Andrew Sales, Chief Product Officer, Scaled Agile – Interview-Serie

Andrew Sales, Chief Product Officer und Chief Methodologist bei Scaled Agile, ist ein erfahrener Lean-, Agile- und DevOps-Führer, der mehr als zwei Jahrzehnte damit verbracht hat, Unternehmen bei der Transformation ihrer Wertschöpfung zu helfen. In seiner aktuellen Rolle leitet er die Produktstrategie und die Evolution des Scaled Agile Frameworks (SAFe), indem er mit globalen Organisationen zusammenarbeitet, um agile Praktiken im Unternehmensumfeld zu adoptieren. Bevor er zu Scaled Agile kam, hatte Sales Führungs- und Beratungspositionen bei CA Technologies, Rally Software und Pearson inne, wo er Unternehmen in Europa, dem Nahen Osten und Afrika bei der agilen Transformation beriet, die Finanzdienstleistungen, Telekommunikation, Einzelhandel, Software und Bildung umfasste.

Scaled Agile, Inc. ist das Unternehmen hinter dem Scaled Agile Framework, besser bekannt als SAFe, einem weit verbreiteten Framework, das Unternehmen hilft, Lean-, Agile- und DevOps-Praktiken im großen Maßstab anzuwenden. Durch sein Framework, Schulungs-, Zertifizierungsprogramme, Partnernetzwerk und die SAFe Studio-Plattform unterstützt Scaled Agile Unternehmen, die ihre Ausrichtung, Liefergeschwindigkeit, Produktqualität, Mitarbeiterbindung und Geschäftsgeschwindigkeit verbessern möchten. Das Unternehmen berichtet, dass SAFe von über 20.000 Unternehmen weltweit adoptiert wurde und dass über eine Million Fachleute im Framework ausgebildet wurden.

Welche Lektionen aus großen Transformationsprojekten haben die Schaffung von AI-Native SAFe am direktsten beeinflusst?

Im Laufe der letzten 15 Jahre haben wir beobachtet, wie über 20.000 Organisationen SAFe angenommen haben, um eine grundlegende Herausforderung zu lösen: die Koordination komplexer Produktentwicklung im Unternehmensumfeld. Eine Lektion ist bemerkenswert konstant geblieben: Lean- und Agile-Prinzipien funktionieren weiterhin. Was sich ändert, ist, wie diese Prinzipien angewendet werden müssen, wenn sich die Technologie ändert.

KI macht diese Prinzipien nicht veraltet; sie ändert, wo die Einschränkungen liegen. Teams werden kleiner, KI-gestützt und immer mehr auf die Steuerung von Arbeit ausgerichtet, anstatt jede Aufgabe selbst auszuführen. Entscheidungszyklen werden komprimiert, und die Interaktion zwischen menschlichem Urteil und KI-Ausführung wird zum zentralen Aspekt der Wertschöpfung.

AI-Native SAFe baut auf der bewährten Grundlage von SAFe auf und entwickelt das Betriebsmodell für diese neue Realität weiter. Es bewahrt den Fokus auf Kundennutzen, cross-funktionale Zusammenarbeit, Portfolioplanung und kontinuierliche Verbesserung, während es neue Wege zur Steuerung von KI, zum Management von Daten als strategischem Vermögen und zur Einführung von Verantwortlichkeit in KI-gestützten Organisationen einführt.

Warum sind traditionelle Agile-Frameworks für die KI-Ära nicht mehr ausreichend?

Traditionelle Agile-Frameworks bleiben unglaublich wertvoll. Was sich geändert hat, ist die Umgebung, in der sie operieren.

Über Jahre hinweg waren Organisationen durch die Geschwindigkeit eingeschränkt, mit der sie Software entwerfen, erstellen und liefern konnten. KI ändert diese Gleichung dramatisch. Wie uns ein Kunde kürzlich mitteilte, sind sie nicht mehr durch die Geschwindigkeit eingeschränkt, mit der sie Dinge erstellen; sie sind durch die Geschwindigkeit eingeschränkt, mit der sie bestimmen können, ob diese Lösungen einen bedeutenden Nutzen erzeugen, sicher zum Einsatz kommen und mit den Geschäftszielen übereinstimmen.

Die Flaschenhals hat sich von der Produktion zu den Entscheidungen verlagert. Von der Ausgabe zum Ergebnis.

Organisationen benötigen nun Betriebsmodelle, die ihnen helfen, kontinuierlich den Nutzen zu bewerten, KI verantwortungsvoll zu steuern und die Arbeit zwischen Menschen und KI zu koordinieren. Das ist eine Weiterentwicklung traditioneller Agile-Praktiken, kein Ersatz für sie.

Welche sind die größten Fehler, die Unternehmen machen, wenn sie versuchen, KI-Initiativen zu skalieren?

