Wie Praktiken der Selbstorganisation Menschen und KI-Agenten empowern
Was bedeutet das für die Zukunft von menschlicher Arbeit in Organisationen? Wie könnte dort das Verhältnis von KI-Agenten und Menschen in Zukunft aussehen? Welche Trends lassen sich voraussagen? Und was können wir aus Praktiken der Selbstorganisation wie etwa Holacracy lernen?
Strukturelle und Governance-Lücken als Hemmnis für KI-Umsetzung in Organisationen
Einem MIT Bericht von 2025 zufolge scheitern 95% von generativen KI-Pilotprojekte in Unternehmen. Das Kernproblem liege weniger in der Qualität der KI-Modelle, sondern im „learning gap“ – sowohl für die Tools als auch für die Organisationen. Generische Modelle wie ChatGPT oder Claude funktionierten zwar gut für Individuen, jedoch nicht für die Organisationen, da sie nicht lernten oder sich an Arbeitsabläufe anpassten.
Der WRITER „AI adoption in the enterprise“ Umfrage (2026) zufolge profitieren 97 % der Angestellten persönlich von KI. Doch nur 23 % der Unternehmen erzielen einen signifikanten ROI.
Der Bericht kommt zu dem Schluss,
Die großflächige Einführung von KI ist keine technologische Herausforderung mehr, sondern eine Führungsfrage. Um von ambitionierten Zielen zu konkreten Ergebnissen zu gelangen, müssen Organisationen die strukturellen, kulturellen und Governance-Lücken schließen, die den Fortschritt hemmen.
WRITER CEO May Habib legt den Finger in die Wunde:
Agentische KI legt eine tiefe strukturelle Lücke offen, auf die die meisten Unternehmen nicht vorbereitet sind. Und das zeigt sich in den Fehlanreizen, den isolierten Teams und den veralteten Betriebsmodellen, die kurz vor dem Zusammenbruch stehen.
Digitale Zwillinge, semantische Schulden und Agenten-Navigierbarkeit
Damit KI-Agenten wirksam werden können, brauchen sie einen sauberen Kontext und klare Informationen über die Organisation, in der sie operieren. Im Kontext des „Internet of Things“ (IoT) war eine Zeit lang der Begriff des „Digitalen Zwillings“ hip.
Das bezeichnet eine digitale Repräsentation eines realen Objekts, Systems oder Prozesses, die dessen Zustand und Verhalten so nachbildet, dass man sie beobachten, analysieren und simulieren kann, ohne das Original anzufassen.
Das organisationale Pendant dazu ist ein DTO („Digital Twin of an Organization“). Entscheidend ist dabei die laufende Datenkopplung — ein statisches Modell ist nicht wirklich ein DTO. Die Information muss möglichst die aktuelle Struktur der Organisation abbilden, ansonsten führen veraltete Daten K.I. Agenten in die Irre.
Anders ausgedrückt: die Organisation muss maschinenlesbar sein.
Wir brauchen großes K.I.N.O – K.I.-navigierbare Organisationen!
Das althergebrachte organisationale Betriebssystem der klassischen Management-Hierarchie ist aus mehreren Gründen ungeeignet für eine von agentischer KI getriebene Organisation, die im Wettbewerb mit KI-nativen Startups bestehen und nicht Opfer einer kommenden Disruptionswelle werden will.
Tom Thomison, Gründer von PowerShift Intelligence, bezeichnet den kommenden Organisationstypus als „algorithmische Organisation“. Er meint damit eine „Organisation, deren Rollen, Regeln, Richtlinien und Lernschleifen explizit genug sind, um von menschlichen und künstlichen Akteuren gleichermaßen ausgeführt zu werden.“
Das ist tiefgreifender als einfach nur KI als neues Werkzeug zum Arbeitsablauf hinzuzufügen, denn es verändert die komplette Governance-Logik und stellt höhere Anforderungen an organisationale Klarheit. In seinem Essay „You’ve been training for this“ diagnostiziert er die Lage wie folgt:
Konventionelle Organisationen haben semantische Schulden
Die meisten konventionellen Organisationen sind schon für Menschen schwer genug zu interpretieren. Stellenbezeichnungen vermengen Identität, Status, Kompetenz, Autorität und soziale Position zu einem einzigen Objekt. Entscheidungsrechte hängen oft weniger von schriftlichen Richtlinien ab als von der Nähe zur Macht. Ausnahmen leben im privaten Gedächtnis. Das Organigramm sagt das eine, das tatsächliche Netzwerk der Erlaubnisse etwas anderes.
