07762 - 56 79 952 info@crazyALEX.de
Mehr Wissen

Agilität: Von der Anforderung zur Hypothese

Warum KI-Agenten unser Verständnis von agiler Arbeit grundlegend verändern.

Agilität steht vor einem fundamentalen Wandel. Nicht, weil agile Prinzipien überholt wären, sondern weil sich die Art verändert, wie Arbeit erledigt wird.

Scrum wurde für Teams entwickelt, in denen Menschen Anforderungen analysieren, Lösungen entwickeln und Ergebnisse liefern. Da ihre Kapazitäten begrenzt sind, organisieren wir Arbeit in Backlogs, Sprints und regelmäßigen Meetings.

Doch was passiert, wenn KI-Agenten einen Großteil dieser Arbeit übernehmen? Wenn sie selbstständig analysieren, planen, entwickeln, testen und optimieren können?

Dann reicht es nicht, Scrum durch KI effizienter zu machen.

Wir müssen Agilität grundsätzlich neu denken.

Warum brauchen wir noch Sprints?

Sprints schaffen einen gemeinsamen Rhythmus für Planung, Umsetzung und Feedback. Mit begrenzter menschlicher Kapazitäten ist das sinnvoll.

Doch wenn KI-Agenten innerhalb von Minuten oder Stunden Ergebnisse liefern können, verliert diese zeitliche Struktur einen wesentlichen Teil ihrer Bedeutung.

Warum sollte ein Agent auf das nächste Sprint Planning warten? Warum sollten wir Aufgaben für zwei Wochen festlegen, wenn schon wenige Stunden später neue Erkenntnisse entstehen, die unsere Prioritäten verändern?

Natürlich benötigen auch KI-Agenten Zeit. Komplexe Probleme, Qualitätssicherung und echte Kundenexperimente lassen sich nicht beliebig beschleunigen.

Aber gerade deshalb sollten wir Arbeit nicht zusätzlich an künstliche Zeitfenster koppeln.

Agilität braucht keine Sprints. Agilität braucht kontinuierliches Lernen, Feedback und Anpassung.

Statt fester Sprint-Zyklen könnte ein kontinuierlicher Prozess entstehen: Agenten bearbeiten Aufgaben, überprüfen Ergebnisse und reagieren auf neue Erkenntnisse. Menschen greifen ein, wenn Entscheidungen, Verantwortung oder strategische Orientierung erforderlich sind.

Nicht der Kalender bestimmt den Arbeitsrhythmus, sondern der Erkenntnisgewinn.

Von der Anforderung zur Hypothese

Noch grundlegender verändert sich der Ausgangspunkt unserer Arbeit.

Heute beginnt Produktentwicklung häufig mit einer Anforderung:

„Wir brauchen einen einfacheren Checkout.“

Daraus entstehen User Stories, Akzeptanzkriterien und Aufgaben. Doch eine solche Anforderung enthält bereits eine vermeintliche Lösung.

Woher wissen wir eigentlich, dass ein einfacherer Checkout das Problem löst?

Vielleicht brechen Kunden ihren Kauf ab, weil Versandkosten zu spät angezeigt werden. Vielleicht fehlt eine Zahlungsmethode. Vielleicht mangelt es an Vertrauen.

Was wäre, wenn wir nicht mehr Anforderungen, sondern Hypothesen formulieren?

Zum Beispiel:

„Wir vermuten, dass unerwartete Versandkosten zu Kaufabbrüchen führen. Wenn wir diese früher transparent machen, verbessert sich die Conversion-Rate.“

Damit verändert sich der Arbeitsauftrag fundamental.

Nicht mehr: Implementiere diese Funktion.

Sondern: Überprüfe diese Annahme und finde heraus, welche Lösung tatsächlich Wirkung erzielt.

KI-Agenten könnten Daten analysieren, unterschiedliche Lösungsansätze entwickeln, Experimente vorbereiten, Tests durchführen und Ergebnisse auswerten.

Der Erfolg wäre nicht länger die Fertigstellung einer User Story, sondern eine überprüfte Hypothese und ein messbarer Kundennutzen.

Vom Product Backlog zur Hypothesen-Pipeline

Wenn wir diesen Gedanken konsequent weiterführen, müssen wir auch das klassische Product Backlog hinterfragen.

Warum sollten wir Hunderte Anforderungen sammeln, priorisieren und detailliert beschreiben, wenn wir heute noch gar nicht wissen, welche davon morgen relevant sind?

In einer agentenbasierten Organisation könnte an die Stelle des Backlogs eine dynamische Hypothesen-Pipeline treten.

Im Mittelpunkt stehen drei Elemente:

  • Outcomes: Welche messbare Veränderung wollen wir für Kunden oder Unternehmen erreichen?

  • Hypothesen: Welche Annahmen über Probleme und mögliche Lösungen wollen wir überprüfen?

  • Experimente: Wie können wir möglichst schnell belastbare Erkenntnisse gewinnen?

KI-Agenten übernehmen große Teile der operativen Umsetzung. Sie können Hypothesen untersuchen, Experimente vorschlagen und innerhalb klar definierter Grenzen selbstständig handeln.

Neue Erkenntnisse führen unmittelbar zu neuen Prioritäten. Hypothesen werden bestätigt, verworfen oder angepasst.

