Mittelmaß und Wahnsinn

Das Neue kommt fast immer vom Rand und wenn es von da ins Zentrum wandern soll, wird es schwierig. Mittelmaß und Wahnsinn wirft wie immer einen Blick darauf, was nicht funktioniert und wälzt ein paar Gedanken, was es braucht, damit Innovation funktionieren kann. Das ende ist diesmal ein außergewöhnlich optimistisches.

How to summarize a podcast that meanders from Corona virus statistics over rather basic mathematics, even an Excel spreadsheet, our deficiencies in understanding the exponential to the heights of an unsolved problem of mathematics and computer sciences only in order to turn to panda bears and predator-prey systems, finally back to the virus again, touching on the purpose and the intricacies of testing and tracing only to end with personal musings about the sky always being a little bluer and the clouds a little whiter in Bavaria?

Another thing we might learn from our times in Corona retreat mode: the beauty of 
imperfection.
 With nobody to blame but ourselves, we might trade in feigned superpowers for humble authenticity. That may not only lead to a deeper level of sharing and reasoning, it also helps building trust. 
 On a personal level it is far less arduous.

Nicht jede Krise ist eine Chance, aber vielleicht gibt es wenigstens ein paar Chancen in dieser Krise. Kontemplation statt getriggerter Reflexe könnte eine der Chancen in dieser Krise sein.
 Eine Kontemplation über das "konzentrierte Betrachten, auf der Suche nach Erkenntnis" im Mittelmaß und Wahnsinn Podcast.

Gutes Management war schon immer agil. Schlechtes eben nicht. Gute Organisation war schon immer agil. Schlechte nicht. In diesem Sinne ist es mit der Agilität genauso, wie es uns unsere Eltern als Kinder gelehrt haben: Es kommt nicht darauf an, was die anderen machen, es kommt darauf an, das Richtige zu tun. Was aber ist das Richtige? Und vielleicht noch wichtiger: Wie gelingt es, das Richtige auch zu tun? Viel öfter als ein Erkenntnisproblem haben wir nämlich ein Umsetzungsproblem. Dieser Artikel ist Teil des erscheinenden Kundenmagazins #einblickeundperspektiven von #skubchandcompany und erscheint an dieser Stelle vorab.

In der Psychologie ist der kurative Effekt der Psychoanalyse mittlerweile höchst umstritten. Unumstritten dagegen ist die Verhaltenstherapie: Neue Strategien der Problemlösung bewirken auf Sicht auch eine neue Einstellung. Übertragen auf jedwede Art der Transformation bedeutet das: wer etwas ändern will, der muss auch etwas ändern. Greifbar. Fühlbar. Das neue „Why“ wird’s nicht reißen. Zumindest nicht alleine. Und erst recht nicht schnell.

Wie wäre es, wenn Sie sich so organisieren könnten – oder dürften – oder würden – wie ein Berater? Also mit Fokus und Konzentration auf eine oder höchstens zwei Sachen. 

 Magic Cleaning für Ihren Kalender: Das Unnötige raus. Das, was zusammengehört, zusammen. Und alles nur mit denen, die wirklich etwas beitragen. Ich sehe den geneigten Hörer dieses Podcasts nicken und seufzen: „Ja, das wäre schön“ … bevor er die Pausentaste drückt und ins nächste Meeting sprintet.

Heute geht es um das, was wir nicht sehen. Es geht um Kolleginnen und Kollegen. Oder für die, die sich auf der Karriereleiter befinden: es geht um Mitarbeiterinnen und Mitarbeiter. Kurz: es geht um Menschen. Es geht um Menschen und um den zu kurzsichtigen Versuch, diese Menschen zu vermessen, zu wiegen und zu wägen, mit dem Ziel, daraus "Performer" zu machen.

Schon als Kind hatte ich ein Faible für Persönlichkeitstests ... in Frauenzeitschriften. Später wurden sie ernsthafter (die Tests) Über MBTI und StrengthsFinder, meine introvertiert intuitive Seite, darüber, dass wir manchmal auch an unseren Schwächen arbeiten müssen und wie wir bei uns Personalentscheidungen und Personalentwicklung doch immer wieder in unserer Filterblase einkuscheln.

Zusammenhanglose Bilder zum sogenannten Growth Mindset lassen meinen Blutdruck immer noch steigen. Aber ich war der Sache nicht genug auf den Grund gegangen. Gräbt man ein wenig tiefer und schaut, was Carol Dweck tatsächlich meint, ist vielleicht etwas dran an der Sache mit dem Growth Mindset.

Herzlich willkommen zu einer neuen Ausgabe von “Mittelmaß und Wahnsinn“, dem Podcast über den täglichen Spagat zwischen Anspruch und Wirklichkeit in unseren Unternehmen, über die immer weiter werdende Lücke zwischen Reden und Realität. Musings Heute bin ich auf der Suche nach dem roten Faden. Die Gefahr ist groß, dass dieser Podcast ein wenig springt oder mäandert zwischen verschiedenen Themen. Wer also gerne eine Botschaft hört, ein Argument, das auf einer mehr oder weniger geraden Linie vorgetragen wird, der überspringt wohl besser diese Folge. Na ja, er oder sie überspringt vielleicht besser die ganze Show. Die direkte Linie ist hier wohl eher selten. Aber die direkte Linie gibt’s ja auch im „Real Life“ höchstens auf der Autobahn. Und selbst da ist mit Kurven, Ausfahrten und Hindernissen zu rechnen. A long shot Den Keim der heutigen „Denkereien“ bildet ein langes Gespräch, das ich diese Woche mit Yvonne Schmid geführt habe. Yvonne promoviert in Regensburg am Lehrstuhl für Innovations- und Technologiemanagement bei Professor Dowling und hat mich bei meinem Gastvortrag in seinem Strategic Management Kurs unterstützt. Yvonne – und da fangen meine „Musings“ an – beschäftigt sich unter anderem mit dem Zusammenhang zwischen Strategie und Arbeitsplatzgestaltung. „Hmmm“, dachte ich, als wir auf das Thema kamen, „das ist ein ‚long shot‘“. Vorsichtig versuchte ich anzudeuten, dass aus meiner praktischen Erfahrung heraus selten jemand Arbeitsplätze und Arbeitsausstattung auf Basis einer Strategie gestalten würde. „Mode“ und „Opportunismus“ sind da eher Begriffe, die mir durch den Kopf gingen, aktuell zum Beispiel der Trend zum „Open Plan“ Büro mit bunten Möbeln zwischen den Schreibtischen, die die Anmutung von Modernität und Privatsphäre erzeugen sollen. Den obligatorischen Kicker nicht zu vergessen. Yvonne erklärte mir dann sehr überzeugend, dass es natürlich einen Zusammenhang gibt. Wenn man sich als innovativer Nischenplayer positionieren möchte, habe man naturgemäß andere Anforderungen an Arbeitsplätze als wenn man Kosteneffizienz auf Basis von Skaleneffekten zum Paradigma habe. Und Arbeitsplatz sei deutlich mehr als Bürogestaltung. Mir fiel dabei das Beispiel von Microsoft ein, das ich kürzlich auf dem IT Literacy Programm der Allianz gehört hatte. Dort ist es seit nicht allzu langer Zeit völlig akzeptiert mit der Hardware seiner Wahl zu arbeiten. Sogar Macbooks sind erlaubt. Ein gewaltiger Schritt für eine Firma, die jahrzehntelang beinahe besessen so etwas wie eine Wintel-Monopolstrategie betrieben hat. Und ein perfektes Spiegelbild der aktuellen Open Platform / Cloud Strategie. Anecdotal Evidence Gleichzeitig – ein neuer Gedankensprung – erklärte mir Yvonne, wie wenig wissenschaftliches Fundament es eigentlich zu diesem wie zu vielen anderen Themen es gäbe und wie relativ oberflächlich eigentlich selbst auf Fachtagungen darüber mehr philosophiert würde als Wissen ausgetauscht und erweitert. Das gelte übrigens auch für so populäre Themen wie Leadership-Fähigkeiten im digitalen Zeitalter oder Agilität als Wunderwaffe. Unwillkürlich drifteten meine Gedanken dahin ab, dass im „Corporate Environment“ der Begriff „wissenschaftlich“ häufig eher etwas Disqualifizierendes hat, etwas, das eher für langsam und kompliziert steht als für schnell und praktisch. Der Punkt ist aber ein anderer: Allzu häufig nämlich machen wir uns nicht die Mühe, Bedingungen genau zu definieren, Daten zu analysieren und Kausalitäten zu erforschen und zu nutzen. Das dauert vielleicht tatsächlich etwas länger als die nächste Powerpoint-Präsentation zu pinseln. Stattdessen geben wir uns zufrieden mit Koinzidenzen und anekdotischer Evidenz. Ich merke gerade, dass dieser Podcast voll wird von Begriffen, für die es nur schwer ein deutschsprachiges Äquivalent gibt. „Musings“, „Leadership“ und „anekdotische Evidenz“ fallen schon mal in diese Kategorie. Zurück zum Thema aber. Mit einem Beispiel. Mehr als einmal habe ich in internen und öffentlichen sozialen Medien gesehen, wie der „Case“ für Open Plan Büros – schon wieder so ein Wort – folgendermaßen gemacht wird. Da stellt man ein Bild von einem menschenleeren Gang in einem Bürogebäude aus den achtziger oder neunziger Jahren des letzten Jahrhunderts, schlecht beleuchtet und mit geschlossenen Türen gegenüber einem Bild, in dem Menschen unterschiedlicher Kulturen auf großen offenen Flächen in sanftem Licht lächelnd intensiven Austausch betreiben. Unter ersteres Bild schreibt man dann den Namen der eigenen Company, unter dem anderen steht so etwas