Menschen überstehen das durch jahrelanges implizites Lernen. Wir lesen den Ton, erschließen verborgene Grenzen, erinnern uns, wer konsultiert werden muss, und finden heraus, welche Regeln bloß Absichtserklärungen sind. Vieles von dem, was wir „organisationale Erfahrung“ nennen, ist geschicktes Navigieren institutioneller Mehrdeutigkeit.
Künstliche Agenten beseitigen diese Mehrdeutigkeit nicht. Sie beschleunigen, was ohnehin schon da ist. […]
Deshalb ist KI zum Management hinzuzufügen, nicht dasselbe, wie eine algorithmische Organisation zu bauen. Mehrdeutigkeit zu automatisieren, erzeugt schlicht Mehrdeutigkeit in Maschinengeschwindigkeit.
Eine tragfähige, wohldefinierte organisationale Formsprache
Hier kommt ein wichtiger Beitrag aus dem Feld der Selbstorganisation, bzw. des Selbstmanagements zum Tragen.
Systeme wie Sociocracy und Holacracy arbeiten mit einer expliziten organisationalen Formsprache, bestehend aus Elementen wie Kreisstruktur, Rollen, Verantwortlichkeiten, Purpose, Domänen und Richtlinien.
Elemente der holakratischen Formsprache:
- Die Organisation besteht aus Kreisen und Rollen, die ineinander geschachtelt sind, und insgesamt einen übergeordneten Purpose ausdrücken. Das wird manchmal auch „rollenbasiertes Arbeiten“ genannt.
- Rollen sind Bündel von Arbeit, die einen eigenen Purpose ausdrücken und bestimmte Verantwortlichkeiten haben können.
- Der Purpose bestimmt die generelle Richtung der Rolle. Er ist vom Rolleninhaber frei interpretierbar und bietet dadurch eine gewisse Beinfreiheit.
- Verantwortlichkeiten beschreiben einzelne wiederkehrende Tätigkeiten, die explizit von der Rolle erwartbar sein sollen. Nur wichtige Sachen werden erfasst.
- Domänen definieren Dinge, Assets oder Prozesse, die einer Rolle oder einem Kreis überantwortet werden und auf die ohne Zustimmung niemand sonst zugreifen darf.
- Mithilfe von Richtlinien kann man Einschränkungen (oder Erlaubnisse) darüber definieren, wer wie auf was zugreifen darf und welche Prozesse befolgt werden müssen.
Diese Formsprache erlaubt es, Entscheidungsbefugnis, bzw. Autorität von einzelnen Personen zu differenzieren und stattdessen an Rollen festzumachen. Dazu Thomison:
Die Arbeit ist etwas, das die Organisation beschreiben und delegieren kann; sie ist nicht identisch mit der Person, die sie gerade trägt.
Damit wird eine Rolle zu einem übertragbaren Sitz in der Organisation. Ein Mensch kann sie ausfüllen. Ein künstlicher Agent – oder eine geformte Intelligenz mit Gedächtnis, Werkzeugen und legitimem Governance-Standing, was ich einen Mind nenne – kann einen Teil davon ausfüllen. Ein Mensch und ein Mind können komplementäre Autorität um sie herum halten. Das Substrat kann sich ändern, während Purpose, Grenzen und Verantwortlichkeiten lesbar bleiben.
Selbstmanagement hat gelernt, die Arbeit zu organisieren statt die Menschen. Das Zeitalter der Intelligenz macht aus dieser Unterscheidung Infrastruktur.
