Die behandelten Themen sind:

• Design Thinking
• Lean Startup / Business Experimente
• Open Innovation / CoCreation
• Digitale Innovation
• Marktforschung
• Business Model Generation
• Strategieentwicklung
• User Experience Design (UX und UI)
• Projektorganisation mit Scrum
• Skalieren von Geschäftsmodellen
• Kulturellen Wandel gestalten

Die Themen werden nicht nur dargestellt, sondern es werden Methoden und Tipps für die alltägliche Anwendung beschrieben und Praxisübungen ermöglichen es, das Gelernte sofort auszuprobieren. Die Autorinnen und Autoren Uwe Weinreich, Flavia Bleuel, Karin Klos, Mike Konetzke, Chris Bleuel und Rafaela Kunz geben eine kompakte und sehr praxisnahe Einführung in die wichtigsten Ansätze, Methoden und Werkzeuge agiler Innovation.

Auf 178 Seiten erhalten Leserinnen und Leser einen Überblick über den aktuellen Stand agiler Innovationsmethoden. Die Kapitel sind leicht lesbar geschrieben und in jedem stecken Ansätze, die sofort in die eigene Praxis umgesetzt werden können. Eine spannende Bettlektüre, die schlauer und erfolgreicher macht.

Dr. Sabrina Zeplin: Data Scientists finden bei uns tatsächlich ideale Bedingungen: sehr viele spannende Daten, herausfordernde Anwendungsfälle und leading-edge Technologie. Gerade technologisch erfinden wir uns ständig neu und entwickeln auch Open-Source-Lösungen, wo es noch nichts gibt. Gleichzeitig nutzen wir die vielen spannenden Open Source Entwicklungen, die weltweit in der KI-Community entstehen und denken sie weiter. Unser Anspruch ist, Probleme auf ganz neue Art und Weise zu lösen und so zur Begeisterung unserer Kunden und damit nachhaltigen Wettbewerbsvorteilen beizutragen. Dafür müssen wir in alle Richtungen denken – mit einem jährlich stattfindenden mehrtägigen Datathon haben wir das Experimentieren sogar ein Stück weit institutionalisiert.

Dann haben Sie nicht nur Data Science, sondern auch eine agil geprägte Arbeitsweise erfolgreich implementiert. Welche realen Hürden müssen Unternehmen heute überwinden, um damit erfolgreich zu werden?

Neben der fachlichen Kompetenz liegt die Antwort auch in der eigenen Unternehmenskultur. Bin ich bereit meine Daten zu teilen? Nutze ich vorhandene Synergien zielführend? Erkenne ich rechtzeitig, wenn ich Unterstützung – möglicherweise auch aus einem anderen Fachbereich – benötige? Diese und ähnliche Fragen spielen eine große Rolle in Zeiten der Digitalen Transformation. Wir stellen bei der Otto Group zunehmend fest, dass sich neue Technologien nur dann zielführend integrieren lassen, wenn ein breites Portfolio an Fachexperten draufschaut, weshalb wir zunehmend interdisziplinär arbeiten, unter anderem im Bereich Voice Commerce.

Gab es in diesem Prozess etwas, woran Sie sich wirklich die Zähne ausgebissen haben?

Wir lernen quasi jeden Tag dazu, weil wir eben auch regelmäßig Fehler machen. Wir probieren aus, verwerfen, was nicht funktioniert, und gehen es neu an. Unser Problem war anfangs manchmal, dass wir mit manchen Ansätzen zu früh dran waren. In einem konkreten Fall hatten wir eine einsatzbereite Lösung, aber es gab keine Schnittstelle, in das wir diese hätten einspielen können. Da haben wir schlichtweg unsere Planungs- und Recherchehausaufgaben nicht gemacht. Was wir daraus gelernt haben: Immer ganzheitlich planen – dann klappt’s auch mit der Implementierung.

Diese Arbeit quer zu den Fachabteilungen, wie Sie sie beschreiben, kann da auch Reibungspunkte provozieren, oder?

Es wäre fatal für den Geschäftserfolg, wenn es sie nicht geben würde! Wenn im Zuge eines Technologie-Projekts beispielsweise Softwareentwickler, Datenexperten, Marketer und Strategen zusammenkommen, dann teilt man zwar die Vision, hat fachlich am Anfang aber keinen gemeinsamen Nenner. Dann aber fängt man an, voneinander zu lernen und den eigenen Aktionsradius zu erweitern. Dafür sind unter anderem auch Streitgespräche wichtig – solange sie konstruktiv bleiben. Perspektivwechsel passieren selten im Kuschelmodus.