Der erste Fehler besteht darin, KI als ein Tooling-Problem zu behandeln. Die meisten Unternehmen haben bereits Zugang zu mehr KI-Fähigkeiten, als sie effektiv nutzen.

Der zweite Fehler besteht darin, KI auf bestehende Workflows aufzuschichten, ohne zu hinterfragen, ob diese Workflows überhaupt existieren sollten. Die Automatisierung ineffizienter Prozesse produziert selten eine Transformation.

Ein dritter Fehler besteht darin, KI als eine isolierte Innovationsinitiative zu behandeln, anstatt als eine organisatorische Fähigkeit. Eine nachhaltige KI-Adoption erfordert Änderungen in der Strategie, der Governance, der Produktentwicklung, der Betriebspraktiken und der Führung, nicht nur die Bereitstellung einer weiteren Technologieplattform.

Organisationen, die den größten Einfluss haben, gestalten um, wie Arbeit passiert. KI wird Teil des Betriebsmodells, anstatt nur ein weiteres Tool, das Mitarbeiter verwenden sollen.

Welche Lücke füllt der AI Value Architect aus, und wie ändert er die Teamdynamik?

KI reduziert dramatisch die Kosten für die Erstellung von Lösungen, aber es reduziert nicht die Kosten für die Lösung des falschen Problems.

Der AI Value Architect existiert, um Organisationen zu helfen, Möglichkeiten für die Nutzung von KI zu entdecken, während sie sich auf Geschäftsergebnisse konzentrieren. Diese Rolle hilft, Kundenwert, technische Machbarkeit, Kosten, Governance, rechtliche Überlegungen und ethische Verantwortung auszugleichen, bevor Organisationen in die Skalierung von KI-gestützten Fähigkeiten investieren.

Anstatt eine weitere Genehmigungsebene zu werden, schafft die Rolle des AI Value Architects eine Ausrichtung zwischen Geschäftsleitern, Produktteams und technischen Organisationen, damit Entscheidungen über KI sowohl schneller als auch besser informiert sind. Sie bietet einen praktischen Mechanismus, um Innovation mit Verantwortung zu balancieren, während messbare Geschäftswerte im Mittelpunkt jedes KI-Investments bleiben.

Wie balancieren Sie Innovationsgeschwindigkeit mit verantwortungsvoller KI-Überwachung?

Governance sollte nicht etwas sein, das nach der Innovation passiert. Es sollte in das Betriebsmodell integriert werden, damit Innovation sicher und kontinuierlich passieren kann.

Große Unternehmen müssen immer die Geschwindigkeit mit der Verantwortung ausgleichen. KI erhöht die Bedeutung dieses Gleichgewichts, da KI-Systeme neue Überlegungen zu Datenqualität, Transparenz, Voreingenommenheit, Compliance und organisatorischer Verantwortung einführen.

AI-Native SAFe macht Governance explizit, anstatt implizit. Es integriert Governance in die Portfolio-Entscheidungsfindung, hebt das Datenmanagement als erste Klasse an, hält den Menschen im Prozess und führt Rollenklarheit bei der KI-Verantwortung ein. Wenn Governance in die Art und Weise, wie Organisationen arbeiten, eingebettet ist, wird es zu einem Innovationsförderer, anstatt ein Hemmnis zu sein.

Wie werden sich die Teamstrukturen in Unternehmen in den nächsten fünf Jahren ändern?

Wir sehen vier große Veränderungen in hochleistungsfähigen Organisationen.

Erstens konzentrieren sich Menschen immer mehr auf die Definition von Absichten und gewünschten Ergebnissen, anstatt jede Aufgabe manuell auszuführen.

Zweitens werden Lern- und Experimentierzyklen dramatisch schneller, da KI die Exploration und Rückmeldung beschleunigt.

Drittens wird die Innovation dezentraler, da KI die Kosten für die Exploration im gesamten Unternehmen senkt.

Viertens werden Teams immer mehr KI-gestützt, wobei KI als aktiver Teilnehmer an der Lieferung agiert, anstatt nur ein weiteres Produktivitätstool zu sein.

In der Zukunft werden AI-Native-Teams wahrscheinlich weniger durch die Anzahl der Mitarbeiter definiert, sondern durch die Effektivität, mit der sie die Zusammenarbeit zwischen menschlicher Expertise und KI-Fähigkeit orchestrieren.

Warum ist die Datenbereitschaft immer noch ein so großes Hindernis, und was sollten Organisationen priorisieren?

Daten bleiben einer der größten Hindernisse für die Realisierung von KI im Unternehmen, da KI nur so effektiv ist wie die Informationen, auf denen sie basiert. Fragmentierte Daten, inkonsistente Governance und Workflows, die nicht für eine KI-natürliche Umgebung konzipiert wurden, halten viele Organisationen im Pilotmodus, anstatt KI im gesamten Unternehmen zu skalieren.

