig als Knoten in den Hierarchie-Baum eingebaut, so dass man auch hier schon erkennen kann, welche Teammitglieder in welchem Sub-Ziel tätig sind. – Ein Wehrmutstropfen besteht noch: Leider ist es uns (AI und mir) nicht gelungen fehlerfreien Code zu erzeugen, der die vollständigen Namen enthält – jeder Namens-Buchstabe wird als Knoten interpretiert, aus diesem Grunde habe ich nur den Anfangsbuchstaben händisch in den Code eingesetzt. Man kann auch feststellen, dass die Darstellung der Nummerierung der Ziel-Hierarchie nicht stabil ist: Die Art der Nummerierung in der Abbildung 2 und 1 ist unterschiedlich.

Ein Wiederholen der Code-Generierung liefert also nicht immer das gleiche Ergebnisse: Es wurde auch eine Visualisierungen erzeugt, in der die Namen der Teammitglieder in die Ziel-Hierarchie-Knoten mitaufgenommen wurden. Weiter unten begegnet uns dieses schon aus anderen Blog-Beiträgen bekannte chatGPTplus „Vergessen“ wieder.

Die Ergebnisse bis hierhin sind trotzdem beeindruckend. Diese Einschätzung erfolgt auch auf der Erfahrung, dass Teams in meinen Management 4.0 Trainings sich mit Ziel-Hierarchien sehr schwer tun und die Collective Intelligence der Teams keine vergleichbar guten Ergebnisse lieferte.

Auf der Basis der Ziel-Hierarchie habe ich chatGPTplus gebeten eine CSV-Datei für MS-Project zu erstellen.

Hier waren wir leider nicht erfolgreich. – Selbst nach vielen versuchten Verbesserungsdurchläufen konnte chatGPTplus keinen befriedigenden Code erzeugen, der gleichzeitig alle Anforderungen für einen groben Projektplan in einer CSV-Datei ablegt: Also z.B. eine CSV-Datei mit den Spalten ‚Vorgang‘, ‚Ressource‘, ‚Vorgänger‘ und ‚Dauer‘ erzeugt.

chatGPTplus verfügt offensichtlich über keinerlei Projektplan-Muster, auf die das System zurückgreifen kann. Was allerdings schwerer wiegt, ist das schon bekannte Fehlverhalten des „Vergessens“. Wurde zum Beispiel eine Anforderung korrekt in den Code umgesetzt, führte eine weitere Anforderung oder eine Fehlerbehebung zum „Vergessen“ der bisherigen korrekten Ergebnisse. – Dies ist umso erstaunlicher als chatGPTplus die Anforderung korrekt verbal wiederholt, jedoch im Code nicht korrekt oder überhaupt nicht umsetzt. Der Code konvergierte einfach nicht zum richtigen Ergebnis.

Dies bestätigt die schon in anderen Blog-Beiträgen gemachte Erfahrung, dass chatGPTplus oft nicht in der Lage ist, mehrere Anforderungen gleichzeitig umzusetzen. Bei der Erstellung des Collective Mind Agent Based Model’s habe ich die Strategie verwendet, die Anforderungen einzeln in Code zu transformieren um anschließend durch mich die Integration vorzunehmen. Hierauf habe ich hier verzichtet. – Diese Strategie entspricht nicht der Idee der CI-Verarbeitungspipeline.

Der MS-Project Import der nicht vollständigen CSV-Datei, also nur mit den Vorgängen, funktioniert im Prinzip, zeigt jedoch auch Fehler: U.a. werden die deutschen Umlaute nicht richtig dargestellt und was schwerer wiegt, es tauchen Zeichen in den Zellen der Spalten auf, die selbst im notepad++ nicht angezeigt werden. – Auch der Microsoft Support war hier keine Hilfe.

Die Collective Intelligence (CI)-Verarbeitungspipeline mit chatGPTplus ‚Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan‘ zeigt bis zum Schritt Projekt Plan Erstellung beeindruckende Ergebnisse: Die Ergebnisse sind sehr Kontext abhängig. Mit Business Model Canvas oder ohne Business Model Canvas liefert unterschiedliche Ergebnisse. Aber auch der Zeitpunkt der Erstellung spielt eine große Rolle. Der Übergang von der Ziel-Hierarchie zum Projektplan funktioniert zur Zeit (noch) nicht: chatGPTplus ist, wie schon im Rahmen der anderen Blog-Beiträge festgestellt, nicht in der Lage gleichzeitig mehrere Anforderungen, für die wahrscheinlich keine erlernten Muster existieren, ohne „Vergessen“ erfolgreich umzusetzen.

AI & M 4.0: (Collective Intelligence)**2 – Ergänzungen erstellt mit dem Code Interpreter von GPT-4/chatGPTplus!

