KI verändert nicht mehr nur, wie Organisationen arbeiten. Zunehmend beeinflusst sie auch, welche Veränderungen überhaupt sichtbar werden, welche Maßnahmen als sinnvoll gelten und welche Entscheidungen Menschen treffen. Was bedeutet das für agile Transformation, Führung und Verantwortung?

Die Transformation hat bereits begonnen. Niemand hat sie beschlossen.

Stell dir ein Unternehmen im Jahr 2028 vor. Mehrere Agile Release Trains (ARTs) entwickeln gemeinsam eine digitale Plattform. Ein KI-Agent beobachtet kontinuierlich den Wertstrom: Wartezeiten, Abhängigkeiten, Rückfragen, Störungen und die Erreichung strategischer Ziele.

Am Montagmorgen stellt er fest, dass ein Freigabeprozess regelmäßig mehrere Wochen Verzögerung verursacht. Er schlägt vor, die Entscheidungskompetenz näher an die Teams zu verlagern, die Kapazität zweier Gruppen anders zu verteilen und ein bislang obligatorisches Gremium nur noch in Ausnahmefällen einzubeziehen. Er erzeugt dazu eine Wirkungsanalyse, neue Backlog-Einträge und eine Entscheidungsunterlage für das nächste Portfolio-Meeting.

Das klingt zunächst nach einem hervorragend vorbereiteten Verbesserungsvorschlag.

Doch eine Frage wird leicht übersehen: Wer hat entschieden, dass gerade dieser Prozess das Problem ist? Und wer hat festgelegt, welche Alternativen überhaupt berücksichtigt werden?

Dieses Beispiel ist ausdrücklich ein fiktives Zukunftsszenario, kein Bericht über ein bereits eingesetztes System. Es zeigt aber ein Problem, mit dem wir uns schon heute beschäftigen müssen: KI kann eine Veränderung entscheidend prägen, lange bevor ein Mensch am Ende formal zustimmt.

Der Change Agent der Zukunft muss keine Führungsposition besitzen, um reale Macht über Veränderung auszuüben.

Warum das im Oktober 2026 plötzlich mehr ist als Zukunftsmusik

Gleich mehrere Veröffentlichungen der vergangenen Wochen verschieben die Diskussion. Der Gartner Hype Cycle for Emerging Technologies 2026 benennt als eine der zentralen Entwicklungen die Verlagerung von Entscheidungen zwischen Menschen und autonomen Maschinen. Gartner beschreibt eine Richtung, keine bereits flächendeckend erreichte Realität.

Am 29. September veröffentlichte Johann Füller im Journal of Applied Behavioral Science den Fachbeitrag „Becoming an AI-First Company: Six Aspects of Organizational Redesign“. Eine seiner Kernaussagen: KI ist nicht nur Gegenstand von Veränderung; Systeme können zunehmend selbst beeinflussen, was sich verändert und wie Veränderung entsteht.

Eine Arbeit im Journal of Change Management vom 24. August geht noch einen Schritt weiter. Korzyński und Mitautoren beschreiben agentische KI als einen Akteur mit faktischem Einfluss, der jedoch keine Verantwortung im menschlichen oder moralischen Sinn übernehmen kann. Sie unterscheiden Konstellationen, in denen Menschen, KI oder beide gemeinsam den Entscheidungsraum prägen.

Und am 5. Oktober schrieb McKinsey über den Übergang vom „Org Chart“ zum „Orchestration Chart“: Führung sollte künftig nicht nur Funktionen und Berichtslinien betrachten, sondern die Zusammenarbeit von Menschen und Agenten rund um ein angestrebtes Ergebnis gestalten.

Wichtig: Diese Veröffentlichungen enthalten vor allem konzeptionelle Modelle, Forschungsargumente und frühe Praxissignale. Sie beweisen nicht, dass autonome KI heute bereits zuverlässig ganze Unternehmen transformieren kann.

