{"id":28461,"date":"2026-02-20T16:15:28","date_gmt":"2026-02-20T15:15:28","guid":{"rendered":"https:\/\/blog.mi.hdm-stuttgart.de\/?p=28461"},"modified":"2026-02-20T16:19:32","modified_gmt":"2026-02-20T15:19:32","slug":"das-alltagliche-automatisieren-das-menschliche-perfektionieren-die-transformation-des-scrum-masters-und-der-team-kommunikation-im-ki-gestutzten-agilen-umfeld","status":"publish","type":"post","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/20\/das-alltagliche-automatisieren-das-menschliche-perfektionieren-die-transformation-des-scrum-masters-und-der-team-kommunikation-im-ki-gestutzten-agilen-umfeld\/","title":{"rendered":"Das Allt\u00e4gliche automatisieren, das Menschliche perfektionieren: Die Transformation des Scrum-Masters und der Team-Kommunikation im KI-gest\u00fctzten agilen Umfeld"},"content":{"rendered":"\n

Abstract<\/strong><\/p>\n\n\n\n

Die zunehmende Nutzung von KI in der Softwareentwicklung ver\u00e4ndert grundlegend die bew\u00e4hrten 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 ver\u00e4ndern. Die Analyse ergibt, dass ein zunehmender Anteil der Verwaltungsaufgaben automatisiert ausgef\u00fchrt wird. Infolgedessen unterliegt die Aufgabe des Scrum Masters einer Ver\u00e4nderung. Er wird immer mehr zum strategischen Coach und zur unterst\u00fctzenden Vermittler. Dar\u00fcber hinaus wird demonstriert, wie Natural Language Processing (NLP) durch Sentiment-Analysen und die \u00dcbersetzung von fachlichen Anforderungen in technische Spezifikationen die Teamdynamik transparenter macht. Gegenw\u00e4rtig wird in Fachkreisen diskutiert, wo die ethischen Grenzen liegen. Eine besondere Fragestellung ist, ob die \u00dcberwachung von Mitarbeitenden mittels Algorithmen zul\u00e4ssig ist, um einem Burnout vorzubeugen. Gem\u00e4\u00df der vorliegenden Arbeit ist ein Ersatz des Scrum Masters durch KI nicht m\u00f6glich. F\u00fcr eine erfolgreiche Umsetzung ist eine Kombination aus technologischem Wissen und der F\u00e4higkeit zur Empathie erforderlich.<\/p>\n\n\n\n

Einleitung<\/p>\n\n\n\n

Die zunehmende Integration k\u00fcnstlicher Intelligenz in Arbeitsprozesse ver\u00e4ndert gegenw\u00e4rtig die Art und Weise der Planung, Umsetzung und Koordination von Softwareprojekten. Insbesondere im Kontext agiler Softwareentwicklung ergeben sich neue M\u00f6glichkeiten, organisatorische, analytische und kommunikative Aufgaben durch den Einsatz von KI-Systemen zu unterst\u00fctzen oder teilweise zu automatisieren. Agile Methoden wie Scrum waren urspr\u00fcnglich darauf ausgerichtet, Transparenz, Selbstorganisation und kontinuierliche Verbesserung in Teams zu f\u00f6rdern. Der Einsatz intelligenter Werkzeuge f\u00fchrt jedoch zu einer erneuten Transformation dieser Arbeitsweisen.<\/p>\n\n\n\n

Im Rahmen des Scrum-Frameworks nimmt der Scrum Master eine zentrale Rolle ein, die insbesondere durch die Aus\u00fcbung der Funktionen eines Prozessbegleiters und Kommunikationsmoderators charakterisiert ist. Gleichzeitig resultieren steigende Projektkomplexit\u00e4t und digitale Kollaborationsumgebungen in einem wachsenden organisatorischen Aufwand f\u00fcr diese Position. Parallel dazu er\u00f6ffnen KI-basierte Werkzeuge neue M\u00f6glichkeiten zur Automatisierung administrativer Aufgaben sowie zur Unterst\u00fctzung von Teamkommunikation und Projektkoordination.<\/p>\n\n\n\n

