Action Research | Competivation

Gestaltende Innovationsforschung zu KI-Anwendungen

25.03.26

Weltweit stehen viele Unternehmen vor der Herausforderung, bei der Künstlichen Intelligenz (KI) nicht den Anschluss zu verlieren und mit KI-Werkzeugen, die ihr spezifisches Wissen nutzen, Wettbewerbsvorteile zu erzielen. Diese Entwicklung führt zur Renaissance einer gestaltenden Management- und Innovationsforschung, die das Ziel hat, Theorie und Praxis zu verbinden. Dabei verlagert sich die Forschung von der empirischen Arbeit an Universitäten zu einem verbindenden Gestalten in Reallaboren des Wandels.

In diesem Blogpost skizziere ich die Entwicklung des gestaltenden Forschungsansatzes, zeige seine Vorteile auf und erläutere ein allgemeines Vorgehenskonzept.

Jahr der Entscheidung bei der Anwendung von KI

2026 könnte zum Jahr werden, in dem sich für viele Unternehmen entscheidet, ob bei der Anwendung von KI der Durchbruch gelingt oder ob es bei isolierten Pilotprojekten bleibt. Nach einer Analyse des Marktforschungsunternehmens Forrester berichten nur 15 Prozent der Entscheider, dass der Einsatz von KI bislang messbar zum operativen Ergebnis ihrer Unternehmen beigetragen hat. Dies könnte dazu führen, dass diese rund ein Viertel ihrer geplanten Ausgaben für KI auf 2027 verschieben. Die Gefahr bei einer zu zögerlichen KI-Anwendung ist jedoch, dass so ein Rückstand entsteht, der nur schwer aufzuholen ist.¹

Andererseits gelingt es Vorreiter-Unternehmen, mit einer an ihre spezifische Situation angepassten KI deutliche Wettbewerbsvorteile zu erzielen. Diese Pioniere praktizieren eine gestaltende Management- und Innovationsforschung, um so die Grundlage für Erfolge zu schaffen. Ein Beispiel ist Siemens, das das weltweite größte und breiteste Angebot an industriellen KI-Anwendungen gestalten und seinen Unternehmenswert verdoppeln möchte.²

Das Institut der Deutschen Wirtschaftsforschung (IW) prognostiziert, dass das Potenzial zur Steigerung der Bruttowertschöpfung durch den Einsatz von KI bis 2034 in Deutschland bei 440 Milliarden Euro liegt. Davon entfallen 110 Milliarden Euro auf mögliche Innovationen und 330 Milliarden Euro auf einer Steigerung der Produktivität. Für den Industriestandort Deutschland bildet vor allem die Anwendung von KI eine Chance. Das hat auch Google, die Tochter des US-Technologiekonzerns Alphabet erkannt. Man wird in Deutschland 5,5 Milliarden Euro investieren und in Berlin ein Zentrum für KI-Anwendungen eröffnen, wo auch eigene Forscher angesiedelt sind.³

Aus dieser neuen Lage ergeben sich spannende Implikationen für die Gestaltung von KI-Ökosystemen.

Gestaltung von KI-Ökosystemen

Die Chance für etablierte Unternehmen liegt in einer wissensspezifischen KI, bei der KI-Werkzeuge das spezielle Know-how der Unternehmen nutzen und verstärken.⁴ Dies gelingt am besten in KI-Ökosystemen.

Unter dem Begriff KI-Ökosystem versteht man ein dynamisches Netzwerk mit guten Verbindungen zwischen verschiedenen Akteuren, die KI-Technologien nutzen, um Innovationen zu gestalten und zu verbreiten. KI-Ökosysteme können auf eine Region konzentriert sein und sich um einen Kern herum entwickelt haben, z.B. eine Universität oder ein Unternehmen. Das bekannteste und einflussreichste KI-Ökosystem der Welt ist im Silicon Valley in der San Francisco Bay Area entstanden. Den Kern des Silicon Valley hat in den 1930er Jahren die Stanford University nahe Palo Alto gebildet. 1939 gründeten Bill Hewlett und David Packard dort in einer Garage das Unternehmen HP. Später haben sich hier führende Halbleiter-Unternehmen, die dem Tal seinen Namen gegeben haben und einige der großen KI-Anbieter angesiedelt.

Die Stanford University ist das Vorbild für Helmut Schöneberger gewesen, den Chef des Münchner Gründerzentrums Unternehmertum. Entscheidend für den Erfolg waren dabei die Zusammenarbeit mit der Technischen Universität München und die Unterstützung durch die BMW-Gesellschafterin Susanne Klatten: Daneben sind in München weitere Gründerzentren entstanden, wie z.B. das Center for Digital Technology and Management (CDTM), das den transdisziplinären Master-Studiengang Technology Management anbietet, dabei eng mit Industriepartnern zusammenarbeitet und über 250 Unternehmensgründungen hervorgebracht hat.

2025 haben Startups in München 3,3 Milliarden Euro Risikokapital erhalten und damit bei diesem Kriterium Berlin auf Rang 2 verdrängt, wo Jungunternehmen 2,7 Milliarden Euro einsammeln konnten. Daneben sind aber auch in anderen deutschen Regionen KI-Ökosysteme mit erfolgreichen Startups entstanden.

Schlüsselakteure in KI-Ökosystemen sind:

Verantwortliche in relevanten Politikfeldern und auf verschiedenen Ebenen von Ländern und Regionen
Universitäten und Schulen
KI-Startups, die als Ausgründungen entstanden sind oder sich in einer Region angesiedelt haben
Wagniskapitalgeber, die mit Venture Capital das Wachstum der KI-Startups finanzieren
große Anbieter von KI-Hardware und -Software, die mit ihrer Kapitalkraft die Finanzmärkte prägen und einen erheblichen Einfluss auf Umwelt und Gesellschaft haben sowie
etablierte Unternehmen und ihre Mitarbeitenden, die KI anwenden, mit Startups zusammenarbeiten und sich an ihnen beteiligen.

Ein interessantes Beispiel für neue Möglichkeiten der Zusammenarbeit zwischen etablierten Unternehmen und Startups liefert die Pharmaforschung.

In der Pharmabranche beschleunigen Techbio-Unternehmen, wie das französische Startup Owkin mithilfe von KI die frühe Wirkstoffforschung. Eine erste Welle von Medikamenten, die so entwickelt wurden, befindet sich in klinischen Studien. Eine mögliche Form der Zusammenarbeit ist, dass KI-Biotechs die frühe Wirkstoffsuche übernehmen und etablierte Pharma-Unternehmen die späteren Phasen und die Vermarktung. Eine andere Option ist, dass Pharma-Unternehmen die KI-Startups akquirieren und entsprechende eigene Kompetenzen aufbauen. In jedem Fall steht die forschungsintensive Branche vor einem grundlegenden Wandel, bei dem die Gestaltung von KI-Ökosystemen ein wichtiger Erfolgsfaktor ist.⁵ Das Beispiel verdeutlicht, dass sich mit dem Wandel von Branchen auch die Managementforschung verändert.

Künstliche Intelligenz ist aber nicht nur Treiber von Produktivität und Innovation, sondern stellt auch eine potenzielle Bedrohung dar. Angesichts der Veränderungen der Geopolitik kommt es für Europa darauf an, Gestaltungsmacht zurückzugewinnen. Ein wichtiges Mittel hierzu kann eine vertrauenswürdige KI sein. Die jüngste Auseinandersetzung zwischen der US-Regierung mit dem US-Startup Anthropic verdeutlicht, wie politisch die Gestaltung von KI-Ökosystemen inzwischen geworden ist.⁶ Auch dies führt zu gravierenden Veränderungen in der Managementforschung.

Ein wichtiger Aspekt, der bei KI-Ökosystemen häufig übersehen wird, sind die ökologischen und sozialen Wirkungen, die von KI-Technologien ausgehen. So erfordern große Sprachmodelle die Arbeit von Crawlern, die Daten zusammentragen und Annatoren, die Texte und Bilder kommentieren, bewerten und beschriften. Diese Arbeit läuft versteckt von der Öffentlichkeit häufig in Ländern des „globalen Südens“ ab. Die Transparenz dieser Lieferketten ist gering.⁷

Managementforschung in Reallaboren des Wandels

In der betriebswirtschaftlichen Forschung dominieren seit langem empirische Ansätze, die überwiegend von Universitäten ausgehen. Die Ergebnisse ihrer Arbeiten publizieren die Autoren in wissenschaftlichen Fachzeitschriften, die Praktiker aber nur selten lesen. Die Kritik an diesem Rückzug in einen „wissenschaftlichen Elfenbeinturm“ bemängelt, die praktische Relevanz der Forschung habe abgenommen. Diese Kritik ist nicht neu, aber stärker geworden.⁸

Die Universitäten verteidigen ihre Position mit dem Argument, die Praxisrelevanz der empirischen Forschung basiere auf „Exkursionen ins Feld“, in denen die Sichtweisen relevanter Akteure analysiert würden. Das Ziel der Arbeiten liegt jedoch in der Regel nicht darin, konkrete Objekte wie z.B. neue KI-basierte Geschäftsmodelle in ihrem spezifischen Kontext zu gestalten.⁹

Insofern unterscheidet sich die betriebswirtschaftliche Forschung von dem gestaltenden Ansatz der Technikwissenschaften, der überwiegend in Laboren und Pilotanlagen abläuft.

Aufgrund der wachsenden Bedeutung einer inter- oder transdisziplinären Forschung nimmt auch in der Managementwissenschaft inzwischen der Anteil eines verbindenden Gestaltens zu. Diese praxisnahe, Design-orientierte Forschung erfolgt zunehmend in Reallaboren des Wandels.¹⁰ Ein wichtiger Treiber dieser Entwicklung ist die Künstliche Intelligenz, die als Motor für die Gründung von Startups und eine Neuausrichtung etablierter Unternehmen wirkt. Wir vertreten die Auffassung, die Managementforschung sollte nach einer Phase des Rückzugs in Universitäten wieder stärker in der Praxis stattfinden und dabei gestaltende Ansätze nutzen.

Mit dieser Antwort auf die Fragen nach dem Wie und Wo der Forschungsansätze beginnt ein neues Kapitel in der Entwicklungsgeschichte der Managementforschung. Ein wichtiges Kennzeichen dieser Neuausrichtung auf ein Connective Design ist eine Forschung, in der Wissenschaftler, Berater und Praktiker ihre verschiedenen Perspektiven und Stärken zusammenführen. Der Nutzen liegt in einer besseren Lösung komplexer Probleme ausgehend von neuen wissenschaftlichen Erkentnissen.¹¹

Ein Beispiel liefert die Entwicklung von humanoiden Robotern. In dem rasant wachsenden Markt haben die Unternehmen die besten Chancen, die Software- und Hardware-Kompetenz verbinden. Dabei sind Daten aus der realen Welt der größte Engpass. Der Metzinger Hersteller Neura Robotics hat sich daher entschieden, Trainingshallen für Roboter zu errichten. Eines der ersten dieser Gyms entsteht in Zusammenarbeit mit der Technischen Universität München im Munich Institute of Robotics and Machine Intelligence (MIRMI) am Flughafen München. Im internationalen Wettbewerb mit Unternehmen aus den USA und aus China kommt es bei dieser KI-Anwendung auf eine schnelle Skalierung an.¹²

Da die gestaltende Managementforschung weniger verbreitet ist, möchte ich kurz ihre Entwicklungsgeschichte skizzieren. Persönlich habe ich in den letzten Jahrzehnten immer wieder erlebt, wie unterschiedlich die Denk- und Sprachmuster der relevanten Akteure in Theorie und Praxis sind.

Grundlagen und Pioniere einer gestaltenden Managementforschung

Die gestaltende Managementforschung basiert auf ähnlichen Grundlagen und wurde durch einige Pioniere geprägt.¹³ Diese Grundlagen sind:

Das von dem Sozialpsychologen Kurt Lewin ausgegangene Action Research. Lewin setzte sich für eine Verbindung von Theorie und Praxis ein, um reale Probleme zu lösen.
Die durch den Wirtschaftsnobelpreisträger Herbert Simon geprägte allgemeine Design-Theorie.¹⁴ Simon versteht hierunter eine Wissenschaft des Gestaltens von menschengemachten Artefakten und Systemen.
Die von dem Harvard-Professor Chris Argyris konzipierte Action Science.¹⁵ Argyris Ziel ist es vor allem, Wissen nutzbar zu machen, um Handlungen in Organisationen zu verbessern.
Dem von Alan Hevner an der Universität South Florida entwickelten Ansatz des Design Science Research (DSR).¹⁶ Bei diesem vor allem in der Wirtschaftsinformatik verbreiteten Konzept steht die Lösung von komplexen, realen Problemen durch innovative IT-Systeme im Mittelpunkt.
Das von verschiedenen Wissenschaftlern beschriebene Action Design Research (ADR), das Action Research und Design Science Research verbindet.

