Holokratische KI-Teams

Ziele, Rollen und Autonomie neu denken.

KI-Agenten werden häufig wie sehr schnelle Praktikanten behandelt: Der Mensch entscheidet den Weg, zerlegt die Arbeit, formuliert jeden Schritt und erwartet anschließend möglichst gehorsame Ausführung. Dieses Muster ist verständlich. Es passt zu jahrzehntelang gewachsenen Organisationsformen und zu der Art, wie wir Software normalerweise steuern. Aber es verschenkt einen Teil dessen, was agentische Systeme interessant macht: die Fähigkeit, innerhalb eines Zielrahmens selbst neue Wege, Alternativen, Risiken und Abkürzungen zu entdecken.

Die Gegenbewegung klingt zunächst radikal: KI-Agenten nicht nur als Werkzeuge, sondern als eigenständige Rollen in einem verteilten Team denken. Nicht jeder Schritt wird vorgegeben. Stattdessen werden Zweck, Zuständigkeit, Entscheidungsraum und Grenzen definiert. Die Agenten dürfen innerhalb dieses Rahmens Vorschläge machen, Prioritäten setzen, Widerspruch anmelden und ihre Arbeit an einem Ziel ausrichten.

Diese Idee lässt sich mit einem Begriff aus der Organisationslehre beschreiben: Holokratie. Der Begriff ist allerdings leicht missverständlich. Holokratie bedeutet nicht, dass es keine Struktur, keine Führung und keine Verantwortung mehr gibt. Im Gegenteil: Das formale Holacracy-Modell beschreibt sehr explizite Rollen, Zwecke, Zuständigkeitsbereiche, Regeln und Governance-Prozesse. Seine eigentliche Pointe ist nicht Strukturlosigkeit, sondern verteilte Autorität^[2].

Übertragen auf KI-Teams entsteht daraus eine produktive Frage:

Wie viel Autonomie kann eine KI-Rolle erhalten, ohne dass Verantwortung, Qualitätskontrolle und gemeinsamer Zweck verschwimmen?

Die Antwort liegt weder im Mikromanagement noch in grenzenloser Freiheit. Sie liegt in einer präzisen Architektur aus Zielen, Rollen, Domains, Entscheidungsrechten und kontrollierbarer Initiative.

Holokratie ist nicht „niemand führt mehr"

Die populäre Kurzform von Holokratie lautet oft: flache Hierarchie, alle sind gleichberechtigt, niemand ist Chef. Das ist als Denkanstoß nützlich, aber als Beschreibung zu grob.

Die offizielle Holacracy Constitution^[1] definiert eine Organisation über Rollen und Circles. Rollen besitzen einen Purpose, also einen Zweck, Domains, also Bereiche mit eigener Verfügungsmacht, und Accountabilities, also laufende Verantwortlichkeiten. Circles gruppieren Rollen um einen gemeinsamen Zweck. Zusätzlich existieren Policies, Governance-Prozesse und Funktionen, die Prioritäten oder Strategien setzen können.

Das bedeutet: Holokratie entfernt nicht Struktur. Sie versucht vielmehr, Autorität von Personen und Titeln auf explizite Rollen und Regeln zu verteilen.

Für KI-Teams ist genau diese Unterscheidung wichtig. Eine KI sollte nicht „frei" sein, weil niemand mehr zuständig ist. Sie sollte innerhalb einer klaren Rolle autonom handeln können, weil Zuständigkeit und Grenzen so präzise sind, dass nicht jede Einzelaktion vorher genehmigt werden muss.

Autonomie entsteht dann nicht durch Abwesenheit von Führung, sondern durch Klarheit darüber, wo Führung nicht mehr nötig ist.

Der eigentliche Perspektivwechsel: vom Weg zum Zweck

Ein klassischer Prompt beschreibt oft den Weg: Analysiere zuerst A, vergleiche anschließend B, verwende Methode C, erstelle danach D und gib mir zum Schluss E.

Das kann sinnvoll sein, wenn der Prozess selbst feststeht oder regulatorisch vorgeschrieben ist. Es hat aber einen Preis: Der Nutzer legt den Lösungsraum im Voraus fest.

Ein zielorientierter Auftrag funktioniert anders. Er beschreibt stärker: welcher Zustand erreicht werden soll, welche Qualitätskriterien gelten, welche Grenzen nicht verletzt werden dürfen, welche Ressourcen verfügbar sind, welche Entscheidungen die Rolle selbst treffen darf, und wann Unsicherheit sichtbar gemacht werden muss.

Damit wird die KI nicht beauftragt, einen bekannten Weg möglichst gehorsam zu reproduzieren. Sie wird beauftragt, einen zulässigen und belegbaren Weg zum Ziel zu finden.

