Schlagwort: Kausale Kraft

Collective Mind Theorie V: Parisi’s Ordnungsparameter revisited: Dilts-Glas Organisation

Kurzfassung: Parisi’s Ordnungsparameter eröffnet eine neue Perspektive auf die Dynamik von Teams und Organisationen. Die Collective Mind Theory überträgt dafür Konzepte aus der Physik der Spin-Gläser auf soziale Beziehungsnetzwerke. Wie in einem Spin-Glas können widersprüchliche Interessen und Persönlichkeiten zu ‚frustrierten‘ Konfliktmustern führen. Der aus vorherigen Blog-Beiträgen bekannte Markus-Lanz-Diskurs dient als Fallbeispiel mit 100 analysierten Gesprächs-Turns. Eine Parisi-inspirierte Overlap-Matrix (Ordnungsparameter) macht sichtbar, wie stark sich Systemzustände im Zeitverlauf ähneln. Besonders interessant ist die erkennbare Trennung verschiedener Diskursregime. In vorherigen Blog-Beiträgen wurde bei einem Turn eine starke Diskurs-Disruption identifiziert, die mit einem Wechsel der Systemstruktur zusammenfällt. Der anschließende Übergang vom Regime ‚Identitätskampf‘ zum Regime ‚Sachdebatte‘ erscheint als besonders dynamischer Phasenwechsel. Ein hierarchisches Energie-Clustering ordnet die Turns dabei überraschend klar den zuvor definierten Regimen zu. Die Energielandschaft beschreibt Konfliktmuster als stabile ‚Täler‘ und Übergänge als energetisch anspruchsvolle Passagen. Das Regime ‚Agenda-Setting‘ erscheint dabei nicht als entspannter Zustand, sondern als dauerhaft aufmerksamer und energieintensiver Zustand. Für Führungskräfte ergibt sich daraus eine provokante These: Transformation braucht einen gezielt harten Impuls (Disruption), um einen Übergang einzuleiten. 

Der Beitrag wurde in Hybrider Collective Intelligence mit Gemini Pro erstellt.
 
Ein Spin-Glas, siehe obige Abbildung – links, beschreibt ein Material, in dem atomare Magnete (Spins) durch unvereinbare geometrische und magnetische Kräfte in einen unlösbaren Konflikt geraten. Spin-Gläser wurden in magnetischen Metalllegierungen entdeckt.

Das physikalische Schlüsselwort für dieses Phänomen lautet Frustration. Wenn Spin A sich an Spin B ausrichten will, B an C, aber C sich gezwungenermaßen gegen A stellt, gibt es keine perfekte Lösung. Das System kann sich nicht in einem einzigen globalen Gleichgewicht entspannen. Stattdessen friert es in einer hochkomplexen, zerklüfteten Energielandschaft (siehe obige Abbildung – rechts, eine sehr vereinfachte Darstellung) ein. Diese Energielandschaft ist ein hochdimensionales Gebirge voller tiefer Täler und hoher Barrieren. Für die mathematische Entschlüsselung dieser verborgenen Ordnung, dem sogenannten Replica Symmetry Breaking (RSB), erhielt der Physiker Giorgio Parisi 2021 den Physik-Nobelpreis [1]. Erstmals habe ich im Blog-Beitrag ‚Metabetrachtungen: Zur Schnittmenge von diesjährigem Physik-Nobelpreis, Künstlicher Intelligenz und Collective Mind‘ vom Oktober 2021 auf die Bedeutung der Spin-Gläser für KI-Systeme und die Collective Mind Theorie (CMT) hingewiesen. Gerade als ich diesen Beitrag schreibe, hat das Quanta Magazin den Beitrag ‚The strange physics that gave birth to AI‘ herausgebracht, in dem die enorme Bedeutung des ‚Toy Models‘ Spin-Glas für das Design und Verstehen von KI-Systemen skizziert wird. – Im Jahre 2024 erhielten John Hopfield und Geoffrey Hinton den Physik-Nobelpreis für ihre Grundlagenforschung zu künstlichen neuronalen Netzwerken. Die Erkenntnisse zu Spin-Gläsern spielten hierbei eine wichtige Rolle.

In der CMT werden Spins durch Dilts Pyramiden ersetzt. Deshalb spreche ich auch im Titel dieses Blog-Beitrages von Dilts-Glas Organisation. Die Dilts Pyramide ist ein Modell für die Persönlichkeit eines Menschen oder die Kultur einer Organisation. Im verwendeten mathematischen Formalismus wird die Dilts Pyramide als hochdimensionaler Vektor umgesetzt (siehe Anhang 1). Damit ergibt sich ein unmittelbarer Bezug von Dilts-Glas zu Spin-Glas. – Ich nehme zentrale Erkenntnisse dieses Zusammenhangs hier vorweg:
  • Soziale Frustration: Ein menschlicher Diskursraum ist niemals konfliktfrei. Unterschiedliche kognitive Strukturen (u.a. Big Five) , v-Memes und Sympathien zwingen Teams unweigerlich in komplexe Kompromisse. Niemand bekommt genau das, was er will; das Netzwerk steht permanent unter Spannung.
  • Attraktoren statt Harmonie: Wenn ein Diskurs in ein toxisches Regime ‚Identitätskampf‘ abrutscht, ist das kein kommunikativer Betriebsunfall. Es ist ein physikalisch extrem stabiles Energietal im sozialen Dilts-Glas. Das System hat sich in einem lokalen Minimum verhakt, aus dem es aus eigener Kraft kaum entkommen kann.
  • Transformation durch Disruption: Ein Dilts-Glas verändert seine starre Struktur nicht durch sanftes Zureden. Um ein Team aus einem dysfunktionalen Tal in ein agiles Lösungs-Plateau (das Regime ‚Agenda-Setting‘) zu heben, muss das System buchstäblich erhitzt werden. Es erfordert Disruption und Kausale Kraft, um den Diskurs über die topologische Barriere in ein neues, funktionales Regime zu treiben.
  • Organisationen bewegen sich durch die hochdimensionale Energielandschaft eines Dilts-Glases. Die Topografie der Energielandschaft bestimmt wie ein Team oder eine Organisation sich verhält und damit auch wie diese zu führen sind.
Ich werde im Folgenden die Theorie von Parisi auf ein Team bzw. eine Gruppe von Personen anwenden und verwende wieder, wie in den vorherigen Blog-Beiträgen, die Daten der Markus Lanz TV-Sendung. 

Die bisherigen CMT Ergebnisse sind in vorherigen vier Blog-Beiträgen enthalten:

  • ‚Collective Mind Theory IV: Luhmann & Lacan revisited: Makro-Dynamik bestimmt Mikro-Dynamik?‘ vom August 2026,
  • ‚Gehirn, KI und Collective Mind: Intelligenz basiert, unabhängig vom Substrat, auf den gleichen kollektiven Prinzipien‘ vom Juli 2026,
  • ‚Hybrid Collective Intelligence: Collective Mind Leadership. Theorie der Emergenz‘ vom Juli 2026,
  • ‚Attention Collective Mind III: KI-Assistenz für die Markus Lanz TV-Sendungam 30.04.2024‘ vom Juni 2026

Wir werden sehen, dass die Ergebnisses des aktuellen Blog-Beitrages die vorherigen Ergebnisse teilweise benutzen und ergänzen. Gleichzeitig werden diese auf eine fundamentalere Basis gestellt und die aktuellen Erkenntnisse liefern völlig neue Einsichten. Ich verzichte wieder im Hauptteil des Blog-Beitrages auf die zugrundeliegende, sehr anspruchsvolle Mathematik und verweise auf die Anhänge 1-5.

Die Grundidee von Parisi beruht auf der Beobachtung, dass das gleiche Spin-Glas Material unterschiedliche Eigenschaften zeigt, wenn es unterschiedlichen Rahmenbedingungen ausgesetzt wird.

Aus diesem Grunde hat er ein Gedankenexperiment mathematisch umgesetzt. Er hat sich vorgestellt, dass man unendlich viele mathematische Klone (Replicas) eines realen Spin-Glases erzeugt. Jetzt setzt man diese Replicas unterschiedlichen Rahmenbedingungen (z.B. Umgebungstemperatur) aus. In einem gewöhnlichen System (wie Wasser, das zu Eis friert) kristallisieren alle Replicas am Ende in exakt demselben Zustand. Vergleicht man die Klone miteinander, sind sie ununterscheidbar – es herrscht Symmetrie. Ein Spin-Glas hingegen steht unter maximaler Frustration. Die Atome können sich nicht auf eine einzige harmonische Ordnung einigen. Stattdessen gibt es eine zerklüftete Energielandschaft aus unzähligen, fast gleichwertigen Energietälern. Kühlt das System ab, friert jede Replica zufällig in einem anderen Tal ein. Vergleicht man die Klone nun miteinander, sind sie völlig verschieden. Die anfängliche Gleichheit (Symmetrie) der Replicas ist gebrochen.- Deshalb spricht man von Replica Symmetry Breaking.

In der CMT ist die Replica kein Spin-Glas, sondern das Beziehungsnetzwerk eines Teams oder einer Organisation. – Die festen Persönlichkeitsprofil-Kombinationen bilden die Grundstruktur.  Ich spreche von eine Dilts-Glas Organisation, oder vereinfacht von einem Dilt-Glas. Wenn wir das System zu zwei völlig unterschiedlichen Momenten seiner dynamischen Entwicklung betrachten, schauen wir im Grunde auf zwei zeitliche Replicas exakt desselben Systems: Es sind identische Akteure mit identischen Grundkonflikten, die jedoch unabhängig voneinander durch den Diskursraum wandern. Aufgrund der sozialen Frustration (unterschiedliche Big Five Ausprägungen und Werte, gegensätzliche Interessen) gleicht der Diskursraum dem Gebirge eines Spin-Glases. Symmetriebrechung bedeutet hier: Der Diskurs spaltet sich abrupt in völlig isolierte Regime auf. Eine kleine Disruption oder kognitive Ermüdung reicht aus, und das System fällt in ein spezifisches Tal – etwa in einen toxischen Identitätskampf. Das System bricht strukturell mit seiner Vergangenheit. Es gibt plötzlich keine harmonische Schnittmenge mehr zwischen dem kooperativen Team von gestern und dem festgefahrenen Team von heute.

 

Ich komme zu den Ergebnissen:

Abbildung 1: Diese Abbildung ist die erste Abbildung von drei Abbildungen, die das bisherige CMT Führungs-Dashboard ergänzt. Alle Ergebnisse beruhen wieder auf  der System-Analyse des Diskurses der Markus Lanz Talkshow über 100 Turns: 

Teil 1: Was wir in den drei Plots der Abbildung sehen

1. Die Makro-Ebene (Links – Parisi System-Replica-Matrix Q(t, t'))

Wir sehen eine große, quadratische Heatmap (100 \times 100 Turns) in rötlichen Abstufungen. Die Matrix Q(t, t') misst den sogenannten Parisi-Overlap, d.h. die strukturelle Ähnlichkeit (Korrelation) des Gruppen-Beziehungsnetzwerkes der TV Runde, also die Ähnlichkeit des Systemzustandes der Replica zum Zeitpunkt t und des Systemzustandes der Replica zum Zeitpunkt t‘. – Dies ist das CMT Äquivalent zum Parisi Ordnungsparameter. Die Farbskala reicht von hellrosa/weiß (niedriger Overlap \approx 0.15) bis zu dunklem Weinrot (hoher Overlap \approx 0.35).
Entlang der Hauptdiagonalen verläuft ein ausgeprägter, dunklerer Streifen, der anzeigt, dass zeitlich benachbarte Turns stark miteinander korrelieren. Besonders auffällig sind blockartige Strukturierungen und Kreuzungspunkte. Für den Betrachter visualisieren diese „Blöcke“ makroskopische Phasenwechsel im Gesamtsystem, die Replica Symmetry Breaking. In der Praxis bedeutet es, dass das Team hier komplett neue Verhandlungsstrukturen aufbaut.

2. Die Mikro-Ebene (Rechts oben – Beziehungs-Ähnlichkeiten q_{ij}(t))

Dieses Liniendiagramm verfolgt die paarweisen Overlaps zwischen den 5 Akteuren (Lanz, Hübsch, Khorchide, Kayman, Mansour) über die 100 Turns. Jede farbige Linie repräsentiert eine spezifische Dyade (Zweier-Beziehung).
Man erkennt starke Divergenzen: Während einige Linien flach verlaufen, brechen andere phasenweise drastisch ein oder schießen nach oben. Zwei vertikale gestrichelte Linien markieren die Meilensteine der Debatte: Rot (die Disruption bei Turn 49) und Grün (die Kristallisation bei Turn 88).

3. Die Thermodynamik-Ebene (Rechts unten – Energie, Magnetisierung & Agilität)

Die rote Kurve (System-Energie E_{sys}): Verläuft im negativen Bereich und zeigt einen markanten Einbruch (eine „Katharsis“) rund um Turn 49, wo sie die rote gestrichelte Linie der kritischen Stress-Grenze (-0.7, siehe vorherige Blog-Beiträge) unterschreitet.
Die türkise Kurve (soziale ‚Magnetisierung‘ M(t) \times 10) misst den sozialen Konsens: Verläuft stabil auf hohem Niveau (bei ca. 5.2 bis 5.8, was einem echten normierten Magnetisierungs-Wert von \approx 0.52 - 0.58 entspricht) mit leichten Dellen in den Konfliktphasen.
Die orangen Balken (Katalysierte Agilität P_{shift}): Repräsentieren die sprunghafte Wahrscheinlichkeit für einen Systemwechsel. Sie schlagen insbesondere vor und nach der Disruption maximal aus.