Pioniere einer gestaltenden Managementforschung sind unter anderem die an der Universität Eindhoven lehrenden Joan Ernst van Aken und Georges Romme sowie David Denyer von der Cranfield University in Großbritannien. Van Aken verfolgt das Ziel, die Kluft zwischen Managementtheorie und -praxis zu verringern. Im Vordergrund steht dabei eine transdisziplinäre Forschung zur Lösung praktischer Managementprobleme. Ausgehend von der Design-Theorie erprobt Romme iterative Prozesse bei der Organisationsgestaltung.¹⁷ Denyer sieht Managementwissen als gestaltbare Ressource, um reale Probleme zu lösen. Sein Ansatz zur Lösungsorientierung versucht, den Praxistransfer durch Wirkmechanismen und eine Evidenzprüfung mit verschiedenen Informationsquellen zu sichern.

Besonders deutlich werden die Vorteile eines gestaltungsorientierten Ansatzes in der Innovations- und Nachhaltigkeitsforschung.

Vorteile in der Innovations- und Nachhaltigkeitsforschung

Bei der Anwendung von KI entfalten sich die Vorteile einer gestaltenden Innovations- und Nachhaltigkeitsforschung vor allem in Unternehmen, die diesen Ansatz in selbstähnlichen Strategie 5.0-Laboren praktizieren. Das Ziel eines solchen Reallabors ist eine Verbindung der verschiedenen Handlungsfelder für KI-Anwendungen.¹⁸ Dabei hilft es, wenn das Gegenstromprinzip aus top-down entstehender KI-Strategie und einer sich bottom-up entwickelnden harmonischen Vielfalt der KI-Anwendungen funktioniert.

Nach unserer Erfahrung aus einer Reihe an Projekten haben die folgenden Vorteile eine besondere Bedeutung:

Die Beseitigung von Innovationsbarrieren
leistungsfähige und vertrauenswürdige Innovationsökosysteme
motivierte Hochleistungsteams
ein verbindendes Gestalten als Kernkompetenz
ein verbesserter Technologietransfer
beschleunigte Lernschleifen mit agilen Methoden sowie
konkrete Ergebnisse und messbare Erfolge für alle Stakeholder.

Diese Vorteile ermöglichen eine Neuausrichtung von Innovationssystemen.

Die Defizite bei der deutschen Energie- und Mobilitätswende sind ein Beispiel dafür, wie wichtig es ist, Innovationsbarrieren zu beseitigen.¹⁹ Hierbei geht es darum, neue Erkenntnisse der Innovationsforschung in praktisches Handeln umzusetzen.

Das Ziel ist die Gestaltung von leistungsfähigen und vertrauenswürdigen Innovationsökosystemen.²⁰ Ein Kennzeichen dieser Systeme ist die bessere Zusammenarbeit der Akteure aus den Sektoren Politik, Wissenschaft, Wirtschaft und Gesellschaft.

Eine Schlüsselrolle bei der gestaltenden Innovationsforschung haben motivierte Hochleistungsteams.²¹ Führungskräften kommt die Aufgabe zu, ein unternehmerisches Selbstbild vorzuleben und zu fördern. Dies beginnt bei der Ausbildung und setzt sich in der beruflichen Tätigkeit fort.

Eine dabei zu entwickelnde Kernkompetenz ist das verbindende Gestalten.²² Dies erfordert eine Neuausrichtung von Lehre und Forschung mit KI als Werkzeug. Eine solche Human-Centric AI durchdringt alle Disziplinen.

Ein positiver Nebeneffekt ist der verbesserte Technologietransfer.²³ Dabei geht es um eine Überwindung des deutschen Paradoxes zwischen Stärken in der Grundlagenforschung und Schwächen bei der Vermarktung.

Ein Mittel hierzu sind beschleunigte Lernschleifen in Organisationen.²⁴ Dabei kommen agile Methoden zum Einsatz. Wichtig ist, ein allgemeines Vorgehenskonzept an spezifische Problemtypen und die jeweilige Situation anzupassen.

Dabei sollten sich alle Stakeholder an konkreten Ergebnissen und messbaren Erfolgen orientieren.²⁵ Bei gemeinsamen Programmen erfolgt dies mit Hilfe eines transparenten Performance Managements.

Im Folgenden möchte ich ein geeignetes Vorgehenskonzept erläutern.

Schritte eines allgemeinen Vorgehenskonzepts

Ein Beispiel für gestaltende Innovations- und Nachhaltigkeitsforschung ist die KI-basierte strategische und organisatorische Neuausrichtung eines Unternehmens.²⁶ Bei Themen wie diesem hat sich ein allgemeines Vorgehenskonzept bewährt, das aus den in der Abbildung dargestellten sechs Schritten besteht.

Der erste Schritt ist eine Analyse des Standes der Forschung sowie von Best-Practise-Beispielen und der spezifischen Ausgangssituation. Hierbei stellt sich die Aufgabe, eine interne und eine externe Perspektive in einem Audit zu verbinden.

Entscheidend ist dann, ein umfassendes Verständnis der Problemkomplexität zu entwickeln, deren Ursachen zu verstehen und sich dabei zwischen den relevanten Akteuren abzustimmen. Erfolgreicher als disziplinäre Forschungsansätze ist dabei eine Zusammenarbeit verschiedener Fachbereiche mit der Praxis.

Auch bei der anschließenden Gestaltung und Auswahl von kreativen Lösungsansätzen spielen transdisziplinäre Teams eine wichtige Rolle. Was für eine einzelne Organisation Neuland, ist kann dabei in der Summe durchaus zu einem wissenschaftlichen Erkenntnisfortschritt beitragen.

Ein prägendes Kennzeichen der Design-orientierten Innovationsforschung ist die Durchführung von Pilotprojekten für Minimum Viable Solutions (MVS). Diese „minimal funktionsfähigen Lösungen“ werden in Reallaboren des Wandels getestet. Für etablierte Unternehmen erfordert das Arbeiten in Lernschleifen häufig einen Wandel des Mindset. Bei dieser Aufgabe kann die Personalentwicklung unterstützen.

Der fünfte Schritt ist die Planung und Durchführung der Umsetzung. Dies ist eng verbunden mit einer Finanzierung der Skalierung. Deutsche Startups beklagen seit langem Nachteile z.B. gegenüber den USA. Daher ist gerade bei diesem Schritt eine Verbesserung der politischen Rahmenbedingungen anzustreben.

Parallel dazu erfolgt eine transparente Leistungsmessung z.B. mit der Objectives and Key Results (OKR-) Methode. Transparent bedeutet in diesem Zusammenhang, dass das Performance Management nicht in sektoralen Silos stattfindet. Für eine Politik, die zwar Ziele festlegt, aber die Erfolgsmessung vernachlässigt, ist dies mit einem Lernprozess verbunden, der auf eine gemeinsame Systemgestaltung durch Innovationsmanager gerichtet ist.

Innovationsmanager gestalten komplexe, evolutionäre Systeme

Bereits in unserer 2014 erschienenen Buchpublikation „Der Innovationsmanager“ sind wir zu dem Ergebnis gekommen, dass eine zentrale Aufgabe von Innovationsmanagern in der Gestaltung von Innovationssystemen und einer Verbindung verschiedener Handlungsfelder liegt.²⁷ Danach haben wir uns intensiv mit der verhaltensökonomischen Perspektive eines solchen verbindenden Gestaltens beschäftigt.²⁸

Die wissenschaftliche Grundlage für das Connective Design bildet die Theorie komplexer, evolutionärer Systeme. Die Übertragung dieses Ansatzes auf sozio-technische Systeme hat einen Paradigmenwechsel im strategischen Management ausgelöst.²⁹ Das neue Management-Paradigma haben US-amerikanische Digital-Unternehmen besser gemeistert als die europäische Wirtschaft.³⁰

Eine weitere Erkenntnis ist, dass es sich bei der Innovationsforschung um eine transdisziplinäre Gestaltungsaufgabe handelt.

Inter- oder transdisziplinär?

Wir verwenden bewusst den Begriff transdisziplinär, um deutlich zu machen, dass es nicht nur wie bei dem Begriff interdisziplinär um die Vermittlung zwischen wissenschaftlichen Fächern geht, sondern auch um die Einbeziehung von nichtwissenschaftlichen Akteuren und eine Verbindung zwischen der Theorie und einem praktischen Gestalten.³¹ Die besondere Komplexität einer transdisziplinären Innovationsforschung resultiert aus

der Heterogenität der Disziplinen, die von der naturwissenschaftlichen und technischen Forschung über verschiedene Politikfelder bis zur Managementwissenschaft und Organisationspsychologie reicht
den verschiedenen Interessen und Denkmustern z.B. von Wissenschaftlern und Praktikern
der Dynamik der Entwicklung und der Anzahl von Ebenen, von der Geopolitik bis zum einzelnen Menschen sowie
den unterschiedlichen Rollen der Akteure, z.B. als neutraler Beobachter oder persönlich Betroffener.

Leider mangelt es der transdisziplinären Innovationsforschung in Universitäten bislang an Anerkennung. Die Ursachen hierfür sind vielfältig. Ein wichtiger Grund ist wohl, dass das traditionelle Wissenschafts- und Publikationssystem eher disziplinäre Spitzenleistungen honoriert. Dies ist eine Chance für die anwendungsorientierte Forschung.

Transdisziplinäre Forschung zu Nachhaltigkeitsinnovationen

Unsere 1994 erschienene Buchpublikation zum „ökologischen Umsteuern“ von Automobilunternehmen ist aus Beratungsprojekten und einer begleitenden Forschung an der Universität Stuttgart entstanden.³² Diese Forschung war transdisziplinär, aber nur eingeschränkt gestaltend, weil deutsche Unternehmen und die Politik damals unsere Empfehlungen z.B. zu neuen Antriebssystemen nicht umgesetzt haben.

Dreißig Jahre später kämpft die für die deutsche Wirtschaft so wichtige Branche mit gravierenden Problemen. VW, der nach Fahrzeugabsatz zweitgrößte Automobilhersteller weltweit, befindet sich in einem Prozess der strategischen und organisatorischen Neuausrichtung.³³ Gleichzeitig sind die geopolitischen Rahmenbedingungen von extremer Unsicherheit geprägt.

Das Beispiel verdeutlicht, dass beim Thema Nachhaltigkeitsinnovation eine transdisziplinäre und gestaltende Forschung für die Sicherung des Wohlstands unseres Landes von entscheidender Bedeutung ist. ³⁴ In den letzten Jahren hat sich das Thema dynamisch weiterentwickelt. Dabei ist die Verbindung von Umwelttechnik und Künstlicher Intelligenz in den Mittelpunkt des Interesses gerückt. Aus der Zusammenarbeit von etablierten Unternehmen mit Digital Greentech Startups können neue Marktführer entstehen, wenn es der europäischen Politik gelingt, die Rahmenbedingungen zu verbessern.³⁵

Ein Beispiel ist das deutsch-luxemburgische Startup R3 Robotics, das eine KI-gestützte Robotik-Plattform für das Batterierecycling entwickelt hat. Auf diese Weise kann Europa seine Abhängigkeit von Importen verringern und die Nachhaltigkeit von Batterien erhöhen.³⁶

Nach meiner persönlichen Erfahrung sind Studierende an solchen Themen nach wie vor sehr interessiert, weil sie die sich ergebenden Karrierechancen erkennen. Hiervon gehen für unser Expertenetzwerk wichtige Impulse aus.

Verbindung von Managementberatung und Personalentwicklung mit einer gestaltenden Innovations- und Nachhaltigkeitsforschung

Unser Expertennetzwerk Competivation verbindet seit langem Managementberatung und Personalentwicklung. Der Vorteil für die Klienten ist ein besseres Preis-Leistungsverhältnis als bei traditionellen Consultants, da ein Schwerpunkt auf der Qualifikation der Mitarbeitenden liegt, die aktiv in die Projekte eingebunden sind.

Seit einigen Jahren ergänzen wir diese Dienstleistung durch eine gestaltende Innovations- und Nachhaltigkeitsforschung. Dabei betreuen wir die Abschlussarbeiten von dualen Studierenden und externen Doktoranden, die in der Klientenorganisation an entsprechenden Projekten arbeiten. Hierbei liegt der Vorteil darin, dass die Forschung auf die spezifische Situation des Unternehmens zugeschnitten ist. Die Forschenden und ihr Unternehmen profitieren von der langen Erfahrung unserer Experten.

Mit diesem Ansatz hat Competivation ein internationales Alleinstellungsmerkmal geschaffen, das auf die Bedürfnisse des KI-Zeitalters ausgerichtet ist.

