Warum Agentic AI den Engpass agiler Transformation von den Teams in das Operating Model verschiebt
Jahrelang haben Unternehmen versucht, ihre Softwareentwicklung schneller zu machen.
Agile Teams. Scrum. SAFe. DevOps. CI/CD. Product Operating Models.
Und jetzt kommt künstliche Intelligenz.
AI-Assistenten unterstützen bei Analyse und Konzeption. Coding Agents erzeugen und überarbeiten Software. Agenten können Informationen aus großen Datenbeständen zusammentragen, Aufgaben vorbereiten und zunehmend ganze Workflows unterstützen.
Doch was passiert, wenn die Umsetzung plötzlich deutlich schneller wird – die Organisation davor und darum herum aber nicht?
Genau hier entsteht aus meiner Sicht einer der wichtigsten Engpässe der kommenden Jahre.
Das Problem vieler Unternehmen wird nicht sein, dass ihre Teams zu langsam liefern. Das Problem wird sein, dass ihre Organisation zu langsam Wissen erzeugt, Entscheidungen trifft und aus Ergebnissen lernt.
30 Minuten für die Frage, wer eine PowerPoint erstellt
Vor Kurzem saß ich in einem Refinement.
Wir wollten ein fachliches Thema konkretisieren und die nächsten Schritte vorbereiten. Doch irgendwann diskutierten wir ungefähr eine halbe Stunde darüber, wer eine PowerPoint-Präsentation erstellen sollte.
Eine halbe Stunde.
Nicht über den Kundennutzen. Nicht über das Problem. Nicht über eine Hypothese. Nicht über eine technische Lösung.
Über die Erstellung einer PowerPoint.
Das klingt wie eine kleine Anekdote. Für mich steht sie aber exemplarisch für ein wesentlich größeres Problem.
Wir haben in vielen Organisationen agile Prozesse eingeführt. Wir haben Rollen geschaffen, Events etabliert, Boards aufgebaut und teilweise ganze Unternehmen nach agilen Frameworks organisiert.
Und trotzdem entstehen zwischen einer Idee und ihrer Umsetzung enorme Wartezeiten.
In meiner Arbeit in Transformationen erlebe ich Refinement- und Vorbereitungsprozesse, die sechs bis neun Monate dauern können. In einzelnen Fällen vergeht sogar ein Jahr, bevor die eigentliche Umsetzung beginnt.
Nicht weil Entwickler zwölf Monate programmieren.
Sondern weil Informationen fehlen. Verantwortlichkeiten unklar sind. Entscheidungen vertagt werden. Architekturfragen offenbleiben. Legal, Compliance oder Security spät eingebunden werden. Fachbereiche noch Klärungsbedarf haben. Ziele und Zielbilder nicht eindeutig sind.
Und weil wir immer noch sehr viel Wissen manuell zusammensuchen.
Genau hier könnte AI einen wesentlich größeren Effekt haben als nur beim Coding.
Wir optimieren möglicherweise den falschen Teil des Systems
Die Diskussion über AI-Produktivität konzentriert sich derzeit stark auf individuelle Tätigkeiten.
Das ist nachvollziehbar. Dort sind Verbesserungen schnell sichtbar.
Die McKinsey-Studie „The State of AI in 2026“ zeigt genau dieses Spannungsfeld: 80 Prozent der Befragten berichten, dass AI ihre individuelle Produktivität verbessert. Gleichzeitig berichten nur 37 Prozent von einem positiven EBIT-Beitrag durch AI auf Unternehmensebene – praktisch unverändert zum Vorjahr.
Das sollte Führungskräfte nachdenklich machen.
Denn wenn tausende Mitarbeiter produktiver werden, daraus aber nicht im gleichen Maße Unternehmenswirkung entsteht, sollten wir vielleicht eine andere Frage stellen:
Was passiert mit der gewonnenen Geschwindigkeit im Gesamtsystem?
McKinsey kommt in einer aktuellen Untersuchung zum AI Operating Model zu einem ähnlichen Punkt: Unternehmen schöpfen das Potenzial von AI nicht allein durch Einführung der Technologie aus. Entscheidend wird, wie Entscheidungen, funktionsübergreifende Zusammenarbeit, Fähigkeiten und Wertschöpfung im Operating Model gestaltet werden.
Das ist aus meiner Sicht der entscheidende Perspektivwechsel.
Der AI-Agile Bottleneck Shift
Ich nenne diese Verschiebung den AI-Agile Bottleneck Shift.