Dieser Blog-Beitrag ergänzt den vorherigen Beitrag zum Collective Mind Agent Based Model (CM ABM). Ich benutze den vor ein paar Tagen in der beta Version veröffentlichten Code Interpreter von chatGPTplus. Der Code Interpreter ist ein Plugin von chatGPTplus. Er lässt sich in den chatGPTplus Einstellungen vom Anwender aktivieren.

Ich möchte zwei Fragen beantworten:

Kann der Code Interpreter den von mir, mit Hilfe von chatGPTplus, erstellten CM ABM Python Code ausführen?

Welche statistischen oder ML-Auswertungen kann ich mittels des Code Interpreters vornehmen?

Zur ersten Frage:

Leider kann man den Code nicht ausführen lassen. chatGPTplus liefert auch gleich die Antwort, warum dies nicht möglich ist: Diverse verwendete ML-Bibliotheken und MESA Python in dem CM ABM Code sind (noch) nicht in dem Code Interpreter integriert.

Zur zweiten Frage:

Mittels chatGPTplus habe ich den bisherigen Code um einen csv-Export der relevanten MES-Python Daten erweitert. Der CM ABM Code mit 7 Teammitgliedern und ohne Stakeholder wurde für 100 Zeitschritte ausgeführt. – Die so erstellte csv-Datei lässt sich problemlos im Code Interpreter importieren. Auf Wunsch zeigt chatGTPplus den hinterlegten Python-Code, den man natürlich auch wieder kopieren kann.

Der Inhalt der csv-Datei wird automatisch als Tabelle und als Graphiken angezeigt. Die Graphiken lassen sich problemlos per rechtem Mausklick kopieren:

Abbildung 1: CM ABM Ergebnisse nach 100 Zeitschritten, dargestellt vom chatGPTplus Code Interpreter.

ChatGPTplus liefert auch direkt Erläuterungen mit:

Collective Mind Similarity over Time: This plot represents the similarity metric of the collective mind of the team members over time. It appears that the similarity increases over time, which may indicate that the team members are becoming more aligned in their goals.
Team Performance over Time: This plot represents the performance of the team over time. Similar to the similarity metric, the performance also seems to increase over time, possibly indicating that the team’s performance improves as the members become more aligned.

ChatGPTplus verfällt zwischendurch immer mal wieder ins Englische, obwohl ich in Deutsch mit dem System kommuniziere. Diese Beschreibung kann einem den Eindruck von ‚Verständnis‘ aufdrängen: In jedem Fall ist nicht zu leugnen, dass chatGPTPlus meine bisherige Kommunikation zur CM ABM Erstellung kennt. – Ob ein Deep Learning vorliegt kann ich natürlich nicht beantworten.

Ich habe nach einfachen statistischen Auswertungen gefragt: Dem Glätten der Kurven, der Standardabweichung und dem entsprechenden Zeichnen von Graphen:

Abbildung 2: Geglättete CM ABM Ergebnisse nach 100 Zeitschritten mit Standardabweichung, berechnet und dargestellt vom chatGPTplus Code Interpreter.

Auf die Frage nach weiteren statistischen Auswertungen wurde mir die Korrelationsanalyse (zwischen Collective Mind Similarity und Collective Mind Teamperformance), die Analyse der Volatilität und die Anomalieerkennung angeboten. Die Korrelationsanalyse liefert wie erwartet eine Korrelation von 0,995, da die Teamperformance direkt aus der Similarity berechnet wurde. Die Analyse der Volatilität ergab eine zusätzliche graphische Darstellung der Volatilität über den Zeitschritten und die Anomalieerkennung mittels Z-Score ergab keine Anomalien. – Immer begleitet von Erläuterungen und der Möglichkeit den verwendeten Code zu kopieren.

Im Zusammenhang mit der Anomalieerkennung habe ich nach weiteren Analysemöglichkeiten gefragt. chatGPTplus verweist auf die ML-Algorithmen Isolation Forest, One-class SVM, local Outlier Factor und Autoencoder.

Ich bitte um die Durchführung von One-class SVM. chatGPTplus ‚bedauert‘, dass diese Analyse nicht möglich ist, da diese ML-Algorithmen wegen fehlender ML-Bibliotheken nicht ausführbar sind. – Liefert aber den notwendigen Python Code, den man wieder kopieren kann, um ihn z.B. in Colab ablaufen zu lassen.

Alles in allem eine beeindruckende Leistung, wobei mich die Beratung zu den verschiedenen Algorithmen noch fast mehr beeindruckt, als die Ausführung und die graphische Repräsentation der Ergebnisse diverser statistischer Algorithmen.

Welche Informationen stecken in der Meso-Ebene, dem Decison Tree?

Wie wird daraus ein Coaching-Instrument?