wie „Facebook“ mit Zusatzinformationen darüber, wie viele Fußballfelder das Open Space Setup dort umfasst. Die Logik muss man gar nicht erklären. Sie drängt sich auf: Wenn Du so erfolgreich sein willst wie Facebook und Co., wenn Du im Digitalen Zeitalter bestehen möchtest, dann ist das Open Plan Office der einzig richtige Weg. Je größer, desto besser. Und nebenbei bietet es auch noch viel mehr Spaß bei der Arbeit. Zwei Bilder machen kein Argument Tatsächlich weiß ich gar nicht, was die „richtige“ Antwort ist, ob Open Plan besser oder schlechter ist als ein anderes Bürokonzept. Ich selbst arbeite nicht ungern im Open Space. Andere nicht. Und es gibt mittlerweile Studien, die zu belegen scheinen, dass der Open Plan direkte Kommunikation eher behindert als befördert. Egal. Das ist gar nicht der Punkt. Der Punkt ist, zwei Bilder machen kein Argument. Selbst die Tatsache, dass eine Firma im Open Space gerade besonders erfolgreich ist, ist zunächst einmal Koinzidenz. Anhand des Bildes wissen wir nicht einmal, warum diese Company dieses Setup hat. Vielleicht ist es einfach Zufall, weil das Bürogebäude es gerade so hergab. Vielleicht sieht es woanders in dieser Firma auch anders aus. Vielleicht hat es etwas mit den kulturellen Wurzeln dieser Firma zu tun. Wir wissen anhand des Bildes auch nicht, ob es andere, vergleichbare und ähnlich erfolgreiche Firmen gibt, die die Frage des Büros anders beantwortet haben. Wir wissen nicht, wie sich die Menschen in dieser Umgebung fühlen und wie es dort aussieht, wenn gerade nicht der Fotograf da ist. Und umgekehrt gibt es sehr wahrscheinlich auch in der anderen Firma sonnendurchflutete Gänge und wenn man dann noch ein paar fröhliche Menschen darin platziert, wird das scheinbare „Argument“ viel schwächer. Es ist nämlich kein Argument. Es ist genau genommen nichts, allenfalls ist es leicht manipulativ. Gerade fallen mir da noch ganz alte Schwarz-Weiß-Bilder ein: „Open Plan“ Büros wo Reihen von lächelnden Arbeiterinnen und Arbeitern im offenen Büro sitzen, der Chef (damals tatsächlich meist ein Mann) auf einem kleinen Podest am Kopfende. Ist auch irgendwie Open Space, oder? Ich suche noch nach einem Beispiel aus einem Bereich, wo „wissenschaftlich“ der Standard ist und ohne Beigeschmack daherkommt. Physik liegt mir nahe. Wie wäre es mit einem Bild, auf dem auf der einen Seite eine klassische Stromleitung abgebildet ist und auf der anderen Seite ein Supraleiter. Unter das eine Bild schreiben wir „Widerstand GROß“ unter das andere „Widerstand NULL“. Würden wir den Office-Ansatz verfolgen, wäre der Schluss klar: Null Widerstand ist immer besser, also ist Supraleitung die Lösung unserer Probleme. Vielleicht. Es kommt aber sehr stark auf das Problem an. Was das Bild nämlich nicht zeigt, ist, dass man den Supraleiter ganz schön aufwendig kühlen muss, damit er supraleitend wird und dass sein Material oft recht spröde ist. Wenn es also um Überlandleitungen geht oder Elektromotoren, dann ist der Metalldraht immer noch die bessere Lösung. Wenn es um Magneten für’s MRT geht, dann kann man auch zum Supraleiter greifen. Wissenschaftlicher Wenn „wissenschaftlich“ also bedeutet, Dingen wirklich fundiert auf den Grund zu gehen, Ursachen und Wirkungen zu analysieren und Entscheidungen darauf zu bauen und auf diesem Weg vielleicht weg zu kommen vom Holzschnitt und hin zu differenzierten Lösungen, dann brauchen wir sicher eher mehr Wissenschaft als weniger. Und wohlgemerkt: das gilt auch zum Beispiel für „Leadership“ oder „Agilität“ oder „Innovation“. In leicht abgewandelter Form gilt das auch für das Thema des Kurses, zu dem ich beitragen durfte: „Strategic Management“. Yvonne hat mir erklärt, dass der wesentliche Inhalt des Kurses ist, verschiedene Konzepte und Werkzeuge des strategischen Managements, zum Beispiel Porter’s „Five Forces“, zu vermitteln und diese dann auf „reale“ Fälle anzuwenden. Sie hat mir auch erklärt, dass die Studenten denn Sinn dieser wiederholten Übung nicht immer sähen. Nach etwas Nachdenken glaube ich, dass die Studentinnen und Studenten mit dieser Haltung nicht ganz alleine sind. Strategie Je nach Zeit und Mode und Unternehmen wird bisweilen recht viel Zeit in „Strategieentwicklung“ gesteckt. Bedrückend oft hat man aber den Eindruck, dass das eher Marketing- und Kommunikationszwecken dient als der konkreten Anwendung. „Wir müssen kundenorientierter, schneller, besser, billiger und digitaler werden. Sonst geht’s bergab“. So könnte man vermutlich weite Teile dessen subsumieren, was da als „Strategie“ unterwegs ist. Dazu gibt es dann jeweils noch ein Strategieprojekt, das mindestens einen dieser Aspekte mit großem Orchester intonieren soll. Wenn es zu konkreten Entscheidungen kommt, ist die Analyse jedoch ziemlich oft eher „flach“. Auf eine „Strategie“, wie die oben beschriebene, also „kundenorientierter, schneller, besser, billiger und digital“, zahlt praktisch jedes Projekt ein – noch so eine eingedeutschte Formulierung. Wie soll man also entscheiden? Im einen Extremfall wird „Strategie“ zum Synonym für das, was man nicht explizit begründen kann, das, was man einer nicht ganz greifbaren Weisheit zufolge tun muss, um das Unternehmen vor dem Untergang zu bewahren oder in eine strahlende Zukunft zu befördern. Im anderen Extremfall gibt es gar keine Strategie, sondern nur Aktivitäten, die ihren Break Even innerhalb von drei Jahren erreichen müssen und einen bestimmten Return on Investment innerhalb von fünf. Business-Case-Isierung In der Praxis führt das zu wilden Auswüchsen. Statt zu überlegen und zu begründen, welches (strategische) Problem man mit welchen Mitteln lösen möchte, wird entweder philosophiert oder Business-Case-isiert. Rebecca Henderson von der Harvard Business School hat in einem Vortrag einmal gesagt, die Studenten wüssten nach zwei Wochen an der Universität, wie man aus praktisch allem einen überzeugenden Business Case macht. Und genau das passiert. Das Marketing-Projekt geht mit Neukundenzahlen an den Start … und mit dem Beitrag zur Kundenorientierung. Das IT-Projekt verspricht signifikante Einsparungen … und natürlich Digitalisierung. Der Unternehmenskauf soll Synergien schöpfen … und das agile Kulturgut der neuen Akquisition in die Muttergesellschaft tragen. Was fehlt, ist der Kompass zwischen Philosophie und kurzfristigem Return. Methodische Strategie. Das führt dann auch dazu, dass die Projekte bleiben, sich ihre Ziele aber, … äh … , „entwickeln“. Das Marketingprojekt hat zwar keine neuen Kunden gewonnen, aber den Markenwert gesteigert. Das IT-Projekt hat zwar keine Einsparungen gebracht, aber die Datensicherheit erhöht. Und der Unternehmenszukauf … na ja. Wieder halte ich es für gar nicht so entscheidend, welchen Katalog zur strategischen Beurteilung man anwendet. Wichtiger wäre, dass man überhaupt einen anwendet und dass man ehrlich überlegt, welches Problem man lösen möchte und ob die Herangehensweise, die man sich vorgenommen hat, wirklich die richtige ist. Das ist übrigens eine spaßige Übung, wenn man sie retrospektiv für einige seiner eigenen Projekte durchführt. Aber oft geht es ja gar nicht darum, sondern darum, das eigene Projekt, die eigene Idee durchzusetzen, wie ich in der letzten Ausgabe dieses Podcasts diskutiert habe Die stade Zeit Schließlich ein letzter großer Gedankensprung: Weihnachten! Schließlich ist dies auch der letzte „Mittelmaß und Wahnsinn“ Podcast vor dem Fest. Weihnachten. Die „stade Zeit“, wie wir in Bayern sagen. Oder die „supposed-to-be“ stille Zeit. Wie geht es ihnen? Meiner Erfahrung nach ist Weihnachten alles andere als die stille Zeit. Das alte Budget-Jahr geht zu Ende und man muss noch alles abschließen, Rechnungen zahlen, Rückstellungen bilden, vor allem aber den Plänen für’s nächste Jahr den letzten Schliff geben. Dazu noch Weihnachtsessen, Weihnachtsfeiern, Grußkarten … von der privaten Jagd nach Geschenken, Weihnachtsdekoration und Christbaum und Stollen ganz abgesehen. Kein Wunder, dass man Heiligabend so herbeisehnt. Aber seien Sie gewiss, auch danach wird es nicht stiller. Der Jahresauftakt ruft. Neue Pläne. Auftaktveranstaltungen. Town-Hall Meetings. Appelle. Aufarbeitung des vergangenen Jahres. Motivation für’s beginnende Jahr. Der Januar ist schon ausgeplant. Teile des Februars auch. Danach beginnt die richtige Arbeit Zwischen Heiligabend und Dreikönig sind es genau 14 Tage. Machen Sie das Beste daraus! So viel für heute von “Mittelmaß und Wahnsinn“, dem Podcast über den täglichen Spagat zwischen Anspruch und Wirklichkeit in unseren Unternehmen, über die immer weiter werdende Lücke zwischen Reden und Realität. Vielen Dank für’s Zuhören, Frohe Weihnachten, eine happy Holiday Season  und bis zum nächsten Mal!

