Das Alltägliche automatisieren, das Menschliche perfektionieren: Die Transformation des Scrum-Masters und der Team-Kommunikation im KI-gestützten agilen Umfeld

Abstract

Die zunehmende Nutzung von KI in der Softwareentwicklung verändert grundlegend die bewährten agilen Methoden. In der vorliegenden Arbeit wird untersucht, inwiefern sich die Rolle des Scrum Masters und die Teamkommunikation durch den Einsatz von Large Language Models (LLMs) und autonomen Agenten verändern. Die Analyse ergibt, dass ein zunehmender Anteil der Verwaltungsaufgaben automatisiert ausgeführt wird. Infolgedessen unterliegt die Aufgabe des Scrum Masters einer Veränderung. Er wird immer mehr zum strategischen Coach und zur unterstützenden Vermittler. Darüber hinaus wird demonstriert, wie Natural Language Processing (NLP) durch Sentiment-Analysen und die Übersetzung von fachlichen Anforderungen in technische Spezifikationen die Teamdynamik transparenter macht. Gegenwärtig wird in Fachkreisen diskutiert, wo die ethischen Grenzen liegen. Eine besondere Fragestellung ist, ob die Überwachung von Mitarbeitenden mittels Algorithmen zulässig ist, um einem Burnout vorzubeugen. Gemäß der vorliegenden Arbeit ist ein Ersatz des Scrum Masters durch KI nicht möglich. Für eine erfolgreiche Umsetzung ist eine Kombination aus technologischem Wissen und der Fähigkeit zur Empathie erforderlich.

Einleitung

Die zunehmende Integration künstlicher Intelligenz in Arbeitsprozesse verändert gegenwärtig die Art und Weise der Planung, Umsetzung und Koordination von Softwareprojekten. Insbesondere im Kontext agiler Softwareentwicklung ergeben sich neue Möglichkeiten, organisatorische, analytische und kommunikative Aufgaben durch den Einsatz von KI-Systemen zu unterstützen oder teilweise zu automatisieren. Agile Methoden wie Scrum waren ursprünglich darauf ausgerichtet, Transparenz, Selbstorganisation und kontinuierliche Verbesserung in Teams zu fördern. Der Einsatz intelligenter Werkzeuge führt jedoch zu einer erneuten Transformation dieser Arbeitsweisen.

Im Rahmen des Scrum-Frameworks nimmt der Scrum Master eine zentrale Rolle ein, die insbesondere durch die Ausübung der Funktionen eines Prozessbegleiters und Kommunikationsmoderators charakterisiert ist. Gleichzeitig resultieren steigende Projektkomplexität und digitale Kollaborationsumgebungen in einem wachsenden organisatorischen Aufwand für diese Position. Parallel dazu eröffnen KI-basierte Werkzeuge neue Möglichkeiten zur Automatisierung administrativer Aufgaben sowie zur Unterstützung von Teamkommunikation und Projektkoordination.

Die vorliegende Arbeit hat die Intention, den Einsatz künstlicher Intelligenz im Kontext agiler Softwareentwicklung und insbesondere im Scrum-Framework zu untersuchen. Der Fokus liegt dabei auf der Rolle des Scrum Masters sowie auf der Bedeutung von Kommunikation innerhalb agiler Teams. Auf Grundlage einer Literaturrecherche werden bestehende Ansätze, Werkzeuge und Forschungsrichtungen betrachtet, um ein strukturiertes Verständnis der möglichen Veränderungen durch KI-gestützte Unterstützungssysteme zu entwickeln.

Grundlagen

Scrum Framework

Das agile Projektmanagement beschreibt einen iterativen und inkrementellen Ansatz zur Planung und Steuerung von Projekten, der insbesondere in der Softwareentwicklung Anwendung findet. Agile Methoden zielen darauf ab, die Effizienz von Entwicklungsprozessen zu erhöhen, die Zusammenarbeit im Team zu fördern und unnötige Ressourcenbindung zu minimieren. Darüber hinaus tragen sie zur Erhöhung der Transparenz innerhalb des Projekts bei und ermöglichen eine frühzeitige Auslieferung von funktionsfähigen Produktinkrementen, die kontinuierlich verbessert werden können.

Scrum Prozess

Scrum organisiert die Arbeit in sogenannten “Sprints”. Ein Sprint bezeichnet dabei eine Iteration mit konstanter Länge, die typischerweise zwei bis vier Wochen beträgt. Die Planung, Überprüfung und Reflektion jedes Sprintziels erfolgt in festgelegten Scrum-Terminen. Scrum zeichnet sich durch eine klar definierte Struktur aus, die sowohl die Rollen als auch die Ereignisse und Artefakte festlegt. Die Kommunikation im Scrum-Framework erfolgt dabei hauptsächlich über die folgenden strukturierten Meetings und Werkzeuge. Die als Scrum bezeichneten Ereignisse konstituieren die zentralen Kommunikationspunkte innerhalb eines Sprints. Der Prozess des “Sprint Planning” fördert die Transparenz, den Austausch und kontinuierliche Verbesserung innerhalb des Teams. Zu Beginn jedes Sprints findet eine gemeinsame Planung durch das Team statt, in der die im Produkt-Backlog enthaltenen Aufgaben für den kommenden Sprint ausgewählt und priorisiert werden. Das Ziel besteht darin, ein realistisches und zugleich erreichbares Sprintziel zu definieren.
Die als “Daily Scrum” oder auch “Daily Stand-up” bezeichnete tägliche Zusammenkunft des Teams erstreckt sich über einen Zeitraum von 15 Minuten. Im Rahmen dessen erfolgt ein Austausch über den aktuellen Stand der Dinge, anstehende Aufgaben sowie potenzielle Hindernisse.

Im Sprint Review, welches am Ende eines Sprints stattfindet, präsentiert das Team die erzielten Ergebnisse den Stakeholdern. Das Feedback wird anschließend in die Weiterentwicklung des Produkts integriert.
Im Rahmen der Sprint-Retrospektive erfolgt eine interne Reflexion. Das Team analysiert die im Sprint verzeichneten Fortschritte, identifiziert potenzielle Optimierungspotenziale und definiert spezifische Maßnahmen zur Verbesserung.
Die Planung und Priorisierung der Arbeit erfolgt in Scrum über Backlogs, die als zentrale Informationsquelle dienen.
Der Produkt-Backlog beinhaltet eine priorisierte Auflistung aller gewünschten Funktionen, Anforderungen und Verbesserungen.
Das Sprint-Backlog umfasst die Aufgaben, die für den aktuellen Sprint ausgewählt wurden. Diese stammen aus dem priorisierten Bereich des Produkt-Backlogs und bilden die Grundlage für die tägliche Arbeit des Teams.

Aufgaben des Scrum Masters

Der Scrum Master nimmt eine zentrale Rolle als Coach, Moderator und Prozessbegleiter innerhalb des Scrum-Teams ein. Das Hauptziel besteht in der Beseitigung von Hindernissen, der Förderung der Zusammenarbeit und der Sicherstellung der Umsetzung der Scrum-Prinzipien im Arbeitsalltag. Er agiert flexibel und offen gegenüber kontinuierlichen Verbesserungen der Arbeitsabläufe. Eine klare und transparente Kommunikation ist für diese Rolle von essenzieller Bedeutung, da sie gewährleistet, dass alle Teammitglieder sowie Stakeholder jederzeit über den Projektstatus, die Ziele und bestehende Herausforderungen informiert sind.