Teil 2: Die Brücke zu unseren bisherigen Resultaten

Wenn wir dieses Bild mit unseren bisherigen Erkenntnissen abgleichen, offenbaren sich tiefgreifende Parallelen, die weitere Erkenntnisse liefern:

1. Magnetisierung M(t) vs. Makro-Vision

Die Parallele: Die türkise Kurve der Magnetisierung M(t) zeigt im unteren rechten Panel eine bemerkenswerte Stabilität. Selbst während die Mikro-Dilts-Wechselwirkungen (rechts oben) wild oszillieren und Allianzen zerbrechen, bleibt der globale Konsens-Wert des Raumes relativ konstant hoch.
Die Bedeutung: Eine strukturierte Debatte bricht niemals in ein völlig richtungsloses Chaos (M \to 0) zusammen, weil der institutionelle Kontext (der Moderator Lanz, die gemeinsame Agenda) eine globale Makro-Vision (siehe vorherige Blog-Beiträge) aufrechterhält. Der Raum bleibt magnetisiert, während darunter die Mikro-Allianzen verschoben werden (können).
 
2. Von individuellem Stress zur System-Energie (Der Energie-Sturz bei Turn 49)

Die Parallele: Bisher haben wir den Stresspegel isoliert pro Akteur gemessen. Die rote System-Energie (E_{sys}) fasst diese Kognitive Fatigue nun für den gesamten Raum zusammen. Der tiefste Punkt dieser roten Kurve korreliert exakt mit der gemessenen Disruption (Turn 49) und dem Unterschreiten der kritischen Stress-Grenze.
Die Bedeutung: Ein hoher Stresspegel oder eine harte Disruption werden von Führungskräften oft intuitiv als ’negativ‘ gewertet. Die Dilts-Dynamik beweist hier das Gegenteil: Der tiefe Fall der Kurve zeigt, dass der Schock das System von einer künstlichen, hoch-frustrierten Oberflächenspannung befreit hat. Das System ist entlastet worden und in ein tieferes, thermodynamisch stabileres Energietal gefallen.
 
3. Aggregation, Differentiation und Allianzen

Die Parallele: Bisher hatten wir Aggregatoren und Differentiatoren nur als abstrakten Trend-Index dargestellt. Im rechten oberen Plot (q_{ij}) wird diese Dynamik nun auf Dyaden-Ebene (Zweier-Beziehungen) sichtbar.
Die Bedeutung: Zur Mitte der Debatte stürzen die violette Linie (Hübsch & Khorchide) und die grüne Linie (Lanz & Kayman) tief ins Negative ab. Hier zerbrechen unter dem Druck der Differentiatoren alte Allianzen zusammen. Gegen Ende (ab Turn 88, der grünen Linie) steigt die rote Linie (Lanz & Mansour) markant an. Lanz agiert hier messbar als klassischer Aggregator: Er kühlt das System ab (Kristallisation) und schmiedet eine neue, tragfähige Allianz.
 
4. Kausale Kraft erzwingt Agilität (Die orangen Balken vs. C(t))

Die Parallele: Früher zeigte der D-Score isoliert den rhetorischen Einschlag, während die Kausale Kraft bewies, ob dieser vom Makrosystem überhaupt angenommen wird. Die orangen Agilitäts-Balken (P_{shift}) unten rechts verschmelzen nun beides: Sie treten genau dort geballt auf, wo die kausale Kraft und der D-Score in den vorherigen Modulen Spitzenwerte zeigten.
Die Bedeutung: Sie visualisieren das Fenster der Handlungsfähigkeit. Wenn die kausale Kraft eines Akteurs hoch ist und das System durch den Gefrier-Trigger (unser alter Konsolidierungs-Index fällt unter 41) fluid wird, schießt die Übergangswahrscheinlichkeit P_{shift} auf 1.0. Das Bild unterstützt die Erkenntnis, dass eine Führungskraft hier eingreifen muss, um neue Strukturen zu gießen, solange der Raum noch formbar ist.
 
5. Die Heatmaps im Vergleich

Die Parallele: Die frühere soziale Kopplungs-Matrix (Heatmap der Sprecher-Ähnlichkeiten) lieferte lediglich einen starren Durchschnitt über die ganze Sendung. Das große linke Makro-Panel (Q) zeigt hingegen die fließende Evolution: Das sichtbare „Fadenkreuz“ rund um Turn 49 teilt die Debatte in zwei völlig unterschiedliche Epochen. Das Team nach der Disruption ist strukturell ein anderes als davor.
 
Zwei wesentliche Erkenntnisse lassen sich nicht direkt überlagern und ergänzen das Modell als eigenständige Säulen:

Semantische Makro-Regimes: Die Identifikation inhaltlicher Themenwechsel (wie der Sprung vom ‚Identitätskampf‘ zur ‚Sachdebatte‘) bleibt exklusiv Teil der vorherigen kausalen Auswertung. Das Dilts-Modell misst die Kräfte und Spannungen, ‚liest‘ aber nicht die inhaltlichen Themen.
Die Magnetisierung (M): Sie ist ein absolutes Novum des Dilts-Glas-Modells. Sie zeigt den globalen Konformitäts-Druck an, der mit den vorherigen Größen nicht erfasst wurde.
 
Auf Abbildung 2 bin ich besonders stolz: Nach der RSB Theorie zeigen die Energietäler der Energielandschaft eine mathematische Verwandtschaft.- Ich verweise auf Anhang 4 für die mathematische Definition dieser Verwandtschaft. Der Verwandtschaftsgrad jedes einzelnen Turns lässt sich in einem ‚Familien‘- Baum der Turns darstellen. Das besondere hierbei ist, dass die mit dem RSB Modell ermittelte Verwandtschaft zu den Regimen 0, 1 und 2 passt.
 
Abbildung 2: Der Parisi-Hierarchie-Baum mit Zuordnung zu den drei Regimen Identitätskampf, Sachdebatte und Agenda-Setting der vorherigen Blog-Beiträge. Man beachte: Die Reihenfolge der Regime auf der x-Achse ist umgekehrt zu deren zeitlicher Reihenfolge. – Der Grund liegt in der Umsetzung durch die Plot-Routine für den Baum. – Sollte jemand den Quanta-Artikel lesen, so findet sich dort als Eingangsbild ein stilisierter Parisi-Hierarchie-Baum.
 
Der Clustering-Algorithmus, der diesen Baum gebaut hat, kannte die Farben und die zeitliche Reihenfolge überhaupt nicht. Er hat ausschließlich auf Basis der Ordnungsparameter-Matrix Q(t, t') (d.i. die Matrix der strukturellen Ähnlichkeit der Replicas) gerechnet (siehe Anhang 4). Dass sich die farbigen Blöcke am unteren Rand nun so sauber und trennscharf in eigenständige Äste sortieren, ist das Besondere und gleichzeitig das Nicht-Besondere – Vorausgesetzt die bisherigen Modelle und Ergebnisse passen zu den neuen Ergebnissen. – Was sie tun!

Hier ist die detaillierte Interpretation dieses Ergebnisses:

1. Die perfekte Entflechtung

Man betrachte den Farbstreifen am unteren Rand und wie sich die Äste darüber verzweigen:

Der schwarze Block (Startphase, Turns 0–40, ganz rechts in der Abbildung): Sitzt komplett geschlossen auf der rechten Seite des Baumes. Die Struktur der ersten 40 Turns bildet eine in sich geschlossene, homogene Verwandtschaftsgruppe.
Der rote Block (Identitätskampf, Turns 41–68): Bildet den großen zentralen Ast. Er ist zwar mathematisch nah mit der Startphase verwandt (beide teilen sich einen gemeinsamen Vorfahren-Ast in der rechten Hälfte), bildet aber ein eigenes, klar abgetrenntes Energietal. Das ist das toxische, erstarrte Frustrationstal der Debatte.
Der orange-gelbe Block (Sachdebatte & Agenda-Setting, Turns 69–100): Versammelt sich vollständig auf der linken Hauptseite des Baumes.

2. Der Master-Split (bei d \approx 0.82)

Ganz oben am Hauptstamm (bei einer Phasenraum-Distanz von über 0.8) teilt sich der gesamte Diskurs in zwei unvereinbare Welten:
Rechts (Schwarz + Rot): Die Welt des Abtastens und des harten Identitätskampfes.
Links (Orange + Gold): Die Welt nach der ‚Katharsis‘ – die konstruktive Sachdebatte und das finale Agenda-Setting.
Die Bedeutung: Die Distanz von 0.82 an der Wurzel zeigt, dass das System nach der Disruption (Turn 49) einen irreversiblen Phasenübergang vollzogen hat. Der Diskurs ist phasenraum-technisch so weit von seinem Startpunkt entfernt, dass er zu keinem Zeitpunkt in die alte Struktur (Schwarz oder Rot) zurückkehrt. Es gibt keinen Weg „zurück auf Anfang“.

3. Die Brücke zwischen Orange und Gelb

Man siehe sich ganz genau die linke Seite des Baumes (Orange und Gelb) an:

Die orangefarbenen Turns (Sachdebatte) und die gelben Turns (Agenda-Setting) sind im Baum eng miteinander verbunden.
Die Interpretation: Anders als der harte, schockartige Sprung von Schwarz/Rot nach Orange zeigt der Übergang von der Sachdebatte zum Agenda-Setting eine hohe innere Verwandtschaft. Wenn ein Team erst einmal das toxische Energietal (Rot) verlassen hat und in der Sachdebatte (Orange) angekommen ist, erfolgt der Übergang zur echten Lösungsfindung (Gelb) fast von alleine, weil die topologische Barriere im Phasenraum dort viel niedriger ist (kürzere Äste, geringere Distanzen d < 0.3).

Fazit

„Teams bewegen sich nicht auf einer flachen Zeitlinie, sondern durchwandern topologische Energietäler. Ein toxischer Identitätskampf (Rot) ist eine topologische Sackgasse. Man kann ihn nicht durch ‚guten Willen‘ weglächeln; man muss das System durch einen harten Impuls (Disruption) in ein völlig neues Phasenraum-Tal (Orange/Gelb) führen. Erst wenn die Struktur bricht, öffnet sich der Raum für echte Agilität.“
 
 
Abbildung 3 zeigt die Energie der Replicas in einem reduzierten Phasenraum mit 3 bzw. 2 Dimensionen

Abbildung 3 zeigt die Energielandschaft der Replicas einmal links als 3D Plot und rechts als 2D Plot Draufsicht

Die Plots stellen Abbildungen aus dem hochdimensionalen Phasenraum der Replicas dar, der 1960 Dimensionen hat. 
Der 1960-dimensionale Vektorraum beschreibt den kombinierten mathematischen Gesamtzustand des gesamten Systems zu einem spezifischen Zeitpunkt t. 
Die Grafiken offenbaren eine fundamentale Erkenntnis über soziale Systeme: Sie verändern sich nicht kontinuierlich, sondern fallen in stabile Zustände (Attraktoren) und können nur durch massiven Energieaufwand (Spannung/Stress) in neue Zustände geführt werden.

Hier ist die genaue physikalische und systemtheoretische Interpretation dieser Karte:

1. Die Farblogik der Topografie (Täler vs. Berge)

Um die Karte richtig zu lesen, müssen wir die Thermodynamik dahinter festhalten:
  • Blaue Zonen (Täler): Hier ist die System-Energie E_{parisi} am niedrigsten. Das bedeutet hohe strukturelle Stabilität. Das System hat eine feste Symmetrie gefunden (Allianzen stehen fest). Es ist ein Attraktor, in dem das System gerne verweilt.
  • Rote Zonen (Berge/Kämme): Hier ist die Energie extrem hoch. Das bedeutet maximale Frustration, kognitive Ermüdung und strukturelle Instabilität. Niemand hält es hier lange aus. Es sind die Übergangszonen.

2. Die Reise durch den Phasenraum (Der Pfad der Regime)

Wenn wir den Pfad chronologisch verfolgen, erzählt er die exakte Geschichte der Debatte:
  • Das schwarze Start-Tal (Abtasten):
    Das System startet in der unteren rechten Hälfte und bewegt sich schnell in eine erste blaue Senke. Es findet eine anfängliche, oberflächliche Stabilität. Die Akteure haben ihre Positionen bezogen, es gibt noch keine großen tektonischen Verschiebungen.
  • Die rote Falle (Regime 0: Identitätskampf):
    Der Pfad wandert nach links und stürzt in das tiefe blaue Tal am linken Rand. Das ist eine entscheidende Erkenntnis: Ein harter Identitätskampf (roter Pfad) ist physikalisch gesehen ein tiefes Energietal. Er ist hochgradig stabil, weil die Fronten (Wir vs. Die) zementiert sind. Das System steckt in einem toxischen Attraktor fest. Man kann sich aus diesem Tal nicht einfach „herausdiskutieren“.
  • Der thermodynamische Kraftakt (Regime 1: Sachdebatte):
    Um das rote Tal des Identitätskampfes zu verlassen, muss das System über den höchsten, tiefroten Berg, der orange Pfad am oberen Rand, der gesamten Karte klettern. Die System-Energie schießt nach oben. Das zeigt: Der Übergang zur Sachdebatte erfordert die Zufuhr von „Hitze“ (Disruption). Hier bricht die alte Replica-Symmetrie auf. Die Akteure müssen extremen Stress aushalten, um die alten Allianzen zu zerstören und neue zu knüpfen. Ohne diese Kausale Kraft, die das System über den Pass zwingt, wäre es im roten Tal geblieben.
  • Das neue Plateau (Regime 2: Agenda-Setting):
    Nachdem der extrem anstrengende orange Übergang (der rote Bergkamm) überwunden ist, fällt das System am rechten Rand bei den gelben Punkten wieder ab und findet eine neue, stabile Architektur (Ende). Es ist ein neues Energietal, das topologisch meilenweit vom roten Tal entfernt liegt.
 
