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

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

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

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

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

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

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

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

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

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

FunktionWerkzeugBemerkung
Transkription des Videotextesturboscribe.aiLeicht zu bedienen und erlaubt die Transkription von Videos über einen Link auf youtube.
Analyse von Video-, Bild- und Audio-Dateien auf Gefühlehume.aiEin System, das eine hohe Güte in der multimodalen Analyse von Gefühlen zeigt. Ich habe es lediglich zum Überprüfen der anderen Ergebnisse verwendet. Ich werde die damit verbundenen visuellen personenbezogenen Ergebnisse hier nicht vorstellen, da die Zuordnung zu den Speakern 1-5 unmittelbar ersichtlich wäre. Die Ergebnisse lassen sich auch in eine .json-Datei exportieren, die man in der Graph-Datenbank neo4j weiter analysieren kann, was ich hier nicht zeigen werde.
Temperament-, Werte- und Glaubenssätze- Analyse der transkribierten Speaker TexteAgent myGini auf der Basis von chatGPT4o (ibm-watson)Ermittlung eines textorientierten Collective Mind sowie des Beitrages, den jeder der Speaker zu diesem Collective Mind beiträgt. Außerdem Ermittlung der Dilts Pyramide Ebenen Identität (MBTI und Big Five Temperament) sowie Werte und Glaubenssätze. (Ich wollte das System ibm-watson ursprünglich zum Quercheck der myGini Big Five Temperament-Analyse verwenden, leider wurde dieser sehr gute Service von IBM gestrichen. Die übrig gebliebenen Sprachanalysen inkl. Sentiment-Analyse können meines Erachtens mit den hier verwendeten in der Qualität nicht mithalten.
Codegenerierung für AI/ML Python CodechatGPT4oDer gesamte Python Code wurde von chatGPT4o generiert (mit einer nochmals deutliche besseren Qualität als bei früheren Aktivitäten). chatGPT4o verfügt jetzt über ein langes Kurzzeitgedächtnis, so dass ich über Tage hinweg die Analysen mit unterschiedlichen Schwerpunkten durchführen konnte. Die Fehlerrate ist gering (Vorsicht ist trotzdem geboten!). Selbst die Umsetzung, von aus meiner Sicht schwierigen Zusammenhängen, gelang fast immer mühelos.
Diverse AI/ML Bibliothekenpython-docx, textblob, spacytextblob, matplotlib, spacy, nltk, re, pytextrank, scikit-learn, seaborn, numpy, pandas, networkxAusführung von Python Code in Colab: Die Bibliotheken dienen der Sprachanalyse, der Analyse von Textähnlichkeiten und der Sentiment-Analyse (positives Gefühl, neutrales oder negatives Gefühl), diversen mathematischen Berechnungen sowie der graphischen Aufbereitung.
Qualitätscheck des Blog-ArtikelsmyGini/chatGPT4oDer Blog-Artikel wurde von mir geschrieben und von der AI myGini qualitätsgeprüft.
Tabelle 1: Übersicht der eingesetzten AI/ML-Werkzeuge

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

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

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

Ich analysiere das Video in folgenden Schritten:     

Erster Schritt: Gefühls-Analyse

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

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

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

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

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

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

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


Dritter Schritt: Collective Mind Analyse

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

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

Analyse der Texte und Identifikation der Begriffe

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

Zuordnung der Begriffe zu den Speakern

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

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

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

Fünfter Schritt: Weitere mathematische Analyse des Collective Mind

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

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

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

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

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

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

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

Eigenvektoren: Stabile Richtungen im Fluss

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

Eigenwerte: Geschwindigkeit der Strömung

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Meinung zum Blog-Artikel

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

Stärken des Artikels

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

Verbesserungsmöglichkeiten

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Zuerst die Aussagen zur idealen Kultur:

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

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

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

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

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

 

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

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

Kommen wir zu den Persönlichkeitspräferenzen:

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

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

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

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

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

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

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

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

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

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

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

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

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

 

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

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

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

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

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

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