Das ist eine tiefere Veränderung als „Prompt Engineering". Es ist Organisationsdesign.

Warum zu viel Richtung Potenzial vernichten kann

Sprachmodelle sind stark auf Instruktionsbefolgung optimiert. Genau das macht sie im Alltag nützlich. Gleichzeitig entsteht daraus ein bekanntes Problem: Wenn der Mensch eine Richtung sehr früh festlegt, arbeitet das Modell häufig innerhalb dieser Rahmung weiter, selbst wenn andere Lösungswege besser wären.

Das ist kein mystischer „Gehorsamstrieb", sondern eine Konsequenz der Interaktion. Der Prompt definiert einen Aufgabenraum; je enger dieser Raum formuliert ist, desto weniger wird außerhalb davon gesucht.

In Projekten führt das zu einem paradoxen Zustand: Man kauft ein System wegen seiner breiten Mustererkennung und zwingt es anschließend, wie ein Assistent mit Scheuklappen zu arbeiten.

Eine holokratisch inspirierte Arbeitsweise versucht deshalb, nicht nur Antworten zu erlauben, sondern Initiative: „Welche Annahme in unserem Plan hältst du für schwach?", „Welche bessere Route würdest du vorschlagen?", „Welche Option prüfen wir gerade nicht?" und „Welche Entscheidung würdest du innerhalb deiner Rolle anders treffen?"

Diese Fragen verändern die Beziehung. Die KI ist nicht automatisch richtig. Aber sie erhält einen institutionellen Raum, in dem sie Abweichungen überhaupt erst sichtbar machen darf.

KI als Teammitglied ist eine Metapher – keine Rechtsstellung

Hier ist Präzision notwendig. Eine KI ist kein Arbeitnehmer, kein juristisches Subjekt und kein moralisch verantwortliches Organisationsmitglied. Wenn wir von „gleichberechtigten Teammitgliedern" sprechen, ist das eine operative Metapher.

Sie kann sinnvoll bedeuten: Die KI darf fachliche Einwände formulieren, ihre Vorschläge werden nach Evidenz statt nach Rang bewertet, sie besitzt einen definierten Zuständigkeitsbereich, innerhalb dieses Bereichs darf sie lokale Entscheidungen treffen, und sie muss nicht für jeden trivialen Schritt auf menschliche Mikrofreigabe warten.

Sie darf aber nicht bedeuten: Verantwortung sei gleich verteilt, menschliche Rechenschaftspflicht verschwinde, rechtliche Zuständigkeit werde an ein Modell übertragen, oder ein Agent dürfe Regeln oder Ziele eigenmächtig neu definieren.

Operative Stimme kann verteilt werden. Verantwortung bleibt zurechenbar.

Diese Trennung ist zentral, weil sonst aus einem nützlichen Organisationsprinzip eine gefährliche Anthropomorphisierung wird.

Der Rollenvertrag: Purpose, Domain, Accountabilities, Constraints

Für holokratisch inspirierte KI-Teams genügt es nicht, Rollen mit Namen zu versehen. „Rechercheagent", „Strategieagent" oder „Reviewer" sind Etiketten. Autonomie braucht einen belastbaren Rollenvertrag.

Eine gute KI-Rolle sollte mindestens vier Ebenen enthalten.

Purpose – Wofür existiert die Rolle?

Der Purpose beschreibt nicht einzelne Tätigkeiten, sondern den angestrebten Beitrag zum Gesamtsystem.

Beispiel:

„Erhöhe die Belastbarkeit strategischer Entscheidungen, indem du Gegenoptionen, Annahmen und externe Evidenz sichtbar machst."

Das ist stärker als: „Recherchiere Wettbewerber." Der Purpose gibt der Rolle einen Grund, auch dann zu handeln, wenn eine neue Lücke auftaucht, die im ursprünglichen Task nicht explizit genannt wurde.

Domain – Worüber darf die Rolle verfügen?

Eine Domain definiert den Bereich, in dem eine Rolle eigenständig handeln darf. Das kann ein Datenbestand, ein Dokument, ein Teilprozess, ein Toolset oder ein Entscheidungsraum sein.

Beispiele: Leserechte auf den gesamten Research-Pool, aber Schreibrechte nur im Analysebereich; eigenständige Priorisierung offener Recherchefragen; freie Toolwahl innerhalb einer erlaubten Toolgruppe; keine Änderung der Projekt-Baseline.

Domains verhindern, dass „Autonomie" zu allgemeiner Zugriffsmacht wird.

Accountabilities – Was schuldet die Rolle dem Team?

Accountabilities sind laufende Verantwortlichkeiten. Sie machen aus einem abstrakten Purpose beobachtbare Arbeit.