Eine gestaltende Forschung hat auch weit reichende Implikationen für die Hochschullehre. Dabei verstehen wir uns als innovativen Bildungsanbieter, der die Fähigkeit zu einem KI-unterstützten verbindenden Gestalten von Lösungen für komplexe Managementprobleme vermittelt.³⁷

Fazit

Bei der Anwendung von KI stehen viele Unternehmen vor der Aufgabe, ihre Position zu verteidigen und mit einem spezifischen Ansatz Wettbewerbsvorteile zu erzielen
Dabei kommt es entscheidend auf die Gestaltung von KI-Ökosystemen an
Parallel zu dieser Entwicklung verlagern sich Forschungsansatz und -ort in Richtung auf eine gestaltende Innovationsforschung in Reallaboren des Wandels
Dabei erlebt die gestaltende Management- und Innovationsforschung eine Renaissance, die sich aus einer Reihe von Vorteilen ergibt
Bei diesem transdisziplinären Forschungsansatz hat sich ein Vorgehen in sechs Schritten bewährt, das an den jeweiligen Problemtyp und die Situation angepasst wird.

Literatur

[1] Bomke, L., Wie Unternehmen den KI-Stresstest bestehen. In: Handelsblatt, 18. Februar 2026, S. 24

[2] Busch, R., „Wir erschaffen das industrielle Gegenstück zu ChatGPT“ (Interview). In: Manager Magazin, März 2026, S. 86-90

[3] Scheer, O., Das 440-Milliarden-Euro-Potenzial. In: Handelsblatt, 25. Februar 2026, S. 12

[4] Servatius, H.G., Wettbewerbsvorteile mit wissensspezifischer KI. In: Competivation Blog, 11.02.2025

[5] Smolak, H., Mehr Wirkstoffe, weniger Jobs? In: Handelsblatt, 24. Februar 2026, S. 22

[6] Matthes, S., Die Verfassungskrise der Maschinen. In: Handelsblatt, 13./14./15. März 2026, S. 5

[7] Muldoon, J., Feeding the Machine – Hinter den Kulissen der KI-Imperien, Harper Collins 2025

[8] Servatius, H.G., KI und die Zukunft der Management Education. In: Competivation Blog, 09.04.2025

[9] Servatius, H.G., KI als Werkzeug für das strategische Management. In: Competivation Blog, 01.05.2025

[10] Servatius, H.G., Gestaltung von vertrauenswürdigen Hochleistungssystemen. In: Competivation Blog, 29.01.2026

[11] Servatius, H.G., Lernen, Lösungen für komplexe Managementprobleme zu gestalten. In: Competivation Blog, 15.07.2025

[12] Buchenau, M., et al., Die deutschen Konkurrenten der Tesla-Roboter. In: Handelsblatt, 25.03.2026, S. 22-23

[13] Obdenakker, R., Cuijpers, C., Design Science Methodology for the Management Science – From Foundations to Implementation, Springer 2025

[14] Simon, H.A., The Sciences of the Artificial, 3. Aufl., MIT Press1996

[15] Argyris, C., Putnam, R., McLain Smith, A., Action Science – Concepts, Methods and Skills for Research and Intervention, Jossey-Bass 1985

[16] Hevner, A.R., et al., Design Science in Information Systems Research. In: MIS Quarterly, März 2004, S. 75-105

[17] Romme, G., The Quest for Professionalism – The Case of Management and Entrepreneurship, Paperbackshop UK Import 2016

[18] Servatius, H.G., Fraktale Organisation von Strategie 5.0-Laboren. In: Competivation Blog, 28.03.2023

[19] Servatius, H.G., Auf dem Weg zu einem neuen wirtschaftspolitischen Narrativ. In: Competivation Blog, 16.05.2022

[20] Servatius, H.G., Design von smarten Innovationsökosystemen. In: Competivation Blog, 12.05.2017

[21] Servatius, H.G., Eine Organisation auf Leistung trimmen. In: Harvard Manager, 1988, Nr. 4, S. 128-134

[22] Servatius, H.G., Let‘s Connect! Personalentwicklung für Stakeholder-Ökosysteme. In: IM+io, 2023, Heft 1, S. 40-41

[23] Servatius, H.G., Innovationsstrategien gemeinsam mit Stakeholdern gestalten. In: Competivation Blog, 31.08.2018

[24] Servatius, H.G., GenAI-basierte strategische Lernschleifen als verbindendes Prozessmuster. In: Competivation Blog, 15.08.2024

[25] Servatius, H.G., Von der digitalen Fitness zu Key Performance Indicators. In: Competivation Blog, 05.07.2017

[26] Servatius, H.G., Dreifache strategische Neuausrichtung. In: Competivation Blog, 07.06.2024

[27] Servatius, H.G., Gestaltung des Innovationssystems von Unternehmen. In: Servatius, H.G., Piller, F.D., (Hrsg.), Der Innovationsmanager – Wertsteigerung durch ein ganzheitliches Innovationsmanagement, Symposion 2014, S. 21-64

[28] Servatius, H.G., Wie Manager das Innovationssystem verhaltensökonomisch gestalten. In: IM+io, September 2015, Heft 3, S. 20-27

[29] Servatius, H.G., Entwicklung und Wandel des strategischen Managements. In: Competivation Blog, 19.09.2025

[30] Servatius, H.G., Von erfolgreichen Digital-Unternehmen lernen. In: Competivation Blog, 12.07.2024

[31] Schmohl, T., Philipp, T. (Hrsg.), Handbuch transdisziplinäre Didaktik, Transcript 2021

[32] Berger, R., Servatius, H.G., Krätzer, A., Die Zukunft des Autos hat erst begonnen – Ökologisches Umsteuern als Chance, Piper 1994

[33] Backovic, L., Weniger Volkswagen wagen. In: Handelsblatt, 20./ 21./ 22. März 2026, S. 50-54

[34] Servatius, H.G., Konnektivität bei Nachhaltigkeitsinnovationen. In: Competivation Blog, 01.02.2022

[35] Servatius, H.G., Mit einer Strategie 5.0 zu Erfolgen bei Digital GreenTech. In: Fesidis, B., Röß, S.A., Rummel, S. (Hrsg.), Mit Digitalisierung und Nachhaltigkeit zum klimaneutralen Unternehmen, SpringerGabler 2023, S. 71-94

[36] Höpner, A., Mit KI Elektroautos recyceln. In: Handelsblatt, 23. März 2026, S. 29

[37] Servatius H.G., Disruption der Management Education für KI-basierte Neuausrichtungen. In: Competivation Blog, 10.10.2025

Design-oriented innovation research on AI applications

25.03.26

Around the world, many companies face the challenge of keeping pace with artificial intelligence (AI) and gaining a competitive edge through AI tools that leverage their specific expertise. This development is leading to a renaissance in design-oriented management and innovation research, which aims to bridge the gap between theory and practice. In the process, research is shifting from empirical work at universities to connective design in real-world laboratories of change.

In this blog post, I outline the development of the design-oriented research approach, highlight its advantages, and explain a general procedural concept.

A decisive year for AI adoption

2026 could be the year that determines for many companies whether they achieve a breakthrough in AI adoption or remain stuck with isolated pilot projects. According to an analysis by the market research firm Forrester, only 15 percent of decision-makers report that the use of AI has so far made a measurable contribution to their companies’ operating results. This could lead them to postpone about a quarter of their planned AI spending until 2027. However, the danger of being too hesitant in adopting AI is that it creates a gap that is difficult to close.¹

On the other hand, pioneering companies are succeeding in achieving significant competitive advantages with AI tailored to their specific situations. These pioneers practice design-oriented management and innovation research to lay the groundwork for success. One example is Siemens, which aims to develop the world’s largest and broadest range of industrial AI applications and double its enterprise value.²

The German Economic Research Institute (IW) forecasts that the potential for increasing gross value added through the use of AI in Germany by 2034 stands at 440 billion euros. Of this, 110 billion euros is attributable to potential innovations and 330 billion euros to increased productivity. For Germany as an industrial hub, the application of AI in particular presents an opportunity. Google, a subsidiary of the U.S. technology conglomerate Alphabet, has also recognized this. It plans to invest 5.5 billion euros in Germany and open a center for AI applications in Berlin, where its own researchers will also be based.³

This new situation has exciting implications for the design of AI ecosystems.

Designing AI ecosystems

The opportunity for established companies lies in knowledge-specific AI, where AI tools leverage and amplify the companies’ specialized expertise.⁴ This is most effectively achieved within AI ecosystems.

The term “AI ecosystem” refers to a dynamic network with strong connections between various actors who use AI technologies to create and disseminate innovations. AI ecosystems can be concentrated in a single region and have developed around a central hub, such as a university or a company. The world’s best-known and most influential AI ecosystem emerged in Silicon Valley in the San Francisco Bay Area. Stanford University near Palo Alto formed the core of Silicon Valley in the 1930s. In 1939, Bill Hewlett and David Packard founded the company HP there in a garage. Later, leading semiconductor companies – which gave the valley its name – and some of the major AI providers established themselves here.

Stanford University served as a model for Helmut Schöneberger, the head of the Munich-based startup incubator UnternehmerTUM. Crucial to its success were the collaboration with the Technical University of Munich and the support of BMW shareholder Susanne Klatten. In addition, other startup incubators have emerged in Munich, such as the Center for Digital Technology and Management (CDTM), which offers the transdisciplinary master’s program in Technology Management, works closely with industry partners, and has spawned over 250 startups.

By 2025, startups in Munich had received 3.3 billion euros in venture capital, thereby pushing Berlin into second place in this category, where startups raised 2.7 billion euros. However, AI ecosystems with successful startups have also emerged in other German regions.

Key players in AI ecosystems include:

Decision-makers in relevant policy areas and at various levels of state and regional government
Universities and schools
AI startups that originated as spin-offs or have established themselves in a region
Venture capitalists who use venture capital to finance the growth of AI startups
Major providers of AI hardware and software that shape financial markets with their financial clout and have a significant impact on the environment and society, as well as
established companies and their employees, who use AI, collaborate with startups, and invest in them.

Pharmaceutical research provides an interesting example of new opportunities for collaboration between established companies and startups.

In the pharmaceutical industry, tech-bio companies, such as the French startup Owkin, are accelerating early-stage drug discovery with the help of AI. A first wave of drugs developed in this way is currently in clinical trials. One possible form of collaboration is for AI biotechs to take on early-stage drug discovery and for established pharmaceutical companies to handle the later phases and commercialization. Another option is for pharmaceutical companies to acquire AI startups and build up their own relevant capabilities. In any case, this research-intensive industry is facing a fundamental change, in which the design of AI ecosystems is a key success factor.⁵ This example illustrates that as industries evolve, management research changes as well.

However, artificial intelligence is not only a driver of productivity and innovation but also poses a potential threat. In light of geopolitical shifts, it is crucial for Europe to regain its ability to shape the future. A trustworthy AI can be an important means to this end. The recent dispute between the U.S. government and the U.S. startup Anthropic illustrates just how political the design of AI ecosystems has become.⁶ This, too, is leading to significant changes in management research.

An important aspect that is often overlooked in AI ecosystems is the environmental and social impact of AI technologies. For instance, large language models require the work of crawlers that collect data and annotators who comment on, evaluate, and label texts and images. This work often takes place out of the public eye, frequently in countries of the “Global South.” Transparency in these supply chains is low.⁷

Management research in real-world laboratories of change

Empirical approaches, predominantly originating from universities, have long dominated business research. The authors publish the results of their work in academic journals, which practitioners rarely read. Critics of this retreat into an “academic ivory tower” argue that the practical relevance of research has diminished. This criticism is not new, but it has grown stronger.⁸

Universities defend their position by arguing that the practical relevance of empirical research is based on “field trips” in which the perspectives of relevant actors are analyzed. However, the goal of such work is generally not to design concrete objects – such as new AI-based business models –within their specific context.⁹

In this respect, business research differs from the design-oriented approach of engineering sciences, which takes place predominantly in laboratories and pilot plants.

Due to the growing importance of inter- or transdisciplinary research, the proportion of connective design is also increasing in management science. This practice- and design-oriented research is increasingly taking place in real-world laboratories of change.¹⁰ A key driver of this development is artificial intelligence, which acts as a catalyst for the founding of startups and the realignment of established companies. We believe that, following a phase of retreat into universities, management research should once again take place more strongly in practice and utilize design-oriented approaches.

This response to the questions of how and where research approaches should be conducted marks the beginning of a new chapter in the history of management research. A key feature of this reorientation toward connective design is research in which scientists, consultants, and practitioners bring their diverse perspectives and strengths together. The benefit lies in better solutions to complex problems based on new scientific insights.¹¹

The development of humanoid robots provides an example. In this rapidly growing market, companies have the best chances when they combine software and hardware expertise. Data from the real world is the biggest bottleneck here. The Metzingen-based manufacturer Neura Robotics has therefore decided to build training facilities for robots. One of the first of these “gyms” is being developed in collaboration with the Technical University of Munich at the Munich Institute of Robotics and Machine Intelligence (MIRMI) at Munich Airport. In international competition with companies from the U.S. and China, rapid scaling is crucial for this AI application.¹²

Since design-oriented management research is less widespread, I would like to briefly outline its history. Personally, over the past few decades, I have repeatedly observed how different the thought and language patterns of the relevant actors are in theory and practice.