Halten wir fest. Erstens: Wir sind immer Optimierer unserer eigenen, persönlichen Bedürfnisse. Zweitens: Organisationen und ihre Prozesse sind nichts anderes als der Versuch, diese Optimierung zu zähmen und ihr eine Richtung zu geben. Dieses stete, zähe Ringen schließlich produziert ... Mittelmaß und Wahnsinn

Welcome to another special edition of „Mediocrity and Madness“! Usually this Podcast is dedicated to the ever-widening gap between talk and reality in our big organizations, most notably in our global corporates. Well, I might have to admit that in some cases the undertone is a tiny bit angry and another bit tongue-in-cheek. The title might indicate that. Today’s episode is not like this. Well, it is but in a different way. Upon reflection, it still addresses a mighty chasm between talk and reality but the reason for this chasm appears more forgivable to me than those many dysfunctions we appear to have accepted against better judgement. Today’s podcast is about artificial intelligence and our struggles to put it to use in businesses. This podcast is to some measure inspired by what I learned in and around two programs of Allianz, “IT Literacy for top executives” and “AI for the business”, which I had the privilege and the pleasure to help developing and facilitating. I am tempted to begin this episode with the same claim I used in the last (German) one: With artificial intelligence it is like with teenage sex. Everybody talks about it, but nobody really knows how it works. Everybody thinks that everyone else does it. Thus, everybody claims he does it. And again, Dan Ariely gets all the credits for coining that phrase with “Big Data” instead of “artificial intelligence” which is actually a bit related anyway. Or not. As we will see later. To begin with, the big question is: What is “artificial intelligence” after all? The straightforward way to answering that question is to first define what intelligence is in general and then apply the notion that “artificial” is just when the same is done by machines. Yet here begins the problem. There simply is no proper definition of intelligence. Some might say, intelligence is what discerns man from animal but that’s not very helpful, too. Where’s the boarder. When I was a boy, I read that a commonplace definition was that humans use tools while animals don’t. Besides the question whether that little detail would be one that made us truly proud of our human intelligence, multiple examples of animals using tools have been found since. To make a long story short, there is no proper and general definition of intelligence. Thus, we end up with some self-referentiality: “It’s intelligent if it behaves like a human”. In a way, that’s quite a dissatisfying definition, most of all because it leaves no room for types of intelligences that behave – or “are” – significantly non-human. “Black swan” is greeting. But we’re detouring into philosophy. Back to our problem at hand: What is artificial intelligence after all? Well, if it’s intelligent, if it behaves like a human, then the logical answer to this question is: “artificial intelligence is when a computer/machine behaves like a human”. For practical purposes this is something we can work with. Yet even then another question looms: How do we evaluate whether it behaves like a human? Being used to some self-referentiality already, the answer is quite straight forward: “It behaves like a human if other humans can’t tell the difference from human behavior.” This is actually the essence of what is called the “Turing test”, devised by the famous British mathematician Alan Turing who next to basically inventing what we today call computer sciences helped solving the Enigma encryption during World War II. Turing’s biography is as inspiring as it is tragic and I wouldn’t mind if you stopped listening to this humble podcast and explored Turing in a bit more depth, for example by watching “The imitation game” starring Benedict Cumberbatch. If you decide to stay with me instead of Cumberbatch, that’s where we finally are: “Artificial intelligence is when a machine/robot behaves in a way that humans can’t discern that behavior from human behavior.” As you might imagine, the respective tests have to be designed properly so that biases are avoided. And, of course, also the questions or problems designed to ascertain human or less human behavior have to be designed carefully. These are subjects of more advanced versions of the Turing test but in the end, the ultimate condition remains the same: A machine is regarded intelligent if it behaves like a human. (Deliberately) stupid? It has taken us some time to establish this somewhat flawed, extremely human-centric but workable definition of machine intelligence. It poses some questions and it helps answering some others. One question that is discussed around the Turing test is indeed whether would-be artificial intelligences should deliberately put a few mistakes into their behavior even despite better knowledge, just in order to appear more human. I think that question comes more from would-be philosophers than it is a serious one to consider. Yet, you could argue that if taking the Turing test seriously, in order to convince a human of being a fellow human the occasional mistake is appropriate. After all, “to err is human”. Again, the question appears a bit stupid to me. Would you really argue that it is intelligent only if it occasionally errs? The other side of that coin though is quite relevant. In many discussions about machine intelligence, the implicit or explicit requirement appears to be: If it’s done by a machine, it needs to be 100%. I reason that’s because when dealing with computer algorithms, like calculating for example the trajectory of a moon rocket, we’re used to zero errors; given that the programming is right, that there are no strange glitches in the hardware and that the input data isn’t faulty as such. Writing that, a puzzling thought enters my mind: We trustin machine perfection and expect human imperfection. Not a good outlook in regard to human supremacy. Sorry, I’m on another detour. Time to get back to the question of intelligence. If we define intelligence as behavior being indiscernible from human one, why then do we wonder if machine intelligence doesn’t yield 100% perfect results. Well, for the really complex problems it would actually be impossible to define what “100% perfect” even is, neither ex ante nor ex post but let’s stick to the simpler problems for now: pattern recognition, predictive analysis, autonomous driving … . Intelligent beings make mistakes. Even those whose intelligence is focused onto a specific task. Human radiologists identify some spots on their pictures falsely as positive signs of cancer whilst they overlook others that actually would be malicious. So do machines trained to the same purpose. Competition I am rather sure that the kind listener’s intuitive reaction at this point is: “Who cares? – If the machine makes less errors than her human counterpart, let her take the lead!” And of course, this is the only logical conclusion. Yet quite often, here’s one major barrier to embracing artificial intelligence. Our reaction to machines threatening to become better than us but not totally perfect is poking for the outliers and inflating them until the use of machine intelligence feels somewhat disconcerting. Well, they are competitors after all, aren’t they? The radiologist case is especially illuminating. In fact, the problem is that amongst human radiologists there is a huge, huge spread in competency. Whilst a few radiologists are just brilliant in analyzing their pictures, others are comparatively poor. The gap not only results from experience or attitude, there are also significant differences from county to country for example. Thus, even if the machine would not beat the very best of radiologists, it would be a huge step ahead and saving many, many lives if one could just provide a better average across the board;  – which is what commonly available machines geared to the task do. Guess what your average radiologist thinks about that. – Ah, and don’t mind, if the machine would not yet be better than her best human colleagues, it is but a matter of weeks or months or maybe a year or two until she is as we will see in a minute. You still don’t believe that this impedes the adaption of artificial intelligence? – Look this example that made it into the feuilletons not long ago. Autonomous driving. Suppose you’re sitting in a car that is driven autonomously by some kind of artificial intelligence. All of a sudden, another car – probably driven by a human intelligence – comes towards you on the rather narrow street you’re driven through. Within microseconds, your car recognizes its choices: divert to the right and kill a group of kids playing there, divert to the left and kill some adults in their sixties one of which it recognizes as an important advisor to an even more important politician or keep the track and kill both, the occupants of the oncoming car … and unfortunately you yourself. The dilemma has been stylized to a kind of fundamental question by some would-be philosophers with the underlying notion of “if we can’t solve that dilemma rationally, we might better give up the whole idea of autonomous driving for good.” Well, I am exaggerating again but there is some truth in that. Now, as the dilemma is inextricable as such: bye, bye autonomous driving! Of course, the real answer is all but philosophical. Actually, it doesn’t matter what choice the intelligence driving our car makes. It might actually just throw a dice in its random access memory. We have thousands of traffic victims every year anyway. Humankind has decided to live with that sad fact as the advantages of mobility outweigh these bereavements. We have invented motor liability insurance exactly for that reason. Thus, the only and very pragmatic question has to be: Do the advantages of autonomous driving outweigh some sad accidents? – And fortunately, probability is that autonomous driving will massively reduce the number of traffic accidents so the question is actually a very simple one to deal with. Except probably for motor insurance companies … and some would-be philosophers. Irreversible Here’s another intriguing thing with artificial intelligence: irreversibility. As soon as machine intelligence has become better than man in a specific area, the competition is won forever by the machines. Or lost for humankind. Simple: as soon as your artificial radiologist beats her human colleague, the latter one will never catch up again. On the contrary. The machine will improve further, in some cases very fast. Man might improve a little, over time but by far not at the same speed as his silicon colleague … or competitor … or potential replacement. In some cases, the world splits into two parallel ones: the machine world and the human world. This is what happened in 1997 with the game of Chess when Deep Blue beat the then world champion Gary Kasparow. Deep Blue wasn’t even an intelligence. It was just a brute force with input from some chess savvy programmers but then humans have lost the game to the machines, forever. In today’s chess tournaments not the best players on earth compete but the best human players. They might use computers to improve their game but none of them would stand the slightest chance against a halfway decent artificial chess intelligence … or even a brute force algorithm. The loss of chess for humankind is a rather ancient story compared to the game of Go. Go being multitudes more complex than chess resisted the machines about twenty years more. Brute force doesn’t work for Go and thus it took until 2016 until AlphaGo, an artificial intelligence designed to play Go by Google’s DeepMind finally conquered that stronghold of humanity. That year, AlphaGo defeated Lee Sedol, one of the best players in the world. A few months later, the program also defeated Ke Jie, the then top-ranking player in the world. Most impressive though it is that again only a few months later DeepMind published another version of its Go-genius: AlphaGo Zero. Whilst AlphaGo had been trained with huge numbers of Go matches played by human players, AlphaGo Zero had to be taught only the rules of the game and developed its skills purely by playing against versions of itself. After three days, this version beat her predecessor that had won against Lee Sedol 100:0. And again only three months later, another version was deployed. AlphaZero learnt the games of Chess and Go and Shogi, another highly complex strategy game, in only a few hours and defeated all previous versions in a sweep. By then, man was out of the picture for what can be considered an eternity by measures of AI development cycles. AlphaZero not only plays a better Go – or Chess – than any human does, it develops totally new strategies and tactics to play the game, it plays moves never considered reasonable before by its carbon-based predecessors. It has transcended its creators in the game and never again will humanity regain that domain. This, you see, is the nature of artificial intelligence: as soon as it has gained superiority in a certain domain, this domain is forever lost for humankind. If anything, another technology will surpass its predecessor. We and our human brains won’t. We might comfort ourselves that it’s only rather mundane tasks that we cede to machines of specialized intelligence, that it’s a long way still towards a more universal artificial intelligence and that after all, we’re the creators of these intelligences … . But the games of Chess and Go are actually not quite so mundane and the development is somewhat exponential. Finally, a look into ancient mythology is all but comforting. Take Greece as an example: the progenitor of gods, Uranos, was emasculated by his offspring, the Titans and these again were defeated and punished by their offspring, the Olympians, who then ruled the world, most notably Zeus, Uranos’ grandson. Well, Greek mythology is probably not what the kind listener expects from a podcast about artificial intelligence. Hence, back to business. AI is not necessarily BIG Data Here’s a not so uncommon misconception: AI or advanced analytics is always Big Data or – more exactly: Big Data is a necessary prerequisite for advanced analytics. We could make use of the AlphaZero example again. There could hardly be less data necessary. Just a few rules of the game and off we go! “Wait”, some will argue, “our business problems aren’t like this. What we want is predictive analysis and that’s Big Data for sure!”