Die Kernverantwortlichkeiten eines Scrum Masters fokussieren sich auf die Optimierung der Effizienz und möglichst störungsfreien Gestaltung von Entwicklungsprozessen. Ein wesentlicher Aspekt seiner Tätigkeit besteht in der Moderation von Scrum-Events wie Daily Scrums, Sprint Reviews und Retrospektiven, wobei er je nach Bedarf eine leitende oder unterstützende Funktion übernimmt. Darüber hinaus gewährleistet es den Schutz des Teams vor Überlastung, etwa während der Sprintplanung, und wirkt aktiv dem sogenannten Scope Creep entgegen. Der Scope Creep bezeichnet dabei die ungeplante Ausweitung des Arbeitsumfangs. Des Weiteren moderiert er als Vermittler zwischen Product Owner, Stakeholdern, Management und Entwicklungsteam, um ein gemeinsames Verständnis und klare Prioritäten sicherzustellen.
Ein weiterer Schwerpunkt liegt in der Identifikation und Beseitigung interner sowie externer Hindernisse, um einen kontinuierlichen Arbeitsfluss zu gewährleisten. In seiner Funktion als Prozess-Coach fördert der Scrum Master agiles Denken und begleitet das Team bei der kontinuierlichen Verbesserung seiner Arbeitsweisen. Gleichzeitig sorgt er für Transparenz, indem er den Fortschritt beispielsweise mithilfe von Burndown-Charts oder anderen agilen Kennzahlen beobachtet und potenzielle Engpässe frühzeitig erkennt.
In Phasen erhöhter Belastung übernimmt der Scrum Master zudem unterstützende und organisatorische Tätigkeiten, mit dem Ziel, das Team zu entlasten. Ein besonderes Augenmerk liegt auf der Förderung der Selbstorganisation und Eigenverantwortung des Teams. Die daraus resultierende Wirkung besteht in der Verhinderung einer ungleichmäßigen Verteilung der Arbeitslast, der Prävention von Überarbeitung einzelner Personen bei gleichzeitiger Unterstützung anderer sowie der Vorbeugung der Bildung von Wissensinseln [25].

Team Kommunikation

In der agilen Teamarbeit ergeben sich diverse Herausforderungen in der Kommunikation, die den Projekterfolg erheblich beeinflussen können. Unklare Rollen und Verantwortlichkeiten sind ein wesentlicher Faktor für die Entstehung von Missverständnissen und Unsicherheiten innerhalb des Scrum-Teams. Eine unzureichende Definition der Zuständigkeiten kann sich nachteilig auf die gezielte und effiziente Kommunikation auswirken, da in diesem Fall die Verantwortlichkeiten nicht eindeutig geklärt sind. Ein weiteres Hindernis für eine effektive Zusammenarbeit ist ein unzureichendes Verständnis der agilen Methoden. Die mangelnde Erfahrung mit agilen Prinzipien und Begriffen kann zu unterschiedlichen Erwartungen und Fehlinterpretationen im Kommunikationsverhalten führen. Die Implementierung von Schulungen sowie einer einheitlichen Terminologie kann an dieser Stelle als Fundament für einen gemeinsamen Wissensstand betrachtet werden [11].

Insbesondere in internationalen oder stark hierarchisch geprägten Teams können kulturelle und sprachliche Barrieren den offenen Austausch beeinträchtigen. Um ein gegenseitiges Verständnis zu fördern, ist es unerlässlich, kulturelle Vielfalt sowie unterschiedliche Kommunikationsstile, Werte und Sprachkenntnisse bewusst zu thematisieren und klare Kommunikationsregeln zu etablieren. Zudem können sowohl eine Informationsflut als auch fehlende oder unvollständige Dokumentation problematisch sein. Ein Übermaß an Informationen erschwert den Überblick, während Dokumentationslücken zu Unsicherheiten führen. Eine strukturierte Aufbereitung von Informationen sowie eine gezielte Weitergabe relevanter Inhalte sind daher von essenzieller Bedeutung [11].

Ein weiterer Aspekt, der als kritisch zu bewerten ist, ist die mangelnde Transparenz in Bezug auf Fortschritte, Prioritäten und Ziele. Werden diese Informationen unvollständig oder widersprüchlich kommuniziert, fehlt dem Team eine gemeinsame Orientierung. Transparente Kommunikation fördert demgegenüber das Vertrauen und unterstützt eine klare Zielausrichtung. Auch technische Limitierungen können sich signifikant auf den Informationsaustausch auswirken. So können ungeeignete oder nicht konsequent genutzte Kommunikationstools zu erheblichen Beeinträchtigungen führen. Eine adäquate technische Infrastruktur sowie klar definierte Kommunikationskanäle sind daher von entscheidender Relevanz für reibungslose Abläufe [11].

Darüber hinaus kann ein hoher Zeitaufwand durch eine übermäßige Anzahl oder eine unzureichende Strukturierung von Meetings die Kommunikation ineffizient machen. Eine bewusste Meeting-Kultur mit klar definierten Zielsetzungen, einer Agenda, der Anwendung von Timeboxing und einer effektiven Moderation reduziert den Aufwand und steigert die Effektivität. Konflikte und unausgesprochene Spannungen stellen eine signifikante Herausforderung dar. Subtile Anzeichen wie Entscheidungsblockaden, der Rückzug einzelner Teammitglieder, passiv-aggressive Kommunikation oder mangelnde Beteiligung hemmen Offenheit und Zusammenarbeit. Ergänzend dazu bergen eine ungleich verteilte Arbeitslast sowie Wissenssilos erhebliche Risiken, da Überlastung einzelner Personen und konzentriertes Wissen die Produktivität, Qualität und langfristige Teamstabilität gefährden [11].

Herausforderungen

Administrativer Overload

Ein zentraler Aspekt, der in der Rolle des Scrum Masters berücksichtigt werden muss, ist der zunehmende administrative Overload. Neben seinen Kernaufgaben als Coach und Prozessbegleiter übernimmt der Scrum Master häufig zusätzliche Tätigkeiten, wie beispielsweise die Erstellung von Berichten, die Pflege agiler Tools, die Terminorganisation oder Abstimmungen mit dem Management und Stakeholdern. Mit steigender Projektkomplexität ist eine Zunahme administrativer Aufgaben zu verzeichnen, wodurch der zeitliche Fokus auf Aspekte wie Coaching, Teamentwicklung und die Förderung agiler Prinzipien reduziert wird. Dies kann dazu führen, dass der Scrum Master stärker als organisatorische Schnittstelle wahrgenommen wird, während seine eigentliche Rolle als Befähiger für Selbstorganisation und kontinuierliche Verbesserung in den Hintergrund tritt [14].

Kommunikation

Obwohl die Scrum-Events klar definiert sind, stellt die Kommunikation einen der größten Herausforderungen in agilen Teams dar. Eine effektive Kommunikation wird durch unterschiedliche Erwartungshaltungen, unklare Informationswege oder eine Überlastung durch zu viele Kommunikationskanäle erschwert. Die Herausforderung besteht in der Gewährleistung einer ausgewogenen Kommunikation, die sowohl Transparenz als auch die Vermeidung von Überkommunikation umfasst, um Informationsverlust oder Desinteresse zu vermeiden. Zudem können Missverständnisse zwischen den verschiedenen Akteuren auftreten, beispielsweise zwischen Product Owner, Entwicklungsteam und Stakeholdern. Diese entstehen durch unpräzise Formulierungen oder fehlende Abstimmungen. Der Scrum Master sieht sich in dieser Konstellation mit der Herausforderung konfrontiert, Kommunikationsstrukturen zu moderieren, ohne dabei selbst zum zentralen Informationsknoten zu werden [14].

Konflikterkennung

Die frühzeitige Erkennung von Konflikten ist eine anspruchsvolle, aber entscheidende Aufgabe des Scrum Masters. In agilen Kontexten äußern sich Konflikte nicht offen, sondern in subtilen Verhaltensweisen wie Entscheidungsverzögerungen, Rückzug einzelner Teammitglieder, sinkender Beteiligung oder passiv-aggressiver Kommunikation. Zeitdruck, ein ausgeprägtes Harmoniebedürfnis oder fehlende psychologische Sicherheit im Team sind Faktoren, die dazu führen, dass Spannungen lange unausgesprochen bleiben. Werden diese Konflikte nicht rechtzeitig erkannt und adressiert, können sie die Zusammenarbeit, die Teamdynamik und letztlich die Produktivität erheblich beeinträchtigen [14].