Die vorliegende Arbeit hat die Intention, den Einsatz k\u00fcnstlicher 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 Ans\u00e4tze, Werkzeuge und Forschungsrichtungen betrachtet, um ein strukturiertes Verst\u00e4ndnis der m\u00f6glichen Ver\u00e4nderungen durch KI-gest\u00fctzte Unterst\u00fctzungssysteme zu entwickeln.<\/p>\n\n\n\n

Grundlagen<\/p>\n\n\n\n

Scrum Framework<\/p>\n\n\n\n

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 erh\u00f6hen, die Zusammenarbeit im Team zu f\u00f6rdern und unn\u00f6tige Ressourcenbindung zu minimieren. Dar\u00fcber hinaus tragen sie zur Erh\u00f6hung der Transparenz innerhalb des Projekts bei und erm\u00f6glichen eine fr\u00fchzeitige Auslieferung von funktionsf\u00e4higen Produktinkrementen, die kontinuierlich verbessert werden k\u00f6nnen.<\/p>\n\n\n\n

Scrum Prozess<\/strong><\/p>\n\n\n\n

Scrum organisiert die Arbeit in sogenannten “Sprints”. Ein Sprint bezeichnet dabei eine Iteration mit konstanter L\u00e4nge, die typischerweise zwei bis vier Wochen betr\u00e4gt. Die Planung, \u00dcberpr\u00fcfung 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 haupts\u00e4chlich \u00fcber die folgenden strukturierten Meetings und Werkzeuge. Die als Scrum bezeichneten Ereignisse konstituieren die zentralen Kommunikationspunkte innerhalb eines Sprints. Der Prozess des “Sprint Planning” f\u00f6rdert 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 f\u00fcr den kommenden Sprint ausgew\u00e4hlt 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 t\u00e4gliche Zusammenkunft des Teams erstreckt sich \u00fcber einen Zeitraum von 15 Minuten. Im Rahmen dessen erfolgt ein Austausch \u00fcber den aktuellen Stand der Dinge, anstehende Aufgaben sowie potenzielle Hindernisse.

Im Sprint Review, welches am Ende eines Sprints stattfindet, pr\u00e4sentiert das Team die erzielten Ergebnisse den Stakeholdern. Das Feedback wird anschlie\u00dfend 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 Ma\u00dfnahmen zur Verbesserung.
Die Planung und Priorisierung der Arbeit erfolgt in Scrum \u00fcber Backlogs, die als zentrale Informationsquelle dienen.
Der Produkt-Backlog beinhaltet eine priorisierte Auflistung aller gew\u00fcnschten Funktionen, Anforderungen und Verbesserungen.
Das Sprint-Backlog umfasst die Aufgaben, die f\u00fcr den aktuellen Sprint ausgew\u00e4hlt wurden. Diese stammen aus dem priorisierten Bereich des Produkt-Backlogs und bilden die Grundlage f\u00fcr die t\u00e4gliche Arbeit des Teams.<\/p>\n\n\n\n

Aufgaben des Scrum Masters<\/strong><\/p>\n\n\n\n

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 F\u00f6rderung der Zusammenarbeit und der Sicherstellung der Umsetzung der Scrum-Prinzipien im Arbeitsalltag. Er agiert flexibel und offen gegen\u00fcber kontinuierlichen Verbesserungen der Arbeitsabl\u00e4ufe. Eine klare und transparente Kommunikation ist f\u00fcr diese Rolle von essenzieller Bedeutung, da sie gew\u00e4hrleistet, dass alle Teammitglieder sowie Stakeholder jederzeit \u00fcber den Projektstatus, die Ziele und bestehende Herausforderungen informiert sind.

