Collective Mind Criticality Index 6.0: Kollektive Intelligenz erkennen und entwickeln

Kurzfassung: Der Collective Mind Criticality Index 6.0 (CMCI 6.0) misst unter welchen Bedingungen es in einer Gruppe oder einem Team gelingt, individuelle Fähigkeiten und Perspektiven so miteinander zu verbinden, dass eine kollektive Intelligenz entsteht, die über das isolierte Handeln der einzelnen Mitglieder hinausgeht. Mit Hilfe des CMCI 6.0 werden zwei Markus Lanz TV-Sendungen vermessen. Es zeigt sich, dass eine zunehmende gemeinsame Zielorientierung nicht automatisch zu einer entsprechend hohen kollektiven Leistungsfähigkeit führt. Mit entscheidend ist, ob das Team in der jeweiligen Situation auch ausreichend vernetzt, dynamisch vielseitig und wenig störungsempfindlich zusammenarbeiten kann. Die sechs Faktoren Zielintegration, kommunikative Vernetzung, Synchronisation, dynamische Vielfalt und Stabilität sowie Reifung der Zielorientierung müssen zeitlich passend zusammenspielen. 

Dieser Beitrag wurde mittels ChatGPT Plus erstellt. Die ersten Ergebnisse basieren auf Gemini Pro Beiträgen. Das Eingangsbild erstellte Gemini. 



Schon vor vier Wochen hatte ich geplant, einen neuen Blog-Beitrag zu veröffentlichen. Ziel sollte sein, zentrale Ergebnisse der vorherigen Blog-Beiträge in einen Collective Mind Criticality Index (CMCI) einfließen zu lassen. Mit diesem Collective Mind Criticality Index will ich den Grad des Collective Mind in einer Gruppen- oder Team- Sitzung erfassen. Er soll folgende Frage beantworten: ‚Wie lässt sich die kollektive Intelligenz eines Teams erkennen und entwickeln?‘. Die Qualitätssicherung mittels ChatGPT Plus zum damals vorhanden Entwurf des Blog-Beitrags ergab, dass insbesondere die mathematische Transparenz, also warum welche Einflussfaktoren des Collective Mind (CM) wie modelliert werden, nicht ausreichend vorhanden war. Ich startete also auf der Basis des damals vorliegenden mathematischen Modells eine systematische Analyse der Einflussfaktoren. Dies führte zur bisher mit Abstand umfangreichsten mathematischen Analyse für einen Blog-Beitrag. Der neue jetzt hier vorliegende Collective Mind Criticality Index hat den Namen CMCI 6.0.

Das weiter unten mit ChatGPT erzeugte mathematische Modell verfügt über eine deutlich höhere Transparenz bezüglich der CMCI 6.0 Einflussfaktoren als das mit Gemini erstellte Modell. Die Ergebnisse unterscheiden sich auch quantitativ. Erstaunlich ist jedoch, dass sich die Ergebnisse beider Modelle qualitativ nicht unterscheiden!

Wie schon in vorherigen Blog-Beiträgen benutze ich zwei Markus Lanz TV-Sendungen für meine Untersuchungen:

Markus Lanz (2024) Muslime in Deutschland: Zunehmend isoliert?, Sendung vom 30 Mai 2024, ZDF, http://youtu.be/rpINCu5VmnY

und
Lanz M (2026) Warum ist die Stimmung im Land so bescheiden, Sendung vom 04. Juni 2026, ZDF, www.youtube.com/watch?v=psfdt2iWnoM

Wie in der Vergangenheit auch verwende ich die mathematischen und programmiertechnischen Fähigkeiten der KI-Systeme. Zusätzlich sind die Transkripte der TV-Sendungen sehr umfangreich von Gemini Pro und ChatGPT Plus für die Erstellung von Transkript Metadaten verwendet worden. Zu den Metadaten gehören folgende Daten: Big Five Persönlichkeitsprofile, Werteprofile, Zuordnung zu den Spiral Dynamics Ebenen Rot/Blau, Orange und Grün/Gelb, Arousal und Valenz, Ziel-Hierarchie Ermittlung und Bewertung pro Person und für die jeweilige Gruppe als Ganzes.

Für die zweite der beiden TV-Sendungen habe ich die KI generierten Daten durch mich validiert. Es gibt Unterschiede in der Wahrnehmung von KI-System und mir, sie sind jedoch relativ gering und haben keinen wesentlichen Einfluss auf die hier vorgestellten Ergebnisse.  

Was misst der CMCI 6.0?

Stellen wir uns ein agiles Team vor, das gemeinsam ein komplexes Problem lösen soll. Die Teammitglieder besitzen unterschiedliche Kompetenzen, Erfahrungen, Werte, Interessen und persönliche Ziele. Jeder betrachtet die Aufgabe aus seiner eigenen Perspektive. Die entscheidende Frage lautet:

Unter welchen Bedingungen gelingt es diesem Team, seine individuellen Fähigkeiten und Perspektiven so miteinander zu verbinden, dass eine gemeinsame Intelligenz entsteht, die über das isolierte Handeln der einzelnen Mitglieder hinausgeht?

Genau diese Frage steht im Mittelpunkt der Collective Mind Theory und des CMCI 6.0! Ein Collective Mind ist dabei nicht gleichbedeutend mit Harmonie, Gruppendenken oder vollständiger Übereinstimmung. Im Gegenteil: Unterschiedliche Perspektiven sind für komplexe Problemlösungen häufig unverzichtbar. Entscheidend ist, ob ein Team diese Unterschiede produktiv verarbeiten und in eine gemeinsame Zielorientierung integrieren kann.

Der CMCI 6.0 untersucht dafür sechs Eigenschaften eines Teams:

  1. Gemeinsame Zielorientierung: Ziehen alle grundsätzlich in eine integrierbare Richtung?
  2. Kommunikative Vernetzung: Sind die Teammitglieder miteinander verbunden und im Austausch?
  3. Synchronisation: Können die Mitglieder ihre Aktivitäten und Reaktionen aufeinander abstimmen?
  4. Kollektive Handlungs- und Veränderungsvielfalt: Verfügt das Team über mehrere voneinander unabhängige Möglichkeiten, auf Herausforderungen zu reagieren?
  5. Dynamische Stabilität: Wie empfindlich reagiert die gemeinsame Teamdynamik auf Veränderungen und Störungen?
  6. Reifung der gemeinsamen Zielorientierung: Wie gleichmäßig entwickelt sich die gemeinsame Zielstruktur über die Zeit?

Der CMCI 6.0 verbindet diese sechs Faktoren zu einem Gesamtindex.

    \[ \boxed{ \begin{aligned} \mathrm{CMCI}_6(t) ={}&Z_6(t)\cdot K_{\mathrm{top}}(t) \cdot r_{\mathrm{sync}}(t)\\ &\cdot\frac{D_{\mathrm{eff}}(t)}{N-1} \cdot C_{\mathrm{dyn}}(t) \cdot\overline{S}_Z^{(10)}(t) \end{aligned} } \]

Dabei bezeichnet t den untersuchten Turn, also einen einzelnen Gesprächsbeitrag, und N die Anzahl der Teilnehmer.

Mit dem obigen CMCI 6.0 wird das wesentliche CM Prinzip umgesetzt:

Eine ausgeprägte Stärke in einem Bereich kann eine gravierende Schwäche in einem anderen Bereich nicht beliebig kompensieren.

Ein Team kann hervorragend kommunizieren, aber dennoch an unvereinbaren Zielen scheitern. Ebenso kann ein Team ein gemeinsames Ziel besitzen, aber aufgrund mangelnder Koordination nicht zu einer gemeinsamen Leistung finden.

Ich skizziere im Folgenden zuerst das jeweilige Ergebnis der CMCI 6.0 Berechnungen für die beiden TV-Sendungen.

Anschließend beschreibe ich die sechs Einflussfaktoren des CMCI 6.0 aus Sicht eines Coaches oder einer agilen Führungskraft.

Und zum Schluss gehe ich auf die zugrundeliegende Mathematik ein.

 

Ergebnis der CMCI 6.0 Berechnungen für die beiden TV-Sendungen

Abbildung 1: TV Sendung 1: Ein kurzes Zeitfenster besonders günstiger kollektiver Dynamik

Die erste Abbildung zeigt die Entwicklung des Collective Mind Criticality Index (CMCI 6.0) und seiner sechs Einflussfaktoren während der ersten Markus Lanz Diskussion.

Das wichtigste Ergebnis ist ein ausgeprägter Höhepunkt des CMCI 6.0 bei Gesprächsbeitrag 60. In dieser Phase treffen mehrere günstige Bedingungen zusammen: Die kommunikative Vernetzung erreicht ihren höchsten Wert, die Synchronisation der Teilnehmer ist vergleichsweise stark, die effektive kollektive Dimension liegt auf einem hohen Niveau und auch die dynamische Stabilität ist deutlich ausgeprägter als in den anschließenden Gesprächsphasen.

Aus der Perspektive von Coaching und Teamarbeit könnte dies als ein zeitlich begrenztes Fenster besonders günstiger kollektiver Zusammenarbeit interpretiert werden. Die Teilnehmer sind im mathematischen Modell relativ gut miteinander verbunden, ihre Dynamik ist besser aufeinander abgestimmt und es bestehen mehrere unabhängige Veränderungsmöglichkeiten.

Bemerkenswert ist jedoch, dass die gemeinsame Zielorientierung erst bei Turn 80 ihr Maximum erreicht, während der CMCI bereits stark zurückgegangen ist. Die Gesprächsteilnehmer können ihre unterschiedlichen Positionen also zunehmend in eine übergeordnete Zielstruktur einordnen, obwohl die dynamischen Voraussetzungen für eine gemeinsame Verarbeitung bereits ungünstiger geworden sind.

Gegen Ende verschlechtert sich insbesondere die dynamische Stabilität. Gleichzeitig geht auch die gemeinsame Zielorientierung etwas zurück. Der CMCI erreicht deshalb nur noch sehr niedrige Werte.

Der Reifungsfaktor der Zielintegration bleibt nahezu konstant auf hohem Niveau. Er besitzt damit in dieser Untersuchung nur eine geringe unterscheidende Wirkung. Das ist auch darauf zurückzuführen, dass die zugrunde liegenden Zielbewertungen nur an einzelnen Checkpoints vorliegen.

Kernaussage: Eine zunehmende gemeinsame Zielorientierung führt nicht automatisch zu einer entsprechend hohen kollektiven Leistungsfähigkeit. Entscheidend ist das zeitliche Zusammenspiel von Zielintegration, Kommunikation, Synchronisation, dynamischer Vielfalt und Stabilität.

Für Coaches ergibt sich daraus eine wichtige Erkenntnis: Ein Team kann einen gemeinsamen Purpose entwickeln und dennoch Schwierigkeiten haben, seine individuellen Fähigkeiten im entscheidenden Moment zu einer abgestimmten kollektiven Leistung zu verbinden.

Abbildung 2: TV-Sendung 2: Auf und Ab der Integrationsphasen und ein ausgeprägter Höhepunkt kollektiver Dynamik

Die zweite Abbildung zeigt die Entwicklung des CMCI 6.0 während der zweiten Markus Lanz Diskussion mit insgesamt 366 Gesprächsbeiträgen.

Im Unterschied zur ersten Sendung ist die Entwicklung durch mehrere aufeinanderfolgende Phasen erhöhter kollektiver Dynamik gekennzeichnet. Der CMCI steigt zunächst zeitweise an, fällt jedoch mehrfach nahezu auf null zurück. Sein mit Abstand höchster Wert wird bei Gesprächsbeitrag 240 erreicht.

Dieser Höhepunkt ist besonders interessant, weil dort auch in unserer qualitativen Transkriptanalyse eine wichtige Integrationsleistung identifiziert wurde: Die Teilnehmerin Heuer stößt selbst eine differenzierende Einordnung an, die anschließend vom Moderator aufgegriffen wird.

Der hohe CMCI-Wert fällt mit einem deutlichen Anstieg der kommunikativen Vernetzung, einer hohen Synchronisation, einer hohen effektiven Dimension und einer günstigen dynamischen Stabilität zusammen.

Aus Sicht des agilen Coachings kann dies als eine Phase interpretiert werden, in der die Voraussetzungen für eine produktive gemeinsame Verarbeitung unterschiedlicher Perspektiven besonders günstig sind.

Die gemeinsame Zielorientierung entwickelt sich dagegen über die gesamte Diskussion hinweg tendenziell positiv. Sie steigt von ungefähr 0,29 auf 0,49 und erreicht ihre höchsten Werte erst gegen Ende der Sendung.

Damit zeigt sich auch hier eine deutliche Unterscheidung zwischen der fortschreitenden Entwicklung einer gemeinsamen Zielstruktur und den kurzfristigen Schwankungen der kollektiven Dynamik.

Besonders auffällig sind die starken Einbrüche des CMCI um die Turns 100–120, 220 und 300. Diese werden wesentlich durch sehr niedrige Werte des dynamischen Stabilitätsfaktors verursacht. Selbst eine hohe Synchronisation kann diese Einbrüche nicht kompensieren.

Bei Turn 300 ist dies besonders interessant: Unsere qualitative Analyse identifizierte dort einen wichtigen Beitrag zur übergeordneten Zielorientierung. Zeh fordert konkretere und positivere politische Zukunftsvorstellungen. Trotzdem fällt der CMCI nahezu auf null. Ein wertvoller Impuls zur Zielentwicklung bedeutet somit nicht zwangsläufig, dass gleichzeitig eine günstige kollektive Dynamik vorliegt.

Der Reifungsfaktor der Zielintegration, der Schwankungen der Zielausrichtung in einem gleitenden Fenster von 10 Turns misst, bleibt fast durchgehend nahe 1 und beeinflusst die Unterschiede zwischen den Gesprächsphasen nur geringfügig.

Kernaussage: Die Entstehung einer gemeinsamen Zielorientierung ist ein längerfristiger Prozess, während die dynamischen Voraussetzungen für kollektive Intelligenz stark schwanken können.

Für Coaches und Führungskräfte im Management 4.0 bedeutet dies: Eine gemeinsame Vision und ein hohes Maß an Synchronisation reichen allein nicht aus. Entscheidend ist, ob das Team in der jeweiligen Situation auch ausreichend vernetzt, dynamisch vielseitig und wenig störungsempfindlich zusammenarbeiten kann.

Was lernen wir aus dem Vergleich beider Sendungen?

Die beiden untersuchten Diskussionen zeigen unterschiedliche Entwicklungsmuster.