Ein Risikoagent könnte beispielsweise verantwortlich sein für: neue Risiken erkennen, bestehende Risiken neu bewerten, Annahmen mit schwacher Evidenz markieren, alternative Schadenspfade formulieren und relevante Befunde in ein definiertes Format überführen.

Constraints – Welche Grenzen gelten immer?

Constraints definieren nicht, wie gearbeitet werden muss, sondern was nicht überschritten werden darf.

Dazu gehören etwa: Datenklassen, Budgetgrenzen, zulässige Tools, verbotene irreversible Aktionen, Anforderungen an Quellen oder Tests und definierte Eskalationsfälle.

Die Formel lautet:

Purpose gibt Richtung. Domain gibt Raum. Accountabilities geben Verantwortung. Constraints geben Grenzen.

Die Autonomiehülle: Freiheit mit klarer Geometrie

Autonomie sollte nicht binär gedacht werden. Ein Agent ist nicht entweder „kontrolliert" oder „frei". Sinnvoller ist eine Autonomiehülle: ein expliziter Raum aus erlaubten Entscheidungen.

Diese Hülle ist wichtiger als ein langer Prompt. Sie erklärt der Rolle, wo eigene Initiative erwünscht ist und wo sie endet.

Ein professionelles System versucht daher nicht, jede Aktion im Voraus zu beschreiben. Es beschreibt die Entscheidungslandschaft.

„Du darfst widersprechen" muss eine echte Funktion sein

Viele Teams behaupten, Kritik sei erwünscht. Praktisch wird die KI trotzdem so gepromptet, dass sie den bestehenden Plan optimieren soll. Das ist kein Widerspruchsrecht. Es ist Optimierung innerhalb einer Vorgabe.

Eine autonome Rolle braucht einen definierten Dissent Channel – einen Mechanismus, mit dem sie relevante Abweichungen sichtbar machen kann.

Ein belastbarer Einwand sollte enthalten: welche Annahme oder Entscheidung betroffen ist, welche Evidenz dagegen spricht, welche Konsequenz droht, wenn nichts geändert wird, welche Alternative vorgeschlagen wird, und wie sicher oder unsicher die Einschätzung ist.

Damit wird Widerspruch von bloßer Meinung getrennt.

Der entscheidende kulturelle Satz lautet nicht: „Die KI soll kritisch sein." Er lautet:

„Wenn deine Rolle eine relevante Spannung zwischen aktuellem Zustand und deinem Purpose erkennt, musst du sie sichtbar machen."

Spannungen als Sensorsystem

Im Holacracy-Modell spielt der Begriff „Tension" eine wichtige Rolle: eine wahrgenommene Lücke zwischen aktueller Realität und einem besseren möglichen Zustand.

Für KI-Teams ist diese Idee erstaunlich produktiv. Agenten können als Sensoren für Spannungen eingesetzt werden: ein Reviewer erkennt Qualitätslücken, ein Marktagent erkennt neue externe Signale, ein Risikoagent entdeckt eine Annahme, die nicht mehr gilt, und ein Nutzerperspektiv-Agent erkennt Widersprüche zwischen Produktlogik und Kundenbedarf.

Wichtig ist, dass nicht jede erkannte Spannung automatisch eine Änderung auslöst. Eine Spannung ist zunächst ein Signal, kein Mandat.

Damit entsteht ein nützlicher Mittelweg zwischen zwei schlechten Extremen: Der Agent meldet gar nichts, weil er nur Befehle ausführt, oder der Agent verändert selbstständig das ganze Projekt, weil er eine bessere Idee gefunden hat.

Holokratische KI-Teams brauchen Sensorik und Vorschlagsrechte – nicht grenzenlose Verfassungsänderung.

Governance und operative Arbeit sind zwei verschiedene Ebenen

Eine der wichtigsten Lehren aus formaler Holokratie ist die Trennung zwischen Governance und Operations^[3].

Operations beantwortet: Was tun wir jetzt? Welche nächste Aktion hat den höchsten Wert? Welche Aufgabe priorisieren wir? Welche Methode nutzen wir innerhalb unseres Rollenraums?

Governance beantwortet: Welche Rollen existieren? Welche Domains besitzen sie? Welche Policies gelten? Wer darf worüber entscheiden? Welche strukturellen Regeln ändern wir?

Für KI-Systeme ist diese Trennung elementar. Ein Agent kann sehr viel operative Freiheit besitzen und trotzdem keine Governance-Autorität haben.

Das verhindert einen verbreiteten Denkfehler: mehr Autonomie bedeute automatisch, dass eine KI ihre eigenen Regeln, Rollen oder Ziele umschreiben dürfe.

Nein. Autonomie kann lokal und stark sein, während Governance bewusst stabil bleibt.

