Im Zusammenhang mit der Transformation/Transitionen von traditionellen Organisationen zu Agilen Organisationen wird immer wieder das “Agile Mindset” hervorgehoben. Hans-Gerd Serevatius hat 2018 dazu Wege zu einem agilen Mindset beschrieben. Darin definiert er das agileMindset als “bewegliche Denkweise eines Menschen, die auch sein Verhalten prägt.”. Diese Denkweise kann als relativ stabil oder als veränderbar angenommen werden.
Carol Dweck (2006) beschreibt diese Zusammenhänge als Fixed Mindset oder Growth Mindset. Ein Fixed Mindset geht davon aus, dass Kreativität, Intelligenz und Talent unveränderbar sind.
Wie wichtig es ist, dass die an der Förderung des Lernens Beteiligten nicht an die Konstanz, sondern stattdessen an die Veränderbarkeit der Intelligenz glaubten, hat Carol Dweck (1986, 1990) in zahlreichen Untersuchungen überzeugend belegt (Mietzel 2003:253).
Das Umfeld von Organisationen hat sich in den letzten 150 Jahren deutlich verändert, doch strukturieren gerade große Organisationen sich immer noch so, als könnten komplexe Problemlösungprozesse in formalen Organisationen abgebildet werden. Die formale Organisation verkennt dabei allerdings einen wichtigen Aspekt.
Es gehört zur Logik der formalen Organisation, dass sie keine Widersprüche anerkennt. Ihre allgemeinen Regeln erheben den Anspruch, in jeder einzelnen Situation verbindlich zu sein. Was vorgeschrieben ist, soll so ausgeführt werden, wie es vorgeschrieben ist. (…) Diese Auffassung versteht die formale Organisation als ein Netz von Handlungsvorschriften, die möglichst getreu ins Handeln übertragen werden müssen; sie verkennt ihre Funktion als Struktur eines großen Sozialsystems (Luhmann 1999:297-298).
Diese Erkenntnis hat weitreichende Folgen: Beispielsweise ist damit die Methapher des “Unternehmens als Maschine” nicht mehr angemessen. Auch Mitarbeiter als “Zahnräder” zu beschreiben ist nicht mehr angebracht – wird allerdings immer noch verwendet. Darüber hinaus ist die allgemeine Sicht auf die “Berechenbarkeit von allem” eher hinderlich, zukunftsorientiert zu arbeiten. Diese Arten der Fremdorganisation von Arbeit werden nun immer mehr abgelöst von der Selbstorganisation des Arbeitshandelns abgelöst (Agile Ansätze). Die Organisation als “komplexen Sozialsystems” hat eine Passung zur Lebenswirklichkeit, mit weitreichenden Veränderungen. Komplexe Sozialsysteme zu verstehen, gehört bisher noch nicht zu den Kernkompetenzen von Unternehmen…
Wenn es um Emotionale Intelligenz geht, wird häufig Daniel Goleman genannt, der dieses Konstrukt bekannt gemacht hat. Dabei geht leider oft verloren, dass es John D. Mayer und Peter Salovey waren, die schon 1990 beschrieben haben, was sie unter Emotionaler Intelligenz verstehen.
“Emotional intelligence is a type of sociali ntelligence that involves the ability to monitor one’s own and others’ emotions to discriminate among them, and to use the information to guide one’s thinking and actions (Salovey & Mayer 1990)”, zitiert in Mayer/Salovay 1993, p. 433.
Interessant dabei ist, dass beide Autoren erwähnen, dass sie statt Emotional Intelligence auch Emotional Competence hätten wählen können, doch haben sie sich bewusst für Emotional Intelligence entschiedenen, da sich Emotional Intelligence “overlaps with Gardner´s (1983) ´(intra) personal intelligence´ (ebd. p. 433).
The core capacity at work here is access to one’s own feeling life – one’s range of affects or emotions; the capacity instantly to effect discriminations amongt these feelings and eventually, to label them, to enmesh them in symbolic codes, to draw upon them as a means of undentanding and guiding one’s behavior. In its most primitive form, the intrapenonal intelligence amounts to little more than the capacity to distinguish a feeling of pleasure from one of pain (…). At its most advanced level, intrapersonal knowledge allows one to detect and to symbolize complex and highly differentiated set of feelings (…) to attain a deep knowledge of (…) feeling life (ebd. p. 239).
