Wie ich lernte, das LLM in Agile zu lieben 🇩🇪

In Kürze: LLM in Agile

Die meisten agilen Praktiker debattieren noch immer darüber, ob KI relevant ist. Ich habe aufgehört zu debattieren und angefangen, sie zu nutzen. Über einen Zeitraum von mehr als zwei Jahren entwickelte sich KI vom Korrekturlesen meines Buchmanuskripts über die datenbasierte Gestaltung von Retrospektiven, den Aufbau eines kompletten Produktentwicklungsprozesses für einen neuen Kurs bis hin zur Arbeit mit autonomen KI-Agenten. Jede neue Phase offenbarte, was die vorherige nicht vermitteln konnte. Am Ende ging ich den Kubrick-Weg und begann, das LLM in Agile zu lieben.

Das Zeitfenster, um diese Kompetenz aufzubauen, ist jetzt geöffnet. Es wird nicht unbegrenzt offen bleiben. Fangen Sie daher an.

Image

Eine persönliche LLM-in-Agile-Geschichte

Sie haben mittlerweile alles gehört: KI wird Ihren Job übernehmen, KI ist überbewertet, machen Sie eine weitere Zertifizierung oder warten Sie ab. Die Ratschläge widersprechen einander wöchentlich, und keiner davon sagt Ihnen, was Sie am Montagmorgen tun sollen.

Gleichzeitig haben Sie diese Woche kein LLM für irgendetwas geöffnet, das mit Ihrer eigentlichen Arbeit zu tun hat. Oder Sie haben eines geöffnet, eine generische Sprint-Retrospective-Agenda erhalten und den Tab anschließend geschlossen. Keine der beiden Reaktionen ist falsch, aber beide sind unvollständig.

Ich möchte Ihnen etwas anderes berichten: was passierte, als ich aufhörte, über KI zu diskutieren, und anfing, sie zu nutzen. Nicht als Partytrick oder Gedankenexperiment, sondern als Arbeitswerkzeug, angewandt auf reale Probleme, denen ich als agiler Praktiker und Coach begegne. Die Entwicklung hat mich überrascht, und sie wird auch Sie überraschen.

Phase 1: Ein Korrekturleser, der zurücksprach

Mein erster ernsthafter Einsatz von KI hatte nichts mit Scrum Events oder Teamfacilitation zu tun. Es ging um mein Buch.

Ich steckte mitten im Lektoratsprozess des Scrum Anti-Patterns Guides, und jeder, der ein Buch geschrieben hat, kennt das Problem: nach dem zehnten Durchgang durch das eigene Manuskript sieht man die eigenen Fehler nicht mehr. Das Gehirn korrigiert automatisch, was auf der Seite steht, zu dem, was man beabsichtigt hatte. Lektoren helfen, aber die Abstimmungsschleifen dauern Wochen pro Runde.

Dann erschien ChatGPT 3.5. Zum ersten Mal hatte ich einen „Mitarbeiter“, der mein Schreiben prüfen konnte, bevor ich es an den menschlichen Lektor weitergab. Keinen Rechtschreibprüfer. Einen Denkpartner, der markieren konnte, wo ein Argument unklar war, wo ein Absatz seinen Faden verlor, wo ein Satz zu viel auf einmal versuchte.

Das war der Moment, in dem KI aufhörte, eine Kuriosität zu sein, und zu einem Werkzeug wurde, das ich aktiv in meine Arbeit integrierte. Korrekturlesen ist nicht aufregend. Aber einen Mitarbeiter zu haben, der auffängt, was das erschöpfte eigene Gehirn nicht mehr sieht, verändert den Umgang mit einem 400-seitigen Manuskript.

Phase 2: Mustererkennung, die ich allein nicht leisten konnte

Der nächste Schritt kam, als ich begann, mit der Gestaltung von Retrospektiven zu experimentieren. Ich hatte Jahre an Moderationserfahrung und eine mentale Bibliothek an Formaten und Übungen. Was ich nicht hatte, war die Fähigkeit, Team-Performance-Daten gegenzuprüfen, aufkommende Muster zu identifizieren und diese Muster mit hoher Geschwindigkeit bekannten Formaten zuzuordnen.