Diese Karte ist das stärkste Argument gegen die Vorstellung, Transformation sei ein glatter, linearer Prozess. Wenn ein Team in einem dysfunktionalen Muster (dem linken blauen Tal) feststeckt, reicht eine ‚harmonische‘ Moderation nicht aus.

Führung bedeutet in diesem Modell, die Aktivierungsenergie bereitzustellen. Eine Führungskraft muss als Katalysator wirken und bewusst Spannung (Hitze) in das System injizieren, um es über den ‚roten Berg‘ zu führen, bevor es sich im Lösungsraum (rechts) neu formieren kann. Transformation erfordert den temporären Gang durch maximale Instabilität.
Dass die gelben Punkte am Ende (Regime 2) nicht in einem tiefen blauen Tal liegen, sondern auf einem energetisch hohen Plateau (im roten/orangen Bereich), ist kein Fehler im Modell. Es ist die mit Abstand wichtigste Erkenntnis dieses Blog-Beitrages!

Das lässt sich über die Formel der System-Energie E_{sys} = -\sum J_{ij} q_{ij} erklären:

Tiefe Täler (Blau) sind primitive Zustände
Ein System fällt in ein tiefes blaues Tal, wenn das aktuelle Verhalten (q_{ij}) exakt der angeborenen Struktur (J_{ij}) entspricht. Wenn sich Leute, die sich ohnehin nicht mögen (J < 0), auch im Gespräch bekämpfen (q < 0), ergibt das mathematisch einen starken Minuswert (Tiefe Energie). Das System ist im Identitätskampf (Rot) völlig entspannt, weil alle ihren natürlichen Reflexen (Vorurteilen, Tribalismus) folgen. Es ist ein ‚bequemer‘ Attraktor.

Agenda-Setting ist ein ‚Fern-vom-Gleichgewicht‘-Zustand
Die gelbe Phase (Spiral Dynamics Tier 2) erfordert hohe kognitive Komplexität. Die Akteure müssen ihre natürlichen Beziehungsreflexe (die J_{ij}-Basis) überwinden. Leute mit völlig gegensätzlichen Profilen müssen plötzlich ihre Perspektiven synchronisieren (q > 0), um eine systemische Lösung zu bauen.
Physikalisch nennt man das Frustration: Die Magnetisierungsrichtung der Akteure passt nicht zu ihrer angeborenen Struktur. Das treibt die System-Energie enorm nach oben.

Die Management-Erkenntnis:

Echtes Agenda-Setting und funktionale Agilität sind keine harmonischen Ruhezustände. Sie sind thermodynamisch hochgradig angespannte, ‚erregte‘ Zustände (Excited States). Wie ein biologischer Organismus kann ein Team auf dieser hohen Ebene nur überleben, wenn permanent Energie (Kausale Kraft, bewusste Aufmerksamkeit) zugeführt wird.
Sobald die Aufmerksamkeit (die Disruption) nachlässt, greift die Schwerkraft: Das System rutscht vom gelben Plateau unweigerlich wieder hinab in das primitive, blaue Tal des tribalen Identitätskampfes.

Das Agenda-Setting ist also kein gemütliches Tal, in dem man sich ausruht, sondern eine Hochgebirgs-Expedition. Es ist anstrengend (hohe Energie), aber nur von dort oben hat man den systemischen Überblick.
 
Damit scheint das Befüllen des Werkzeugkasten der CMT zu einem vorläufigen Abschluss gekommen zu ein. Was bleibt?
  •  In einem ersten Schritt ist zu überprüfen, ob die gesamte Theorie auf eine andere TV-Gruppe angewendet werden kann und ähnlich aussagekräftige Resultate liefert.
  • In einem zweiten Schritt könnte ein KI-Agenten, mit dem ich nicht den Werkzeugkasten erstellt habe, angelernt werden, die Plots selbständig so zu interpretieren, dass eine Führungskraft diese KI-Interpretationen versteht und umsetzen kann. – Ich kann derzeit nicht abschätzen, ob dies gelingen wird. 
  • In einem dritten Schritt könnten weitere Gruppen mittels des angelernten KI-Agenten analysiert werden.
  • In einem vierten Schritt, den ich wahrscheinlich nicht umsetzen werde, könnte der Werkzeugkasten zusammen mit dem angelernten KI-System zur Real-Time Analyse von Gruppen bzw. Teams verwendet werden.
Schauen wir mal!

Anhang 1

Mathematische Dokumentation des Parisi-Replica-Modells, angewendet in der Collective Mind Theorie

Warum statistische Mechanik die neue Führungspraxis definiert

Klassische Führungsmodelle basieren oft auf einer deterministischen Illusion: Man geht davon aus, dass bei gleichen Startbedingungen (Akteure, Agenda, Raum) auch immer das gleiche berechenbare Ergebnis entsteht. Die Realität moderner, agiler Organisationen beweist jedoch täglich das Gegenteil. Soziale Netzwerke, Verhandlungsteams und Diskursräume sind keine linearen Maschinen, sondern hochkomplexe Systeme, in denen individuelle Werte und kollektive Dynamiken permanent aufeinanderprallen.

Um diese Komplexität nicht nur intuitiv zu erfassen, sondern algorithmisch zu steuern, bedarf es eines Paradigmenwechsels. Die Collective Mind Theory entlehnt hierfür das mathematische Werkzeug der statistischen Mechanik – präziser: die Physik der Spin-Gläser nach Giorgio Parisi.

Für die Führungspraxis liefert dieser formale Rahmen drei entscheidende Erkenntnisse:
  • Die Quantifizierung von Systemstress: Kognitive Fatigue ist kein weicher, psychologischer Faktor mehr, sondern eine physikalisch berechenbare System-Energie. Sie entsteht als messbare Reibung, wenn das geforderte Gruppenverhalten von der tiefen Identität der Einzelnen abweicht.
  • Strukturelle Agilität statt Determination: Gruppen haben kein fixes Schicksal. Selbst bei identischen Akteuren und Werten existieren unzählige, parallel mögliche Beziehungs- und Lösungsräume (Replicas).
  • Disruption als thermodynamisches Werkzeug: Wenn ein Team in einem toxischen Konflikt oder in Gruppendenken (hohe Frustration) erstarrt ist, reicht bloßer Moderations-Konsens oft nicht aus. Es benötigt die gezielte „Hitze“ einer semantischen Disruption, um alte Symmetrien zu brechen und das System in ein neues, produktiveres Energietal springen zu lassen.
Der folgende Abschnitt dokumentiert die thermodynamischen Grundlagen dieses Modells für ein System aus N Akteuren. Hierbei wird physikalisch streng zwischen der mikroskopischen Ebene (dem individuellen Akteur als Spin) und der makroskopischen Ebene (dem gesamten Diskursraum als System-Replica) unterschieden.

1. Die Mikro-Ebene: Akteure als komplexe Spins

  • Das psychologische Dilts-Fundament (Identitäts-Vektor): Der unveränderliche, stabile Kern eines Akteurs i (mit i \in \{1, \dots, N\}). Er wird als 8-dimensionaler Vektor modelliert, der die fünf Dimensionen der Persönlichkeit (Big Five) und drei übergeordnete Kernwerte (abgeleitet aus den Spiral Dynamics v-Memes) vereint. Der rohe Profil-Vektor setzt sich wie folgt zusammen:

        \[\vec{\Phi}_{raw, i} = \begin{bmatrix} E_i \\ A_i \\ C_i \\ N_i \\ O_i \\ V_{1,i} \\ V_{2,i} \\ V_{3,i} \end{bmatrix} \begin{array}{l} \leftarrow \text{Extraversion} \\ \leftarrow \text{Agreeableness (Verträglichkeit)} \\ \leftarrow \text{Conscientiousness (Gewissenhaftigkeit)} \\ \leftarrow \text{Neuroticism (Neurotizismus)} \\ \leftarrow \text{Openness (Offenheit)} \\ \leftarrow \text{Wahrheit \& Logik} \\ \leftarrow \text{Identität \& Loyalität} \\ \leftarrow \text{Freiheit \& Aufklärung} \end{array}\]

    Um diesen Identitäts-Vektor dimensionslos in den unitären Phasenraum des Modells einbetten zu können, wird er über seine euklidische Norm auf die Länge 1 normiert:

        \[\vec{\Phi}_i = \frac{\vec{\Phi}_{raw, i}}{\Vert{} \vec{\Phi}_{raw, i} \Vert{}}\]

    Dieser Vektor repräsentiert die tiefen, unbewussten Ebenen der logischen Ebenen nach Robert Dilts (Werte, Glaubenssätze, Identität) und bleibt während des gesamten Diskurses konstant.
  • Dynamische Viskosität (Trägheit): Die psycho-emotionale Fluktuation steuert die inhaltliche Trägheit \beta_i eines Akteurs i. Sie wird aus den empirischen Varianzen des stimmlichen Arousals (\sigma_{ar, i}^2) und der semantischen Disruption (\sigma_{d, i}^2) aller bisherigen Redebeiträge dieser Person abgeleitet:

        \[\sigma_{raw, i}^2 = \frac{\sigma_{ar, i}^2 + \sigma_{d, i}^2}{2}\]

        \[\beta_i = 0.70 - 20 \cdot \left( \frac{\sigma_{raw, i}^2}{\max_{j}(\sigma_{raw, j}^2)} \right) \cdot 0.015\]

    Hierbei skaliert \max_{j}(\sigma_{raw, j}^2) die Varianz auf das Maximum aller N Teilnehmer im Raum.
  • Kinematik des Verhaltens-Spins: Die Viskosität \beta_i bestimmt, wie stark ein Akteur sein situatives Verhalten ändert, wenn ein neuer inhaltlicher Impuls in Form des zentrierten und normierten Text-Embeddings \vec{v}^{(t)} (die Aussage im Turn t) in den Raum tritt. Für den aktiven Sprecher im Turn t gilt:

        \[\vec{S}_{raw, i}(t) = \beta_i \cdot \vec{S}_i(t-1) + (1 - \beta_i) \cdot \vec{v}^{(t)}\]

        \[\vec{S}_i(t) = \frac{\vec{S}_{raw, i}(t)}{\Vert{} \vec{S}_{raw, i}(t) \Vert{}}\]

    (Für die schweigenden, zuhörenden Akteure friert das Verhalten in diesem Turn ein: \vec{S}_i(t) = \vec{S}_i(t-1)).
  • Strukturelle Kopplung (Quenched Disorder): Das eingefrorene, architektonische Beziehungsnetzwerk des Raumes. Es wird über die Pearson-Korrelation der stabilen psychologischen Profile (Dilts-Fundament \vec{\Phi}) zweier Akteure i und j berechnet:

        \[J_{ij} = \frac{\sum_{k=1}^{8} (\Phi_{i,k} - \bar{\Phi}_i)(\Phi_{j,k} - \bar{\Phi}_j)}{\sqrt{\sum_{k=1}^{8} (\Phi_{i,k} - \bar{\Phi}_i)^2 \sum_{k=1}^{8} (\Phi_{j,k} - \bar{\Phi}_j)^2}}\]

    Hierbei ist \Phi_{i,k} die k-te Komponente des Vektors \vec{\Phi}_i und \bar{\Phi}_i = \frac{1}{8} \sum_{k=1}^{8} \Phi_{i,k} ist der arithmetische Mittelwert dieser 8 Dimensionen für den Akteur i.
  • Der erweiterte Spin-Zustand: Der mikroskopische Freiheitsgrad \vec{\chi}_i(t) der Person i entsteht aus der Konkatenation (Verkettung \oplus) des stabilen psychologischen Kerns (mit Gewichtung 0.4) und des berechneten kinematischen Verhaltens \vec{S}_i(t) (mit Gewichtung 0.6):

        \[\vec{\chi}_{raw, i}(t) = (0.4 \cdot \vec{\Phi}_i) \oplus (0.6 \cdot \vec{S}_i(t))\]

        \[\vec{\chi}_i(t) = \frac{\vec{\chi}_{raw, i}(t)}{\Vert{} \vec{\chi}_{raw, i}(t) \Vert{}}\]

  • Beziehungs-Ähnlichkeit: Der aktuelle, dynamische inhaltlich-psychologische Overlap zweier mikroskopischer Akteure:

        \[q_{ij}(t) = \vec{\chi}_i(t) \cdot \vec{\chi}_j(t)\]

2. Die Makro-Ebene: System-Replicas und Thermodynamik

  • Die System-Replica: Der vollständige, makroskopische Zustand des Netzwerks aus allen N Personen zu einem spezifischen Zeitpunkt t:

        \[\mathcal{R}(t) = \{ \vec{\chi}_1(t), \vec{\chi}_2(t), \dots, \vec{\chi}_N(t) \}\]

  • System-Energie (Kognitive Fatigue): Die thermodynamische Systemspannung. Sie steigt, wenn das aktuelle Verhalten q_{ij}(t) der inneren Natur J_{ij} der Akteure widerspricht. Die Summe wird über alle einzigartigen Akteurspaare (i < j) gebildet:

        \[E_{sys}(t) = - \sum_{i < j} J_{ij} \cdot q_{ij}(t)\]

  • Globale Magnetisierung (Semantischer Konsens): Das Maß für die Konformität, abgeleitet aus der euklidischen Norm des globalen Zentroid-Vektors der System-Replica:

        \[M(t) = \left\Vert{} \frac{1}{N} \sum_{i=1}^{N} \vec{\chi}_i(t) \right\Vert{}\]

  • Parisi-Overlap (Replica Symmetry Breaking): Der makroskopische Ordnungsparameter, der die strukturelle Überlappung der gesamten System-Replica zum Zeitpunkt t mit der System-Replica zu einem anderen Zeitpunkt t' quantifiziert:

        \[Q(t, t') = \frac{1}{N^2} \sum_{i=1}^{N} \sum_{j=1}^{N} \left( \vec{\chi}_i(t) \cdot \vec{\chi}_j(t') \right)\]

  • Boltzmann-Übergangswahrscheinlichkeit: Die physikalische Wahrscheinlichkeit (Agilität), dass das System eine Energiebarriere überwindet und das Energietal wechselt. Sie basiert auf der Energiedifferenz \Delta E(t) = E_{sys}(t) - E_{sys}(t-1). Als erforderliche thermische „Hitze“ fungiert der gemessene semantische Disruption-Score d_t aus dem Sprachmodell:

        \[P_{shift}(t) = \begin{cases} 1.0, & \Delta E(t) \le 0 \\ \exp\left( - \frac{\Delta E(t)}{\vert{}d_t\vert{} + \epsilon} \right), & \Delta E(t) > 0 \end{cases}\]

    (Die Konstante \epsilon > 0 stellt das semantische Grundrauschen dar und verhindert eine mathematische Division durch Null, falls d_t = 0).