Die Kernverantwortlichkeiten eines Scrum Masters fokussieren sich auf die Optimierung der Effizienz und m\u00f6glichst st\u00f6rungsfreien Gestaltung von Entwicklungsprozessen. Ein wesentlicher Aspekt seiner T\u00e4tigkeit besteht in der Moderation von Scrum-Events wie Daily Scrums, Sprint Reviews und Retrospektiven, wobei er je nach Bedarf eine leitende oder unterst\u00fctzende Funktion \u00fcbernimmt. Dar\u00fcber hinaus gew\u00e4hrleistet es den Schutz des Teams vor \u00dcberlastung, etwa w\u00e4hrend 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 Verst\u00e4ndnis und klare Priorit\u00e4ten sicherzustellen.
Ein weiterer Schwerpunkt liegt in der Identifikation und Beseitigung interner sowie externer Hindernisse, um einen kontinuierlichen Arbeitsfluss zu gew\u00e4hrleisten. In seiner Funktion als Prozess-Coach f\u00f6rdert der Scrum Master agiles Denken und begleitet das Team bei der kontinuierlichen Verbesserung seiner Arbeitsweisen. Gleichzeitig sorgt er f\u00fcr Transparenz, indem er den Fortschritt beispielsweise mithilfe von Burndown-Charts oder anderen agilen Kennzahlen beobachtet und potenzielle Engp\u00e4sse fr\u00fchzeitig erkennt.
In Phasen erh\u00f6hter Belastung \u00fcbernimmt der Scrum Master zudem unterst\u00fctzende und organisatorische T\u00e4tigkeiten, mit dem Ziel, das Team zu entlasten. Ein besonderes Augenmerk liegt auf der F\u00f6rderung der Selbstorganisation und Eigenverantwortung des Teams. Die daraus resultierende Wirkung besteht in der Verhinderung einer ungleichm\u00e4\u00dfigen Verteilung der Arbeitslast, der Pr\u00e4vention von \u00dcberarbeitung einzelner Personen bei gleichzeitiger Unterst\u00fctzung anderer sowie der Vorbeugung der Bildung von Wissensinseln [25].<\/p>\n\n\n\n

Team Kommunikation<\/p>\n\n\n\n

In der agilen Teamarbeit ergeben sich diverse Herausforderungen in der Kommunikation, die den Projekterfolg erheblich beeinflussen k\u00f6nnen. Unklare Rollen und Verantwortlichkeiten sind ein wesentlicher Faktor f\u00fcr die Entstehung von Missverst\u00e4ndnissen und Unsicherheiten innerhalb des Scrum-Teams. Eine unzureichende Definition der Zust\u00e4ndigkeiten kann sich nachteilig auf die gezielte und effiziente Kommunikation auswirken, da in diesem Fall die Verantwortlichkeiten nicht eindeutig gekl\u00e4rt sind. Ein weiteres Hindernis f\u00fcr eine effektive Zusammenarbeit ist ein unzureichendes Verst\u00e4ndnis der agilen Methoden. Die mangelnde Erfahrung mit agilen Prinzipien und Begriffen kann zu unterschiedlichen Erwartungen und Fehlinterpretationen im Kommunikationsverhalten f\u00fchren. Die Implementierung von Schulungen sowie einer einheitlichen Terminologie kann an dieser Stelle als Fundament f\u00fcr einen gemeinsamen Wissensstand betrachtet werden [11].

Insbesondere in internationalen oder stark hierarchisch gepr\u00e4gten Teams k\u00f6nnen kulturelle und sprachliche Barrieren den offenen Austausch beeintr\u00e4chtigen. Um ein gegenseitiges Verst\u00e4ndnis zu f\u00f6rdern, ist es unerl\u00e4sslich, kulturelle Vielfalt sowie unterschiedliche Kommunikationsstile, Werte und Sprachkenntnisse bewusst zu thematisieren und klare Kommunikationsregeln zu etablieren. Zudem k\u00f6nnen sowohl eine Informationsflut als auch fehlende oder unvollst\u00e4ndige Dokumentation problematisch sein. Ein \u00dcberma\u00df an Informationen erschwert den \u00dcberblick, w\u00e4hrend Dokumentationsl\u00fccken zu Unsicherheiten f\u00fchren. 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, Priorit\u00e4ten und Ziele. Werden diese Informationen unvollst\u00e4ndig oder widerspr\u00fcchlich kommuniziert, fehlt dem Team eine gemeinsame Orientierung. Transparente Kommunikation f\u00f6rdert demgegen\u00fcber das Vertrauen und unterst\u00fctzt eine klare Zielausrichtung. Auch technische Limitierungen k\u00f6nnen sich signifikant auf den Informationsaustausch auswirken. So k\u00f6nnen ungeeignete oder nicht konsequent genutzte Kommunikationstools zu erheblichen Beeintr\u00e4chtigungen f\u00fchren. Eine ad\u00e4quate technische Infrastruktur sowie klar definierte Kommunikationskan\u00e4le sind daher von entscheidender Relevanz f\u00fcr reibungslose Abl\u00e4ufe [11].