In der ersten Sendung entsteht ein einzelnes, besonders ausgeprägtes Zeitfenster günstiger kollektiver Dynamik um Turn 60. Anschließend verschlechtern sich die dynamischen Bedingungen deutlich, obwohl sich die gemeinsame Zielorientierung zunächst weiter verbessert.

Die zweite Sendung zeigt dagegen mehrere Phasen erhöhter kollektiver Dynamik. Besonders bei Turn 240 stimmen der CMCI-Höhepunkt und eine im Transkript erkennbare Integrationsleistung zeitlich überein.

Beide Untersuchungen verdeutlichen eine grundlegende Unterscheidung der Collective Mind Theory: Eine Gruppe kann an einer gemeinsamen Zielvorstellung arbeiten, ohne zu jedem Zeitpunkt über die dynamischen Voraussetzungen einer leistungsfähigen kollektiven Intelligenz zu verfügen.

Das ist gerade für das Verständnis von Teamarbeit und Management 4.0 relevant. Die Entwicklung eines gemeinsamen Purpose, die kommunikative Vernetzung, die Abstimmung individueller Aktivitäten und die Fähigkeit zum Umgang mit Veränderungen sind unterschiedliche, aber miteinander verbundene Aspekte kollektiver Zusammenarbeit.

Der CMCI 6.0 versucht, dieses Zusammenspiel mathematisch sichtbar zu machen.

Dabei sind die Ergebnisse als explorative Modellanalysen zu verstehen. Die beiden TV-Diskussionen sind zeitlich begrenzte, moderierte Situationen und keine langfristig zusammenarbeitende Teams. Die Abbildungen liefern daher Hinweise auf dynamische und semantische Integrationsprozesse, aber keinen Nachweis für die Existenz eines vollständig entwickelten Collective Mind.

 

Die sechs Faktoren aus der Perspektive eines Coaches

Faktor 1: Gemeinsame Zielintegration – Haben wir eine gemeinsame Richtung?

Mathematische Größe: (Z_6)

Was bedeutet dieser Faktor für einen Coach?

In der agilen Teamarbeit sprechen wir häufig von Shared Vision, Purpose, Alignment und Commitment.

Ein leistungsfähiges Team benötigt eine gemeinsame Vorstellung davon, was es erreichen möchte und warum dieses Ziel wichtig ist.

Dabei genügt es nicht, dass das Management eine Vision formuliert und die Teammitglieder diese kennen.

Entscheidend ist, ob die Teammitglieder ihre individuellen Ziele, Bedürfnisse und Wertvorstellungen innerhalb der gemeinsamen Zielstruktur wiederfinden können.

Ein Coach würde beispielsweise fragen:

  • Haben wir einen gemeinsamen Purpose?
  • Wissen alle, welchen Beitrag sie zur gemeinsamen Vision leisten?
  • Sind die individuellen Ziele der Teammitglieder berücksichtigt?
  • Werden unterschiedliche Wertvorstellungen verstanden und können sie miteinander vereinbart werden?
  • Haben wir tatsächlich eine gemeinsame Zielhierarchie oder lediglich einen Kompromiss formuliert?

Was misst der Faktor?

Die semantische Zielintegration betrachtet vier Eigenschaften.

1. Qualität der gemeinsamen Zielhierarchie (H)

Gibt es eine übergeordnete Zielstruktur, die Einzelziele sinnvoll miteinander verbindet?

2. Repräsentation individueller Ziele (P)

Finden alle Teammitglieder ihre wesentlichen Ziele in dieser Hierarchie wieder?

3. Wertevereinbarkeit (W)

Sind die gemeinsamen Ziele mit den zentralen Wertvorstellungen der Teammitglieder vereinbar?

4. Gegenseitiges Verständnis (U)

Gibt es Hinweise darauf, dass die Teammitglieder die gemeinsame Zielstruktur und die unterschiedlichen individuellen Perspektiven verstehen?

Der CMCI verwendet bei den letzten drei Eigenschaften jeweils die schwächste individuelle Bewertung.

Dahinter steht der Gedanke, dass eine gemeinsame Vision nicht wirklich alle integriert, wenn wesentliche Ziele einzelner Teammitglieder unberücksichtigt bleiben.

Beispiel aus der Teamarbeit

Ein Entwicklungsteam soll ein neues Produkt möglichst schnell auf den Markt bringen.

Der Product Owner möchte einen frühen Markteintritt erreichen. Die Entwickler legen großen Wert auf technische Qualität. Der Datenschutzexperte besteht auf der Einhaltung regulatorischer Anforderungen.

Zunächst erscheinen diese Ziele widersprüchlich.

Durch gemeinsames Arbeiten entsteht jedoch eine übergeordnete Zielsetzung:

Wir entwickeln ein marktfähiges Produkt, das schnell nutzbaren Kundennutzen liefert, technisch zuverlässig ist und die notwendigen Datenschutzanforderungen erfüllt.

Die individuellen Ziele werden nicht einfach aufgegeben, sondern in eine übergeordnete Zielhierarchie eingeordnet.

Coaching-Interpretation: Der Faktor (Z_6) beschreibt, wie gut die Voraussetzungen für ein gemeinsames Alignment der individuellen Ziele und Werte sind.

Ein besonders wichtiger Punkt ist die Unterscheidung zwischen Verständnis und Zustimmung. Ein Team kann seine unterschiedlichen Positionen vollständig verstehen und trotzdem feststellen, dass zentrale Ziele nicht vereinbar sind.

Bei ausdrücklich festgestellter, nicht integrierbarer Unvereinbarkeit zentraler Ziele kann das Konflikt-Gate des CMCI den Gesamtindex auf null setzen.


Faktor 2: Kommunikative Vernetzung – Sind wir wirklich ein Team oder nur eine Gruppe von Einzelpersonen?

Mathematische Größe: (K_{\mathrm{top}})

Was bedeutet dieser Faktor für einen Coach?

In agilen Organisationen wird häufig über Transparenz, Kommunikation, Zusammenarbeit und den Abbau von Silos gesprochen.

Dabei ist nicht allein entscheidend, wie viel kommuniziert wird.

Ein Team kann zahlreiche Meetings durchführen und trotzdem schlecht vernetzt sein.

Beispielsweise kann sämtliche Kommunikation über den Scrum Master, den Product Owner oder die Führungskraft laufen.

In diesem Fall entstehen sternförmige Kommunikationsstrukturen mit einem zentralen Vermittler.

Ein selbstorganisiertes Team zeichnet sich dagegen dadurch aus, dass die Mitglieder eigenständig miteinander kommunizieren, Informationen austauschen und ihre Arbeit koordinieren.

Ein Coach würde fragen:

  • Kommunizieren die Teammitglieder direkt miteinander?
  • Gibt es isolierte Personen oder Teilgruppen?
  • Entsteht Wissen im gesamten Team oder konzentriert es sich bei wenigen Personen?
  • Ist das Team von einzelnen Kommunikationsvermittlern abhängig?
  • Können Informationen auch dann weiterfließen, wenn eine Schlüsselperson ausfällt?

Was misst der Faktor?

Der CMCI bildet aus den beobachteten Kommunikationsbeziehungen ein Netzwerk.

Die Kontakte werden zeitlich gewichtet: Neuere Kontakte erhalten mehr Gewicht, während ältere Kontakte schrittweise an Bedeutung verlieren.

Anschließend wird die sogenannte algebraische Konnektivität des Kommunikationsnetzwerks berechnet.

Vereinfacht ausgedrückt beschreibt sie, wie stark die verschiedenen Teile des Netzwerks miteinander verbunden sind.

Eine gut vernetzte Gruppe besitzt weniger strukturelle Trennstellen als eine Gruppe, die aus weitgehend isolierten Teilgruppen besteht.

Beispiel aus der Teamarbeit

In einem Scrum-Team sprechen die Entwickler hauptsächlich mit dem Scrum Master. Die Tester kommunizieren fast ausschließlich mit dem Product Owner.

Obwohl täglich ein Daily Scrum stattfindet, ist die tatsächliche Zusammenarbeit zwischen den Fachgebieten gering.

Der Coach unterstützt das Team dabei, direkte Kommunikation zwischen Entwicklung, Test und Produktverantwortung aufzubauen.

Dadurch entsteht ein stärker vernetztes Kommunikationssystem.

Coaching-Interpretation: (K_{\mathrm{top}}) beschreibt die strukturellen Voraussetzungen für Transparenz, Wissensaustausch und Selbstorganisation.

Eine hohe kommunikative Vernetzung bedeutet allerdings noch nicht, dass die Kommunikation konstruktiv ist. Auch intensive Konflikte können zu starken Kommunikationsverbindungen führen.


Faktor 3: Synchronisation – Arbeiten wir miteinander oder nebeneinander?

Mathematische Größe: (r_{\mathrm{sync}})

Was bedeutet dieser Faktor für einen Coach?

Ein wichtiges Ziel agiler Zusammenarbeit ist die Fähigkeit, das eigene Handeln mit dem Handeln anderer Teammitglieder abzustimmen.

Dabei geht es nicht um Gleichförmigkeit.

Ein Entwicklungsteam benötigt unterschiedliche Kompetenzen und Aufgaben. Trotzdem müssen seine Mitglieder in einem gemeinsamen Arbeitsrhythmus zusammenwirken.

Im Coaching sprechen wir von Koordination, Abstimmung, gegenseitiger Responsivität und manchmal auch von Team Flow.

Die Mitglieder reagieren aufeinander, erkennen Abhängigkeiten und passen ihr Verhalten an die gemeinsame Situation an.

Ein Coach würde fragen:

  • Reagieren die Teammitglieder aufeinander?
  • Greifen sie Beiträge anderer auf?
  • Können sie ihre Aktivitäten zeitlich koordinieren?
  • Entstehen gemeinsame Arbeitsrhythmen?
  • Ist das Team in der Lage, seine Zusammenarbeit bei Veränderungen schnell anzupassen?

Was misst der Faktor?

Die Collective Mind Theory verwendet hierfür ein Modell gekoppelter Oszillatoren.

Jeder Teilnehmer besitzt einen simulierten dynamischen Zustand, der durch eine Phase beschrieben wird.

Diese Phase wird durch individuelle Eigenschaften, emotionale Gesprächsimpulse und die Kommunikation mit anderen Teilnehmern beeinflusst.

Der Synchronisationsfaktor misst, wie stark die modellierten Phasen miteinander übereinstimmen.

Bei hoher Synchronisation befinden sich die Teilnehmer im Modell in einem stark abgestimmten dynamischen Zustand.

Bei niedriger Synchronisation sind ihre dynamischen Zustände weniger stark aufeinander ausgerichtet.

Der CMCI berücksichtigt dabei einen gleitenden Mittelwert über fünf Turns.

Beispiel aus der Teamarbeit

Ein Team arbeitet an einem schwierigen Produktionsproblem.

Zunächst analysiert jeder das Problem isoliert. Ergebnisse werden verspätet ausgetauscht, Maßnahmen überschneiden sich, und die Beteiligten reagieren kaum aufeinander.

Nach einer gemeinsamen Abstimmung verändert sich die Arbeitsweise.

Die Mitglieder teilen neue Erkenntnisse unmittelbar, passen ihre Untersuchungen gegenseitig an und entwickeln eine gemeinsame Vorgehensweise.

Die Arbeitsprozesse werden stärker synchronisiert.

Coaching-Interpretation: (r_{\mathrm{sync}}) ist ein modellbasierter Indikator für die dynamische Abstimmung innerhalb des Teams.

Er beschreibt nicht unmittelbar den Team Flow und misst auch keine neuronale Synchronisation. Er soll vielmehr einen Aspekt der gegenseitigen Koordination mathematisch repräsentieren.

Wichtig ist erneut: Auch ein Streit kann hoch synchronisiert verlaufen. Deshalb reicht Synchronisation allein für einen Collective Mind nicht aus.


Faktor 4: Effektive kollektive Dimension – Wie vielfältig kann unser Team auf Herausforderungen reagieren?

Mathematische Größe: (D_{\mathrm{eff}})

Was bedeutet dieser Faktor für einen Coach?

Management 4.0 ist durch Komplexität, Unsicherheit und schnelle Veränderungen geprägt.

In solchen Situationen reicht es häufig nicht aus, wenn ein Team immer wieder dieselben Handlungsmuster reproduziert.

Ein leistungsfähiges Team muss unterschiedliche Perspektiven miteinander verbinden und verschiedene Veränderungsrichtungen nutzen können.

Hier begegnen uns Begriffe wie:

Cross-Functional Collaboration, Diversity, Adaptability, Problemlösungskompetenz und kollektive Lernfähigkeit.

Ein Coach würde fragen:

  • Können wir ein Problem aus unterschiedlichen Perspektiven betrachten?
  • Verfügen wir über mehrere voneinander unabhängige Handlungsoptionen?
  • Sind wir auf ein einziges Lösungsmuster fixiert?
  • Nutzen wir die unterschiedlichen Kompetenzen im Team?
  • Können wir auf Veränderungen mit verschiedenen Verhaltensweisen reagieren?

Was misst der Faktor?

Die effektive Dimension untersucht die Vielfalt der unabhängigen dynamischen Veränderungsrichtungen des mathematischen Teammodells.

Dazu wird analysiert, wie kleine Änderungen im dynamischen Zustand eines Teilnehmers über die Kommunikation das Gesamtsystem beeinflussen.

Wenn die Veränderungen überwiegend einer einzigen dominierenden Richtung folgen, ist die effektive Dimension niedrig.

Verteilen sich die Veränderungen auf mehrere unabhängige Richtungen, steigt die effektive Dimension.

Der CMCI normiert diese Größe anhand der Anzahl der Teilnehmer.

Beispiel aus der Teamarbeit

Ein Team reagiert auf jedes Problem mit derselben Maßnahme: mehr Meetings, zusätzliche Kontrolle oder eine weitere Eskalation an das Management.

Die Zahl der tatsächlich genutzten Handlungsmuster ist gering.

Ein anderes Team kann technische, organisatorische, kommunikative und kundenbezogene Perspektiven miteinander verbinden.

Es verfügt dadurch über unterschiedliche Möglichkeiten, seine Vorgehensweise zu verändern.

Coaching-Interpretation: (D_{\mathrm{eff}}) beschreibt die Vielfalt unabhängiger Veränderungsmöglichkeiten innerhalb der modellierten Gruppendynamik.

Ein hoher Wert kann als Hinweis auf ein breiteres dynamisches Reaktionspotenzial interpretiert werden.

Er ist jedoch kein unmittelbares Maß für Kreativität, Kompetenz oder die Anzahl tatsächlich verfügbarer Lösungsalternativen.


Faktor 5: Dynamische Stabilität – Wie empfindlich ist unsere Zusammenarbeit gegenüber Störungen?