. I personally and vehemently believe this is a misconception. I actually assume, it is a misconception with a purpose but before sinking deeper into speculation, let’s look at an example, a real business problem. I have spent quite some years in the insurance business. Hence please apologize for me using an insurance example. It is very simple. The idea is using artificial intelligence for calculating insurance premiums, specifically motor insurance third party liability (TPL). Usually, this is a mandatory insurance. The risk it covers is that you in your capacity of driving a car – or parking it – damage an object that belongs to someone else or that you injure someone else. Usually, your insurance premium should reflect the risk you want to cover. Thus, in the case of TPL the essential question from an actuary’s point of view is the following one: Is the person under inspection a good driver or a not so good one? “Good” in the insurer’s sense: less prone to cause an accident and if so, one that usually doesn’t come with a big damage. There are zillions of ways to approach that problem. The best would probably be to get an individual psychological profile of the respective person, add a decently detailed analysis of her driving patterns (where, when, …) and calculate the premium based on that analysis, maybe using some sort of artificial intelligence in order to cope with the complex set of data. The traditional way is comparatively simplistic and indirect. We use a mere handful of data, some of them related to the car like type and registration code, some personal data like age or homeownership and some about driving patterns, mostly yearly mileage and calculate a premium out of these few by some rather simple statistical analysis. If we were looking for more Big Data-ish solutions we could consider basing our calculation on social media timelines. Young males posting photos that show them Friday and Saturday nights in distant clubs with fancy drinks in their hands should emerge with way higher premiums than their geeky contemporaries who spend their weekends in front of some computers using their cars only to drive to the next fast food restaurant or once a week to the comic book shop. The shades in between might be subtle and an artificial intelligence might come up with some rather delicate distinctions. And you might not even need a whole timeline. Just one picture might suffice. The forms of our faces, our haircut, the glasses we fancy, the jewelry we wear, the way we twinkle our noses … might well be very good indicators of our driving behavior. Definitely a job for an artificial intelligence. I’m sure, you can imagine other avenues. Some are truly Big Data, others are rather small in terms of data … and fancy learning machines. The point is, these very different approaches may well yield very similar results ie, a few data related to your car might reveal quite as much about the question at hand as an analysis of your Instagram story. The fundamental reason is that data as such are worthless. Valuable is only what we extract from that data. This is the so-called DIKW hierarchy. Data, Information, Knowledge, Wisdom. The true challenge is extracting wisdom from data. And the rule is not: more data – more wisdom. On the contrary. Too much data might in fact clutter the way to wisdom. And in any case, very different data might represent the same information, knowledge or wisdom. As what concerns our example, I have first of all to admit that I have nor analytical proof – or wisdom – about specifics I am going to discuss but I feel confident that the examples illustrate the point. Here we go. The type of car – put into in the right correlation with a few other data -- might already contain most of the knowledge you could gain from a full-blown psychological analysis or a comprehensive inspection of a person’s social media profile. Data representing a 19 year old male, living in a certain area of town, owning a used but rather high powered car, driving a certain mileage per year might very well contain the same information with respect to our question about “good” driving as all the pictures we find in his Facebook timeline. And the other way around. The same holds true for the information we might get out of a single static photo. Yet the Facebook timeline or the photo are welling over with information that is irrelevant for our specific problem. Or irrelevant at all. And it is utterly difficult to get a) the necessary data in a proper breadth and quality at all and b) to distill relevant information, knowledge and wisdom from this cornucopia of data.  Again: more data does not necessarily mean more wisdom! It might. But one kind of data might – no: will – contain the same information as other kinds. Even the absence of data might contain information or knowledge. Assume for instance, you have someone explicitly denying her consent to using her data for marketing purposes. That might mean she is anxious about her data privacy which in turn might indicate that she is also concerned about other burning social and environmental issues which then might indicate she doesn’t use her car a lot and if so in a rather responsible way … . You get the point. Most probably that whole chain of reasoning won’t work having that single piece of data in isolation but put into the context of other data there might actually be wisdom. Actually, looking at the whole picture, this might not even be a chain of reasoning but more a description of the certain state of things that denies decomposition into human logic. Which leads us to another issue with artificial intelligence. The unboxing problem Artificial intelligences, very much like their human contemporaries, can’t always be understood easily. That is, the logic, the chain of reasoning, the parameters that causally determine certain outcomes, decisions or predictions are in many cases less than transparent. At the same time, we humans demand from artificial intelligence what we can’t deliver for our own reasoning: this very transparency. Quite like us demanding 100% machine perfection, some control-instinct of ours claims: If it’s not transparent to us (humans), it isn’t worth much. Hence, a line of research in the field of artificial intelligence has developed: “Unboxing the AI”. Except for some specific cases yet, the outlook for this discipline isn’t too bright. The reason is the very way artificial intelligence works. Made in the image of the human brain, artificial intelligences consist of so-called “neural networks”. A neural network is more or less a – layered – mesh of nodes. The strength of the connections between these nodes determines how the input to the network determines the output. Training the AI means varying the strengths of these connections in a way that the network finally translates the input into a desired output in a decent manner. There are different topologies for these networks, tailored to certain classes of problems but the thing as such is rather universal. Hence AI projects can be rather simple by IT standards: define the right target function, collect proper training data, plug that data to your neural network, train it … . It takes but a couple of weeks and voila, you have an artificial intelligence thatyou can throw on new data for solving your problem. In short, what we can call “intelligence” is the state of strengths of all the connections in your network. The number of these connections can be huge and the nature of the neural network is actually agnostic to the problem you want it to solve. “Unboxing” would thus mean to backwardly extract specific criteria from such a huge and agnostic network. In our radiologist case for example, we would have to find something like “serrated fringes” or “solid core” in nothing but this set of connection strengths in our network. Have fun! Well, you might approach the problem differently by simply probing your AI in order to learn that and how it actually reacts to serrated fringes. But that approach has its limits, too. If you don’t know what to look for or if the results are determined not by a single criterion but by the entirety of some data, looking for specifics becomes utterly difficult. Think of AlphaZero again. It develops strategies and moves that have been unknown to man before. Can we really claim we must understand the logic behind, neglecting the fact that Go as such has been quite resistant to straightforward tactics and logic patterns for the centuries humans have played it. The question is: why “unboxing” after all? – Have you ever asked for unboxing a fellow human’s brain? OK, being able to do that for your adolescent kids’ brains would be a real blessing! But normally we don’t unbox brains. Why are we attracted by one person and not by another? Is it the colour of her eyes, her laughter lines, her voice, her choice of words …? Why do we find one person trustworthy and another one not? Is it the way she stands, her dress, her sincerity, her sense of humour? How do we solve a mathematical problem? Or a business one? When and how do the pieces fall into place? Where does the crucial idea emerge from? Even when we strive to rationalize our decision making, there always remain components we cannot properly “unbox”. If the problem at hand is complex – and thus relevant – enough. We “factor in” strategic considerations, assumptions about the future, others’ expectations … . Parts of our reasoning are shaped by our personal experiences, our individual preferences, like our risk-appetite, values, aspirations, … . Unbox this! Humankind has learnt to cope with the impossibility of “unboxing” brains or lives. We probe others and if we’re happy with the results, we start trusting. We cede responsibilities and continue probing. We cede more responsibilities … and sometimes we are surpassed by the very persons we promoted. Ah, I am entering philosophical grounds again. Apologies! To make it short. I admit, there are some cases in which you might need full transparency, complete “unboxing”. And in case you don’t get it, abolish the idea of using AI for the problem you had in mind. But there are more cases in which the desire for unboxing is just another pretense for not chartering new territory. If it’s intelligent if it behaves like a human why do we ask for so much more from the machines than we would ask from man? Again, I am drifting off into questions of dangerously fundamental nature. Let’s assume for once that we have overcome all our concerns, prejudices and excuses, that despite all of them, we have a business problem we full-heartedly want to throw artificial intelligence at. Then comes the biggest challenge of all. The biggest challenge of all: how to operationalize it Pretty much like in our discussion at the beginning of this post, on the face of it, it looks simple: unplug the human intelligence occupied with the work at hand and plug in the artificial one. If it is significant – quite some AI projects are still more in the toy category – this comes along with all the challenges we are used to in what we call change management. Automating tasks comes with adapting to new processes, jobs becoming redundant, layoffs, re-training and rallying the remaining workforce behind the new ways of working. Yet changes related to artificial intelligence might have a very different quality. They are about “intelligence” after all, aren’t they? They are not about replacing repetitive, sometimes strenuous or boring work like welding metal or consolidating accounting records, they dig to the heart of our pride. Plus, the results are by default neither perfect nor “unboxable”. That makes it very hard to actually operationalize artificial intelligence. Here’s an example. It is more than fifteen years old, taking place at a time when a terabyte was an still an incredible amount of storage, when data was still desired to be stored in warehouses and not floating around in lakes or oceans and when true machine learning was still a purely academic discipline. In short: the good old times. This gives us the privilege to strip the example bare of complexity and buzz. At that time, I was together with a few others responsible for developing Business Intelligence solutions in the area of insurance sales. We had our dispositive data stored in the proverbial warehouse, some smart actuaries had applied multivariate statistics to that data and hurrah, we got propensities to buy and rescind for our customers. Even with the simple means we had by then, these propensities were quite accurate. As an ex-post analysis showed, they hit the mark at 80% applying the relevant metrics. Cutting the ranking at rather ambitious levels, we pushed the information to our agents: customers who with a likelihood of more than 80% were to close a new contract or to cancel one … or both. The latter one sounds a bit odd, but a deeper look showed that these were indeed customers who were intensely looking for a new insurance without a strong loyalty. – If we won them, they would stay with us and loyalty would improve, if a competitor won them, they would gradually transfer their portfolio to him. You would think that would be a treasure trove for any salesforce in the world, wouldn’t you? Far from it! Most agents either ignored the information or – worse – they discredited it. To the latter purpose, they used anecdotal evidence: “My mother in law was on the list”, they broadcast, “she would never cancel her contract”. Well, some analysis showed that she was on the list for a reason but how would you fight a good story with the intricacies of multivariate statistics? Actually, the mother-in-law issue was more of a proxy for a deeper concern. Client relationship is supposed to be the core competency of any salesforce. And now, there comes some algorithm or artificial intelligence that claims to understand at least a (major) part of that core competency as good as that very salesforce … . Definitely a reason to fight back, isn’t it? Besides this, agents did not use the information because they regarded it not too helpful. Many of the customers on the high-propensity-to-buy-list were their “good” customers anyway, those with who they were in regular contact already. They were likely indeed to make another buy but agents reasoned they would have contacted them anyway. So, don’t bother with that list. Regarding the list of customers on the verge of rescinding, the problem was a different one. Agents had only very little (monetary) incentive to prevent these from doing so. There was a recurring commission but asked whether to invest valuable time into just keeping a customer or going for new business, most were inclined to choose the latter option. I could continue on end with stories around that work, but I’d like to share only one more tidbit here before entering a brief review of what went wrong: What was the reaction of management higher up the food-chain when all these facts trickled in? Well, they questioned the quality of the analysis and demanded to include more – today we would say “bigger” – data in order to improve that quality, like buying sociodemographic data which was the fad at that time. Well, that might have increased the quality from 80% to 80+% but remember the discussion we had around redundancy of data. The type of car you drive or the sum covered by your home insurance might say much more than sociodemographic data based on the area you live in. … Not to speak of that eternal management talk that 80% would be good enough. What went wrong? First, the purpose of the action wasn’t thought through well enough from the start. We more or less just choose the easiest way. Certainly, the purpose couldn’t have been to provide agents with a list of leads they already knew were their best customers. From a business perspective the group of “second best customers” might have been much more attractive. Approaching that group and closing new contracts there would have not only created new business but also broadened the base of loyal customers and thus paved the way for longer term success. The price would of course have been that these customers would have been more difficult to win over than the “already good” ones so that agents would have needed an incentive to invest effort into this group. Admittedly going for the second-best group would have come with more difficulties. We might have faced for example many more mother-in-law anecdotes. Second, there was no mechanism in place to foster the use of the information. Whether the agents worked on the leads or not didn’t matter so why should they? Worse even with the churn-list. From a long-term business perspective, it makes all the sense in the world to prevent customer churn as winning new customers is way more expensive. It also makes perfect sense to try making your second-best customers more loyal but from a short-term salesman’s or -woman’s perspective boiling the soup of already good customers makes more short-term sense. Thus, in order to operationalize AI target systems might need a thorough overhaul. If you are serious, that is. The same holds true if you would for example want to establish machine assisted sentiment analysis in your customer care center. Third, there was no good understanding of data and data analytics neither on the supposed-to-be users’ side nor on the management side. This led to the “usual” reflexes on both sides: resistance on the one side and an overly simplified call for “better” on the other one. Whatever “better” was supposed to mean. Of course, neither the example nor the conclusions are exhaustive, but I hope they help illustrate the point: more often than not it is not the analytics part of artificial intelligence that is the tricky one. It is tricky indeed but there are smart and experienced people around to deal with that type of tricky business. More often than not, the truly tricky part is to put AI into operations, to ask the right questions in the first place, to integrate the amazing opportunities in a consistent way into your organization, processes and systems, to manage a change that is more fundamental than simple automation and to resist the reflex that bigger is always better!   So much for today from “Mediocrity and Madness”, the podcast that usually deals with the ever-growing gap between corporate rhetoric and action. I dearly thank all the people who provided inspiration and input to these musings especially in and around the programs I mentioned in the intro, most notably Gemma Garriga, Marcela Schrank Fialova, Christiane Konzelmann, Stephanie Schneider, Arnaud Michelet and the revered Prof. Jürgen Schmidhuber! Thank You for listening … and I hope to have you back soon!  

