Im Takt von Mensch und Maschine: Generative KI (GenAI) und eine neue Innovationslogik agiler Teams

1. Ausgangspunkt:
Innovationsgeschwindigkeit in agilen Systemen

Innovationsgeschwindigkeit bezeichnet die Zeitspanne von der Entdeckung eines Problems oder einer Idee bis zur verifizierten Wertschöpfung beim Kund:innenproblem. Dieser Zeitraum wird als Lead Time to Value definiert und gilt zunehmend als zentrale Größe für die Leistungsfähigkeit moderner Organisationen (Kettunen & Laanti 2017).

In agilen Kontexten entsteht Innovationsgeschwindigkeit jedoch nicht allein durch eine schnelle Lieferung - einer sogenannte Delivery -, sondern vor allem durch kurze und konsequent durchlaufene Lernzyklen in einer Discovery. Discovery-Phasen umfassen jegliche Prozesse, in denen Teams Hypothesen formulieren, Experimente durchführen und gewonnene Erkenntnisse systematisch validieren. Mit diesem Fokus verschiebt sich auch der Blick von rein prozessualen Aspekten hin zu zugrunde liegenden menschlichen und organisationalen Fähigkeiten (Radigan 2024). Dazu gehören insbesondere

• analytische Kompetenzen, Annahmen datenbasiert zu überprüfen, sowie
• reflexive Fähigkeiten, frühzeitig aus Fehlschlüssen zu lernen und diese Erkenntnisse in weitere Entwicklungszyklen zurückzuspielen.

Klassische agile Metriken liefern hierfür zentrale Orientierungspunkte. Beispiele dafür sind die sog. Lead Time und Cycle Time. Lead Time erfasst den Zeitraum von der Entstehung eines Arbeitselements bis zu seiner Fertigstellung, während Cycle Time lediglich Phasen aktiver Bearbeitung, ab Arbeitsbeginn bis zum Abschluss, beschreibt. Ihre volle analytische Aussagekraft entfalten diese etablierten Prozessmetriken jedoch erst im Zusammenspiel mit Wert- und Lernmetriken (siehe auch Kapitel 5). Diese wiederum erfassen u. a. Wege erster Ideen über konkrete Auslieferungen live geschalteter Produkte bis hin zu deren validierter Wirkung bei Nutzer:innen (Davis 2015).

Aktuelle systematische Reviews zu agilen Teams zeigen deutlich, dass Team-Inputs (wie z. B. fachliche Skills oder Grade an Autonomie), mediierende Faktoren (wie z. B. psychologische Sicherheit und Kollaboration), sowie Team-Outcomes (wie z. B. Lieferfähigkeit, Qualität oder Kund:innenwert), eng miteinander verknüpft sind. Diese Zusammenhänge verdeutlichen, dass Innovationsgeschwindigkeit als ein sozio-technisches Phänomen zu begreifen ist, welches die drei Dimensionen Technik, Prozesse und Kultur gleichermaßen umfasst. Aus dieser Perspektive ergeben sich zentrale Ansatzpunkte für einen gezielten Einsatz generativer KI (GenAI); speziell für Organisationen, die Innovationsfähigkeit nachhaltig steigern wollen (Steegh et al. 2025). GenAI kann dabei unterstützen, jene Bereiche zu identifizieren und zu stärken, in denen technologische Unterstützung einen messbaren Einfluss auf Teamleistung und Wertschöpfung entfalten kann. Langfristig eröffnet dies Möglichkeiten, Innovationsprozesse nicht nur zu beschleunigen, sondern auch qualitativ zu verbessern - sowohl hinsichtlich Ergebnis- und Prozessqualität als auch im Hinblick auf organisationale Entwicklungsprozesse.

2. Innovationsgeschwindigkeit: Wirkmechanismen und Grenzen von GenAI

GenAI verändert zentrale Bereiche wissensintensiver Arbeit - von der frühen Ideenentwicklung und Hypothesenbildung (Kapitel 2.1) über beschleunigte operative Abläufe und gesteigerte Ergebnisproduktion (Kapitel 2.2) bis hin zu subjektiven Wirkfaktoren wie Flow, mentaler Entlastung und nachhaltiger Teamresilienz (Kapitel 2.3). Gleichzeitig zeigt sich, dass KI-gestützte Vorschläge zusätzliche Prüf- und Korrekturaufwände erzeugen können und kollektive Ideenvielfalt verringern können, etwa durch homogenere Denkansätze oder erhöhte Qualitätskosten (Kapitel 2.4). Eine Betrachtung dieser unterschiedlichen Wirkdimensionen macht deutlich, dass GenAI sowohl Potenziale als auch Grenzen für Agilität eröffnet. Bewusste, reflektierte Einsatzformen erscheinen nötig, um Leistungsfähigkeit, Kreativität und Qualität agiler Teams langfristig zu sichern.