Wenn alles nicht so einfach ist, also alles miteinander vernetzt ist, es Rückkopplungen gibt, und wir in diesem Sinne von einem komplexen sozialen System sprechen können, kommt es auch darauf an, die Phasenübergänge (Bifurkationspunkte) zu kennen. Doch, wie können wir uns diese Situation vorstellen, bzw. sogar damit umgehen?
Phasenübergänge führen fern des thermischen Gleichgewichts zu Emergenz und Selbstorganisation von Ordnung wachsender Komplexität. Allgemein können durch zufällige Wechselwirkungen der Systemelemente auf der Mikroebene neue Strukturen auf der Makroebene entstehen, die durch die Mikrozustände der Elemente nicht erklärbar sind. Wenige instabile Systemelemente geraten an den Instabilitätspunkten in starke Schwingungen, die schließlich auch die Mehrzahl der stabilen Systemelemente mitreißen. Sie zwingen ihnen ihr Verhalten auf oder – mit den Worten von Hermann Haken – „versklaven“ sie. Dadurch kommt es zu makroskopischen Veränderungen mit Ordnungs- und Musterbildungen. Es genügt also, das Verhalten der wenigen instabilen Systemelemente zu erkennen, um den Entwicklungstrend des gesamten Systems und seine makroskopischen Muster zu bestimmen. Die Größen, mit denen das Verteilungsmuster der Mikrozustände eines Systems charakterisiert wird, heißen nach dem russischen Physiker Lew D. Landau „Ordnungsparameter“ (Mainzer 2008:43-44).
Um das Gesamtsystem zu steuern, reicht es also aus, sich um die wenigen instabilen Systemelemente zu kümmern, um makroskopische Muster zu bestimmen. Es ist also nicht erforderlich alle Daten/Informationen im Sinne von Vollständigkeit vorliegen zu haben – was sowieso nicht möglich ist (Blogbeitrag). Weniger ist hier mehr. Entscheidend sind angemessene Maßnahmen an den richtigen Stellen. Aktuell habe ich eher den Eindruck, dass viele Unternehmen einem Datenfetischismus hinterherrennen, und die Chancen einer angemessenen Systemsteuerung nicht erkennen.
Wenn es um die Bewältigung komplexer Probleme geht, kommt der Kompetenzbegriff ins Spiel, der nach Erpenbeck/Heyse Kompetenz als Selbstorganisationsdisposition aufzufassen ist. Etwas vereinfacht ausgedrückt ist Selbstorganisation eine “Strukturbildung von selbst” (Heyse/Erpenbeck 1997:29). Kompetenz stellt somit eine Art Vermögen dar, das noch im Kontext realisiert werden muss. Der Komplementärbegriff zu “Kompetenz” ist dabei “Performanz”, deren Bezug zueinander zunächst in der Linguistik durch Chomsky thematisiert wurde.
“Kompetenz“ und „Performanz“ sind dieser linguistischen Tradition zufolge bekanntlich als Komplementärbegriffe zu begreifen. Kompetenz meint hier „das Befolgen von Regeln oder Gesetzmäßigkeiten der Kombinatorik auf der Basis einer kalkulierbaren Zahl von Elementen“, während unter Performanz „die konkrete Realisierung von Ausdrucksmitteln und Formen in einer bestimmten Situation durch individuelle Akzente“ zu verstehen ist, allerdings eben die „Realisierung systemisch angelegter (Tiefen-)Strukturen“ (Soeffner 2003: 663) (Pfadenhauer 2010:159).