Anhang 2

Integration der bisherigen Kenngrößen mit den aktuellen Kenngrößen

1. Kausale Kraft C(t) als thermischer Multiplikator

Bisher nutzen wir in der Boltzmann-Gleichung nur den absoluten Disruption-Score \vert{}d_t\vert{} als „Hitze“. Die Kausale Kraft C(t) zeigt jedoch exakt, ob eine Disruption vom Makro-System überhaupt angenommen wird oder verpufft.
Wir modifizieren die thermische Energie T im Nenner, indem wir die Kausale Kraft als Multiplikator (Katalysator) einbauen. Eine Disruption führt nur dann zu einem Phasenübergang, wenn der Sprecher auch kausale Macht ausübt:

    \[T_{\text{eff}}(t) = \vert{}d_t\vert{} \cdot (1 + \max(0, C(t)))\]

    \[P_{\text{shift}}(t) = \exp\left( - \frac{\Delta E(t)}{T_{\text{eff}}(t) + \epsilon} \right)\]

  • Der Code-Trigger: Wenn C(t) (wie bei Turn 40 oder 71) stark ausschlägt, vervielfacht sich die Hitze, und die Energiebarriere schmilzt augenblicklich weg.

2. Konsolidierungs-Index als dynamischer Gefrierpunkt (\beta-Kopplung)

Der Plot zum Konsolidierungs-Index zeigt eine kristallklare Nulllinie (Mittelwert) bei exakt 41. Wir können diesen empirischen Wert als kritischen Schwellenwert K_{\text{crit}} = 41 nutzen, um die Viskosität (Trägheit \beta_i) der Akteure dynamisch an den Systemzustand zu koppeln.

  • System kühlt ab (K(t) > 41): Das System kristallisiert. Wir erhöhen \beta_i im Code künstlich um einen Faktor (z. B. +0.1). Die Spins frieren in ihren Allianzen ein, das System wird starr.
  • System schmilzt auf (K(t) < 41): Wie bei den markierten Drops (Turn 47, Turn 64, Turn 88) wird das System fluide. \beta_i sinkt, die Akteure sind maximal empfänglich für semantische Umpositionierungen.

3. Der 0.7-Stresspegel als kritische Instabilitäts-Schranke

In der Stresspegel-Analyse markiert die rote gestrichelte Linie bei 0.7 die absolute kritische Zone. Wir übersetzen diesen Schwellenwert direkt in eine kritische Systemenergie E_{\text{crit}} für das Parisi-Modell.

  • Der Code-Trigger: Wenn die thermodynamische Frustration E_{\text{sys}}(t) das Äquivalent dieses 0.7-Schwellenwerts überschreitet, triggern wir im Code einen nicht-linearen „Erschöpfungs-Bruch“.
  • In diesem Moment kippt das System: Selbst eine minimale Disruption (ein sehr kleines \vert{}d_t\vert{}) reicht dann aus, um P_{\text{shift}} auf 1.0 zu setzen, weil das System unter seiner eigenen Reibungshitze kollabiert.
 

Anhang 3

Gegenüberstellung der Kenngrößen von Parisi-Modell und bisherigen Kenngrößen.


Thermodynamische Energie vs. Empirischer Stress

  • Bisherige Heuristik: Der Systemstress wurde bisher als regelbasierte Summe („Stresspegel“) approximiert. Er basierte primär auf der Beobachtung negativer Valenz und hohem Arousal der Einzelakteure.
  • Parisi-Upgrade: Die Kognitive Fatigue (E_{sys}) ist nun kein empirischer Näherungswert mehr, sondern eine exakte physikalische Frustration. Sie misst direkt die Reibung zwischen dem unveränderlichen psychologischen Fundament (J_{ij}) und der aktuellen Verhaltenskollision (q_{ij}).

Hitze-Injektion und Regime-Wechsel

  • Bisherige Beobachtung: Der semantische D-Score und die Kausale Kraft markierten lediglich die isolierten Momente einer Disruption (z. B. den starken Ausschlag um Turn 49).
  • Parisi-Upgrade: Der D-Score \vert{}d_t\vert{} fungiert im neuen Modell direkt als „thermodynamische Hitze“ in der Boltzmann-Gleichung. Wir sehen nicht nur den Einschlag, sondern berechnen die exakte Wahrscheinlichkeit (P_{shift}), ob diese Hitze ausreicht, um das System aus dem erstarrten Makro-Regime (Identitätskampf) über die Energiebarriere in ein neues Energietal (Agenda-Setting) zu heben.

Von statischer Kopplung zur dynamischen Symmetriebrechung

  • Bisherige Statistik: Die soziale Kopplungs-Matrix lieferte lediglich einen globalen Mittelwert (\mu) und eine statische Varianz (\sigma^2) für die gesamte Debatte.
  • Parisi-Upgrade: Das Modell löst diese statische Sicht auf. Die zeitaufgelöste Mikro-Matrix q_{ij}(t) macht die fluktuierenden Allianzen sichtbar. Die Makro-Matrix Q(t, t') zeigt mathematisch, dass identische Akteure durch Replica Symmetry Breaking im Zeitverlauf in völlig unterschiedliche, inkompatible Verhaltenszustände zerfallen.

Konsolidierung als thermodynamische Abkühlung

  • Bisherige Analyse: Der Konsolidierungs-Index markierte wichtige Kristallisationspunkte (wie Turn 88 durch Lanz), an denen sich der Diskurs beruhigte.
  • Parisi-Upgrade: Diese Kristallisationspunkte zeigen sich nun physikalisch als spontane Energieabfälle (\Delta E \le 0). Das Spin-Glas entspannt sich in ein tieferes, stabileres Tal, ohne dass externe Hitze notwendig ist.
 

Anhang 4

Formalismus des Parisi-Baumes

Um die Dynamik von Diskursen und Organisationen physikalisch zu fundieren, übersetzen wir die Beziehungs- und Zustandsstrukturen der Akteure in den Formalismus der Spin-Glas-Theorie (Giorgio Parisi). Der Hierarchie-Baum (Dendrogramm) entsteht dabei in vier aufeinander aufbauenden mathematischen Schritten:

1. Die Parisi-Overlap-Matrix Q(t, t') (Ordnungsparameter)

Jeder Systemzustand zu einem Zeitpunkt (Turn) t wird durch einen Vektor der Zustandsvariablen \vec{\chi}(t) repräsentiert. Der Grad der strukturellen Übereinstimmung (die Ähnlichkeit der Konfigurationen) zwischen zwei Zeitpunkten t und t' wird über das skalierte Skalarprodukt (den Overlap) gemessen:

    \[Q(t, t') = \frac{1}{N} \sum_{i=1}^{N} \chi_i(t) \chi_i(t')\]

  • Erläuterung: N ist die Anzahl der betrachteten Akteure. Liegt Q(t, t') nahe bei 1, haben die Akteure exakt dieselbe Allianz-Konfiguration wie zuvor. Liegt der Wert bei 0 oder im negativen Bereich, hat sich die Systemtopologie fundamental gedreht.

2. Die Phasenraum-Distanz d(t, t')

Da Clustering-Algorithmen keine Ähnlichkeiten, sondern Abstände verarbeiten, transformieren wir den Overlap in eine metrische Phasenraum-Distanz:

    \[d(t, t') = 1 - Q(t, t')\]

  • Erläuterung: Wenn zwei Systemzustände maximal korrelieren (Q = 1), ist ihre Distanz d = 0 (sie liegen im exakt selben Energietal). Je geringer der Overlap, desto größer ist die Distanz im Phasenraum (bis zu d = 1), was einen tiefgreifenden Systemwandel anzeigt.

3. Die Ultrametrische Ungleichung (Das Fundament des Parisi-Baumes)

Das herausragende Merkmal des Parisi-Replica-Symmetry-Breaking (RSB) ist, dass sich der Phasenraum in eine hierarchische Baumstruktur (einen ultrametrischen Raum) presst. Für drei beliebige Systemzustände x, y, z gilt stets die verschärfte Dreiecksungleichung:

    \[d(x, z) \leq \max\left(d(x, y), d(y, z)\right)\]

  • Erläuterung: In einem regulären Raum kann ein Dreieck beliebige Seitenverhältnisse haben. Im ultrametrischen Raum des Parisi-Baumes sind Dreiecke immer gleichschenklig mit zwei langen und einer kurzen Seite. Das bedeutet mathematisch: Es gibt keine fließenden Übergänge oder echten Kreisläufe zwischen den Energietälern. Das System verzweigt sich starr und baumartig.

4. Das hierarchische Clustering (UPGMA-Verfahren)

Die vertikale Verzweigungshöhe (die y-Achse des Baumes) wird durch den Algorithmus des Unweighted Pair Group Method with Arithmetic Mean (UPGMA) bestimmt, welcher die Distanzen sukzessive fusioniert:

    \[d(A \cup B, C) = \frac{\vert{}A\vert{} \cdot d(A, C) + \vert{}B\vert{} \cdot d(B, C)}{\vert{}A\vert{} + \vert{}B\vert{}}\]

  • Erläuterung: Zwei Cluster von Turns (A und B) verschmelzen zu einem gemeinsamen Ast, sobald ihr durchschnittlicher phasenraum-theoretischer Abstand den Schwellenwert der y-Achse erreicht. Die Höhe der Verzweigung quantifiziert direkt, wie viel „thermodynamische Energie“ im Raum freigesetzt werden muss, um diese Zustände topologisch miteinander zu verknüpfen.

Anhang 5

Die Energie-Topografie des Diskursraumes

Um die abstrakte Verwandtschaft der Systemzustände (den Parisi-Baum) in eine topografische 3D-Energielandschaft zu übersetzen, in der wir Täler (Attraktoren) und Berge (Spannungszustände) durchwandern können, kombiniert die Collective Mind Theory thermodynamische Hamilton-Mechanik mit multidimensionaler Skalierung.

Die Konstruktion der Landschaftskarte beruht auf drei mathematischen Säulen:

1. Die Z-Achse: Die thermodynamische System-Energie E_{parisi}

Die Höhe jedes Punktes im Gebirge repräsentiert die innere Spannung oder Frustration des Systems. Sie wird über den Hamilton-Operator berechnet, der die angeborene strukturelle Kopplung der Akteure (J_{ij}) mit ihrem situativen Kommunikationsverhalten (q_{ij}) abgleicht:

    \[E_{parisi}(t) = - \sum_{i=1}^{N-1} \sum_{j=i+1}^{N} J_{ij} q_{ij}(t)\]

  • Erläuterung:

    • J_{ij} ist die statische „Quenched Disorder“ (die grundlegende Passung oder Abneigung zweier Persönlichkeiten, basierend auf ihren Kernprofilen).
    • q_{ij}(t) = \vec{\chi}_i(t) \cdot \vec{\chi}_j(t) ist der situative Mikro-Overlap im Turn t.
    • Tiefe Täler (Attraktoren): Wenn das situative Verhalten exakt der angeborenen Struktur entspricht (Freunde kooperieren, Feinde bekämpfen sich), wird das Produkt positiv. Durch das negative Vorzeichen in der Formel stürzt die Energie E_{parisi} ab. Das System fällt in ein tiefes, stabiles (oftmals primitives) Energietal – wie den Identitätskampf.
    • Hohe Berge (Excited States): Wenn Akteure entgegen ihrer natürlichen Reflexe handeln müssen (z.B. Kooperation trotz grundlegender Werte-Unterschiede), entsteht Frustration. Die Energie steigt. Das erklärt physikalisch, warum hochkomplexe Phasen wie das Agenda-Setting energetisch so anstrengend sind.

2. Die X- und Y-Achse: Projektion des Phasenraumes

Das System bewegt sich in einem hochdimensionalen Beziehungsraum (mit unzähligen Kanten und Parametern). Um diesen auf eine 2D-Fläche (unsere Landkarte) zu pressen, nutzen wir die Multidimensionale Skalierung (MDS). Der Algorithmus sucht für jeden Turn t zweidimensionale Koordinaten \vec{x}(t) = (x(t), y(t)), indem er die folgende Stress-Funktion minimiert:

    \[\Phi(X) = \sum_{t < t'} \left( d(t, t') - \Vert{}\vec{x}(t) - \vec{x}(t')\Vert{} \right)^2\]

  • Erläuterung:

    • d(t, t') ist unsere wahre, unbestechliche Parisi-Phasenraumdistanz (1 - Q(t,t')) aus dem hochdimensionalen Raum.
    • \Vert{}\vec{x}(t) - \vec{x}(t')\Vert{} ist der simple euklidische Abstand der Punkte auf unserer flachen Landkarte.
    • Der Algorithmus ordnet die Turns solange auf der X/Y-Ebene an, bis die Differenz zwischen echter Distanz und flacher Distanz minimal ist (\Phi \to 0). Die Koordinaten X und Y haben dabei keine inhaltliche Bedeutung (wie Zeit oder Temperatur), sondern spannen rein den strukturellen Boden auf.
 