Dar\u00fcber hinaus kann ein hoher Zeitaufwand durch eine \u00fcberm\u00e4\u00dfige 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 Effektivit\u00e4t. Konflikte und unausgesprochene Spannungen stellen eine signifikante Herausforderung dar. Subtile Anzeichen wie Entscheidungsblockaden, der R\u00fcckzug einzelner Teammitglieder, passiv-aggressive Kommunikation oder mangelnde Beteiligung hemmen Offenheit und Zusammenarbeit. Erg\u00e4nzend dazu bergen eine ungleich verteilte Arbeitslast sowie Wissenssilos erhebliche Risiken, da \u00dcberlastung einzelner Personen und konzentriertes Wissen die Produktivit\u00e4t, Qualit\u00e4t und langfristige Teamstabilit\u00e4t gef\u00e4hrden [11].<\/p>\n\n\n\n

Herausforderungen<\/p>\n\n\n\n

Administrativer Overload<\/p>\n\n\n\n

Ein zentraler Aspekt, der in der Rolle des Scrum Masters ber\u00fccksichtigt werden muss, ist der zunehmende administrative Overload. Neben seinen Kernaufgaben als Coach und Prozessbegleiter \u00fcbernimmt der Scrum Master h\u00e4ufig zus\u00e4tzliche T\u00e4tigkeiten, wie beispielsweise die Erstellung von Berichten, die Pflege agiler Tools, die Terminorganisation oder Abstimmungen mit dem Management und Stakeholdern. Mit steigender Projektkomplexit\u00e4t ist eine Zunahme administrativer Aufgaben zu verzeichnen, wodurch der zeitliche Fokus auf Aspekte wie Coaching, Teamentwicklung und die F\u00f6rderung agiler Prinzipien reduziert wird. Dies kann dazu f\u00fchren, dass der Scrum Master st\u00e4rker als organisatorische Schnittstelle wahrgenommen wird, w\u00e4hrend seine eigentliche Rolle als Bef\u00e4higer f\u00fcr Selbstorganisation und kontinuierliche Verbesserung in den Hintergrund tritt [14].<\/p>\n\n\n\n

Kommunikation<\/p>\n\n\n\n

Obwohl die Scrum-Events klar definiert sind, stellt die Kommunikation einen der gr\u00f6\u00dften Herausforderungen in agilen Teams dar. Eine effektive Kommunikation wird durch unterschiedliche Erwartungshaltungen, unklare Informationswege oder eine \u00dcberlastung durch zu viele Kommunikationskan\u00e4le erschwert. Die Herausforderung besteht in der Gew\u00e4hrleistung einer ausgewogenen Kommunikation, die sowohl Transparenz als auch die Vermeidung von \u00dcberkommunikation umfasst, um Informationsverlust oder Desinteresse zu vermeiden. Zudem k\u00f6nnen Missverst\u00e4ndnisse zwischen den verschiedenen Akteuren auftreten, beispielsweise zwischen Product Owner, Entwicklungsteam und Stakeholdern. Diese entstehen durch unpr\u00e4zise 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].<\/p>\n\n\n\n