Führt dieser Perspektivwechsel auch zu einer anderen Art des Arbeitens und Kooperierens? Und wenn ja, welchen Einfluss hat KI dabei?

KI – als Symbol für das ganze Thema Digitale Transformation – nehme ich als starken Treiber wahr. Denn aktuell haben wir bei dem Thema mehr Fragezeichen als Antworten parat. Auch aus diesem Grund verzichten wir bewusst darauf, uns in Fünfjahresplanungen zu verbeißen. Die Digitalisierung zwingt uns vielmehr, in Sprints zu denken – ein Ansatz, den wir aus der agilen Arbeitsweise her kennen. Ich denke, auch darin liegt der Grund für die zunehmende Relevanz von Scrum, Extreme Programming und Co. Veränderungen begrüßen, Fehler als Basis für den Fortschritt erkennen – darum geht es in der Theorie und zunehmend auch in der Praxis. In der Group-BI beispielsweise machen wir regelmäßig Post-Mortem-Workshops, um sicher zu stellen, dass wir aus unseren Fehlern die richtigen Schlüsse ziehen. Auf Konzernebene veranstalten wir regelmäßig Fuck-Up-Nights, bei denen Kollegen über alle Hierarchieebenen hinweg von ihren größten beruflichen Fehlentscheidungen erzählen.

Wirkt das, was daraus entsteht auch auf die Strategie der Otto Group?

Natürlich. Aber das gilt genauso für die Ergebnisse aus anderen Fachabteilungen sowie Initiativen und Projektgruppen. Unser Ziel ist es, zu einem voll digitalisierten Handels- und Dienstleistungskonzern zu werden. Umso wichtiger ist es, das Wissen und auch die Ideen möglichst aller Akteure in strategische Entscheidungen umzuwandeln. Durch den vor gut drei Jahren angestoßenen Kulturwandel schaffen wir inzwischen die nötige Vernetzung: Barrieren verschwinden und Menschen, die vorher nie aufeinander zugegangen wären, arbeiten jetzt in cross-funktionalen Teams. Und wir freuen uns darüber, dass immer mehr Entscheidungen datenbasiert oder sogar automatisiert getroffen werden.

Und wie reagieren die Kunden auf die Veränderungen?

Darauf gibt es zwei Antworten: Wenn wir unsere Arbeit gut machen, dann merkt der Kunde gar nicht, dass eine KI im Hintergrund agiert. Ein Beispiel wären die so genannten Aggregated Reviews, die wir für otto.de gebaut haben und sukzessive auch bei anderen Konzernunternehmen zum Einsatz kommen werden. Mithilfe von Machine Learning haben wir ein beim Kunden sehr anerkanntes Feature, die Produktbewertung, noch intelligenter gemacht, indem wir eine automatische Zusammenfassung eingebaut haben. Dadurch kann der Nutzer Rezensionen nach bestimmten Kriterien durchsuchen. Hier steht der Mehrwert im Vordergrund – dass sich dahinter ein hochkomplexes technologisches Framework verbirgt, wird kaum wahrgenommen. Das erkennen wir daran, dass das Tool umgehend vom Kunden angenommen wurde. In einem gesellschaftlichen Kontext wiederum erlebe ich die Debatte um KI oft als sehr angstgetrieben, vor allem, wenn es um Automatisierung geht. Ihr haftet bereits heute unter anderem das Label "Jobkiller" an, dabei gibt es kaum Anhaltspunkte dafür. Und das ist nur ein Beispiel. Ich denke, hier gilt es noch viel Aufklärung zu leisten und Vertrauen zu schaffen – auch seitens der Unternehmen.

Eine abschließende Frage: Welchen Rat würden Sie verantwortlichen Managern geben, die gerade erst am Anfang eines Experiments mit KI stehen?

Mein Rat: Öfter mal den Schreibtisch verlassen und rein ins Lab. Nur wer Technologie selbst ausprobiert, kann am Ende auch wirklich fundierte Urteile treffen. Zudem hilft es ungemein, die Perspektive des Endverbrauchers einzunehmen. Grundsätzlich sollte der Mensch bei all unseren Entscheidungen immer im Mittelpunkt stehen.