Planung

Ein wiederkehrender Aspekt, der als problematisch empfunden wird, ist die Planung von Sprints und Releases. Eine verlässliche Planung wird durch eine Vielzahl von Faktoren erschwert, darunter unrealistische Zielsetzungen, externe Einflüsse durch Stakeholder oder Management sowie unklare oder schlecht priorisierte Product Backlogs. Zusätzlich resultieren Abhängigkeiten zu anderen Teams oder technischen Komponenten häufig in Planungsunsicherheiten, die im Scrum-Prozess nur begrenzt vorhersehbar sind. In diesem Kontext ist der Scrum Master aufgefordert, eine Vermittlerrolle zwischen den Extremen der Planungssicherheit und agiler Flexibilität einzunehmen. Zudem ist es seine Aufgabe, das Team vor einer zu starken Orientierung an kurzfristigen Vorgaben zu bewahren, da diese langfristig Überlastung oder Qualitätsverlust verursachen können [14].

KI-Lösungen für Scrum Masters und Teamkommunikation

Im Kontext agiler Softwareentwicklung können zahlreiche Aufgaben des Scrum Masters durch den Einsatz künstlicher Intelligenz automatisiert oder zumindest stark unterstützt werden. Besonders im Bereich der Meeting-Organisation übernehmen sogenannte Scrum Agents zentrale Funktionen. Sie sind in der Lage, Daily Scrums selbständig zu starten und zu beenden, die Teilnahme der Teammitglieder zu erfassen sowie Status-Updates über verschiedene Kommunikationskanäle wie Chat, Audio oder Video zu sammeln. Die gesammelten Informationen werden strukturiert aufbereitet, zusammengefasst und anschließend als Protokolle oder Berichte per E-Mail an das Team versendet. Auch Retrospektiven lassen sich durch KI unterstützen, indem Sprint-Ergebnisse analysiert, Stärken und Schwächen identifiziert sowie potenzielle Blockaden oder Risiken systematisch herausgearbeitet werden.
Darüber hinaus können KI-Systeme die Sprint-Planung und das Backlog-Management effizient unterstützen. Sie bereiten historische Sprint-Daten auf, analysieren die Team-Velocity und erkennen ungelöste Hindernisse. Backlog-Items werden anhand verschiedener Kriterien priorisiert, während verfügbare Kapazitäten unter Berücksichtigung von Kalenderdaten und Urlaubszeiten berechnet werden. Auf dieser Basis erstellen die Systeme Aufwandsschätzungen, erkennen mögliche Überbelastung und helfen bei der Festlegung realistischer Sprint-Ziele. Die entsprechenden Planungsdokumente werden automatisch im Projekt-Wiki abgelegt und an das Team kommuniziert.
Ein weiterer zentraler Automatisierungsbereich ist die Dokumentation und das Reporting. KI kann Meeting-Protokolle, Retrospektiv-Berichte und Status-Reports automatisch erstellen sowie Ticketsysteme wie Jira aktualisieren. Zudem pflegt sie Wissensdatenbanken, Sprint-Logs und Projektübersichten, wodurch der administrative Aufwand für den Scrum Master erheblich reduziert wird.

Auch das Onboarding neuer Teammitglieder lässt sich weitgehend automatisieren. KI-Systeme erkennen neue Mitarbeitende über HR-Systeme oder Benachrichtigungen und erstellen unter anderem die notwendigen Zugänge zu relevanten Tools und generieren personalisierte Onboarding-Guides.
Neben organisatorischen Aufgaben übernehmen KI-Systeme auch analytische und unterstützende Funktionen. Sie werten Produktivitätsdaten, Task-Fortschritte, Nutzerfeedback und Teamkommunikation aus und nutzen Sentimentanalysen, um die Stimmung im Team einzuschätzen. Auf dieser Grundlage können Engpässe frühzeitig erkannt, Risiken identifiziert und Vorschläge zur Prozessanpassung gemacht werden. Zudem fungieren KI-Systeme als Wissensspeicher, indem sie agile Best Practices, Leitfäden und Schulungsmaterialien bereitstellen und Teams bei der Problemlösung unterstützen [5, 9, 22].
Der zuvor beschriebene Einsatz künstlicher Intelligenz zur Automatisierung organisatorischer, planerischer und dokumentationsbezogener Aufgaben bildet die Grundlage für eine weitergehende Unterstützung des Scrum Masters im Bereich der Teamkommunikation. Während Scrum Agents Meetings initiieren, Informationen sammeln, strukturieren und dokumentieren, erweitert KI diesen Funktionsumfang um eine kommunikative und analytische Dimension, die insbesondere auf Verständigung, Transparenz und Teamdynamik abzielt [3, 21].
Eine zentrale Herausforderung in der agilen Softwareentwicklung ist der sogenannte “linguistische Graben” zwischen fachlichen Stakeholdern und den technischen Umsetzungsteams. Anforderungen werden häufig in unstrukturierter, impliziter oder stark kontextabhängiger Sprache formuliert. KI-Systeme nutzen Natural Language Processing (NLP), um Inhalte aus Meetings, Interviews, Dokumenten oder Feedback-Kanälen zu analysieren, zusammenzufassen und in strukturierte, technisch anschlussfähige Artefakte wie User Stories oder Akzeptanzkriterien zu überführen. Damit ergänzt KI die automatisierte Meeting-Dokumentation um eine inhaltliche Übersetzungsleistung, die Missverständnisse reduziert und die Zusammenarbeit zwischen Rollen erleichtert [3, 21].

In der Praxis baut dieser Prozess direkt auf den zuvor beschriebenen Automatisierungen auf. Transkriptionen aus Sprint-Planungen oder Anforderungsworkshops dienen als Ausgangsbasis, aus der KI relevante Entscheidungen, Nutzerbedürfnisse und Abhängigkeiten extrahiert. Diese Informationen werden anschließend in standardisierte Formate überführt und unmittelbar in Backlog- und Projektsysteme integriert. Scrum Master und Product Owner werden dadurch von manueller Nachbereitung entlastet und können sich stärker auf Priorisierung, Validierung und inhaltliche Abstimmung konzentrieren [9, 10].
Ergänzend dazu unterstützen KI-Funktionen in Dokumentationsplattformen wie Confluence die teamübergreifende Verständlichkeit. Organisationsspezifische Abkürzungen, Fachbegriffe und technischer Jargon werden automatisch erläutert oder vereinheitlicht. Insbesondere in verteilten oder interdisziplinären Teams trägt dies dazu bei, Wissensasymmetrien zu reduzieren und eine gemeinsame Sprache zu etablieren [13, 15].
Neben der internen Kommunikation analysieren KI-Systeme auch externe Informationsquellen wie Nutzerfeedback, Support-Tickets oder Produktbewertungen. Mithilfe von Sentiment-Analysen werden Trends, Prioritäten und emotionale Bewertungen sichtbar gemacht. Diese Erkenntnisse fließen in die teaminterne Kommunikation und Entscheidungsfindung ein, etwa bei der Priorisierung von Backlog-Items oder der Bewertung von Anforderungen. Diskussionen basieren dadurch weniger auf subjektiven Eindrücken, sondern stärker auf datenbasierten Signalen zum wahrgenommenen Nutzerwert [3, 21].
Ein weiterer wesentlicher Anwendungsbereich ist die Analyse der Teamstimmung und der sogenannten soziokognitiven Gesundheit. KI wertet hierfür sowohl sprachliche Signale aus Kommunikationskanälen als auch operative Kennzahlen aus Entwicklungs- und Prozessdaten aus. In Kollaborationstools können Kommentare, Tickets oder Diskussionsverläufe nach emotionalem Tonfall zusammengefasst werden, sodass Scrum Master frühzeitig erkennen, ob Feedback konstruktiv, kritisch oder konfliktbehaftet ist [9].

Darüber hinaus nutzen Engineering-Management-Plattformen KI, um indirekte Indikatoren für Belastung, Friktion und Burnout zu identifizieren. Kennzahlen wie lange Wartezeiten bei Code Reviews, hohe Nacharbeitsquoten oder instabile Entwicklungsprozesse weisen auf steigenden Druck und kognitive Überlastung hin. Diese analytischen Signale ergänzen klassische Retrospektiven und ermöglichen es dem Scrum Master, datenbasiert auf Kommunikations- und Arbeitsmuster einzuwirken [21, 27].