KI ist darin gut, wenn auch nicht aus dem Grund, den die meisten annehmen. KI ist nicht kreativ. Sie ordnet zu: Sie analysiert Daten, identifiziert ein Muster und verbindet es mit etwas in ihren Trainingsdaten, das zu dem Muster passt. Das ist kein originelles Denken. Aber es ist genau das, was ein Praktiker braucht, wenn er entscheiden muss, welches Retrospektivformat die Diskussion hervorruft, die das Team am dringendsten braucht.

Die Erkenntnis war nicht: „KI kann Retrospektiven gestalten.“ Die Erkenntnis war, dass KI ein analytischer Partner für Probleme ist, die ich bereits zu lösen wusste, aber langsamer als die KI und mit mehr blinden Flecken.

Phase 3: Das LLM in Agile als Prozess-Mitarbeiter

Der eigentliche Wendepunkt kam, als ich den Advanced Product Backlog Management Course von Grund auf aufbaute. Zum ersten Mal nutzte ich KI über einen ganzen Produktentwicklungsprozess hinweg, nicht nur für eine einzelne Aufgabe.

Ich begann, Teilnehmer-Feedback aus Präsenz-Workshops, Interviews und Umfragen einzuspeisen. Dann fügte ich die „Produktstrategie und Roadmap“ des Curriculums hinzu. Ich bat die KI, Muster im Feedback zu finden: Welche Themen tauchten immer wieder auf? Wie stimmten diese Themen mit der Idee überein, wohin sich das Curriculum entwickeln sollte? Wie unterstützten oder widersprachen die kurzfristigen Prioritäten, also welche Lektionen oder Artefakte als Nächstes gebaut werden sollten, diesen Mustern?

Von dort aus nutzte ich KI, um Hypothesen darüber zu generieren, was Praktiker brauchen könnten, und dann, um diese Hypothesen in Testkarten umzuwandeln, die ich mit Experimenten validieren konnte, bevor ich mich zum Bau von irgendetwas verpflichtete.

Dieser Lernprozess war kein Ersatz meines Urteilsvermögens durch KI. Ich entschied weiterhin, welche Hypothesen getestet werden sollten, und gestaltete die Experimente. Aber KI komprimierte, wofür sonst zwei Wochen Synthese erforderlich gewesen wären, auf 1-2 Stunden. Und sie deckte Zusammenhänge auf, die ich übersehen hatte, weil ich meinen eigenen Annahmen über die Marktbedürfnisse zu nahe war.

Wohin sich das LLM in Agile entwickelt

Die vierte Phase kam, als ich Version 2 des AI4Agile-Onlinekurses aufbaute. Ich erstellte eine Lektion über Claude Cowork, das Werkzeug von Anthropics für Nicht-Programmierer zur Arbeit mit autonomen KI-Agenten. Die Vorbereitung dieser Lektion zwang mich, etwas zu verstehen, um das ich zuvor herumkreiste: den Unterschied zwischen der Nutzung von KI als Werkzeug, das man steuert, und dem Briefing eines KI-Agenten, der Arbeit eigenständig plant und ausführt.

Diese Unterscheidung ist für agile Praktiker relevant. Ein Agent, der Ihre operative Ebene übernimmt (Entwürfe schreiben, formatieren, Daten sammeln, Berichte erstellen), während Sie sich auf Urteilsvermögen, Beziehungen und Strategie konzentrieren, ist kein Partytrick. Es ist eine andere Art zu arbeiten, die nur funktioniert, wenn ein gemeinsames Verständnis darüber besteht, was der Agent tut, wann er es tut und wer für das Ergebnis verantwortlich bleibt. (Das adressiert das A3 Framework: Assist, Automate oder Avoid.)