Mathematische Größe: (C_{\mathrm{dyn}})

Was bedeutet dieser Faktor für einen Coach?

Ein Team kann für kurze Zeit hervorragend zusammenarbeiten.

Die entscheidende Frage ist jedoch, wie empfindlich diese Zusammenarbeit auf Veränderungen reagiert.

Was geschieht, wenn eine unerwartete Kundenanforderung auftaucht? Wenn ein Teammitglied eine andere Meinung vertritt? Wenn ein Sprint-Ziel gefährdet ist?

Verliert das Team sofort seine gemeinsame Ausrichtung, oder kann es die Störung verarbeiten?

Im agilen Coaching sprechen wir hier über Resilienz, Anpassungsfähigkeit, Selbstregulation und den Umgang mit Unsicherheit.

Ein Coach würde fragen:

  • Wie reagieren wir auf unerwartete Veränderungen?
  • Führen kleine Meinungsverschiedenheiten sofort zu großen Konflikten?
  • Können wir unsere Zusammenarbeit selbst regulieren?
  • Bleibt unsere gemeinsame Arbeitsfähigkeit bei Störungen erhalten?
  • Können wir nach Irritationen wieder eine gemeinsame Orientierung herstellen?

Was misst der Faktor?

Das Modell untersucht, wie sich kleine Störungen der relativen dynamischen Zustände über zehn Turns entwickeln.

Dazu wird die transversale Dynamik betrachtet.

Transversal bedeutet hier, dass Veränderungen untersucht werden, die die relativen Beziehungen zwischen den Teilnehmern betreffen.

Der CMCI ermittelt daraus eine endliche Wachstumsrate.

Der aktuelle Stabilitätsfaktor bewertet Zustände besonders hoch, bei denen diese Wachstumsrate nahe null liegt.

Das entspricht einer geringen Veränderung der maximalen transversalen Störungsverstärkung.

Starke Verstärkung, aber auch starke Kontraktion werden durch die aktuelle mathematische Formel niedriger bewertet.

Beispiel aus der Teamarbeit

Ein Kunde verändert kurzfristig eine wichtige Anforderung.

Ein Team reagiert mit gegenseitigen Schuldzuweisungen. Die Zusammenarbeit wird zunehmend konflikthaft, und die Beteiligten verlieren ihre gemeinsame Orientierung.

Ein anderes Team kann die Änderung gemeinsam analysieren, Prioritäten überprüfen und seine Aktivitäten neu koordinieren.

Die Störung führt dort nicht zu einer vergleichbaren Auflösung der gemeinsamen Zusammenarbeit.

Coaching-Interpretation: (C_{\mathrm{dyn}}) beschreibt, wie nahe die modellierte Gruppendynamik an einem Zustand neutraler transversaler Störungsverstärkung liegt.

Das kann für die Analyse von Resilienz und Selbstregulation interessant sein, ist aber nicht mit einer vollständigen Messung psychologischer Teamresilienz gleichzusetzen.


Faktor 6: Reifung der gemeinsamen Zielintegration – Entwickelt sich unsere gemeinsame Orientierung zu einer tragfähigen Grundlage?

Mathematische Größe: (\overline S_Z^{(10)})

Was bedeutet dieser Faktor für einen Coach?

Eine gemeinsame Vision entsteht selten durch einen einzelnen Workshop oder ein einmaliges Teammeeting.

In der Praxis entwickelt sie sich häufig schrittweise.

Teammitglieder formulieren Ziele, hinterfragen Annahmen, erkennen Gemeinsamkeiten und verändern ihre Vorstellungen.

Im agilen Management sprechen wir hier über Team Maturity, kontinuierliche Verbesserung, gemeinsame Lernprozesse und nachhaltiges Alignment.

Ein Coach würde fragen:

  • Verändert sich unsere gemeinsame Zielorientierung ständig grundlegend?
  • Können wir neue Erkenntnisse in unsere gemeinsame Vision integrieren?
  • Entwickeln wir über die Zeit eine nachvollziehbare Orientierung?
  • Bleiben unsere Ziele bei jeder neuen Diskussion offen oder bildet sich eine konsistentere Struktur?

Was misst der Faktor?

Der Reifungsfaktor untersucht die zeitliche Schwankungsarmut der semantischen Zielintegration.

Wenn sich die Zielintegration stark verändert, fällt der Faktor.

Bleibt sie über einen betrachteten Zeitraum relativ konstant, steigt er.

In der aktuellen Version wird zunächst ein turnweiser Reifungswert berechnet. Für den CMCI wird anschließend dessen gleitender Mittelwert über die letzten zehn Turns verwendet.

Beispiel aus der Teamarbeit

Ein Team diskutiert in jedem Sprint Planning erneut seine grundsätzliche Zielsetzung.

Die gemeinsame Orientierung verändert sich ständig. Entscheidungen aus früheren Sprint-Planungen werden regelmäßig infrage gestellt.

Ein anderes Team besitzt eine übergreifende Produktvision. Neue Erkenntnisse können in diese Vision eingeordnet werden, ohne dass ständig die gesamte Zielstruktur neu aufgebaut werden muss.

Coaching-Interpretation: (\overline S_Z^{(10)}) beschreibt die zeitliche Gleichmäßigkeit der gemeinsamen Zielintegrationsentwicklung.

Der Faktor kann Hinweise auf eine Stabilisierung der Zielorientierung geben.

Er misst allerdings nicht unmittelbar Teamreife. Auch eine stagnierende oder unzureichend integrierte Zielstruktur kann sehr konstant sein.

Deshalb ist dieser Faktor nur zusammen mit der tatsächlichen Qualität der Zielintegration sinnvoll interpretierbar.


Was bedeuten die sechs Faktoren gemeinsam?

Die sechs Faktoren lassen sich aus der Sicht eines Coaches als zusammengehörige Entwicklungsbedingungen verstehen.

CMCI-FaktorCoaching-BegriffZentrale Frage
(Z_6) – ZielintegrationShared Purpose, Alignment, CommitmentHaben wir eine gemeinsame, integrierbare Richtung?
(K_{\mathrm{top}}) – VernetzungCollaboration, Transparenz, SelbstorganisationSind wir als Team ausreichend miteinander verbunden?
(r_{\mathrm{sync}}) – SynchronisationKoordination, gegenseitige Abstimmung, Team FlowKönnen wir unsere Aktivitäten dynamisch aufeinander abstimmen?
(D_{\mathrm{eff}}) – Effektive DimensionDiversity, Adaptability, kollektives ProblemlösenVerfügt unsere Gruppendynamik über unterschiedliche Veränderungsmöglichkeiten?
(C_{\mathrm{dyn}}) – StabilitätResilienz, Selbstregulation, Umgang mit StörungenWie empfindlich ist unsere gemeinsame Dynamik?
(\overline S_Z^{(10)}) – ReifungTeam Maturity, kontinuierliches AlignmentWie gleichmäßig entwickelt sich unsere gemeinsame Zielorientierung?

Der besondere Ansatz des CMCI 6.0 besteht darin, diese Eigenschaften nicht isoliert zu betrachten.

Ein Team benötigt eine gemeinsame Zielorientierung, eine tragfähige Kommunikationsstruktur, die Fähigkeit zur gegenseitigen Abstimmung, unterschiedliche dynamische Reaktionsmöglichkeiten sowie geeignete Bedingungen für eine stabile und reifende Zusammenarbeit.

Die Faktoren stehen dabei in Wechselwirkung.

Gute Kommunikation kann das gegenseitige Verständnis fördern.

Besseres Verständnis kann die Integration individueller Ziele unterstützen.

Eine gemeinsame Zielorientierung kann wiederum die Koordination erleichtern.

Die mathematische Modellierung versucht, diese unterschiedlichen Voraussetzungen zu einer gemeinsamen Beschreibung der Collective Mind Fähigkeit zusammenzuführen.

Welche Bedeutung hat der CMCI für Management 4.0?

Management 4.0 betrachtet Organisationen nicht ausschließlich als hierarchisch gesteuerte Strukturen, sondern als komplexe soziale Systeme.

In solchen Systemen entstehen Leistungen durch die Interaktion vieler eigenständiger Akteure.

Traditionelle Führung konzentriert sich häufig auf die Steuerung einzelner Mitarbeiter, die Verteilung von Aufgaben und die Kontrolle von Ergebnissen.

Eine Führungskraft im Sinne von Management 4.0 muss darüber hinaus verstehen, welche Bedingungen die Entstehung kollektiver Intelligenz ermöglichen.

Hier eröffnet die Collective Mind Theory eine zusätzliche Perspektive.

Der Coach betrachtet nicht nur die Kompetenzen und das Verhalten einzelner Menschen, sondern insbesondere die Struktur und Dynamik ihrer Zusammenarbeit.

Dabei verändert sich die zentrale Führungsfrage.

Statt ausschließlich zu fragen:

Wie kann ich die Leistung der einzelnen Teammitglieder verbessern?

lautet sie:

Wie kann ich die Bedingungen gestalten, unter denen das Team seine kollektiven Fähigkeiten entfalten kann?

Der CMCI 6.0 soll helfen, diese Frage systematischer zu untersuchen.

Er kann beispielsweise darauf aufmerksam machen, dass ein Team zwar einen klaren Purpose besitzt, aber nur schwach vernetzt ist.

Oder dass eine intensive und gut synchronisierte Zusammenarbeit besteht, während zentrale individuelle Ziele nicht ausreichend integriert sind.

Ebenso kann ein Team eine gute Zielintegration entwickeln, obwohl seine momentane dynamische Stabilität gering ist.

Solche Unterschiede sind für Coaching und agile Führung wertvoll, weil sie auf unterschiedliche Ansatzpunkte für Interventionen hinweisen.

Vom Teamzustand zur Coaching-Intervention

Der CMCI ist zunächst ein mathematischer Forschungsindex und noch kein empirisch kalibriertes Diagnoseinstrument.

Sein möglicher praktischer Nutzen besteht darin, unterschiedliche Aspekte der Teamzusammenarbeit sichtbar und diskutierbar zu machen.

Ein Coach könnte die sechs Faktoren als Reflexionsgrundlage verwenden:

Bei schwacher Zielintegration könnte ein gemeinsamer Visions- oder Alignment-Workshop sinnvoll sein.

Bei geringer kommunikativer Vernetzung könnte die direkte Zusammenarbeit zwischen bisher getrennten Teilgruppen gefördert werden.

Bei niedriger Synchronisation könnten gemeinsame Abstimmungsmechanismen und transparentere Arbeitsprozesse helfen.

Bei geringer effektiver Dimension könnte untersucht werden, ob das Team auf wenige Reaktionsmuster fixiert ist.

Bei auffälliger dynamischer Empfindlichkeit könnten Selbstregulation, Konfliktbearbeitung und gemeinsame Reaktionsfähigkeit in den Mittelpunkt rücken.

Und bei starken Schwankungen der Zielintegration könnte ein regelmäßiger Abgleich zwischen individuellen Zielen, Team-Purpose und Produktvision hilfreich sein.

Diese Interventionen ergeben sich nicht automatisch aus der Mathematik. Sie sind mögliche Coaching-Hypothesen, die gemeinsam mit dem Team geprüft werden müssen.


Fazit: Collective Mind als neue Perspektive auf Teamleistung

Die Collective Mind Theory erweitert den Blick auf Teamleistung.

Nicht allein die individuellen Kompetenzen entscheiden darüber, welche Leistungen ein Team erbringen kann.

Ebenso wichtig sind die gemeinsame Zielorientierung, die Struktur der Kommunikation, die dynamische Abstimmung, die Vielfalt der Veränderungsmöglichkeiten sowie die Eigenschaften der gemeinsamen Gruppendynamik.

Der CMCI 6.0 versucht, diese Voraussetzungen mathematisch zu beschreiben.

Für Coaches, Scrum Master und Führungskräfte entsteht daraus eine neue Betrachtungsweise:

Die Aufgabe von Führung besteht nicht nur darin, Menschen zu koordinieren, sondern Bedingungen zu schaffen, unter denen ihre individuellen Fähigkeiten zu einer gemeinsamen, zielgerichteten Intelligenz zusammenfinden können.

Ein Collective Mind lässt sich dabei weder durch Harmonie noch durch intensiven Informationsaustausch allein erzeugen.

Er setzt voraus, dass unterschiedliche individuelle Perspektiven in einer gemeinsamen Zielorientierung verbunden werden können und die Gruppe über eine dafür geeignete dynamische Zusammenarbeit verfügt.

Der CMCI 6.0 ist ein erster mathematischer Versuch, diese Voraussetzungen systematisch zu untersuchen und dadurch die Entwicklung kollektiver Intelligenz für Coaching und Management 4.0 besser verständlich zu machen.

 

CMCI 6.0 – Die mathematische Beschreibung

1. Was misst der CMCI 6.0?

Der Collective Mind Criticality Index (CMCI 6.0) ist ein mathematischer Modellindex, mit dem untersucht wird, unter welchen Bedingungen eine Gruppe die Voraussetzungen für eine gemeinsame, integrierte Zielorientierung entwickelt.

Ein Collective Mind bedeutet dabei nicht, dass alle Gruppenmitglieder dieselbe Meinung besitzen. Entscheidend ist vielmehr, ob ihre individuellen Ziele, Werte und Perspektiven in eine übergeordnete, gemeinsam tragfähige Zielhierarchie integriert werden können.

Der Index verknüpft sechs unterschiedliche Eigenschaften der Gruppe:

  1. Semantische Zielintegration: Gibt es eine gemeinsame Zielstruktur, die die individuellen Perspektiven berücksichtigt?
  2. Kommunikative Vernetzung: Wie intensiv und kohäsiv sind die Teilnehmer miteinander verbunden?
  3. Synchronisation: In welchem Maß stimmen ihre modellierten dynamischen Zustände kohärent überein?
  4. Effektive kollektive Dimension: Wie viele unabhängige Veränderungsrichtungen sind in der Gruppendynamik aktiv?
  5. Transversale Stabilität: Wie verhält sich das System gegenüber Störungen, die die gemeinsame Ausrichtung verändern?
  6. Reifung der Zielintegration: Wie gleichmäßig entwickelt sich die gemeinsame Zielstruktur über die Zeit?

Der CMCI 6.0 verbindet diese sechs Eigenschaften multiplikativ. Ein niedriger Wert einer einzelnen Komponente kann somit den Gesamtindex erheblich reduzieren.