2.1 Ideenfindung & Exploration

GenAI kann als eine Art Ideen-Katalysator dienen und kreative Prozesse in verschiedenen Phasen eines Innovationszyklus unterstützen. Etwa bei (Cillo & Rubera 2025):

• Problemdefinition
• Hypothesenbildung
• Exploration von Varianten
• Identifikation relevanter Nutzer:innensegmente
• Formulierungen zu Jobs-to-be-Done
• Entwicklung von User Stories
• Skizzierung von Experimenten

Durch diese vielfältigen Einsatzmöglichkeiten kann GenAI dazu beitragen, Ideenfindung und Konzeptentwicklung zu beschleunigen und zugänglicher zu machen.

Empirische Untersuchungen zur Kreativität agiler Teams zeigen: Ein genereller Zugang zu KI-generierten Ideen erhöht individuelle Kreativität, Textqualität und Zufriedenheit von Leser:innen - besonders bei Personen, die sich selbst als weniger kreativ einschätzen. Gleichzeitig aber führt ein Einsatz von KI/GenAI häufig zu einer geringeren Vielfalt und Ideenbreite über die Gesamtheit von Ergebnissen hinweg, da sich Vorschläge tendenziell stärker ähneln und konvergieren; im Sinne von: Konzentration auf ähnlichere Ideen.

Für agile Teams bedeutet dies einerseits: Sie können in kürzerer Zeit mehr - und vor allem brauchbare - Ideen generieren. Andererseits wird deutlich, dass gezielte Diversitäts- und Reflexionsmechanismen nötig erscheinen, um kreative Bandbreite und Perspektivenvielfalt zu bewahren (Doshi & Hauser 2024). Damit wird GenAI zwar zu einem brauchbaren Werkzeug, dessen Wirkung aber nicht allein von technischer Leistungsfähigkeit abhängt, sondern vielmehr von einer reflexiven und systematischen Nutzung profitieren kann.

2.2 Arbeitsabläufe & Ergebnisproduktion

In einem kontrollierten Experiment mit u. a. dem Massachusetts Institute of Technology schlossen Entwickler:innen eine Programmieraufgabe mit GenAI 56 % schneller ab als die Kontrollgruppe ohne GenAI. Ein großangelegter Feldeinsatz zu „CodeFuse“ (Ant Group) berichtet einen 50 % Output-Zuwachs, wenn GenAI genutzt wurde; allerdings waren gemessene Effekte bei komplexen Aufgaben und für Qualität nicht gleichermaßen signifikant (Peng et al. 2023).

Für wissenslastige Schreibarbeit (z. B. Dokumentation von Prozessen, Schreiben von Kennzahlenberichten, Verfassen von Anleitungen) zeigen Experimente mit dem KI-gestützten Chatbot ChatGPT 40 % kürzere Bearbeitungszeiten bei gleichzeitig 18 % höherer Qualität (gutachterlich bewertet). Dies erscheint vor allem relevant für Product Discovery (u. a. Problem-Statements, Hypothesen), Product Ownership (u. a. Backlog-Pflege) und Go-to-Market-Artefakte (Noy & Zhang 2023).

2.3 Kognitive Entlastung & Resilienz

Empirische Studien und Felderfahrungen verweisen neben objektiv messbaren Leistungskennzahlen zunehmend auch auf subjektive Wirkdimensionen eines GenAI-Einsatzes in wissensintensiven Arbeitskontexten. So berichten Anwender:innen von gesteigertem Flow-Erleben, reduzierter mentaler Ermüdung sowie höherer Arbeitszufriedenheit. Diese psychologischen Faktoren entfalten im agilen Organisationsumfeld eine indirekte, aber bedeutsame Wirkung auf die (messbare) Leistungsfähigkeit von Teams. Sie tragen dazu bei, Produktivität über längere Zeiträume aufrechtzuerhalten, kognitive Belastungen zu reduzieren und Nachhaltigkeit von Entwicklungs- und Lieferprozessen zu stärken. Damit erweitern sich Betrachtungsdimensionen von Beschleunigung über reine Durchsatzmetriken hinaus um qualitative Aspekte von Arbeitsqualität und -resilienz (Kalliamvakou 2024).