Der MDS-Algorithmus hat nur eine einzige mathematische Aufgabe. Er liest die zuvor berechneten Distanzen d(t, t') aus dem hochdimensionalen Raum ein und ordnet die 100 Turns auf der flachen 2D-Ebene so an, dass ihr geometrischer Abstand auf dem Bildschirm so exakt wie möglich der wahren Parisi-Distanz entspricht. Wenn Turn 40 und Turn 80 im 1960-dimensionalen Raum weit voneinander entfernt sind, zwingt der Algorithmus sie auch auf den X/Y-Koordinaten weit auseinander. Die X/Y-Fläche ist lediglich der zweidimensionale Schatten, den das unvorstellbare 1960-dimensionale Gebilde auf eine flache Ebene wirft, damit unser Auge es greifen kann.

3. Das Oberflächen-Gitter: Die interpolierte Topologie

Da wir nur 100 diskrete Messpunkte (die Turns) haben, das System sich aber theoretisch durch ein kontinuierliches Feld bewegt, wird ein stufenloses Gebirge E(x,y) über eine kubische Spline-Interpolation approximiert:

    \[E(x,y) \approx \sum_{t=1}^{T} w_t(x,y) \cdot E_{parisi}(t)\]

  • Erläuterung: Diese Funktion schätzt die Energiehöhe für jeden unbetretenen Fleck auf der Karte basierend auf den umliegenden, real gemessenen Turns. So entsteht die glatte, zusammenhängende Oberfläche, auf der wir die steilen Pässe zwischen den Regime-Tälern erkennen können.

4. Die Anzahl der Dimensionen

Hier ist die exakte mathematische Herleitung der Dimensionsgrößen:

1. Der Akteur: 392 Dimensionen
Ein einzelner Akteur i wird im Modell durch den Zustandsvektor \vec{\chi}_i(t) beschrieben. Dieser Vektor ist die Konkatenation (Aneinanderreihung) aus zwei Datensätzen:
  • 8 Dimensionen aus dem statischen Kernprofil (z. B. Big Five, Spiral Dynamics).
  • 384 Dimensionen aus dem situativen Sprachverhalten (die semantischen Text-Embeddings aus dem NLP-Modell, typischerweise all-MiniLM-L6-v2, welches Vektoren der Länge 384 ausgibt).
  • Summe: 8 + 384 = 392 Dimensionen. Ein einzelner Sprecher ist also ein Punkt in einem 392-dimensionalen Raum.
2. Der System-Zustandsraum: 1960 Dimensionen
Um den Zustand des gesamten Systems (der System-Replica) zu einem bestimmten Turn t vollständig abzubilden, muss der Algorithmus die Vektoren aller anwesenden Akteure gleichzeitig erfassen.
  • Rechnung: 5 \text{ Akteure} \times 392 \text{ Dimensionen pro Akteur} = 1960 \text{ Dimensionen}.
  • Erklärung:  Wenn die Matrix Q(t, t') berechnet wird, vergleicht sie den 1960-dimensionalen Systemzustand zum Zeitpunkt t mit dem 1960-dimensionalen Zustand zum Zeitpunkt t'.
3. Der Beziehungsraum: 10 Dimensionen
Die Thermodynamik (System-Energie E_{sys}) interessiert sich nicht für die rohen Text-Embeddings, sondern ausschließlich für die Spannungen zwischen den Akteuren.
  • Bei 5 Akteuren gibt es exakt \frac{5 \times 4}{2} = 10 mögliche Paare (Dyaden).
  • Für jedes Paar wird das Skalarprodukt aus ihren 392-dimensionalen Vektoren gebildet, was zu einem einzigen Skalarwert führt: dem situativen Overlap q_{ij}(t).
  • Das Netzwerk lässt sich folglich auch als ein 10-dimensionaler Vektor ausdrücken, der aus genau diesen 10 Beziehungs-Spannungen besteht.

Literatur

[1] Parisi G (2002/2024) The physical Meaning of Replica Symmetry Breaking,
https://doi.org/10.48550/arXiv.cond-mat/0205387
[2] Cutts E (2026) The strange physics that gave birth to AI, https://www.quantamagazine.org/the-strange-physics-that-gave-birth-to-ai-20250430/, Quanta

Collective Mind Theorie IV – Luhmann & Lacan revisited: Makro-Dynamik bestimmt Mikro-Dynamik?

Kurzfassung: Dieser Beitrag untersucht die Wechselwirkung zwischen individueller Psyche und gesellschaftlichen Strukturen auf Basis der Collective Mind Theorie (CMT). Dafür werden Niklas Luhmanns soziologische Systemtheorie mit Jacques Lacans psychoanalytischem Modell verknüpft. Der Kern der Aussagen liegt in der Frage, inwiefern übergeordnete Makro-Dynamiken (gesellschaftliche Diskurse, Systeme und Sprachordnungen) das Verhalten und die Kognition auf der Mikro-Ebene (Individuen) determinieren. Mithilfe mathematischer Modelle und Konzepte aus der Informations- sowie Komplexitätstheorie wird veranschaulicht, wie kollektive Sinnfokussierung und Sprache individuelle Mentalitätsmuster prägen. Gleichzeitig hinterfragt der Beitrag reine Makro- oder Mikro- Ansätze und betont deren Rückkopplung: Zwar steuert die Makro-Ebene das Individuum stark, jedoch bleibt das Potenzial für mikro-dynamische Emergenz bestehen. Der Text schlägt damit eine theoretische Brücke zwischen moderner Soziologie, Psychoanalyse und agilen Führungs- sowie Managementkonzepten im Kontext von Management 4.0.

Der Beitrag wurde in Hybrider Collective Intelligence mit Gemini Pro erstellt. Das folgende Bild wurde von Gemini generiert.

 

Die mathematische Modellierung der Dynamik von Teams oder sozialen Organisationen mittels der Collective Mind Theorie liefert in mehreren Bereichen Erkenntnisse:

Die Dynamik sozialer Organisationen wird wesentlich genauer und grundlegender modelliert: Die Einflussgrößen der Dynamik können unmittelbar mit realen Kommunikationsabläufen überprüft werden. Begriffe wie Emergenz, Disruption oder Stress werden nachvollziehbar. Die ‚beliebige‘ Ausgestaltung dieser Begriffe wird durch eine Überprüfbarkeit in der Praxis ersetzt. Es entsteht damit eine Theorie, die soziale Interaktionen an der Praxis erklärt und gleichzeitig innovative Konzept einführt, die für das Verständnis von sozialen Organisationen und deren Führung von großer Bedeutung sind.

Mehrmals konnte bisher der ‚Beweis‘ erbracht werden, dass die kollektiven Prinzipien des Gehirns, von KI-Systemen und sozialen (Team-) Systemen gleich oder sehr ähnlich sind. Ich habe für diese ‚Beweise‘ auf wissenschaftliche Literatur zu KI -Systemen zurückgegriffen. Diese Literatur zieht ihrerseits eine direkte Verbindung zu den Prinzipien, die unserem Gehirn zu Grunde liegen. Der Attention Mechanismus aber auch der J-Space und das Prinzip der Superposition für mentale Konzepte gehören hierzu (siehe vorhergehende Blog-Beiträge). Heute werde ich das Prinzip von Aggregator und Differentiator des Psychoanalytikers Lacan hinzufügen. Auch hier ist die Ausgangsbasis wieder ein aktueller wissenschaftlicher Artikel zur Forschung interner Funktionsweisen von KI-Systemen [1]. 

Der dritte Bereich der Erkenntnis liegt in der mathematischen Modellierung von sozial- und geisteswissenschaftlichen Ideen und Theorien: Der Soziologe Niklas Luhmann dürfte wahrscheinlich vielen als Autor einer anspruchsvollen und abstrakten Theorie der (Kommunikations-) Systeme bekannt sein. In dem ein oder anderen Blog-Beitrag habe ich auf Luhmann Bezug genommen. – Den französischen Psychoanalytiker Lacan kannte bis zum Lesen von [1] nicht.

Ich gehe im Folgenden auf Kernaussagen beider Autoren ein, da ich diese hier verwende:

Wenn wir Diskussionen, Krisen-Meetings oder gesellschaftliche Debatten analysieren, scheitern klassische Führungs- und Moderationsansätze oft an der Realität. Sie gehen davon aus, dass Menschen Akteure sind, die sich durch das „bessere Argument“ überzeugen lassen.

Die Collective Mind Theory (CMT) bricht mit dieser Illusion: In den vorhergehenden Blog-Beiträgen habe ich schon mit einigen Ergebnissen gezeigt, was der Soziologe Niklas Luhmann und der französische Psychoanalytiker Jacques Lacan theoretisch formuliert haben: Nicht das Individuum steuert den Diskurs, sondern die weitgehend unsichtbare Struktur des Systems.

Luhmann hat die radikale These aufgestellt, dass soziale Systeme nicht aus Menschen, sondern aus Kommunikation bestehen.
  • „Kommunikation kommuniziert, nicht Menschen“: In der CMT messen wir das durch die soziale Modulation. Wenn ein Sprecher das Wort ergreift, ist sein Satz niemals neutral. Die mathematische Vektor-Addition von Aussagen beweist: Das „soziale Rauschen“ (also die Reaktionen der Verbündeten und Gegner im Raum) verbiegt die eigentliche Aussage. Das System verarbeitet nicht das, was der Sprecher meint, sondern das, was das Beziehungsnetzwerk des Raumes daraus macht.
  • Anschlussfähigkeit und Autopoiesis: Nach Luhmann kann ein System Informationen von außen nicht direkt aufnehmen; es kann nur das verarbeiten, was zu seinen eigenen internen Strukturen passt. In der CMT ist das die orthogonale Reibung: Wenn ein Mikro-Impuls (also zum Beispiel ein Argument) nicht zu den aktiven Themen-Clustern passt (Ähnlichkeit < 0.15), wird er vom System abgewiesen. Er erzeugt kein inhaltliches Wachstum, sondern pure kognitive Fatigue (System-Stress). Das System reibt sich an der eigenen Unfähigkeit auf, die Information anzuschließen.
Lacan hat gezeigt, wie der menschliche Geist (und damit auch der kollektive Raum) überhaupt Bedeutung erschafft und verhindert: Das ‚wahllose‘ Erzeugen von Kommunikationsbeiträgen (genannt ‚Trashing‘) erzeugt oft mehr Aufwand als deren sinnvolle Integration in ein Ganzes. Erst wenn ein mentaler Anker gesetzt wird entsteht Sinn.
  • Der „Point de Capiton“ (Stepppunkt): Lacan beschreibt, dass Bedeutungen im Diskurs frei umhergleiten, bis sie durch einen Anker (den Stepppunkt) schlagartig fixiert werden. Die Ziel-Hierarchie der CMT ist ein Anker-Hierarchie-Baum. Wenn der (oberste) Anker wirkt, entspricht dies einem Phasenübergang in der Kommunikation. Lacan spricht von Aggregation: Selbst wenn ein System inhaltlich flimmert – Lacan spricht von Differentiation –  aber sich eine hohe mentale Kopplung entwickelt hat, reicht eine präzise Intervention, um die angesammelte Reibung kollabieren zu lassen. Der Konsolidierungs-Index ( = Aggregator/Differentiator) steigt schlagartig – der Diskurs rastet in einer gemeinsamen Struktur ein, die stabil ist.
  • „Le grand Autre“ (Der große Andere): Für Lacan ist das die unsichtbare, symbolische Ordnung, die unser Sprechen diktiert, ohne dass wir sie direkt greifen können. In der CMT ist das die Makro-Vision (der oberste Anker: \vec{M}^{(t)}). Sie ist der kollektive Kompass des Diskurses. Dieser Vektor ist extrem träge (98 % Erhalt) und lässt sich von einzelnen Störfeuern nicht beeindrucken. Er ist das übergeordnete „Wir-Gefühl“ des Raumes, an dem sich alle Sprecher – ob bewusst oder unbewusst – abarbeiten. 