Wir müssen die Geschwindigkeit einer Organisation zukünftig mindestens in vier Dimensionen betrachten:
1. Time to Knowledge
Wie lange benötigt eine Organisation, um die relevanten Informationen für eine Entscheidung zusammenzutragen?
Historische Entscheidungen, Kundeninformationen, bestehende Anforderungen, Abhängigkeiten, Architekturinformationen, regulatorische Vorgaben, Risiken, Erfahrungen aus vorherigen Initiativen und vorhandenes Unternehmenswissen liegen häufig bereits irgendwo vor.
Aber eben irgendwo.
In Confluence. Jira. SharePoint. E-Mails. Präsentationen. Datenbanken. Ticketsystemen. Dokumenten. Oder in den Köpfen einzelner Experten.
AI kann hier perspektivisch nicht nur suchen, sondern Zusammenhänge herstellen, Informationen verdichten, Lücken erkennen und die nächste Diskussion vorbereiten.
2. Time to Decision
Wenn das notwendige Wissen vorhanden ist: Wie lange benötigt die Organisation für eine Entscheidung?
Hier sehe ich heute einen der größten Engpässe.
Entscheidungen über Prioritäten, Budgets, Architektur, Vorgehensmodelle oder Verantwortlichkeiten ziehen sich teilweise über Wochen und Monate.
AI kann diese Entscheidungen nicht einfach übernehmen.
Aber sie kann Entscheidungsvorlagen vorbereiten, Optionen analysieren, historische Daten berücksichtigen, Abhängigkeiten sichtbar machen, Risiken identifizieren und Auswirkungen simulieren.
Der Mensch bleibt bei Entscheidungen hoher Tragweite verantwortlich – aber er sollte wesentlich besser vorbereitet entscheiden können.
3. Time to Delivery
Hier findet derzeit ein großer Teil der AI-Diskussion statt.
Coding Agents, Testautomatisierung, AI-assisted Engineering, automatisierte Dokumentation und Agentic Workflows können die Umsetzung erheblich beschleunigen.
Der Stanford AI Index 2026 fasst beispielsweise Studien zusammen, die Produktivitätsgewinne in strukturierten Tätigkeiten zeigen; für Softwareentwicklung werden dort in untersuchten Kontexten rund 26 Prozent genannt. Gleichzeitig weist Stanford darauf hin, dass Effekte stark von Aufgabe und Kontext abhängen.
Die entscheidende Frage lautet deshalb nicht: „Wie viel schneller programmiert unser Team?“
Sondern:
Was bringt uns eine schnellere Implementierung, wenn eine Initiative vorher neun Monate im Refinement verbringt?
4. Time to Outcome
Und schließlich die wichtigste Zeit.
Wie lange dauert es, bis wir wissen, ob unsere Lösung tatsächlich einen messbaren Nutzen erzeugt?
Mehr Code ist kein Business Value.
Mehr Features sind kein Business Value.
Und 40 Prozent mehr Output bedeuten nicht automatisch 40 Prozent mehr Wirkung.
Wenn mir ein Vorstand sagen würde:
„Unsere Entwickler produzieren mit AI jetzt 40 Prozent mehr“,
wäre meine erste Frage:
„Sehr gut. Aber erzeugen Sie damit auch 40 Prozent mehr Wert?“
AI könnte sichtbar machen, wie agil wir wirklich sind
Darin liegt aus meiner Sicht eine weitere, vielleicht unbequeme Konsequenz.
AI könnte schonungslos sichtbar machen, dass manche Organisationen seit Jahren Wasserfall in einem agilen Korsett betreiben.
Wir nennen unsere Arbeit agil.
Aber Entscheidungen laufen weiterhin hierarchisch durch mehrere Ebenen.
Refinements dauern Monate.
Verantwortlichkeiten sind unklar.
Abhängigkeiten werden spät erkannt.
Informationen werden manuell zusammengetragen.
Meetings dienen dem Informationsaustausch statt der Entscheidung.
Und Teams warten auf Freigaben.
Wenn AI Agents beginnen, systematisch entlang unserer Prozesse zu arbeiten, könnten sie sehr schnell auf Aktivitäten stoßen, die keinen erkennbaren Wert erzeugen.
Vielleicht brauchen wir deshalb gar nicht zuerst ein neues agiles Framework.
Vielleicht wird AI vielmehr zum Stresstest unserer bisherigen agilen Transformation.
