Scaled Agile hat mit AI-Native SAFe eine grundlegende
Überarbeitung des Frameworks vorgestellt: Das zweitägige
PI-Planning wird durch ein eintägiges PI-Outcome-Planning
ersetzt, Inspect and Adapt fällt weg und wird durch ein
zweiwöchentliches Sense-and-Respond-Event abgelöst, und mit dem
AI Value Architect kommt eine neue Rolle hinzu. Daniel und Nova
ordnen ein, was davon wirklich neu ist, wo es nur
Etikettenwechsel gibt und warum der eigentliche Engpass sich von
der Lieferung hin zur Frage verschoben hat, ob das Gelieferte
überhaupt Wirkung zeigt.
Daniel bringt dazu eigene Erfahrungen aus Experimenten mit
lokalen KI-Modellen ein: Erst als er seinen Agenten feste Rollen
und einen strukturierten Loop gegeben hat, wurden die Ergebnisse
verlässlich, allerdings auch langsamer und teurer. Diese
Erfahrung spiegelt die Kernfrage der Folge: Wie viel Struktur
braucht eine Organisation oder ein Agentensystem, damit die
Ergebnisse stimmen, und ab wann bremst genau diese Struktur nur
noch.
Die wichtigsten Themen:
- AI-Native SAFe verschiebt den Fokus von Output auf Outcomes und
reagiert damit auf eine Welt, in der KI-Agenten das Bauen selbst
kaum noch zum Engpass machen
- Das klassische PI-Planning wird von zwei Tagen auf einen Tag
verkürzt und dreht sich künftig um Outcome-Breakouts statt um
Feature-Listen
- Inspect and Adapt entfällt zugunsten von Sense and Respond,
einem zweiwöchentlichen zweistündigen Termin zum Wahrnehmen und
Nachsteuern, inklusive bewusstem Stoppen nicht wirksamer Arbeit
- Die neue Rolle AI Value Architect soll Teams beim Heben von
KI-Potenzialen helfen, sollte aus Daniels Sicht aber eine
Übergangsrolle bleiben statt eine feste Planstelle
- Token-Kosten brechen die Annahme fixer IT-Budgets und müssen
wie Cloud-Kosten aktiv gesteuert werden, inklusive Leitplanken
auf Portfolioebene
- Core SAFe und AI-Native SAFe laufen offiziell parallel, was den
in vielen Konzernen ohnehin bestehenden Flickenteppich an
Arbeitsweisen nicht automatisch löst
- SAFe lohnt sich vor allem dort, wo viele Teams echte
Abhängigkeiten im Ergebnis haben, für lose gekoppelte Einheiten
reichen leichtere Ansätze wie Team Topologies oder eine
OKR-Klammer
- Daniels eigene Experimente mit lokalen KI-Modellen zeigen im
Kleinen dieselbe Abwägung wie große Skalierungsframeworks: mehr
Struktur erhöht Verlässlichkeit, aber auch Kosten und Trägheit
Take-away: Framework-Entscheidungen sollten nicht ideologisch
getroffen werden, sondern anhand der tatsächlichen Abhängigkeiten
zwischen Teams. Wer bereits mit SAFe arbeitet, sollte AI-Native
SAFe in einem ART testen, wer es nicht tut, sollte nicht erst
klassisches SAFe einführen, um es danach umzubauen. Unabhängig
vom Framework lohnt es sich, Outcomes statt Output zu messen,
kürzere Feedback-Takte auszuprobieren und Token-Kosten sowie
Modellwahl explizit zur Führungsaufgabe zu machen.
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.