Der Ausgangspunkt ist nicht das ideale Scrum-Team aus dem Seminar, sondern die reale Organisation: ein Rollen-Mix, der mal passt und mal nicht, politisches Gerangel, Krisenmodus als Normalzustand. KI ersetzt hier keine Führung — sie macht Reibung sichtbar, bevor sie ein Projekt kostet.
Genialer Kopf, Completer, Kritiker: Das ist keine zufällige Beobachtung, sondern deckt sich mit Belbins neun Teamrollen (u. a. Plant — der Ideengeber, Completer Finisher — der Abschließer, Monitor Evaluator — der nüchterne Kritiker). Belbins Kernbefund war schon in den 1980ern: Nicht die einzelnen Talente entscheiden, sondern die Zusammensetzung — ein Team aus lauter Genies scheitert oft genauso wie eines ohne einen einzigen.
Politik wegzaubern, Krisenmodus abschalten, oder Belbin-Rollen wie ein Setzkasten optimal befüllen. Organisationen sind keine Optimierungsprobleme — das wäre wieder Goldplating am falschen Ende (Regel 1).
Reibung früh sichtbar machen: Wer wird in Meetings systematisch überhört? Wo häufen sich Blocker um dieselbe Schnittstelle? Wo fehlt im Rollen-Mix der Completer, während drei Genies um dieselbe Idee kreisen? Muster aus Kommunikationsdaten, Ticket-Historie und Meeting-Kadenz, die einem einzelnen PM sonst erst nach Monaten auffallen.
Der Punkt ist nicht, das Modell zu kennen — sondern sich in jeder Phase bewusst anders zu verhalten, so wie du es als PM immer gemacht hast. KI verstärkt genau diese Phasen-Sensibilität, statt sie zu ersetzen.
Was früher informell über gemeinsames Essen und ein paar Gläser lief, ist heute aus mehreren Gründen selten geworden — nicht nur steuerlich (Bewirtungskosten sind strenger dokumentationspflichtig), auch kulturell: gemischte Teams, unterschiedliche Lebensmodelle, weniger Toleranz für Alkohol als Beziehungs-Katalysator im Berufskontext.
Die aus dem amerikanischen Kontext übernommene Gewohnheit, ein Meeting nicht sofort mit der Agenda zu beginnen, sondern mit ein paar Sätzen über Persönliches — das ist kein Zeitverlust, sondern der komprimierte Ersatz für das Abendessen: eine kleine, wiederholte Dosis Beziehungsarbeit statt einer großen, seltenen. Genau diese kleinen, ehrlichen Kontaktmomente sind Regel 2 (Feedback-Takt) auf der Beziehungsebene — Blockaden lösen sich oft nicht durch das nächste Argument, sondern durch das nächste Quäntchen Vertrauen.
KI-Rolle: Nicht den Smalltalk ersetzen, sondern ihn vorbereiten helfen — z. B. relevante, nicht-private Gemeinsamkeiten oder aktuelle Kontextpunkte vor einem wichtigen Meeting zusammenfassen, damit der erste Satz trifft statt zu floskeln.
Der größte kontrollierte Feldversuch bisher: 61 Unternehmen, rund 2.900 Beschäftigte, UK, koordiniert von Autonomy/4 Day Week Global (2022) — Vollzeitgehalt bei 80% der Arbeitszeit, Bedingung: Output zählt, nicht Anwesenheit.
Quelle: UK-Pilotprojekt 2022 (Autonomy/4 Day Week Global), zusammengefasst u. a. bei Multiplier und World Economic Forum. Konkrete Umsatz-/Produktivitätszahlen variieren je Unternehmen; der durchgängige Befund ist „mindestens gleich produktiv bei output-fokussierter statt zeitfokussierter Arbeitsweise" — nicht ein pauschaler Produktivitätsschub.
Googles „Project Aristotle" untersuchte über Jahre, was Hunderte interne Teams tatsächlich effektiv macht — mit einem Ergebnis, das viele überraschte: Nicht die Zusammensetzung der Talente entschied, sondern wie das Team miteinander arbeitete.
1. Psychologische Sicherheit — Risiken ansprechen können, ohne Bloßstellung zu fürchten. 2. Verlässlichkeit — Zusagen werden eingehalten. 3. Struktur & Klarheit — klare Rollen, Prozesse, Ziele. 4. Bedeutung — Sinn in der eigenen Arbeit. 5. Wirkung — der eigene Beitrag zählt sichtbar.
Psychologische Sicherheit lag mit Abstand vorn. Angst ist strukturell ihr Gegenteil: Wer Fehler oder abweichende Meinungen fürchtet zu äußern, liefert genau das, was Regel 5 (Wahrheit vor Gefälligkeit) verhindern soll — beruhigende statt ehrliche Signale. Angst „funktioniert" kurzfristig als Gehorsam, zerstört aber genau den Kanal, über den ein Team eigene Fehler früh erkennt. Dieselbe Dynamik gibt es maschinell: Sykophanz-Schleifen in KI-Systemen entstehen aus genau demselben Mangel an psychologischer Sicherheit — nur bei den menschlichen Bewertern statt im Team.
Quelle: Google re:Work, „Understand team effectiveness" (Project Aristotle).