Mit Agilität ist es wie mit Teenage Sex: Jeder spricht darüber, aber keiner weiß so richtig wie es geht. Jeder denkt, dass es alle anderen tun, also behauptet jeder, dass er es selbst auch tut.

In „Mittelmaß und Wahnsinn” I write that one of the properties of the matrix organization is that it keeps you busy; preferably by way of meetings. Again, this is not a new fact and thus it is also not surprising that there is hardly anything everyone complains about as much as the ineffectiveness and the inefficiency of meetings. “A total waste of time”, that’s the verdict about a huge number of these meetings. No wonder then, too, that there is a whole stack of literature and books about how to get rid of or at least make meetings more efficient. What you actually might wonder about is why hardly anything in that regard appears to have changed to the better over the past decades. My reasoning is that it’s human nature again that is responsible for that seeming paradox, that there are deeply engrained patterns of behavior success that – despite all the complaints – actually make us comfortable with the ways these meetings run. In the room But before we get back to that line of thought, let’s have a look at one of these meetings. Despite the fact that the specificities hardly matter, a bit of background first. We observe a meeting of the Board of Management of a company that is a subsidiary of a multinational corporation. This subsidiary is under quite some pressure. Results do not meet the parent company’s expectation and in three weeks’ time, they are supposed to present a strategy that gives confidence in significant improvements. A working group has been trying to devise such a strategy and has already presented in the previous three BoM meetings that take place on a bi-weekly basis. Progress has been – well – slow, especially as every of these previous meetings has left the working group with a multitude of new avenues and inquiries to being pursued. Now, time is getting tight and this meeting’s slot is set to come up with final decisions and a solid storyline for the strategy presentation. The topic is the last one on the agenda and scheduled for 45 minutes before lunch. The major protagonists are Joseph, the subsidiary’s CEO, three years in that role, with a long history in the overarching corporation. Rosemary, department head in Operations and leader of that working group, unanimously regarded as a high potential. She has been given that task as part of her development plan to expand her strategic view and exposure to senior management. Joe, the subsidiary’s CFO, a veteran of 10 years in that role. And finally: Jack, the Chief Sales Officer, having been hired about a year ago from a competitor. Besides these, regular participants to that meeting are the Chief Operating Officer, the Chief Digitization Officer, the Chief Legal Counsel, the HR Director and Lilly, the Director of Communications. A few regional Directors join via conference call. Ah, and of course there is Lawrence from StratCon, the company’s favourite consultancy. We set foot in the scene when Joseph begins apologizing … Joseph: Rosemary please apologize! We are 15 minutes behind schedule. We got somehow stuck in the discussion about our lack of understanding for the lack of entrepreneurial mindset in our company; especially amongst our middle management. But maybe that’s a good starting point anyway for the topic you’re going to present now, our new strategic setup and the concrete measures we are going to take. Yet, before I hand over to you, I have to announce that I have a hard stop at 12 because of another meeting I have to attend. Joe (raising his hand): Well, I have to run at 12, too, but before you start, I want to point out that I don’t like the habit of sending the document just two days before the meeting. Our policy is five working days and I need this time to prepare and double check with my team. Jack: Absolutely agree … and by the way: 30 pages plus appendix? That appears a bit too much to me. At the minimum we need a proper management summary. Rosemary (getting up, smiling winningly): All points taken but please bear in mind that we have had only two weeks between meetings and that we already strived to compress the strategy and measures onto 30 pages. Joe and Jack (raising their eyebrows, mumbling): Nevertheless. Rosemary (energetic): Well, lets get started. (brings up the first slide of her presentation) Joseph: But we must not phrase it like this! Rosemary:What do you mean? Joseph: Your intro slide says: “Turning the ship around”. – That’s way too negative. It sounds like we have been on the wrong course for years and would have to take radical measures now. That’s not my perception at all. Rosemary: “Correcting our course”, then? Joe: I still don’t like it. Still too negative. What we’re doing is to adapt to a changing environment. Jack: … based on a strong and proud past … The discussion drags on for about fifteen minutes until Lilly, the Comms Director steps in. Lilly: So, why don’t we phrase it like this: “Adapting to a changing environment whilst building on an outstandingly strong past”? Joseph: That’s it. Great. Thank you, Lilly! Rosemary, would you please make the changes. Rosemary: But doesn’t that sound a bit too … how should I say … too soft? They expect decisive changes and measures from us, don’t they? And we need such measures, don’t we? Joseph: Rosemary, let me tell you something. It’s always about the story we tell. Always. Sure, we face some challenges. And sure, facts matter. But it’s stories that stick. And beginning our story like “Turning around the ship” would disparage all the hard work and the passion so many people put into this company over so many years, wouldn’t it? No, it’s always better to start positive and build your narrative on that proud and positive past. Jack: I couldn’t agree more, Joseph! Rosemary, that’s a lesson for life. Rosemary: Well then, “Adapting to a changing environment whilst building on an outstandingly strong past” it is. With respect to the time, I move on to the second slide, showing the most recent figures we have … Joseph(interrupts): Ah, Rosemary, here we have another problem. Rosemary: What’s wrong? Joseph: The figures don’t add up. In my calculation 36% plus 44% plus 21% yields 101%. We surely cannot create one additional percentage point out of nothing. Rosemary: That’s certainly only a rounding issue. Let me elaborate on the figures …  Joseph: Well, Rosemary, probably it is but a rounding error but here’s another lesson for life here: If the figures don’t add up properly on your slide, your audience will lose trust in what you present. Thus, please make sure, they add up. Rosemary: Point taken. But have a look at the figures. We fell further behind plans again. Sales numbers didn’t meet forecasts again and costs do not show any sign of improvement. Joseph looks at Jack, the Chief sales Officer. Jack: I am totally surprised. I do not recognize these figures at all. Where do they come from? Joseph: Neither do I. I have a different picture in mind. Rosemary (looking at Joe for help): They come straight from accounting. End of quarter results fresh from the press and they point towards our biggest issues … Joe: Well, that’s why I emphasized the need to distribute these slides early enough so everyone can reconcile with his team. Jack: Exactly, Joe. Joseph: Yes, but tell me, Jack, do we have an issue there? Jack: Yes and no. Sales as such are going according to plan. Actually, we have a very strong pipeline now and I expect a significant uptick down the line. Where we have issues is closing the contracts and getting the figures into the system because of some technical problems we seem to have. Operations and Finance are in the process of analyzing the issues my people raised. I don’t trust that these figures reflect reality preoperly. About the cost figures I can’t say too much. These are more in Rosemary’s immediate realm. Again, the discussion goes a bit back and forth with people throwing in ideas why reality might differ from the figures reported. Finally, Joseph cuts the conversation short. Joseph (looking first at his watch and then at Rosemary): Rosemary, now we have a couple of problems. First, we spent so much time working on your first two slides that we have less than five minutes left for the remainder of your presentation. And second, your numbers appear to be a bit – how should I say – “wobbly”. How would you suggest, we proceed from here? Rosemary (slightly puzzled): Eh. Yes. Well. I don’t know. We have to forward the presentation in two weeks and I need your guidance on the whole storyline, the slides we want to present and of course the measures. Joseph: I have to run in fourminutes. Rosemary (bringing up a slide): Eh. Can we at least agree on the key message that reads: “We have serious sales and cost issues that we have to fix. In order to do so, we suggest a major restructuring of the sales department and a significant number of layoffs across the whole board”. Joseph: Rosemary. That is a bit premature, isn’t it? Not to mention the negative undertone again. I suggest we try finding another slot to discuss this in more detail. My calendar is rather busy but I’m sure, my assistant will find something. In the meantime, I’d like you to work on an improved storyline and getting your figures straight and vetted. Rosemary (devastated): But … Joseph: Lawrence, would you mind accompanying me on my way to my lunch meeting? Lawrence, the consultant: I’m glad to … Well, in the process of writing this, my imagination might have run a bit wild. I admit: not too many meetings have such a strategic quality and if so, some of them might be prepared and run better. On the other hand, meetings like this aren’t completely unheard of and the underlying patterns are more than widely spread regardless. The 10 sins that make modern meetings Preferring to spend time on the more generic and commonly understandable issues than on the complex and controversial ones. Having way too many participants. Coming only shallowly prepared to the meeting but either trying to hide that fact or putting the blame on the late submission of documents (or something else). The alpha-person (-male) establishing and exerting control from the beginning. Others also staking out their territory before the show begins. Getting bogged down on the first slides instead of managing to understand the full picture first. Getting bogged down on almost irrelevant things like semantics or rounding issues. Or colours or font sizes or compliance with the latest version of the company style guise. Questioning the validity of facts instead of just accepting them. Patronizing the more junior participants. If not humiliating them. Playing the ball into the high grass if some unfavourable topics arise. And sometimes building surprise coalitions to do so. Adjourning. And finally: the real decisions are prepared and negotiated outside these meetings anyway. Behind the scenes. No reason to feign annoyance No wonder then that we are so annoyed by these meetings. And changing it would be that simple. Just do it differently: invite less people, come prepared or use time at the beginning to let people get prepared, focus on what really matters, listen, use the time for valuable conversation, strive for commitment, let the experts flesh out details outside the meeting … . Actually it’s more than simple. Common sense. But if you want, you can find all sorts of research and frameworks and recommendations. The annoyance is here for decades. So are the proposals for improving the situation. Yet there is hardly any change. Thus, the bigger question might not be “how?” but “why?”. I surmise that despite all the sported annoyance some of us actually like the way these meetings go. If you do not have to create something tangible – like a P&L or a piece of code – meetings aren’t a bad way to spend time. First, the schedule as such gives you a purpose. When asked in the evening about what you have done, you can state that you have been in meetings all day long and everybody – your spouses included – will nod and smile compassionately … but at least understandingly. Second, being invited to the “right” meetings symbolizes your status and achievements. In a nutshell: the more senior the people are in the meetings you attend, the higher your level of importance is perceived. It’s always good if you can drop the comment “I’ve been on a meeting with the CEO for half the day …”. Anywhere. Third, we simply act out our natural behaviours as primates. All that things about alpha-animals, pecking orders, social rise and fall, acknowledgement and humiliation … . Fourth, these meetings are quite entertaining in a way. Smart people have put a lot of time, effort and creativity in putting together content and presentations. And smart people are sitting around that conference table to discuss these topics. No wonder, there is this temptation to get bogged down on the first piece that appears to be sufficiently interesting but common enough so that everybody feels comfortable contributing. And fifth, the downside risk is manageable. There are proven techniques to raise doubts, to obfuscate, to defer if the spotlight gets too close. And finally: the real decisions are prepared and negotiated outside these meetings anyway. Behind the scenes. Thus, maybe let’s stop feigning annoyance with these meetings, let’s stop pretending to look for better ways, let’s embrace them for what they can be: a great way to spend time at the office! We have to be there anyway to prove our passion, attitude and importance.

“The Matrix is the world that has been pulled over your eyes to blind you from the truth.“ Morpheus, The Matrix   Matrix organizations are nothing but a compromise. That fact goes undisputed for decades. Thus it should be needless writing about the matrix after all. But truth is: the compromise has assumed a life of his own. By now the matrix has transcended the second dimension.  In order to describe the various reporting and information relations, solid and dotted lines do not suffice any longer. Colours are needed to visualize the design of the different interactions. Organization charts look like subway maps of metropolitan cities. In parallel, project organizations, taskforces and ad hoc initiatives sprawl amongst the actual organizations’ roots.   Long live the matrix   The „Global Head of Digital Customer Interaction“ is, amongst other things and at the same time, responsible for sales in Southern Europe as well as member of the “I-Tribe” that should drive innovation across functions and countries. In his capacity as “Global Head”, the “Regional Heads” of course report to him whilst he is somehow responsible vis-à-vis the “Chief Digital Officer” as well as – somehow – the “Chief Marketing Officer”, both “global”. In his capacity as regional sales officer, he directly reports to the local CEO but is indirectly also interfacing with the “Global Sales Officer” whilst the “Chief Sales Officers” of the regions countries report into him, at least “dotted line”. The “I-Tribe”, finally, is self-organizing but on a monthly basis reports to a steering committee whose main constituents are the “Global Chief Innovation Officer”, the CEO himself, the “Chief Digital Officer” and the COO (global). A group of local executives serves as a sounding board for the tribe’s activities. The example can be extended on end. – And maybe get closer to reality this way. Even bigger the confusion gets on the levels below. True clarity seems to be only with the CEO who undoubtedly carries responsibility for the whole thing. Let’s not ignore the advantages of such a setup. In addition to impressive job titles in social networks, it leads to comfortable dilution of responsibilities. How would you weigh the conceptual progress in the realm of “Digital Customer Interaction” against sales figures in Southern Europe? And isn’t the contribution to cross country collaboration way more important in the long term? After all: Who assesses success and contribution to this success in the end? Failure doesn’t occur in these constructs anyway. As a corollary from this dilution of responsibilities in the ocean of corporate structures we can directly conclude that form and results lose their balance. The “successful” steering committee presentation in the i-tribe is possibly more important for your career development than sustainable sales success in the region. No wonder that  the very consultants that prepare these presentations are continuously gaining influence. Another characteristic of the matrix is that she keeps you busy, preferably by making you attend meetings. Meetings follow another back-to-back, sometimes they even overlap. The number of free slots on the calendar is inversely proportional to its owner’s importance. “Lunch is for loses”. The higher the paygrade, the more suspicious spare time becomes. And yet it is exactly that time in which results are made, ideas developed, informal conversations are led or at least the next meeting gets prepared. The matrix’s advocates argue that she would most naturally foster exchange and communication in an ever more complex world. An absurd point of view. Truth is that without extreme effort in communication matrix organizations would never ever work because conflicts lurk at every single node; -- stylizing that necessity for compensating a weakness into a strength though needs a supreme capacity for dialectics. In truth, the matrix makes everybody a „army of one”. The more complex the matrix, the smaller the common denominator. Usually the overlap boils down to the dimension of one: the ego. All of this is hardly new. That the matrix’s heyday is past should be clear since “agile” has emerged from obscure circles of software developers into the mainstream of management. Yet the matrix’s persistence is one of the major reasons why agility still has such hard times.   In vain   Look at our “i-tribe“. Management’s mandate was to manage that “tribe” by agile means. Anything else would have been compromising the term “tribe” after all. Yet this effort was doomed to fail from the start. The first and most important reason for this doom is that the “tribe” does not build anything at all. Well, “not anything at all”is not correct. At least that tribe creates bi-weekly status report for its steering committee and in parallel an ever growing stack of slides hoew innovation could be fostered across countries and functions. – But this “product” will never be used by anyone.  Hardly less important weighs the fact that the tribe’s members manage to meet once a month at best due to their multitude of other important tasks. And if they manage to meet after all, half of the team won’t show up at all or participate via conference call. The cynic reasons that it is irrelevant who participates because the results are irrelevant anyway. The pragmatist puts the conferencing station on low volume and works his mailbox while listening whether his name is called. The matrix does not only dissolve responsibility, it actually dissolves action as such. Either the action is then surrendered to consultants or you simply don’t care and move on … to the next meeting.