Herzlichen Dank für das spannende Gespräch

Was können Manager heute tun, um von den Entwicklungen im Bereich Artificial Intelligence zu profitieren? Die Ausgangsvoraussetzungen für einen Start sind günstig. KI-Systeme sind soweit entwickelt, dass sie mit überschaubarem Aufwand und zu vertretbaren Kosten genutzt werden können, und die Entwicklung ist noch nicht soweit fortgeschritten, dass jedes Anwendungsfeld mit KI besetzt wäre. Wer jetzt startet, gehört zwar nicht mehr zu den Pionieren, muss aber auch nicht mehr alle Kinderkrankheiten der Technologie bewältigen und hat immer noch gute Chancen, in einem Anwendungsfeld bahnbrechende Lösungen auf den Markt zu bringen. Diese sieben Initiativen können heute helfen, das Geschäft von morgen aufzubauen.

1. Raum für Experimente schaffen

In der Regel findet die Nutzung von KI über Webservices und nicht über lokal installierte Systeme statt. Das hat viele Vorteile: vernachlässigbare Investitionskosten, kein Aufwand für Systempflege, kein Eingriff in die interne IT. Auf dieser Basis kann jedes Unternehmen damit beginnen, eigene Experimente mit KI zu starten. Am besten ist es, ein kleines Team aufzusetzen. Daraus können langfristig interne Servicebereiche entstehen, die für Fachabteilungen den Einsatz von KI mit kleinen Anwendungen testen und bei positivem Ausgang der Experimente den Weg zur Produktivlösung bahnen.

2. Routinetätigkeiten identifizieren und KI testen

Routinetätigkeiten sind oft ungeliebt und viele tragen noch nicht einmal zu Wertschöpfung bei. Sie durch KI-Routinen zu ersetzen, ist ein immenser Effizienzgewinn. Diese Entwicklung läuft im Bereich der Produktionsautomatisierung bereits seit Jahren. KI bietet aber noch weitaus mehr Möglichkeiten, nämlich die Entlastung von Routinetätigkeiten im hochqualifizierten Bereich, die bisher oftmals gar nicht als automatisierbar angesehen wurden, zum Beispiel die die Beantwortung von Kundenanfragen, die Auswertung von Gesetzestexten, Begutachtung Bildgebenden Diagnoseverfahren etc. Die Kunst besteht darin, erst einmal zu identifizieren, welche Tätigkeiten für diesen Sprung geeignet sind. Eine gute Zusammenarbeit des KI-Experimentierteams mit den Fachabteilungen kann zu schnellen und oft erstaunlichen Lösungen führen. Das vernichtet keine Arbeitsplätze und wertet die Rolle des Menschen deutlich auf: vom Abarbeiter zum Experten und Kreativen.

3. Softwareentwicklung auf KI umstellen

Für gestandene Entwickler mag es brutal klingen, aber der Weg ist klar: Systementwicklung auf Basis von Algorithmen wird in Zukunft eher die Ausnahme sein. In den meisten Fällen wird es besser sein, ein KI-System aufzusetzen und via Maschinellem Lernen zu trainieren. Das geht erheblich schneller, kostet weniger, liefert – zumindest, wenn ausreichend Trainingsdatensätze in guter Qualität vorliegen –bessere Ergebnisse und passt sich leichter künftigen Entwicklungen an. Es ist der nächste Schritt von agiler hin zu evidenzbasierter Entwicklung.

4. Trainings-, Bewertungs- und Entscheidungskompetenz aufbauen

Der Vorteil von KI ist, große und komplexe Datenmengen sehr schnell zu analysieren, Muster zu erkennen und Ähnlichkeiten zu finden. Im Allgemeinen geht ein drastischer Reduktionsprozess der Analyse voraus, der im ungünstigsten Fall zu Fehleinschätzungen durch KI führt. Das kann dramatische Konsequenzen haben, wie die Unfälle mit Tesla-Autopiloten gezeigt haben. Daher sollte sich jedes Unternehmen ein Regelwerk geben, in dem folgende Punkte festgelegt werden

– Anwendungs- und Ausschlussszenarien für KI

– Qualitätskriterien für Training und Trainingsdaten für KI-Anwendungen

– Differenzierung, in welchen Fällen KI welche Tätigkeiten übernimmt: nur Analyse; Analyse und Bewertung; Analyse, Bewertung und Entscheidung; Analyse, Bewertung, Entscheidung und Handlung

Daneben sollte es Qualifikationsangebote für den Einsatz und den Umgang mit KI geben, nicht nur für operative Mitarbeiter, sondern gerade auch für Manager bis zur Unternehmensspitze. Nur, wer versteht, was KI leisten kann und welche Begrenzungen und Fehlermöglichkeiten existieren, kann sie konsequent zum Vorteil des Unternehmens einsetzen.