KI wird dabei nicht ausschließlich reaktiv eingesetzt, sondern zunehmend auch präventiv. In Tools wie Jira, Confluence oder Slack können Teammitglieder Entwürfe von Nachrichten oder Tickets automatisch sprachlich anpassen lassen, etwa um einen sachlicheren oder empathischeren Ton zu wählen. Zusätzlich reduzieren Zusammenfassungsfunktionen und automatische Rückblicke die Informationsflut und damit einen zentralen Stressfaktor in der Wissensarbeit [3, 10, 13].
Insgesamt erweitert KI den im vorherigen Abschnitt beschriebenen Automatisierungsgrad um eine kommunikative Ebene. Sie unterstützt Verständigung über Rollen- und Fachgrenzen hinweg, macht Stimmungen und Belastungen sichtbar und reduziert kommunikative Reibung. Damit schafft sie die Voraussetzungen dafür, dass sich der Scrum Master stärker auf Moderation, Coaching und die bewusste Gestaltung sozialer Dynamiken konzentrieren kann, während operative und analytische Aufgaben zunehmend durch KI-Systeme unterstützt werden [27, 28].

Aktuelle Tools

ScrumAgents

Scrum Agents stellen eine vergleichsweise neue Möglichkeit dar, künstliche Intelligenz in die Arbeit eines Scrum Masters zu integrieren. Sie können ihn bei einer Vielzahl von Aufgaben unterstützen und insbesondere repetitive oder zeitaufwendige Tätigkeiten vollständig automatisieren. Zu den zentralen Einsatzbereichen von Scrum Bots zählen unter anderem die Automatisierung von Daily Scrums, die Unterstützung der Sprint-Planung, die Durchfüuhrung von Retrospektiven sowie das Onboarding neuer Entwicklerinnen und Entwickler.

Im Bereich der Daily Meetings sind Scrum Agents in der Lage, verschiedene organisatorische und inhaltliche Aufgaben zu übernehmen. Dazu gehört unter anderem die Erfassung der Anzahl der Teilnehmenden, das Initiieren von Meetings sowie deren Beendigung oder gegebenenfalls Neuplanung. Darüber hinaus können Status-Updates der Teammitglieder über Audio, Video oder Chat gesammelt werden.
Zusätzlich erfassen und klassifizieren Scrum Agents den Status einzelner Aufgaben. Durch die Integration mit anderen Tools, wie beispielsweise Jira, können sie den Status von Tasks automatisch aktualisieren. Nach jedem Meeting erstellen sie Zusammenfassungen oder Retrospektiven und versenden diese per E-Mail an alle Teilnehmenden. Getroffene Entscheidungen sowie vereinbarte Maßnahmen können zudem in einer Wissensdatenbank dokumentiert und langfristig gespeichert werden.
Ein weiterer wichtiger Einsatzbereich von Scrum Agents ist die Unterstützung der Sprint-Planung. Hierbei bereiten sie relevante Informationen vor, analysieren Daten aus vergangenen Sprints und beteiligen sich aktiv am Planungsprozess. Dazu zählen die Aufbereitung historischer Daten, die Analyse der Teamgeschwindigkeit sowie das Erkennen ungelöster Blockaden.
Die im Backlog erfassten Aufgaben werden anhand verschiedener Kriterien priorisiert, beispielsweise nach Bearbeitungszeitpunkt, Relevanz oder gegenseitigen Abhängigkeiten. Darüber hinaus analysiert der ScrumBot die verfügbaren Kapazitäten der Teammitglieder unter Berücksichtigung von Kalenderdaten und Urlaubszeiten. Auf Basis der gesammelten Backlog-Daten erstellt er Aufwandsprognosen und hilft dabei, ein mögliche Überlastung frühzeitig zu erkennen.
Zu den unterstützten Aufgaben zählen außerdem die Aktualisierung des Sprint-Logs, die Festlegung neuer Sprint-Ziele, die Kommunikation des Sprint-Plans per E-Mail an das Team sowie die Ablage der Planungsdokumente im Projekt-Wiki.
Scrum Agents können ebenfalls bei der Durchführung von Retrospektiven eingesetzt werden. Im Rahmen der Analyse identifizieren sie Aspekte, die im Sprint besonders gut funktioniert haben, sowie Bereiche mit Verbesserungsbedarf. Darüber hinaus prüfen sie, ob Blockaden oder Risiken bestanden haben, und bereiten diese Informationen strukturiert für das Team auf.
Ein besonders großer Mehrwert von Scrum Agents zeigt sich im Onboarding neuer Entwicklerinnen und Entwickler. Der ScrumBot erkennt neue Anstellungen beispielsweise über HR-Systeme oder Benachrichtigungen von Führungskräften und organisiert daraufhin notwendige Zugriffe auf E-Mail, Git, Jira sowie weitere relevante Tools, Code-Repositorien und Entwicklungs- beziehungsweise Testumgebungen.

Darüber hinaus erstellt der ScrumBot einen individualisierten Onboarding-Guide. Dieser enthält Informationen zur Projektarchitektur, zu eingesetzten Tools, API-Dokumentationen, Erklärvideos, Beispiel-Tickets sowie zu Entwicklungs- und Arbeitsabläufen. Neue Teammitglieder werden zudem über eine Begrüßungsnachricht dem Team vorgestellt.
Während des gesamten Onboarding-Prozesses überwacht der ScrumBot den Fortschritt und initiiert automatisch Check-ins, wenn Inaktivität oder mögliche Probleme erkannt werden [6].

Large Language Models (LLMs)

LLMs sind mittlerweile weit verbreitet und werden insbesondere zur Analyse von Daten sowie textuellen oder statistischen Informationen eingesetzt. Sie können beispielsweise als Auswerter für Task-Fortschritte, Produktivität oder Teamkommunikation fungieren. Die zugrunde liegenden Daten können dabei in unterschiedlichen Formen vorliegen, etwa als Nutzerfeedback, Flowcharts oder statistische Darstellungen. Anhand dieser Informationen können LLMs bewerten, ob Aufgaben angepasst werden müssen, welche Inhalte in Daily Meetings oder Stand-ups kommuniziert wurden und ob Projektzeitpläne eingehalten werden können. Vergleichbare Studien zur Auswertung von Feedback-Loops finden sich in [9], während [2] den Einsatz von LLMs bei der Analyse statistischer Daten untersuchen.

Im Bereich der Teamkommunikation können LLMs so konfiguriert werden, dass sie mehrere Rollen innerhalb eines Software Teams simulieren und in begrenztem Umfang selbstständig zusammenarbeiten. Dabei übernehmen sie beispielsweise die Rollen von Analysten, Entwicklern oder Testern und arbeiten iterativ an der Verbesserung softwarebezogener Artefakte. So kann der Analyst Anforderungen analysieren und Aufgaben planen, während der Entwickler den Code implementiert und der Tester diesen überprüft. Die LLMs tauschen dabei Informationen untereinander aus. Laut einer Studie von [20] arbeiten solche kollaborativen LLM-Systeme bis zu 47 erfolgreicher als einzelne Modelle, wobei der Analyst eine koordinierende Rolle ähnlich einem Scrum Master einnimmt.
In fortgeschrittenen Anwendungen kommen sogenannte Multi-Agenten-Systeme zum Einsatz, bei denen spezialisierte KI-Agenten Rollen wie Analyst, Entwickler, Tester oder Koordinator übernehmen. Diese Agenten kommunizieren miteinander, verteilen Aufgaben, arbeiten parallel an Problemen und unterstützen so die interne Koordination innerhalb des Teams.

Multi-Agent-Systeme (MAS)

Darüber hinaus existieren sogenannte Multi-Agent-Systeme, bei denen mehrere spezialisierte Agenten für bestimmte Aufgaben oder Bereiche eingesetzt werden. Diese Agenten kommunizieren miteinander, um Aufgaben zu verteilen und parallel an komplexen Problemen zu arbeiten. Ein Beispiel für ein solches Framework wird in [10] vorgestellt, in dem verschiedene Agenten unterschiedliche Lösungsansätze für ein Softwareproblem entwickeln und diese anschließend gemeinsam diskutieren, um eine optimale Lösung zu finden. In einem Teamkontext können solche Agenten als virtuelle Teammitglieder fungieren, etwa als Ticket-Verwalter, Code-Reviewer oder Aufgabenplaner. Dadurch reduzieren sie den Arbeitsaufwand für menschliche Teammitglieder, ohne zusätzliche Komplexität oder Störungen zu verursachen.