Lacan hat seine Theorie vor mehr als hundert Jahren entwickelt und wie man unschwer erkennen kann, ist diese Erkenntnis sowohl in der Psychotherapie als auch in der sozialen Systemtheorie von großer Bedeutung. Er hat damit wesentliche Aspekte der CMT vor ca. 100 Jahren vorweg genommen. Die Theorie der KI-Systeme [1] schlägt jetzt ein weiteres Kapitel auf: Die Grundidee von Lacan und der CMT wird in ein mathematisches Modell übersetzt und liefert damit ein weiteres Werkzeug, mit dem man Gehirn, KI und Collective Mind durchleuchten kann:

Zusammenfassend halte ich fest: Lacan erklärt uns, wie soziale Systeme davor bewahrt werden, im endlosen kommunikativen Rauschen zu ertrinken und auseinanderzufallen: Die Fixierung von Bedeutung verhindert ein Zuviel an Differentiation, das jede stabilisierende Aggregation unmöglich machen würde. Luhmann erklärt uns, wie die Systeme ‚laufen‘ und warum sie auch überhitzen können: Anschlussfähigkeit sichert den Systemfortbestand, mangelnde Anschlussfähigkeit führt zu Fatigue, einem zu viel an Differentiation, die das System nicht verarbeiten kann. 
Die Collective Mind Theory bringt beide zusammen und liefert erstmals eine praktische Theorie der Kommunikation: Bevor wir Menschen inhaltlich überzeugen (Alignment) können, müssen wir die Gesetzmäßigkeiten des Diskurses, also die Makro-Regime-Dynamik, beherrschen.
Wenn Luhmann die Mechanik der Kommunikation erklärt und Lacan deren Dynamik, dann liefert Spiral Dynamics (SD) die Erklärung für die inhaltlichen Gravitationskräfte, die das System zerreißen oder zusammenhalten. Das „Thrashing“ (Regime-Flimmern), das wir im Datenplot von Abbildung 1 des Blog-Beitrages ‚Hybride Collective Intelligence: Collective Mind Leadership: Theorie der Emergenz‘ vom Juli 2026 gesehen haben, entsteht genau dann, wenn inkompatible Werte-Meme im Vektorraum aufeinanderprallen und das System keine gemeinsame Verarbeitungsebene findet. Im Folgenden skizziere ich deshalb die Anatomie der Regime mittels Spiral Dynamics:
 
1. Regime 0: Der Identitätskampf (Das Rote/Blaue Kraftfeld)
  • Die Systemdynamik: Hohe orthogonale Reibung, maximaler Stress (Fatigue), keine inhaltliche Konsolidierung. Der Konsolidierungs-Index ist (sehr) klein.
  • Die Spiral Dynamics Linse: Hier prallen fundamentale Existenz- und Wahrheitsansprüche aufeinander. Es ist oft der Kampf von Rot (Macht, Dominanz, „Mein Wille zählt“) oder Blau (absolute Ordnung, starres Dogma, „Die einzige Wahrheit“). In diesem Regime geht es nicht um Problemlösung, sondern um systemisches Überleben und Deutungshoheit. Solange diese Meme den Raum dominieren, verpufft jedes rationale Argument als nutzloses Rauschen. Das System ist in diesem Zustand schlichtweg nicht anschlussfähig für Fakten.
2. Regime 1: Die Sachdebatte (Die Orange/Grüne Konsolidierung)
  • Die Systemdynamik: Die orthogonale Reibung sinkt, der Konsolidierungs-Index steigt stark an. Das System bündelt seine Energie erfolgreich in messbaren Themen-Clustern.
  • Die Spiral Dynamics Linse: Das System hat sich auf das Orange Meme (Rationalität, Leistung, wissenschaftliche Methodik) geeinigt und wird von gegenseitiger Wertschätzung (Grünes Mem: Pluralismus, Empathie, Relativierung starrer Fakten) getragen. Die Sprecher ziehen an denselben konzeptionellen Ankern, weil sie den Diskursraum als eine logische, lösbare Aufgabe betrachten. Die Makro-Vision stabilisiert sich zu einem klaren Nordstern.
3. Regime 2: Das Agenda-Setting (Die Gelbe System-Integration)
  • Die Systemdynamik: Souveräne Steuerung, fließende Wechsel zwischen Themen-Clustern, ohne dass sich destruktive Fatigue aufbaut.
  • Die Spiral Dynamics Linse: Der Raum operiert im Gelben Meme (systemisches Denken, Integration, Flexibilität). Ein erfolgreicher Point de Capiton – wie bei Turn 88 in der Markus Lanz TV Sendung, die ich auch in diesem Beitrag als Praxis-Beispiel verwende – erfordert zwingend diese gelbe Kapazität: Die Intervention erkennt die aufgeladene Spannung im Raum, absorbiert die unstrukturierten Impulse und webt sie in einen neuen, höheren Sinnzusammenhang. Der Stepppunkt zwingt das System nicht durch Macht (Rot) zur Ruhe, sondern durch eine überlegene, integrierende Architektur.

Die Brücke zur Führungspraxis: Ein moderativer Eingriff scheitert in der Realität fast immer daran, dass Führungskräfte versuchen, einen Rot/Blauen Identitätskampf mit Orangen Sachargumenten zu befrieden. Das System weist das Argument ab, der System-Stress steigt weiter an. Echte Führung bedeutet, das aktive Makro-Regime. also das vorherrschende Meme des Raumes, zu lesen und den Point de Capiton exakt so zu setzen, dass das System diesen verarbeiten kann, also Resonanz und damit Synergie erzeugt wird.

Die nachfolgende Abbildung 1 zeigt im oberen Plot die Kausale Kraft und die aktiven Makro-Regime der bisherigen Analyse der TV Sendung Markus Lanz: Diese Abbildung haben ich schon im Blog-Beitrag ‚Hybride Collective Intelligence: Collective Mind Leadership: Theorie der Emergenz‘ vom Juli 2026 eingeführt. Jetzt ordne ich die dort gefundenen drei Makro-Regime den Spiral Dynamics Werte-Memen zu. – Deshalb sind die Makro-Regime auch entsprechend der zugeordneten Haupt-Meme mit Rot, Orange und Gelb eingefärbt. Der untere Plot zeigt die Fatigue (siehe Anhang 1 für die genaue Definition) sowie die Orthogonale Magnitude der Mikro-Impulse. Die Orthogonale Magnitude des jeweiligen Turns misst inwieweit die jeweilige Turn-Aussage zur gerade herrschenden Makro-Vision ‚passt‘ und ist damit die Metrik des Differentiators: Er bricht Strukturen auf, bringt radikal Neues ein oder greift Bestehendes an. Die Fatique misst den damit verbundenen akkumulierten Stress.

Abbildung 1: Oberer Plot: Kausale Kraft und Makro-Regime mit Zuordnung zu den vorherrschenden Spiral Dynamics Werte-Memen (man siehe: Blog-Beitrag ‚Hybride Collective Intelligence: Collective Mind Leadership: Theorie der Emergenz‘ vom Juli 2026)
Unterer Plot: Orthogonale Magnitude als Maß für die Differentiation jedes Turns. Rote Kurve zeigt den Stress ‚Fatique‘, als Maß der verbleibenden akkumulierten Orthogonalen Magnitude.  

Schaut man sich den oberen Plot genauer an, so stellt man fest, dass die kausale Kraft in dem Regimen 0 am stärksten ist: Man neigt dazu, zu glauben, dass das „beste“ oder konstruktivste Regime (Orange/Gelb) auch die höchste „Kraft“ besitzen müsste.

Systemtheoretisch und mathematisch ist jedoch genau das Gegenteil der Fall. Dass die Kausale Kraft (C) im Identitätskampf (Rot) am stärksten ausschlägt und in der Sachdebatte (Orange) abflacht, ist kein Fehler im Modell, sondern der Hinweis, dass das System ‚physikalisch‘ korrekt funktioniert.

Wir verwechseln im Alltag oft „Kraft“ mit „Fortschritt“. In der Physik und der Systemtheorie misst die Kausale Kraft (C) jedoch nicht, wie gut oder harmonisch ein Diskurs läuft. Sie misst den Einfluss auf die Zustandsänderung – also die reine kinetische Energie, die aufgewendet wird, um das System aus seiner Bahn zu werfen oder in eine neue Form zu zwingen.

Das führt zu zwei völlig unterschiedlichen systemischen Aggregatzuständen:

1. Warum die Kraft in Regime 0 (Rot/Blau) sehr stark ist

Im Identitätskampf gibt es keine gemeinsame Struktur (keine Makro-Vision). Das System ist extrem volatil und instabil.
  • Die Dynamik: Weil das System keinen schützenden Rahmen hat, schlägt jeder einzelne Redebeitrag voll durch. Wenn hier jemand angreift, muss er massive Energie (Kausale Kraft) aufwenden, um die Deutungshoheit an sich zu reißen. Das System wird durch diese Einzelimpulse hin- und hergerissen.
    Die Beobachtung: In den ersten 20 Turns gibt es kein stabiles Makro-Regime. Stattdessen sehen wir nach einer anfänglichen Leere ein rasantes „Flimmern“ zwischen Identitätskampf (rot), Sachdebatte (orange) und Agenda-Setting (gelb). Exakt in diesem chaotischen Zeitfenster schießt die rote Kurve der kognitiven Fatigue (unteres Bild) fast senkrecht auf ihr absolutes Maximum.
    Die System-Diagnose: Maximaler System-Stress entsteht nicht zwangsläufig durch einen statischen Konflikt, sondern durch strukturelle ‚Ressourcenverschwendung‘. Das System wird mit starken, querstehenden Mikro-Impulsen geflutet (hohe blaue Balken), kann sich aber auf keinen einheitlichen Verarbeitungsmodus einigen. Diese Taktung aus massiver Informationsflut und fehlender Regime-Stabilität verbrennt die kollektiven Ressourcen rasant.

2. Warum die Kraft in Regime 1 und 2 (Orange/Gelb) abflacht

Sobald das System in die Sachdebatte (Orange) oder das Agenda-Setting (Gelb) kippt, hat es sich konsolidiert. Die Makro-Vision ist eingerastet, der Raum hat sich auf eine gemeinsame Ausrichtung geeinigt.
  • Die Dynamik: In einem hochgradig geordneten System braucht ein einzelner Sprecher kaum noch Kausale Kraft, um eine Aussage zu platzieren. Das System „trägt“ die Argumente von selbst. Das ist genau der Moment, den Luhmann meint, wenn er sagt: „Das System operiert autopoietisch.“ Die Struktur ist so stark, dass sie die Mikro-Impulse absorbiert und in sanften Fortschritt verwandelt, anstatt das System jedes Mal neu zu erschüttern.
 
Die Konsequenz für eine gute Führung:

„Gute Führung und funktionierende Teams zeichnen sich nicht durch hohe Kraftanstrengung aus, sondern durch die Abwesenheit von Kausaler Kraft.“
 
Wenn in einem Meeting das Gefühl vorherrscht, dass alle Beteiligten massive mentale Kraft aufwenden müssen, um überhaupt gehört zu werden oder den Kurs zu halten, befindet man sich im Regime 0 (Identitätskampf). Hohe Kausale Kraft ist ein Symptom für systemische Reibung und Thrashing.
Sobald das System erfolgreich in ein orangenes oder gelbes Regime überführt ist, sinkt der Kraftaufwand dramatisch (die rote Kurve nähert sich der Nulllinie). Das System läuft leichtgängig, weil das inhaltliche Alignment die schwere Arbeit übernimmt.

Die Plots in Abbildung 1 verdeutlichen also den Unterschied zwischen „Gegen das System kämpfen“ und „Vom System getragen werden“.

Wenden wir uns der nächsten Abbildung zu:

Abbildung 2: Der obere Plot zeigt die Themen-Volumina, der in den vorherigen Blog-Beiträgen identifizierten Diskussionsschwerpunkt der Markus Lanz TV-Sendung. Zusätzlich wird die Stärke der Makro-Vision angezeigt. Die Makro-Vision entspricht dem Gravitationszentrum der Themenschwerpunkte im Vektorraum der Themen. Ab Turn 20 beginnen die Themen-Cluster (insbesondere „Antisemitismus“ und „Gemeindeverband“) massiv an Volumen zu gewinnen. Parallel dazu bleibt die Makro-Vision, nach einer kurzen Findungsphase am Anfang, bestehen. Der Ähnlichkeits-Score des Turn 1 von Markus Lanz (Anmoderation) zum Gravitationszentrum beträgt 0,73. D.h. mit der Anmoderation wurde die Makro-Vision schon gesetzt und im Laufe der Diskussion nicht mehr wesentlich verlassen.
Der untere Plot zeigt den Konsolidierungs-Index, also das Verhältnis von Aggregator zu Differentiator. Steile Anstiege im Konsolidierungs-Index sind ‚Phasenübergänge‘ im Diskursraum, ausgelöst durch verschiedene Sprecher. Besondere Turns mit großen Ankern sind die Turns 47, 64, 71, 78, 88 und 93. Hierbei ist der Turn 88 der Anker mit dem größten Konsolidierungs-Index Anstieg.

Die Makro-Vision (rote gestrichelte Linie im oberen Plot) misst nicht die schiere Menge an Zustimmung, sondern den Winkel der Debatte.

Es wird das Alignment als Skalarprodukt (Kosinus-Ähnlichkeit) zwischen dem aktuellen Sprecher-Vektor und der extrem trägen Makro-Vision berechnet. Da beide Vektoren auf die Länge 1 normiert sind, lautet die mathematische Grenze: Dieser Wert kann niemals größer als 1.0 (totale Übereinstimmung) oder kleiner als -1.0 (totale Gegenrichtung) werden.