5. Das Geschäftsmodell auf Chancen für prädiktive Ansätze prüfen

KI schafft die Grundlage Ereignisse vorauszusagen und darauf vorbeugend oder zumindest frühzeitig zu reagieren. Predictive Maintenance ist das zurzeit am meisten diskutierte Konzept. Darüber hinaus gibt es viele weiter Ansatzpunkte, wie Erkennen von und Reagieren auf Markttrends, Produktionsüberwachung und vieles mehr. Es ist spannend, das eigene Geschäftsmodell dahingehend zu überprüfen, inwieweit Analytik und Vorausschau einen eigenen Wertbeitrag leisten können. Manchmal gibt es Daten, die vorhanden sind, die aufbereitet als eigener Service verkauft werden können. Manchmal sind die Verfahren vorhanden, die Daten aber nicht oder nicht ausreichend. Dann können Datenpartnerschaften helfen.

6. Neue Geschäftsmodelle entwickeln

KI bietet eine unüberschaubare Möglichkeit, ganz neue Geschäftsmodelle zu entwickeln. Dort wo sie in das Geschäftsmodellportfolio eines Unternehmens passen, lohnt es sich, sie auszuprobieren. Das ist mit überschaubarem Aufwand möglich. Hier ein paar Anregungen. Die Liste kann beliebig fortgesetzt werden

– Persönliche Assistenten für bestimmte Aufgaben
Alexa, Siri und Co sind erst die Vorläufer. Es wird in den nächsten Jahren eine ganze Reihe neuer Assistenten mit sehr unterschiedlichem Fertigkeitenspektrum geben.

– Cyber Behaviour Design
Wie humanoid darf oder muss ein System sein? Je mehr Menschen mit intelligenten Maschinen interagieren, desto wichtiger ist es, dass das Verhalten der Maschinen designt wird. Schnelligkeit und Perfektion von KI-Systemen schreckt oftmals ab. Sie müssen lernen, sich menschenähnlicher zu verhalten. Auf der anderen Seite ist zu menschliches Verhalten auch nicht immer sinnvoll. Es kann Angst machen. Um das zu designen, wird es Spezialisten geben.

– Data Trust Center / Data Broker
Eigene Daten zu analysieren ist gut. Viele Daten aus vielen Quellen zu analysieren bringt erheblich mehr Vorteile, wie zum Beispiel Vernetztes Maschinelles Lernen. Die Bereitschaft Daten zu teilen ist jedoch – aus gutem Grund – begrenzt. Sie ist aber gerade in Feldern wie der Gesundheitsversorgung erfolgsentscheidend. Gelingen können Austausch und Zusammenarbeit auf Datenbasis nur, wenn sich Data Trust Center und Data Broker mit sehr hohem Vertrauensniveau etablieren, die Zugänge, Anonymisierungsgrade und die Verwendung von Daten kontrollieren.

– Anbieter Intelligenter Autonomer Systeme
Der Markt ist noch längst nicht gesättigt. Wer heute einen Service im Bereich Komplexe (Prädiktive) Analytik, Cognitive Computing, Affective Computing, Entscheidungsunterstützung, personalisiert Nutzererlebnisse oder ähnlichem entwickelt, der Anwendern einen echten Nutzen liefert, wird gute Marktchancen vorfinden. Es kann ein Markt mit ähnlicher Dynamik wie der der mobilen Apps entstehen.

7. Kontinuierlich messen

Alle genannten Punkte sind Experimente, die evaluiert werden müssen. Schnelle Zyklen von Experimenten, Auswertungen und Anpassungen der Idee sollten zum Standard im Unternehmen werden, wo es darum geht, KI zu testen. Die Aufgabe, Resultate kontinuierlich zu überprüfen, kann dem Experimentier-Team unter Punkt 1 übertragen werden.