Forschung des Return on AI Institute fand heraus, dass 55% der globalen Führungskräfte den Mangel an KI-fähigen Daten als den größten Hemmschuh für die Realisierung von Wert aus KI nennen. Das bestätigt, was wir in der Praxis sehen: Bevor Organisationen stark in neue KI-Anwendungen investieren, müssen sie Daten als verwaltetes strategisches Vermögen behandeln, mit klarer Eigentümerschaft, Governance, Qualitätsstandards und Vertrauen. KI skaliert jede Information, die sie erhält, ob gut oder schlecht.

Das ist, warum AI-Native SAFe das Datenmanagement als strukturelles Element des Betriebsmodells einbezieht, anstatt es als Voraussetzung oder als jemand anderes’ Verantwortung zu behandeln. Die Datenbereitschaft ist nicht nur eine IT-Herausforderung; es ist eine Führungs- und Betriebsmodell-Herausforderung, die direkt die Fähigkeit einer Organisation beeinflusst, Geschäftswert aus KI zu erzeugen.

Wie hilft AI-Native SAFe Organisationen, von der Messung von Ausgaben zu der Messung von Ergebnissen zu wechseln?

KI macht es dramatisch einfacher, Ausgaben zu erzeugen. Wenn die Ausführung schneller und weniger teuer wird, wird die Ausgabe allein zu einem viel schwächeren Maß für den Fortschritt. Der echte Wettbewerbsvorteil verlagert sich auf die Messung, ob diese Ausgaben bedeutende Geschäftsergebnisse erzeugen.

AI-Native SAFe ist um einen ergebnisorientierten Produktentwicklungszyklus herum aufgebaut. Es bietet die Rollen, Praktiken und Governance, die notwendig sind, um KI-Investitionen kontinuierlich mit messbaren Geschäftswerten zu verbinden.

Die gleiche Forschung des Return on AI Institute unterstützt diese Verschiebung: Organisationen, die regelmäßig den Wert von KI auf der Ebene der Führung und des Vorstands messen und kommunizieren, berichten über deutlich stärkere Rückkehr auf ihre KI-Investitionen. AI-Native SAFe hilft, diese ergebnisorientierte Disziplin zu einem kontinuierlichen Teil des Unternehmensbetriebs zu machen.

Welche Faktoren sollten Organisationen berücksichtigen, wenn sie entscheiden, ob sie zu AI-Native SAFe wechseln sollen?

Das Kern-SAFE bleibt das richtige Betriebsmodell für viele Organisationen. AI-Native SAFe soll es nicht ersetzen; es erweitert es für Organisationen, deren Betriebsmodelle immer mehr von KI geprägt sind.

Organisationen sollten berücksichtigen, wo KI bedeutende Chancen bietet, die Arbeit umzugestalten, anstatt nur bestehende Aktivitäten zu automatisieren. Sie sollten bewerten, ob ihre Governance, Führungspraktiken und Datenfähigkeiten bereit sind, KI im Unternehmensumfeld zu unterstützen.

Am wichtigsten ist, dass dies keine alles-oder-nichts-Entscheidung ist. AI-Native SAFe enthält Anleitungen zur Adoption, damit Organisationen schrittweise evolvieren und AI-Native SAFe-Praktiken annehmen können.

Jede Organisation beginnt an einem anderen Punkt, und AI-Native SAFe ist darauf ausgelegt, diese Evolution zu unterstützen.

Wie sieht ein wirklich KI-natives Unternehmen im Jahr 2030 aus?

Bis 2030 werden die leistungsstärksten Organisationen nicht mehr an KI als ein Technologieproblem denken, sondern als eine Geschäftschance. Es wird integraler Bestandteil dessen sein, wie sie arbeiten, wettbewerbsfähig bleiben und Wert für ihre Kunden liefern.

Menschliche Führer werden immer mehr die Absicht definieren, strategische Entscheidungen treffen, Urteile fällen und für Ergebnisse verantwortlich bleiben. KI-Agents werden mehr der Analyse, Koordination und Ausführung durchführen, die bisher erhebliche menschliche Anstrengung erforderten.

Was die Branchenführer trennen wird, wird nicht der Zugang zu KI sein, jeder wird Zugang zu leistungsstarken KI-Fähigkeiten haben. Der Unterschied wird in der Qualität ihres Betriebsmodells liegen: wie effektiv sie Menschen, KI, Daten, Governance und kontinuierliches Lernen orchestrieren, um messbare Geschäftsergebnisse im großen Maßstab zu liefern.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Scaled Agile besuchen.