Silodenken Herzlich willkommen zur neuen Folge von „Mittelmaß und Wahnsinn“, dem Podcast über den Spagat zwischen Anspruch und Wirklichkeit in unseren Unternehmen, die stetig weiter werdende Lücke zwischen Reden und Realität. Heute – auf Wunsch eines einzelnen Hörers – ganz ohne Soundeffekte. Diesmal geht es um einen Mythos, nein um einen Unsinn, der sich seit langer, langer Zeit in unseren Chefetagen hält: den Unsinn von der Silo-Mentalität, seine Ursachen und Nebenwirkungen. Laut einer frischen Umfrage der Unternehmensberatung McKinsey beklagen 83% des leitenden Personals, dass in ihrer Organisation Silos existierten und 97% denken, dass diese Silos einen negativen Effekt haben. Ich musste schon ein wenig schmunzeln, dass gerade General Electrics in der Studie als Beispiel zitiert wird, wo Silo-Wände eingerissen werden und „Cross-Whatever“ Kollaborationen den Weg ins vernetzte Zeitalter weisen. Aber man muss dem Schaden ja nicht noch den Spott hinzufügen. Vielleicht ist GE ja gerade auf dem Weg aus der Misere, deren Wurzeln man selbst gepflanzt und lange, lange verherrlicht hat. Aber das ist gar nicht der Punkt. Fangen wir ganz vorne an. Im echten Leben. Beim echten Silo. Echte Silos Der Duden definiert „Silo“ folgendermaßen. „Silo: 1. [schacht- oder kastenförmiger] Speicher oder hoher Behälter zur Lagerung von Schüttgut, besonders Getreide, Erz, Kohle, Zement. 2. Grube oder hoher Behälter zum Einsäuern von Futter.“ Egal, welche Art von Silo man betrachtet, eines ist sicher: ein schöner Platz ist das nicht. Haben Sie schon einmal ein Silo gesehen, speziell von innen? In meiner Jugend waren wir öfter auf dem Bauernhof eines Freundes. Da war auch ein Silo, in das man durch eine kleine Öffnung schauen konnte. Die wesentlichen Merkmale, die mir in Erinnerung geblieben sind, sind: eng, dunkel und … gefährlich. Silogase führen zu einem schnellen Erstickungstod und die Natur des Silos verhindert, dass Hilferufe gehört werden, wenn man erst einmal darin gefangen ist. Gruselig. Genau! Behalten Sie dieses Bild im Kopf und versuchen Sie, gleichzeitig den Gedanken darin zu halten, dass Sie mit 83-prozentiger Wahrscheinlichkeit in den Augen Ihres Managements in genau so einem Silo sitzen und ihr Tagwerk leisten und vor allem: dass Sie gar nicht heraus wollen aus diesem Silo, dass Sie sich in der Enge, der Dunkelheit und dem üblen Mief eingekuschelt haben; dass Sie träge und immobil geworden sind unter dem Einfluss der Gase des gärenden Getreides. Und warum? – Weil Sie von Natur aus und per se veränderungsunwillig sind, weil Sie ohne Anstoß von außen oder wenigstens maßgeschneiderte Prozesse kaum zu bewegen sind und weil es allenfalls ihre aufstrebenden Leader sind, die Sie aus diesem Dämmerzustand reißen können und Sie über die Brücke schubsen, die ihr trauriges Silo mit dem nächsten verbindet, in dem Kolleginnen und Kollegen ein ähnlich deprimiertes Dasein fristen. Ja, ja, ja, ich weiß. Das ist eine völlige Überstrapazierung des Bildes vom Silo. In Wirklichkeit geht es eher um das Bild von außen, um hohe abgeschlossene Türme ohne Fenster und Türen. Wir nennen dergleichen auch gerne einmal „Kamin“ oder „Pillar“ oder – etwas weniger duster –  „Gärtchen“. Es geht um die Behauptung, dass wir nur allzu gerne in unseren eigenen kleinen isolierten Kästchen sitzen und werkeln würden, während die eigentlichen Werte durch Vernetzungen geschaffen werden, zu denen der durchschnittliche Mitarbeiter unfähig oder zu träge ist. Oder beides. Aber ist das nicht auch schon ein Symptom? – Wir reden in Bildern, ohne diese Bilder gründlich zu erkunden. Von außen und von innen. Und dann beginnen diese Bilder, sich zu verselbständigen und sich zu lösen von ihrer eigenen Realität, wie auch von der Realität, die zu beschreiben sie ursprünglich ausgesucht wurden. Aber zurück zum Thema. Der Ausgang ist oben 83% des leitenden Personals wähnen weite Teile ihrer Organisation in Silos, die sie zu 97% für schädlich halten. Müßig zu sagen, dass sich diese 83% höchstwahrscheinlich außerhalb jener Silos sehen, die sie mit so großer Mehrheit bedauern, dass also diese 83% zu jenen glücklichen 17% gehören, die ihr Dasein nicht im Silo fristen müssen, sondern von der Spitze der Pyramide aus zu Weitblick und Zusammenarbeit fähig sind. Die erste Frage, die diese Statistik aufwirft ist, wo, wann und wie diese Manager der beklagten Benebelung durch die letalen Silogase entkommen sind. Rein praktisch betrachtet erscheint das schwer möglich. Wären wirklich 83% aller Organisationen in ihren Silos gefangen oder 83% einer jeden Organisation in Ihren eigenen kleinen ummauerten Gärten, dann würde es doch sehr wundern, dass überhaupt irgendjemand diesen Strukturen entkommt. Die Vorstellung scheint zu sein, dass man zu Beginn seiner Karriere einen dieser dunklen Container von ganz unten – mir fehlt das richtige Verb – „betritt“ und sich dann mühsam, Sprosse für Sprosse nach oben arbeitet bis man – endlich Executive – ganz oben die Luke in die Freiheit jenseits des Silos entdeckt. Herausgeklettert zwinkert man erst einmal die Augen zusammen im hellen Sonnenschein, blickt sich um und erkennt, wie vielfältig die Welt doch ist. Dann lässt man den Blick schweifen auf all die anderen Silos und fängt an zu klagen. Man winkt den vereinzelten anderen Gestalten, die – wie man selbst – auf den Dächern ihrer Silos sitzen; - nicht aber ohne vorher die Klappe durch die man gekommen ist, wieder fest hinter sich zu verschließen. Auch andere Interpretationen des Klage-Phänomens sind denkbar. Die erste ist, dass besagte Manager genauso im Silo sitzen wie alle anderen und es entweder von innen heraus beklagen oder einfach nicht zugeben wollen, dass sie auch Gefangene ihres eigenen Palastes sind. Eine andere Auflösung wäre, dass das Silo-Phänomen gar nicht so ausgeprägt ist und dass die Klage darüber entweder ein Medium ist, um sich „nach unten“ abzugrenzen oder einfach ein Nachzwitschern einer gerade populären Melodie. Vermutlich ist es am Ende ein wenig von allem. Das Silo sind immer die Anderen. Bevor ich zu dem Punkt komme, den ich an dieser Silo-Sache am wenigsten mag, eine andere Frage: Was ist eigentlich ein „Silo“? – Nein, diesmal nicht im echten Sinn des Wortes. Wir haben ja schon gesehen, dass es sich um ein Bild handelt, das sich verselbständigt hat. Das (nicht ganz so) böse Silo Was meint der moderne Manager oder Unternehmensberater, wenn er von „Silo“ spricht? Das Controlling-Wikider Hochschule Luzern definiert den Begriff „Silodenken“ so: „Der Begriff „Silodenken“ wird in der Literatur zur betriebswirtschaftlichen Organisationslehre dazu benutzt, nach innen orientierte Organisationsbereiche zu beschreiben, die externen Beziehungen zu wenig Beachtung schenken (Fenwick, Seville & Brunsdon, 2009, S. 4). Kommunikationsprobleme als auch die fehlende oder ungenügende Zusammenarbeit zwischen einzelnen Bereichen und weiteren Anspruchsgruppen sowie die Entwicklung einer eigenen Kultur gehören zu den typischen Merkmalen solcher Organisationseinheiten. Daraus können Rivalitäten resultieren, welche es bspw. innerhalb einer Business Unit oder innerhalb eines Konzerns verunmöglichen, die übergeordneten Zielsetzungen zu erreichen (Stone, 2004, S. 11). Synonym für diese in dezentralen Organisationsstrukturen verbreitete Dysfunktionalität lassen sich auch die Begriffe „Ressortdenken“, „Bereichsegoismen“ oder „Gärtchendenken“ benutzen (Vahs, 2015, S. 207-209).“  Ähnliche Definitionen findet man zuhauf und sie klingen alle bestürzend: Konkurrenzdenken, Mangel an Kommunikation, Egoismen, Subkulturen … . Das scheint kein Umfeld, das Freude macht und Ergebnisse schafft und so heißt das moderne Gegen-Paradigma „Kollaboration, Kollaboration, Kollaboration!“. Dieses Paradigma muss dann auch herhalten, um andere Dysfunktionen zu rechtfertigen: von der exzessiven Besprechungskultur bis hin zum Open Plan Office, das sich selbst pervertiert indem die Mitarbeiterinnen und Mitarbeiter darin auf Noise-Cancelling Techniken zurückgreifen, um sich konzentrieren zu können und per Chat kommunizieren, weil man sich sonst noch mehr gegenseitig stört. Praktisch niemand macht sich Mühe, dem bösen Silo etwas Positives abzugewinnen. – Es passte ja auch kaum ins düstere Bild … und erst recht nicht zum Zeitgeist. Wie wäre es beispielsweise mit Expertise, die man in einem Team von Experten besser entwickeln kann als in Dauermeetings mit gesund Halbwissenden? Oder mit einem Gefühl der Zusammengehörigkeit, das man in kleineren Strukturen viel eher und besser erreichen kann als im Moloch der globalen Korporation? Vielleicht bedeutet das auch, „Subkulturen“ zu umarmen. Wer glaubt schließlich wirklich an die einende Kraft eines per Definition weichgespülten Mission-Statements für einen Großkonzern nach dem Motto: „Wir streben mit all unserer Kraft danach, unseren Kunden die allerbesten Services und Produkte zu bieten und unseren Mitarbeiterinnen und Mitarbeitern ein hervorragendes Arbeitsumfeld. Wir bekennen uns dazu, unseren Shareholdern einen herausragenden Return zu liefern und sind und bleiben bei alldem integrer Bestandteil der Gesellschaft auf Basis solider moralischer Grundlagen.“ Oder – kürzer und moderner: „Wir wollen die Welt besser machen und dabei möglichst viel Geld verdienen!“. Es kann nur einen geben Schließlich die Frage des Konkurrenzdenkens. Im Silo-Kontext klingt der Begriff der „Konkurrenz“ geradezu böse. Das moderne Mantra lautet: Konkurrenz verhindert Kollaboration und nur durch Kollaboration lassen sich positive Ergebnisse erzielen. Das ist vielleicht nicht ganz verkehrt, wenn die ganze Kollaboration auch noch Raum lässt für die Pflege von Expertise und wenn die Effizienz des Denkens und Handelns nicht im Dauer-Meeten aufgelöst wird. Der Punkt ist aber ein anderer. Fast alle unsere tradierten Methoden der Führung basieren geradezu auf dem Konkurrenzprinzip. Wenn man möchte, fängt es schon ganz global an. Mit dem Wettbewerb. Jenen gilt es zu schlagen. Mit fast allen Mitteln. Sonst – so das Mantra – werde das eigene Unternehmen entweder gänzlich verschwinden oder „gefressen“ werden von einem dieser Wettbewerber. Das größte Silo von allen – das des eigenen Unternehmens – steht also nicht in Frage und es ist selbstverständlich und völlig legitim, dieses Silo mit allen Mitteln abzugrenzen, zu verteidigen und auszubauen. Auch das ist nicht an sich falsch. Aber muss man sich wundern, wenn sich dieses Muster auch nach innen fortsetzt? – Silos in Silos in Silos … . Auf der anderen Seite des Spektrums sieht es eher noch dramatischer aus: beim Individuum. Anerkennung und Be- oder Entlohnung sind vollständig dominiert vom Konkurrenzprinzip. Wenn es um Beurteilung, Entwicklung und Bezahlung geht, ist es fast immer „ich oder jemand anders“. Dort, wo noch nach den Regeln der Gauß’schen Verteilung verteilt wird, ist das sogar mathematisch evident: für jeden „Guten“ muss es einen „Schlechten“ geben. Abgrenzung heißt also das Gebot. Etwas kompliziert wird die Sache dadurch, dass neuerdings an manchen Stellen „Kollaboration“ ein Teil der Definition von „Gut“ geworden ist. Der Trick ist also, sich in und durch Kollaboration als Einzelner abzugrenzen. Das ist zwar Paradox, aber der Homo Corporaticus quadriert auch diesen Kreis und seine Managerin oder sein Manager wird schon einen Weg finden, die Zusammenarbeiter im Team geeignet zu ranken.. Wenn aber „ganz oben“ und „ganz unten“ Konkurrenz das Erfolgsmuster definiert, wo soll dann Kollaboration anfangen? Geben wir uns keiner Illusion hin. Auch auf den Ebenen dazwischen regiert systematisch das Abgrenzungsprinzip: Wie viele Mitarbeiterinnen und Mitarbeiter berichten an mich? Wo hängt das strategische Projekt? Wie werden Budgtes und Kompetenzen verteilt? … Die Diskussion führt als auf zwei Erkenntnisse. Erstens: das „Silo“ ist teilweise gar nicht so böse, wie es das Bild vermitteln will. Richtig verstanden, fördert es Expertise und Zusammenhalt. Zweitens: wenn man wirklich etwas ändern möchte und sich nicht nur dem komfortablen Klagen ergeben, dann muss man einige fundamentale Paradigmen ändern. Man muss ran an die Erfolgsmuster, die die Organisation definieren. Man muss über signifikante Änderungen der Organisation und ihrer Prozesse nachdenken. Noch mehr „bereichsübergreifende“ Komitees und Aktivitäten werden nicht helfen. Warum? Schließlich zum größten Ärgernis, das das berühmte Silo-Bild beinhaltet: das Menschenbild, das ihm zugrunde liegt. Fast allen Theorien vom Veränderungsmanagement liegt eine Annahme zugrunde: der Mensch an sich sei veränderungsunwillig. Er oder sie kuschle sich am liebsten im Gewohnten ein in der gewohnten Umgebung, auch wenn diese Umgebung besagtes „Silo“ sei. Er oder sie strebe für gewöhnlich – sehen wir von den besagten erleuchtungsfähigen 17% oder weniger ab – nicht nach dem Weg heraus aus der Gewohnheit. Stattdessen mache es man sich halt bequem, schaffe sich eine „Komfortzone“ und tue fast alles, um diese nicht verlassen zu müssen. Um sie oder ihn aus dieser Komfortzone herauszubringen, brauche es für gewöhnlich eines straken Pushs, der von ganz oben kommen müsse, weil er sonst schon in der Lehmschicht des mittleren Managements sein Momentum fast ganz verlieren würde. Und so manifestierten die Mitarbeiterinnen und Mitarbeiter auch ihre Silos und ihren Platz darin quasi von innen – zum Bedauern von 83% ihres höheren Managements, das diese Manifestation zu 97% für schädlich hält. Da stellt sich natürlich die Frage, was man außer Klagen tut, um die Situation zu verändern, denn das Thema ist keineswegs neu, sondern schon Jahrzehnte auf der Agenda … ohne dass die Klagen weniger würden. Vielleicht ist es ja auch gar nicht so schlimm und die Klage einfach eine lieb gewonnene Gewohnheit. Eine ebensolche Gewohnheit ist das Bild vom veränderungsunwilligen Durchschnitt. Ich habe es schon an anderer Stelle geschrieben: Wir Menschen sind nicht intrinsisch veränderungsunwillig. Im Gegenteil, wir sind Entdecker und Helfer. Wir reisen, um Anderes zu erfahren. Wir gründen Familien. Wir engagieren uns in Vereinen, Schulen, Kindergärten … . Wir suchen neue Freunde, ziehen in andere Städte, … . Fast unabhängig von Alter und anderen Faktoren. Lediglich am Arbeitsplatz sagt man uns jene Trägheit nach, die den Push von ganz oben bräuchte, um überwunden zu werden. Dabei geht es fast nur um das „Warum“. Warum sollte ich den Kollegen aushelfen, wenn ich nur nach dem Erfolg „meines“ Projekts beurteilt werde? Warum sollte ich nicht um „mein“ Budget kämpfen, wenn mein Status dadurch definiert wird? Warum sollte ich nach getaner Arbeit noch „netzwerken“, wenn ich dafür meine Kinder nicht von der Kita abholen kann? 83% der Mitarbeiterinnen und Mitarbeiter beklagen, dass die Antworten auf diese Fragen für „bestenfalls abstrakt“ sind. 97% hielten sie für wichtig.    