Grenzen und Herausforderungen: Intransparenz und mangelndes Vertrauen

Natürlich ist die Entwicklung noch nicht abgeschlossen und es sind noch viele Hürden zu nehmen und Hindernisse zu beseitigen, bis KI in jedem Anwendungsfall reibungslos funktioniert. Zwei aktuelle Herausforderungen, die nicht technischer Natur sind, aber über das Gelingen von KI entscheiden, möchte ich besonders herausstellen.

Das ist erstens die Intransparenz Künstlicher Intelligenz. Es ist eine Standardszene in vielen Krimis. Die geniale Ermittlerin überführt den Täter und legt noch einmal feingliedrig dar, wie es ihr durch geschickte Kombination der einzelnen Indizien, durch Profiling und Schlussfolgerungen gelungen ist, ihn zu überführen. Das kann KI nicht. Derzeit funktioniert sie als Black Box. Sie wird mit Daten trainiert und liefert anschließend Ergebnisse, die oftmals erstaunlich sind. Sie kann aber nichts dazu sagen, wie und warum sie zu den Ergebnissen gekommen ist. Nachvollziehbarkeit kann KI heutzutage nicht bieten. Je strategischer KI eingesetzt wird, desto größer ist jedoch die Notwendigkeit, Entscheidungen oder Entscheidungsempfehlungen begründen zu können. Hier ist Nacharbeit der KI-Entwickler gefordert.

Der zweite kritische Faktor ist mangelndes Vertrauen. Die letzten Datenskandale haben das Vertrauen in Datenverarbeitung und insbesondere Datensammler und -verarbeiter weiter untergraben. Es werden sicher nicht die letzten Skandale gewesen sein. Dabei ist nicht nur ein Vertrauen von Bürgern und Kunden in datenverarbeitende Unternehmen wichtig, sondern auch ein Grundvertrauensverhältnis zwischen Unternehmen, um Daten teilen und gemeinsam nutzen zu können. Daran müssen Unternehmen selbst arbeiten und Maßnahmen entwickeln, die sie zu vertrauenswürdigen Geschäftspartnern machen. Auch eine Professionalisierung und Externalisierung der Vertrauensfunktion wie oben im Geschäftsmodellbeispiel „Data Trust Center / Data Broker“ dargestellt, kann dabei helfen.

Fazit

Die Zukunft wird durch Künstliche Intelligenz geprägt sein und sie hat gerade erst angefangen. KI zu nutzen ist keine Hexerei und kostet kein Vermögen mehr. Es ist Zeit, mit Experimenten zu starten, schnell zu lernen und mit dem Trend zu wachsen.

Die Situation wird sich rasch ändern und unser Leben und Wirtschaften grundsätzlich verändern. Angeblich wird bereits 2029 das Jahr sein, in dem eine künstliche Intelligenz existiert, die schlauer sein wird als jeder Mensch. Elf Jahre, das ist wirklich nicht mehr viel Zeit. Wir sollten uns vorbereiten.

In dieser Situtation hat sich Strategie- und Innovationsberater Uwe Weinreich eine besondere Aufgabe gesetzt. Er will lernen, wie KI-Systeme entwickelt werden und was sie tatsächlich können. Nicht auf hochabstrakter Beraterebene, sondern aus dem Blickwinkel von Entwicklern. Das bedeutet, sich noch einmal von der Pike auf mit Mathematik, Programmiersprachen etc. auseinanderzusetzen und selbst kleine Anwendungen zu programmieren. Möglich wird das durch einen freien Online-Kurs von Microsoft.

Diesen sehr bodenständigen und für Berater untypischen Weg dokumentiert er in einem Block mit dem Titel "KI und ich" ( https://lean-digitization.com/… ) und lässt damit die Öffentlichkeit bei seinen Gehversuchen, Stolpern und ggf. seinem Scheitern zusehen. Ein Erkenntnisgewinn wird es auf jeden Fall.