Principles and pioneers of creative management research

Design-oriented management research is based on similar principles and has been shaped by several pioneers.¹³ These principles are:

Action research, pioneered by social psychologist Kurt Lewin. Lewin advocated for a connection between theory and practice to solve real-world problems.
General design theory, as defined by Nobel Prize-winning economist Herbert Simon.¹⁴ Simon defines this as the science of designing human-made artifacts and systems.
Action Science, conceived by Harvard professor Chris Argyris.¹⁵ Argyris’s primary goal is to make knowledge usable in order to improve actions within organizations.
The Design Science Research (DSR) approach developed by Alan Hevner at the University of South Florida.¹⁶ This concept, which is particularly widespread in business informatics, focuses on solving complex, real-world problems through innovative IT systems.
Action Design Research (ADR), described by various scholars, which combines Action Research and Design Science Research.

Pioneers of design-oriented management research include Joan Ernst van Aken and Georges Romme, who teach at Eindhoven University, as well as David Denyer from Cranfield University in the UK. Van Aken aims to bridge the gap between management theory and practice. The focus is on transdisciplinary research to solve practical management problems. Building on design theory, Romme tests iterative processes in organizational design.¹⁷ Denyer views management knowledge as a malleable resource for solving real-world problems. His solution-oriented approach seeks to ensure practical application through mechanisms of action and evidence-based verification using various information sources.

The advantages of a design-oriented approach are particularly evident in innovation and sustainability research.

Advantages in innovation and sustainability research

When applying AI, the advantages of a design-oriented approach to innovation and sustainability research unfold most notably in companies that practice this approach in self-similar Strategy 5.0 labs. The goal of such a real-world lab is to connect the various fields of action for AI applications.¹⁸ It is helpful if the countercurrent principle – combining a top-down AI strategy with a bottom-up, harmoniously diverse range of AI applications – is effectively implemented.

Based on our experience from a series of projects, the following benefits are of particular importance:

The removal of barriers to innovation
high-performing and trustworthy innovation ecosystems
motivated high-performance teams
connective design as a core competency
improved technology transfer
accelerated learning loops using agile methods, as well as
concrete results and measurable success for all stakeholders.

These advantages enable a realignment of innovation systems.

The shortcomings in Germany’s energy and mobility transition are an example of how important it is to remove barriers to innovation.¹⁹ The aim here is to translate new insights from innovation research into practical action.

The goal is to design high-performing and trustworthy innovation ecosystems.²⁰ A hallmark of these systems is improved collaboration among stakeholders from the political, scientific, economic, and social sectors.

Motivated high-performance teams play a key role in shaping innovation research.²¹ Leaders have the task of exemplifying and fostering an entrepreneurial mindset. This begins with education and continues throughout one’s professional career.

A core competency to be developed in this context is connective design.²² This requires a reorientation of teaching and research using AI as a tool. Such human-centric AI permeates all disciplines.

A positive side effect is improved technology transfer.²³ The goal here is to overcome the German paradox between strengths in basic research and weaknesses in commercialization.

One way to achieve this is through accelerated learning loops within organizations.²⁴ Agile methods are used for this purpose. It is important to adapt a general approach to specific types of problems and the situation at hand.

In doing so, all stakeholders should focus on concrete results and measurable successes.²⁵ In joint programs, this is achieved through transparent performance management.

In the following, I would like to explain a suitable approach.

Steps of a general procedural concept

An example of design-oriented innovation and sustainability research is the AI-based strategic and organizational realignment of a company.²⁶ For topics such as this, a general procedural concept consisting of the six steps shown in the figure has proven effective.

The first step is an analysis of the state of research, best-practice examples, and the specific initial situation. The task here is to combine an internal and an external perspective in an audit.

It is then crucial to develop a comprehensive understanding of the problem’s complexity, to identify its causes, and to coordinate efforts among the relevant stakeholders. Collaboration between various disciplines and practitioners is more successful than disciplinary research approaches.

Transdisciplinary teams also play a key role in the subsequent design and selection of creative solutions. What may be uncharted territory for a single organization can, when taken as a whole, contribute significantly to scientific progress.

A defining characteristic of design-oriented innovation research is the implementation of pilot projects for Minimum Viable Solutions (MVS). These pilots are tested in real-world laboratories of change. For established companies, working in learning loops often requires a shift in mindset. Human resources development can support this effort.

The fifth step is planning and executing the implementation. This is closely linked to financing the scaling process. German startups have long complained of disadvantages, for example, compared to the U.S. Therefore, an improvement in the political framework conditions should be sought, particularly in this step.

In parallel, transparent performance measurement takes place, for example, using the Objectives and Key Results (OKR) method. In this context, “transparent” means that performance management does not occur in sectoral silos. For a policy that sets goals but neglects to measure success, this involves a learning process aimed at joint system design by innovation managers.

Innovation managers design complex, evolutionary systems

As early as in our 2014 book publication “The Innovation Manager,” we concluded that a central task of innovation managers lies in the design of innovation systems and the connection of various fields of action.²⁷ Subsequently, we engaged intensively with the behavioral economic perspective of such connective design.²⁸

The scientific foundation for connective design is the theory of complex, evolutionary systems. The application of this approach to socio-technical systems has triggered a paradigm shift in strategic management.²⁹ U.S. digital companies have mastered this new management paradigm better than the European economy.³⁰

Another insight is that innovation research is a transdisciplinary design task.

Interdisciplinary or transdisciplinary?

We deliberately use the term transdisciplinary to make it clear that, unlike the term interdisciplinary, it is not merely about mediating between scientific disciplines, but also about involving non-scientific actors and establishing a connection between theory and practical design.³¹ The particular complexity of transdisciplinary innovation research stems from

the heterogeneity of the disciplines, which ranges from natural science and technical research through various policy fields to management science and organizational psychology
the diverse interests and thought patterns, e.g., of scientists and practitioners
the dynamics of development and the number of levels, from geopolitics down to the individual, as well as
the different roles of the actors, e.g., as neutral observers or personally affected individuals.

Unfortunately, transdisciplinary innovation research has so far lacked recognition in universities. The reasons for this are manifold. One important reason is likely that the traditional academic and publication system tends to reward disciplinary excellence. This presents an opportunity for applied research.

Transdisciplinary research on sustainability innovations

Our book, published in 1994, on the “ecological reorientation” of automotive companies emerged from consulting projects and accompanying research at the University of Stuttgart.³² This research was transdisciplinary, but had only a limited impact because German companies and policymakers at the time did not implement our recommendations – for example, regarding new propulsion systems.

Thirty years later, this industry – so vital to the German economy – is grappling with serious problems. VW, the world’s second-largest automaker by vehicle sales, is undergoing a process of strategic and organizational realignment.³³ At the same time, the geopolitical landscape is marked by extreme uncertainty.

This example illustrates that, when it comes to sustainability innovation, transdisciplinary and design-oriented research is of crucial importance for securing our country’s prosperity. ³⁴ In recent years, the field has evolved dynamically. The intersection of environmental technology and artificial intelligence has moved to the center of attention. New market leaders can emerge from collaborations between established companies and digital greentech startups if European policymakers succeed in improving the framework conditions.³⁵

One example is the German-Luxembourgish startup R3 Robotics, which has developed an AI-powered robotics platform for battery recycling. In this way, Europe can reduce its dependence on imports and increase the sustainability of batteries.³⁶

In my personal experience, students remain very interested in such topics because they recognize the resulting career opportunities. This provides important impetus for our expert network.

Combining management consulting and human resources development with design-oriented innovation and sustainability research

Our expert network Competivation has long combined management consulting and human resources development. The advantage for clients is a better value for money than with traditional consultants, as the focus is on the qualifications of the employees who are actively involved in the projects.

For several years now, we have been supplementing this service with design-oriented innovation and sustainability research. In doing so, we supervise the theses of dual-track students and external doctoral candidates who are working on relevant projects within the client organization. The advantage here is that the research is tailored to the specific situation of the company. The researchers and their companies benefit from the extensive experience of our experts.

With this approach, Competivation has created a unique international selling point geared toward the needs of the AI era.

Design-oriented research also has far-reaching implications for university teaching. We see ourselves as an innovative educational provider that teaches the ability to a of AI-supported connective design of solutions for complex management problems.³⁷

Conclusion

When applying AI, many companies face the challenge of defending their position and gaining competitive advantages through a specific approach
In this context, the design of AI ecosystems is crucial
Parallel to this development, research approaches and locations are shifting toward design-oriented innovation research in real-world laboratories of change
In this context, design-oriented management and innovation research is experiencing a renaissance stemming from a number of advantages
In this transdisciplinary research approach, a six-step procedure has proven effective, which is adapted to the respective problem type and situation.

GenAI-based strategic learning loops as a connecting process pattern

01.11.24

The fifth development stage of a connective strategic management aims to make organizations and countries more digital, sustainable and resilient. In this stage, pioneering companies are realigning their strategic processes. The focus here is on GenAI-based strategic learning loops as a connecting process pattern. This innovative approach has the potential to improve the management of complexity. Here too, generative artificial intelligence (GenAI) is a driver and game changer. With the help of AI, strategy teams can further develop their individual leadership strengths and take advantage of the opportunities offered by new technologies. At the same time, it is important to reduce the risks associated with these technologies. A suitable containment approach for this currently only exists in its infancy. An alternative to the powerful digital giants is currently emerging in Germany.

In the first part of this blog post, I explain why the concept of strategic learning loops is becoming increasingly important for corporate success.

Disruption with GenAI made in Germany

If you are looking for successful strategy processes in Germany, the Schwarz Group, which has made the discount king Dieter Schwarz the richest citizen in the country, is an interesting lesson. First of all, the development of the discounters Lidl and Kaufland is a successful example of demand-side disruption.¹ Building on this, the Schwarz Group began producing its own food and setting up a recycling subsidiary.

With the Schwarz Digits division, which focuses on digital sovereignty, the Group’s disruption strategy is taking on a new dimension. The digital division’s portfolio currently consists of the following strategic business units and investments:

Stackit offers a sovereign cloud solution with technical infrastructure in Germany and Austria
The start-up Aleph Alpha is working on independent and transparent artificial intelligence
XM Cyber uncovers security vulnerabilities with the power of attack simulation
and finally, as a pioneer in data protection and encryption, Wire provides secure communication.

The highest growth rates worldwide are forecasted for this bundle of strategic business areas.² Sovereign, trustworthy AI made in Germany³ could prove to be a complement to the offerings of the digital giants, with whom cooperation is of course also possible.

Walter Wolf, CEO of Schwarz Digits, emphasizes the importance of specific knowledge for the company’s success, which must be protected. In October 2024, the company also deepened its partnership with SAP so that Stackit customers can take advantage of the comprehensive RISE with SAP offering.⁴

The universities, research institutions and start-ups supported by the Schwarz Group form the core of an innovation ecosystem⁵ in the region around Heilbronn and Heidelberg, which is highly attractive to partners from all over Europe.

With the Data Hub Europe, Schwarz Digits is now working with Deutsche Bahn to create a data platform for training specific, proprietary and confidential AI models.⁶ This example shows that successful strategy processes for digital innovations based on entrepreneurs are also possible in Germany.

In our book „The Internet of Things and Artificial Intelligence as a Game Changer“, published in 2020, we described the importance of linking centralized and decentralized processes with strategic learning loops.⁷ The central strategy processes take place at the level of the entire company. Agile strategy teams work at the decentralized level and are networked with each other as well as with the central level and its IT architecture.

In the following sections, I would like to explain how companies can better exploit the potential of strategy processes today. I will start with some basics.

Various strategy terms, behavioral patterns and strategy schools

The term strategy has different meanings. In his famous 5Ps, Henry Mintzberg mentions the plan, the ploy, the pattern, the position and the perspective.⁸ From today’s perspective, the different patterns of behavior that occur in certain types of companies and in specific situations are particularly relevant. For example, the visionary pattern of innovative companies, the classic pattern of established large companies, the agile pattern of start-ups and the scaling pattern of companies with a digital platform business model differ significantly from one another. Added to this is the cost-cutting pattern of companies undergoing restructuring.

Mintzberg and his co-authors also published a description of ten schools of strategy that have emerged since the 1960s in 1999.⁹ For example, the positioning school propagated by consulting firms and Harvard professor Michael Porter views strategy development and implementation primarily as an analytical process. When this school came to Germany in the 1970s and 80s, it met with a relatively high level of acceptance, particularly in established large companies.

The many world market leaders that are little known to the general public, for whom Hermann Simon coined the term „hidden champions“ in 1990,¹⁰ tend to practice a combination of the entrepreneurial school, the learning and cultural school. From the perspective of the learning school, strategies and, above all, innovations arise from the complex interaction of a large number of players. Such an emerging process is also an important success factor in many digital companies.¹¹

The first three of the ten schools are prescriptive in nature, i.e. they attempt to describe how strategy processes should work. The more recent seven schools, which include the learning school, are descriptive. Their aim is to describe how strategy processes actually take place.