2. Die aktuelle Gesamtformel

    \[ \boxed{ \begin{aligned} \mathrm{CMCI}_6(t) ={}&Z_6(t)\cdot K_{\mathrm{top}}(t) \cdot r_{\mathrm{sync}}(t)\\ &\cdot\frac{D_{\mathrm{eff}}(t)}{N-1} \cdot C_{\mathrm{dyn}}(t) \cdot\overline{S}_Z^{(10)}(t) \end{aligned} } \]

Dabei bezeichnet t den untersuchten Turn, also einen einzelnen Gesprächsbeitrag, und N die Anzahl der Teilnehmer.

Die semantische Komponente enthält gegebenenfalls zusätzlich das Konflikt-Gate:

    \[ Z_6(t)=G_{\mathrm{CM}}(t)\,Z_{\mathrm{geom}}(t). \]

Ein ausdrücklich nachgewiesener, zentraler und ungelöster Zielkonflikt kann somit den Index auf null setzen.

Wichtig für die wissenschaftliche Interpretation: Ist das Konflikt-Gate noch unbewertet, verwendet das aktuelle Add-on für die Demonstrationsrechnung vorläufig G_{\mathrm{CM}}=1. Das bedeutet nicht, dass eine widerspruchsfrei integrierte gemeinsame Vision nachgewiesen wurde.

3. Faktor 1 – Semantische Zielintegration Z_6

Qualitative Bedeutung

Dieser Faktor untersucht, inwieweit die unterschiedlichen Ziele und Werte der Gruppenmitglieder in eine übergeordnete gemeinsame Zielhierarchie eingebunden werden können.

Vier Fragen stehen im Mittelpunkt:

  • Hierarchie: Gibt es überhaupt eine nachvollziehbare gemeinsame Zielstruktur?
  • Repräsentation: Werden die individuellen Ziele aller Teilnehmer berücksichtigt?
  • Wertevereinbarkeit: Sind diese Ziele mit den geäußerten Werten der Teilnehmer vereinbar?
  • Verständnis: Gibt es Hinweise darauf, dass die Teilnehmer die betreffende Zielstruktur verstehen?

Ein hoher Wert signalisiert innerhalb des Modells, dass die Voraussetzungen für eine gemeinsame Zielausrichtung vergleichsweise günstig sind.

Ein niedriger Wert zeigt dagegen an, dass die Zielstruktur unzureichend entwickelt ist oder wesentliche individuelle Perspektiven noch nicht integriert wurden.

Besonders wichtig ist: Gegenseitiges Verständnis bedeutet nicht automatisch Zustimmung. Deshalb werden Verständnis und Wertevereinbarkeit getrennt bewertet.

Mathematische Definition

Zunächst wird die geometrische Zielintegration berechnet:

    \[ \boxed{ Z_{\mathrm{geom}}(t)= \left[ H(t)\, P_{\min}(t)\, W_{\min}(t)\, U_{\min}(t) \right]^{1/4} } \]

mit

    \[ P_{\min}(t)=\min_{1\le i\le N}P_i(t) \]

    \[ W_{\min}(t)=\min_{1\le i\le N}W_i(t) \]

    \[ U_{\min}(t)=\min_{1\le i\le N}U_i(t). \]

Die Größen haben folgende Bedeutung:

SymbolDefinitionWertebereich
H(t)Qualität der übergeordneten Zielhierarchie0 bis 1
P_i(t)Repräsentation der Ziele von Teilnehmer i0 bis 1
W_i(t)Vereinbarkeit der Zielstruktur mit den geäußerten Werten von i0 bis 1
U_i(t)Evidenz für das Verständnis der Zielstruktur durch i0 bis 1
NAnzahl der TeilnehmerGanze Zahl, mindestens 2

Die Verwendung der Minima folgt einem bewussten theoretischen Prinzip: Eine gemeinsame Vision soll nicht allein dadurch als erfolgreich integriert gelten, dass die Mehrheit zufrieden ist, während einzelne Teilnehmer mit ihren zentralen Zielen unberücksichtigt bleiben.

Das geometrische Mittel verhindert zugleich, dass vier moderate Bewertungen durch bloße Multiplikation einen extrem kleinen Zahlenwert erzeugen.

Das Konflikt-Gate

Zusätzlich gilt:

    \[ \boxed{ Z_6(t)=G_{\mathrm{CM}}(t)\,Z_{\mathrm{geom}}(t) } \]

mit

    \[ G_{\mathrm{CM}}(t)\in\{0,1\}. \]

Dabei bedeutet:

  • G_{\mathrm{CM}}=0: Ein zentraler, ungelöster und nach den Modellkriterien nicht integrierbarer Zielkonflikt wurde ausdrücklich festgestellt.
  • G_{\mathrm{CM}}=1: Kein solcher harter Ausschluss wurde ausdrücklich festgestellt.

Für noch nicht bewertete Situationen kennt das Datenmodell zusätzlich den Zustand unbekannt. Im aktuellen Add-on wird dieser Zustand für einen ausdrücklich gekennzeichneten Demonstrationsverlauf vorläufig wie 1 behandelt.

Daraus ergibt sich eine entscheidende mathematische Eigenschaft:

    \[ G_{\mathrm{CM}}(t)=0 \quad\Longrightarrow\quad \mathrm{CMCI}_6(t)=0. \]

Interpretation: Ein zentraler, nicht integrierbarer Zielkonflikt kann nicht durch besonders intensive Kommunikation oder hohe Synchronisation kompensiert werden.

4. Faktor 2 – Kommunikative Vernetzung K_{\mathrm{top}}

Qualitative Bedeutung

Dieser Faktor beschreibt, wie die Gruppenmitglieder über ihre Gesprächsbeziehungen miteinander verbunden sind.

Dabei genügt es nicht, dass viel gesprochen wird. Entscheidend ist vielmehr, wie die Kommunikationskontakte auf die Gruppe verteilt sind.

Eine Gruppe, in der alle Beteiligten nur mit dem Moderator kommunizieren, hat eine andere Netzwerkstruktur als eine Gruppe, in der die Teilnehmer miteinander in wechselseitigem Austausch stehen.

Der Faktor nutzt deshalb die Struktur des gesamten Kommunikationsnetzes.

Mathematische Definition

Zunächst wird eine gerichtete Kontaktmatrix aufgebaut:

    \[ C(t)\in\mathbb{R}^{N\times N}. \]

Der Eintrag C_{ij}(t) beschreibt die zeitlich abklingende Kontakthistorie von Teilnehmer j zu Teilnehmer i.

Die Aktualisierung ist definiert als:

    \[ \boxed{ C_{ij}(t)= \delta\left[ C_{ij}(t-1)+ \mathbf{1}_{\{i=g_t,\;j=s_t,\;i\ne j\}} \right] } \]

mit:

SymbolBedeutung
s_tSprecher bei Turn t
g_tAdressat bei Turn t
\mathbf{1}Indikatorfunktion, bei erfüllter Bedingung 1, sonst 0
\deltaGedächtnis- bzw. Abklingfaktor
\delta=0{,}90Im aktuellen Code verwendeter Wert
C_{ij}(0)Anfangszustand der Kontaktmatrix, null

Das bedeutet: Frühere Kommunikationskontakte verlieren pro Turn 10 % ihres bisherigen Gewichts.

Aus der gerichteten Matrix wird eine symmetrische, nichtnegative Adjazenzmatrix berechnet:

    \[ A_{ij}^{\mathrm{graph}}(t) = \frac{|C_{ij}(t)|+|C_{ji}(t)|}{2}, \qquad i\ne j, \]

mit verschwindender Diagonale.

Anschließend wird die Laplace-Matrix des Kommunikationsgraphen gebildet:

    \[ L(t)=D(t)-A^{\mathrm{graph}}(t), \]

wobei

    \[ D_{ii}(t)=\sum_j A_{ij}^{\mathrm{graph}}(t). \]

Der zweitkleinste Eigenwert von L(t),

    \[ \lambda_2(L(t)), \]

wird als algebraische Konnektivität oder spektraler Gap bezeichnet.

Für einen ungerichteten, nichtnegativ gewichteten Graphen gilt:

    \[ \lambda_2(L)>0 \]

genau dann, wenn der Graph zusammenhängend ist.

Auf der Basis von lambda wird die über die gesamte untersuchte Gesprächssequenz normierte Größe G definiert:

    \[ G_{\mathrm{norm}}(t)= \frac{ \lambda_2(L(t))-\lambda_{2,\min} }{ \lambda_{2,\max}-\lambda_{2,\min}+\varepsilon_g }. \]

Hierbei sind \lambda_{2,\min} und \lambda_{2,\max} das Minimum und Maximum des spektralen Gaps im jeweiligen Datensatz; im Code ist \varepsilon_g=10^{-9}.

Schließlich gilt:

    \[ \boxed{ K_{\mathrm{top}}(t)=0{,}1+G_{\mathrm{norm}}(t) } \]

Der additive Sockelwert 0,1 verhindert, dass ein zeitweise verschwindender spektraler Gap den gesamten CMCI automatisch auf null setzt.

Daraus folgt der ungefähre Wertebereich:

    \[ 0{,}1\le K_{\mathrm{top}}(t)<1{,}1. \]

Methodischer Hinweis: Die Normierung ist datensatzbezogen. Ein hoher K_{\mathrm{top}}-Wert bedeutet daher zunächst eine starke Vernetzung relativ zur jeweiligen Sendung. Identische Zahlenwerte aus zwei verschiedenen Sendungen sind nicht automatisch identische absolute Netzwerkzustände.

5. Faktor 3 – Synchronisation r_{\mathrm{sync}}

Qualitative Bedeutung

Die Synchronisation beschreibt, wie weit die modellierten dynamischen Zustände der Gruppenmitglieder miteinander übereinstimmen.

Man kann sich die einzelnen Teilnehmer vereinfacht als miteinander gekoppelte Oszillatoren vorstellen. Jeder besitzt eine eigene Dynamik, wird aber zugleich von den anderen beeinflusst.

Synchronisation tritt ein, wenn diese Oszillatoren Phasenbeziehungen ausbilden, die zu einer gemeinsamen dynamischen Ausrichtung führen.

Dabei gilt ausdrücklich:

Synchronisation ist nicht gleichbedeutend mit Zustimmung.

Auch Menschen mit gegensätzlichen Meinungen können stark synchronisiert sein, etwa weil sie sich intensiv und unmittelbar aufeinander beziehen.

Mathematische Definition

Für jeden Teilnehmer i wird eine Phase definiert:

    \[ \theta_i(t)\in[0,2\pi). \]

Die Synchronisation wird durch den komplexen Ordnungsparameter gemessen:

    \[ \boxed{ r(t)= \left| \frac{1}{N} \sum_{i=1}^{N} e^{\mathrm{i}\theta_i(t)} \right| } \]

mit:

  • N: Anzahl der Teilnehmer.
  • \theta_i(t): Phase des Teilnehmers i.
  • \mathrm{i}=\sqrt{-1}: imaginäre Einheit.
  • |\cdot|: Betrag einer komplexen Zahl.

Es gilt:

    \[ 0\le r(t)\le1. \]

Bei r=1 besitzen alle Teilnehmer dieselbe Phase. Kleine Werte zeigen eine stärker verteilte Phasenkonfiguration.

Berechnung der Teilnehmerphasen

Im CMCI 6.0 Modell werden die Phasen über ein diskretes, gekoppeltes dynamisches System fortgeschrieben:

    \[ \boxed{ \begin{aligned} \theta_i(t+1) ={}&\theta_i(t)+\omega_i +N_i^{\mathrm{trait}}\,d_i(t)\\ &+a_i\sum_{j=1}^{N} R_{ij}(t) \sin\bigl(\theta_j(t)-\theta_i(t)\bigr) \pmod{2\pi}. \end{aligned} } \]

Die einzelnen Größen sind:

    \[ a_i=\frac{1}{1+\gamma C_i^{\mathrm{trait}}}, \qquad \gamma=1. \]

    \[ \omega_i= \alpha_\omega\|\mathbf v_i\|_2, \qquad \alpha_\omega=0{,}5. \]

    \[ d_i(t)= \begin{cases} \mathrm{ar}(t)\,\mathrm{val}(t),&i=s_t,\\ 0,&i\ne s_t. \end{cases} \]

Hier bedeuten:

SymbolBedeutung
\omega_iIndividuelle Eigenfrequenz
\mathbf v_iDreidimensionales Werteprofil des Teilnehmers
\|\mathbf v_i\|_2Euklidische Norm des Werteprofils
\alpha_\omega=0{,}5Skalierung der Eigenfrequenz
N_i^{\mathrm{trait}}Neurotizismuswert des Big-Five-Profils
C_i^{\mathrm{trait}}Gewissenhaftigkeitswert des Big-Five-Profils
\gamma=1Parameter der individuellen Trägheit
\mathrm{ar}(t)Annotiertes Arousal des Gesprächsbeitrags
\mathrm{val}(t)Annotierte Valenz des Gesprächsbeitrags
d_i(t)Direkter emotionaler Antrieb des aktuellen Sprechers
R_{ij}(t)Effektive Kopplung von Teilnehmer j auf i

Die Kopplung lautet:

    \[ R_{ij}(t)=C_{ij}(t)\Lambda_{ij}. \]

Für i\ne j berechnet der Code:

    \[ \Lambda_{ij} = (O_i+A_i)(1{,}2E_j) \,S_{ij}\, M_{\rho_i\rho_j}, \]

mit

    \[ S_{ij}= \frac{\mathbf v_i^\top\mathbf v_j} {(\|\mathbf v_i\|_2+10^{-9}) (\|\mathbf v_j\|_2+10^{-9})}. \]

Dabei stehen E_i,A_i,O_i für Extraversion, Verträglichkeit und Offenheit, \rho_i für das dem Teilnehmer zugeordnete Werteregime und M für die Kompatibilitätsmatrix

    \[ M= \begin{pmatrix} 1&-0{,}2&-1\\ -0{,}2&1&0{,}2\\ -1&0{,}2&1 \end{pmatrix}. \]

Die Regimezuordnung erfolgt durch Maximierung dreier Scores:

    \[ \rho_i=\arg\max_{k\in\{0,1,2\}}q_{ki}, \]

    \[ \begin{aligned} q_{0i}&=1{,}5v_{i2}-0{,}5v_{i3},\\ q_{1i}&=1{,}2v_{i1}-0{,}3|v_{i2}-v_{i3}|,\\ q_{2i}&=1{,}5v_{i3}-0{,}5v_{i2}. \end{aligned} \]

Die drei Wertekoordinaten sind hier v_{i1},v_{i2},v_{i3}. Die Regimezuordnung und die Kompatibilitätsmatrix sind Annahmen der aktuellen Modellfassung.

Zu Beginn werden die Phasen gleichverteilt in [0,2\pi) initialisiert. Der verwendete Pseudozufallszahlengenerator erhält den Seed SEED + 17, damit sich bei gleichen Eingaben diese reproduzieren lassen.