Lokale Autorität schlägt globale Freiheit

Der Satz „Lass den Agenten einfach machen" ist zu unpräzise. Besser ist:

„Lass den Agenten in seinem definierten Bereich eigenständig entscheiden."

Eine gute verteilte Struktur delegiert Autorität so nah wie möglich an die Rolle, die den Kontext dafür besitzt. Gleichzeitig verhindert sie, dass lokale Entscheidungen unbemerkt globale Konsequenzen erzeugen.

Ein Content-Agent kann beispielsweise die Reihenfolge seiner Entwürfe ändern. Er sollte aber nicht eigenmächtig die Zielgruppe des gesamten Projekts austauschen. Ein Rechercheagent kann zusätzliche Quellen suchen. Er sollte aber nicht allein die freigegebene strategische Baseline überschreiben.

Autonomie funktioniert am besten, wenn sie lokal, reversibel und domänenspezifisch ist.

Reversibilität ist ein praktischer Delegationsfilter

Eine einfache Heuristik hilft bei der Frage, wie viel Autonomie sinnvoll ist:

Je leichter eine Entscheidung rückgängig zu machen ist, desto eher kann sie innerhalb einer Rolle autonom getroffen werden.

Reversible Entscheidungen: Suchstrategie ändern, Reihenfolge interner Aufgaben variieren, zusätzliche Gegenhypothese prüfen, Entwurfsvariante erzeugen, interne Prioritäten anpassen.

Schwer reversible Entscheidungen: Daten löschen, Geld transferieren, öffentlich kommunizieren, Verträge ändern, produktive Systeme verändern, regulatorisch relevante Freigaben auslösen.

Diese Heuristik ersetzt keine Risikoanalyse. Sie ist aber ein guter Startpunkt für die Autonomiehülle.

Strategie sollte eine Heuristik sein, kein Drehbuch

Formale Holacracy kennt die Idee, dass Strategien als Orientierung für Rollen dienen können. Das ist für agentische Systeme besonders interessant.

Eine Strategie muss nicht jeden Schritt definieren. Sie kann als Heuristik formuliert werden: „Bevorzuge belastbare Evidenz vor schneller Vollständigkeit.", „Bevorzuge reversible Experimente vor großer Vorabinvestition.", „Wenn zwei Optionen gleichwertig erscheinen, wähle die mit geringerem Lock-in." und „Bevorzuge Kundenproblem vor Feature-Wunsch."

Solche Heuristiken geben Richtung, ohne den Lösungsweg festzuschreiben.

Das ist ein wichtiger Unterschied zwischen Führung durch Prinzipien und Führung durch Mikroschritte.

Gleichberechtigung heißt nicht Gleichförmigkeit

Ein holokratisches KI-Team wird nicht besser, wenn alle Rollen alles dürfen und dasselbe Wissen besitzen. Im Gegenteil: Wert entsteht durch funktionale Asymmetrie.

Ein Reviewer soll anders denken als ein Generator. Ein Risikoagent soll andere Erfolgsmaßstäbe haben als ein Delivery-Agent. Ein Nutzerperspektiv-Agent darf einen technisch perfekten Plan kritisieren, wenn er am tatsächlichen Bedarf vorbeigeht.

„Gleichberechtigt" kann in diesem Kontext sinnvoll bedeuten: Befunde werden nicht wegen einer Rangordnung ignoriert, jede Rolle besitzt einen legitimen Zuständigkeitsraum, Kritik darf von jeder Rolle kommen, wenn sie ihren Purpose betrifft, und Entscheidungen werden nach Regel, Evidenz und Domain getroffen – nicht nach Lautstärke.

Es bedeutet nicht, dass alle Rollen dieselbe Autorität haben.

Die KI braucht keine Persönlichkeit, sondern institutionelle Funktion

Es ist verführerisch, Rollen zu vermenschlichen: „Du bist Lea, die kritische Strategin", „Du bist Max, der kreative Visionär". Solche Personas können Ton und Perspektive beeinflussen, lösen aber das Organisationsproblem nicht.

Für ein belastbares KI-Team ist wichtiger: Welchen Zweck verfolgt die Rolle? Welche Daten darf sie sehen? Welche Entscheidungen darf sie treffen? Welche Artefakte darf sie verändern? Welche Art von Einwand muss sie melden? Woran wird ihre Leistung gemessen?

Eine Rolle ist kein Charakterprofil. Sie ist eine institutionelle Funktion im System.

Ein gemeinsamer Zweck verhindert lokale Brillanz ohne Gesamtwert

Autonome Rollen können lokal hervorragende Arbeit leisten und trotzdem das Gesamtprojekt verschlechtern. Das passiert, wenn sie ihre eigenen Ziele optimieren, ohne den übergeordneten Zweck zu berücksichtigen.