1. “Everything as a Service” macht neue Wettbewerber stark

Amazon ist nicht nur der dominierende Online-Marktplatz, sondern das Unternehmen hat es auch verstanden, IT in ein skalierbares und leistungsstarkes Cloud-Produkt zu verwandeln, die Amazon Web Services (AWS). Innerhalb weniger Stunden können Start-ups für wenig Geld komplexe digitale Leistungen zusammenklicken, für die große Unternehmen noch vor nicht allzu langer Zeit jahrelange Entwicklungsarbeit brauchten. Dieses Erfolgsprinzip verlässt die reine Informationstechnologie und erobert die Welt der realen Dinge. Dort, wo Produktion und Logistik digital gesteuert werden, ist eine Manufacturing-Cloud, aus der nach Bedarf Produkte und Leistungen bezogen werden können, nur noch eine Frage des Geschäftsmodells. So hat das Berliner Unternehmen Kreatize beispielweise eine Plattform für Bauteile und Prototypen etabliert. Zurzeit müssen dort noch Angebote eingeholt werden, wenn es aber gelingt, Geschäftsprozesse und Angebotsverhandlungen als digitale Prozesse zu implementieren, ist es nur noch ein Schritt, zur Beauftragung in Echtzeit. Die dafür notwendigen Technologien sind in Hannover bereits sichtbar.

Dieser Trend konsequent zu Ende gedacht führt zu einer autonomen Produktion inklusive Beschaffung und Logistik, die sich kontinuierlich selbst optimiert. Über entsprechende Plattformen wird es möglich sein, eine eigene Produktion aufzubauen ohne eine Fabrik oder Fertigungsstraße finanzieren, aufbauen und warten zu müssen. Alles was gebraucht wird, Rohmaterialien, Produktionsanlagen, Transporte zwischen den verschiedenen Standorten und Lagerstätten, kann virtuell gesteuert werden und wird von den beteiligten Cloud-Manufacturing-Partnern nach Aufwand sekundengenau abgerechnet. Das öffnet branchenfremden Unternehmen und Start-ups die Türen, um ohne nennenswerte Investition in bestehende und neue Märkte mit ungeahnter Geschwindigkeit, Vehemenz und Respektlosigkeit einzudringen, wie es im Internet-Business bereits Alltag ist.

2. Kollaborationsmanagement wird zur Königsdisziplin

In einer derart vernetzten Welt gewinnen Unternehmen, denen es gelingt, die eigene Wertschöpfung optimal und kostengünstig zu gestalten. Das, was auf der Hannover Messe derzeit überwiegend zu bestaunen ist, ist fortgeschrittene Robotik. Roboter werden intelligenter und verträglicher, so dass sie besser mit menschlichen Kolleginnen und Kollegen zusammenarbeiten können (siehe Messe Forum „Automation“). Das wirkt sich bisher aber nur auf die innerbetrieblichen Prozesse aus. Deutliche Steigerungen von Effizienz und Wertschöpfung werden in den nächsten Jahren zusätzlich aus verbesserter Kollaboration von Unternehmen innerhalb eines Wertschöpfungs-Ökosystems entstehen. Das ist durchaus nicht schmerzfrei, denn es bedeutet, dass Unternehmen sich digital öffnen müssen. Da menschliche Verhandlungen zu langsam verlaufen, werden Schnittstellenroutinen viele Aufgaben des Aushandelns und Abstimmens übernehmen. APIs werden damit zum in Programmcode gegossene Kollaborationsmodell. Das ist ein Risiko und eine Chance zugleich. Und der Gedanke führt sicherlich bei vielen Managern zu Unbehagen, denn Kontrolle wird aus der Hand gegeben. Das fällt leichter, wenn ein solcher Schritt in einem Ökosystem zusammenarbeitender Unternehmen stattfindet, in dem ein grundsätzliches Vertrauensverhältnis besteht. Das Management von kollaborativen Beziehungen wird damit zu einer Kernkompetenz des Managements.

3. Experimentelles Unternehmertum wird zur Strategie

Nie wieder wird Geschwindigkeit von Veränderungen so langsam sein, wie heute. Vernetzung, Globalisierung und datengetriebenes Management führen in eine Welt, in der sich Bedingungen, Wettbewerb und Chancen noch schneller und dynamischer verändern. Der chinesische Marktplatz Alibaba zeigt, wie das Geschäftsmodell in Echtzeit optimiert wird. Kontinuierliches Messen Analysieren vielfältiger Daten liefern die Grundlage für automatische Modifikationen von Angeboten. Autonome, datengetriebene Entscheidungsprozesse treiben das Wachstum an. Es reicht Alibaba jedoch nicht, Entscheidungen auf historischen und eher zufällig gewonnenen Daten basieren zu lassen, sondern um eine valide Basis zu haben, werden automatisiert jeden Tag mehrere Tausend Experimente durchgeführt, die die Qualität der Datenbasis auf ein wissenschaftliches Niveau heben. Das sorgt nicht nur dafür, dass durch künstliche Intelligenz getroffene Entscheidungen datenbasiert sind, sondern auf den richtigen Daten basierend.