Synchronisation im CMCI 6.0

Die rohe Synchronisation wird über fünf Gesprächsbeiträge gleitend gemittelt:

    \[ \boxed{ r_{\mathrm{sync}}(t)= \frac{1}{n_5(t)} \sum_{k=\max(1,t-4)}^t r(k) } \]

mit

    \[ n_5(t)=\min(5,t). \]

Die Glättung dieser Größe ist nicht mit der zusätzlichen Glättung der gezeichneten Kurven zu verwechseln.

6. Faktor 4 – Effektive kollektive Dimension D_{\mathrm{eff}}

Qualitative Bedeutung

Dieser Faktor beschreibt die Vielfalt der unabhängigen dynamischen Veränderungsmöglichkeiten des Systems.

Eine Gruppe kann sehr stark auf eine einzige Dynamikrichtung ausgerichtet sein. Beispielsweise können alle Teilnehmer einem dominierenden Konfliktmuster folgen.

Sie kann aber auch mehrere unabhängige Richtungen besitzen, in denen sich ihre gemeinsame Dynamik verändert.

Der Faktor D_{\mathrm{eff}} untersucht diese dynamische Vielfalt.

Dabei gilt: Eine höhere effektive Dimension ist in unserem CMCI-Modell positiv gewichtet. Sie ist jedoch nicht automatisch ein Nachweis höherer Kreativität oder Intelligenz.

Mathematische Definition

Ausgangspunkt ist die Jacobi-Matrix der Phasendynamik:

    \[ J(t)= \frac{\partial\boldsymbol{\theta}(t+1)} {\partial\boldsymbol{\theta}(t)}. \]

Sie beschreibt, wie kleine Veränderungen der Phasen zum nächsten Zeitpunkt fortgeschrieben werden.

Für i\ne j gilt:

    \[ J_{ij}(t)= a_i R_{ij}(t) \cos(\theta_j(t)-\theta_i(t)). \]

Für die Diagonale gilt:

    \[ J_{ii}(t)= 1-a_i\sum_{j\ne i} R_{ij}(t) \cos(\theta_j(t)-\theta_i(t)). \]

Hier sind a_i,R_{ij} und \theta_i dieselben Größen wie im Synchronisationsmodell.

Über einen Zeithorizont von h=10 Turns wird anschließend das Produkt

    \[ \boxed{ M_h(t)= J(t)J(t-1)\cdots J(t-h+1) } \]

berechnet.

Dieses Produkt beschreibt die linearisierte Entwicklung kleiner Phasenstörungen über zehn aufeinanderfolgende Turns.

Projektion auf den transversalen Raum

Eine gleichmäßige Verschiebung aller Phasen ist keine Änderung ihrer relativen Beziehungen.

Deshalb wird die Richtung

    \[ \mathbf{1}=(1,\ldots,1)^\top \]

aus der Analyse herausgenommen.

Dazu definieren wir

    \[ Q=I_N-\frac{1}{N}\mathbf{1}\mathbf{1}^\top, \]

wobei I_N die N\times N-Einheitsmatrix bezeichnet.

Eine Matrix

    \[ B\in\mathbb{R}^{N\times(N-1)} \]

bildet eine orthonormale Basis des transversalen Raums:

    \[ B^\top B=I_{N-1}, \qquad B^\top\mathbf 1=0. \]

Nun betrachten wir die transversale Veränderung gegenüber der Identität:

    \[ \boxed{ T_h(t)= B^\top(M_h(t)-I_N)B. } \]

Seien

    \[ \sigma_1(t),\ldots,\sigma_{N-1}(t) \]

die Singulärwerte dieser Matrix.

Die effektive Dimension lautet:

    \[ \boxed{ D_{\mathrm{eff}}(t)= \frac{ \left(\displaystyle\sum_{k=1}^{N-1}\sigma_k^2(t)\right)^2 }{ \displaystyle\sum_{k=1}^{N-1}\sigma_k^4(t) }. } \]

Ist der Nenner numerisch praktisch null, verwendet der Code D_{\mathrm{eff}}=0.

Damit gilt für eine von null verschiedene transversale Veränderungsmatrix:

    \[ 1\le D_{\mathrm{eff}}(t)\le N-1. \]

Für den CMCI wird dieser Wert normiert:

    \[ \boxed{ D_{\mathrm{rel}}(t)= \frac{D_{\mathrm{eff}}(t)}{N-1}. } \]

Bei den beiden bisher untersuchten Sendungen mit fünf Teilnehmern ist:

    \[ D_{\mathrm{rel}}(t)=\frac{D_{\mathrm{eff}}(t)}{4}. \]

Wissenschaftliche Einordnung

Die Formel entspricht einer effektiven Rangzahl auf Basis der quadrierten Singulärwerte.

Sind mehrere Singulärwerte ähnlich groß, ist D_{\mathrm{eff}} hoch. Dominiert dagegen ein einziger Singulärwert, nähert sich die effektive Dimension dem Wert 1.

Das ist eine mathematisch präzise Aussage über die linearisierte Modellbewegung, aber noch keine direkte Messung der tatsächlichen Vielfalt menschlicher Denkprozesse.

7. Faktor 5 – Transversale Stabilität C_{\mathrm{dyn}}

Qualitative Bedeutung

Eine Gruppe kann kurzfristig koordiniert erscheinen, ohne dass ihre gemeinsame Ausrichtung stabil ist.

Der transversale Stabilitätsfaktor untersucht deshalb, wie empfindlich die modellierte Gruppendynamik gegenüber kleinen Störungen der relativen Teilnehmerphasen ist.

Eine stabile Konfiguration bedeutet, dass solche Störungen nicht stark anwachsen.

Eine empfindliche Konfiguration bedeutet dagegen, dass kleine Veränderungen die relativen Phasen erheblich beeinflussen können.

Im CMCI 6.0 werden dynamisch wenig empfindliche Zustände höher bewertet.

Mathematische Definition

Wir verwenden erneut das Jacobi-Produkt

    \[ M_h(t)=J(t)\cdots J(t-h+1) \]

mit h=10.

Die transversale Wirkung dieses Produkts lautet:

    \[ \boxed{ M_{\perp}(t)=B^\top M_h(t)B. } \]

Der größte Singulärwert

    \[ \sigma_{\max}(M_\perp(t)) \]

beschreibt die maximale linearisierte Verstärkung einer transversalen Störung über das betrachtete Zeitfenster.

Daraus wird eine endliche transversale Wachstumsrate berechnet:

    \[ \boxed{ \widehat{\lambda}_{\perp}(t)= \frac{1}{h} \ln\left[ \sigma_{\max}(M_\perp(t)) \right]. } \]

Dabei gilt:

  • \widehat{\lambda}_{\perp}<0: Die maximale transversale Störungsverstärkung über das Fenster ist kleiner als 1.
  • \widehat{\lambda}_{\perp}=0: Die maximale Verstärkung beträgt 1.
  • \widehat{\lambda}_{\perp}>0: Mindestens eine transversale Störungsrichtung wird verstärkt.

Aus numerischen Gründen begrenzt der Code das Argument des Logarithmus von unten auf die kleinste positive darstellbare Gleitkommazahl.

Der Stabilitätsfaktor des CMCI lautet:

    \[ \boxed{ C_{\mathrm{dyn}}(t)= \exp\left( -\frac{|\widehat{\lambda}_{\perp}(t)|} {\lambda_0} \right) } \]

mit

    \[ \lambda_0=0{,}05. \]

Es gilt:

    \[ 0<C_{\mathrm{dyn}}(t)\le1. \]

Bedeutung des Parameters \lambda_0

Der Parameter \lambda_0 steuert, wie stark der Index auf transversale Wachstums- oder Schrumpfungsraten reagiert.

Kleine Werte von \lambda_0 führen zu einer stärkeren Bestrafung von Abweichungen.

Beispielsweise ergibt sich bei

    \[ |\widehat{\lambda}_{\perp}|=0{,}05 \]

der Wert

    \[ C_{\mathrm{dyn}}=e^{-1}\approx0{,}368. \]

Bei

    \[ |\widehat{\lambda}_{\perp}|=0{,}10 \]

folgt bereits

    \[ C_{\mathrm{dyn}}=e^{-2}\approx0{,}135. \]

Das erklärt die ausgeprägten CMCI-Einbrüche, die wir bei ML1 und ML2 beobachtet haben.

Eine wichtige theoretische Besonderheit

Der aktuelle Faktor verwendet den Betrag der transversalen Wachstumsrate.

Damit werden sowohl positive als auch negative Wachstumsraten bestraft. Der höchste Faktorwert wird bei einer Wachstumsrate nahe null erreicht.

Das bedeutet: Der Faktor bevorzugt eine ungefähr neutrale transversale Dynamik und nicht eine möglichst starke Kontraktion.

Dies ist eine bewusste Eigenschaft der implementierten Formel. Streng genommen sollte man daher nicht behaupten, C_{\mathrm{dyn}} messe einfach nur asymptotische Stabilität. Präziser wäre:

Er misst die Nähe der endlichen transversalen Wachstumsrate zum neutralen Zustand null.

8. Faktor 6 – Reifung der Zielintegration \overline S_Z^{(10)}

Qualitative Bedeutung

Eine gemeinsame Zielvorstellung entsteht nicht unbedingt plötzlich. Sie kann sich über mehrere Gesprächsschritte entwickeln, verändern oder wieder auflösen.

Der Reifungsfaktor untersucht, wie stark die semantische Zielintegration innerhalb eines kurzen vergangenen Zeitfensters schwankt.

Eine relativ gleichmäßige Entwicklung wird höher bewertet. Starke Veränderungen werden niedriger bewertet.

Damit ergänzt dieser Faktor die Frage, wie gut die Ziele integriert sind, um die Frage, wie ruhig oder gleichmäßig sich diese Integration entwickelt.

Allerdings ist Gleichmäßigkeit allein kein Beweis für gelungene Reifung: Auch eine stagnierende, schlecht integrierte Gruppe kann niedrige Schwankungen aufweisen.

Mathematische Definition

Die neue Implementierung arbeitet mit einem rückblickenden Fenster von

    \[ w=10 \]

Turns.

Die Grundlage ist eine turnweise angenäherte Zielintegration Z^\ast(t). Sie wird aus den vorhandenen Checkpointbewertungen erzeugt. Zwischen den Checkpoints werden die zuletzt verfügbaren Werte fortgeschrieben; vor dem ersten Checkpoint übernimmt der aktuelle Code den ersten Checkpointwert.

Damit liegen zwischen den annotierten Checkpoints keine unabhängig gemessenen neuen Zielintegrationswerte vor.

Zunächst wird die Änderung zwischen zwei Turns bestimmt:

    \[ \Delta Z^\ast(t)= Z^\ast(t)-Z^\ast(t-1). \]

Für den ersten Turn setzt der Code die Differenz auf null.

Aus den letzten zehn Differenzen wird die quadratische mittlere Schwankung berechnet:

    \[ \boxed{ V_Z^{(10)}(t)= \sqrt{ \frac{1}{n_t} \sum_{k=\max(1,t-9)}^t \left[\Delta Z^\ast(k)\right]^2 } } \]

mit

    \[ n_t=\min(10,t). \]

Daneben wird das gleitende Mittel der Zielintegration berechnet:

    \[ \boxed{ \overline Z^{(10)}(t)= \frac{1}{n_t} \sum_{k=\max(1,t-9)}^t Z^\ast(k). } \]

Daraus ergibt sich der turnweise Reifungsfaktor:

    \[ \boxed{ S_Z(t)= \exp\left( -\frac{V_Z^{(10)}(t)} {\overline Z^{(10)}(t)+\varepsilon_Z} \right) } \]

mit

    \[ \varepsilon_Z=10^{-6}. \]

Dieser kleine Parameter verhindert eine Division durch null.

Der Reifungsfaktor liegt im Bereich

    \[ 0<S_Z(t)\le1. \]

Der Mittelwert über die letzten zehn Turns

Für den CMCI verwenden wir jetzt ausdrücklich nicht nur den momentanen Wert S_Z(t), sondern dessen Mittelwert über die letzten zehn Turns:

    \[ \boxed{ \overline S_Z^{(10)}(t)= \frac{1}{n_t} \sum_{k=\max(1,t-9)}^t S_Z(k). } \]

Genau dieser Mittelwert ist der sechste Faktor der aktuellen CMCI-6.0-Formel.

Damit berücksichtigt die Reifungskomponente sowohl die Schwankungen innerhalb der lokalen Zielintegrationsentwicklung als auch die zeitliche Mittelung der daraus berechneten Reifungswerte.

Beispiel zur Interpretation

Angenommen, die Zielintegration bleibt in zehn aufeinanderfolgenden Turns unverändert.

Dann gilt:

    \[ \Delta Z^\ast(k)=0 \]

für alle Turns des Fensters. Somit ist

    \[ V_Z^{(10)}(t)=0 \]

und folglich

    \[ S_Z(t)=1. \]

Der Faktor bewertet diesen Abschnitt dann als vollständig schwankungsarm.

Dagegen erzeugt ein abrupter Anstieg oder Rückgang der Zielintegration eine positive quadratische Schwankung und damit einen Faktor kleiner 1.

Wichtig: Auch ein konstruktiver, plötzlicher Integrationsfortschritt kann also zunächst zu einer Absenkung von S_Z führen. Der Faktor unterscheidet nicht zwischen positiven und negativen Veränderungen, sondern misst deren Betrag.

9. Zusammenführung aller sechs Faktoren

Die aktuell implementierte Formel lautet damit:

    \[ \boxed{ \begin{aligned} \mathrm{CMCI}_6(t) ={}& G_{\mathrm{CM}}(t) \left[ H(t)P_{\min}(t)W_{\min}(t)U_{\min}(t) \right]^{1/4}\\ &\cdot \left[0{,}1+G_{\mathrm{norm}}(t)\right]\\ &\cdot r_{\mathrm{sync}}(t)\\ &\cdot \frac{D_{\mathrm{eff}}(t)}{N-1}\\ &\cdot \exp\left( -\frac{|\widehat{\lambda}_{\perp}(t)|}{0{,}05} \right)\\ &\cdot \overline S_Z^{(10)}(t). \end{aligned} } \]

Alle sechs Faktoren werden zum betrachteten Checkpoint t ausgewertet. Das Modell benötigt dafür die semantischen Bewertungen aus der erweiterten Transkriptdatei, die Persönlichkeitsprofile und die Gesprächssequenz.

10. Glättung der grafischen Darstellung

In den obigen Abbildungen werden die sechs Faktoren und der CMCI gemeinsam dargestellt. Dabei besitzen die Faktoren und der CMCI zwei getrennte vertikale Skalen, damit auch vergleichsweise kleine CMCI-Werte sichtbar bleiben.