My experience from strategy consulting for many DAX companies and even more „hidden champions“ is that strategy processes are much more complex in practice and usually combine different schools of strategy. This applies in particular to the combination of different behavioral patterns, e.g. in the context of mergers and acquisitions.

An important, but for a long time not well understood concept for managing the complexity of strategy processes are strategic learning loops and their emergence from various subject areas.

Development of strategic learning loops

The concept of strategic learning loops has emerged from two subject areas that have developed relatively separately from each other. The first area is strategy processes – surprisingly an area that has been neglected by management science and practice after a great deal of early work and in which there has been little progress. I have been concerned about these deficits for a long time.

After my dissertation on strategic technology management in 1985¹² , I had hoped that the successful implementation of technical innovations in the USA with the help of corporate venture management would also meet with broad approval in Germany. Unfortunately, the timing was not right when I published my book on this topic in 1988.¹³ It would take more than a decade before the investment of established companies in start-ups gradually gained in importance in Germany as well. Based on my experience from a large number of consulting projects with deficits in strategy processes, I began to look for the causes of these difficulties. In doing so, I was able to build on what I had learned in the meantime about innovation culture and strategic change.

In my post-doctoral thesis, published in 1991, I critically examined traditional strategic management „field commander style“. The alternative concept is evolutionary leadership of learning organizations.¹⁴ Successful digital start-ups have made this paradigm shift in strategic management from mechanistic to overcoming complexity and are now the most valuable companies in the world.¹⁵

Since the 1980s, problems in the implementation of strategies have become more of a focus of interest and various approaches to performance management have emerged. Semiconductor pioneer Intel developed the Objectives and Key Results (OKR) method, which was primarily used by start-ups such as Google.¹⁶ In Germany, the balanced scorecard method, which emerged from a best practice study by Robert Kaplan and David Norton and follows a more traditional top-down concept, became much better known.¹⁷

The second topic is learning loops, which have their roots in action research developed by social psychologist Kurt Lewin back in the 1940s.¹⁸ Such an approach in the form of a spiral of repetitive loops has become an important method of organizational development that favours a bottom-up approach. For a long time, however, the thinking patterns of strategists and organizational developers had little in common. This only changed with the increasing importance of strategic change.¹⁹

The great practical relevance of learning loops today lies in the fact that they are part of the basic procedural concept of agile methods such as design thinking, scrum and lean start-up.²⁰ These agile methods have made a decisive contribution to the success of digital companies, but still meet with resistance in many established companies. It is important to understand that the scrum method was developed on the basis of the theory of complex adaptive systems. In agile organizations, the main task of managers is to create a suitable framework for more self-organization.

Combining these two topics with generative artificial intelligence as a driver now enables a fundamental realignment of strategy processes.²¹

Realignment of strategy processes

Pioneering companies with whom we work pursue the following three approaches when realigning their strategy processes:

A breakdown of the processes into the phases of thinking, acting and communicative dissemination and change with strategic learning loops as a connecting process pattern
improving the relevant strategic skills of project teams based on individual leadership strengths and
exploiting the opportunities of company-specific generative artificial intelligence (GenAI) and containing its risks.

In the following, I will go into more detail about our experiences with the first two approaches. The last point will be the subject of the second part of this blog post.

Process phases and strategic learning loops

One shortcoming of traditional top-down strategy processes is the separation between the phases

creative strategic thinking that leads to the development or emergence of strategies and
practical strategic action to implement the strategies in the form of programs and projects that run alongside day-to-day operations.

At the interface between strategy generation and implementation, established companies have corporate development departments that are often supported by ambitious external consultants for challenging and unpleasant tasks. Empirical research on the success rate of this approach is limited. However, a growing number of negative practical examples show that this traditional understanding of the process needs to be revised.²²

In addition to these two phases, there is a third phase in which the shortcomings in bureaucratic organizations are particularly pronounced. This phase is about the communicative dissemination of strategies and a change designed as a learning process.

In recent decades, start-ups and successful digital companies have provided important impetus for this. For a long time now, software development has no longer been carried out using the waterfall method but with an agile mindset.²³ This is based on the aforementioned paradigm shift in strategic management from mechanistic to overcoming complexity. Strategic learning loops, which are increasingly GenAI-based, play an important role.

The basic principle of a strategic learning loop known from the lean start-up method is: formulate assumptions (hypotheses), design something (e.g. a further developed business model), test the assumptions, learn from the test results and, if necessary, pivot. In the digital world, these learning loops are the basics of successful management. However, encrusted silo organizations in business, administration and politics that are resistant to advice resist them with great emotional intensity.

The success of strategic learning loops lies in the fact that they combine the three phases of strategy processes described above. This creates a complexity-overcoming process pattern that is clearly superior to traditional approaches. The disruptive effect of this process pattern is a difficult barrier to overcome for established companies with „old-school“ managers.

Confirmation in training and further education

An interesting experience from university teaching in dual programs, in which people who work in different companies have the opportunity to share their experiences in a „fear-free space“, is the following: While one group of students experiences the unifying process pattern of strategic learning loops as an everyday working reality, for the other group this pattern is a foreign world in which attempts to change from within are perceived as futile or dangerous.

When the second group is asked whether external intervention by consultants, trainers or coaches would be promising, opinions are divided. One sub-group believes that this also has an alibi function at best. The other group believes that there is a certain openness to professional change agents because the signs of crisis are increasing and change is therefore necessary.

These personal experiences over a relatively long period of time confirm the thesis that Europe is divided into two management worlds. This gives rise to suggestions for answering the question of how strategy teams can improve their relevant skills.

Improvement of strategic capabilities

As in team sports, successful strategy teams are made up of players with different strengths. Creative strategic thinkers, analytically gifted planners, energetic implementers, strong communicators and empathetic change agents ideally act as strategy process champions in a team. However, many companies do not take full advantage of the opportunities to improve team performance in strategy processes, even though there are proven methods for doing so.

A well-known approach is the StrengthFinder concept, which divides personal leadership strengths into the categories of strategic thinking, implementation, influence on others and relationship development.²⁴ The figure shows the mapping of 34 identified strengths to these categories based on Don Clifton’s research.

This concept is suitable for the assessment of managers, the composition of high-performance teams and the targeted further development of individual skills.

The use of generative artificial intelligence is now opening up new opportunities. This once again demonstrates the relevance of the term „hype cycle“ coined by Gartner consultant Jackie Fenn in 1995.²⁵ The media hype cycle for new technologies often takes place in the following stages

basic research
technological trigger
exaggerated expectations up to a peak
disillusionment into the valley of disappointment
path to a realistic assessment and finally
a plateau in productivity.

I will discuss this and new developments in the application of generative AI in strategy processes in the second part of this blog post.

The example of Porsche shows how this can work in practice.

Changing rules of the game through AI in Porsche’s liquid organization

Sajjad Khan, Porsche’s IT Director, believes that AI is the next big wave that will fundamentally change the rules of competition. This game-changer effect lies in the possibilities of small and large language models to develop software faster. The goal must be the transition from the traditional hardware-first to a software-first approach. To achieve this, the mindset must change. His goal is to create a liquid organization in which everything is in flux and which works in turbo mode. The art of appropriate leadership is the close exchange with employees.²⁶

The idea of a liquid or fluid organization has fascinated me for a long time. The subtitle of my book „Implementing Reengineering Programs“, published in 1994, is „From rigid structures to fluid processes“. In the publication, I tried to expand the then dominant view of IT-driven process innovations²⁷ to include aspects such as interface competence, the fluidization of organizations and the mental change required for this.²⁸ What has been booming since then is the implementation of resource management and customer relationship management software. Unfortunately, only a few established companies succeed in making the strategic change to fluid forms of organization and management, which is designed as a learning process. It is therefore to be hoped that they will master the current AI wave better than previous waves of digitalization.

Conclusion

The concept of strategic learning loops has emerged from the combination of two subject areas that have developed relatively separately from each other: Firstly, the learning school of strategy processes and secondly, action research as the basis for agile methods.
Strategic learning loops are a connecting process pattern that enables a realignment of strategy processes.
With generative artificial intelligence (GenAI), digital companies have developed a powerful tool that opens up great opportunities but also harbors considerable risks. This tool also has a game-changing effect on strategy processes.
The aim of politics, science, business and society in a resilient Europe should be to play a pioneering role in the development of a sovereign, trustworthy GenAI and its application in strategic processes.

Literature

[1] Servatius, H.G., How do you recognize a disruptive business model? In: Competivation Blog, 27.06.2016

[2] Scheppe, M., These industries will shape the economy in 2040, in: Handelsblatt, October 24, 2024, p.22-23

[3] Fokuhl. J., Bomke, L., AI „made in Germany“, in: Handelsblatt, October 22, 2024, p.6-7

[4] Wolf, W., „Many consider the data-sovereign cloud to be a utopia“, in: Trend Report, November 2024, p.12

[5] Fransman, M., Innovation Ecosystems – Increasing Competitiveness, Cambridge University Press 2018

[6] Holzki, L., Fokul, J., Deutsche Bahn and Schwarz Group plan data marketplace, in: Handelsblatt, October 25/26/27, 2024, p.24

[7] Kaufmann, T., Servatius, H.G., Das Internet der Dinge und Künstliche Intelligenz als Game Changer – Wege zu einem Management 4.0 und einer digitalen Architektur, SpringerVieweg 2020, p. 56 ff.

[8] Mintzberg, H., The Strategy Concept – Five Ps for Strategy, in: California Management Review, 1987, pp.11-24

[9] Mintzberg, H., Ahlstrand, B., Lampel, J., Strategy Safari – Eine Reise durch die Wildnis des strategischen Managements, Ueberreuter 1999

[10] Simon, H., Hidden Champions des 21. Jahrhunderts – Die Erfolgsstrategien unbekannter Weltmarktführer, Campus 2007

[11] McAfee, A., The Geek Way – The Radical Mindset That Drives Extraordinary Results, Macmillan Business 2023, p.103 ff.

[12] Servatius, H.G., Methodik des strategischen Technologie-Managements – Grundlage für erfolgreiche Innovationen, Erich Schmidt Verlag 1985

[13] Servatius, H.G., New Venture Management – Successful Solution of Innovation Problems for Technology Companies, Gabler 1988

[14] Servatius, H.G., Vom Strategischen Management zur Evolutionären Führung – Auf dem Weg zu einem ganzheitlichen Denken und Handeln, C.E. Poeschel Verlag 1991

[15] Servatius, H.G., Learning from successful digital companies, in: Competivation Blog, 12.07.2024

[16] Doerr, J., Measure What Matters: OKRs – the Simple Idea That Drives 10x Growth, Portfolio Penguin 2018

[17] Kaplan, R.S., Norton, D.P., The Execution Premium – Linking Strategy to Operations for Competitive Advantage, Harvard Business Press 2008

[18] Krizanits, J., Einführung in die Methoden der systemischen Organisationsberatung, Carl-Auer 2013, p.9 ff.

[19] Tichy, N.M., Managing Strategic Change – Technical, Political, and Cultural Dynamics, John Wiley & Sons 1983

[20] Ries, E., The Lean Startup – How Today’s Entrepreuners Use Continuous Innovation to Create Radically Successful Businesses, Crown Currency 2011

[21] Servatius H.G., Triple strategic realignment, in: Competivation Blog, 07.06.2024

[22] Mazzucato, M., Collington, R.H., Die große Consulting-Show – Wie die Beratungsbranche unsere Unternehmen schwächtt, den Staat unterwandert und die Wirtschaft vereinnahmt, Campus 2023

[23] Servatius, H.G., Ways to an agile mindset, in: Competivation Blog, 09.08.2018

[24] Rath, T., Conchie, B., Strengths Based Leadership – Great Leaders, Teams, and Why People Follow, Gallup Press 2008

[25] Fenn, J., Raskino, M., Mastering the Hype Cycle – How to Choose the Right Innovation at the Right Time, Harvard Business Review Press 2008

[26] Hucko, M., „AI completely changes the rules of the game“ (Interview with Sajjad Khan), in: Manager Magazin; November 2024, p.66-68

[27] Davenport, T.H., Process Innovation – Reengineering Work through Information Technology, Harvard Business School Press 1993

[28] Servatius, H.G., Reengineering-Programme umsetzen – Von erstarrten Strukturen zu fließenden Prozessen, Schaeffer-Poeschel 1994

GenAI-basierte strategische Lernschleifen als verbindendes Prozessmuster

01.11.24

Die fünfte Entwicklungsstufe eines konnektiven strategischen Managements verfolgt das Ziel, dass Organisationen und Staaten digitaler, nachhaltiger und resilienter werden. In dieser Stufe richten Vorreiter-Unternehmen ihre Strategieprozesse neu aus. Im Mittelpunkt stehen dabei GenAI-basierte strategische Lernschleifen als verbindendes Prozessmuster. Dieser innovative Ansatz hat das Potenzial zu einer besseren Bewältigung von Komplexität. Auch hier ist die generative Künstliche Intelligenz (KI) ein Treiber und Game Changer. Mit Hilfe von KI entwickeln Strategieteams ihre individuellen Führungsstärken weiter und nutzen die Chancen der neuen Technologien. Gleichzeitig gilt es, die mit diesen Technologien verbundenen Risiken einzudämmen. Ein hierzu geeigneter Containment-Ansatz existiert gegenwärtig erst in Ansätzen. Eine Alternative zu den immer mächtiger werdenden Digitalgiganten entsteht gegenwärtig in Deutschland.