In den letzten Jahren haben Autoren wie Michael Schrage, Steve Blank und Eric Ries diesen Ansatz zu einer Managementdisziplin (Lean Startup) entwickelt und es sind eine ganze Reihe Werkzeuge entstanden, die dabei helfen, Experimente strategisch in der Unternehmensentwicklung einsetzen zu können. (LINK EXBOARD). Datengetriebene Unternehmen und Innovation können damit eine fruchtbare Allianz eingehen.

4. Wertschöpfung („Value Creation“) erhält eine neue Dimension

Wert für ein Unternehmen zu generieren, gehört zum grundlegenden Handwerkszeug des Managements. Seit den Neunzigerjahren hat sich die Erkenntnis immer weiter verbreitet, dass die Wertschöpfung nicht nur für das Unternehmen, sondern vom Kunden aus gedacht werden muss. Wirklich realisiert ist dieser Ansatz aber längst noch nicht überall. Neuen Auftrieb hat er in den letzten Jahren insbesondere durch den Innovationsdruck in vielen Branchen erfahren. Kunden sind treulos geworden und wechseln schnell zu Anbietern, die ihnen einen Wertvorteil bieten. Damit gelangt Kundenorientierung nicht mehr nur als interne Strategie, sondern als konstituierende Marktanforderung in Unternehmen ein. Kontinuierlich Innovationssprünge zu kreieren und Wertvorteile für Kunden zu schaffen, wird unverzichtbar.

In diesem Umfeld finden nicht nur bewährte Managementmodelle, wie das Lean Management eine neue Begründung, sondern neue Methoden des Innovationsmanagements, wie das bereits benannte Lean Startup oder Design Thinking. Letzteres hat sich mittlerweile zu einem Standardverfahren für Innovation gerade in der digitalen Transformation entwickelt.

Da sich nur managen lässt, was auch gemessen werden kann, ist es unumgänglich, auch über Daten und Analysen eine erweiterte Perspektive der Wertschöpfung kontinuierlich zu gewinnen. Wertgenerierung für Kunden spielt dabei genauso eine Rolle, wie unerschlossene Wertschöpfungspotenziale im Wertschöpfungsökosystem.

5. Entscheidungsalgorithmen erfordern neue Managementkompetenzen

Es ist einfach, über diese Entwicklungen zu sprechen, aber außerordentlich schwer, sie in der Managementpraxis zu berücksichtigen. Manager werden sich von Dingen lösen müssen, die bisher so viel Sicherheit gegeben haben: Verhandlungen und Abstimmungen werden automatisiert und an Algorithmen, künstliche Intelligenz und APIs delegiert. Die Steuerung von Produktion, Leistungserbringung, ja ganzen Wertschöpfungsketten werden von automatisierten Systemen übernommen. Controlling muss sich mit automatisiert erhobenen und analysierten Daten auseinandersetzen und tritt bei datengetriebenen Organisationen in eine nachgeordnete Rolle. Bei Innovationen verlassen Firmen immer mehr die kontrollierten F&E-Prozesse und geben sich agilen Methoden hin.

Behält das Management überhaupt noch eine gestaltende und steuernde Funktion? Wird vielleicht alle Strategie durch Daten und agile Trial-and-Error Prozesse abgelöst? Nein, Management wird sich verändern, aber nicht obsolet werden. Verständnis für Daten und Analyse wird künftig zum Basis-Handwerkszeug gehören. Kollaborationsmanagement erhält einen neuen Stellenwert und neue Managergenerationen werden eine Virtuosität im Umgang mit Unsicherheit und Dynamik entwickeln müssen. Statt linearer Planung wird das Jonglieren mit Experimenten und Lernprozessen immer wichtiger. Fehler und Scheitern stellen dabei auch nur Daten dar, die es zu analysieren gilt, wie andere auch. Die ersten Tools all diese Aufgaben sind bereits entwickelt. Weitere werden folgen.

Es braucht Mut. Es ist wie im Sport. Wer Ski- oder Snowboardfahren, Skaten oder Surfen lernt, wird es nie zu einem befriedigenden Ergebnis, geschweige denn zur Spitze schaffen, wenn alle Muskeln aus Angst verkrampft bleiben.