Ein Change Agent ohne Absicht – aber mit Einfluss

Wenn ich im Kontext agiler Transformation von einem Change Agent spreche, meine ich normalerweise Menschen, die Veränderung anstoßen, fördern und begleiten. Sie erkennen Spannungen, gewinnen Verbündete, hinterfragen Routinen und übernehmen Verantwortung für ihr Handeln.

Ein KI-System kann etwas davon funktional nachbilden: Es kann Daten auswerten, Muster erkennen, Vorschläge priorisieren, Maßnahmen vorbereiten und – mit entsprechenden Berechtigungen – operative Schritte auslösen. Es besitzt deshalb aber nicht automatisch eigene Absichten, Empathie oder Verantwortungsfähigkeit.

Wir sollten hier sauber unterscheiden:

• KI als Analysewerkzeug: Ein Modell fasst Daten zusammen oder beantwortet eine Frage. Der Mensch setzt Ziel, Kontext und nächsten Schritt.
• KI als Entscheidungsarchitekt: Ein System filtert Probleme, ordnet Optionen und empfiehlt eine Richtung. Selbst ohne Ausführungsrechte beeinflusst es, was Führungskräfte sehen.
• KI als agentischer Veränderungstreiber: Ein System verfolgt ein definiertes Ziel über mehrere Schritte, nutzt Werkzeuge und stößt innerhalb seiner Grenzen selbst Aktionen an.

Alle drei Formen können organisatorische Wirkung entfalten. Die dritte verschärft die Situation, weil Vorschlag und Ausführung näher zusammenrücken.

Entscheidend ist dabei nicht, ob wir den Agenten wie einen Kollegen behandeln. Entscheidend ist, wie viel praktischen Einfluss wir ihm einräumen, wie dieser sichtbar wird und wer ihn wirksam korrigieren kann.

Das eigentliche Problem: Einfluss und Verantwortung laufen auseinander

Stell dir vor, ein Agent bewertet fünf Initiativen. Er nutzt historische Durchlaufzeiten, finanzielle Annahmen und bestehende Abhängigkeiten. Weil eine Datenquelle unvollständig ist, stuft er eine strategisch wichtige Initiative dauerhaft niedriger ein. Der Portfolio-Verantwortliche sieht eine sauber aufbereitete Rangliste und bestätigt sie.

Formal hat ein Mensch entschieden. Faktisch wurde seine Entscheidung bereits erheblich vorstrukturiert.

Genau dieses Spannungsfeld untersuchen Korzyński und Kollegen mit ihrem Konzept der Human-AI Constellations. Eine menschliche Unterschrift bedeutet noch keine wirksame menschliche Kontrolle, wenn Auswahl, Informationsbasis und Vergleichsmaßstäbe zuvor kaum überprüfbar durch KI festgelegt wurden.

Für mich folgt daraus eine neue Führungsfrage: Kann die Person, die verantwortlich bleibt, die Empfehlung nicht nur bestätigen, sondern tatsächlich verstehen, anfechten und verändern?

Ein echtes Vetorecht benötigt mehr als einen Button. Es braucht erklärbare Grundlagen, verfügbare Alternativen, ausreichende Zeit, Entscheidungsbefugnis und einen nachvollziehbaren Korrekturweg.

Was bedeutet das für agile Enterprise Transformation?

Hier wird es aus meiner Sicht besonders interessant. Agile Frameworks wie SAFe helfen dabei, Strategie, Umsetzung und Lernen in großen Organisationen zu verbinden. Sie liefern Verantwortlichkeiten, Synchronisationspunkte und Formen kontinuierlicher Verbesserung. Aber sie wurden nicht unter der Annahme entworfen, dass autonome digitale Systeme fortlaufend Priorisierungs- und Veränderungsimpulse generieren.

1. Vom periodischen Improvement zur kontinuierlichen Veränderungsdiagnose

Heute erkennen Teams und ARTs viele Probleme in Retrospektiven, Inspect & Adapt Workshops, System Demos oder Flow-Analysen. Ein KI-System könnte Signale künftig laufend zusammenführen: wiederkehrende Blockaden, verschobene Abhängigkeiten, steigende Work-in-Progress-Bestände oder auffällige Wartezeiten.