Für die grafische Darstellung verwendet der Code zusätzlich einen zentrierten gleitenden Mittelwert über drei Checkpoints:

    \[ \widetilde{x}_k = \frac{1}{|\mathcal N_k|} \sum_{j\in\mathcal N_k}x_j, \]

wobei \mathcal N_k den vorherigen, aktuellen und folgenden Checkpoint umfasst, soweit diese vorhanden sind.

Diese Glättung dient ausschließlich der Visualisierung. Die Faktoren werden zunächst mit ihren ursprünglichen Werten multipliziert und erst danach für die Darstellung geglättet.

Damit ist eine klare Trennung gewährleistet zwischen:

  • mathematischer Modellberechnung, einschließlich des rückblickenden 10-Turn-Mittelwerts für S_Z;
  • grafischer Glättung, die lediglich die Darstellung übersichtlicher macht.

Die zentrierte grafische Glättung verwendet auch den folgenden Checkpoint. Sie eignet sich deshalb für die rückblickende Analyse, nicht für eine Echtzeitprognose.

11. Wissenschaftliche Grenzen der aktuellen Version

Ich halte drei Präzisierungen für wichtig.

Erstens: Die Größen H,P,W,U beruhen bislang auf transkriptgestützten Bewertungen, nicht auf einer kontinuierlichen Messung jedes Gesprächsbeitrags. Deshalb ist auch der turnweise Reifungsfaktor eine Approximation. Insbesondere kann die Fortschreibung zwischen zwei Checkpoints zu einer künstlich hohen Schwankungsarmut führen. Der neue 10-Turn-Mittelwert ist mathematisch implementiert, seine Interpretation als tatsächliche Reifung bleibt aber vorläufig.

Zweitens: Das Modell ist eine mathematische Analogie gekoppelter dynamischer Systeme. Die komplexen Phasen, Singulärwerte und Jacobimatrizen beschreiben eine simulierte Gruppendynamik. Sie belegen weder quantenphysikalische Prozesse noch unmittelbar messbare neuronale Synchronisation zwischen den Teilnehmern.

Drittens: Die sechs Faktoren sind hinsichtlich ihrer empirischen Bedeutung nicht unabhängig validiert. Der CMCI 6.0 ist deshalb vorläufig ein theoriegeleiteter Prozessindikator und kein universell kalibriertes Messinstrument für Collective Mind.

Zusammenfassung

Der CMCI 6.0 verbindet Kenngrößen zur Netzwerk-Kohäsion mit der dynamische Kohärenz einer Gruppe und deren semantischen Zielintegration.

Eine intensive, synchronisierte und dynamisch günstige Kommunikation genügt nicht, wenn die individuellen Ziele nicht in eine tragfähige gemeinsame Zielhierarchie eingebunden werden können.

Umgekehrt kann eine zunehmend gut strukturierte Zielhierarchie bestehen, ohne dass die Gruppe bereits eine entsprechend günstige gemeinsame Dynamik entwickelt hat.

Ein spezieller Faktor misst die zeitliche Gleichmäßigkeit der Zielintegration.

Der CMCI 6.0 beschreibt damit nicht allein den Zustand einer Gruppe, sondern untersucht die Bedingungen, unter denen sich eine gemeinsame Zielorientierung entwickeln und dynamisch trägt.

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

Gehirn, KI und Collective Mind: Intelligenz basiert, unabhängig vom Substrat, auf den gleichen kollektiven Prinzipien ?!

Kurzfassung: In den letzten Monaten erscheinen zunehmend Veröffentlichungen, die zeigen, dass unser Gehirn doch mehr Gemeinsamkeiten mit einer Künstlichen Intelligenz hat, als ursprünglich angenommen. Diese Gemeinsamkeiten liegen nicht auf der Substratebene sondern in der Verwendung grundlegender kollektiver Prinzipien, wie dem aus der Bewusstseinsforschung bekannten Global Workspace. Teilweise wurden diese Prinzipien schon in vergangenen Blog-Beiträgen für die Collective Mind Theorie nutzbar gemacht: Attention Mechanismus, Reinforcement Learning, Disruption, und Kausale Emergenz. Zwei neue Prinzipien, der sogenannte J-Space (d.i. KI Global Workspace) und das Superpositionsprinzip für mentale Konzepte erlauben die weitere mathematische Ausgestaltung des sozialen Diskursraumes und der Ziel-Hierarchie. Damit wird der Collective Mind zum sozialen Global Workspace!

Der Blog-Beitrag wurde mit Hilfe von Gemini Pro erstellt, das Bild mittels Gemini.

 

Im Laufe meines Lebens bin ich mit vielen Menschen zusammengekommen, die ein ‚zurückhaltendes‘ Verhältnis zur Mathematik oder Physik haben. Damit verbunden werden Aussagen getätigt, wie ‚Wir Menschen sind doch viel komplexer als das, was die Mathematik oder die Physik beschreibt.‘ oder ‚Die Anwendung einer mathematisch-naturwissenschaftlichen Denke ist reduktionistisch und kann dem ganzheitlichen Charakter des Lebens nicht gerecht werden.‘ Aus diesen Glaubenssätzen ergeben sich weitere Glaubenssätze, wie ‚Das Verhalten eines einzelnen Menschen oder seine sozialen Interaktionen entziehen sich einer Modellierung: Physiker können ‚einfache‘ Experimente machen, in den Sozialwissenschaften geht dies nicht!‘ – Solche Aussagen werden schnell als unsinnige entlarvet, wenn man an die milliardenschweren CERN Experimente denkt, denen Jahrzehnte der Planung und Umsetzung vorausgehen. Es gibt noch etwas, das den meisten Menschen verborgen ist, obwohl sie es oft mehrmals täglich benutzen: Die Social Media Plattformen basieren auf Algorithmen, die die menschliche Interaktion berechnen und steuern. – Und sie tun dies sehr erfolgreich! Tech-Milliardäre wie Thiel und Zuckerberg wurden mit der Berechenbarkeit und Steuerbarkeit der menschlichen Interaktionen zu Milliardären.

Die Glaubenssätze spiegeln oft den Kenntnisstand vergangener Jahrzehnte wieder, denn der Kenntnisstand außerhalb der Wissenschaft hinkt oft Jahrzehnte hinterher. Gleichzeitig macht sich bei vielen, getrieben durch die Erfolge in der KI, ein großes Unbehagen breit: Maschinen, die auf Mathematik beruhen, zeigen inzwischen Intelligenz, die man messen und erfahren kann. Ist unsere ‚menschliche Komplexität‘ vielleicht doch nicht so einzigartig: Die Aussage ‚Wir sind viel komplexer‘ verliert zunehmend für das Selbstwertgefühl vieler Menschen die Schutzfunktion.

Unlängst haben Wissenschaftler von Anthropic in der KI Claude Strukturen und Prozesse entdeckt, den sogenannten J-Space, die dem Konzept des sogenannten Global Workspace recht nahe kommen [1]. Die Theorie vom Global Workspace ist eine aktuell diskutierte Theorie des Bewusstseins. Der J-Space ist ein Vektorraum, der es der KI ermöglicht ‚Zwischengedanken‘ zu sammeln, zu analysieren und zu bewerten. Nicht alle ‚Zwischengedanken‘ führen zu einem KI Output.  Welche ‚Zwischengedanken‘ ganz oder teilweise durchgereicht werden, wird über die seit ca. 200 Jahren bekannten Jacobi Matrizen ermittelt, die u.a. in der mathematischen Theorie der Komplexität eine große Rolle spielen: Die Entwickler von Anthropic haben mit ihrem Willen zur Erkenntnis mathematische Strukturen in Modelle umgesetzt, die KI-Systeme erfolgreich durchleuchten: Glaubensätze, wie die oben geschilderten, waren glücklicher Weise keine Hindernisse. 

Der J-Space verhält sich innerhalb des künstlichen neuronalen Netzes genau so, wie es die Collective Mind Theory für komplexe soziale Gruppen oder Teams beschreibt. Die Parallelen in der Systemarchitektur sind beträchtlich:

  • Der Global Workspace als ‚Kollektiver Geist‘: In der Collective Mind Theorie (CMT) senden verschiedene Akteure (Individuen oder Subsysteme) ihre Zustände in einen gemeinsamen Diskursraum, um einen kohärenten Gruppenzustand zu formen. Der J-Space bewirkt in der KI exakt dasselbe: Informationen aus den unterschiedlichsten Schichten des Modells konvergieren in diesem zentralen Arbeitsraum. 

  • Attention-Mechanismen als Kommunikationsprotokoll: Um zu bestimmen, welche Signale überhaupt in diesen kollektiven Raum vordringen dürfen, wirken Attention-Mechanismen als Filter. Sie weisen den Signalen unterschiedliche Relevanzen zu – ähnlich wie in menschlichen Systemen Hierarchie, psychologische Metriken (u.a. Big Five) oder emotionale Resonanz den Informationsfluss einer Gruppe steuern.

  • Konsensfindung: Innerhalb des J-Space konkurrieren und synchronisieren sich die Konzepte. Sobald sich das System auf eine dominante Interpretation als Konsens eingeschwungen hat, erzwingt die Softmax-Funktion die Entscheidung. Der ‚KI Collective Mind‘ mündet in konkreten, messbaren  Output. Im sozialen Collective Mind geschieht was Ähnliches: Der Austausch von Aussagen führt in bestimmten Teams zu Aussagen, die von allen getragen werden. 

Mein Glaubenssatz ‚Es gibt nur eine Welt!‘, konkretisiere ich auf dieser Basis als These: Unabhängig vom gewählten Substrat  – Künstliche Neuronale KI Strukturen, biologische Neuronale Strukturen oder Collective Mind Team Strukturen – gelten gleiche grundlegende kollektive Prinzipien, die die Dynamik dieser Systeme bestimmen. Der J-Space als Global Workspace ist hierfür ein Beispiel: Die konkrete Implementierung mag unterschiedlich sein, jedoch bestimmten gleiche (mathematische) Konstrukte in allen drei Bereichen das Verhalten.

Die Mathematik als Brücke zwischen den verschiedenen Substraten zeigt sich auch in einer 2025 erstmals erschienen Veröffentlichung, die gerade in Nature veröffentlicht wurde [2]: 

Gleich zu Beginn wird in [2] festgestellt, dass in der menschlichen Kognition symbolisches Wissen (also unsere Konzepte von der Welt) aus einer verteilten Informationsverarbeitung (distributed processing) im Gehirn hervorgeht. Neuronale Netze – egal ob biologisch oder künstlich – codieren Informationen dezentral in verteilten Repräsentationen, bei denen erst das Aktivierungsmuster über viele Einheiten hinweg ein komplexes Konzept ergibt.

Das bedeutet konkret:

  • Abkehr vom reinen Auswendiglernen: Lange dachte man, KIs seien nur gigantische Statistik-Papageien, die Pixel-Wahrscheinlichkeiten oder Wort-Häufigkeiten auswendig lernen. Der Artikel zeigt jedoch, dass KIs (bedingt durch das Training) die echten, zugrunde liegenden Merkmale und Variablen unserer Welt als ‚latent variables‘ rekonstruieren.

  • Kollektive Informationsverarbeitung: Zum Beispiel sitzt das Konzept „Elefant“ in der KI nicht in einem einzelnen, isolierten „Elefanten-Neuron“. Es existiert in Superposition, d.h. als Addition verschiedener Bedeutungsvektoren im KI-Vektorraum. Das erinnert stark an Prinzipien der Collective Mind Theory: Einzelne, für sich genommen bedeutungslose Kommunikations-Einheiten formen durch strukturierte Aufmerksamkeitsmechanismen und Wechselwirkungen einen gemeinsamen, kohärenten Sinnzustand. Das Konzept entsteht erst durch die orchestrierte Gesamtdynamik des Kommunikations-Systems.

  • Die Bedeutung von ‚Verstehen‘: Die Autoren argumentieren, dass KI-Modelle tiefgreifende Repräsentationen der Welt aufbauen, anstatt nur Abkürzungen zur Lösung einer Aufgabe zu memorieren. Die KI formt also ein internes Weltmodell aus Konzepten, das den strukturellen Zusammenhängen der physikalischen Welt entspricht. Aus der Herleitung des Superpositionsprinzips ergibt sich zwingend, dass die Art wie wir Mensch mentale Repräsentationssysteme aufbauen und wie die KI dies tut, funktional identisch ist. – Ein sehr bemerkenswertes Resultat! Schon im Kontext des J-Space habe ich daraufhin gewiesen, dass im Diskursraum eines Teams etwas Ähnliches geschieht: Einzelne Kommunikations-Einheiten (Konzepte) werden zu neuen Konzepten ’superponiert‘.

In den letzten Jahren habe ich verschiedene mathematische Modell für die Beschreibung der Interaktion von Teams und für die Beschreibung von Kultur bzw. Kulturfeldern verwendet. Diese mathematischen Modelle entstammen vielfach aus der KI-Theorie oder der Physik. Die Modelle, die bisher den größten Erfolg in Form von Überprüfbarkeit zeigten, stammten aus der KI-Theorie, denn sie lassen sich erstaunlich gut an Gruppen- oder Teamdaten testen. So konnte ich zeigen, dass folgende Modelle den Verlauf einer TV -Diskussionsrunde sehr gut wiedergeben sowie diesen verstehen und prognostizieren lassen:

  • Der Attention Mechanismus der Transformer hat sich nicht nur in KI Systemen sondern inzwischen auch in der Physik als Modell für Interaktion bewährt. Auch in vorhergehenden Blog-Beiträgen konnte ich zeigen, dass der Attention Mechanismus die soziale Interaktion in Gruppen oder Teams sehr gut beschreibt.
  • Ein Reinforcement-Learning Agent, der ebenfalls auf der Basis von Transformern und damit des Attention Mechanismus arbeitet. Der RL-Agent erlernt die soziale Gruppeninteraktion indem er über einen Führungs-Reward für Stress- und Ermüdungsreduktion sowie die Ausbildung von Fokus und Motivation trainiert wird. Mit dem so Erlernten ist der RL-Agent in der Lage eine menschliche Führungskraft (Moderator, Teamcoach, Projektleiter) vorausschauend zu unterstützen.  
  • Kausale Emergenz, auf der Basis der Mutual Information als Kriterium für die Ausbildung einer Gruppen- bzw. Team-Makroebene, modelliert den Collective Mind. Die so modellierte kausale Emergenz hat eine hohe Modell-Verwandtschaft zur Integrated Information Theory des menschlichen Bewusstseins, die ich in vorhergehenden Blog-Beiträgen als Modell für den Collective Mind verwendet habe. Ich habe diese nicht weiter verfolgt, weil ich keinen Weg gefunden habe, sie für die Analyse von realen Gruppen- oder Teaminteraktion zu verwenden. 
  • Der Disruption-Score, als Maß für das Einbringen neuer Ideen: Der D-Score wird über eine Ähnlichkeitsmessung im Vektorraum der Kommunikationseinheiten (Turns) ermittelt. 