Das System arbeitet kontinuierlich, statt auf das nächste Planning zu warten.

Dabei muss nicht jede Hypothese automatisch zur Umsetzung führen. Manchmal ist die wichtigste Erkenntnis, dass eine vermeintlich gute Idee nicht funktioniert.

Auch das ist Fortschritt – möglicherweise sogar wertvoller als ein fertig entwickeltes Feature, das niemand benötigt.

Continuous Outcome Delivery statt Sprint Delivery

Aus dieser Denkweise könnte ein neues agiles Betriebsmodell entstehen: Continuous Outcome Delivery.

Der zentrale Kreislauf lautet:

Outcome → Hypothese → Experiment → Evidenz → Entscheidung → nächste Hypothese

Menschen definieren die strategischen Ziele, die Rahmenbedingungen und die Kriterien für Erfolg.

KI-Agenten übernehmen innerhalb dieser Grenzen die Analyse, Planung, Umsetzung und Validierung.

Entscheidend ist, dass Ergebnisse nicht erst nach einem Sprint überprüft werden. Lernen und Anpassung finden kontinuierlich statt.

Dabei können unterschiedliche Hypothesen parallel bearbeitet werden. Manche liefern innerhalb weniger Stunden Erkenntnisse, andere benötigen längere Kundenexperimente.

Es geht nicht darum, möglichst viele Experimente durchzuführen, sondern möglichst schnell zu belastbaren Entscheidungen zu kommen.

Und auch die menschliche Zusammenarbeit verschwindet nicht. Strategie, Zielkonflikte, Kundenverständnis und Verantwortung benötigen weiterhin Austausch.

Aber menschliche Meetings müssen nicht länger den Takt der operativen Arbeit bestimmen.

Auch die agilen Rollen verändern sich

Wenn KI-Agenten Aufgaben planen, umsetzen und überprüfen, verändert sich zwangsläufig auch die Rolle der Menschen.

Ein Product Owner muss möglicherweise nicht mehr Hunderte User Stories pflegen. Stattdessen verantwortet er Ziele, priorisiert Hypothesen und bewertet Ergebnisse.

Entwickler beschäftigen sich stärker mit Architektur, Qualität, Sicherheit und der Orchestrierung von Agenten.

Und die Aufgabe eines Scrum Masters? Vielleicht verschiebt sie sich von der Moderation agiler Meetings hin zur kontinuierlichen Verbesserung des gesamten Mensch-KI-Arbeitssystems.

Auch die Vorstellung stabiler, crossfunktionaler Teams könnte sich verändern.

Statt für jede Aufgabe ein festes Team vorzuhalten, könnten spezialisierte KI-Agenten dynamisch entlang konkreter Outcomes zusammenarbeiten.

Menschen bleiben für strategische Orientierung, Verantwortung und kritische Entscheidungen zuständig.

Denn eines ist entscheidend: Mehr Autonomie darf nicht weniger Kontrolle bedeuten. Agenten brauchen klare Grenzen, überprüfbare Ergebnisse und angemessene menschliche Freigaben.

Wir müssen Erfolg neu messen

Wenn Umsetzungskapazität durch KI-Agenten deutlich skalierbarer wird, verlieren klassische Produktivitätskennzahlen wie Story Points und Velocity an Aussagekraft.

Was bedeutet Velocity, wenn ein Agent innerhalb einer Stunde Aufgaben erledigen kann, für die ein Team früher mehrere Tage benötigte?

Wir brauchen andere Fragen:

Wie schnell gelangen wir von einer Hypothese zu einer belastbaren Erkenntnis?

Welchen messbaren Kundennutzen haben wir geschaffen?

Wie zuverlässig sind die Ergebnisse?

Und wie viel Aufwand war notwendig, um eine tatsächlich wertvolle Veränderung zu erreichen?

Nicht die Menge erledigter Arbeit zählt, sondern ihre Wirkung.

Ein Agentensystem, das täglich hundert Features entwickelt, aber keine relevanten Probleme löst, ist nicht agil. Es ist lediglich schnell.

Vielleicht brauchen wir kein besseres Scrum

Das Interessante an dieser Entwicklung ist, dass KI-Agenten Agilität nicht überflüssig machen.

Im Gegenteil.

Die ursprünglichen agilen Prinzipien – kurze Feedbackzyklen, kontinuierliche Verbesserung, Anpassungsfähigkeit und Kundennutzen – werden wichtiger denn je.

Aber die Methoden, mit denen wir diese Prinzipien bislang umgesetzt haben, könnten an Bedeutung verlieren.

Vielleicht brauchen wir keine Sprints mehr. Vielleicht keine klassischen Backlogs. Vielleicht auch keine Scrum-Teams in ihrer heutigen Form.

Stattdessen entstehen Organisationen, die sich kontinuierlich entlang von Outcomes und Hypothesen weiterentwickeln.

Die entscheidende Frage lautet dann nicht mehr: „Was haben wir im letzten Sprint geliefert?“

Sondern: „Welche Hypothesen haben wir überprüft, was haben wir gelernt und welchen Wert haben wir geschaffen?“

Nächster Schritt Aus einer Idee wird ein klarer nächster Schritt. Kontakt