  • Die System-Bedeutung: Wenn die rote gestrichelte Linie im oberen Plot ein hohes Plateau erreicht und dann nur noch seitwärts „zittert“, ist das kein Zeichen von Stagnation. Es ist der Beweis für maximale Stabilität. Der Kompass des Systems hat seine Nord-Richtung gefunden. Die Gruppe hat sich inhaltlich ausgerichtet und weicht nicht mehr vom grundlegenden Konsens ab.
Der Konsolidierungs-Index im unteren Plot unterliegt keiner solchen Grenze. Er misst das Verhältnis aus aufgebauter Struktur (Aggregator) und kognitiver Reibung (Differentiator):

    \[I(t) = \frac{A(t)}{D(t) + \epsilon}\]

  • Die System-Bedeutung: Diese Formel kann mathematisch explodieren. Wenn sich die Debatte beruhigt, wird die orthogonale Reibung im Nenner (D(t)) klein. Der Konsolidierungs-Index misst die Intensität der Strukturbildung.
Daraus ergibt sich folgende Gesamtaussage:
  1. Der Kompass rastet ein: Zuerst muss die rote gestrichelte Makro-Vision ein stabiles Level erreichen. Das System einigt sich auf eine gemeinsame inhaltliche Ausrichtung.
  2. Das Volumen eskaliert: Genau weil die Richtung ab Turn 20 stabil bleibt (die Makro-Vision also nicht weiter steigen kann, da sie ihr Maximum fast erreicht hat), hört die Reibung auf.
  3. Die Konsolidierung hebt ab: Da keine Störfeuer (orthogonale Impulse) mehr die Struktur einreißen, kann der Konsolidierungs-Index ungestört steigen.
Schauen wir uns Turn 88 beispielhaft etwas genauer an, in dem wir einen zusätzlichen Blick auf Turn 88 in Abbildung 1 im oberen Plot („Kausale Kraft“) werfen:
  • Wir sehen hier einen massiven, scharfen Ausschlag der Kausalen Kraft nach unten (auf fast -0.3).
  • Dieser tiefe negative Spike in der kinetischen Energie des Systems ist der mathematische Fingerabdruck des Point de Capiton!
  • Ein negativer Ausschlag der kausalen Kraft bedeutet oft einen starken „Sog“ in einen Attraktor. Die Intervention bei Turn 88 erfordert ordentlich kausale Energie, um die Diskussionsrunde in die finale, hochkonsolidierte Form (das Agenda-Setting, Gelb) zu bringen.
  • Abbildung 1 und 2 passen exakt zu Luhmann und Lacan: Ein Point de Capiton kann gar nicht in einer Phase von hohem kognitiven Stress (Fatigue) gesetzt werden. Wenn das System im Thrashing feststeckt (die rote Kurve unten in Abbildung 1), prallt jede strukturierende Intervention ab. Die kognitive Kapazität für höhere Integration fehlt. Die rote Kurve in Abbildung 1, Plot unten (Fatique) muss erst abklingen. Das System braucht diesen langen, abgekühlten Vorlauf (Turn 40 bis 80), um die sozialen Vektoren auszurichten. Erst weil das System bei Turn 88 kognitiv stressfrei (Fatigue ≈ 0), aber sozial extrem hochgekoppelt ist, kann der Anker (Turn 88) seine Wirkung entfalten: Die Kausale Kraft sinkt stark und der Konsolidierungs-Index steigt stark an.
  • Dieses Beispiel verdeutlicht eindrücklich die entscheidende Voraussetzung für gelingende Führung: Ein soziales System kann erst dann in die Synergie (Collective Mind) geführt werden, wenn das kognitive ‚Chaos‘ abgeklungen ist.
 
Die nachfolgende Abbildung 3 wirft einen genaueren Blick auf die Wechselwirkung der verschiedenen Sprecher:

Abbildung 3: Diese Abbildung zeigt im oberen Plot die Sprecher Timeline: Welcher Sprecher spricht an welchem Turn. Hieraus lassen sich erste Rückschlüsse zur Team-Dynamik ziehen: Wer spricht wie oft? Sind die Sprecher-Aktivitäten ausgewogen? Lassen sich erste Sprecher-Kopplungen erkennen? Diese ersten Eindrücke werden durch den unteren Plot weiter konkretisiert. Er zeigt eine Heatmap zur Wechselwirkung der Sprecher, d.i. eine Aussagen-Ähnlichkeitsmatrix: Wie groß ist die mittlere Ähnlichkeit der Aussagen und wie groß ist die damit verbundene Varianz. 

Zwei Beobachtungen fallen besonders auf:

  • Das Rückgrat: Schau man sich die Beziehung zwischen Lanz und Hübsch an. Mit einer durchschnittlichen Kopplung von \mu = 0.33 haben sie den höchsten Wert im gesamten System. Noch wichtiger ist aber die Varianz: Sie liegt bei einem absoluten Minimum von \sigma^2 = 0.006. Das bedeutet, diese Allianz war extrem starr und stabil. Systemtheoretisch ausgedrückt: Diese beiden Akteure haben das strukturelle Rückgrat gebildet, das den Raum zusammengehalten hat, ohne sich in ständigen Neuaushandlungen zu verschleißen.

  • Die Reibungs-Zone: Den perfekten Gegenpol dazu bildet die Achse Lanz und Kayman. Die durchschnittliche Kopplung ist mit \mu = 0.23 nicht nur deutlich geringer, die Varianz ist mit \sigma^2 = 0.014 die höchste im gesamten Raum (mehr als doppelt so volatil wie Lanz/Hübsch). Hier hat das System massiv gearbeitet. Es gab ständige Vorstöße, Korrekturen und Abbrüche in der Beziehungsdynamik. Genau an solchen hochvolatilen Kanten entsteht die kognitive Fatigue, die wir in den anderen Plots gesehen haben.

Diese Daten zeigen, dass in sozialen Netzwerken nicht alle Verbindungen gleich sind: Manche Verbindungen tragen das System (hohes \mu, niedriges \sigma^2), während an anderen Verbindungen die gesamte Hitze und Reibung des Diskurses abgefedert werden muss.

Kommen wir zur letzten Abbildung: Abbildung 4 visualisiert die nicht vorhandene Korrelation zwischen Makro-Regimen und inhaltlichen Themen: Die berechnete Korrelation (siehe ARI Formeln im Anhang) beträgt -0.0065: Semantik und Makro-Systemdynamik sind vollständig orthogonal. – Dies entspricht der Luhmann Aussage ‚Kommunikation kommuniziert‘.

Abbildung 4: Visualisierung der nicht vorhandenen Korrelation von Semantik und Systemdynamik.

Wie sähe eine starke Korrelation aus?

Wenn es eine starke Abhängigkeit gäbe, würde das bedeuten: Ein bestimmtes Thema zwingt das System in ein bestimmtes Regime.
Visuell würde das in der Heatmap zu „Inseln“ oder einem diagonalen Muster führen. Zum Beispiel:
  • Das Thema „Antisemitismus“ taucht nur in Regime 0 auf.
  • Das Thema „Religiöse Praxis“ taucht nur in Regime 1 auf.
    Die hohen Zahlen würden sich also auf spezifische Zellen verteilen, während der Rest der Matrix bei 0 läge.

Was zeigt die Heatmap stattdessen?

Die Heatmap zeigt, dass die Regime völlig blind für das eigentliche Thema sind. Die Rangfolge der Themen bleibt in jedem einzelnen Regime exakt gleich:
  • Der absolute Spitzenreiter: „Antisemitismus“ ist das dominanteste Thema der gesamten Debatte. Und es ist in jedem Regime der Spitzenreiter (17 in Regime 0, 28 in Regime 1, 9 in Regime 2).
  • Der Zweitplatzierte: „Gemeindeverband“ ist das zweitstärkste Thema. Und auch das spiegelt sich in jedem Regime wider (13 in Regime 0, 14 in Regime 1, 6 in Regime 2).
Die Verteilung der Themen über die Zeilen (Regime) hinweg ist nahezu eine exakte Kopie der Gesamtverteilung. Das bedeutet statistisch: Die Wahrscheinlichkeit, dass über „Antisemitismus“ gesprochen wird, ist völlig unabhängig davon, ob sich die Gruppe gerade im Identitätskampf, in der Sachdebatte oder im Agenda-Setting befindet.

Der Inhalt und die System-Dynamik sind entkoppelt.

Für die Management-Praxis bedeutet dies: Wenn ein Meeting im Identitätskampf (Regime 0) feststeckt und eskaliert, liegt das nicht am Thema. Die Daten beweisen, dass die Gruppe exakt dasselbe Thema (z.B. Antisemitismus oder Gemeindeverband) völlig stressfrei in der Sachdebatte (Regime 1) verarbeiten kann.

Das Thrashing, die Fatigue und die Eskalation werden nicht durch den Inhalt der Worte ausgelöst, sondern durch die fehlende Regime-Stabilität des Raumes. Der Versuch einer Führungskraft, einen Konflikt durch einen „Themenwechsel“ zu lösen, ist demnach mathematisch sinnlos – die Gruppe wird den Identitätskampf einfach mit dem neuen Thema nahtlos weiterführen, bis die eigentliche soziale Regime-Dynamik geklärt ist.

 

Auf Luhmann bezogen: 

Luhmann hatte recht, dass wir soziale Systeme nicht durch die reine Psychologie der Individuen erklären können. Aber er irrte, als er die Individuen komplett aus der Gleichung strich. Die Collective Mind Theory (CMT) zeigt: Das System dominiert zwar die normale Informationsverarbeitung (Regime-Dynamik) – aber an den hochvolatilen Rändern und Phasenübergängen sind es die spezifischen, historisch gekoppelten Akteure, die durch den Einsatz Kausaler Kraft das System entweder in den Kollaps treiben oder in eine neue Ordnung zwingen.

Wenn wir die Grenzen der klassischen Theorien betrachten, lässt sich unsere Erkenntnis auf eine klare Formel bringen: Luhmanns Systemtheorie beschreibt die Makro-Regime-Dynamik, aber sie versagt bei der Mikro-Dynamik und deren Rückkopplung.

Luhmann erklärt uns wie ein Diskursraum in den Identitätskampf, die Sachdebatte oder das Agenda-Setting kippt und wie sich die damit verbundene Kommunikation autopoietisch reproduziert.

Was Luhmanns Theorie uns jedoch nicht erklären kann – und wo die Collective Mind Theory (CMT) darüber hinausgeht ist die inhaltliche Realität der Debatte:

  • Die inhaltliche Themen-Dynamik: Wie sich spezifische Argumente zu semantischer Masse (Clustern) verdichten.

  • Aggregator und Differentiator: Die wirkenden Kräfte von struktureller Anziehung und orthogonaler Zerstörung.

  • Die kognitive Fatigue: Der reale mentale Verschleiß (System-Stress), der entsteht, wenn die Differentiator-Kräfte das System überlasten.

  • Die Makro-Vision (Ziel-Hierarchie): Der unsichtbare inhaltliche Nordstern, der dem System überhaupt erst eine Richtung gibt.

Zusammenfassung für die Führungspraxis: Drei Hebel der Regime-Dynamik

Wenn wir die Dynamik von Teams und Diskussionen betrachten, tappen wir oft in die Konsens-Falle: Wir glauben, dass das bessere Argument (Inhalt) die Gruppe einigt. Die Daten des Collective Mind beweisen jedoch das Gegenteil: Regime-Dynamik bestimmt Alignment-Dynamik. Erst wenn die physikalische Architektur des Raumes steht, kann inhaltliche Konsolidierung stattfinden.
Für die Führungspraxis – sei es im Meeting, in der Krisenintervention oder bei der agilen Transformation – ergeben sich daraus drei zentrale Hebel:

1. Stoppe das „Thrashing“: Kläre das Regime, bevor du inhaltlich moderierst

In den ersten Phasen einer hitzigen Debatte entsteht der maximale System-Stress (kognitive Fatigue) nicht zwingend durch harte inhaltliche Konflikte, sondern durch Regime-Flimmern. Wenn das System im Sekundentakt zwischen Identitätskampf, Sachdebatte und Agenda-Setting hin- und herspringt, verpuffen alle Mikro-Impulse als pure orthogonale Reibung. Das System verbrennt seine Ressourcen mit der eigenen Verwaltung (Thrashing).
  • Der Hebel für Führungskräfte: Argumentiere niemals inhaltlich, solange das Makro-Regime (vorzugsweise Sachdebatte oder Agenda-Setting) nicht stabil ist. Die erste Aufgabe echter Führung ist nicht die Lösung des Problems, sondern das Einrasten des Rahmens. Zwinge die Gruppe aktiv in einen einheitlichen Verarbeitungsmodus, bevor das erste Sachargument gewertet wird.

2. Der „Point de Capiton“ braucht Vorlauf: Führe über soziale Spannung

Der massive Durchbruch zur Konsolidierung (wie bei Turn 88) ist niemals das Resultat eines einzelnen, genialen Arguments. Die Analyse der globalen System-Kopplung beweist: Das System muss sich im Vorfeld über eine längere Zeit sozial „aufladen“. Die Sprecher weben ein unsichtbares, hochgradig gekoppeltes Netz, das die Spannung im Raum hält. Der finale Durchbruch (der Stepppunkt) ist lediglich der Moment, in dem diese bereits existierende Spannung schlagartig in eine gemeinsame inhaltliche Struktur kollabiert.
  • Der Hebel für Führungskräfte: Forciere keine zu frühen Entscheidungen in unverbundenen Gruppen. Lass die soziale Reibung zu und beobachte, wie sich das Netz verdichtet. Ein starker moderativer Eingriff funktioniert erst dann als Point de Capiton, wenn der Raum die nötige soziale Spannung aufgebaut hat, um auf das Signal zu reagieren.

3. Kenne deine Architektur: Tragende Wände vs. Reibungs-Zonen

Die Varianz in der Akteur-Kopplungs-Matrix zeigt schonungslos auf, dass nicht jede Beziehung in einem Team dieselbe Funktion erfüllt. Es gibt Achsen mit hohem Mittelwert und extrem niedriger Varianz – das sind die tragenden Wände (das strukturelle Rückgrat), die das System stabil halten. Und es gibt Kanten mit extrem hoher Varianz – das sind die Reibungs-Zonen, an denen das System sich abarbeitet und in denen die eigentliche inhaltliche Neuaushandlung stattfindet.
  • Der Hebel für Führungskräfte: Höre auf, das gesamte System harmonisieren zu wollen. Schütze die tragenden Wände (die stabilen Allianzen), denn sie federn den Stress ab. Und noch wichtiger: Lass die hohe Varianz an den Reibungskanten bewusst zu. Genau an diesen volatilen Rändern leistet das System seine eigentliche Arbeit. Wer hier künstlich befriedet, würgt die kognitive Weiterentwicklung der Gruppe ab.

Anhang

Formelsammlung: J-Space, Akteur-Kopplung, Wachstum der Makro-Vision, Korrelationen

TEIL 1: J-Space (Die Vektorraum-Makroarchitektur)

Diese Formeln beschreiben, wie individuelle Redebeiträge in einen inhaltlichen Raum projiziert werden und wie man das qualitative Gleichgewicht eines Diskurses misst.