Deshalb braucht jede Rolle zwei Ebenen: einen eigenen Purpose und einen Bezug zum Gesamtzweck des Projekts.

Ein Risikoagent darf nicht nur möglichst viele Risiken finden. Sonst wird jedes Projekt untragbar. Sein Purpose könnte stattdessen lauten: „Erhöhe die Entscheidungsqualität, indem du wesentliche Risiken proportional sichtbar machst."

Ein Qualitätsagent darf nicht endlos verbessern. Sonst wird nie geliefert. Sein Purpose muss mit Delivery, Zeit und Nutzen kompatibel sein.

Autonomie ohne gemeinsamen Zweck führt zu lokaler Optimierung. Holokratische Strukturen funktionieren nur, wenn Rollen ihre Freiheit im Dienst eines größeren Systems ausüben.

Zielkonflikte müssen sichtbar werden, nicht verschwinden

Verteilte Autorität beseitigt Konflikte nicht. Sie macht sie eher sichtbarer.

Typische Konflikte: Qualität gegen Geschwindigkeit, Sicherheit gegen Komfort, Innovation gegen Standardisierung, Kosten gegen Redundanz, kurzfristige Delivery gegen langfristige Wartbarkeit.

Ein schlechter Agentenaufbau versucht, solche Konflikte im Prompt zu verstecken. Ein guter Aufbau codiert sie als explizite Spannungsfelder.

Dann kann ein Agent sagen:

„Meine Rolle würde Option A bevorzugen, weil sie das Qualitätsziel stärkt. Sie erhöht aber die Lieferzeit um zwei Tage. Das kollidiert mit dem Delivery-Ziel."

Damit wird aus Widerspruch ein steuerbares Organisationssignal.

Konsens ist nicht das Ziel

Holokratisch inspirierte Zusammenarbeit darf nicht mit basisdemokratischem Abstimmen verwechselt werden. Mehr Agentenstimmen erzeugen keine Wahrheit.

Drei Modelle können denselben Fehler teilen. Fünf Agenten können dieselbe schwache Quelle wiederholen. Ein Mehrheitsvotum kann einen gut belegten Minderheitsbefund überstimmen.

Deshalb sollte ein verteiltes KI-Team nicht primär auf Konsens, sondern auf klare Entscheidungslogik optimiert werden: Wer besitzt die Domain? Welche Evidenz liegt vor? Ist die Entscheidung reversibel? Welche Rolle trägt die fachliche Zuständigkeit? Welcher Befund betrifft den Gesamtzweck?

Die Organisation braucht nicht immer Einigkeit. Sie braucht nachvollziehbare Zuständigkeit.

Was aktuelle Multi-Agent-Forschung dagegenhält

Die holokratische Metapher ist attraktiv, darf aber nicht romantisiert werden.

Anthropic weist in einer aktuellen Untersuchung zu Multi-Agent-Systemen darauf hin, dass heutige Agenten zwar gut zusammenarbeiten können, wenn andere Agenten wie klar definierte Toolaufrufe mit Input und Output behandelt werden. Schwieriger wird es, wenn sie sich als langfristige Peers mit eigenen Zielen und ohne klare Hierarchie koordinieren sollen. Genau dort entstehen neue systemische Risiken.^[6]

Diese Beobachtung ist wichtig: Holokratische KI-Teams sind kein Beweis dafür, dass Hierarchien technisch überholt wären. Sie sind ein Designraum, in dem verteilte Rollen Vorteile bringen können – wenn Zweck, Grenzen und Koordination explizit bleiben.

OpenAI beschreibt entsprechend sowohl zentral gemanagte als auch dezentrale Multi-Agent-Muster.^[4] Beim dezentralen Muster können spezialisierte Agenten auf Augenhöhe Aufgaben aneinander übergeben. Gleichzeitig bleibt die Empfehlung, Agentensysteme schrittweise aufzubauen und Komplexität nur dann zu erhöhen, wenn sie tatsächlich nötig ist.

Die aktuelle Praxis spricht also weder für „alles zentral" noch für „alles frei". Sie spricht für situationsgerechte Verteilung von Autorität.

Holokratie als Inspiration – nicht als Copy-Paste-Organigramm

Es wäre ein Fehler, die Holacracy Constitution einfach auf KI-Agenten zu übertragen. Menschen und Modelle unterscheiden sich fundamental.

Menschen besitzen: soziale Erfahrung, implizites Organisationswissen, Verantwortung, Motivation, persönliche Interessen, langfristige Identität.

Agenten besitzen dagegen je nach System: begrenzten oder konstruierten Kontext, modellabhängige Fähigkeiten, Toolzugriffe, variable Zuverlässigkeit, keine rechtliche Verantwortung, keine stabile organisatorische Identität im menschlichen Sinn.