2.4 Qualitätskosten & Ideenvielfalt

Die aktuelle Evidenzlage (Stand: Oktober 2025) ist differenziert: Eine 2025 veröffentlichte Studie von METR fand heraus: Erfahrene Entwickler:innen, die mit deren Codebasis vertraut sind, wurden mit einem KI-Assistenten 19 % langsamer - insbesondere durch Zeit für Prüfung und Korrektur „richtungsrichtig, aber fehleranfällig“ (Tong 2025) vorgeschlagener Lösungen. Dieses Ergebnis schmält Annahmen „KI beschleunigt immer“ (Tong 2025) und rückt Qualitäts-Kosten (u. a. für Review, Rework, Sicherheitsrisiken) in einen Fokus von Aufmerksamkeit.

Auch im Bereich von Kreativität zeigt sich ein ambivalentes Bild: Während individuelle Outputs durch einen Einsatz von GenAI oder kollaborativer Tools oft origineller oder raffinierter wirken, lässt sich auf kollektiver Ebene eine abnehmende Neuheit beobachten. Es kann die Gefahr einer zunehmenden Pfadabhängigkeit entstehen - also einer Homogenisierung von Ideen und Denkansätzen über Teams und ganze Organisationen hinweg (siehe auch Kapitel 2.1). Um dieser Tendenz entgegenzuwirken, sollte agile Führung gezielt Strukturen und Prozesse schaffen, welche eine kreative Diversität fördern. Dazu gehört auch, Vielfalt in Ideationsprozessen systematisch zu gestalten und institutionell zu verankern, etwa durch wechselnde Teamzusammensetzungen, Perspektivenwechsel oder bewusst offene Experimentierphasen (Doshi & Hauser 2024).

3. Integrationsfähigkeit: Mensch
-Maschine-Kooperation in agilen Entwicklungsprozessen

Eine Integration von GenAI in agile Arbeitskontexte erfordert mehr als ein Einführen neuer Werkzeuge. Veränderungen kognitiver Routinen und sozialer Praktiken, mit denen Teams lernen und entscheiden, erscheinen nötig. Agile Methoden, wie Scrum oder Kanban, bieten hierfür eine geeignete Struktur, da sie auf kurzen Feedbackzyklen und kontinuierlicher Verbesserung basieren. Doch differenzierte Modi, wie GenAI bzw. KI im Allgemeinen, eingebunden werden können, entscheiden über ihren tatsächlichen Nutzen (Bahi et al. 2024).

Im Arbeits-Alltag lässt sich beobachten: Teams, welche GenAI als Co-Partner verstehen, profitieren deutlich mehr als solche, die GenAI lediglich als Beschleuniger einsetzen. Wenn beispielsweise ein Team GenAI nutzt um User Stories zu formulieren oder technische Lösungsvarianten zu explorieren, bleibt die Entscheidungshoheit klar beim Menschen. GenAI liefert dann Input, nicht Output. So können zeitlich schnellere, aber weiterhin reflektierte Entscheidungen entstehen (Zercher et al. 2025).

Auch im kreativen Teil von agilen Zyklen, also in Discovery-Phasen, kann GenAI neue Impulse setzen. So können beispielsweise unerwartete Perspektiven, Metaphern oder Problemformulierungen generiert werden, welche Diskussionen anregen und Ideationsphasen verkürzen können. Dabei ersetzt GenAI keine Kreativität, sondern kann Denkfelder erweitern - ein Phänomen, das in einschlägiger Literatur als augmentierte Kreativität bezeichnet wird (Holzner et al. 2025).

Dabei erscheint es von Bedeutung, bewusst zwischen Phasen von Divergenz (Ideenvielfalt) und Konvergenz (Auswahl und Fokussierung) zu unterscheiden. Während GenAI in Divergenzphasen häufig durch Masse und Geschwindigkeit wirksam wird, braucht es in Konvergenzphasen insbesondere menschliche Bewertung, Intuition und Kontextverständnis. Diese bewusste Choreografie zwischen Mensch und Maschine entscheidet letztlich darüber, ob aus schneller Ideengenerierung auch nachhaltige Innovation entstehen kann (Melker et al. 2025).