Im ersten Teil dieses Blogposts erläutere ich, warum das Konzept der strategischen Lernschleifen von zunehmender Bedeutung für den Unternehmenserfolg ist.

Disruption mit GenAI made in Germany

Wenn man nach erfolgreichen Strategieprozessen in Deutschland sucht, ist die Schwarz Gruppe, die den Discount-König Dieter Schwarz zum reichsten Bürger des Landes gemacht hat, ein interessantes Lehrstück. Zunächst einmal ist die Entwicklung der Discounter Lidl und Kaufland ein Erfolgsbeispiel für nachfrageseitige Disruption.¹ Darauf aufbauend begann die Schwarz Gruppe mit der Eigenproduktion von Lebensmitteln und dem Aufbau einer Recycling-Tochtergesellschaft.

Mit der auf digitale Souveränität ausgerichteten Sparte Schwarz Digits erreicht die Disruptionsstrategie der Gruppe eine neue Dimension. Das Portfolio der Digitalsparte besteht gegenwärtig aus den folgenden strategischen Geschäftsfeldern und Beteiligungen:

Stackit bietet eine souveräne Cloud-Lösung mit technischer Infrastruktur in Deutschland und Österreich an
Das Start-up Aleph Alpha arbeitet an einer unabhängigen und transparenten Künstlichen Intelligenz
XM Cyber deckt Sicherheitslücken mit der Macht der Angriffssimulation auf
und schließlich liefert Wire als Vorreiter bei Datenschutz und Verschlüsselung eine sichere Kommunikation.

Für dieses Bündel strategischer Geschäftsfelder werden weltweit die größten Wachstumsraten prognostiziert.² Eine souveräne, vertrauenswürdige KI made in Germany³ könnte sich als Ergänzung zu den Angeboten der Digitalgiganten erweisen, mit denen natürlich auch Kooperationen möglich sind.

Walter Wolf, Vorstand von Schwarz Digits, betont die Bedeutung von spezifischem Wissen für den Unternehmenserfolg, das es zu schützen gilt. Im Oktober 2024 hat das Unternehmen außerdem seine Partnerschaft mit SAP vertieft, sodass Stackit-Kunden das umfassende Angebot von RISE with SAP nutzen können.⁴

Die von der Schwarz Gruppe geförderten Hochschulen, Forschungseinrichtungen und Start-ups bilden den Kern eines Innovationsökosystems⁵ in der Region um Heilbronn und Heidelberg, das für Partner aus ganz Europa eine hohe Anziehungskraft hat.

Mit dem Data Hub Europe schafft Schwarz Digits nun gemeinsam mit der Deutschen Bahn eine Datenplattform für das Training von spezifischen, unternehmenseigenen und vertraulichen KI-Modellen.⁶ Das Beispiel zeigt, dass auch in Deutschland von Unternehmern ausgehende, erfolgreiche Strategieprozesse für digitale Innovationen möglich sind.

In unserem 2020 erschienenen Buch „Das Internet der Dinge und Künstliche Intelligenz als Game Changer“ haben wir beschrieben, dass es dabei auf eine mit strategischen Lernschleifen realisierte Verbindung von zentralen und dezentralen Prozessen ankommt.⁷ Die zentralen Strategieprozesse laufen auf der Ebene des gesamten Unternehmens ab. Auf der dezentralen Ebene arbeiten agile Strategieteams, die sowohl untereinander als auch mit der zentralen Ebene und deren IT-Architektur vernetzt sind.

In den folgenden Abschnitten möchte ich erläutern, wie Unternehmen heute das Potenzial von Strategieprozessen besser ausschöpfen können. Beginnen werde ich mit einigen Grundlagen.

Verschiedene Strategiebegriffe, Verhaltensmuster und Strategieschulen

Der Begriff Strategie hat unterschiedliche Bedeutungen. Henry Mintzberg nennt in seinen berühmten 5P den Plan, die List (Ploy), das Verhaltensmuster (Pattern), die Wettbewerbsposition (Position) und das Bewusstsein (Perspective).⁸ Aus heutiger Sicht besonders relevant sind die verschiedenen Verhaltensmuster, die bei bestimmten Unternehmenstypen und in spezifischen Situationen auftreten. So unterscheiden sich das visionäre Muster von innovativen Unternehmen, das klassische Muster von etablierten Großunternehmen, das agile Muster von Start-ups und das Skalierungsmuster von Unternehmen mit einem digitalen Plattform-Geschäftsmodell deutlich voneinander. Hinzu kommt das Kostensenkungsmuster von Unternehmen, die sich in der Restrukturierung befinden.

Von Mintzberg und seinen Co-Autoren stammt auch die 1999 erschienene Beschreibung von zehn Strategieschulen, die seit den 1960er Jahren entstanden sind.⁹ So betrachtet z.B. die von Beratungsunternehmen und dem Harvard-Professor Michael Porter propagierte Positionierungsschule die Strategieentwicklung und -umsetzung primär als analytischen Prozess. Als diese Schule in den 1970er und 80er Jahren nach Deutschland kam, stieß sie vor allem in etablierten Großunternehmen auf eine relativ große Akzeptanz.

Die vielen, in der breiten Öffentlichkeit wenig bekannten Weltmarktführer, für die Hermann Simon 1990 den Begriff „Hidden Champions“ geprägt hat,¹⁰ praktizierten eher eine Kombination aus der unternehmerischen Schule sowie der Lern- und der Kulturschule. Aus Sicht der Lernschule entstehen Strategien und vor allem auch Innovationen aus der komplexen Interaktion einer Vielzahl von Akteuren. Ein solcher sich herausbildender Prozess ist auch in vielen Digital-Unternehmen ein wichtiger Erfolgsfaktor.¹¹

Die ersten drei der zehn Schulen haben einen präskriptiven Charakter, das heißt sie versuchen zu beschreiben, wie Strategieprozesse ablaufen sollten. Die neueren sieben Schulen, zu denen auch die Lernschule gehört, sind deskriptiv. Ihr Anspruch ist zu beschreiben, wie Strategieprozesse tatsächlich ablaufen.

Meine Erfahrung aus der Strategieberatung von vielen DAX-Unternehmen und von noch mehr „Hidden-Champions“ ist, dass Strategieprozesse in der Praxis noch wesentlich komplexer sind und meist verschiedene Strategieschulen verknüpfen. Dies gilt insbesondere bei der Verbindung verschiedener Verhaltensmuster z.B. im Rahmen von Beteiligungen und Akquisitionen.

Ein wichtiges, aber lange Zeit nicht gut verstandenes Konzept zur Bewältigung der Komplexität von Strategieprozessen sind strategische Lernschleifen und deren Entstehung aus verschiedenen Themenfeldern.

Entstehung von strategischen Lernschleifen

Das Konzept der strategischen Lernschleifen ist aus zwei Themenfeldern entstanden, die sich relativ getrennt voneinander entwickelt haben. Das erste Themenfeld sind Strategieprozesse – erstaunlicherweise ein nach einer Vielzahl früher Arbeiten von der Managementwissenschaft und -praxis vernachlässigtes Gebiet, in dem es kaum Fortschritte gegeben hat. Diese Defizite beschäftigen mich seit langem.

Nach meiner Dissertation zum strategischen Technologie-Management im Jahr 1985¹² hatte ich gehofft, dass die in den USA erfolgreiche Umsetzung von technischen Innovationen mit Hilfe eines Corporate Venture Managements auch in Deutschland auf eine breite Zustimmung stoßen würde. Leider stimmte das Timing bei meiner Buchpublikation 1988 zu diesem Thema nicht.¹³ Es sollte noch über ein Jahrzehnt dauern, bis die Beteiligung von etablierten Unternehmen an Start-ups auch in Deutschland allmählich an Bedeutung gewann. Aufgrund der Erfahrung aus einer Vielzahl von Beratungsprojekten mit Defiziten bei Strategieprozessen begann ich, nach den Ursachen für diese Schwierigkeiten zu suchen. Dabei konnte ich auf dem aufbauen, was ich in der Zwischenzeit über die Themen Innovationskultur und strategischer Wandel gelernt hatte.

In meiner 1991 erschienenen Habilitationsschrift habe ich mich dann kritisch mit dem traditionellen strategischen Management „nach Feldherrenart“ auseinandergesetzt. Der Gegenentwurf ist eine evolutionäre Führung lernender Organisationen.¹⁴ Erfolgreiche Digital-Start-ups haben diesen Paradigmenwechsel im strategischen Management von mechanistisch zu komplexitätsbewältigend vollzogen und sind zu den wertvollsten Unternehmen der Welt geworden.¹⁵

Schon seit den 1980er Jahren waren Probleme bei der Umsetzung von Strategien stärker in den Mittelpunkt des Interesses gerückt und es entstanden verschiedene Ansätze des Performance Managements. Der Halbleiterpionier Intel entwickelte die Objectives and Key Results (OKR-) Methode, die vor allem Start-ups wie Google anwendeten.¹⁶ In Deutschland wesentlich bekannter wurde die aus einer Best Practice-Studie von Robert Kaplan und David Norton hervorgegangene Balanced Scorecard-Methode, die ein eher traditionelles Top-down-Konzept verfolgt.¹⁷

Das zweite Themenfeld sind Lernschleifen (Learning Loops), deren Wurzeln im Action Research liegen, das der Sozialpsychologe Kurt Lewin bereits in den 1940er Jahren entwickelt hat.¹⁸ Ein solches Vorgehen in Form einer Spirale aus sich wiederholenden Schleifen ist zu einer wichtigen Methode der Organisationsentwicklung geworden, die ein Bottom up-Vorgehen präferiert. Die Denkmuster der Strategen und der Organisationsentwickler hatten lange Zeit aber wenig Berührungspunkte. Dies änderte sich erst mit der zunehmenden Bedeutung des strategischen Wandels.¹⁹

Die große praktische Relevanz von Lernschleifen liegt heute darin, dass sie zum grundlegenden Vorgehenskonzept bei agilen Methoden wie Design Thinking, Scrum und Lean Start-up gehören.²⁰ Diese agilen Methoden haben entscheidend zum Erfolg von Digital-Unternehmen beigetragen, stoßen in vielen etablierten Unternehmen aber immer noch auf Widerstand. Dabei ist es wichtig zu verstehen, dass die Scrum-Methode auf der Grundlage der Theorie komplexer adaptiver Systeme entstanden ist. In agilen Organisationen besteht die Aufgabe von Führungskräften vor allem darin, einen geeigneten Rahmen für mehr Selbstorganisation zu schaffen.

Eine Verbindung dieser beiden Themenfelder mit generativer Künstlicher Intelligenz als Treiber ermöglicht nun eine grundlegende Neuausrichtung (Realignment) von Strategieprozessen.²¹

Neuausrichtung von Strategieprozessen

Vorreiter-Unternehmen, mit denen wir zusammenarbeiten, verfolgen bei dieser Neuausrichtung ihrer Strategieprozesse die folgenden drei Ansätze:

Eine Gliederung der Prozesse in die Phasen Denken, Handeln sowie kommunikative Verbreitung und Wandel mit strategischen Lernschleifen als einem verbindenden Prozessmuster
die Verbesserung der relevanten strategischen Fähigkeiten von Projektteams ausgehend von individuellen Führungsstärken sowie
die Nutzung der Chancen einer unternehmensspezifischen, generativen Künstlichen Intelligenz (GenAI) und Eindämmung ihrer Risiken.

Im Folgenden werde ich auf unsere Erfahrungen mit den ersten beiden Ansätzen näher eingehen. Der letzte Punkt ist dann Gegenstand des zweiten Teils dieses Blogposts.

Prozessphasen und strategische Lernschleifen

Ein Defizit der traditionellen Top-down-Strategieprozesse ist die Trennung zwischen den Phasen

eines kreativen strategischen Denkens, das zur Entwicklung oder Entstehung von Strategien führt und
eines praktischen strategischen Handelns zur Umsetzung der Strategien in Form von Programmen und Projekten, die neben dem operativen Tagesgeschäft ablaufen.

An der Schnittstelle zwischen der Strategiegenerierung und der -umsetzung arbeiten in etablierten Unternehmen Stabstellen für Unternehmensentwicklung, die bei anspruchsvollen und unangenehmen Aufgaben häufig von ehrgeizigen externen Beratern unterstützt werden. Die empirische Forschung zur Erfolgsquote dieses Ansatzes ist zwar begrenzt. Sich häufende negative praktische Beispiele zeigen jedoch, dass dieses traditionelle Prozessverständnis einer Erneuerung bedarf.²²

Zu diesen beiden Phasen kommt eine dritte Phase hinzu, bei der die Mängel in bürokratischen Organisationen besonders ausgeprägt sind. In dieser Phase geht es um die kommunikative Verbreitung von Strategien und einen als Lernprozess gestalteten Wandel.

