In Kürze: Was Sie jetzt tun können
Ihr Unwohlsein ist ein Signal, kein Urteil. Worauf es in Sachen KI für agile Praktiker ankommt:
- Was sich direkt übertragen lässt: Ihre Expertise im organisatorischen Wandel, in empirischer Prozesskontrolle und in funktionsübergreifender Übersetzung. Die schwierigen Teile der KI-Einführung sind genau die Teile, die Sie seit Jahren praktizieren.
- Was sich nicht übertragen lässt: Ihr Framework-Wissen als alleiniges Wertversprechen, Prozess-Fazilitierung ohne Ergebnisverantwortung und Tool-Ignoranz als Auszeichnung verstanden.
- Was Sie diese Woche tun sollten: Führen Sie ein kleines Experiment durch, das KI in Ihre tägliche Arbeit integriert. Bevor Sie prompten, kategorisieren Sie die Aufgabe: Assist, Automate oder Avoid.
Was würde von Ihrem professionellen Selbstverständnis übrig bleiben, wenn Sie jeden Framework-Namen und jede Zertifizierung aus Ihrem Lebenslauf streichen würden? Was auch immer es ist: Investieren Sie dort.
Vorletzte Woche die Diagnose. Diese Woche: Praktische KI für Agile Praktiker
In Teil 1 habe ich argumentiert, dass agile Praktiker besser für die KI-Ära positioniert sind, als das Untergangsnarrativ vermuten lässt. Nicht, weil „People Skills immer noch zählen“ (die schwächste Verteidigung der gesamten Branche), sondern weil Organisationen, die KI einführen, aus denselben strukturellen Gründen scheitern, aus denen sie bei „Agile“-Transformationen gescheitert sind: Sie können nicht verändern, wie Arbeit erledigt wird.
Diese Woche: Was Sie dagegen tun können. Nicht nächstes Jahr, sondern in den kommenden drei Monaten.
Ihre Befürchtungen sind ein Signal, kein Urteil
Lassen Sie mich zunächst benennen, was gerade psychologisch mit Ihnen passiert, denn so zu tun, als wäre es rein eine Frage der Fähigkeiten, hilft nicht.
Wenn Sie Ihre Karriere rund um agile Praktiken aufgebaut haben und jetzt zusehen, wie KI Aufgaben automatisiert, die Sie bisher verantwortet haben, und Organisationen „Agile“ zugunsten ihres eigenen Product-Operating-Modells aufgeben, dann erleben Sie das, was Virginia Satir in ihrem Veränderungsmodell beschrieben hat: die Chaos-Phase, die eintritt, wenn ein Fremdelement den Status quo erschüttert. [2] Ihre alte Identität („Ich bin wertvoll, weil ich Agile beherrsche“) bekommt Risse, und die neue hat sich noch nicht geformt.
Das Problem ist, dass die meisten Menschen versuchen, dem Chaos zu entkommen, indem sie entweder die Disruption leugnen („KI ist nur Hype“) oder panisch Zertifizierungen kaufen („Ich brauche drei weitere Zertifizierungen“). Keins von beiden funktioniert. Was funktioniert, ist das, was Sie Ihren Teams jeden Sprint sagen: inspizieren, adaptieren, ein kleines Experiment durchführen, etwas lernen, wiederholen.
Sie kennen die Methodik, um mit Ihrer eigenen Karriereunsicherheit umzugehen. Sie haben nur vergessen, sie auf sich selbst anzuwenden.
Eine ehrliche Bestandsaufnahme: Was sich übertragen lässt und was nicht
Nicht alles in Ihrem Werkzeugkasten überlebt diesen Wandel. Lassen Sie mich bei beiden Seiten direkt sein:
Was sich direkt übertragen lässt
Ihre Expertise im organisatorischen Wandel: Die größte Hürde bei der KI-Einführung ist organisatorischer, nicht technischer Natur. Die Harvard Business Review veröffentlichte im November 2025 eine Studie, die bestätigt, dass die meisten Unternehmen nicht wegen Technologieversagens an der Wertschöpfung durch KI scheitern, sondern wegen „People, Processes and Politics.“ [1] Ihre jahrelange Erfahrung im Umgang mit resistenten Organisationen, im Erspüren ungeschriebener Regeln und in der Begleitung von Teams durch unbequeme Übergänge: Das ist der schwierige Teil. Data-Science-Teams werden sich damit schwer tun.
Empirische Prozesskontrolle: Der Unterschied zwischen einer Organisation, die KI skaliert, und einer, die im Pilotprojekt-Fegefeuer stecken bleibt, ist die Fähigkeit, ehrliche Experimente durchzuführen, Ergebnisse ohne Ego zu inspizieren und evidenzbasiert zu adaptieren: Welche KI-Piloten schaffen Wert, und wo sollten wir unseren Einsatz verstärken? In meiner Beratungspraxis habe ich dasselbe Muster immer wieder gesehen: Die Organisationen, die mit KI erfolgreich sind, sind diejenigen, in denen jemand darauf besteht, jede Anwendung als Hypothese zu behandeln, nicht als Festlegung. Dies ist das Kernprinzip von Agile, angewendet auf eine neue Domäne.