4. Spannungsfelder:
Governance und Kreativitätsdynamiken

Mit einer Integration von GenAI in agile Teams treten neue Spannungsfelder auf - nicht nur technischer, sondern auch kultureller und ethischer Natur. Steigende Generationsgeschwindigkeiten in KI-gestützten (Organisations-)Systemen gehen mit Risiken einher, bei denen Fragen von Qualität, Urheberschaft und Verantwortlichkeiten tendenziell und allgemein an Relevanz einbüßen (Paparic & Bodea 2024).

Eine zentrale Herausforderung ist Transparenz (Cheong 2024): Wer ist Autor:in eines Vorschlags? Wer trägt Verantwortung für Qualität oder Richtigkeit eines Outputs? In agilen Teams die stark auf kollektives Lernen setzen, ist dies mehr als eine juristische Frage - es betrifft psychologische Sicherheit. Wenn Ergebnisse unklaren Ursprungs sind, kann einerseits Vertrauen innerhalb von Teams leiden als auch gleichzeitig Bereitschaft, offen zu experimentieren, sinken (Alami et al. 2024).

Empirische Befunde belegen, dass KI-generierte Lösungen häufig konventioneller ausfallen, als zunächst angenommen. GenAI kann individuelle Kreativität zwar steigern, jedoch kollektive Vielfalt reduzieren (siehe auch Kapitel 2.1 und 2.4). Ohne gezielte Steuerung können also insbesondere Risiken im Zusammenhang mit einer zunehmenden Homogenisierung von Ideenlandschaften entstehen - mit potenziell nachteiligen Effekten für Innovationskraft und Entwicklung genuin neuartiger Konzepte. Gezielte Steuerung bedeutet in diesem Zusammenhang ein bewusstes Eingreifen verschiedener Beteiligter, um Verengung kreativer Räume zu vermeiden und trotz KI-Unterstützung heterogene, originelle Ideenlandschaften zu fördern (Moon et al. 2025). Konkret können dies beispielsweise folgende (Steuerungs-)Maßnahmen sein:

• Kuratieren und Variieren von Prompts
  Systematische Anpassung und Variation von Prompts zur Erzeugung unterschiedlicher Perspektiven, z. B. durch gezielt widersprüchliche, ungewöhnliche oder radikal abweichende Lösungsansätze.

• Einsatz multipler Modelle und Tools
  Verwendung verschiedener KI-Modelle, Werkzeuge oder Datenquellen zur Erhöhung von Ideenvielfalt und zur Reduktion möglicher Modellverzerrungen.

• Rollenbasiertes Prompting
  Anleitung der KI, unterschiedliche Rollen (z. B. Kritiker:in, Futurist:in, Ethiker:in, Stakeholder:in mit spezifischem Interesse) einzunehmen, um divergente Denkpfade zu erzeugen und einseitige Lösungsansätze zu vermeiden.

• Menschliche Divergenzphasen
  Einführung verpflichtender Phasen, in denen Teammitglieder zunächst eigenständig Ideen ohne KI-Unterstützung entwickeln, um eine frühzeitige thematische Verengung durch KI-Vorschläge zu verhindern.

• Reglementierte KI-Nutzung im Prozess
  Festlegung klarer Prozessschritte, in denen KI eingesetzt werden darf (z. B. erst nach initialer menschlicher Ideengenerierung), um eine Vielfalt ungefilterter Rohideen zu sichern.

• Moderierte KI-Integration in Workshops
  Aktive Moderation einer KI-Nutzung durch Facilitator:innen, um zu verhindern, dass Teams sich vorschnell auf KI-generierte Vorschläge einigen.

• Generierung von Anti-Ideen
  Nutzung von KI zur gezielten Erzeugung von Gegenentwürfen, Extremvarianten oder Edge-Case-Lösungen, um Problemräume wieder zu öffnen, z. B. wenn Teams zu früh konvergieren.

• Kriterienbasierte Bewertung von KI-Ideen
  Bewertung von KI-Vorschlägen anhand definierter Kriterien (z. B. Neuheitsgrad, Relevanz, Diversität), um zu vermeiden, dass die erstgenannte Idee überproportional Einfluss gewinnt.