Mittelmaß und Wahnsinn, diesmal aus einer anderen Perspektive. Was passiert, wenn jemand unbedarft und mit bester Absicht versehen in die Mühlen des Systems gerät?  Es wird auf alle Fälle unterhaltsam, aber irgendwie auch bedrückend. Hören Sie, wie es "dem Hausmeister" ergeht!

Wenn es Rituale in unseren Organisationen gibt, dann die, die sich um das Management von Personal ranken. Längst sind die meisten davon leere Pflichtübungen geworden und seit jeher produzieren sie vor allem eins: Klone. In dieser Episode geht es besonders um eines dieser Rituale: die jährlich wiederkehrende Mitarbeitermeinungsumfrage. Mittelmaß und Wahnsinn -- Das Buch

„Mittelmaß und Wahnsinn“, der Podcast über den Spagat zwischen Anspruch und Wirklichkeit in unseren Unternehmen, über die stetig weiter werdende Lücke zwischen Reden und Realität. Heute geht es um eine spezielle dieser Lücken. Allgemein könnte man sagen, es ginge um den Umgang mit Daten und Informationen, Befragungen und Statistiken. Es ginge darum, dass entgegen aller Rhetorik vom „Data Driven“ Business dieser Umgang vielfach oberflächlich, bisweilen gar schlampig ist. Konkret und mit etwas Blutdruck geht es aber um ein spezielles Thema: den jährlich erscheinenden Bericht der Boston Consulting Group zu den „Innovativsten Unternehmen“ des Jahres (hier geht's zu den Reports 2018 und 2019) Warum gerade dieser Bericht? Ein Grund ist, dass mich dieser Bericht ärgert, seit ich ihn das erste Mal unter die Finger bekommen habe. Warum? – Erstens, weil der Umgang mit Daten, wie er in diesem Bericht geschieht, meinem Naturwissenschaftler-Herz und -Bauch tatsächlich Schmerzen bereitet. Und zweitens, weil er trotzdem eine Reputation hat, die ihresgleichen sucht. Der Bericht, nein: eigentlich nicht der ganze Bericht, sondern das darin enthaltene Ranking, wird gepostet und ge-repostet. In den Corporate Intranets klopft man sich auf die Schultern, wenn man es unter die Top 50 geschafft hat und mancher spinnt den Faden der Interpretation noch weiter als das selbst die Autoren tun. Kürzlich habe ich auf LinkedIn einen Kommentar gelesen, in dem mit Blick auf die 2019-er Liste gefolgert wird, dass deutsche Unternehmen weit innovativer wären als chinesische. Ich persönlich glaube nicht, dass das stimmt. Nein, eigentlich weiß ich es einfach nicht. Das ist aber gar nicht die Frage. Die Frage ist, ob man das aus der BCG Studie ableiten kann. Und darauf ist die Antwort bestenfalls ein müdes Lächeln. Wenn man wohlwollend gesinnt ist. Hier also der Versuch einer Dekonstruktion dieser berühmten Studie. Zu diesem Zweck habe ich mir die beiden letzten Ausgaben angeschaut; die von 2018 und die von 2019. Das hat zwei Gründe: erstens sagt die zeitliche Veränderung immer mehr aus als die Momentaufnahme und zweitens ist der 2018-er Bericht der letzte, in dem ich wenigstens rudimentäre Informationen zur Methode gefunden habe. Das ist ein Kapitel für sich, auf das ich später noch ausführlicher eingehen werde. Wie gesagt, die Studie erfährt Jahr für Jahr größte Aufmerksamkeit, wobei sich diese Aufmerksamkeit wie so oft vor allem auf Eines konzentriert: das Ranking. Wer steht auf der Top 50 Liste und wer nicht? Tatsächlich bietet der Report viel mehr, zum Beispiel eine Diskussion der jeweils prominentesten Innovationsthemen, in der 2019-er Version vor allem – Surprise! – Künstliche Intelligenz und Ökosysteme. Das ist vielleicht auch der Teil, in dem man echte Erkenntnisse gewinnen kann, aber – wie gesagt – die Aufmerksamkeit gilt vor allem: dem Ranking. Also widmen wir uns hier auch gleich diesem Ranking.   Es fängt mit der Überschrift an Das erste Ärgernis der Studie – und dieses Rankings – aber ist schon ihre Überschrift: „The most innovative companies in …“, gefolgt vom Jahr, in dem der Bericht jeweils im Frühjahr – veröffentlicht wird. Streng genommen, ist diese zeitliche Zuordnung schon falsch. Der Bericht basiert auf einer Befragung, die aus dem Vorjahr stammt. Der 2019-er Bericht hat also bestenfalls den Anspruch, die innovativsten Unternehmen aus 2018 zu beschreiben. Zugegeben, fast eine Kleinigkeit, aber trotzdem ärgerlich, wenn man zum Beispiel den Anspruch hätte, konkrete Innovationen oder Ereignisse und das Ranking in Verbindung zu setzen. So einen Anspruch hat die Studie natürlich nicht. Ein Ärgernis ist es trotzdem. Ja, as mit dem Jahr ist eher eine lässliche Sünde. Aber schauen wir einmal auf den Titel selbst: „The most innovative companies.“ Punkt. „Bold“ würde man auf Englisch sagen. Der Anspruch ist irgendwie absolut. Und er ist nicht nur der Suche nach einer guten Schlagzeile geschuldet. Auch im Text findet sich keine Spezifizierung, wie zum Beispiel „The most innovative companies … as seen by BCG“ oder „The most innovative companies“ … nach folgenden Kriterien oder Standards. Nein, schlicht und ergreifend und für die Ewigkeit: „The most innovative companies“. Schluss. Die 2019-er Studie toppt die Vorjahre in dieser Hinsicht noch, weil darin – wie gesagt – nicht mal mehr ein rudimentärer Hinweis auf die Methode zu finden ist. Wir sind also angehalten, schlicht der Weisheit der Autoren und ihrer Company zu vertrauen. … Nein: wir sprechen wohl besser von „Glauben“ und begegnen einem weiteren, verbreiteten Phänomen: Quellen und Methoden, wie Informationen gewonnen werden, sind nicht mehr arg relevant. Es reicht nicht selten, Erkenntnis zu postulieren. Je absoluter, desto glaubhafter. Zumindest solange man sich innerhalb der richtigen Filterblase bewegt.   Ranking in der Filterblase Jetzt aber endlich zum Ranking selbst, das sich in dieser absoluten Form verselbständigt und Grundlage für Selbstbilder, Fremdbilder und weitergehende Analysen wird. Fangen wir mit der Studie von 2018 an, die – wie gesagt – auf 2017-er Ergebnissen basiert und werfen einen Blick auf die Top 50. Die ersten zwölf, dreizehn Plätze belegen „die üblichen Verdächtigen“. Ganz vorne Apple, Google, Microsoft, Amazon. Dann Samsung, Tesla, Facebook, IBM, Uber, Alibaba, Airbnb, SpaceX und Netflix. Wie es SpaceX in 2018 – einmalig – auf die Liste geschafft hat, ist ein kleines Rätsel, der Rest aber ist Klischee: Die Technologie-Unternehmen, die die Welt und die Indizes dominieren. Im BCG Sprachgebrauch sind die meisten davon „Steady Innovators“, wobei zu dieser elitären Gruppe auch immer noch HP und Toyota zählen, obwohl die beiden in den letzten Jahren kontinuierlich nach hinten durchgereicht werden. Eine Bewertung, ob diese Companies ihre Positionen zurecht haben und so konstant verteidigen, ist kompliziert. Bei manchen ist man versucht zu fragen, wann sie ihre letzte signifikante Innovation hervorgebracht haben. Bei manchen hat man den Eindruck, dass sie einfach ihr hochprofitables Geschäftsmodell melken, ohne dass ein Ende absehbar wäre und einige können es sich einfach leisten, in Forschung und Innovation zu investieren, weil sie schlicht im Geld schwimmen; was wiederum kein Argument gegen einen legitimen Platz auf der Liste ist. Eines aber gilt für alle: Der Mythos lebt … und genau das ist es, was die BCG-Liste widerspiegelt, diesen Mythos. Fast interessanter wird es auf den folgenden Plätzen, die weniger er-erbt als verdient sein sollten. Hier wird die Sammlung – vorsichtig formuliert – „verwirrend“. Verwirrend ist zuerst, dass die Liste dahingehend un-überraschend ist als der Bekanntheitsgrad aller auf diesen Rängen gelisteten Unternehmen hoch ist. Einem ersten Impuls folgend, würde man bei der Antwort auf die Frage nach den innovativsten Unternehmen nicht ausschließlich altbekannte Platzhirsche vermuten. Tatsächlich findet man aber nichts anderes im Ranking. Wir sind immer noch in 2018 (oder 2017): General Electric, Siemens, Bayer, BASF, Daimler, BMW, Renault, Procter & Gamble, Marriott, InterContinental Hotels … , populieren die Top 50 um nur einige zu nennen. „Nach welchen Standards sind das die innovativsten Unternehmen 2017?“, fragt man sich unmittelbar. Wenn man die Liste ein wenig wirken lässt, drängt sich nach etwas Verwunderung über das ein wenig marode GE gleich die nächste Frage auf: „Wo sind die Peers dieser – vermeintlichen -- Innovationsführer?“ bzw. „Warum haben sie es nicht unter die Top 50 geschafft?