Der Gewinn wäre nicht, sämtliche Events abzuschaffen. Er läge darin, dass Menschen mehr Zeit für Ursachen, Zielkonflikte und Entscheidungen hätten. KI kann Beobachtung verdichten – aber sie kennt nicht automatisch die politischen, kulturellen oder fachlichen Ursachen eines Konflikts.

2. Neue Priorisierungsdynamik im Portfolio

Mit Lean Portfolio Management und Methoden wie Weighted Shortest Job First (WSJF) versuchen Unternehmen, knappe Kapazitäten wertorientiert einzusetzen. Agenten könnten Berechnungen vorbereiten, Abhängigkeiten sichtbar machen und alternative Szenarien simulieren.

Aber eine Rangliste ist noch keine Strategie. Sobald ein Agent implizit bestimmt, welche Kosten, Risiken oder Kundengruppen zählen, prägt er bereits die Wertmaßstäbe der Organisation. Diese Kriterien müssen durch verantwortliche Menschen festgelegt und überprüft werden.

3. Der Release Train Engineer und Agile Coach werden nicht überflüssig

Ein Release Train Engineer (RTE) könnte operative Koordination stärker automatisieren lassen: Blockaden sichtbar machen, Zusammenhänge zwischen Teams aufbereiten oder Verbesserungsoptionen vergleichen. Der zentrale Beitrag verschiebt sich dann noch stärker auf die Qualität von Zusammenarbeit, Verantwortungsgrenzen und Entscheidungen.

Für Enterprise Agile Coaches entsteht eine weitere Aufgabe: Sie begleiten nicht nur die menschliche Akzeptanz neuer Werkzeuge, sondern helfen, das Zusammenspiel von menschlichem Urteil und maschineller Einflussnahme bewusst zu gestalten.

Wer glaubt, die Technologie ersetze damit Change Management, verwechselt eine Diagnose mit einer legitimierten Veränderung. Menschen müssen die Konsequenzen tragen, verstehen und mitgestalten können.

Diese Perspektive ergänzt meine früheren Beiträge zum AI-Agile Bottleneck Shift und zur AI-native Software Delivery. Dort ging es vor allem um die Geschwindigkeit des Wertstroms. Hier geht es um die Legitimation von Veränderung selbst.

Ein Praxisrahmen: Der Human-led AI Change Loop

Wie könnte eine Organisation mit solchen Veränderungsimpulsen umgehen, ohne entweder jede Automatisierung zu blockieren oder die eigene Steuerungsfähigkeit abzugeben? Ich würde mit einem einfachen, bewusst eigenen Arbeitsmodell beginnen. Es ist ein Vorschlag zur Diskussion, kein etabliertes oder empirisch validiertes Framework.

1. Signale erkennen: KI identifiziert Auffälligkeiten in abgestimmten, möglichst datensparsamen Prozess- und Ergebnisdaten.
2. Hypothesen formulieren: Das System benennt Annahmen, Datenlücken, Alternativerklärungen und betroffene Gruppen – nicht nur eine vermeintlich optimale Lösung.
3. Wirkung und Risiken prüfen: Fachverantwortliche, Teams und gegebenenfalls Security, Datenschutz, HR oder Arbeitnehmervertretung bewerten Nutzen, Nebenwirkungen und Veränderungsfolgen.
4. Entscheidungsrechte anwenden: Es ist vorab geklärt, was der Agent nur beobachten, was er vorschlagen und was er in einem engen, reversiblen Rahmen selbst ausführen darf.
5. Begrenzt experimentieren: Eine freigegebene Maßnahme wird mit festem Owner, Ziel, Messpunkten, Laufzeit und Abbruchkriterium getestet.
6. Gemeinsam lernen: Menschen bewerten Wirkung, Fairness, Vertrauen und unerwartete Effekte. Änderungen an Agentenlogik oder Prozessregeln werden nachvollziehbar dokumentiert.