Ich möchte in weiteren Blog-Beiträgen die obigen Modelle durch das Modell des J-Space und der Vektor-Superposition für komplexe Konzepte verwenden.

  • Die Prinzipien des J-Space können verwendet werden, um den Diskursraum einer sozialen Interaktion zu durchleuchten
  • Mit Prinzipien der Vektor-Superposition kann ermittelt werden, ob sich in einem Diskursraum über der Zeit eine Ziel-Hierarchie aufbaut. Der Aufbau einer Ziel-Hierarchie über der Zeit wird in der Collective Mind Theorie als deutliches Zeichen der Ausbildung eines Collective Mind angesehen. 

Im Folgenden skizziere ich die beiden obigen Konzepte aus Sicht der CMT und weise auf grundlegende Prinzipien hin, die in den KI-Theorien verwendet werden:

Der Aufbau von Ziel-Hierarchien mittels Superposition

Die Entstehung von echter Synergie und gerichteter Performance in kollektiven Systemen (wie Teams oder Diskursgruppen) lässt sich nicht über starre Strukturen abbilden. Sie folgt stattdessen der topologischen Strukturbildung einer Zustandsmaschine, in der unverbundene Gedanken schrittweise zu einer geordneten Ziel-Hierarchie werden. Der mathematische Kern dieses Aufbaus ist die lineare Superposition von NLP-Embeddings.

1. Attraktorbildung und lokale Konvergenz

Ein Diskurs beginnt häufig mit hoher Entropie (einem semantischen „Random Walk“ ohne Richtungsableitung). Die erste konstruktive Disruption erzeugt im hochdimensionalen Raum einen neuen Anker-Vektor. Wenn andere Netzwerkteilnehmer diese Idee aufgreifen, wird dieser Vektor zu einem Gravitationszentrum (Attraktor). Die darauffolgenden Äußerungen weichen nicht mehr maximal ab, sondern kreisen eng um diesen Anker. Sie detaillieren die Idee, wodurch das System seine lokale Fehlerquote reduziert.

2. Polysemie und der Sprung in der Hierarchie

Der eigentliche Aufbau einer Ziel-Hierarchie – die synergetische Eskalation – geschieht, wenn eine neue Idee eingeführt wird, die auf der vorherigen aufbaut. In modernen KI-Architekturen entspricht dies exakt der polysemen Eigenschaft von Vektorräumen: Ein einzelner, dichter Satz-Vektor trägt mehrere Konzepte in sich, die linear überlagert sind.

Die neue Idee muss die alte Idee inkludieren und etwas Neues hinzufügen. Mathematisch ausgedrückt:

    \[V_{\text{neu}} = V_{\text{alt}} + V_{\text{orthogonal}}\]

Die Projektion des neuen Vektors auf den alten (V_{\text{alt}}) stellt sicher, dass der etablierte Kontext nicht zerstört wird (Inklusion). Gleichzeitig feuert der Vektor stark in eine neue, im rechten Winkel stehende Richtung (V_{\text{orthogonal}}). Er erschließt eine völlig neue Dimension im Bedeutungsspektrum.

3. Dynamische Entwirrung durch Attention

Der kollektive Verstand empfängt lediglich den überlagerten Vektor V_{\text{neu}}. Um Synergie zu messen, nutzt das System einen Attention-Mechanismus (analog zum Sparse Coding [2]). Dieser projiziert die Äußerung gegen den bisherigen Kontextraum, filtert die bekannte Information heraus und isoliert die orthogonale Komponente. Die Toleranzgrenze, ab wann eine orthogonale Abweichung als „neue hierarchische Stufe“ und nicht als bloßes Rauschen gewertet wird, erlernt das System dynamisch aus der Basis-Entropie des jeweiligen Raumes. Synergie ist somit der Zustand kausaler Emergenz, in dem das Kollektiv erfolgreich semantische Brücken (einen gerichteten Graphen) zwischen diesen orthogonal aufbauenden Dimensionen konstruiert.

Der J-Space und das kollektive Gedächtnis in der CMT

Innerhalb der Collective Mind Theory (CMT) fungiert der J-Space als der latente, virtuelle Diskursraum eines Systems. Er ist das strukturelle Äquivalent zum „Residual Stream“ in großen Sprachmodellen – der zentrale kognitive Puffer, in dem alle Akteure ihre Zwischenergebnisse parallel ablegen und auslesen, bevor das System in einen finalen Konsens (Kollaps / Dekohärenz) übergeht.

1. Kognitive Grenzen und erzwungene Dekohärenz

Der J-Space repräsentiert die kollektive kognitive Schwebe. Ideen (orthogonale Vektoren) werden durch Write-Operationen (Disruptionen) in den Raum gestellt und durch Read-Operationen (Detaillierungen) von anderen Teilnehmern fokussiert. Entsprechend der neurologischen Begrenzungen des Arbeitsgedächtnisses fasst dieser aktive Raum maximal 3 bis 4 voneinander unabhängige Konzepte gleichzeitig. Wird dieser Schwellenwert überschritten, ohne dass das System eine ordnende Ziel-Hierarchie bildet, entsteht ein kognitiver Overflow. Das System springt erratisch zwischen Knotenpunkten, und die Metrik für Fatigue (kognitive Ermüdung) steigt exponentiell an, bis ein Konsens erzwungen wird. Toxische Disruptionen (Wertekonflikte) hingegen sprengen nicht die Kapazität, sondern greifen die strukturelle Resonanz an, was zu sofortigen Informationslecks (L) führt.

2. Downward Causation im aktiven Raum

Der J-Space ist das Herzstück der Abwärtskausalität (Downward Causation). Sobald sich durch die Interaktion der Individuen (Upward) ein starker Attraktor im J-Space gebildet hat, beginnt dieser virtuelle Raum, das Verhalten der Individuen zu synchronisieren. Das Kollektiv formt eine kausal emergente Entität, die das System präziser steuert als die isolierten Ego-Zustände der einzelnen Akteure.

3. Das latente Gedächtnis: KV-Cache und Assoziation

Ideen, die bei einem Konsens nicht integriert oder aufgrund von Fatigue verdrängt werden, gehen nicht verloren. Sie fallen aus dem aktiven J-Space zurück in den passiven Hintergrundspeicher, den kollektiven KV-Cache (Key-Value Cache). Das Zurückholen dieser Ideen erfolgt nicht chronologisch, sondern rein assoziativ über einen Query-Key-Value-Mechanismus (QKV):

  • Query (Q): Die topologische Form des aktuellen Diskurses.

  • Key (K): Der Identifikationsvektor der historischen, passiven Idee.

  • Assoziation: Das System berechnet fortlaufend das Skalarprodukt (Q \cdot K).

Entsteht durch eine neue Situation plötzlich ein massiver semantischer Überlapp, feuert der Attention-Mechanismus. Der Value (V) der alten Idee wird in den aktiven J-Space zurückgezogen. Ein künstlicher Decay-Faktor (Verblassen über Zeit) wird hierbei minimal gehalten (analog zu Positional Encodings), da eine perfekte semantische Passung die verstrichene Zeit dominiert. Da der Cache vom gesamten Kollektiv geteilt wird, resoniert das Zurückholen der Idee augenblicklich bei allen Teilnehmern und ermöglicht die nahtlose Integration einer zuvor fehlenden orthogonalen Komponente in die aktuelle Ziel-Hierarchie.

In den nachfolgenden Blog-Beiträgen werde ich versuche diese Konzepte umzusetzen!

Literatur

[1] Anthropic (2026) Verbalizable Representations Form a Global Workspace in Language Models, https://transformer-circuits.pub/2026/workspace/index.html
[2] Klindt D et. al. (2025) From superposition to sparse codes: interpretable representations in neural networks, arXiv:2503.01824v1

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

In diesem Blog-Beitrag ergänze ich den vorherigen Blog-Beitrag zur hybriden Collective Intelligence: Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan.

Ich behandle drei Ergänzungen:

Textueller Projektstrukturplan: Ein Projekt Management Kollege hat sich ebenfalls unlängst in dem IPMA Blog [1] mit der Frage beschäftigt, ob eine KI einen Projektmanager bei der Erstellung eines Projektplans unterstützen kann. Seine Prompts hat er im Blog gelistet, jedoch nicht die von chatGPT erzeugten Ergebnisse. Ich kann auch nicht entnehmen, ob er chatGPT oder chatGPTplus verwendet hat. Die Ergebnisse sind nach seinen Aussagen durchweg positiv: Es wurde ein Gantt-Diagramm erzeugt. Da meine Ergebnisse im letzten Blog-Beitrag jedoch keineswegs so positiv waren, möchte ich dies nochmals überprüfen.

Big Picture mittels Bildgeneratoren: Die Ziel-Hierarchie als Ausgangspunkt für den Projektstrukturplan und damit für einen Projektplan stellt in der Selbstorganisation gemäß Management 4.0 den zentralen Ordnungsparameter dar. Dieser Ordnungsparameter wird auf der obersten Ebene, der Vision, im Idealfall durch ein Big Picture geankert. Also möchte ich die textuelle Vision, durch Bildgeneratoren wie DALL.E 2 [2] und Stable Diffusion [3], in eine Bilddarstellung umsetzen. – Midjourney wollte ich ebenfalls verwenden. – Jedoch habe ich darauf verzichtet, da Midjourney inzwischen kostenpflichtig ist. – Die neue Version DALL.E 3 ist zum Zeitpunkt der Blog-Erstellung noch nicht verfügbar.

Google Bard: Google hat gerade den chatBot Bard veröffentlich. Ich möchte die im letzten Blog-Beitrag aufgezeigte Collective Intelligence -Verarbeitungspipeline mit Bard überprüfen.

    

Textueller Projektstrukturplan:
Das erste Ergebnis hat mich überrascht: Weist man chatGPTplus an, auf der Basis der Ziel-Hierarchie des letzten Blog-Beitrages einen textuellen Projektstrukturplan zu erstellen, liefert chatGPTplus sogar mit den dort verwendeten Ressourcen und den Vorgangsabhängigkeiten (Vorgängern) einen sauberen Projektstrukturplan als Tabelle im Standard-Output-Format von chatGPTplus. Ein Gantt-Diagramm wird in einem Fenster, wie es für die Python-Code-Generierung verwendet wird, ausgegeben. In meinem Fall ist das Gantt-Diagramm horizontal und vertikal abgeschnitten, da offensichtlich zu viele Einträge vorliegen. Die Darstellung erinnert an die ehemalige Darstellung von Tabellen im MS-DOS Format. Da die Einträge zu lang sind, ist Alles durcheinander gewirbelt. – Also kein wirklich gutes Ergebnis. Da chatGPTplus in textueller Form einen perfekten Projektstrukturplan erzeugt hat, bitte ich das System um einen entsprechenden Python-Code für die Erzeugung einer CSV-Datei zum Import in MS Project. Leider war das System auch auf dieser Basis nicht in der Lage das textuelle Wissen in Code Wissen umzusetzen. – Es tauchten wieder die schon im vorherigen Blog geschilderten Unzulänglichkeiten auf. – Zwischen den beiden word embeddings (Text und Code) scheint es offensichtlich keine Brücke in chatGPTplus zu geben. Leider ist der textuelle Projektstrukturplan auch nicht in eine CSV-Datei kopierbar, so dass meines Erachtens der so gewonnene Nutzen überschaubar bleibt.

Big Picture mittels Bildgeneratoren:
Wie schon in den vorherigen Blog-Beiträgen angesprochen, halte ich von dem sogenannten Prompt-Engineering nichts: Es ist das menschliche Abtasten des word embeddings in dem AI System: In den meisten Fällen genügt es jedoch als Experte die Prompts zu formulieren und das AI-System reagiert entsprechend gut. Falls nicht, ist es nicht die Aufgabe des Menschen, sich auf das word embedding des AI-Systems einzustellen, sondern umgekehrt. – Openai trägt dieser Anforderung mit DALL.E 3 Rechnung.

In den Bildgeneratoren DALL.E 2 und Stable Diffusion führt die Prompt-Eingabe der Küchenmanufaktur Vision zu nicht vorzeigbaren Ergebnissen. Meistens war noch nicht einmal irgendetwas von einer Küche zu sehen. Ich greife etwas voraus, denn ich habe google Bard gebeten, ein Bild zu erzeugen. Und tatsächlich erzeugt Bard eine textuelle Bild-Beschreibung, die die Vision des Unternehmens Küchenmanufaktur wiedergibt. Die Bild-Beschreibung ist umfangreich und erstaunlich kreativ. Einen Teil dieser Bild-Beschreibung habe ich den Bildgeneratoren als Prompt eingegeben – nur einen Teil, da die Anzahl der Zeichen für die Prompt-Eingabe begrenzt ist. Hier die Prompt-Eingabe in Englisch (das Bard Original ist in Deutsch):

Create an image for the following description:

In a modern kitchen studio, a family is sitting at the dining table enjoying a meal together. The kitchen is packed with smart kitchen appliances from KüchenManufaktur.
The refrigerator automatically detects what food is missing and orders it from an online retailer. The stove can be controlled by voice, so mom can concentrate fully on cooking. The dishwasher cleans itself after the meal.
The family is happy and satisfied with their smart kitchen appliances. They are grateful for the time saved, the convenience and the additional functions.
The mother sits at the stove and cooks a delicious dish. She smiles and is relaxed. The father is sitting at the dining table talking to the kids. The children are laughing and playing.
The refrigerator opens automatically and puts the needed ingredients on the stove. The stove starts to cook. The dishwasher cleans itself independently after the meal.

Die Ergebnisse der beiden Bildgeneratoren ist ernüchternd und gleichzeitig zum herzhaften Lachen: Abbildung 1 zeigt zwei ausgewählte Bilder, andere Bilder hatten oft Garnichts mit dem Thema zu tun oder glichen vorwiegend eher langweiligen Bildern aus Möbelhäusern der Jahre 1950-2000.

Man beachte im ersten Bild die Gemüseschüssel auf dem Boden – ohne Tisch, ohne Personen – generiert von Stable Diffusion und im zweiten Bild die verzerrten Gesichter und das Loch oben im Kühlschrank generiert von DALL.E 2.