Sie zeigt uns, ob wir Lean-Agile-Prinzipien tatsächlich leben – oder nur die dazugehörigen Rollen, Events und Artefakte eingeführt haben.
AI-Native Agile bedeutet nicht: noch ein Framework
Diese Entwicklung ist inzwischen auch im SAFe-Umfeld sichtbar.
Scaled Agile beschreibt AI-Native SAFe nicht lediglich als Einsatz neuer Tools, sondern verbindet es mit Outcome-Orientierung, AI-Native ARTs, veränderten Workflows, Governance und kontinuierlichem Lernen. Die aktuelle AI-Native SAFe Implementation Roadmap führt von „Align to Outcomes“ über Priorisierung und AI-Native ARTs bis zu Performance Measurement und ROI.
Noch interessanter finde ich einen anderen Satz aus der aktuellen Entwicklung: In einer AI-assisted World sei Delivery nicht länger zwangsläufig der primäre Bottleneck; entscheidender werde, ob das Gelieferte wertvoll, sicher und strategisch ausgerichtet ist.
Dem stimme ich zu.
Ich würde aber noch einen Schritt weitergehen.
AI-Native Agile ist für mich weniger eine neue Methode als ein Stresstest für das bestehende Operating Model.
Wenn wir die Lean-Agile-Prinzipien wirklich leben würden – kurze Feedback-Loops, dezentrale Entscheidungen, Fokus auf Wert, Transparenz, kontinuierliches Lernen und konsequente Beseitigung von Verschwendung –, wären viele dieser Diskussionen nicht neu.
AI erhöht lediglich den Druck, diese Prinzipien endlich konsequent umzusetzen.
Von AI-enabled Teams zum AI-enabled Enterprise
Genau deshalb halte ich es für zu kurz gedacht, AI Transformation mit dem Rollout eines Copiloten gleichzusetzen.
Stellen wir uns vor, ein Unternehmen sagt:
„Wir haben jetzt für 20.000 Mitarbeiter Copilot eingeführt. Unsere AI Transformation läuft.“
Meine Reaktion wäre:
„Sehr gut. Und welchen End-to-End-Prozess haben Sie dadurch neu gestaltet?“
Wo greift die AI auf relevantes Unternehmenswissen zu?
Welche Systeme sind angebunden?
Kann sie Informationen aus verschiedenen Unternehmensplattformen zusammenführen?
Unterstützt sie Refinements?
Erkennt sie Abhängigkeiten?
Bereitet sie Entscheidungen vor?
Unterstützt sie Portfolio-Steuerung?
Ist sie Bestandteil von Meetings und Workshops?
Hilft sie im Onboarding?
Unterstützt sie Change Management?
Und arbeitet sie innerhalb klarer Security- und Governance-Grenzen?
Genau diese Unterscheidung wird entscheidend:
AI Adoption ist noch keine AI Transformation.
Auch McKinseys aktuelle Agentic-AI-Analyse warnt davor, Agents schneller zu skalieren als die zugrunde liegenden Arbeitsabläufe und Verantwortlichkeiten neu gestaltet werden. Gefordert werden unter anderem Workflow Redesign, klare Entscheidungslogik und neu gedachte Verantwortlichkeiten.
Deloitte formuliert das ähnlich: Fast drei Viertel der befragten Technologie-Führungskräfte erwarten Veränderungen ihres Operating Models innerhalb der kommenden 12 bis 18 Monate. Die Autoren beschreiben den Übergang von sequenzieller Kontrolle zu stärker kontinuierlicher Koordination zwischen Menschen und AI Agents.
Human in the Loop – aber nicht überall gleich
Dabei sollten wir allerdings nicht in die nächste Extremposition verfallen.
Weder sollte AI alles entscheiden noch sollte für jede AI-Aktion ein Mensch eine Freigabe erteilen müssen.
Wir brauchen risikobasierte Autonomie.
Eine AI kann beispielsweise eine personalisierte UX-Variante auswählen oder innerhalb definierter Grenzen Optimierungen durchführen.
Bei strategischen Entscheidungen, großen Investments, Personalentscheidungen, Architekturentscheidungen mit erheblicher Tragweite oder hohen Risiken muss menschliche Verantwortung dagegen erhalten bleiben.
Scaled Agile betont bei AI-Native ARTs ebenfalls menschliche Accountability für Produktrichtung, Risiken, Ethik und Entscheidungen mit hoher Wirkung.