Der zentrale Grundsatz lautet: Je größer, schwerer reversibel oder personenbezogener eine Veränderung ist, desto höher muss die menschliche Entscheidungsebene liegen.

Was der Agent darf – und was nicht

Diese Zuordnung ist eine Governance-Empfehlung, keine Aussage darüber, was jedes Unternehmen gesetzlich zwingend genauso organisieren muss.

Warum ein autonomer Change Loop auch scheitern kann

Wir sollten den Gegenargumenten Raum geben. Ein Agent kann nur Muster erkennen, die in seinen Daten und Zielen abgebildet sind. Wenn die Organisation beispielsweise ausschließlich Durchlaufzeiten optimiert, kann sie unbemerkt Lernzeit, Qualität oder Beteiligung verdrängen. Eine scheinbar neutrale Empfehlung kann bestehende Machtverhältnisse verstärken.

Auch ein selbstlernender Regelkreis benötigt Grenzen: Was gilt als Erfolg? Wer darf einen Agenten abschalten? Wie werden Fehlentscheidungen rückgängig gemacht? Wer bemerkt, wenn Beschäftigte dem System nur noch folgen, weil Widerspruch zu aufwendig ist?

Eine im September veröffentlichte Studie von Briker, Gonzalez und Kanitz beschreibt vier mögliche Strategien im Spannungsfeld von Top-down-Steuerung und Bottom-up-Experimenten. Ihre wichtige Botschaft: Agentic-AI-Veränderung ist nicht einfach ein einmaliger Rollout. Führung muss laufend austarieren, wie viel Freiraum und wie viel gemeinsame Steuerung sinnvoll sind.

Das deckt sich mit meinem Verständnis von agiler Transformation: Wir schaffen Rahmenbedingungen, in denen Anpassung möglich wird – und machen dabei Zielkonflikte und Verantwortung sichtbar.

Governance ist keine Fußnote

Die neue Gestaltungsfrage ist nicht nur organisatorisch. Bei KI-Systemen, die Mitarbeitende, Beschäftigung, Zugänge oder andere sensible Entscheidungen betreffen, können Datenschutzrecht, Arbeitsrecht und die EU-KI-Verordnung relevant werden. Welche konkreten Anforderungen gelten, hängt unter anderem vom Einsatzzweck, der Einstufung des Systems sowie der Rolle des Unternehmens ab.

Artikel 14 der EU-KI-Verordnung verlangt für Hochrisiko-KI-Systeme eine wirksame menschliche Aufsicht. Dazu gehören – im jeweils anwendbaren Rahmen – das Verständnis von Grenzen, das Erkennen einer möglichen Überabhängigkeit von KI-Ausgaben sowie Eingriffs- und Übersteuerungsmöglichkeiten. Diese Regel lässt sich nicht pauschal auf jede KI-Anwendung übertragen.

Im Transformationsalltag würde ich deshalb zusätzlich organisatorisch festlegen: dokumentierte Befugnisse, Datenminimierung, Monitoring, Einspruchs- und Eskalationswege, technische Stop-Möglichkeiten sowie frühe Einbindung betroffener Mitarbeitender und gegebenenfalls ihrer Vertretungen. Menschliche Aufsicht darf kein symbolischer Freigabeschritt sein.

Die Führungsfrage für 2028 stellen wir besser heute

Ich glaube nicht, dass wir kurzfristig vollautonome Transformationsmanager sehen werden, die eine komplexe Organisation verlässlich und ohne Menschen entwickeln. Dafür sind Zielkonflikte, Interessen, Vertrauen, Kultur und Verantwortung zu vielschichtig. Selbst die aktuelle Forschung beschreibt überwiegend Modelle, Hypothesen und sich entwickelnde Praxis.

Aber genau deshalb sollten wir nicht warten, bis technisch mehr möglich ist. Wir können schon heute klären, wie viel Einfluss KI auf unsere Wahrnehmung, unsere Prioritäten und unsere Veränderungsentscheidungen erhält.