Wenn Teams in Management 4.0 Trainings aufgefordert werden, das Ergebnis ihres KüchenManfuktur-Projektes zu skizzieren, zeichnen sie auch manchmal einen Kühlschrank, der an einer äußeren Hausmauer steht. Und, die Hausmauer und der Kühlschrank haben eine kleine Öffnung, durch die ein Lebensmittellieferdienst den Kühlschrank von außen befüllen kann, entsprechend der Anforderung, der Kühlschrank füllt sich von alleine :-).

Abbildung 1: Linkes Bild generiert von Stable Diffusion [2], rechtes Bild generiert von DALL.E 2 [3]

Nach meinen bisherigen guten Erfahrungen mit Bildgeneratoren ein enttäuschendes Ergebnis.

Google Bard:
Google hat gerade sein neuestes Generatives Neuronales Netzwerk, genannt Bard, veröffentlicht [4]. Ich möchte herausfinden, ob Bard in der Lage ist, einen Projektstrukturplan als CSV-Input für MS Project zu erzeugen: Ich durchlaufe die Verarbeitungspipeline, ähnlich wie für chatGPTplus, und lasse ein Business Model Canvas und eine Ziel-Hierarchie erzeugen. Das Business Model Canvas und die Ziel-Hierarchie sind meines Erachtens nicht ganz so geeignet, wie diejenigen von chatGPTplus. Bard liefert dafür, wie weiter oben schon verwendet, eine sehr gute Bild-Beschreibung der KüchenManufaktur Vision.

Ich bitte um die Erstellung eines textuellen Projektstrukturplans auf der Basis des unten angegebenen Prompts [5]. Abbildung 2 zeigt einen Auszug des erstaunlich guten Ergebnisses: Bard hat das Konzept der Sammelvorgänge recht gut verstanden, wenngleich noch Probleme bei der Dauer-Aggregation vorliegen und die geforderte Vorgänger-Logik nicht vorhanden ist.

Abbildung 2: Screen-Shot der Bard Web-Oberfläche mit einem Auszug des textuellen Projektstrukturplans.

Bard bietet an, diesen textuellen Projektstrukturplan als google sheet zu exportieren. Leider funktioniert dies nicht, das Sheet ist leer.

Bei der Erzeugung eines Python-Programmes für einen CSV-Import des Projektstrukturplans in MS-Project scheitert Bard schon bei der korrekten Erstellung der CSV-Datei. – Rückgemeldete Fehler werden als behoben gemeldet, jedoch sind sie nicht behoben. – Hier ist chatGPTplus deutlich besser!

Zusammenfassend stelle ich fest, dass sowohl chatGPTplus als auch Bard noch erhebliche ‚Kinderkrankheiten‘ haben und derzeit ein Einsatz im Projekt Management noch mit recht vielen Hürden und Unzulänglichkeiten verbunden ist.

[1] Ram J (2023) Role Prompting and Creation of a Project Management Plan – How ChatGPT could help in the creation of information that can be used for writing a project management plan?, https://ipma.world/role-prompting-and-creation-of-a-project-management-plan/, veröffentlicht am 21.08.2023, zugegriffen am 21.09.2023

[2] Stable Diffusion (2023) https://stablediffusionweb.com/#demo, zugegriffen am 21.09.2023

[3] DALL.E 2 (2023) https://openai.com/dall-e-2, zugegriffen am 21.09.2023

[4] Bard (2023) bard.google.com, zugegriffen am 21.09.2023

[5] Prompt für google Bard zur Erzeugung eines Projektstrukturplans:
Weiter oben hast Du einen Vorschlag für eine Ziel-Hierarchie gemacht, wir nehmen diese Ziel-Hierarchie und wollen hieraus einen Projektstrukturplan erstellen. Der Projektstrukturplan soll die Spalten Vorgang, Dauer, Ressource und Vorgänger enthalten. Vorgänge sind die Sub-Ziele. Die übergeordneten Ziele in der Ziel-Hierarchie sind spezielle Vorgänge, sogenannte Sammelvorgänge. Bitte mache selbst für die Dauer der Vorgänge geeignete Vorschläge zu jedem Sub-Ziel. Als Ressourcen nehmen wir fünf Team-Mitglieder, die wir Peter, Claudia, Sonja, Thomas und Mechthild nennen. Bitte verteile die Ressourcen auf die Vorgänge. Falls eine Ressource mehreren Vorgängen zugeordnet wird, so berücksichtige, dass eine Ressource zu einem Zeitraum nur einen Vorgang bearbeiten soll. In der Spalte Vorgänger soll angegeben werden welcher Vorgang welchem anderen Vorgang vorausgeht, um sicherzustellen, dass eine Ressource nur einen Vorgang zu einem Zeitraum bearbeitet. Behalte die Nummerierung der Ziel-Hierarchie für den Projektstrukturplan bei und verwende in der Spalte Vorgänger diese Nummern, um den Vorgänger zu kennzeichnen.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Kundensegmente:

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Vom Unterschied, der den Unterschied macht: „Principles rather than processes are what matter.”

Zurzeit schießen in Veröffentlichungen und Social Media die Vier-Schritt-Zyklen Modelle wie Pilse aus dem Boden (was nicht verwunderlich ist, man will ja smarter und agiler sein), z.B.:

OODA (Observe, Orient, Decide, Act), ursprünglich aus dem Militärischen kommend als Entscheidungsschleife im Feld gedacht, wird für das Agile Management diskutiert [1].

PPCO (Pluses (Vorteile), Potentials (Zukunftschancen), Concerns (Bedenken), Overcome Concerns (Überwinden der Bedenken)), gedacht als Modell um „Souveränität im Methodenwahn“ zu zeigen und Methoden auszuwählen, also gerade nicht immer eine „neue Sau durch’s Dorf zu treiben“ [2] – Ironischer Weise wird, um dies zu erreichen, gleich ein „neues“ Modell/Methode mitgeliefert.

BRDG (Break a problem into parts or steps, Recognize and find patterns or trends, Develop instructions to solve a problem or steps for a task, Generalize patterns and trends into rules, principles, or insights) als Prozess Beschreibung für das “Computational Thinking” eines “Algorithmic Leader’s” [3].

Auch die Agilen Handlungsrahmen basieren ganz wesentlich auf einem PDCA (Plan Do Check Act) oder einem PDIA (Plan Do Inspect Adapt) Zyklus [4]. – Nicht wenige Agilisten legen großen Wert darauf, dass PDCA und PDIA zwei völlig unterschiedliche Modelle sind, denn warum sonst hätte man zwei Namen.

Im Management 4.0 [4] und in [5] verwenden wir den PDCA für die kontinuierliche und situative Anpassung von Erfolgsfaktoren und Erfolgskriterien (siehe Abbildung 1) und schlagen auch ein Vier-Schritte-Transformationsmodell vor, das dem menschlichen kognitiven Prozess der situativen Anpassung folgt (Druckpunkte ausleuchten, Organisationale Rahmen-, Kontroll- und Ordnungsparameter extrahieren, Handlungsfelder des Collective Mind ausformulieren, Lernende Organisation einführen).

Abbildung 1: PDCA der Erfolgskriterien-Erfolgsfaktoren Anpassung

Es stellt sich die Frage, sind dies alles unterschiedliche Modelle bzw. Methoden oder ergäbe sich bei einer höheren Abstraktionsstufe eine klarere und gleichzeitig einfachere Sicht.

Bevor ich die Frage beantworte, ein weiteres Beispiel des „Vielzahl-Methodenwahns“:

Im Linienmanagement und im Projektmanagement kennt man seit vielen Jahren den Begriff der Ziel-Hierarchie.

Im Critical Chain Projekt Management kennt man seit mehr als 30 Jahren die Ziel-Hierarchie „Strategie- und Taktik-Baum“.

Auch der Agile Handlungsrahmen Scrum kennt Vision, Sprint-Goal und User Strories ggf. Tasks usw..

Die Scaled Agile Frameworks arbeiten mit Story Maps bestehend aus (Vision), Epics, Features, User Stories, usw..

In den letzten Monaten tauchen immer häufiger die sogenannten OKR’s (Objectives and Key Results) auf, obwohl diese schon fast zwei Jahrzehnten von google als Ziel-Hierarchie eingesetzt werden. Agile Kollegen wundern sich, dass Scrum Teams, die schon lange mit Scrum arbeiten, sich mit den OKR’s schwertun und gleichzeitig betonen sie den notwendigen Kulturwandel, um mit OKR’s arbeiten zu können [6].

Auch wir verwenden in Management 4.0 eine Ziel-Hierarchie, die bei einer Vision, einem „Großen Bild“ beginnt und wie ein Baum „unendlich viele“ Verästelungen hat. Wir setzen die Verästelungen aus Bausteinen (Fraktalen) von jeweils 3 Stufen zusammen (auf der jeweils dritten Ebenen (Wie-Ebene) werden die „Teile“ zu je einem neuen „Big Picture“ für das nächste Ziel-Hierarchie-Fraktal, siehe Abbildung 2). 

Abbildung 2: Ziel-Hierarchie des Management 4.0

Wie beim o.g. Beispiel der Vier-Schritt-Zyklen Modelle werden auch diese Methoden bzw. Modelle der Ziel-Hierarchie als „völlig getrennte Welten“ wahrgenommen und als „neu und anders verkauft“.

Abstraktion ist das Schlüsselwort, um die „Vielzahl“ schrumpfen zu lassen. Walsh [3] postuliert als die Schlüsselkompetenz von Führungskräften im Digitalen Zeitalter die Fähigkeit zur Abstraktion und kristallisiert dies in der Aussage „Principles rather than processes are what matter.” Mit dieser Feststellung gibt er auch indirekt gleichzeitig zu verstehen, dass diese Schlüsselkompetenz heute bei Führungskräften nicht sehr verbreitet ist. – Die Fähigkeit zur Abstraktion bezeichnen wir im Management 4.0 als Meta-Kompetenz. Hiermit meinen wir die Fähigkeit vom jeweiligen Kontext einer Situation zu abstrahieren und auf der Basis von Werten, Grundannahmen und Prinzipien fundamentale Erkenntnisse und dazugehörige Modelle kontextspezifisch anzuwenden. – Wir nennen diese kontextspezifischen Ausprägungen von fundamentalen Erkenntnissen und Modellen, Sozialtechniken.

Aus diesem Grunde sind alle Vier-Schritte-Zyklen Modelle kontextspezifische Ausprägungen eines Modells, das wir der Einfachheit und dem Respekt der Erstautorenschaft wegen, PDCA-Zyklus oder Deming-Kreis nennen: Entscheidend ist, dass der PDCA-Zyklus eine iterative, validierende Anpassung des Handelns in seiner allgemeinsten Form zum Ausdruck bringt. Bei entsprechender Abstraktion ist es gleichgültig, auf welcher Zeitskala diese Anpassung stattfindet. Im Feld aber auch in einer Sitzung, einem Workshop ist oft eine schnelle und passende Aktion/Intervention erforderlich: Die Wahrnehmung, die Beobachtung liefert den Hinweis für unser Gehirn um mittels Intuition (d.h. geronnener Erfahrung, dies ist auch eine Form von vorgefertigtem Plan) eine Aktion/Intervention einzuläuten, die dann auf ihre Wirksamkeit überprüft und ggf. angepasst wird [5]. So gesehen, also bei entsprechender Abstraktion und damit verbundener Meta-Kompetenz, gibt es keinen Unterschied zwischen den verschiedenen Vier-Schritte-Zyklen. Es sind lediglich kontextspezifische Anpassungen des gleichen Modells: Soll-Ist Vergleich bilden, Agieren, Überprüfen, Anpassen.

Eine entsprechende Aussage gilt auch für das fundamentale Modell der Ziel-Hierarchie. Für mich sind alle o.g. Ziel-Hierarchien Ausprägungen der fraktalen Ziel-Hierarchie aus Abbildung 2. Jedoch, wenn diese Ziel-Hierarchie Selbstorganisation unterstützen soll, dann muss die Ziel-Hierarchie als Ordnungsparameter [4], [5] wirken. Das grundlegende Prinzip, das wir in diesem Fall für jegliche Ausgestaltung der Ziel-Hierarchie anwenden, ist das der Selbstorganisation. Nach der Theorie der Selbstorganisation sind hierzu Rahmen-, Kontroll- und Ordnungsparameter auzugestalten.

Damit die Ziel-Hierarchie wirksam zur Ausbildung eines Ordnungsparameter eingesetzt werden kann, müssen folgende Prinzipien umgesetzt werden:

Die Ziel-Hierarchie als Informations-Hierarchie muss die gesamte Organisation abdecken. Die organisationale Struktur (Hierarchie) muss zur Informations-Hierarchie passen.

Die Ziel-Hierarchie muss transparent für alle Mitglieder einer Organisation, horizontal und vertikal, selbstreflexiv entwickelt werden: Teile der Ziel-Hierarchie dürfen also nicht von oben nach unten fix vorgegeben werden, sondern die Informations-Hierarchie wird von oben nach unten und von unten nach oben in einem PDCA-Zyklus überprüft und angepasst. Damit entstehen Sinn und Motivation für alle Mitglieder einer Organisation, die Basis damit sich der Ordnungsparameter ausbilden kann.

Diese Art des Arbeitens dürfte in den meisten Organisation einen dramatischen Kulturwandel notwendig machen, auch dann, wenn sie schon viele Jahre agile Techniken einsetzen. – Eine Erkenntnis, die sich bei entsprechender Abstraktion zwangsläufig ergibt. – Der Unterschied, der einen Unterschied macht, liegt also nicht in der Vielfalt der Ziel-Hierarchie Modelle, sondern in der souveränen kontextspezifischen Anwendung einiger weniger Prinzipien. – Agilität entsteht nicht auf Verhaltensebene bzw. Technikebene, sondern in der Abstraktion, Ebenen darüber.     

[1] Wikipedia (2019) OODA: https://de.wikipedia.org/wiki/OODA-Loop, zugegriffen am 24.06.2019, Anfang Juni 2019 in Linkedin diskutiert.

[2] Dietrich Sabine (2019) Schlau statt Sau – Souveränität im Methodenwahn, ManagerSeminare, Heft 256, Juli 2019

[3] Walsh Mike (2019) The Algorithmic Leader: How to Be Smart When Machines Are Smarter Than You, März 2019

[4] Oswald Alfred und Müller Wolfram (Hrsg.) (2019) Management 4.0 – Handbook for Agile Practices, BoD

[5] Oswald Alfred, Köhler Jens, Schmitt Roland (2016) Projektmanagement am Rande des Chaos, Springer

[6] Weidemüller Arved (2019) OKR’s funktionieren nicht ohne Kulturwandel, ManagerSeminare, Heft 256, Juli 2019