Group of people with devices in hands working together as symbol of networking and communication
Die Geburtsstunde von “Künstlicher Intelligenz” geht auf einen Konferenzbeitrag von McCarthy im Jahr 1955 zurück. In der Zwischenzeit gibt es durch die vielen neuen technischen Möglichkeiten zwar immer wieder Definitionsversuche, doch immer noch keine einheitliche und anerkannte Definition. Was allerdings klar erscheint sind die verschiedenen Aufgabengebiete, die für eine Künstliche Intelligenz geeignet erscheinen. Russell und Norvig unterscheiden hier acht Aufgabengebiete (vgl. Russell und Norvig 2012; Peissner et al. 2019), zitiert in Fraunhofer IAO 2020:11-12):
Lernen
Problemlösung durch Suchen
Planen
Robotik
Entscheidung
Wissensrepräsentation
Wahrnehmung
Spracherkennung
Anhand dieser Auflistung wird deutlich, dass Künstliche Intelligenz viele Tätigkeiten in unserem gesellschaftlichen und wirtschaftlichen Leben beeinflussen kann. Es geht hier allerdings nicht immer um komplette Jobs, die infrage gestellt werden, sondern auch um Tätigkeitsportfolios, die in einzelnen Jobs oder in Prozessketten von KI profitieren können. Hier ein Beispiel:
Populär wurden in jüngster Zeit Anwendungen wie beispielsweise KI-gestützte »Chatbots«. Dies sind Programme, die eine Konversation mit Nutzern führen können. Social Chatbots agieren in sozialen Netzwerken wie Facebook und Twitter (vgl. Edwards 2016). Anwendungsgebiete sind u.a. Bestellungen (z.B. Pizza-Service), Antworten auf Kundenanfragen zu Prozessen (Paketdienste) und Bearbeitung von Beschwerden (Fraunhofer IAO 2020:13).
Individuelle Kompetenzen gehen in der Interaktion mit mindestens einer weiteren Person in Teamkompetenz über. Doch ist diese Teamkompetenz nicht einfach eine Akkumulation der einzelnen Kompetenzen, denn die Teamkompetenz entsteht durch die gemeinsame Arbeit an einem Ziel.
Die gekonnte Zusammenarbeit mehrer Akteure bei der Lösung von Problemen lässt sich als Teamkompetenz bezeichnen. Ein Team ist „a distinguishable set of two or more people who interact dynamically, interdependently, and adaptively toward a common and valued goal/objective/mission who have each been assigned specific roles or functions to perform, and who have a limited span of membership“ (Salas et al. 1992). Die Kompetenz eines Teams ist nicht einfach a priori vorhanden, sondern sie entsteht im Zuge der gemeinsamen Aktivität und hat daher einen emergenten Charakter. Ihre Grundlage ist ein „shared situation awareness“, ein gemeinsames Situationsverständnis. Der Begriff der „situation awareness“ (SA) bezieht sich in seiner ursprünglichen Bedeutung auf den Bewusstseinszustand eines einzelnen Individuums und wird definiert als „the perception of elements in the environment within a volume of time and space, the comprehension of their meaning, and the projection of their status in the near future“ (Endsley 1988: 97) (Klatetzki 2010:225, Hervorhebungen durch den Autor des Blogbeitrags).
Teamkompetenzen als emergente Phänomene zu betrachten stellt die üblicherweise in den Unternehmen vorgenommene Konfiguration von Teamkompetenzen infrage. Einerseits ist der Problemlösungskontext der Zusammenarbeit mit entscheidend, und andererseits können emergente Phänomene nicht vollständig geplant und vorausgesagt werden. An verschiedenen Bifurkationspunkten schaffen die einzelnen Teile ihren Ordnungsparameter, der dann wiederum die einzelnen Teile (Teammitglieder) beeinflusst. Siehe dazu auch Freund, R. (2011): Das Konzept der Multiplen Kompetenz auf den Analyseebenen Individuum, Gruppe, Organisation und Netzwerk.
Wenn wir über Intelligenz oder Dummheit sprechen, geht es oft einerseits um intelligente Menschen und anderseits um intelligente maschinelle Systeme wie maschinelles Lernen oder Künstliche Intelligenz. In Unternehmen/Organisationen oder weiter gefasst, in Systemen geht es allerdings auch darum, die verschiedenen Facetten der Intelligenz zu fördern und für Werte zu nutzen. Bei Organisationen kommen die beiden Perspektiven “Intelligent Organization” und “Organizational Intelligence” ins Spiel.
Within this field two major research communities can be found. The first on has been established around the annual Hawai International Conference on System Sciences (HICSS), starting from a tutorial on “Intelligent Organizations” presented by G. P. Huber in 1987. The second has its roots in Japan, where T. Matsuda is developing towards a holistic approach of what he calls “Organizational Intelligence” (…). In contrast of others he [Matsuda 1988, 1991, 1992] stresses that machine learning is an integral part of the intelligence of an organization (vgl. Kirn 1996:141).