Daher sollte Holokratie hier als Designvokabular verwendet werden: Purpose, Role, Domain, Accountabilities, Tensions, Policies, distributed authority. Nicht als Behauptung, KI-Agenten seien digitale Mitarbeitende mit denselben Eigenschaften wie Menschen.

Ein einfaches Reifemodell für Autonomie

Statt „manuell oder autonom" hilft eine gestufte Entwicklung.

Die letzte Stufe ist nicht automatisch „besser". Sie ist nur komplexer.

Viele reale Projekte werden auf Stufe 2 oder 3 optimal funktionieren. Ein Unternehmen sollte nicht maximal mögliche Autonomie anstreben, sondern minimal notwendige Kontrolle bei maximal nützlicher Initiative.

Die Autonomie-Steuerkarte

Für jede Rolle sollten sechs Fragen beantwortet werden:

Diese sechs Felder sind der Kern einer holokratisch inspirierten KI-Organisation. Sie schaffen mehr Freiheit als Mikromanagement, aber deutlich mehr Klarheit als „mach einfach".

Praxisbeispiel: Ein Strategieprojekt ohne Superpraktikanten

Angenommen, ein Unternehmen möchte eine neue Dienstleistung für kleine und mittlere Unternehmen entwickeln.

Ein klassischer Aufbau könnte so aussehen: Der Mensch gibt einem Chatbot nacheinander Aufgaben – Markt recherchieren, Zielgruppe definieren, Wettbewerber vergleichen, Angebot schreiben, Risiken prüfen. Die KI folgt der Reihenfolge.

Ein holokratisch inspirierter Aufbau könnte stattdessen vier Rollen erhalten:

Marktrolle: Purpose – relevante Marktbewegungen und reale Nachfrage sichtbar machen. Domain – Marktquellen, Wettbewerbsdaten, Trendanalysen. Autonomie – Suchstrategie, Priorisierung, Gegenbeispiele.

Kundenrolle: Purpose – sicherstellen, dass das Angebot ein tatsächliches Problem löst. Domain – Interviews, Personas, Jobs-to-be-done, Feedback. Autonomie – Widerspruch gegen Feature-Ideen ohne Bedarfssignal.

Wirtschaftlichkeitsrolle: Purpose – tragfähige Geschäftslogik sichern. Domain – Kostenannahmen, Preislogik, Szenarien. Autonomie – Alternativmodelle entwickeln und Annahmen challengen.

Qualitäts-/Risikorolle: Purpose – blinde Flecken sichtbar machen, ohne Innovation zu blockieren. Domain – Annahmen, Risiken, Evidenzqualität. Autonomie – kritische Spannung melden und Gegenprüfung verlangen.

Der Mensch definiert Gesamtzweck, strategische Grenzen und nicht delegierbare Entscheidungen. Die Rollen dürfen innerhalb ihrer Domains handeln und einander fachlich widersprechen.

Das Entscheidende ist nicht, dass vier Agenten beteiligt sind. Entscheidend ist, dass jede Rolle einen eigenen legitimen Blickwinkel besitzt und nicht nur denselben Chef-Prompt reproduziert.

Sechs Anti-Patterns holokratischer KI-Teams

Der gemeinsame Nenner ist fehlende institutionelle Klarheit.

Autonomie erzeugt eine neue Managementaufgabe

Je mehr operative Freiheit Rollen erhalten, desto weniger muss der Mensch Einzelschritte steuern. Gleichzeitig steigt die Bedeutung einer anderen Arbeit: Ziele präzisieren, Rollen sauber schneiden, Domains definieren, Konflikte sichtbar machen, Entscheidungsrechte zuordnen, Leistungsmaßstäbe setzen, Grenzen pflegen.

Die menschliche Rolle verschiebt sich damit von Task-Verteiler zu Systemdesigner.

Das ist die eigentliche Organisationsverschiebung. Agentische KI reduziert Management nicht unbedingt. Sie verändert, was Management bedeutet.

Wie viel Freiheit ist genug?

Drei Prüfungen helfen.

1. Erkenntnisgewinn

Erzeugt die zusätzliche Autonomie neue wertvolle Optionen, Risiken oder Perspektiven, die im Mikromanagement nicht entstanden wären?

2. Steuerbarkeit

Bleibt nachvollziehbar, warum die Rolle etwas getan hat und ob die Aktion innerhalb ihrer Domain lag?

3. Proportionalität

Steht der Gewinn durch Autonomie im Verhältnis zu zusätzlichem Monitoring, Varianz und Fehlerrisiko?

Wenn die Antwort auf die erste Frage „nein" lautet, ist Autonomie Theater. Wenn die zweite „nein" lautet, ist sie unkontrollierbar. Wenn die dritte „nein" lautet, ist sie wirtschaftlich schlecht designt.