Ein persönlicher Bezug, kein Namedropping: Prof. em. Dr. Dr. h. c. Hans Gruber (heute Universität Regensburg, Fakultät für Humanwissenschaften) und ich kennen uns aus einer ganz anderen Welt — beide Spieler im Zitherorchester ZOMP, er zusätzlich als Dirigent — das Orchester mehrfach Erster Preisträger beim Deutschen Orchesterwettbewerb, einmal sogar auf USA-Tournee. Studiert haben wir nicht gemeinsam: Ich war an der TU München mitten im Modul B3 Kybernetik (Elektrotechnik und Informationstechnik), er stand damals schon mitten in seiner akademischen Laufbahn an der LMU München und beschäftigte sich gerade mit Schachstrategien. Was blieb, waren Gespräche auf Augenhöhe, ohne Vorurteile zwischen Fachgebieten, die auf den ersten Blick nichts miteinander zu tun hatten — Bögen spannen, Erkenntnisse übertragen, angewandtes GEB, lange bevor ich wusste, dass es dafür einen Namen gibt. Seine spätere Forschungsgruppe hat genau das empirisch untersucht, was Googles Project Aristotle Jahre später von der anderen Seite bestätigte: wie Teams mit Fehlern umgehen, entscheidet über ihre Lernfähigkeit — nicht, ob sie welche machen.
Gartmeier, Bauer, Gruber & Heid prägen in „Negative Knowledge: Understanding Professional Learning and Expertise" (Vocations and Learning, 1(2), 87–103, 2008) den Begriff des negativen Wissens: erfahrungsbasiertes Wissen darüber, was in einer Arbeitssituation nicht funktioniert und zu vermeiden ist. Ihre Kernthese: Experten unterscheiden sich von Anfängern nicht nur durch mehr Wissen, sondern durch ein explizites Wissen darüber, welche Ansätze suboptimal sind — Sicherheit, Effizienz und Reflexion entstehen gerade aus dieser negativen Seite der Erfahrung, nicht nur aus der positiven.
Gartmeiers Regensburger Dissertation (2009, Erstgutachter Hans Gruber) unterlegt das empirisch: In einer Bankenstudie mit 84 Beschäftigten sagten Fehlerkompetenz, Lernen aus Fehlern und Reflexion über Fehler die Eigeninitiative signifikant voraus — vermittelt über psychologische Sicherheit. Zwei völlig unabhängige Forschungslinien, deutsche Erziehungswissenschaft und Googles interne Teamforschung, landen beim selben Mechanismus.
Quelle: Gartmeier, Bauer, Gruber & Heid, „Negative Knowledge: Understanding Professional Learning and Expertise", Vocations and Learning 1(2), 87–103 (2008) · Prof. em. Dr. Dr. h. c. Hans Gruber, Universität Regensburg
Der Name ZOMP (Zitherorchester München-Pasing e.V.) stammt selbst aus dieser Feder — ein Vereinsname, der Wiedererkennung und Stolz trägt (mehrfach Erster Preis beim Deutschen Orchesterwettbewerb, USA-Tournee), obwohl er inhaltlich nur beschreibt, was er ist.
Bei Siemens gab es das Gegenstück im Geschäftskontext: ADMOSS LAN war schlicht eine Standard-Wurfverkabelung mit Hub für das Auskunfts-/Vermittlungssystem ADMOSS an der EWSD — technisch nichts, was es nicht auch bei jedem Elektronikhändler um die Ecke gegeben hätte. Weil sie fest an ADMOSS/EWSD gekoppelt war und einen eigenen Produktnamen trug, wollten sogar Siemens-Einheiten aus Singapur sie exklusiv beziehen. Der Name allein hatte aus einer Commodity ein scheinbares Alleinstellungsmerkmal gemacht.
Die Lehre für PM und Produkt: Ein guter Name beschreibt nicht nur, er schafft einen Fixpunkt, an dem sich Wahrnehmung von Wert festmacht — unabhängig vom technischen Gehalt darunter. Das gilt für ein Orchester genauso wie für ein Kabelsystem wie für ein KI-Produkt.
In fast allen Projekten dasselbe Bild: Der offizielle Org-Plan ist nicht aktuell, und der eigentliche Aufwand, die richtigen Stakeholder überhaupt erst zu identifizieren, zieht sich regelmäßig über die ersten zwei Monate — bevor das eigentliche Projekt inhaltlich beginnt.
Diese zwei Monate verschwinden meist unsichtbar in „Projekt-Ramp-up" — sie werden nirgends als eigene Kennzahl geführt, obwohl sie sich Projekt für Projekt identisch wiederholen. Bei mehreren Projekten pro Jahr summiert sich das zu einem erheblichen, aber nie budgetierten Zeitblock — genau das extreme Optimierungspotenzial, das im Tagesgeschäft untergeht, weil es nie als Ganzes sichtbar wird.
Statt sich auf den veralteten Org-Plan zu verlassen, aus tatsächlich gelebten Spuren rekonstruieren, wer wirklich entscheidet: Kommunikationsmuster (wer wird in welchen Threads tatsächlich einbezogen), Freigabe-Historien, Ticket-Zuweisungen. Das Ergebnis ist eine belastbare Stakeholder-Landkarte in Tagen statt Monaten — und die notwendige Vorstufe für den PIS-Vektor (Power/Interest/State) aus dem Rollout-Plan: Man kann niemanden sauber nach Macht und Interesse einordnen, den man vorher nicht einmal korrekt identifiziert hat.
Anonymisiert: Unternehmen, Endkunde, Softwarezulieferer und Ort sind aus Vertraulichkeitsgründen nicht genannt. Die strukturelle Lektion bleibt unverändert.