Die entscheidende Frage ist für mich nicht: „Kann ein Agent unsere Transformation managen?“

Die entscheidende Frage ist: „Gestalten wir bewusst, wie KI unsere Organisation verändert – oder bemerken wir erst hinterher, dass sie es bereits getan hat?“

Vielleicht wird die wichtigste Fähigkeit künftiger Transformationsmanager darin liegen, nicht nur menschliche Zusammenarbeit zu entwickeln, sondern eine Organisation zu befähigen, maschinellen Einfluss verantwortlich zu steuern.

Wie weit würdest du KI-Agenten heute schon bei der Veränderung von Prozessen und Organisationsstrukturen mitentscheiden lassen?

FAQ: KI als Change Agent

Was bedeutet „KI als Change Agent“ in der agilen Organisationsentwicklung?

KI als Change Agent bedeutet, dass KI-Systeme organisatorische Veränderungen nicht nur analysieren, sondern aktiv anstoßen oder vorbereiten können. Sie erkennen beispielsweise Engpässe in Wertströmen, entwickeln Verbesserungsvorschläge und unterstützen die Priorisierung von Maßnahmen. Agentische KI kann innerhalb vorher festgelegter Grenzen auch einzelne Schritte ausführen. Anders als ein menschlicher Change Agent übernimmt KI jedoch keine eigenständige Verantwortung: Ziele, Entscheidungsrechte, Kontrolle und Folgen müssen bei den zuständigen Menschen und Gremien bleiben.

Kann KI heute eigenständig eine agile Transformation durchführen?

Nicht verlässlich als ganzheitlich verantwortlicher Transformationsakteur. KI kann Analysen, Koordination, Vorschläge und begrenzte operative Schritte übernehmen. Legitimation, kulturelle Aushandlung und Verantwortung bleiben bei den zuständigen Menschen und Organisationen.

Was ändert sich für Agile Coaches und RTEs?

Weniger Aufwand für Informationssammlung und Routinen ist denkbar. Wichtiger werden die Gestaltung von Entscheidungsrechten, das Erkennen algorithmischer Verzerrungen, transparente Beteiligung und die Überprüfung tatsächlicher Veränderungswirkungen.

Wie sollte ein Unternehmen anfangen?

Mit einem eng begrenzten, überprüfbaren Anwendungsfall: etwa KI-gestützter Erkennung von Wertstromblockaden ohne automatische Änderungen an Personal, Budget oder verbindlichen Prozessregeln. Danach werden Wirkung, Fehler, Betroffenenperspektiven und Verantwortlichkeiten geprüft, bevor der Autonomiegrad steigt.

Quellen und Einordnung

• Gartner (23.07.2026): Hype Cycle for Emerging Technologies, 2026 – Technologieausblick; zusätzlich berücksichtigt: Gartner-Vorschau „See 3 of the Most Popular Gartner Hype Cycles“, S. 4. Gartner-Grafiken wurden nicht übernommen.
• Füller (29.09.2026): Becoming an AI-First Company: Six Aspects of Organizational Redesign – konzeptioneller wissenschaftlicher Beitrag.
• Korzyński et al. (24.08.2026): When Agentic AI Participates in Organizational Change – konzeptioneller wissenschaftlicher Beitrag zu Einfluss, Kontrolle und Verantwortung.
• Briker, Gonzalez & Kanitz (22.09.2026): Managing Grassroots and Boardrooms – konzeptionelles Modell von Veränderungsstrategien.
• McKinsey (05.10.2026): AI is changing work. Now it has to change the organization – Unternehmensanalyse mit Umfragebefunden und Praxisbeispielen.
• EU-KI-Verordnung, Artikel 14 – Rechtsquelle zu menschlicher Aufsicht bei Hochrisiko-KI-Systemen.

Transparenz: Der Beitrag wurde redaktionell mit KI-Unterstützung recherchiert und ausgearbeitet. Die Zukunftsszene ist fiktiv. Der „Human-led AI Change Loop“ ist ein eigener, noch nicht wissenschaftlich validierter Praxisvorschlag und kein von den genannten Quellen veröffentlichtes Framework.