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 Konzepten 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 Kommunikationsabläufe 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 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 Unterschieds 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:

Der Kompass rastet ein: Zuerst muss die rote gestrichelte Makro-Vision ein stabiles Level erreichen. Das System einigt sich auf eine gemeinsame inhaltliche Ausrichtung.
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.
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.

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 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 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:

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