Natural Language Processing (NLP)

Mithilfe der Umwandlung von Rohtext und Sprache in verwertbare Daten ermöglicht NLP Unternehmen den Zugriff auf diverse Kommunikationsströme. Dies erlaubt die Analyse von Teamdynamiken sowie die Optimierung von Arbeitsabläufen direkt innerhalb von Plattformen wie Microsoft Teams und Slack. Eine zentrale Herausforderung in der Analyse besteht jedoch in der Fragmentierung der Kommunikation über mehrere Plattformen (Cross-Platforming). Ohne eine integrierte Betrachtung besteht das Risiko, dass kontextrelevante Informationen verloren gehen und das analytische Gesamtbild verfälscht wird [17].
Im Bereich der Sentiment-Analyse bewerten NLP-Tools die Polarität (positiv, negativ, neutral) sowie die Intensität von Teaminteraktionen. Fortgeschrittene Systeme gehen über diese Basisklassifikation hinaus und können spezifische emotionale Marker wie Freude, Wut oder Angst identifizieren. Durch die Erstellung von Heatmaps fungieren diese Analysen als Frühwarnsystem, das auf drohenden Burnout oder eskalierende Konflikte hinweist, noch bevor diese sich operativ auswirken [23].
Neben der emotionalen Ebene kommen unüberwachte Algorithmen für maschinelles Lernen (Unsupervised Learning) zum Einsatz, um Gespräche zu gruppieren und wiederkehrende Themen ohne vordefinierte Kategorien zu identifizieren. Dies ermöglicht Führungskräften das Erkennen von Wissenslücken oder systemischen Problemen. Diskutiert ein Team beispielsweise häufig VPN-Probleme in einem negativen emotionalen Kontext, weist das System proaktiv auf die Notwendigkeit einer verbesserten IT-Infrastruktur oder fehlender Dokumentation hin [17, 23].
Auf operativer Ebene ermöglicht NLP die Echtzeit-Transkription und -Zusammenfassung von Meetings. Dies erlaubt es den Mitarbeitern, sich vollständig auf die Diskussion zu konzentrieren, statt kognitive Ressourcen für die Protokollierung aufzuwenden. Fortgeschrittene Implementierungen extrahieren zudem automatisch Aktionspunkte (Action Items) aus dem Gesprächsverlauf und weisen die entsprechenden Aufgaben den zuständigen Personen zu [17].

Auswirkungen auf den Scrum Master und die Teamkommuniktaion

Scrum Master

Das traditionelle Bild des Scrum Masters als reines Organisationstalent mit starkem Fokus auf Prozessdisziplin und administrativer Koordination befindet sich im größten Wandel seit der Einführung agiler Methoden. Dieser Wandel bedeutet jedoch keineswegs, dass der Scrum Master oder seine menschlichen Fähigkeiten durch künstliche Intelligenz ersetzt werden sollen. Vielmehr führt der Einsatz von KI zu einer grundlegenden Neudefinition der Rolle. Der Fokus verschiebt sich weg von operativer Prozessüberwachung hin zu einem High-Level-Coach, Mentor und Experten für das bewusste Wahrnehmen, Verstehen und Gestalten von Teamkommunikation und -dynamiken [9, 13, 28].
Diese Entwicklung ist eine direkte Reaktion auf die Realität moderner agiler Arbeitsumgebungen. Verteilte Teams, wachsende Datenmengen, steigender Zeitdruck und zunehmend erschöpfte Entwickler prägen den Alltag vieler Organisationen. Genau hier entfaltet KI ihr größtes Potenzial: Sie unterstützt Scrum Master dabei, Muster zu erkennen, Veränderungen frühzeitig wahrzunehmen und systemische Hindernisse sichtbar zu machen, mit einer Präzision und Geschwindigkeit, die manuell kaum erreichbar wäre.

Ein besonders sichtbarer Wandel zeigt sich in der Durchführung und Moderation von Scrum-Events wie Daily Scrum, Sprint Planning, Sprint Review und Retrospektive. KI-gestützte Assistenten und sogenannte Scrum Bots erstellen heute Echtzeit-Transkriptionen, generieren intelligente Zusammenfassungen, extrahieren automatisch Aktionspunkte und schlagen auf Basis der Diskussionen Aktualisierungen für Jira-Tickets oder Backlogs vor [9, 13, 27].
Dadurch wird sichergestellt, dass keine relevanten Informationen verloren gehen. Gleichzeitig kann sich das Team vollständig auf den fachlichen Austausch konzentrieren, anstatt Zeit mit Mitschriften oder administrativen Nacharbeiten zu verlieren.
Die Auswirkungen auf die Produktivität sind messbar. Technische Projektmanager bei Red Hat berichten beispielsweise, dass Teammitglieder durch KI-integrierte Projektmanagement-Umgebungen zwischen vier und sechs Stunden pro Woche einsparen [29].
Diese Zeit wurde zuvor für manuelle Statuspflege, Nachbereitung von Meetings und ineffiziente Zeremonien aufgewendet. Durch die Automatisierung dieser Aufgaben entwickelt sich der Scrum Master vom organisatorischen Koordinator hin zu einem aktiven, teilnehmenden Teammitglied und Mentor. Dadurch entsteht Raum für jene Aspekte, in denen KI an ihre Grenzen stößt: das Erkennen subtiler nonverbaler Signale, zwischenmenschlicher Spannungen und gruppendynamischer Veränderungen.
Diese Entlastung führt zu einer grundlegenden Verschiebung der inhaltlichen Schwerpunkte. Anstatt sich primär mit der “Wie-Frage” der Prozessausführung zu beschäftigen, kann sich der Scrum Master verstärkt der “Warum-Frage” widmen: Warum funktioniert ein Team gut oder schlecht? Welche systemischen Faktoren beeinflussen Leistung, Motivation und Wertschöpfung? Moderne KI-Reporting-Tools wie Tableau oder Power BI ermöglichen es, komplexe Analysen und Visualisierungen in wenigen Minuten zu erstellen – Aufgaben, die früher Stunden in Anspruch nahmen. Diese Effizienzsteigerung ist entscheidend, da der nachhaltige Erfolg agiler Arbeitsweisen maßgeblich von menschlicher Führung, Vertrauen und Zusammenarbeit abhängt – Bereiche, in denen KI strukturell schwach ist.
Während klassische agile Kennzahlen wie Velocity oder Cycle Time lange Zeit ausschließlich rückblickende Indikatoren waren, erweitert KI die Perspektive um eine prädiktive Dimension. Mithilfe von maschinellem Lernen analysieren KI-Systeme große Mengen historischer Sprint-Daten, berücksichtigen Teamzusammensetzung, Aufgabenkomplexität sowie externe Einflussfaktoren wie Urlaubszeiten oder parallele Projekte. Velocity wird dadurch nicht mehr als einfache Durchschnittsrechnung verstanden, sondern als dynamische Prognosegröße [21].