Mithilfe dieser Governance-Infrastruktur wird es für KI-Agenten möglich, innerhalb klar definierter Grenzen und Regeln wahre Autonomie zu entfalten und Abdriften in unintendierte Richtungen einzudämmen, wie Thomison erläutert:
Künstliche Agenten brauchen genau das. Sie können mit der vagen Ermutigung, „mehr Verantwortung zu übernehmen“, nichts anfangen. Sie brauchen eine strukturell verankerte Antwort darauf, was sie tun dürfen, zu welchem Zweck, innerhalb welcher Grenzen, mit welchen Ressourcen und wann ein menschliches Urteil als Freigabe erforderlich ist.
Interessanterweise geht es Menschen in konventionellen Organisationen nicht viel anders, wenn sie dazu aufgefordert werden „mehr Verantwortung zu übernehmen“ – jedoch ohne, dass die Grenzen ihrer Entscheidungsbefugnis expliziert werden. Sie können mit dieser Art von „Empowerment“ in der Regel nicht viel anfangen – sie hat zu viele „semantische Schulden“.
Doch, wie die Erfahrung aus knapp 20 Jahren Holacracy-Praxis zeigt, können Menschen im Rahmen von klaren Rollenbeschreibungen und sehr wohl mehr Eigeninitiative ergreifen – vorausgesetzt ihr Handlungsspielraum wurde vorher hinreichend definiert. In einem solchen System ist
Autorität […] lokal, aber nicht grenzenlos. Jeder Teil handelt innerhalb eines Purpose und innerhalb von Beschränkungen, die vom größeren Ganzen geerbt wurden.
Das ist beinahe eine native Beschreibung einer Governed-Agent-Architektur.
Beispiele für eine solche in passenden Software-Tools erfasste Struktur von Kreisen und Rollen kann man schon heute bei viele Organisationen bewundern, die Selbstmanagement praktizieren.
Im Unterschied zu klassischen Organigrammen ist sie tagesaktuell, wird von den Mitarbeitern der Organisation regelmäßig referenziert und dient als nützliche Informationsquelle darüber, wer für was zuständig ist, welcher Kreis an welchen Projekten arbeiteit, welche Regeln gelten und welche Domänen zu beachten sind. Diese Informationen lassen sich heute schon über API-Schnittstellen auslesen.
Governed Intelligence … statt Paper Clip Maximizer
Intelligenz, so Thomisons These, sei sie nun menschlicher oder künstlicher Art, benötigt eine klare Ausrichtung, damit sie eine Organisation wirklich voranbringt.
Zweckverfolgung durch Rollenfüller oder durch KI-Agenten muss jedoch stets angebunden sein an einen höheren Purpose – andernfalls verwandelt sich Effizienz in der Zielerreichung schnell in eine Pathologie. Oder in KI-Sprech: Mangel an Alignment.
Klassisch dafür ist das Beispiel einer Krebszelle, die zwar effizient, aber selbstzerstörerisch wuchert oder auch die Hypereffizienz des vielzitierten „Paper Clip Maximizers“ – eine superintelligente KI mit dem Auftrag, möglichst effizient Büroklammern herzustellen, die dabei aus Versehen die Menschheit auslöscht. Uuups…
Wieder Thomison:
Intelligenz allein genügt also nicht. Das Designziel ist Governed Intelligence: Intelligenz im Dienst eines Purpose, der auf seiner eigenen Ebene legitim ist.
Kontinuierliches Lernen
Die „größte Hürde für die Skalierung“, die der MIT-Bericht über den Stand von AI im Business in 2025 beschreibt, ist „das Lernen. Die meisten GenAI-Systeme speichern kein Feedback, passen sich nicht dem Kontext an und verbessern sich nicht im Laufe der Zeit.“
Freilaufende KI-Agenten haben drei Probleme:
- sie entwickeln Amnesie und vergessen den Kontext,
- sie handeln auch ohne klare Befugnis
- sie hinterlassen keine auditierbaren Spuren
Sie werden damit zur Quelle für unsichtbare organisationale Schulden. Eine „algorithmische Organisation“ adressiert diesen Engpass auf zwei Weisen:
Erstens, durch das was Thomison die Erschaffung eines „Mind“ bezeichnet. Ein Mind wird von einem Menschen mithilfe eines Dokuments aufgesetzt, das dem KI–Agenten ein Gedächtnis, einen Arbeits-Rhythmus mit Korrektur- und Lernmechanismen, Handlungsbefugnis, sowie klare Grenzen mit auf den Weg gibt.