Ein weiteres Spannungsfeld entsteht im Umgang mit Qualität und Wahrheitsgehalt. Generative Systeme tendieren zu sogenannten „Halluzinationen“ (Sun et al. 2024). Damit gemeint sind plausible, jedoch sachlich unzutreffende Aussagen. In agilen Umgebungen, geprägt durch rasches Experimentieren und iterative Anpassungen, kann dies Fehlentscheidungen begünstigen, sofern Teams KI-generierten Ergebnissen unreflektiert vertrauen (Sun et al. 2024).

Antworten auf diese Herausforderungen liegen weniger in restriktiven Vorgaben als in bewusst gestalteten organisatorischen Praktiken: klar definierte Verantwortlichkeiten zur Validierung KI-generierter Inhalte, offene Auseinandersetzungen mit Bias und Zuständigkeiten sowie Qualifizierungsmaßnahmen, welche kritisches Denken im Umgang mit GenAI stärken. Auf diese Weise kann Agilität lernorientiert, reflektiert und an menschlichen Urteilsprozessen ausgerichtet bleiben (Mäntymäki 2022).

5. Forschungsperspektiven:
Ansätze zur empirischen Erfassung von GenAI und Innovationsgeschwindigkeit

Ein Einfluss von GenAI auf Innovationsgeschwindigkeit lässt sich empirisch nur schwer isolieren (OECD 2025). Er entsteht innerhalb komplexer sozialer Systeme und ist von vielfältigen Wechselwirkungen geprägt. Dennoch scheinen Möglichkeiten zu bestehen, diesen Zusammenhang zumindest analytisch zugänglich zu machen. Anstelle überwiegend technischer Metriken, wie z. B. Anzahl umgesetzter Features oder produzierter Codezeilen, rücken zunehmend Lernmetriken in den Mittelpunkt von Analysen zur Innovationsgeschwindigkeit (siehe auch Kapitel 1). Lernmetriken versuchen sichtbar zu machen, wie schnell Teams Hypothesen formulieren, in welchem Tempo neue Erkenntnisse aus Experimenten gewonnen werden können und wie häufig Annahmen gemeinsam mit Kund:innen validiert werden können. Dadurch lassen sich durch GenAI unterstützte Lern- und Entwicklungsprozesse differenzierter erfassen und in ihrer Wirkung auf Innovationsgeschwindigkeit besser verstehen (Han et al. 2025).

Ein vielversprechender Forschungsansatz besteht darin, Time-to-Learn und Lead Time to Value als zentrale Indikatoren zu betrachten. Dabei werden qualitative und quantitative Daten kombiniert (Taques et al.2021), wie u. a.:

• Prozessdaten aus Projektmanagement-Tools
  (z. B. Ticket-Durchlaufzeiten, Commit-Intervalle)

• Team-Feedbacks zu wahrgenommener Geschwindigkeit, Belastung und Zufriedenheit(z. B. Einschätzungen zur Effektivität von Lernzyklen, wahrgenommene Klarheit von Zielen, subjektive Geschwindigkeit im Vergleich zu früheren Projekten)

• inhaltliche Analysen von Ideenvielfalt und Lösungstiefe(z. B. Anzahl unterschiedlicher Hypothesen in Discovery-Phasen, Variationen vorgeschlagener Lösungsansätze, Tiefe experimenteller Auswertungen)

Forschung könnte hierzu einen wichtigen Beitrag leisten, indem Verhaltensmuster in realen Teams untersucht, und nicht auf künstliche Laborbedingungen beschränkt werden (OECD 2025). Besonders aufschlussreich erscheinen Vergleichsstudien zwischen Teams mit und ohne systematische KI-Nutzung über mehrere Sprints hinweg. Solche „Natural Experiments“ (Jost & Santoni 2020) könnten sichtbar machen, unter welchen Bedingungen GenAI (bzw. KI im Allgemeinen) tatsächlich zur Beschleunigung von Innovationsprozessen beiträgt. Und in welchen Fällen sie zwar das Tempo erhöht, jedoch keinen zusätzlichen Wert generiert.

6. Implikationen: Transformation in
Führung und Organisationsentwicklung

Eine Einführung von GenAI in agilen Teams ist nicht primär als technologische Maßnahme zu begreifen, sondern vielmehr als führungsbezogene und kulturelle Transformationsaufgabe. Führungskräfte stehen vor Herausforderungen, ein organisationales Umfeld zu gestalten, das experimentelles Arbeiten mit KI ermöglicht und entsprechende Freiräume strukturell absichert. Zugleich erscheint es relevant sicherzustellen, dass Verantwortungsbewusstsein sowie etablierte Qualitätsstandards gewahrt bleiben und damit eine verantwortungsvolle sowie nachhaltige Nutzung von GenAI gewährleistet werden kann (Bankins et al. 2024).