Ein KI-Tool kann beispielsweise erkennen, dass ein Team regelmäßig in der Testphase eines Sprints an Geschwindigkeit verliert. Auf dieser Basis lassen sich frühzeitig Handlungsempfehlungen ableiten, etwa die Anpassung von Schätzungen oder eine gezielte Umverteilung von Ressourcen. Die Sprint-Planung basiert dadurch stärker auf realistischen Annahmen statt auf Wunschdenken. Gleichzeitig erhält der Scrum Master ein wirksames Instrument zur Prävention von Überlastung und Burnout, da zukünftige Engpässe frühzeitig sichtbar werden.
Neben der Planung unterstützt KI den Scrum Master auch bei einer seiner zentralen Aufgaben: dem frühzeitigen Erkennen von Problemen im laufenden Sprint. KI-Systeme analysieren kontinuierlich Produktivitätsdaten, Kommunikationsmuster und Arbeitsflüsse. Warnsignale wie ein Rückgang der Aktivität, abnehmende Kommunikationsfrequenz oder Verzögerungen in Tools wie Slack oder Microsoft Teams werden oft erkannt, bevor sie in Meetings offen thematisiert werden. Diese Frühwarnsysteme ermöglichen es dem Scrum Master, gezielt einzugreifen, solange Probleme noch lösbar sind und sich nicht verfestigt haben [9].
Ein weiterer Bereich mit hohem Veränderungspotenzial ist das Backlog-Management. Traditionell zählt die Pflege und Verfeinerung des Backlogs zu den zeitaufwändigsten Aufgaben im agilen Lebenszyklus. Durch KI wandelt sich das Backlog jedoch von einer statischen Liste von Anforderungen zu einer dynamischen Insight-Engine, die sich kontinuierlich an Kundenfeedback, Marktentwicklungen und Geschäftszielen ausrichtet [3].
KI-Systeme unterstützen Product Owner und Scrum Master bei der Analyse und Präzisierung von User Stories, schlagen Story-Point-Schätzungen vor und erkennen Abhängigkeiten zwischen Aufgaben. KI kann aus einfachen Benutzereingaben klar strukturierte, teamweit verständliche Anforderungen generieren. Das reduziert Missverständnisse, minimiert Fehler und sorgt dafür, dass das Backlog jederzeit sprintbereit ist. Gleichzeitig analysiert KI Markt- und Kundenfeedback in Echtzeit und unterstützt so eine Priorisierung, die sich konsequent am tatsächlichen Mehrwert orientiert [3, 21].
Mit Blick in die Zukunft deutet sich eine weitere Entwicklungsstufe an: autonome agile Agenten. Diese KI-Systeme werden in der Lage sein, Dokumentationen mit niedriger Priorität selbstständig zu pflegen, Kundenprotokolle in umsetzbare Backlog-Einträge zu übersetzen oder weniger kritische Funktionen eigenständig zu verwalten. Dadurch wird das Scrum-Team weiter von routinemäßigen Wartungsaufgaben entlastet und kann sich auf die komplexen, kreativen und innovativen Aspekte der Produktentwicklung konzentrieren [27].

Neben Leistung und Planung rückt auch die emotionale Dimension der Teamarbeit stärker in den Fokus. KI-gestützte Stimmungsanalyse-Tools wie TeamMood oder EngageAI nutzen Natural Language Processing, um die Kommunikation in Plattformen wie Slack oder Jira auszuwerten. Sie analysieren den emotionalen Tonfall von Nachrichten und erkennen Anzeichen von Frustration, Verwirrung oder Demotivation. Diese Informationen ersetzen keine menschliche Empathie, sondern verstärken sie. Anstelle rein subjektiver Wahrnehmungen kann der Scrum Master faktenbasiert Gespräche initiieren und die systemischen Ursachen für eine veränderte Teamstimmung untersuchen [9, 18].
Auch im Coaching und in der Konfliktlösung hat sich KI als wertvolles Unterstützungsinstrument etabliert. Konversations-KI wie ChatGPT oder Gemini dient Scrum Mastern als Sparringspartner, etwa zur Simulation schwieriger Stakeholder-Gespräche, zur Vorbereitung von Retrospektiven oder zur Entwicklung neutraler Formulierungen in Konfliktsituationen. Insbesondere bei eskalierenden Konflikten kann KI helfen, strukturierte und prinzipienbasierte Handlungspläne zu entwickeln.
Indem objektive empirische Daten, etwa die Frage, ob in den letzten Sprints fertige Inkremente geliefert oder Sprint-Ziele erreicht wurden, in die Analyse einbezogen werden, unterstützt KI den Scrum Master dabei, Konflikte zu deeskalieren und den Fokus wieder auf Zusammenarbeit und gemeinsame Ziele zu lenken.

Team Kommunikation

Ein zentraler Mehrwert künstlicher Intelligenz in der Teamkommunikation liegt in ihrer Fähigkeit, die sprachliche Barriere zwischen nicht-technischen Stakeholdern und Entwicklungsteams zu überbrücken. In vielen Softwareprojekten entstehen Missverständnisse, weil fachliche Anforderungen in unstrukturierter oder mehrdeutiger Sprache formuliert werden, während Entwicklerinnen und Entwickler auf präzise, technische Spezifikationen angewiesen sind. KI-gestützte Werkzeuge fungieren hier als Übersetzer zwischen beiden Welten. Sie transkribieren Anforderungsworkshops oder Elicitation-Meetings, analysieren den gesprochenen oder geschriebenen Inhalt und überführen diesen automatisiert in strukturierte Artefakte wie User Stories oder Akzeptanzkriterien. Dadurch wird der manuelle Aufwand für Mitschriften reduziert und gleichzeitig sichergestellt, dass die fachliche Intention konsistent und nachvollziehbar an das Entwicklungsteam kommuniziert wird [1, 8].

Über die reine Textverarbeitung hinaus unterstützt KI auch visuelle Formen der Kommunikation. In der Design- und Konzeptionsphase ermöglichen generative KI-Systeme die schnelle Erstellung visueller Prototypen auf Basis kurzer textueller Beschreibungen. Anstelle wochenlanger Abstimmungsprozesse können Teams innerhalb weniger Minuten klickbare Mock-ups oder Designvorschläge erzeugen. Diese Form der “generativen Prototypisierung” erleichtert die frühzeitige Validierung durch Stakeholder und reduziert Feedbackschleifen, da alle Beteiligten frühzeitig ein gemeinsames visuelles Verständnis des angestrebten Ergebnisses entwickeln [4, 26].

Ein weiterer wichtiger Beitrag von KI zur Teamkommunikation besteht in der Reduktion von Kommunikationsrauschen und kognitiver Überlastung. In agilen, digital vernetzten Teams entstehen täglich große Mengen an Nachrichten, Dokumenten und Diskussionssträngen. KI-Funktionen in Plattformen wie Slack oder Confluence fassen lange Konversationen, ungelesene Kanäle oder umfangreiche Dokumente automatisch zusammen. Teammitglieder können dadurch nach Abwesenheiten schnell wieder Anschluss finden, ohne jede einzelne Nachricht lesen zu müssen. Die Trennung von relevanten Informationen und nebensächlichem Austausch reduziert kognitive Belastung und unterstützt eine fokussierte Zusammenarbeit [16].
Ergänzend dazu übernehmen KI-Systeme eine Art kommunikative Vorfilterung. Durch die Analyse von Inhalt, Intention und Tonfall von Nachrichten können sie unterscheiden, ob es sich beispielsweise um eine Fehlermeldung, eine fachliche Frage oder einen Feature-Vorschlag handelt. Diese Informationen werden automatisch an die passenden Systeme weitergeleitet, etwa an Jira oder andere Tracking-Tools. Auf diese Weise verkürzt sich der Weg von informeller Kommunikation hin zu strukturierten Arbeitseinheiten, und wichtige Anliegen gehen nicht im Chatverlauf verloren [3, 10].

Darüber hinaus trägt KI zur Standardisierung technischer Kommunikation bei. Insbesondere im Softwareentwicklungsprozess wird Kommunikation häufig von subjektiven Einschätzungen und individuellen Ausdrucksweisen geprägt. KI-gestützte Werkzeuge können diesen Effekt reduzieren, indem sie kontextreiche, einheitliche Beschreibungen für technische Änderungen erzeugen. So erstellen Tools wie Graphite oder Google Gemini automatisch umfassende Pull-Request-Beschreibungen, die erläutern, was geändert wurde und aus welchem Grund. Code-Reviewer erhalten dadurch konsistenten Kontext, ohne dass Entwicklerinnen und Entwickler umfangreiche manuelle Erläuterungen verfassen müssen [21, 27].

Gleichzeitig verlagert sich der Fokus menschlicher Kommunikation auf höherwertige Inhalte. Da KI automatisiert Rückmeldungen zu formalen Aspekten wie Code-Stil, Syntax oder einfachen Regelverstößen liefert, können sich menschliche Reviews stärker auf architektonische Entscheidungen, fachliche Logik und Mentoring konzentrieren. Die technische Kommunikation wird dadurch weniger von Detaildiskussionen geprägt und gewinnt an inhaltlicher Tiefe [8, 21].
Insgesamt zeigt sich, dass KI in der Teamkommunikation nicht nur Effizienzgewinne ermöglicht [21], sondern auch die Qualität des Austauschs verbessert [8]. Sie schafft gemeinsame Verständigungsgrundlagen, reduziert Überlastung und unterstützt eine Verschiebung hin zu wertschöpfender, kontextreicher Kommunikation – sowohl zwischen Menschen als auch zwischen Mensch und System [10].