Immer wieder wird in Interaktionen deutlich, dass der Kommunikation eine wichtige Rolle zukommt. Doch was verstehen wir unter Kommunikation? Eine Sichtweise kann aus der Systemtheorie abgeleitet werden. Luhmanns Systemtheorie “begreift Kommunikationen als Operationen sozialer Systeme und Erwartungen als Strukturen, die kommunikative Ereignisse miteinander verknüpfen. Erwartungen werden dabei als Verdichtungen von Sinn bestimmt” (Schneider 2008:129). Dabei ist Sinn definiert “durch die Unterscheidung von Aktualität und Möglichkeit” (ebd. S. 141). Weiterhin ist interessant, dass der Kommunikationsbegriff über die Entscheidung mit Konsens und Konflikt zusammenhängt.
Über die drei Selektionen Mitteilungen, Information und Verstehen hinaus, die zusammen den Kommunikationsbegriff definieren, ist eine vierte Selektion für den weiteren Verlauf der Kommunikation von zentraler Bedeutung, die mit jeder Anschlußäußerung aufgerufen ist: die Entscheidung zwischen der Annahme und der Ablehnung der vorausgehenden Mitteilung. Diese Entscheidung markiert einen Verzweigungspunkt in Richtung Konsens und Konflikt (Schneider 2008:138).
Der Begriff “Problem” kommt in unserer Gesellschaft häufig vor, dabei gibt es oft keine einheitliche Meinung darüber, was ein “Problem” eigentlich ist. Es gibt einfache Probleme mit dem dazugehörenden simple problem solving, und komplexe Probleme mit ihrem complex problem solving. In solchen Multi-Kontext-Problemen kommt es darauf an, Entscheidungen unter Unsicherheit zu treffen – was nicht so einfach ist…
Strategische Probleme werden als wenig strukturierte bzw. schwer strukturierbare Probleme betrachtet. Für solche „innovativen Probleme“ bestehen wenig eindeutige Lösungsverfahren (Bamberger & Wrona, 2000). Analog hierzu spricht Dörner (1979) von dialektischen Problemen, bei denen zwar die Ausgangslage bekannt ist, aber nicht der Zielzustand und auch nicht die möglichen Mittel diesen Zielzustand zu erreichen. „Sie stellen Entscheidungen unter Unsicherheit dar und werden auch als sog. Multi-Kontext-Probleme derart bezeichnet, dass sie in unterschiedlichen, jeweils aktorspezifischen Kontexten definiert bzw. expliziert werden“ (Bamberger & Wrona, 2000, S. 6). Probleme werden demnach jeweils im Sinne eigener Werte Normen, Interessen und Sichtweisen der Realität betrachtet und interpretiert. Mit diesen unterschiedlichen Realitätskonstruktionen ist stets die Möglichkeit von Konflikten und das Erfordernis sie zu lösen verbunden (Bamberger & Wrona, 2000) (vgl. Grote, S.; Kauffeld, S.; Hering, V. & Tappe, D. 2009:15, Hervorhebung durch den Autor des Blogbetrags).
Complex Problem Solving ist anders als das einfache, Simple Problem Solving. Die Bewältigung solcher Multi-Kontext-Probleme ist allerdings für die Zukunft entscheidend. Manche Systeme der Künstlichen Intelligenz (KI/AI) können in der Zwischenzeit durchaus schon komplexe Problemsettings lösen, was zu Veränderungen auf dem Arbeitsmarkt führt, und in Zukunft noch stärker führen wird. Entscheidend für Menschen ist immer noch, die Bewältigung komplexer Problemlösungssituationen, die uns (noch) von Algorithmen der Künstlichen Intelligenz unterscheidet.
In meinem Vortrag (Special Keynote) auf der MCPC 2015 (Weltkonferenz zu Mass Customitation, Personalization and Co-Creation) in Montreal habe ich diese Zusammenhänge für Open Innovation dargestell (Konferenzen). Es freut mich sehr, dass mein damaligen Paper bei Researchgate heute immer noch intensiv gelesen und genutzt wird. Mein Paper Cognitive Computing and Managing Complexity in Open Innovation Model zur Weltkonferenz MCPC 2015 ist bei Springer veröffentlicht worden. Bitte sprechen Sie mich an, wenn Sie dazu Fragen haben.
Translate »
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.OK