Auch Gartner empfiehlt 2026 eine abgestufte Governance nach Autonomiegrad: von reiner Beobachtung über Empfehlungen und Aktionen mit Freigabe bis zu autonomem Handeln innerhalb definierter Guardrails. Für hochautonome Agents nennt Gartner unter anderem Monitoring, Rollback-Mechanismen und „Circuit Breakers“, die Agenten bei definierten Grenzwertverletzungen stoppen können.
Governance darf also nicht verschwinden.
Sie muss schneller, risikobasierter und stärker in den Arbeitsfluss integriert werden.
Das passt auch zu einem Grundgedanken, den ich für AI-getriebene Transformation für entscheidend halte: zentrale Guardrails, aber dezentrale Umsetzung. Governance sollte Teams befähigen, innerhalb klarer Grenzen schnell zu handeln, statt jede Innovation durch dieselbe Freigabekette zu schicken.
Was passiert mit PI Planning, Refinement und Alignment?
Auch unsere agilen Routinen werden sich verändern.
Ich glaube nicht, dass Alignment verschwindet.
Im Gegenteil.
Wenn Teams und Agents immer schneller arbeiten, wird gemeinsames Alignment möglicherweise sogar wichtiger.
Aber der Inhalt verändert sich.
Stellen wir uns vor, AI Agents erkennen kontinuierlich Abhängigkeiten zwischen Teams. Sie gleichen Backlogs ab. Sie identifizieren Risiken. Sie finden widersprüchliche Anforderungen. Sie bereiten Entscheidungen vor und weisen auf Veränderungen hin.
Dann müssen Menschen nicht mehr stundenlang zusammenkommen, um Informationen zusammenzutragen, die Maschinen längst analysieren können.
Wir kommen zusammen, um das zu tun, was menschliche Zusammenarbeit besonders wertvoll macht:
Richtung geben. Trade-offs diskutieren. Entscheidungen treffen. Lernen. Verantwortung übernehmen.
Vielleicht heißt das weiterhin PI Planning.
Vielleicht entstehen andere Formen kontinuierlicher Planung und regelmäßiger Alignment-Punkte.
Entscheidend ist nicht der Name des Events.
Entscheidend ist sein Zweck.
Die nächste Agile Transformation ist eine Transformation des gesamten Systems
Der aktuelle McKinsey-Beitrag zum „Agentic Transformation Office“ bringt die Ironie der Situation treffend auf den Punkt: Ausgerechnet Transformationsorganisationen, die Geschwindigkeit und Agilität vorantreiben sollen, arbeiten teilweise noch mit manuell zusammengestellten Slide Decks und fragmentierten Datenquellen.
Genau das beobachte ich auch in der Praxis.
Wir diskutieren über AI Agents und gleichzeitig darüber, wer die nächste PowerPoint erstellt.
Wir beschleunigen Coding, während Anforderungen monatelang vorbereitet werden.
Wir kaufen Copiloten, ohne unsere End-to-End-Prozesse neu zu denken.
Und wir messen mehr Output, obwohl wir eigentlich mehr Outcome brauchen.
Deshalb glaube ich:
Die nächste Stufe agiler Transformation wird nicht dadurch entschieden, welches AI Tool ein Unternehmen einführt.
Sie wird dadurch entschieden, ob es gelingt, den gesamten Wertfluss neu zu gestalten:
Time to Knowledge → Time to Decision → Time to Delivery → Time to Outcome.
Wenn AI nur Delivery beschleunigt, haben wir lediglich einen Teil des Systems optimiert.
Wenn AI dagegen Wissen schneller verfügbar macht, Entscheidungen verbessert, Delivery beschleunigt und Feedback-Loops bis zum Outcome verkürzt, entsteht etwas anderes:
ein AI-enabled Operating Model.
Und vielleicht ist genau das die wichtigste Aufgabe für Agile Leadership in den kommenden Jahren.
Nicht Menschen durch AI schneller arbeiten zu lassen.
Sondern Organisationen so zu verändern, dass Menschen und AI gemeinsam schneller lernen, besser entscheiden und mehr Wirkung erzeugen.
Weiterführende aktuelle Quellen
McKinsey – The State of AI in 2026: On the road to ROI
McKinsey – The key to AI value is hiding in plain sight: Your operating model
McKinsey – Stacking the odds: A blueprint for successfully scaling agentic AI
McKinsey – The agentic transformation office
Deloitte – Rewiring the enterprise operating model for AI scale
Deloitte – Rethinking operating models for humans with agents
Scaled Agile – AI-Native SAFe Implementation Roadmap
Scaled Agile – From Outputs to Outcomes