Konflikterkennung<\/p>\n\n\n\n

Die fr\u00fchzeitige Erkennung von Konflikten ist eine anspruchsvolle, aber entscheidende Aufgabe des Scrum Masters. In agilen Kontexten \u00e4u\u00dfern sich Konflikte nicht offen, sondern in subtilen Verhaltensweisen wie Entscheidungsverz\u00f6gerungen, R\u00fcckzug einzelner Teammitglieder, sinkender Beteiligung oder passiv-aggressiver Kommunikation. Zeitdruck, ein ausgepr\u00e4gtes Harmoniebed\u00fcrfnis oder fehlende psychologische Sicherheit im Team sind Faktoren, die dazu f\u00fchren, dass Spannungen lange unausgesprochen bleiben. Werden diese Konflikte nicht rechtzeitig erkannt und adressiert, k\u00f6nnen sie die Zusammenarbeit, die Teamdynamik und letztlich die Produktivit\u00e4t erheblich beeintr\u00e4chtigen [14].<\/p>\n\n\n\n

Planung<\/p>\n\n\n\n

Ein wiederkehrender Aspekt, der als problematisch empfunden wird, ist die Planung von Sprints und Releases. Eine verl\u00e4ssliche Planung wird durch eine Vielzahl von Faktoren erschwert, darunter unrealistische Zielsetzungen, externe Einfl\u00fcsse durch Stakeholder oder Management sowie unklare oder schlecht priorisierte Product Backlogs. Zus\u00e4tzlich resultieren Abh\u00e4ngigkeiten zu anderen Teams oder technischen Komponenten h\u00e4ufig 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 Flexibilit\u00e4t einzunehmen. Zudem ist es seine Aufgabe, das Team vor einer zu starken Orientierung an kurzfristigen Vorgaben zu bewahren, da diese langfristig \u00dcberlastung oder Qualit\u00e4tsverlust verursachen k\u00f6nnen [14].<\/p>\n\n\n\n

KI-L\u00f6sungen f\u00fcr Scrum Masters und Teamkommunikation<\/p>\n\n\n\n

Im Kontext agiler Softwareentwicklung k\u00f6nnen zahlreiche Aufgaben des Scrum Masters durch den Einsatz k\u00fcnstlicher Intelligenz automatisiert oder zumindest stark unterst\u00fctzt werden. Besonders im Bereich der Meeting-Organisation \u00fcbernehmen sogenannte Scrum Agents zentrale Funktionen. Sie sind in der Lage, Daily Scrums selbst\u00e4ndig zu starten und zu beenden, die Teilnahme der Teammitglieder zu erfassen sowie Status-Updates \u00fcber verschiedene Kommunikationskan\u00e4le wie Chat, Audio oder Video zu sammeln. Die gesammelten Informationen werden strukturiert aufbereitet, zusammengefasst und anschlie\u00dfend als Protokolle oder Berichte per E-Mail an das Team versendet. Auch Retrospektiven lassen sich durch KI unterst\u00fctzen, indem Sprint-Ergebnisse analysiert, St\u00e4rken und Schw\u00e4chen identifiziert sowie potenzielle Blockaden oder Risiken systematisch herausgearbeitet werden.
Dar\u00fcber hinaus k\u00f6nnen KI-Systeme die Sprint-Planung und das Backlog-Management effizient unterst\u00fctzen. Sie bereiten historische Sprint-Daten auf, analysieren die Team-Velocity und erkennen ungel\u00f6ste Hindernisse. Backlog-Items werden anhand verschiedener Kriterien priorisiert, w\u00e4hrend verf\u00fcgbare Kapazit\u00e4ten unter Ber\u00fccksichtigung von Kalenderdaten und Urlaubszeiten berechnet werden. Auf dieser Basis erstellen die Systeme Aufwandssch\u00e4tzungen, erkennen m\u00f6gliche \u00dcberbelastung 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 Projekt\u00fcbersichten, wodurch der administrative Aufwand f\u00fcr den Scrum Master erheblich reduziert wird.