In den letzten Jahrzehnten sind wichtige Impulse hierzu von Start-ups und erfolgreichen Digital-Unternehmen ausgegangen. Die Softwareentwicklung erfolgt dort seit langem nicht mehr nach der Wasserfall-Methode sondern mit einem agilen Mindset.²³ Die Grundlage bildet der erwähnte Paradigmenwechsel im strategischen Management von mechanistisch zu komplexitätsbewältigend. Eine wichtige Rolle spielen strategische Lernschleifen, die zunehmend GenAI-basiert ablaufen.

Das von der Lean Start-up-Methode bekannte Grundprinzip einer strategischen Lernschleife ist: Annahmen (Hypothesen) formulieren, etwas gestalten (designen, z.B. ein weiterentwickeltes Geschäftsmodell), die Annahmen testen, aus den Testergebnissen lernen und gegebenenfalls einen Richtungswechsel (pivot) vornehmen. In der digitalen Welt sind diese Lernschleifen das kleine Einmaleins erfolgreichen Managements. Verkrustete und beratungsresistente Silo-Organisationen in der Wirtschaft, Verwaltung und Politik wehren sich dagegen aber mit einer hohen emotionalen Intensität.

Die Erfolgswirkung von strategischen Lernschleifen liegt darin, dass sie die drei beschriebenen Phasen von Strategieprozessen verbinden. Auf diese Weise entsteht ein komplexitätsbewältigendes Prozessmuster, das den traditionellen Ansätzen deutlich überlegen ist. Die disruptive Wirkung dieses Prozessmusters bildet für etablierte Unternehmen mit „Führungskräften der alten Schule“ eine schwer zu überwindende Barriere.

Bestätigung in der Aus- und Weiterbildung

Eine interessante Erfahrung aus der Hochschullehre in dualen Programmen, in denen Menschen, die in unterschiedlichen Unternehmen arbeiten, die Gelegenheit haben, in einem „angstfreien Raum“ ihre Erfahrungen auszutauschen, ist die folgende: Während die eine Gruppe der Studierenden das verbindende Prozessmuster strategischer Lernschleifen als alltägliche Arbeitsrealität erlebt, ist für die andere Gruppe dieses Muster eine fremde Welt, in der der Versuch zu einer Veränderung von innen als zwecklos oder gefährlich wahrgenommen wird.

Bei der Frage an die zweite Gruppe, ob denn eine externe Intervention durch Berater, Trainer oder Coaches Erfolg versprechend wäre, sind die Meinungen geteilt. Die eine Untergruppe glaubt, auch das habe bestenfalls eine Alibifunktion. Die andere Gruppe meint, es gebe eine gewisse Offenheit für professionelle Change Agents, weil sich die Krisensignale verstärken und daher ein Wandel notwendig sei.

Diese persönlichen Erfahrungen über einen relativ langen Zeitraum bestätigen die These, dass Europa in zwei Managementwelten geteilt ist. Hieraus ergeben sich Anregungen zur Beantwortung der Frage, wie Strategieteams ihre relevanten Fähigkeiten verbessern können.

Verbesserung der strategischen Fähigkeiten

Wie in Mannschaftssportarten bestehen auch erfolgreiche Strategieteams aus Akteuren mit unterschiedlichen Stärken. Kreative strategische Denker, analytisch begabte Planer, tatkräftige Umsetzer, kommunikationsstarke Verbreiter und einfühlsame Veränderer agieren im Idealfall im Team als Strategieprozess-Champion. Viele Unternehmen schöpfen aber die Möglichkeiten zur Verbesserung der Teamleistung bei Strategieprozessen nicht aus, obwohl es hierfür bewährte Methoden gibt.

Ein bekannter Ansatz ist das StrengthFinder-Konzept, das persönliche Führungsstärken in die Kategorien strategisches Denken, Umsetzung, Einfluss auf andere und Entwicklung von Beziehungen gliedert.²⁴ In der Abbildung ist die auf der Forschung von Don Clifton basierende Zuordnung von 34 identifizierten Stärken zu diesen Kategorien dargestellt.

Dieses Konzept eignet sich für ein Assessment von Führungskräften, die Zusammenstellung von leistungsfähigen Teams und die zielgerichtete Weiterentwicklung von individuellen Fähigkeiten.

Mit dem Einsatz von generativer Künstlicher Intelligenz ergeben sich nun neue Möglichkeiten. Dabei zeigt sich wieder einmal die Relevanz des 1995 von der Gartner-Beraterin Jackie Fenn geprägten Begriffs „Hype-Zyklus“.²⁵ Der Verlauf des Medienrummels (Hype Cycle) bei neuen Technologien erfolgt häufig in den Abschnitten

Grundlagenforschung
technologischer Auslöser
überzogene Erwartungen bis zu einem Gipfelpunkt
Ernüchterung bis ins Tal der Enttäuschung
Pfad zu einer realistischen Einschätzung und schließlich
einem Plateau der Produktivität.

Hierauf und auf neue Entwicklungen bei der Anwendung von generativer KI in Strategieprozessen werde ich in den nächsten Blogposts eingehen.

Wie das in der Praxis funktionieren kann, zeigt das Beispiel Porsche.

Veränderte Spielregeln durch KI in der fließenden Organisation von Porsche

Sajjad Khan, der IT-Vorstand von Porsche, vertritt die Auffassung, KI sei die nächste große Welle, die die Spielregeln des Wettbewerbs grundlegend verändere. Dieser Game-Changer-Effekt liege in den Möglichkeiten von Small and Large Language Models, Software schneller zu entwickeln. Das Ziel müsse der Übergang vom traditionellen Hardware first- zu einem Software first-Ansatz sein. Um dies zu erreichen, müsse sich der Mindset ändern. Sein Ziel sei es, eine Liquid Organization zu schaffen, in der alles im Fluss ist und die im Turbomodus arbeite. Die Kunst einer entsprechenden Führung sei dabei der enge Austausch mit den Mitarbeitenden.²⁶

Die Vorstellung von einer flüssigen (liquid) oder fließenden (fluid) Organisation fasziniert mich schon lange. Der Untertitel meines 1994 erschienenen Buchs „Reengineering-Programme umsetzen“ lautet „Von erstarrten Strukturen zu fließenden Prozessen“. In der Publikation habe ich versucht, die damals dominierende Sichtweise von IT-getriebenen Prozessinnovationen²⁷ um Aspekte wie Schnittstellenkompetenz, eine Fluidisierung von Organisationen und den hierzu notwendigen mentalen Wandel zu erweitern.²⁸ Was seit dieser Zeit boomt, ist die Implementation von Ressourcenmanagement- und Kundenbeziehungsmanagement- Software. Der als Lernprozess gestaltete strategische Wandel zu fließenden Organisations- und Führungsformen gelingt leider nur wenigen etablierten Unternehmen. Es ist daher zu hoffen, dass diese die gegenwärtige KI-Welle besser meistern als die früheren Digitalisierungswellen.

Fazit

Das Konzept der strategischen Lernschleifen ist aus der Verbindung von zwei Themenfeldern entstanden, die sich relativ getrennt voneinander entwickelt haben: Erstens der Lernschule von Strategieprozessen und zweitens dem Action Research als Grundlage für agile Methoden.
Strategische Lernschleifen sind ein verbindendes Prozessmuster, das eine Neuausrichtung (Realignment) von Strategieprozessen ermöglicht.
Mit der generativen Künstlichen Intelligenz (GenAI) haben Digital-Unternehmen ein mächtiges Werkzeug entwickelt, das große Chancen eröffnet, aber auch erhebliche Risiken birgt. Dieses Werkzeug hat auch für Strategieprozesse eine Game-Changer-Wirkung.
Das Ziel von Politik, Wissenschaft, Wirtschaft und Gesellschaft eines resilienten Europas sollte es sein, bei der Entwicklung einer souveränen, vertrauenswürdigen GenAI und deren Anwendung in Strategieprozessen eine Vorreiterrolle zu übernehmen.

Literatur

[1] Servatius, H.G., Woran erkennt man ein disruptives Geschäftsmodell? In: Competivation Blog, 27.06.2016

[2] Scheppe, M., Diese Industrien prägen die Wirtschaft 2040, in: Handelsblatt, 24.Oktober 2024, S.22-23

[3] Fokuhl. J., Bomke, L., KI „made in Germany“, in: Handelsblatt, 22. Oktober 2024, S.6-7

[4] Wolf, W., „Viele halten die datensouveräne Cloud für eine Utopie“, in: Trend Report, November 2024, S.12

[5] Fransman, M., Innovation Ecosystems – Increasing Competiteveness, Cambridge University Press 2018

[6] Holzki, L., Fokul, J., Bahn und Schwarz-Gruppe planen Daten-Marktplatz, in: Handelsblatt, 25./26./27. Oktober 2024, S.24

[7] Kaufmann, T., Servatius, H.G., Das Internet der Dinge und Künstliche Intelligenz als Game Changer – Wege zu einem Management 4.0 und einer digitalen Architektur, SpringerVieweg 2020, S. 56 ff.

[8] Mintzberg, H., The Strategy Concept – Five Ps for Strategy, in: California Management Review, 1987, S.11-24

[9] Mintzberg, H., Ahlstrand, B., Lampel, J., Strategy Safari – Eine Reise durch die Wildnis des strategischen Managements, Ueberreuter 1999

[10] Simon, H., Hidden Champions des 21. Jahrhunderts – Die Erfolgsstrategien unbekannter Weltmarktführer, Campus 2007

[11] McAfee, A., The Geek Way – The Radical Mindset That Drives Extraordinary Results, Macmillan Business 2023, S.103 ff.

[12] Servatius, H.G., Methodik des strategischen Technologie-Managements – Grundlage für erfolgreiche Innovationen, Erich Schmidt Verlag 1985

[13] Servatius, H.G., New Venture Management – Erfolgreiche Lösung von Innovationsproblemen für Technologie-Unternehmen, Gabler 1988

[14] Servatius, H.G., Vom Strategischen Management zur Evolutionären Führung – Auf dem Wege zu einem ganzheitlichen Denken und Handeln, C.E. Poeschel Verlag 1991

[15] Servatius, H.G., Von erfolgreichen Digital-Unternehmen lernen, in: Competivation Blog, 12.07.2024

[16] Doerr, J., Measure What Matters: OKRs – the Simple Idea That Drives 10x Growth, Portfolio Penguin 2018

[17] Kaplan, R.S., Norton, D.P., The Execution Premium – Linking Strategy to Operations for Competitive Advantage, Harvard Business Press 2008

[18] Krizanits, J., Einführung in die Methoden der systemischen Organisationsberatung, Carl-Auer 2013, S.9 ff.

[19] Tichy, N.M., Managing Strategic Change – Technical, Political, and Cultural Dynamics, John Wiley & Sons 1983

[20] Ries, E., The Lean Startup – How Today’s Entrepreuners Use Continuous Innovation to Create Radically Successful Businesses, Crown Currency 2011

[21] Servatius H.G., Dreifache strategische Neuausrichtung, in: Competivation Blog, 07.06.2024

[22] Mazzucato, M., Collington, R.H., Die große Consulting-Show – Wie die Beratungsbranche unsere Unternehmen schwächt, den Staat unterwandert und die Wirtschaft vereinnahmt, Campus 2023

[23] Servatius, H.G., Wege zu einem agilen Mindset, in: Competivation Blog, 09.08.2018

[24] Rath, T., Conchie, B., Strengths Based Leadership – Great Leaders, Teams, and Why People Follow, Gallup Press 2008

[25] Fenn, J., Raskino, M., Mastering the Hype Cycle – How to Choose the Right Innovation at the Right Time, Harvard Business Review Press 2008

[26] Hucko, M., „KI verändert die Spielregeln komplett“ (Interview mit Sajjad Khan), in: Manager Magazin; November 2024, S.66-68

[27] Davenport, T.H., Process Innovation – Reengineering Work through Information Technology, Harvard Business School Press 1993

[28] Servatius, H.G., Reengineering-Programme umsetzen – Von erstarrten Strukturen zu fließenden Prozessen, Schaeffer-Poeschel 1994

Learning from successful digital companies

12.07.24

Six of the seven most valuable companies in the world are leaders in artificial intelligence (AI) technologies. Start-ups are also providing important impetus for the current topic of generative AI. This raises the question of what established companies can learn from these digital champions. The search for answers to this question leads us to a paradigm shift in strategic management that has not been understood by established companies for a long time. Closely linked to this is a change in personnel management and culture.

In this blog post, I explain an approach that has contributed to the success of digital companies. In the USA, this approach is known as the „geeky leadership style“.