Limitationen und ethische Einschränkungen

Scrum Master

Scrum-Agents, wie sogenannte Scrum-Bots, erzielen in Prototyp-Umgebungen bereits sehr überzeugende Ergebnisse. Die vollständige Autonomie in den vielfältigen organisatorischen Aspekten realer Projekte stellt jedoch weiterhin eine große Herausforderung dar. In der praktischen Anwendung benötigen derartige Systeme in der Regel umfangreiche unternehmensspezifische Daten, um eine zuverlässige Funktionsweise zu gewährleisten. Darüber hinaus treten bei der Sentiment-Analyse und der Interpretation von Intentionen noch Fehler auf. Daher ist eine menschliche Aufsicht weiterhin unerlässlich, insbesondere in zwischenmenschlichen Kontexten sowie bei kritischen Entscheidungsprozessen [6].

Spezielle Agents

Bei dem Scrum Agent Sally konnten wir selber durch die Durchführung von Tests einige Limitationen feststellen, diese lassen sich grundlegend in 3 Unterkategorien gliedern:

Mangel an sozio-emotionaler Kompetenz und Kontextsensitivität

Sally verfügt über keine intrinsische Fähigkeit zur sozialen Kognition. Dies manifestiert sich in der Unfähigkeit, emotionale Zustände der Teammitglieder zu detektieren, nonverbale Signale (wie Mimik oder Tonfall) zu lesen oder subtile Nuancen (“Subtext”) in der Kommunikation zu interpretieren. Infolgedessen ist Sally nicht in der Lage, interpersonelle Konflikte durch Deeskalation zu lösen oder empathisch auf soziale Gruppendynamiken, die Team-Motivation oder die implizite Unternehmenskultur einzugehen.

Defizite in der adaptiven Diskursmoderation

In den dynamischen Kommunikationssituationen typischer Scrum-Events (z. B. Daily Stand-up oder Retrospektive) zeigt Sally Grenzen in der flexiblen Prozesssteuerung. Sally fehlt die Kompetenz, bei thematischen Abschweifungen spontan und moderierend einzugreifen oder auf unstrukturierte Redebeiträge inhaltlich sinnvoll einzugehen. Eine situationsabhängige, ad-hoc Neubeurteilung von Prioritäten auf Basis sich wandelnder Kontextvariablen ist systemseitig nicht abbildbar.

Abwesenheit exekutiver Autonomie und Führungsautorität

Hinsichtlich der agilen Führungsverantwortung (Servant Leadership) agiert Sally rein reaktiv. Der Bot besitzt weder die Befugnis noch die kognitive Kapazität, um autonom operative Entscheidungen zu treffen, Risiken realitätsnah zu bewerten oder prozessuale Hindernisse (Impediments) selbstständig zu beseitigen. Ferner fehlt dem Bot die nötige Autorität, um Priorisierungen innerhalb des Teams durchzusetzen, sowie die pädagogische Kompetenz, um durch aktives Coaching oder gezielte Einflussnahme das Teamverhalten nachhaltig zu entwickeln.

Teamkommunikation

Der Einfluss von KI auf die Teamkommunikation äußert sich zunächst in einer signifikanten Veränderung der Interaktionsfrequenz. Teams, die KI nutzen, kommunizieren nachweislich weniger miteinander als rein menschliche Teams. Dies manifestiert sich in einem geringeren Engagement bei der gemeinsamen Aufgabenplanung sowie einer zunehmenden Passivität der menschlichen Akteure. Ergänzend wird in der Literatur ein Rückgang der nonverbalen Kommunikation beobachtet, was auf eine Verarmung der zwischenmenschlichen Signale hindeutet [30].

Die beobachteten Defizite werden häufig mit dem Fehlen menschlicher Eigenschaften der KI begründet. Da das System nicht intuitiv wie ein menschlicher Partner reagiert, ist die Bereitschaft der Nutzenden zur Interaktion oft gehemmt. Ein weiterer Faktor ist die Erwartungshaltung der Nutzenden: Da Menschen häufig von einer begrenzten Leistungsfähigkeit der KI ausgehen, liefern sie proaktiv nur reduzierten Input. Dies führt zu einem eingeschränkten Output der KI und bestätigt zirkulär die niedrigen Erwartungen. Die Substitution von Mensch-zu-Mensch-Interaktion durch diese limitierten Mensch-Maschine-Interaktionen senkt das gesamte Kommunikationsvolumen des Teams.
Kommunikation ist essenziell für die kognitive Qualität eines Teams (Team Cognition). Sie bildet die Basis für geteilte mentale Modelle, ein gemeinsames Situationsbewusstsein sowie das Verständnis für individuelle Zuständigkeiten und kollektive Ziele [31]. Durch die verringerte Interaktionsdichte fehlen notwendige Gelegenheiten zum Vertrauensaufbau. Da der allgemeine Austausch limitiert ist, wird die Entstehung sozialer Kohäsion und gegenseitigen Verständnisses nachhaltig erschwert [19,24].
Insbesondere die KI-gestützte Sentiment-Analyse bewegt sich in einem Spannungsfeld zwischen proaktiver Fürsorge und potenzieller Überwachung, was die psychologische Sicherheit im Team gefährden kann [27]. Zudem wirft die automatisierte Glättung von Kommunikation Fragen zur Authentizität menschlicher Interaktion auf [7, 31].

Die beschriebenen negativen Effekte sind jedoch nicht unveränderlich. [30, 31] belegen, dass gezielte Trainingsmaßnahmen der Teammitglieder diesen Tendenzen effektiv entgegenwirken können. Zudem weisen KI-unterstützte Teams häufig eine effizientere Koordination auf als Vergleichsgruppen ohne KI [10, 21].
Ein kritischer Mangel in der Forschungsliteratur bleibt jedoch die teils unscharfe Trennung der Konstrukte: Oft wird nicht klar zwischen Kommunikation und Koordination unterschieden, ebenso wenig wie zwischen der Interaktion mit der KI und der Interaktion unter den menschlichen Teammitgliedern [7, 31]. Ungeachtet dieser methodischen Unschärfen bestätigen zahlreiche Studien signifikante Leistungsunterschiede zwischen Teams mit und ohne KI-Unterstützung [12, 24].

Fazit

Die Untersuchung zeigt, dass KI-Systeme den Scrum Master von einfachen und sich wiederholenden Aufgaben entlasten. Durch Automatisierungen werden Meeting-Protokolle, die Backlog-Pflege und datengetriebene Prognosen immer wichtiger. Dadurch ändert sich die Rolle vom operativen “Prozess-Wächter” zum strategischen “Team-Coach”. Die gewonnene Zeit ermöglicht eine Rückbesinnung auf die ursprünglichen Werte des Agilen Manifests: Menschen und ihre Beziehungen sind wieder wichtiger.
KI kann dabei helfen, dass man sich besser versteht und mehr Informationen hat. Sie hilft, die Unterschiede zwischen technischen und fachlichen Stakeholdern durch Übersetzungen zu überbrücken und macht durch Sentiment-Analysen verborgene soziale Dynamiken sichtbar. Aber es gibt klare Grenzen, was ethisch richtig ist. Wie besprochen, hat die automatische Analyse des Verhaltens von Menschen zwei Seiten: Sie kann helfen, Burnout zu verhindern, aber auch überwachen. Die Gefahr, dass Mitarbeitende nicht mehr privat sind und es zu Problemen kommt, kann nur durch eine starke Vertrauenskultur und klare Regeln vermieden werden.
KI macht den Scrum Master nicht überflüssig, sondern seine Arbeit wird wichtiger. Die Kompetenz verschiebt sich von der Durchführung von Plänen hin zur Führung mit Verständnis und zur Deutung von Daten, die durch KI entstanden sind. Die Zukunft der Teams liegt in einer Mischung aus künstlicher und menschlicher Intelligenz. Die künstliche Intelligenz übernimmt die Automatisierung und Quantifizierung des Alltäglichen. So kann die menschliche Intelligenz die Zusammenarbeit verbessern.