Der nächste Schritt in meiner eigenen Praxis folgt daraus: den Aufbau eines persönlichen Betriebssystems, in dem KI-Agenten, verbunden mit einem Wissensspeicher wie Obsidian, Routineabläufe übernehmen, während ich mich auf die Arbeit konzentriere, die menschliches Urteilsvermögen erfordert. So weit bin ich noch nicht. Aber die Richtung ist klar, und sie folgt demselben Muster: Jede Phase lehrt etwas, das die vorherige nicht vermitteln konnte.

Diese Entwicklung, vom Korrekturleser zum analytischen Partner, zum Prozessmitarbeiter und zum Agent-Operator, dauerte rund zwei Jahre. Sie hat verändert, wie ich arbeite und darüber denke, was agile Praktiker als Nächstes lernen sollten.

Das Zeitfenster ist real, und es bleibt nicht unbegrenzt offen

Ich schrieb letzte Woche darüber, warum agile Praktiker für das KI-Zeitalter besser aufgestellt sind als die Untergangs-Erzählung vermuten lässt. Das Argument gilt: Organisationen, die KI einführen, scheitern aus denselben strukturellen Gründen, aus denen sie bei Agile-Transformationen gescheitert sind. Sie haben die Fähigkeiten, ihnen zum Erfolg zu verhelfen.

Aber Fähigkeiten ohne Werkzeuge sind unvollständig. Und das Zeitfenster, um KI-Kompetenz aufzubauen, während die Konkurrenz es noch herausfindet, ist endlich. Die Tagessätze für freiberufliche Scrum-Master befinden sich im freien Fall. Das alte Modell, sich über das praktizierte Framework zu definieren, ist eine Sackgasse. Sie wissen das. Die Frage ist, was Sie dagegen unternehmen.

Die Investition ist gering. Ein 20-Dollar-Monatsabonnement für ein LLM. Einige Stunden pro Woche gezieltes Üben. Sie brauchen keinen Data-Science-Abschluss. Sie müssen nicht Tausende für Zertifizierungen ausgeben. Sie müssen die Arbeit machen: ein echtes Problem nehmen, KI darauf anwenden, das Ergebnis bewerten und iterieren. Derselbe empirische Ansatz, den Sie Ihren Teams beibringen.

Ich habe formalisiert, was ich gelernt habe, im AI 4 Agile Online Course, dessen Version zwei heute zum Einführungspreis von $149 verfügbar ist. Er behandelt Prompt Engineering, KI-gestützte Retrospektiven, Product-Backlog-Analyse, das A3-Framework für KI-Delegationsentscheidungen, Claude Skills und autonome KI-Agenten, alles zugeschnitten darauf, wie agile Praktiker denken und arbeiten. Über 400 Praktiker haben Version eins absolviert. Wenn Sie weitergehen möchten, bietet das AI4Agile Group Coaching ab dem 16. März acht wöchentliche Lean-Coffee-Sessions, bei denen Sie und Ihre Peers die Agenda bestimmen. (Das Coaching ist als Zusatzoption verfügbar.)

Fazit: Das LLM in Agile

Die Kluft zwischen Praktikern, die KI nutzen, und denen, die sie nicht nutzen, wächst jede Woche. Ein 20-Dollar-Abonnement und ein paar Stunden gezieltes Üben sind alles, was Sie brauchen, um anzufangen. Die Kosten des Abwartens sind nicht Stillstand; es ist Zurückfallen, während der Markt ohne Sie weiterzieht.

Die Praktiker, die 2026 erfolgreich sein werden, sind diejenigen, die aufgehört haben zu debattieren und angefangen haben zu experimentieren. Nehmen Sie eine Aufgabe aus Ihrer Woche. Lassen Sie sie durch ein LLM laufen und sehen Sie, was dabei passiert. Entscheiden Sie dann auf Basis von Evidenz, was Sie als Nächstes ausprobieren, nicht auf Basis von Angst.

In einem Jahr werden Sie sich wünschen, Sie hätten diese Woche angefangen. Also: Fangen Sie diese Woche an.

🗞 Shall I notify you about articles like this one? Awesome! You can sign up here for the ‚Food for Agile Thought‘ newsletter and join 35,000-plus subscribers.