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:

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

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

Kundensegmente:

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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