[1] Mateen Ahmed Abbasi u. a. ”Towards Human-AI Synergy in Requirements Engineering: A Framework and Preliminary Study“. In: arXiv (Cornell University) (28. Okt. 2025). DOI: 10.48550/arxiv.2510.25016. URL: https://doi.org/10.48550/arxiv.2510.25016.
[2] Zorina Alliata, Tanvi Singhal und Andreea-Madalina Bozagiu. The AI Scrum Master: Using Large Language models (LLMs) to automate agile project management tasks. 1. Jan. 2025, S. 110–122. DOI: 10.1007/978-3-031-72781-8 12. URL: https://doi.org/10.1007/978-3-031-72781-8 12.
[3] Upasana Ameta, Mayank Patel und Narendra Singh Rathore. ”Fusing Artificial Intelligence with Scrum Framework“. In: Research Square (Research Square) (12. Apr. 2023). DOI: 10.21203/rs.3.rs- 2792543/v1. URL: http://dx.doi.org/10.21203/rs.3.rs-2792543/v1.
[4] Volker Bilgram und Felix Laarmann. ”Accelerating Innovation With Generative AI: AI-Augmented Digital Prototyping and Innovation Methods“. In: IEEE Engineering Management Review 51.2 (2023), S. 18–25. DOI: 10.1109/EMR.2023.3272799.
[5] Tom B. Brown u. a. Language Models are Few-Shot Learners. 28. Mai 2020. URL: https ://arxiv.org/abs/2005.14165.
[6] Jay Busireddy. ”Scrumbot: An Autonomous Avatar-based Scrum Master for agile teams“. In: Zenodo (CERN European Organization for Nuclear Research) (2. Juli 2025). DOI: 10.5281/zenodo.16226034. URL: https://doi.org/10.5281/zenodo.16226034.
[7] Na Chen und Xinyue Zhang. ”When misunderstanding meets artificial intelligence: the critical role of trust in human–AI and human–human team communication and performance“. In: Frontiers in Psychology 16 (23. Okt. 2025), S. 1637339. DOI: 10.3389/fpsyg.2025.1637339. URL: https://doi.org/10.3389/fpsyg.2025.1637339.
[8] Vikas S. Chomal u. a. ”AI-Driven Software Requirements Elicitation: A Novel approach“. In: Madhya Pradesh Journal of Social Sciences 28.2 (2023), S. 44–45.
[9] Juan Couder und Omar Ochoa. Large language models, the new scrum masters. 1. Jan. 2024. URL: https://commons.erau.edu/red-papers/2/.
[10] Malik Abdul Sami u. a. AI based Multiagent Approach for Requirements Elicitation and Analysis. 18. Aug. URL: https://arxiv.org/abs/2409.00038.
[11] Mathias Ellmann. ”Effektive Kommunikation in Scrum und der agilen Softwareentwicklung“. In: Informatik-Spektrum 45.3 (17. Mai 2022), S. 171–182. DOI: 10.1007/s00287- 022- 01458- z. URL: https://doi.org/10.1007/s00287-022-01458-z.
[12] Andreas Fuuml;gener u. a. ”Collaboration and Delegation between Humans and AI: An Experimental Investigation of the Future of Work“. In: SSRN Electronic Journal (1. Jan. 2019). DOI: 10.2139/ssrn.3368813. URL: https://doi.org/10.2139/ssrn.3368813.
[13] Ifrah Ikram u. a. ”Human-AI Collaboration: Enhancing Creativity and Productivity in the Digital Age“. In: Baltic Journal of Multidisciplinary Research – BJMR (2025), S. 1–6.
[14] Alexander Kaack und Department Informatik Hochschule für Angewandte Wissenschaften Hamburg. Methodische Entwicklung zur konzeptionellen Erfassung einer Softwarelösung für Scrum Master. 2015.
[15] Yamac¸ Kaya und Recep Suha Selcuk. ”ASSESSING a FINE-TUNED SCRUM AI AGENT: ACCURACY, UTILITY, AND EXPERT VALIDATION“. In: International Journal of Professional Business Review 10.4 (10. Apr. 2025), e05426. DOI: 10.26668/businessreview/2025.v10i4.5426.URL: https://doi.org/10.26668/businessreview/2025.v10i4.5426.
[16] Hao-Ping (Hank) Lee u. a. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort. 2025, S. 23–. URL: https://www.microsoft.com/en- us/research/uploads/prod/2025/01/lee_2025_ai_critical_thinking_survey.pdf.
[17] Pushpalatha M u. a. ”Leveraging Natural Language Processing for Strategic Insights in Business Process Reengineering“. In: Frontiers in Psychology (28. Nov. 2025), S. 1–6. DOI: 10.1109/iccca66364.2025.11325196. URL: https://doi.org/10.1109/iccca66364.2025.11325196.
[18] Lodovica Marchesi u. a., Hrsg. XP 2024 workshops. URL: https://doi.org/10.1007/978-3-031-72781-8.
[19] Nathan J. McNeese u. a. Who/What is My Teammate? Team Composition Considerations in Human-AI Teaming. 23. Mai 2021. URL: https://arxiv.org/abs/2105.11000
[20] Metr. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. 10. Juli URL: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/.
[21] Denis Pashchenko. ”Excellence practices in scrum paradigm in software development“. In: Journal of Data Science and Intelligent Systems 3.2 (12. Sep. 2024), S. 79–86. DOI: 10.47852/bonviewjdsis42023645. URL: https://doi.org/10.47852/bonviewjdsis42023645.
[22] Fabio Petroni u. a. ”Language models as knowledge bases?“ In: arXiv (Cornell University) (3. Sep. 2019). DOI: 10.48550/arxiv.1909.01066. URL: http://arxiv.org/abs/1909.01066.
[23] Ajay Ruhela. How NLP Detects Hidden Employee Sentiment Patterns: A Technical Guide. 25. Juli 2025. URL:
https://www.infeedo.ai/blog/nlp-employee-sentiment-analysis-guide
[24] Beau G. Schelble u. a. ”Let’s Think Together! Assessing Shared Mental Models, Performance, and Trust in Human-Agent Teams“. In: Proceedings of the ACM on Human-Computer Interaction 6.GROUP (14. Jan. 2022), S. 1–29. DOI: 10.1145/3492832. URL: https ://doi.org/10.1145/3492832.
[25] Ken Schwaber und Jeff Sutherland. URL: https://scrumguides.org/scrum-guide.html.
[26] Hariharan Subramonyam, Colleen Seifert und Eytan Adar. ”ProtoAI: Model-Informed Prototyping for AI-Powered Interfaces“. In: IUI ’21: Proceedings of the 26th International Conference on Intelligent User Interfaces (14. Apr. 2021), S. 48–58. DOI: 10.1145/3397481. URL:https://doi.org/10.1145/3397481.3450640.
[27] Heidrich Vicci. ”The Impact of Artificial Intelligence on Project Managers and Scrum Masters: A Review and Evaluation Study“. In: SSRN Electronic Journal (1. Jan. 2024). DOI: 10.2139/ssrn.5049345. URL: https://doi.org/10.2139/ssrn.5049345.
[28] Sheila Simsarian Webber u. a. ”Team challenges: Is artificial intelligence the solution?“ In: Business Horizons 62.6 (21. Sep. 2019), S. 741–750. DOI: 10.1016/j.bushor.2019.07.007. URL: https://doi.org/10.1016/j.bushor.2019.07.007.
[29] Les Yeamans. Red Hat Summit report: AI takes center stage. 30. Mai 2023. URL: https://www.rtinsights.com/red-hat-summit-report-ai-takes-center-stage/.
[30] Désirée Zercher, Ekaterina Jussupow und Armin Heinzl. When AI joins the Team: A Literature Review on Intragroup Processes and their Effect on Team Performance in Team-AI Collaboration. URL: https://aisel.aisnet.org/ecis2023 rp/307/utm_source=aisel.aisnet.org%2Fecis2023rp%2F307&utm_medium=PDF&utmcampaign=PDFCoverPages.
[31] Rui Zhang u. a. ”An ideal human“. In: Proceedings of the ACM on Human-Computer Interaction 4.CSCW3 (5. Jan. 2021), S. 1–25. DOI: 10.1145/3432945. URL: https://doi.org/10.1145/3432945.