Auch das Onboarding neuer Teammitglieder l\u00e4sst sich weitgehend automatisieren. KI-Systeme erkennen neue Mitarbeitende \u00fcber HR-Systeme oder Benachrichtigungen und erstellen unter anderem die notwendigen Zug\u00e4nge zu relevanten Tools und generieren personalisierte Onboarding-Guides.
Neben organisatorischen Aufgaben \u00fcbernehmen KI-Systeme auch analytische und unterst\u00fctzende Funktionen. Sie werten Produktivit\u00e4tsdaten, Task-Fortschritte, Nutzerfeedback und Teamkommunikation aus und nutzen Sentimentanalysen, um die Stimmung im Team einzusch\u00e4tzen. Auf dieser Grundlage k\u00f6nnen Engp\u00e4sse fr\u00fchzeitig erkannt, Risiken identifiziert und Vorschl\u00e4ge zur Prozessanpassung gemacht werden. Zudem fungieren KI-Systeme als Wissensspeicher, indem sie agile Best Practices, Leitf\u00e4den und Schulungsmaterialien bereitstellen und Teams bei der Probleml\u00f6sung unterst\u00fctzen [5, 9, 22].
Der zuvor beschriebene Einsatz k\u00fcnstlicher Intelligenz zur Automatisierung organisatorischer, planerischer und dokumentationsbezogener Aufgaben bildet die Grundlage f\u00fcr eine weitergehende Unterst\u00fctzung des Scrum Masters im Bereich der Teamkommunikation. W\u00e4hrend Scrum Agents Meetings initiieren, Informationen sammeln, strukturieren und dokumentieren, erweitert KI diesen Funktionsumfang um eine kommunikative und analytische Dimension, die insbesondere auf Verst\u00e4ndigung, 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 h\u00e4ufig in unstrukturierter, impliziter oder stark kontextabh\u00e4ngiger Sprache formuliert. KI-Systeme nutzen Natural Language Processing (NLP), um Inhalte aus Meetings, Interviews, Dokumenten oder Feedback-Kan\u00e4len zu analysieren, zusammenzufassen und in strukturierte, technisch anschlussf\u00e4hige Artefakte wie User Stories oder Akzeptanzkriterien zu \u00fcberf\u00fchren. Damit erg\u00e4nzt KI die automatisierte Meeting-Dokumentation um eine inhaltliche \u00dcbersetzungsleistung, die Missverst\u00e4ndnisse 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, Nutzerbed\u00fcrfnisse und Abh\u00e4ngigkeiten extrahiert. Diese Informationen werden anschlie\u00dfend in standardisierte Formate \u00fcberf\u00fchrt und unmittelbar in Backlog- und Projektsysteme integriert. Scrum Master und Product Owner werden dadurch von manueller Nachbereitung entlastet und k\u00f6nnen sich st\u00e4rker auf Priorisierung, Validierung und inhaltliche Abstimmung konzentrieren [9, 10].
Erg\u00e4nzend dazu unterst\u00fctzen KI-Funktionen in Dokumentationsplattformen wie Confluence die team\u00fcbergreifende Verst\u00e4ndlichkeit. Organisationsspezifische Abk\u00fcrzungen, Fachbegriffe und technischer Jargon werden automatisch erl\u00e4utert oder vereinheitlicht. Insbesondere in verteilten oder interdisziplin\u00e4ren Teams tr\u00e4gt 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, Priorit\u00e4ten und emotionale Bewertungen sichtbar gemacht. Diese Erkenntnisse flie\u00dfen 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 Eindr\u00fccken, sondern st\u00e4rker auf datenbasierten Signalen zum wahrgenommenen Nutzerwert [3, 21].
Ein weiterer wesentlicher Anwendungsbereich ist die Analyse der Teamstimmung und der sogenannten soziokognitiven Gesundheit. KI wertet hierf\u00fcr sowohl sprachliche Signale aus Kommunikationskan\u00e4len als auch operative Kennzahlen aus Entwicklungs- und Prozessdaten aus. In Kollaborationstools k\u00f6nnen Kommentare, Tickets oder Diskussionsverl\u00e4ufe nach emotionalem Tonfall zusammengefasst werden, sodass Scrum Master fr\u00fchzeitig erkennen, ob Feedback konstruktiv, kritisch oder konfliktbehaftet ist [9].