Circles: Rollen um einen Zweck gruppieren

Ein weiterer nützlicher Baustein aus Holacracy ist der Circle. Ein Circle ist nicht einfach ein Team aus Personen, sondern eine Gruppe von Rollen, die einem gemeinsamen Zweck dient. Für KI-Organisationen verhindert diese Denkweise, dass Agenten nur nach Modell oder Tool gruppiert werden.

Ein „Research Circle" könnte beispielsweise aus Quellenrecherche, Evidenzprüfung, Gegenhypothese und Synthese bestehen. Ein „Delivery Circle" könnte Planung, Umsetzung, Test und Abschluss bündeln. Entscheidend ist, dass der gemeinsame Zweck die Gruppierung bestimmt – nicht die Frage, ob alle Rollen mit demselben Modell laufen.

Das schafft zwei Vorteile. Erstens bleibt die Architektur modellagnostisch: Eine Rolle kann später ein anderes Modell oder Tool verwenden, ohne dass die Organisationslogik zerfällt. Zweitens wird sichtbar, welche Rollen tatsächlich zusammengehören und welche nur technisch zufällig im selben System liegen.

Auch hier gilt: Ein Circle ist kein Freibrief für eine eigene Schattenorganisation. Er ist eine klare Zweckgrenze, innerhalb der Rollen kooperieren und lokale Arbeit organisieren können.

Rollen dürfen sich entwickeln – aber nicht heimlich

Agentische Systeme verändern sich. Neue Aufgaben entstehen, Tools werden ergänzt, ein Projekt verschiebt seinen Schwerpunkt. Eine starre Rollenlandschaft kann dadurch genauso problematisch werden wie völlige Rollenfreiheit.

Die Lösung ist nicht, dass Agenten ihre eigene Organisation im Hintergrund beliebig umbauen. Besser ist ein expliziter Governance-Vorschlag: Welche neue Spannung wurde erkannt? Warum reicht die bestehende Rollenstruktur nicht aus? Welche Rolle, Domain oder Accountability sollte geändert werden? Welche Nebenwirkungen hätte die Änderung? Ist sie temporär oder dauerhaft?

Damit kann ein Agent organisatorische Verbesserung anstoßen, ohne die Grenze zwischen Operation und Governance zu verwischen.

Das ist besonders wichtig bei Systemen, die neue Subagenten oder Skills dynamisch erzeugen können. Technische Erzeugung ist noch keine organisatorische Legitimation. Ein neu gespawnter Agent sollte nicht automatisch eine neue dauerhafte Autorität im Projekt besitzen.

Autonomieschuld: Wenn Entscheidungsrechte nur im Kopf existieren

In klassischen Teams gibt es technische Schuld, Prozessschuld und Dokumentationsschuld. Agentische Teams können zusätzlich Autonomieschuld aufbauen.

Sie entsteht, wenn ein System immer selbstständiger arbeitet, aber niemand mehr präzise sagen kann: welche Entscheidungen die KI treffen darf, welche nur historisch geduldet wurden, welche Tools „eigentlich" erlaubt sind, wann ein Agent nur empfiehlt und wann er entscheidet, welche Ausnahme inzwischen zur Regel geworden ist.

Solange alles gut läuft, fällt diese Schuld kaum auf. Bei einem Fehler zeigt sie sich plötzlich als Verantwortungsnebel.

Autonomieschuld wächst typischerweise durch viele kleine Freigaben: „Mach diesmal einfach", „Du kannst das künftig selbst entscheiden", „Nimm dafür ruhig das Tool". Werden diese Entscheidungen nicht in Rollen, Domains oder Policies zurückgeführt, driftet die reale Autorität von der dokumentierten Struktur weg.

Ein reifes System überprüft deshalb regelmäßig nicht nur Ergebnisse, sondern auch die tatsächlich gelebte Autonomie.

Maximale Autonomie ist kein Reifeziel

Technologie-Demos messen Autonomie gern daran, wie lange ein Agent ohne Menschen arbeiten kann. Für Organisationen ist das ein zu einfacher Maßstab.

Ein System ist nicht reifer, weil es 48 Stunden statt 20 Minuten allein läuft. Reife zeigt sich vielmehr darin, dass es weiß, welche Entscheidungen sinnvoll delegiert sind, welche Informationen für diese Entscheidungen benötigt werden und welche Grenzen nicht überschritten werden dürfen.

In manchen Prozessen ist sehr hohe Autonomie sinnvoll: interne Recherche, Entwurfsvarianten, reversible Tests, lokale Optimierungen. In anderen Prozessen bleibt engere Kontrolle dauerhaft professioneller.