Agile Führung im Zeitalter von KI bedeutet vor allem, gestaltende Rahmenbedingungen zu schaffen, anstatt detaillierte Vorgaben zu formulieren. Anstelle strikt vorgegebener Regulierungen, die definieren, unter welchen Bedingungen ein Einsatz von KI zulässig ist, erscheint ein kompetenzorientierter Ansatz zielführender: Teams sollten dazu befähigt werden, eigenständig Nutzungshypothesen zu formulieren und Wirkungen ihres KI-Einsatzes systematisch zu beobachten und zu evaluieren. Auf dieser Grundlage kann ein lernfähiges organisationales System entstehen, das empirisch mit seinen eigenen Praktiken umgeht und kontinuierliche Anpassungen ermöglicht (Rialti & Filieri 2024).

Zugleich erfordert eine Einführung von GenAI eine weiterentwickelte Form von Kompetenzbildung: Eine produktive Nutzung von GenAI stellt keine rein technische Fertigkeit dar, sondern basiert auf einer Kombination aus insbesondere kritischem Denken, kommunikativer Kompetenz und ethischer Reflexionsfähigkeit. Organisationen, die diese übergeordneten Meta-Kompetenzen systematisch fördern, schaffen damit eine Grundlage für nachhaltige Beschleunigung von Innovationsprozessen, anstatt lediglich kurzfristige Effizienzgewinne zu realisieren (Deroncele-Acosta et al. 2025).

Schließlich eröffnet ein Einsatz von GenAI Möglichkeiten, über etablierte Verständnisse agiler Arbeitsweisen hinauszugehen. Durch eine Übernahme routinisierter und repetitiver Aufgaben durch KI-Systeme können Teams ihre Ressourcen verstärkt auf explorative Tätigkeiten, empathische Interaktion und komplexe Problemlösungen richten - jene Bereiche, in denen menschliche Kreativität und Urteilsfähigkeit besondere Wirkung entfalten. Führung sollte diesen Wandel nicht als Bedrohung, sondern als strategische Chance verstehen: als Impulse für eine agile Organisationskultur, in der technologische Systeme menschliche Fähigkeiten erweitern, anstatt sie zu substituieren.

7. Fazit

Innovationsgeschwindigkeit stellt in agilen Organisationen ein vielschichtiges sozio-technisches Phänomen dar, dessen Verständnis über klassische Effizienzmetriken hinausgeht. Ein zentraler Grund hierfür liegt darin, dass Agilität erst dann eine vollständige Wirkung entfaltet, wenn technische, prozessuale und kulturelle Dimensionen integrativ betrachtet werden. Vor diesem Hintergrund gewinnt ein Einsatz generativer KI (GenAI) an Bedeutung, da neue Möglichkeiten eröffnet werden, Lern- und Entwicklungsprozesse zu beschleunigen und damit eine dynamische Anpassungsfähigkeit von Organisationen zu stärken. Potenziale scheinen jedoch nur realisiert werden zu können, wenn GenAI bewusst und reflektiert eingesetzt wird. Voraussetzung dafür ist eine lernorientierte Organisationskultur, die experimentelles Arbeiten und kontinuierliche Weiterentwicklung systematisch unterstützt.

Vor diesem theoretischen Hintergrund stellt sich die Frage, welche Wirkungen GenAI tatsächlich in organisationalen Kontexten entfaltet. Die bisherige empirische Evidenz (Stand: Oktober 2025) verdeutlicht, dass GenAI sowohl kreative Ideenfindung, Delivery-Durchsatz als auch kognitive Entlastung unterstützen kann. Gleichzeitig treten aber auch deutliche Grenzen und Risiken zutage: steigende Qualitätskosten, zunehmende Homogenisierung von Ideen, eine wachsende Abhängigkeit von KI-generierten Vorschlägen sowie potenzielle Verzerrungen und Halluzinationen. Diese ambivalenten Befunde verdeutlichen, dass GenAI nicht per se Innovationen beschleunigt, sondern dass ihre Wirkung davon abhängt, wie Interaktionen zwischen Mensch und Maschine im Arbeitsprozess gestaltet und geregelt werden.