“. Warum fehlt VW? – Schließlich hat man da mindestens mit Audi eine Marke, die BMW und Daimler kaum nachstehen sollte? Warum ist Adidas auf der Liste, Nike aber nicht? Warum Orange, aber nicht Vodafone oder T-Mobile? Warum JP Morgan Chase und keine andere Bank? Dann tatsächlich die Frage nach China: Was ist mit ICBC, PingAn, Sinopec, Hutchinson, Haier, Baidu … ? Ein einziger großer blinder Fleck. Das genaue Ranking ist angesichts der Fragestellung vielleicht nicht ganz so wichtig und wie möchte man schon die Innovationskraft einer Versicherung mit der eines Technologieunternehmens oder eines Pharmaherstellers vergleichen. Trotzdem gibt es Auffälligkeiten: Warum zum Beispiel ist Huawei so weit hinter Samsung und Apple? Oder Verizon knapp dreißig Plätze hinter Orange? Der Punkt ist, dass bei Companies dieser Größenordnung die realen Innovations-Unterschiede meist denkbar gering sind. Sie setzen alle auf Digitalisierung. Sie haben alle ihre Labs und betreiben mutiges Design Thinking. Sie versuchen, ausgefeilte Innovationsprozesse zu implementieren. Sie springen auf die selben Trends und nutzen die selben Berater. Und sie haben alle dieselben Beschränkungen: Bürokratie, Budgets und die nächste Analystenkonferenz. Warum sollte also das eine auf der Liste sein und seine nahen Peers nicht? Genauso kann man fragen, warum zum Beispiel so viele Mobilfunkanbieter es unter die Top 50 schaffen. Die Innovationen sind hier vor allem steigende Bandbreiten, aber das ist ziemlich vorhersehbar. Die Komponenten kommen anderswo her und die Kunst besteht zum guten Teil in der Logistik der Netzwerkabdeckung und im Verkauf. Warum schließlich fehlen die wirklich innovative Unternehmen? Spotify und Zappos werden in derselben Studie als Beispiele zitiert. Was ist mit Gore? Was ist mit Salesforce? Was ist mit Adobe, RedHat, Baidu …? Die Liste fühlt sich an, wie eine leicht willkürliche Selektion von Großunternehmen mit einem gewissen Bias in Richtung einiger Branchen und in Richtung von Marktführern; mit einem blinden Fleck in China oder Asien im Allgemeinen. Und genau das ist auch das, was die Methodik fast zwingend liefert. Wir kommen gleich darauf. Zuerst aber noch ein Blick auf die neueste Edition. Auf den vorderen Plätzen sieht es ähnlich aus. Da haben wir weiter unsere „Steady Innovators“. Nur Apple musste seinen Stammplatz an der Spitze abgeben und rangiert nur noch auf Platz drei. SpaceX ist wieder verschwunden. Auch dahinter bleibt das Prinzip fast dasselbe, selbst wenn ein paar Player gewechselt haben. Tatsächlich hat es Salesforce auf die Liste geschafft. Und diesmal auch VW, ziemlich genau in der Mitte zwischen BMW und Daimler. Ist das nun ein Innovationssprung oder was steckt dahinter? Die Liste der Mobilfunker wird bereichert durch T-Mobile US, wobei in der Fußnote ausdrücklich Wert darauf gelegt wird, dass es nicht um die Deutsche Telekom geht. Ansonsten: viele alte Bekannte. McDonalds, Walmart, Hilton und ein paar andere sind nach mehr oder weniger kurzen Pausen wieder auf der Liste. Ein paar andere mussten dafür weichen. Das größere Bild wird dadurch aber eher bestätigt als verändert. Lediglich bei den zum ersten Mal vertretenen Vale, Stryker und Rio Tinto fragt man sich, ob es unentdeckte Gründe gibt, warum ausgerechnet sie unter den Top 50 gelandet sind. Wahrscheinlicher aber ist, dass wir sie im nächsten Jahr nicht wiedersehen werden. So wie SpaceX. Das Bild bleibt: Vorne die Digital-Unternehmen, die den Dow Jones beherrschen, dahinter wechselnde Variationen von Markführern und klischeehaften Innovationsbranchen. USA und Europa bevorzugt. Zeit, sich mit den Gründen zu befassen.   Shareholder Value = Innovation? Wie gesagt, für die Ausgabe 2019 haben die Autoren gar keinen Hinweis mehr auf die Methode gegeben. Aus dem 2018er Bericht haben wir wenigstens ein paar spärliche Informationen: 40% des Rankings basieren auf dem Drei-Jahres Total Shareholder Return der jeweiligen Aktie. Die restlichen 60% resultieren aus Befragungsergebnissen. Zu jeweils 30% gehen dabei ins Ranking Rückmeldungen zu Unternehmen außerhalb der Branche des Befragten ein, zu 30% Ergebnisse innerhalb dieser Branche. Wer genau befragt wurde und wie viele Teilnehmer es insgesamt gab, ist nicht einfach herauszufinden. In Interviews findet man Aussagen über ca. 2.500 Executives. Und wie die Auswertung genau geschieht, ist auch nicht selbsterklärend., selbst wenn man die Aussagen zu den Prozentwerten hat. Aber nehmen wir, was wir haben. Also: zu 40% basiert das Ranking auf dem Total Shareholder Return über eine Periode von drei Jahren, im Wesentlichen also auf der Entwicklung des Aktienkurses und ein paar zusätzlichen Größen wie Dividenden und Mergers bzw. Spin Offs. In Summe: der Entwicklung des Shareholder Values über die vergangenen drei Jahre. Als „Innovation“ zählt in diesem Sinne also auch, wenn es gelingt, die Preise für seine Cash Cows zu erhöhen, den Vertrieb zu pushen … oder z.B. auch ein Aktienrückkaufprogramm. Das alleine erklärt einen guten Teil des Rankings – genauer: 40%. Die nächsten 30% sind Fremdwahrnehmung, Einschätzungen von branchenfremden Managern. Gut, man mag zugestehen, dass diese Befragtengruppe überdurchschnittlich informiert und auch vernetzt ist. Aber außerhalb der eigenen Branche ist das Wissen vermutlich trotzdem ziemlich nahe an dem, was man so allgemein denkt oder liest oder hört. Also: „Google ist super-innovativ. Die bauen ja selbstfahrende Autos“ oder: „Apple ist doch die innovativste Company der Welt. Die haben ja iPod und iPhone erfunden und verdienen ohne Ende Geld“ … . You name it. Unterhalb der Ebene dieser Superstars ist man noch mehr auf Allgemeinwissen angewiesen. Schnell endet man so bei den Marktführern. Innerhalb der eigenen Branche weiß man wahrscheinlich mehr. Immerhin handelt es sich ja um den Wettbewerb. Aber erstens macht das nur noch 30% aus und zweitens gibt es auch hier sicher einen Größen-Bias in der Einschätzung. So erklärt sich das Ranking also praktisch von selbst, wenn man die Methode kennt: Shareholder Value mit einem Flavour von „gefühlter Innovation“ und einem Bias in Richtung von Bekanntheit. Genau so sieht die Liste dann auch aus. Ein weiterer – unbekannter – Faktor kommt hinzu: das Panel der Befragten. Die Ergebnisse legen nahe, dass es einen großen Schwerpunkt in den USA und in Europa gibt, während insbesondere China schwächer vertreten ist. Alles weitere ist Spekulation. So könnte es z.B. sein, dass die Clienten der Boston Consulting Group bei den Antworten überrepräsentiert sind. Mit dem Ergebnis, dass die Filterblase noch kleiner wird.   Der neue Imperativ: Fragen, statt glauben Puh, nun haben wir also diesen berühmten Bericht etwas dekonstruiert und gelernt, dass er vieles widerspiegelt, kaum aber die Innovationskraft der Unternehmen, die auf der Liste landen. Das heißt übrigens nicht, dass diese Unternehmen nicht vielleicht Innovationsführer wären. Es heißt nur, dass die BCG-Studie als Beleg dafür wenig taugt. Für die, die am Thema interessiert sind: es gibt auch andere Ansätze, z. B. von Forbes, die dann auch andere Ergebnisse liefern. Es geht aber nicht nur um diese Studie. Eigentlich ist sie nur ein Case in Point. Wir haben es mit einem weiter verbreiteten Phänomen zu tun. Einem Phänomen mit folgenden Symptomen:   Wir glauben, statt zu hinterfragen. Wenn die Quelle einigermaßen verlässlich erscheint oder unseren eigenen Filterkriterien entspricht, dann nehmen wir das Ergebnis, wie es ist. Schlimmer noch: wir verbreiten es, posten und re-posten … und bauen dann noch weitere Analysen auf ein falsches Fundament – „Deutschland ist innovativer als China“. Der Wahrheit auf den Grund zu gehen, ist mühsam. Wir haben dafür bisher mehr als 2000 Wörter gebraucht und wir könnten noch viel tiefer tauchen, zum Beispiel weiter zurück in die Historie und in die Effekte verschiedener Systemwechsel, die die Studie erfahren hat. Wenn man es einmal verstanden hat, ist es einfach. Drei-Jahres Total Shareholder Return, gewürzt mit Bekanntheitsgrad und ein paar Biases und Klischees.   Schließlich: Fast alles hat einen Zweck. „Traue keiner Statistik, die Du nicht selbst gefälscht hast“, sagt man. Ich glaube, das ist keine angemessene Aussage. Es geht nicht um Fälschung, es geht um Interpretation. Die BCG Studie zum Beispiel ist nicht willkürlich. Sie hateine Methode und sie wird sorgfältig durchgeführt. In diesem Sinne ist sie auch in keiner Weise falsch. Sie hat nur gravierende Schwächen, wenn es um das geht, was sie zu beschreiben verspricht: Innovation. Eigentlich ist sie vor allem der Versuch, sich um eine qualifizierte Definition von Innovation herumzudrücken bzw. diese Definition durch eine Art heuristische Näherung zu ersetzen. Selbst das ist noch nicht schädlich. Manchmal sind solche Näherungen aussagefähig. Nur in diesem Fall halt nicht. In gewisser Weise aber ist das alles egal. Der Bericht erfüllt nämlich seinen Zweck perfekt. Er erzeugt Aufmerksamkeit für seinen Herausgeber und er adressiert die richtige Zielgruppe. Was würde die beste Innovationsstudie nützen, wenn darauf vor allem Unternehmen der zweiten und dritten Reihe landen würde, selbst wenn gelegentlich ein kommender Superstar darunter wäre? Die Zielgruppe wäre schnell ziemlich schmal und die Schnittmenge mit potenziellen und potenten Beratungs-Kunden wäre recht klein. Eher etwas für Venture Capital Investoren als für potenzielle Kunden einer Strategieberatung. In diesem Sinne: nehmen wir das Ranking vielleicht nur als Anlass, den Rest der Studie zu lesen und verzichten einfach auf jede Interpretation der Liste selbst. Vor allem aber: seien wir aufmerksam und vorsichtig, wenn uns die Verkürzung von Wahrheit begegnet und nehmen und die Zeit, einen genauen Blick hinter die Kulisse zu werfen!   Mehr zu „Mittelmaß und Wahnsinn“ im gleichnamigen Buch (hier bei Amazon) oder auf meiner Website http://gehacon.de.

Ein ebenso ironischer wie anregender Blick auf eines der Monster unserer Unternehmensstrukturen: die Matrix. Organigramme, die aussehen wie U-Bahn-Pläne von Großstädten Verantwortung, die so verteilt wird, dass sie verschwindet Wie uns die Matrix beschäftigt, ohne uns weiter zu bringen Die Grundpfeiler einer besseren Art, sich und die Arbeit zu organisieren   "Mittelmaß und Wahnsinn" - überall im Buchhandel Zur Website: Mittelmaß und Wahnsinn Oder direkt zu Amazon: Mittelmaß und Wahnsinn Illustrationen von Sabine Kennel: World-of-Kensa