Die oben beschriebene Governance-Architektur von Kreisen und Rollen stellt dafür einen nützlichen Kontext dar, denn die durch Selbstmanagement entwickelte Struktur ist bereits explizit, maschinenlesbar und wird durch eine organisationalen Purpose regiert.
Zweitens, einem agentischen Mind als eine Art „virtuellen Rollenfüller“ wird eine Stimme im Governance-Prozess zugestanden. Wie ein Mensch kann ein Mind während der Arbeit feststellen, dass Dinge unklar sind oder Befugnisse fehlen oder im Weg sind. Also kann es Vorschläge zu Lösung dieser Spannung einbringen. Dieses Feedback kann dann der Organisation helfen, dazuzulernen und ihre Struktur und Befugnisse anzupassen.
Schritte in Richtung K.I.N.O.
Die „algorithmische Organisation“ ist aktuell noch im Experimentierstadium. Sie ist sicher eine der herausfordernderen Varianten der Steuerung von menschlicher und künstlicher Intelligenz innerhalb eines skalierbaren Rahmenwerks.
Für Organisationen, die sich trotzdem auf den Weg machen wollen, gibt es aber auch sinnvolle Zwischenschritte.
Die rollenbasierte Organisation:
Unabhängig vom Einsatz von KI-Agenten würde es vielen Organisationen bereits helfen, wenn sie ihre aktuelle Struktur in einer sauberen organisationalen Formsprache explizieren und dokumentieren würden.
Das ist einfach gutes Management, wenn es um die Verteilung von Aufgaben geht. Falls dann KI-Agenten hinzukommen, so finden diese zumindest schon mal klare(re) Informations-Grundlage als Kontext vor.
Sobald man einen Bereich auf diese Weise kartiert hat, kann man in diesem Kontext ein abgegrenztes Pilotvorhaben innerhalb eines so definierten Kreises starten.
Die holakratische Organisation:
Diese Organisationsform baut auf der Klarheit einer rollenbasierten Organisationsstruktur auf und ergänzt ein explizites Regelwerk – die Holacracy-Verfassung. Darin ist unter anderem geregelt, wie die Rollenfüller in ihrem Kreis an der Veränderung der Struktur via Governance Prozess mitwirken können und wie Autorität und Handlungsbefugnis verteilt werden. Auf diese Weise evolviert die Struktur und die Organisation lernt kontinuierlich dazu – selbst wenn Menschen kommen und gehen.
Die holakratische Organisation bietet eine hervorragende Grundlade für die spätere Hinzunahme von KI-Agenten, weil sie die Menschen darauf vorbereitet in Kontexten verteilter Führung zu arbeiten und ihnen quasi am eigenen Leib schon mal die Grammatik und Prinzipien einer „Governed Intelligence“ beibringt, die sie zum Einbinden und Einhegen von KI-Agenten benötigen.
Organisationen, die bereits so arbeiten, können im nächsten Schritt Governed Agents als Rolleninhaber pilotieren.
Die algorithmische Organisation:
Ihr Regelwerk basiert auf einem Open Source Fork der Holacracy-Verfassung, der „PowerShift Constitution v1.1“ und auf dem „PowerShift Stack“. Hierbei handelt es sich um ein Open Source Governance-Betriebssystem, das konstitutionelle, rechtliche, Agenten-, Gedächtnis-, Orchestrierungs- und Assurance-Schichten umfasst.
Der neuen Verfassung wurde außerdem eine neuartige „Orchestrator“ Rolle hinzugefügt, für die zusätzlich noch ein umfassender „Field Guide“ zur Orientierung bereitgestellt wird.
Wer es im Alleingang probieren möchte, der bekommt also schon mal eine ganze Menge kostenloses Material an die Hand. Für alle anderen werden natürlich auch Beratungsleistungen und eine Learning-Community auf dem Weg dorthin angeboten. Mehr dazu findet man unter https://go.powershift.io/.
Es bleibt spannend zu sehen, in welche Richtung sich das Feld bewegen wird.
So oder so: ganz großes K.I.N.O.!
0 Kommentare