Eine ausschließliche Orientierung an technischen Leistungsindikatoren erweist sich als unzureichend, um Wirkmechanismen von GenAI im organisationalen Kontext adäquat zu erfassen. Erst durch eine systematische Einbeziehung von Lernmetriken, wie z. B. Time-to-Learn oder Lead Time to Value, lässt sich beurteilen, in welchem Umfang Teams Hypothesen generieren, experimentell erproben und gewonnene Erkenntnisse validieren. Damit eröffnet sich ein vielversprechendes Forschungsfeld, welches qualitative und quantitative Daten integriert und auf sogenannte „Natural Experiments“ (Untersuchungen in realen Umgebungen) zurückgreift, um Wirkeffekte von GenAI unter realen Bedingungen präziser zu analysieren. Besonders wertvoll erscheint eine Erforschung echter Teamdynamiken, da gerade in komplexen sozialen Systemen emergente Effekte auftreten können, die sich in kontrollierten Laborumgebungen nicht adäquat reproduzieren lassen.

Für die organisationale Praxis ergibt sich daraus folgende zentrale Implikation: Eine Einführung von GenAI ist weniger als technologisches Implementierungsprojekt zu verstehen, sondern primär als Führungs- und Kulturaufgabe. Agile Führungskonzepte sollten gezielt Raum für experimentelles Arbeiten eröffnen, ohne dabei Verantwortungsbewusstsein oder etablierte Qualitätsstandards zu unterminieren. Zugleich bedarf eine verantwortungsvolle Nutzung von GenAI einer systematischen Förderung übergeordneter Meta-Kompetenzen - insbesondere kritischen Denkens, Kommunikationsfähigkeit und ethischer Reflexionsfähigkeit. Werden diese Voraussetzungen erfüllt, kann GenAI sowohl zur Beschleunigung von Entwicklungsprozessen beitragen, als auch Kreativität, organisationales Lernen und Innovationsfähigkeit von Organisationen nachhaltig stärken.

Quellen

Alami, A., Zahedi, M., & Krancher, O. (2024): The role of psychological safety in promoting software quality in agile teams. Empirical Software Engineering, 29, 119: https://doi.org/10.1007/s10664-024-10512-1.

Bahi, A.; Gharib, J.; Gahi, Y. (2024): Integrating Generative AI for Advancing Agile Software Development and Mitigating Project Management Challenge. (IJACSA) International Journal of Advanced Computer Science and Applications, Vol. 15, No. 3, 2024: https://thesai.org/Downloads/Volume15No3/Paper_6-Integrating_Generative_AI_for_Advancing_Agile_Software.pdf.

Bankins, S.; Ocampo, A.; Marrone, M.; Restubog, S.; Woo, S. (2024): A multilevel review of artificial intelligence in organizations: Implications for organizational behavior research and practice. Journal of Organizational Behavior, Volume 45, Issue 2: https://doi.org/10.1002/job.2735.

Cheong, B. (2024): Transparency and accountability in AI systems: safeguarding wellbeing in the age of algorithmic decision-making. DOI 10.3389/fhumd.2024.1421273.

Cillo, P.; Rubera, G. (2025): Generative AI in innovation and marketing processes: A roadmap of research opportunities. Journal of the Academy of Marketing Science (2025) 53:684–701: https://doi.org/10.1007/s11747-024-01044-7.

Davis, C. (2015): Agile Metrics in Action: How to Measure and Improve Team Performance. Manning Publications: ISBN-13: 978-1617292484.

Deroncele-Acosta, A.; Sayán-Rivera, R.; Mendoza-López, A.; Norabuena-Figueroa, E. (2025): Generative Artificial Intelligence and Transversal Competencies. Higher Education: A Systematic Review. Appl. Syst. Innov. 2025, 8, 83: https://doi.org/10.3390/asi8030083.

Doshi, A.; Hauser, O. (2024): Generative AI enhances individual creativity but reduces the collective diversity of novel content. In: Science Advances 12 Jul 2024 Vol 10, Issue 28. DOI: 10.1126/sciadv.adn5290.

Han, S.; Zhang, D.; Zhang, H.; Lin, S. (2025): Artificial Intelligence Technology, Organizational Learning Capability, and Corporate Innovation Performance: Evidence from Chinese Specialized, Refined, Unique, and Innovative Enterprises. Sustainability 2025, 17(6), 2510: https://doi.org/10.3390/su17062510.

