#21 (DE): Ist SAFe noch zeitgemäß? AI-Native SAFe, Alternativen, Agenten

Scaled Agile hat mit AI-Native SAFe eine grundlegende Überarbeitung des Frameworks vorgestellt: Das zweitägige PI-Planning wird durch ein eintägiges PI-Outcome-Planning ersetzt, Inspect and Adapt fällt weg und wird durch ein zweiwöchentliches Sense-and-Respond-Event abgelöst, und mit dem AI Value Architect kommt eine neue Rolle hinzu. Daniel und Nova ordnen ein, was davon wirklich neu ist, wo es nur Etikettenwechsel gibt und warum der eigentliche Engpass sich von der Lieferung hin zur Frage verschoben hat, ob das Gelieferte überhaupt Wirkung zeigt.

Daniel bringt dazu eigene Erfahrungen aus Experimenten mit lokalen KI-Modellen ein: Erst als er seinen Agenten feste Rollen und einen strukturierten Loop gegeben hat, wurden die Ergebnisse verlässlich, allerdings auch langsamer und teurer. Diese Erfahrung spiegelt die Kernfrage der Folge: Wie viel Struktur braucht eine Organisation oder ein Agentensystem, damit die Ergebnisse stimmen, und ab wann bremst genau diese Struktur nur noch.

Die wichtigsten Themen:

- AI-Native SAFe verschiebt den Fokus von Output auf Outcomes und reagiert damit auf eine Welt, in der KI-Agenten das Bauen selbst kaum noch zum Engpass machen

- Das klassische PI-Planning wird von zwei Tagen auf einen Tag verkürzt und dreht sich künftig um Outcome-Breakouts statt um Feature-Listen

- Inspect and Adapt entfällt zugunsten von Sense and Respond, einem zweiwöchentlichen zweistündigen Termin zum Wahrnehmen und Nachsteuern, inklusive bewusstem Stoppen nicht wirksamer Arbeit

- Die neue Rolle AI Value Architect soll Teams beim Heben von KI-Potenzialen helfen, sollte aus Daniels Sicht aber eine Übergangsrolle bleiben statt eine feste Planstelle

- Token-Kosten brechen die Annahme fixer IT-Budgets und müssen wie Cloud-Kosten aktiv gesteuert werden, inklusive Leitplanken auf Portfolioebene

- Core SAFe und AI-Native SAFe laufen offiziell parallel, was den in vielen Konzernen ohnehin bestehenden Flickenteppich an Arbeitsweisen nicht automatisch löst

- SAFe lohnt sich vor allem dort, wo viele Teams echte Abhängigkeiten im Ergebnis haben, für lose gekoppelte Einheiten reichen leichtere Ansätze wie Team Topologies oder eine OKR-Klammer

- Daniels eigene Experimente mit lokalen KI-Modellen zeigen im Kleinen dieselbe Abwägung wie große Skalierungsframeworks: mehr Struktur erhöht Verlässlichkeit, aber auch Kosten und Trägheit

Take-away: Framework-Entscheidungen sollten nicht ideologisch getroffen werden, sondern anhand der tatsächlichen Abhängigkeiten zwischen Teams. Wer bereits mit SAFe arbeitet, sollte AI-Native SAFe in einem ART testen, wer es nicht tut, sollte nicht erst klassisches SAFe einführen, um es danach umzubauen. Unabhängig vom Framework lohnt es sich, Outcomes statt Output zu messen, kürzere Feedback-Takte auszuprobieren und Token-Kosten sowie Modellwahl explizit zur Führungsaufgabe zu machen.