Funktionsübergreifende Übersetzung: Produktmanager (und Product Owner), die jahrelang zwischen Business-Stakeholdern und Entwicklungsteams übersetzt haben, verfügen über genau die Fähigkeit, die KI-Initiativen am dringendsten brauchen. Jemand muss die Lücke zwischen „was das Modell kann“ und „was das Business braucht“ überbrücken. Jemand muss fragen: „Welches Kundenproblem löst das?“, bevor das Team drei Monate damit verbringt, ein Modell zu optimieren, das niemand nutzen wird.
Was sich nicht übertragen lässt
Framework-Expertise als alleiniges Wertversprechen: Den Scrum Guide zu kennen ist zu einem Nice-to-have geworden. Wenn Ihr einziges Unterscheidungsmerkmal „Ich kann das Sprint-Retrospective-Format erklären“ ist, hat KI dieses Wissen bereits austauschbar gemacht. (Es ging ohnehin in diese Richtung; KI hat das Unvermeidliche nur beschleunigt.)
Prozess-Facilitation ohne Ergebnisverantwortung: Events durchzuführen, ohne sie mit messbaren Ergebnissen zu verbinden, war schon immer eine schwache Position. KI macht sie unhaltbar. Wenn Sie nicht konkret beantworten können: „Welches Geschäftsergebnis hat Ihre letzte [eine beliebige Team-Aktion Ihrer Wahl hier einsetzen] produziert?“, wird die Diskussion darüber, ob KI Ihre Rolle ersetzen kann, schwieriger zu kontern.
Tool-Ignoranz als Ehrenzeichen: Manche agile Praktiker tragen ihre Unkenntnis von Tools wie eine Auszeichnung: „Bei mir geht es um Menschen, nicht um Technologie.“ Im Jahr 2026 ist die Weigerung, zu verstehen, wie KI-Tools funktionieren, was sie können und was nicht und wie sie die Team-Dynamik verändern, das Äquivalent eines Produktverantwortlichen, der sich weigert, das Produkt anzuschauen. Sie müssen kein Data Scientist werden. Aber Sie müssen KI-kompetent genug sein, um fundierte Entscheidungen darüber zu treffen, wo KI hilft und wo sie Risiken birgt. (Betrachten Sie das A3-Decision-Framework als Ausgangspunkt.)
KI für agile Praktiker: Was Sie bis nächsten Freitag tun sollten
Übervorsichtige, besorgte Menschen sind durch große Karrierestrategien gelähmt. Vergessen Sie also den Fünfjahresplan. Hier ist, was Sie diese Woche tun sollten:
Wenn Sie Scrum Master sind
Diese Woche: Nutzen Sie ein LLM, um die Ergebnisse Ihrer letzten drei Sprint-Retrospektiven zu analysieren. Beauftragen Sie es, wiederkehrende Muster zu identifizieren, die Ihrer manuellen Facilitation entgangen sind. Bringen Sie die Analyse als Gesprächseinstieg in Ihre nächste Retro ein, nicht als Ersatz für das Gespräch.
Was Sie testen: Deckt die KI-gestützte Mustererkennung blinde Flecken in Ihrer Facilitation auf? Und vertraut Ihr Team der Erkenntnis, wenn sie von einer Maschine kommt?
Wenn Sie Agile Coach sind
Diese Woche: Identifizieren Sie einen Engpass auf Organisationsebene, der drei aufeinanderfolgende Retrospektiven überstanden hat. Erstellen Sie einen Vorschlag für ein zweiwöchiges Experiment, um diesen anzugehen, und nutzen Sie KI, um vergleichbare Muster in anderen Organisationen zu recherchieren. Beziffern Sie die Kosten des Nichtstuns im Vorschlag.
Was Sie testen: Coachen Sie Prozess-Compliance oder organisatorische Problemlösung? Die Antwort bestimmt Ihre Relevanz in den nächsten 6-12 Monaten.
Wenn Sie Produktmanager sind
Diese Woche: Wählen Sie das Produkt eines Wettbewerbers und bitten Sie ein LLM, eine strukturierte Analyse der letzten drei Releases auf Basis öffentlich verfügbarer Informationen zu erstellen. Vergleichen Sie dann die KI-Analyse mit Ihrer eigenen. Wo liefert die KI neue Perspektiven? Wo fehlt ihr Kontext, den Sie durch Ihre Domänenexpertise mitbringen?
Was Sie testen: Können Sie KI als analytischen Sparringspartner nutzen statt nur als Entwurfswerkzeug?
Wenn Sie Product Owner sind
Diese Woche: Nehmen Sie Ihre drei Produkt-Backlog-Einträge mit der niedrigsten Priorität und bitten Sie ein LLM, Kundeninterview-Fragen zu generieren, die deren zugrunde liegende Annahmen validieren oder invalidieren. Teilen Sie die Fragen mit einem Stakeholder.