Holzner, N.; Maier, S.; Feuerriegel, S. (2025): Generative AI and Creativity: A Systematic Literature Review and Meta-Analysis. arXiv:2505.17241v1 [cs.HC] 22 May 2025: https://arxiv.org/pdf/2505.17241v1.

Jost, S.; Santoni, S. (2020): Natural experiments in leadership research. The Leadership Quarterly. DOI: 10.1016/j.leaqua.2019.101338.

Kalliamvakou, E. (2024): Research quantifying GitHub Copilot’s impact on developer productivity and happiness. GitHubPilot May 21, 2024: https://github.blog/news-insights/research/research-quantifying-github-copilots-impact-on-developer-productivity-and-happiness/.

Kettunen, P.; Laanti, M. (2017): Future software organizations – agile goals and roles. European Journal of Futures Research volume 5, Article number: 16: https://eujournalfuturesresearch.springeropen.com/articles/10.1007/s40309-017-0123-7.

Mäntymäki, M.; Minkkinen, M.; Birkstedt, T.; Viljanen, M. (2022): Putting AI Ethics into Practice: The Hourglass Model of Organizational AI Governance. arXiv:2206.00335: https://doi.org/10.48550/arXiv.2206.00335.

Melker, S., Gabrils, E., Villavicencio, V. & Faraon, M. (2025): Artificial intelligence for design education: a conceptual approach to enhance students’ divergent and convergent thinking in ideation processes. International Journal of Technology and Design Education. DOI:10.1007/s10798-025-09964-3.

Moon, K.; Green, A.; Kushlev, K. (2025): Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing. Journal of Computers in Human Behavior: Artificial Humans Volume 6, December 2025, 100207: https://doi.org/10.1016/j.chbah.2025.100207.

Noy, S.; Zhang, W. (2023): Experimental evidence on the productivity effects of generative artificial intelligence. Science, Vol 381, Issue 6654. DOI: 10.1126/science.adh2586.

OECD (2025): The Effects of Generative AI on Productivity, Innovation and Entrepreneurship. OECD ARTIFICIAL INTELLIGENCE PAPERS June 2025 No. 39: https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/06/the-effects-of-generative-ai-on-productivity-innovation-and-entrepreneurship_da1d085d/b21df222-en.pdf.

Paparic, M.; Bodea, C. (2024): Building trust through responsible usage of generative artificial intelligence in projects: A case study. Issues in Information Systems Volume 25, Issue 4, pp. 143-157, 2024. DOI: https://doi.org/10.48009/4_iis_2024_112.

Peng, S.; Kalliamvakou, E.; Cihon, P.; Demirer, M. (2023): The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590v1: https://arxiv.org/pdf/2302.06590.

R. Steegh, R.; Van De Voorde, K.; Paauwe, J. (2025): Understanding how agile teams reach effectiveness: A systematic literature review to take stock and look forward. In: Human Resource Management Review 35 (2025) 101056: https://doi.org/10.1016/j.hrmr.2024.101056.

Radigan, D. (2024): Praxisleitfäden und Metriken - Agile-Metriken.In: Atlassian 2024.

Rialti, R.; Filieri, R. (2024): Leaders, let’s get agile! Observing agile leadership in successful digital transformation projects. Business Horizons Volume 67, Issue 4, July-August 2024, Pages 439-452: https://doi.org/10.1016/j.bushor.2024.04.003.

Sun, Y.; Sheng, D.; Zhou, Z.; Wu, Y. (2024): AI hallucination: towards a comprehensive classification of distorted information in artificial intelligence-generated content. Humanities and Social Sciences Communications volume 11, Article number: 1278 (2024): https://doi.org/10.1038/s41599-024-03811-x.

Taques, F.; López, M.; Basso, L.; Areal, N. (2021): Indicators used to measure service innovation and manufacturing innovation. Journal of Innovation & Knowledge Volume 6, Issue 1, January–March 2021, Pages 11-26: https://doi.org/10.1016/j.jik.2019.12.001.

Tong, A. (2025): AI slows down some experienced software developers, study finds. Reuters, San Francisco, July 10: https://www.reuters.com/business/ai-slows-down-some-experienced-software-developers-study-finds-2025-07-10/.

Zercher, D.; Jussupow, E.; Benke, I.; Heinzl, A. (2025): How Can Teams Benefit From AI Team Members? Exploring the Effect of Generative AI on Decision-Making Processes and Decision Quality in Team–AI Collaboration. Journal of Organizational Behavior: https://doi.org/10.1002/job.2898.