Dar\u00fcber hinaus nutzen Engineering-Management-Plattformen KI, um indirekte Indikatoren f\u00fcr Belastung, Friktion und Burnout zu identifizieren. Kennzahlen wie lange Wartezeiten bei Code Reviews, hohe Nacharbeitsquoten oder instabile Entwicklungsprozesse weisen auf steigenden Druck und kognitive \u00dcberlastung hin. Diese analytischen Signale erg\u00e4nzen klassische Retrospektiven und erm\u00f6glichen es dem Scrum Master, datenbasiert auf Kommunikations- und Arbeitsmuster einzuwirken [21, 27].

KI wird dabei nicht ausschlie\u00dflich reaktiv eingesetzt, sondern zunehmend auch pr\u00e4ventiv. In Tools wie Jira, Confluence oder Slack k\u00f6nnen Teammitglieder Entw\u00fcrfe von Nachrichten oder Tickets automatisch sprachlich anpassen lassen, etwa um einen sachlicheren oder empathischeren Ton zu w\u00e4hlen. Zus\u00e4tzlich reduzieren Zusammenfassungsfunktionen und automatische R\u00fcckblicke 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 unterst\u00fctzt Verst\u00e4ndigung \u00fcber Rollen- und Fachgrenzen hinweg, macht Stimmungen und Belastungen sichtbar und reduziert kommunikative Reibung. Damit schafft sie die Voraussetzungen daf\u00fcr, dass sich der Scrum Master st\u00e4rker auf Moderation, Coaching und die bewusste Gestaltung sozialer Dynamiken konzentrieren kann, w\u00e4hrend operative und analytische Aufgaben zunehmend durch KI-Systeme unterst\u00fctzt werden [27, 28].<\/p>\n\n\n\n

Aktuelle Tools<\/p>\n\n\n\n

ScrumAgents<\/strong><\/p>\n\n\n\n

Scrum Agents stellen eine vergleichsweise neue M\u00f6glichkeit dar, k\u00fcnstliche Intelligenz in die Arbeit eines Scrum Masters zu integrieren. Sie k\u00f6nnen ihn bei einer Vielzahl von Aufgaben unterst\u00fctzen und insbesondere repetitive oder zeitaufwendige T\u00e4tigkeiten vollst\u00e4ndig automatisieren. Zu den zentralen Einsatzbereichen von Scrum Bots z\u00e4hlen unter anderem die Automatisierung von Daily Scrums, die Unterst\u00fctzung der Sprint-Planung, die Durchf\u00fcuhrung 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 \u00fcbernehmen. Dazu geh\u00f6rt unter anderem die Erfassung der Anzahl der Teilnehmenden, das Initiieren von Meetings sowie deren Beendigung oder gegebenenfalls Neuplanung. Dar\u00fcber hinaus k\u00f6nnen Status-Updates der Teammitglieder \u00fcber Audio, Video oder Chat gesammelt werden.
Zus\u00e4tzlich erfassen und klassifizieren Scrum Agents den Status einzelner Aufgaben. Durch die Integration mit anderen Tools, wie beispielsweise Jira, k\u00f6nnen 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 Ma\u00dfnahmen k\u00f6nnen zudem in einer Wissensdatenbank dokumentiert und langfristig gespeichert werden.
Ein weiterer wichtiger Einsatzbereich von Scrum Agents ist die Unterst\u00fctzung der Sprint-Planung. Hierbei bereiten sie relevante Informationen vor, analysieren Daten aus vergangenen Sprints und beteiligen sich aktiv am Planungsprozess. Dazu z\u00e4hlen die Aufbereitung historischer Daten, die Analyse der Teamgeschwindigkeit sowie das Erkennen ungel\u00f6ster Blockaden.
Die im Backlog erfassten Aufgaben werden anhand verschiedener Kriterien priorisiert, beispielsweise nach Bearbeitungszeitpunkt, Relevanz oder gegenseitigen Abh\u00e4ngigkeiten. Dar\u00fcber hinaus analysiert der ScrumBot die verf\u00fcgbaren Kapazit\u00e4ten der Teammitglieder unter Ber\u00fccksichtigung von Kalenderdaten und Urlaubszeiten. Auf Basis der gesammelten Backlog-Daten erstellt er Aufwandsprognosen und hilft dabei, ein m\u00f6gliche \u00dcberlastung fr\u00fchzeitig zu erkennen.
Zu den unterst\u00fctzten Aufgaben z\u00e4hlen au\u00dferdem 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 k\u00f6nnen ebenfalls bei der Durchf\u00fchrung von Retrospektiven eingesetzt werden. Im Rahmen der Analyse identifizieren sie Aspekte, die im Sprint besonders gut funktioniert haben, sowie Bereiche mit Verbesserungsbedarf. Dar\u00fcber hinaus pr\u00fcfen sie, ob Blockaden oder Risiken bestanden haben, und bereiten diese Informationen strukturiert f\u00fcr das Team auf.
Ein besonders gro\u00dfer Mehrwert von Scrum Agents zeigt sich im Onboarding neuer Entwicklerinnen und Entwickler. Der ScrumBot erkennt neue Anstellungen beispielsweise \u00fcber HR-Systeme oder Benachrichtigungen von F\u00fchrungskr\u00e4ften und organisiert daraufhin notwendige Zugriffe auf E-Mail, Git, Jira sowie weitere relevante Tools, Code-Repositorien und Entwicklungs- beziehungsweise Testumgebungen.