Welche Informationen stecken in der Makro-Ebene und seinen drei Regimen V0, V1, V2

Die Ad-Hoc Nutzung (Das Live-Frühwarnsystem)

Phase A: Das Basis-Modell (Die Offline-Vorbereitung)

Phase B: Das Live-Dashboard (Der Ad-Hoc Einsatz im Meeting)

Zu den berechneten Ergebnissen

Zusammenfassung:

Anhang 1

Formeln und Erläuterungen

I. Die epsilon-Maschine, der Decision Tree Regressor Algorithmus

Schritt 1: Die Datenpräparation (Das Sliding Window)

Schritt 2: Der erste Split (Die Wurzel des Baumes)

Schritt 3: Die Rekursion (Das Wachsen der Äste)

Schritt 4: Der Stopp (Das Entstehen der Epsilon-Zustände)

II. Die upsilon-Maschine: Der K-Means Algorithmus

Schritt 1: Der Input (Die 1D-Vorhersagematrix)

Schritt 2: Die K-Means Initialisierung (Der Maximalkontrast)

Schritt 3: Das Zuweisungs-Update (Lloyds Algorithmus)

Schritt 4: Das Zentroid-Update

Schritt 5: Die Konvergenz (Das Einrasten des Systems)

III. Die Messung der Emergenz C: Der KSG-Entropieschätzer

Schritt 1: Raumaufspannung und das Verhindern von Singularitäten

Schritt 3: Marginale Zählung (Die Zerlegung der Wahrscheinlichkeit)

Schritt 4: Die Digamma-Integration

Schritt 5: Das Kausale Delta (Der finale Beweis)

Anhang 2

Mikro-, Meso- und Makro-Ebene für das TV-Beispiel

Literatur

1. 🗣️ REALITÄT (Die Datenbasis)

2. 🧠 Die analytische Ebene (Emotion & Semantik)

3. 🤖 KI-CO-PILOT (Die Systemsteuerung)

Anhang: Glossar und Formeln zum mathematischen Modell

Glossar: Die Vokabeln der KI-Simulation

1. Die emotionale Ebene (Affective Computing)

2. Die Gesprächsdynamik (Systemphysik)

3. Die Persönlichkeit (Die „Big Five“)

4. Die linguistische Analyse (NLP & Disruption)

Technischer Anhang: Mathematische Modellierung der Diskursdynamik

1. Erschöpfungsmodell (Fatigue)

2. Stress-Dynamik (Emotionale Physik)

A. Stress-Impact (Eskalation)

Was bedeuten diese Werte für die Simulation?

B. Der individuelle Stresspegel (Y-Achse in der Abbildung)

C. Die kollektive Systemspannung

3. Semantische Disruption (D-Score)

Literatur

Modell 2: PyTorch (Schmerzvermeidung und lokale Optimierung)

Modell 3: RL Agent (Erfolgsmaximierung und Episodisches Lernen)

Inferenzphase: Deterministische Ausführung der Policy

Anhang 1Formeln und Erläuterungen

1. Die Kompetenz- und Leistungs-Formeln (Task-Fit)

2. Die Psychologische Distanz (Die Chemie)

3. Die Team-Dynamik (Reibung und Synergie)

4. Die Emotionale Entwicklung (Die Psyche)

5. Das Belohnungssystem (Der Reward R für die KI)

6. Das Gehirn der KI (Die Attention-Berechnung)

7. Die Umgebung: Die Raum-Wahrnehmung

8. Das Neuronale Netzwerk (Der Forward Pass)

9. Die Lernfunktion (Der Loss des Reinforcement Learning)

10. Die System-Spannung (CM Energie / Makro-Indikator)

11. Die Realitäts-Simulation (Grundrauschen im Echtbetrieb)

12. Die Temperatur-Skalierung (Das „Aufweichen“ der KI)

13. Der Marktanteil (Share of Voice / Market Share)

Anhang 2Backpropagation Through Time (BPTT)

1. Das Ausrollen der Zeit (Unrolling)

2. Der Forward Pass: Die Simulation

3. Der Backward Pass: Die Kettenregel durch die Zeit

4. Die Lösung des Credit Assignment Problems

Anhang 3Modell 4 Hybride Architektur: LLM Prompt und Ausgabe

Literatur

I. Die $\epsilon$ -Maschine, der Decision Tree Regressor Algorithmus

II. Die $\upsilon$ -Maschine: Der K-Means Algorithmus

III. Die Messung der Emergenz $\mathcal{C}$ Der KSG-Entropieschätzer

Anhang 1
Formeln und Erläuterungen

Anhang 2
Backpropagation Through Time (BPTT)

Anhang 3
Modell 4 Hybride Architektur: LLM Prompt und Ausgabe