1.1 Die Projektions-Ähnlichkeit (Das Thema-Gewicht)

Das Gewicht misst, wie stark ein aktueller Redebeitrag inhaltlich mit einem bereits etablierten Thema übereinstimmt.

    \[w_{k}(t) = \frac{\vec{v}(t) \cdot \vec{c}_k}{\vert{}\vert{}\vec{v}(t)\vert{}\vert{} \cdot \vert{}\vert{}\vec{c}_k\vert{}\vert{}}\]

  • \vec{v}(t) (Turn-Vektor): Der hochdimensionale Pfeil (Vektor), der den aktuellen Redebeitrag t räumlich darstellt.
  • \vec{c}_k (Cluster-Zentroid): Der Vektor, der exakt in die Mitte eines etablierten Themen-Astes (z. B. „Politischer Islam“) zeigt.
  • \cdot (Skalarprodukt im Zähler): Eine mathematische Operation, die misst, wie stark zwei Pfeile in dieselbe Richtung zeigen.
  • \vert{}\vert{}\dots\vert{}\vert{} (Vektornorm im Nenner): Die absolute „Länge“ des Pfeils. Teilt man den Zähler durch diese Längen, werden die Vektoren auf die Standardlänge 1 normiert.
  • Bedeutung (w_{k}(t)): Das Ergebnis ist der reine Winkel (die Kosinus-Ähnlichkeit) zwischen Aussage und Thema. Ein Wert nahe 1 bedeutet: Die Aussage trifft das Thema exakt.

1.2 Der Aggregator-Proxy (Strukturelle Konsolidierung)

Misst das Volumen der Bedeutung, das erfolgreich in den bekannten Themen-Ästen des Systems gebunden wird.

    \[A(t) = \sum_{k=1}^{K} w_{k}(t)\]

  • K: Die Gesamtzahl der aktuell im Raum aktiven Themen-Äste.
  • \sum (Summenzeichen): Addiert alle Themen-Gewichte des aktuellen Redebeitrags zusammen.
  • Bedeutung: Ein hoher Wert zeigt an, dass der Diskurs geordnet verläuft und sich konsolidiert. Das System verhält sich stabil.

1.3 Der Differentiator-Proxy (Orthogonale Reibung)

Misst das reine inhaltliche Rauschen – also Impulse, die nicht in die bestehenden Themen passen.

    \[D(t) = \vert{}\vert{}\vec{v}_{\perp}(t)\vert{}\vert{} = \vert{}\vert{}\vec{v}(t) - \vec{v}_{\parallel}(t)\vert{}\vert{}\]

  • \vec{v}_{\parallel}(t) (Paralleler Anteil): Der Teil der Aussage, der sich glatt in das etablierte Themen-Netzwerk einfügt.
  • \vec{v}_{\perp}(t) (Orthogonaler Anteil): Der Rest der Aussage, der quer (senkrecht = orthogonal) zu allen bisherigen Themen steht.
  • Bedeutung: Die Länge dieses orthogonalen Pfeils (D(t)) misst das Volumen der kognitiven Reibung und der unstrukturierten neuen Information.

1.4 Der Konsolidierungs-Index (Der Phasenübergang)

Das direkte Verhältnis von etablierter Struktur zu erzeugter Reibung.

    \[I(t) = \frac{A(t)}{D(t) + \epsilon}\]

  • \epsilon (Epsilon): Eine winzige Konstante (z. B. 0.00001), die als technischer Puffer dient, um eine Division durch Null zu verhindern.
  • Bedeutung: Wenn dieser Wert sprunghaft ansteigt, erlebt das System einen Phasenübergang: Die ziellose Reibung im Raum kollabiert, und der Diskurs rastet in einem ordnenden Stepppunkt ein.

TEIL 2: Akteur-Kopplung

In sozialen Systemen agieren Sprecher nicht isoliert. Diese Formeln messen die unsichtbaren inhaltlichen Allianzen und das gemeinsame Bewusstsein eines Teams über die Zeit.

2.1 Die Direkte Resonanz (Der Mikromoment)

Misst die akute Übereinstimmung zwischen zwei Sprechern im aktuellen Moment.

    \[P_{i,j} = \vec{v}_i \cdot \vec{v}_j\]

  • \vec{v}_i und \vec{v}_j: Die bereits auf die Länge 1 normierten Vektoren der jeweils letzten Aussagen von Sprecher i und Sprecher j.
  • Bedeutung: Der Wert schwankt zwischen -1 (totale Blockade / inhaltlicher Gegenpol) und +1 (totale Harmonie).

2.2 Die Soziale Kopplungs-Matrix (Das Beziehungs-Gedächtnis)

Berechnet das über die Zeit gewachsene Beziehungsgeflecht der Gruppe.

    \[K_{i,j}^{(t)} = 0.8 \cdot K_{i,j}^{(t-1)} + 0.2 \cdot P_{i,j}\]

  • K_{i,j}^{(t-1)}: Das Gewicht der historischen Beziehung zwischen zwei Akteuren bis zum vorherigen Redebeitrag.
  • Bedeutung: Beziehungen besitzen Trägheit. Die Formel bewahrt 80\% der alten Beziehungsstruktur und überschreibt sie nur zu 20\% mit der neuen Resonanz (P_{i,j}). So entsteht ein dauerhaftes soziales Netzwerk.

2.3 Die soziale Modulation (Der verbogene Vektor)

Berücksichtigt den sozialen Druck, der auf einer isolierten Aussage lastet.

    \[\vec{m}_i = \sum_{j \neq i} K_{i,j} \vec{v}_j\]

    \[\vec{v}_{\text{mod}} = \frac{\vec{v}_{\text{neu}} + 0.3 \cdot \vec{m}_i}{\vert{}\vert{}\vec{v}_{\text{neu}} + 0.3 \cdot \vec{m}_i\vert{}\vert{}}\]

  • \vec{m}_i (Soziales Rauschen): Die aufsummierte Position aller anderen Sprecher im Raum, gewichtet damit, wie stark sie mit dem aktuellen Sprecher gekoppelt (K_{i,j}) sind.
  • \vec{v}_{\text{neu}}: Der rohe, wörtlich gesprochene Satz.
  • Bedeutung: Die Formel addiert den unsichtbaren Druck der Verbündeten (30\%) auf die wörtliche Aussage. Wer in der Gruppe stark vernetzt ist, dessen Aussagen biegen das System stärker in die eigene Richtung.

2.4 Die Makro-Vision (Das kollektive Bewusstsein)

Der übergreifende thematische Fokus, auf den sich die Gruppe als Ganzes zubewegt.

    \[\vec{M}^{(t)} = \frac{0.98 \cdot \vec{M}^{(t-1)} + 0.02 \cdot \vec{v}_{\text{mod}}}{\vert{}\vert{}\dots\vert{}\vert{}}\]

  • \vec{M}^{(t)}: Die Makro-Vision (der „Nordstern“) des Diskurses.
  • Bedeutung: Das kollektive Zielgefühl eines Systems reagiert extrem träge (98\% Erhalt, 2\% Anpassung). Einzelne, kurze Störungen prallen ab, aber stetiger inhaltlicher Druck verschiebt den Fokus des Gesamtsystems.

TEIL 3: Wachstum der Makro-Vision

Was passiert im System, wenn ein neuer Impuls auf bestehende Strukturen trifft?

3.1 Konstruktives Wachstum (Bei hoher Ähnlichkeit > 0.55)

Verstärkung eines Themas durch passgenaue Beiträge.

    \[\Delta w_k = 0.5 + 0.5 \cdot \max(0, A_{\text{macro}})\]

  • A_{\text{macro}}: Das Alignment (die Übereinstimmung) der aktuellen Aussage mit der großen Makro-Vision.
  • \max(0, \dots): Setzt negative Übereinstimmungen auf 0, sodass sie unberücksichtigt bleiben.
  • Bedeutung: Das adressierte Thema wächst (\Delta w_k). Es erhält einen zusätzlichen „Turbo-Boost“, wenn die Aussage nicht nur zum Einzelthema, sondern auch zur übergreifenden Makro-Vision des Teams passt.

3.2 Destruktiver Angriff und Fatigue-Strafe (Bei geringer Ähnlichkeit < 0.15)

Die Entstehung von System-Stress durch inhaltliche Demontage.

    \[\text{Schaden} = (0.15 - S_{\text{best}}) \cdot 4.0\]

    \[F_{\text{pen}} = 0.5 \cdot \text{Schaden}\]

  • S_{\text{best}}: Die Ähnlichkeit der Aussage zum unpassendsten (aber in diesem Turn adressierten) Thema.
  • Bedeutung: Das Gewicht des angegriffenen Themas wird um den „Schaden“ reduziert. Gleichzeitig erzeugt dieser Gegenangriff reinen kognitiven Stress: die Fatigue-Strafe (F_{\text{pen}}).

3.3 Akkumulierte Fatigue (Der Burnout des Systems)

Die Ermüdung der Gruppe im Zeitverlauf.

    \[F^{(t)} = 0.90 \cdot (F^{(t-1)} + F_{\text{pen}})\]

  • F^{(t)}: Der gesamte akkumulierte Stress im Raum.
  • Bedeutung: Jeder destruktive Angriff addiert Stress in das System. Danach kühlt das System pro Redebeitrag um 10\% (Faktor 0.90) ab. Steigt dieser Wert durch permanente Konflikte zu hoch, verliert der Diskurs seine Handlungsfähigkeit (Kipppunkt in die Dysfunktion).

TEIL 4: Korrelationen

Diese Formeln definieren, wie Themen über die Zeit hinweg verblassen und wie mathematisch bewiesen wird, ob Semantik (Inhalt) und System-Stress (Fatigue) kausal zusammenhängen.

4.1 Die Vergessenskurve (Thematischer Decay)

Simuliert das Kurzzeitgedächtnis sozialer Gruppen.

    \[w_k^{(t)} = w_k^{(t-1)} \cdot \lambda\]

  • \lambda (Lambda / Decay Rate): Der Zerfallsfaktor (z. B. 0.96).
  • Bedeutung: Nach jedem Redebeitrag werden alle bestehenden Themen-Gewichte mit \lambda multipliziert. Ohne neue inhaltliche Bestätigung verschwinden Themen allmählich aus dem kollektiven Raum.

4.2 Der Unadjustierte Rand-Index (RI)

Die einfache statistische Übereinstimmung zweier Metriken.

    \[RI = \frac{\text{Anzahl korrekt übereinstimmender Paare}}{\binom{n}{2}}\]

  • \binom{n}{2} (Binomialkoeffizient „n über 2“): Die mathematische Formel aus der Kombinatorik, um zu berechnen, wie viele mögliche Zweier-Paare man aus einer Gruppe von n Redebeiträgen bilden kann.
  • Bedeutung: Der RI misst den prozentualen Anteil der Paare, die in zwei verschiedenen Einteilungen (z. B. „Welches Thema?“ vs. „Welches Stress-Regime?“) exakt gleich gruppiert oder getrennt wurden.

4.3 Der Adjusted Rand Index (ARI) – Die echte Korrelation

Der Beweis, ob zwei Dimensionen miteinander verknüpft sind oder völlig isoliert agieren.

    \[ARI = \frac{\sum_{ij} \binom{n_{ij}}{2} - \frac{\sum_i \binom{a_i}{2} \sum_j \binom{b_j}{2}}{\binom{n}{2}}}{\frac{1}{2} \left[ \sum_i \binom{a_i}{2} + \sum_j \binom{b_j}{2} \right] - \frac{\sum_i \binom{a_i}{2} \sum_j \binom{b_j}{2}}{\binom{n}{2}}}\]

  • n_{ij} (Einträge der Kontingenzmatrix / Kreuztabelle): Gibt an, wie viele Redebeiträge exakt in das Thema i UND gleichzeitig in das Stress-Level j fallen.
  • a_i und b_j (Randhäufigkeiten): Die Gesamtsummen der jeweiligen Zeilen und Spalten dieser Kreuztabelle.
  • Die Brüche mit \binom{n}{2}: Rechnen heraus, wie viele Übereinstimmungen man erwarten würde, wenn die Redebeiträge rein zufällig verteilt würden.
  • Bedeutung: Der ARI korrigiert die einfache Übereinstimmung (den RI) exakt um diesen Zufallswert. Ein ARI nahe 0.0 ist der harte mathematische Nachweis der Orthogonalität: Er belegt, dass der inhaltliche Diskurs (die Themen) und die strukturelle Reibung (System-Stress) nichts miteinander zu tun haben und physikalisch als völlig getrennte Dimensionen operieren.

Literatur

[1] Heimann M et. al. (2026) Metaphor Tracer: A Theory-Informed Analysis of Hidden States, arXiv:2607.28434

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) :

  1. 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.

  2. 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).

  3. 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.

  1. Aufzeichnungen oder Transkripte der letzten Meetings eines spezifischen Teams sind die Ausgangsbasis.

  2. Diese historischen Daten werden mit den hier beschriebenen KI/ML Programmen analysiert.

  3. Es wird ein Team spezifischer Decision Tree erzeugt und typischer Weise 3 Makro-Regime gebildet.

  4. 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:

  1. Die Live-Messung: Das Meeting läuft. Die KI-Tool ordnet jedem der Redebeiträge schnell einen D-Score und eine Valenz zu.

  2. Der Daten-Feed: Sobald Turn 8 gesprochen wurde, schiebt sich das Sliding Window live in den eingefrorenen Decision Tree aus Phase A.

  3. 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.

  4. 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 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

    \[\mathcal{C} = -L\]

. Ich gebe diese dennoch hier an, da sie in [1] verwendet wird:

    \[L = I(Z_{t+1}; X_t | Z_t)\]

  • 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