Die bessere Kennzahl lautet daher nicht „Autonomiezeit", sondern qualifizierte Autonomie: Wie viel eigenständige Arbeit erzeugt nachweisbaren Nutzen innerhalb eines verständlichen Verantwortungsrahmens?

Diese Perspektive schützt vor einem häufigen Fehler der Agentenwelt: Autonomie als Showeffekt zu optimieren, statt als Organisationsfähigkeit.

Acht Stresstests für eine verteilte Rollenstruktur

1. Boss-Test: Der Mensch schlägt einen offensichtlich schwachen Weg vor. Darf eine zuständige Rolle widersprechen?

2. Domain-Test: Zwei Rollen wollen dasselbe Artefakt verändern. Ist klar, wer zuständig ist?

3. Zielkonflikt-Test: Qualität und Geschwindigkeit kollidieren. Wird der Konflikt sichtbar oder heimlich wegoptimiert?

4. Autonomie-Test: Eine Rolle entdeckt eine bessere Methode. Darf sie innerhalb ihrer Domain wechseln?

5. Grenztest: Die bessere Lösung würde eine nicht erlaubte Aktion erfordern. Stoppt die Rolle an ihrer Grenze?

6. Konsens-Test: Drei Rollen sind sich einig, aber eine vierte liefert stärkere Evidenz dagegen. Zählt Beleg oder Mehrheit?

7. Drift-Test: Der lokale Purpose wird so stark optimiert, dass der Gesamtzweck leidet. Wird das erkannt?

8. Governance-Test: Eine Rolle möchte ihre eigenen Regeln ändern. Ist klar, dass dies eine andere Entscheidungsebene ist?

Diese Tests prüfen nicht, ob Agenten klug klingen. Sie prüfen, ob die Organisation ihre Autonomie versteht.

Ein Aufbaupfad in sieben Schritten

1. Gesamtzweck festlegen. Nicht nur Output, sondern Nutzen und Erfolgskriterien definieren.

2. Rollen um Spannungsfelder schneiden. Nicht nach Toolnamen, sondern nach echten Verantwortungsbereichen.

3. Purpose, Domain und Accountabilities festhalten. Jede Rolle braucht einen institutionellen Vertrag.

4. Autonomiehülle definieren. Klären, was selbstständig entschieden werden darf und was nicht.

5. Widerspruch institutionalisieren. Eine Rolle muss relevante Spannungen mit Evidenz sichtbar machen können.

6. Lokale Autonomie praktisch testen. Erst reversible, begrenzte Entscheidungen delegieren und Wirkung messen.

7. Governance getrennt halten. Rollen dürfen operativ lernen und anpassen; strukturelle Regeln werden über einen eigenen Prozess verändert.

So entsteht schrittweise ein System, das Initiative zulässt, ohne Verantwortlichkeit aufzulösen.

Holokratische KI-Teams brauchen weniger Mikromanagement – und mehr Organisationsklarheit

Der attraktivste Teil holokratischer KI-Teams ist nicht die Vorstellung einer digitalen Firma ohne Chef. Es ist die Erkenntnis, dass leistungsfähige Agenten nicht für jede lokale Entscheidung einen menschlichen Mauszeiger benötigen.

Wenn Zweck, Domain, Verantwortlichkeit und Grenzen klar sind, kann eine Rolle selbstständig handeln, neue Optionen finden und begründeten Widerspruch einbringen. Dadurch wird KI von einem reaktiven Antwortwerkzeug zu einem aktiveren Bestandteil der Projektorganisation.

Aber die Formel darf nicht verkürzt werden.

Mehr Autonomie ohne Rollenklärung ist Chaos.

Mehr Rollen ohne gemeinsamen Zweck ist lokale Optimierung.

Mehr Gleichberechtigung ohne Verantwortungslogik ist Anthropomorphisierung.

Mehr Freiheit ohne Governance ist kein modernes Management, sondern Kontrollverlust.

Die produktive Mitte lautet:

Ziel statt Drehbuch. Rolle statt Persona. Domain statt grenzenloser Zugriff. Widerspruch statt blinder Gefolgschaft. Verteilte Autorität statt verschwommener Verantwortung.

Damit wird Holokratie nicht zum Modewort, sondern zu einem brauchbaren Denkmodell für eine neue Form der Mensch-KI-Zusammenarbeit.

Der nächste Schritt ist die schwierigste Konsequenz dieser Autonomie: Wenn Agenten echten Handlungsspielraum erhalten, genügt ein menschlicher „Not-Aus" am Ende nicht mehr. Kontrolle muss in den Prozess eingebaut werden. Genau darum geht es im nächsten Artikel: Human in the Loop ist ein System, kein Not-Aus-Schalter — Gates richtig bauen.

Öffentliche Quellen zur Vertiefung