Increasing the enterprise value of the „big six“

The seven most valuable companies in the world (as of 27.06.2024) include Microsoft, Apple, Nvidia, Alphabet, Amazon and Meta. These „big six“ from the USA are benefiting to varying degrees from the current boom in generative artificial intelligence.¹ Microsoft alone is currently worth 77% more than all 40 DAX companies combined.

However, the success of US companies is not only based on their digital expertise, but also on management innovations. This combination has led to an advantage over established companies. While the expertise in the different waves of digitalization is obvious, the new management approaches in the success phases of digital companies are far less transparent.

Causes of the success phases of digital companies

We therefore investigated the question of what the European economy can learn from successful digital companies. The result is a causal chain that begins with the connection between the first development stage of market- and finance-oriented strategic management and the second stage, which is determined by technology and innovation. This connection has had a theory-changing effect and led to a paradigm shift from a more mechanistic to a complexity-managing strategic management. This paradigm shift has shaped the culture in the success phases of digital companies. During these phases, an innovation-promoting personnel management and disruptive corporate culture has emerged, which represents a difficult barrier for established companies to overcome.

I would like to explain these three causes in the following sections. A better understanding of the causes can help established companies to better manage the digital transformation. However, a basic prerequisite for this is a willingness to learn and to question traditional cultural norms. The starting point is a system-oriented combination of Strategy 1.0 and Strategy 2.0.

System-oriented combination of Strategy 1.0 and 2.0

Since the early 1980s, the traditional market- and finance-oriented strategic management (Strategy 1.0) has been expanded to include a technology- and innovation-oriented second stage of development (Strategy 2.0).² Successful digital companies have used this expansion to their advantage. On the one hand, their success is based on their lead in digital technologies. At least as important is the system-oriented integration of analysis-oriented strategic action and a culture that promotes innovation. In this way, they have succeeded in implementing a new integrated approach to designing innovation systems.³ This approach is not limited to their own company, but also includes start-up ecosystems.

In successful start-up ecosystems, four sectors work together in partnership. Politicians actively promote education, new technologies and innovations. Science successfully spins off start-ups. Venture capitalists and corporate venture management finance not only the founding but also the scaling of start-ups. Society also plays an important role by creating a positive climate for innovation and attractive framework conditions.

This interplay has led to the success story of Silicon Valley, which is several decades ahead of Europe.⁴ However, the example also shows the tension between the current AI boom and the exploding cost of living on the US West Coast.

The development of start-up ecosystems was stimulated by the design science⁵ and methods such as design thinking, which emerged in the 1960s.⁶ Design thinking supports the interdisciplinary learning process for designing digital business models. Innovative technologies act as enablers of new forms of problem solving and satisfying customer needs. The action research⁷ developed by psychology professor Kurt Lewin in the USA back in the 1940s provides the theoretical basis for learning loops that start from hypotheses, design something that can be tested with customers and whose results lead to possible changes in direction. In the early 1990s, agile software development methods such as Scrum were developed on this basis.⁸ Start-ups that use these concepts have become the most valuable companies in the world.

The example of Amazon shows that these companies also had to overcome critical phases. After the failure of a project to improve collaboration between functional areas, Jeff Bezos recognized the need for a change of direction. He introduced the „two-pizza principle“ for agile teams and implemented the concentration of project managers on a single project (single-threaded leaders). To enable agile teams to work as independently as possible, it was necessary to develop a modular IT architecture. This internal initiative formed the starting point for the founding of Amazon Web Services (AWS), today’s global market leader in the cloud business. ⁹

The theoretical basis for such activities was provided by a paradigm shift in strategic management that took place in the 1990s. I would like to briefly describe how I experienced this period.

Paradigm shift from mechanistic to complexity management

After about a decade in strategy consulting, I had the impression that the existing, relatively mechanistic strategy concepts were not sufficient to cope with the complexity of innovation and sustainability issues. In my search for better solutions, I came across evolutionary and complexity theories and completed an external habilitation at the University of Stuttgart in 1991 on the seemingly necessary paradigm shift in strategic management.¹⁰

Complexity-based strategic management is based on three theoretical foundations that have influenced each other. Firstly, evolutionary theories have emerged in various disciplines. They view the dynamic sequence of imbalances as a balance between chaos and order, the outcome of which depends on the initial conditions.¹¹ Important impetus then came from the Santa Fe Institute, founded in the USA in 1984, and the theory of complex adaptive systems developed there. This deals with the creation of suitable framework conditions for a more self-organized interaction of competent actors at the „edge of chaos“ based on simple rules.¹² The theory of complex interactive relationship processes makes a contribution to the application in organizations. The focus here is on local, non-linear interactions between actors, from the course of which patterns emerge that are difficult to predict. ¹³

These relatively abstract-sounding ideas were difficult to convey to established companies in the 1990s. As a result, even the large consulting firms did not jump on the bandwagon. Nevertheless, the theories have found their way into practice. This path led from Stanford University to Google. As digitalization progressed, the importance of evolutionary and complexity theories increased significantly.

In 1995, the book Competing on the Edge was published by future Google manager Shona Brown and Stanford professor Kathleen Eisenhardt, who attempt to apply complexity theories to strategic management.¹⁴ They divide their recommendations for action into the fields of chaos edge, time harmony and timing. The focus here is on overcoming complexity by finding the right balance. In the field of chaos edge, the recommendations for action are as follows:

Using professional improvisation to find the middle ground between too much structure and too much confusion and
utilize synergies between businesses through joint adaptation in order to find the balance between too much cooperation and too much selfishness.

The recommendations in the Time Harmony field are:

Deriving benefits from the future and the past through targeted renewal and
Carry out experiments to shape tomorrow with experience today.

The last recommendation concerns the timing. It reads:

Set the tempo to synchronize transitions and find your own rhythm.

These recommendations for action have shaped the HR management and culture of Google and other digital companies.

Innovation-promoting personnel management and disruptive corporate culture

A specific leadership style has developed in digital companies, which is referred to as the „geeky leadership style“ in the USA. The term geek is undergoing a positive change in meaning. This form of personnel management is culturally influential. It is characterized by the following four cultural norms: ¹⁵

A specific scientific approach (Science)
Personal responsibility (ownership)
a high speed of iterations (Speed) and
Openness.

The disruptive nature of such a culture lies in the fact that it is difficult for established companies to develop due to behavioral barriers. I would like to explain this briefly.

The scientific approach based on action learning and design theory is geared towards data-based, adaptive design. Digital companies such as Google used these findings early on and developed infrastructures for testing hypotheses. The test results then form the starting point for intensive, fact-based argumentation by the stakeholders. In contrast, decisions in established companies are based more on the convictions and power of managers and the opinions of experts. The cultural change to a more scientifically oriented approach can therefore trigger resistance in established companies because those responsible fear a loss of importance. Personnel development at universities and in practice should create a conscious counterbalance here.

Digital start-ups are characterized by the personal responsibility of managers with a higher degree of autonomy, empowerment of agile teams and less coordination effort. Established companies, on the other hand, often struggle with increasing bureaucratization, where many are allowed to have a say and demonstrate their power by exercising a veto. Microsoft was also faced with the challenge of regaining a culture of ownership, which it has succeeded in doing under the leadership of Satya Nadella. Bayer’s attempt to reduce bureaucracy with the help of the humanocracy concept developed by management guru Gary Hamel is the subject of much public debate.¹⁶ It remains to be seen how successful this attempt will be.

One root of the „geeky leadership style“ is the agile manifesto written in 2001, which emphasizes the speed of rapid iterations. Established hardware-oriented companies often find it difficult to link this approach, which originated in software development, with their existing product innovation process. In view of the increasing importance of software in the automotive industry, for example, hybrid approaches that combine existing skills with digital expertise are becoming increasingly important. One indicator of success here is that companies achieve their set time targets and do not fall victim to the 90 percent syndrome, in which the players realize too late that they are missing their targets.

Characteristics of the cultural norm of openness are the sharing of information, receptiveness to other arguments, the willingness to re-evaluate situations and change one’s own direction. The opposite of openness is widespread defensive behavior patterns, which Harvard professor Chris Argyris has described as a characteristic of established companies since the 1980s.¹⁷ The negative consequence is often that the community punishes those who violate prevailing norms. An extreme form of defensive behavior is the tacit toleration of unethical or punishable activities. On the other hand, a culture characterized by openness can be recognized, for example, by the fact that young employees are allowed to openly contradict their boss in an internal meeting without having to expect sanctions.

This example leads us to an approach on how established companies can reduce the cultural distance to the digital world.

Adapting and exemplifying cultural norms

Managers of established companies have the task of finding an individual approach to the cultural norms of successful digital companies. Knowledge of the theoretical principles outlined above can be helpful in this regard. However, success in the digital world does not mean that these norms can be transferred 1:1 to an established company. They need to be adapted to the specific situation and framework conditions of the respective company. Once there is a consensus regarding this situational adaptation, it is important for managers to exemplify changed cultural norms. Appropriate personnel development and promotion policies then play an important role. The idea of a rapid, comprehensive digital transformation is therefore unrealistic. A successful digital realignment in established companies is more likely to be a specific, longer-term process.¹⁸

Collaboration with start-ups as an underutilized opportunity

One way for established organizations to learn from successful digital companies is to work more closely with start-ups. Unfortunately, too little use is made of this opportunity. A study by the German Start-up Monitor concluded that cooperation between corporations and SMEs and young companies fell by ten percent between 2020 and 2023. Verena Pausder, head of the start-up association, sees this backward trend as an alarm signal and is promoting a revival of the partner culture.¹⁹ The current topic of generative artificial intelligence in particular offers a variety of approaches to this. There are a number of initiatives, such as the „Hinterland of Things“ conference, which has been taking place in East Westphalia since 2018 and brings together various players. But overall, there is still considerable potential for expansion in the design of start-up ecosystems.

Conclusion

Many of the world’s most valuable companies have evolved from start-ups to digital champions in a relatively short space of time
To answer the question of what established companies can learn from this, we have analyzed the development of strategic management
In contrast to established companies, digital companies have actively driven a paradigm shift in strategic management from mechanistic to complexity management during their success phases
A change in personnel management and culture has played an important role here
Managers in established companies are faced with the task of exemplifying cultural norms that are adapted to the situation
They should make greater use of the opportunity to work together with start-ups

Literature

[1] Sommer, U., AI sparks price fireworks. In: Handelsblatt, December 27, 2023, p.1, 4, 6

[2] Servatius, H.G., Evolution of strategic management. In: Competivation Blog, 28.06.2024

[3] Servatius, H.G., Gestaltung des Innovationssystems von Unternehmen. In: Servatius, H.G., Piller, F.T. (eds.), Der Innovationsmanager – Wertsteigerung durch ein ganzheitliches Innovationsmanagement, Symposion 2014, pp. 21-64

[4] Keese, C., Silicon Valley – What is coming to us from the most powerful valley in the world, Knauer 2014

[5] Simon, H.A., The Sciences of the Artificial, 2nd ed., MIT Press 1981 (1st ed.1969)

[6] Kelly T., Kelly, D., Creative Confidence – Unleashing the Creative Potential within us all, William Collins 2013

[7] Marrow, A.J., Kurt Lewin – Life and Work, Ernst Klett 1977

[8] Sutherland, J.J., The Scrum Fieldbook – A Master Class on Accelerating Perfomance, Getting Results, and Defining the Future, Currency 2019

[9] Bryar, C., Carr, B., Working Backwards – Insights, Stories, and Secrets from Inside Amazon, Macmillan 2021

[10] Servatius, H.G., Vom strategischen Management zur evolutionären Führung – Auf dem Weg zu einem ganzheitlichen Denken und Handeln, Poeschel 1991

[11] Beinhocker, E.D., Die Entstehung des Wohlstands – Wie Evolution die Wirtschaft antreibt, mi-Fachverlag 2007

[12] Lewin, R., Die Komplexitätstheorie – Wissenschaft nach der Chaos-Forschung, Hoffmann und Campe 1993

[13] Stacey R., Tools and Techniques of Leadership and Management – Meeting the Challenge of Complexity, Routledge 2012

[14] Brown, S.L., Eisenhardt, K.M., Competing on the Edge – Strategy as Structured Chaos, Harvard Business Review Press 1998

[15] McAfee, A., The Geek Way – The Radical Mindset That Drives Extraordinary Results, Macmillan 2023

[16] Hamel, G., Zanini, M., Humanocracy – Creating Organizations as Amazing as the People Inside Them, Harvard Business Review Press 2020

[17] Argyris, C., Overcoming Organizational Defences – Facilitating Organizational Learning, Allyn and Bacon 1990

[18] Servatius, HG, Triple strategic realignment. In: Competivation Blog, 07.06.2024

[19] Müller, A., Schimroszik, N., Mittelstand moves away from start-ups. In: Handelsblatt, June 13, 2024, p.22

« Older Entries

Gestaltende Innovationsforschung zu KI-Anwendungen

GenAI-based strategic learning loops as a connecting process pattern

GenAI-basierte strategische Lernschleifen als verbindendes Prozessmuster

Learning from successful digital companies

Neueste Beiträge

CONNECTIVE MANAGEMENT