Was Sie testen: Kann KI Ihren Discovery-Prozess beschleunigen, ohne Ihr Urteilsvermögen darüber zu ersetzen, was wichtig ist?
Es geht nicht darum, dass diese Experimente Ihre Karriere bis Freitag verändern sollen. Es geht darum, die Lähmung zu durchbrechen. Führen Sie ein kleines Experiment durch. Lernen Sie etwas Konkretes. Entscheiden Sie auf Basis von Evidenz, nicht von Befürchtungen, was Sie als Nächstes versuchen.
Die Fähigkeit, die jetzt am meisten zählt
Über alle vier Experimente hinweg trennt eine Fähigkeit die Praktizierenden, die erfolgreich sein werden, von denen, die es schwer haben werden: Die Fähigkeit, KI in bestehende Expertise zu integrieren, statt sie als separate Domäne zu behandeln.
Ein Narr mit einem LLM ist immer noch ein Narr. KI verstärkt, was Sie bereits sind. Wenn Sie ein kompetenter Scrum Master sind, der Team-Dynamiken versteht, macht KI Sie schneller in der Mustererkennung und gründlicher in der Vorbereitung. Wenn Sie ein inkompetenter Scrum Master sind, der sich hinter dem Framework versteckt, hilft Ihnen KI nur dabei, poliert aussehende Artefakte zu produzieren, die trotzdem nichts lösen. (DKaaS, Dunning-Kruger-as-a-Service, sozusagen.)
Die agilen Praktiker, die die schnellsten Fortschritte machen, beginnen mit einem echten Problem aus ihrem Arbeitsalltag, nutzen KI, um es anders anzugehen, und bewerten dann, ob das Ergebnis besser, schlechter oder einfach nur anders war. Empirismus, angewandt auf die berufliche Weiterentwicklung.
Aber Integration erfordert eine vorgelagerte Entscheidung, die die meisten Praktizierenden überspringen: Bevor Sie ein LLM öffnen, müssen Sie wissen, ob KI überhaupt beteiligt sein sollte. Sobald Sie wissen, wie man effektiv promptet, lautet die nächste Frage, wann man überhaupt prompten sollte. Genau das adressiert das A3 Framework: Assist, Automate, Avoid. Kategorisieren Sie die Aufgabe zuerst:
- „Assist“ bedeutet: KI entwirft, Sie entscheiden.
- „Automate“ bedeutet: KI führt aus unter expliziten Regeln mit regelmäßigen Audits.
- „Avoid“ bedeutet: Die Aufgabe bleibt vollständig beim Menschen, weil der Preis des Scheiterns Vertrauensverlust ist.
Die „Fähigkeit“, ohne Urteilsvermögen zu prompten, produziert zügig Fehler, die von unerfahrenen agilen Praktikern gern selbstsicher vertreten werden. Das A3-Framework hilft hingegen beim Urteilsvermögen. (Der A3 Handoff Canvas steht als kostenloser Download zur Verfügung.)
Fazit: Die Frage, die Ihr 2026 bestimmt
Die Organisationen, die an KI scheitern, brauchen jemanden, der ehrliche Experimente durchführt, Widerstand begleitet, zwischen technischen und Business-Teams übersetzt und die Art, wie Arbeit erledigt wird, neu gestalten kann, ohne dass alles auseinanderfällt. Sie erkennen diese Stellenbeschreibung. Die Ausschreibung nennt sich vielleicht „AI Transformation Lead“ oder „Digital Change Manager“. Die tatsächliche Arbeit ist das, was Sie seit Jahren praktizieren, oft unvollkommen und manchmal erfolglos.
Die Chance ist real, aber sie kommt nicht von allein. Sie erfordert, dass Sie aufhören, sich über das Framework zu definieren, das Sie praktizieren, und anfangen, sich über die organisatorischen Probleme zu definieren, die Sie lösen. Sie erfordert, genug über KI zu lernen, um fundierte Entscheidungen zu treffen. Und sie erfordert dasselbe, was Sie von Ihren Teams in jedem Sprint verlangen: ehrlich zu inspizieren und auf Basis der Erkenntnisse zu adaptieren.
Was würde von Ihrem professionellen Wert übrig bleiben, wenn Sie jeden Framework-Namen und jede Zertifizierung aus Ihrem Lebenslauf streichen würden? Was auch immer es ist: Investieren Sie dort.
Quellenangaben:
[1] Harvard Business Review: Overcoming the Organizational Barriers to KI Adoption, November 2025.
[2] Virginia Satir, John Banmen, Jane Gerber, und Maria Gomori, The Satir Model: Family Therapy and Beyond (Palo Alto, CA: Science and Behavior Books, 1991). Für eine zugängliche Zusammenfassung der Phasen des Veränderungsmodells siehe Steven M. Smith: The Satir Change Model.