Dar\u00fcber hinaus erstellt der ScrumBot einen individualisierten Onboarding-Guide. Dieser enth\u00e4lt Informationen zur Projektarchitektur, zu eingesetzten Tools, API-Dokumentationen, Erkl\u00e4rvideos, Beispiel-Tickets sowie zu Entwicklungs- und Arbeitsabl\u00e4ufen. Neue Teammitglieder werden zudem \u00fcber eine Begr\u00fc\u00dfungsnachricht dem Team vorgestellt.
W\u00e4hrend des gesamten Onboarding-Prozesses \u00fcberwacht der ScrumBot den Fortschritt und initiiert automatisch Check-ins, wenn Inaktivit\u00e4t oder m\u00f6gliche Probleme erkannt werden [6].<\/p>\n\n\n\n

Large Language Models (LLMs)<\/strong><\/p>\n\n\n\n

LLMs sind mittlerweile weit verbreitet und werden insbesondere zur Analyse von Daten sowie textuellen oder statistischen Informationen eingesetzt. Sie k\u00f6nnen beispielsweise als Auswerter f\u00fcr Task-Fortschritte, Produktivit\u00e4t oder Teamkommunikation fungieren. Die zugrunde liegenden Daten k\u00f6nnen dabei in unterschiedlichen Formen vorliegen, etwa als Nutzerfeedback, Flowcharts oder statistische Darstellungen. Anhand dieser Informationen k\u00f6nnen LLMs bewerten, ob Aufgaben angepasst werden m\u00fcssen, welche Inhalte in Daily Meetings oder Stand-ups kommuniziert wurden und ob Projektzeitpl\u00e4ne eingehalten werden k\u00f6nnen. Vergleichbare Studien zur Auswertung von Feedback-Loops finden sich in [9], w\u00e4hrend [2] den Einsatz von LLMs bei der Analyse statistischer Daten untersuchen.

Im Bereich der Teamkommunikation k\u00f6nnen LLMs so konfiguriert werden, dass sie mehrere Rollen innerhalb eines Software Teams simulieren und in begrenztem Umfang selbstst\u00e4ndig zusammenarbeiten. Dabei \u00fcbernehmen 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, w\u00e4hrend der Entwickler den Code implementiert und der Tester diesen \u00fcberpr\u00fcft. 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 \u00e4hnlich 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 \u00fcbernehmen. Diese Agenten kommunizieren miteinander, verteilen Aufgaben, arbeiten parallel an Problemen und unterst\u00fctzen so die interne Koordination innerhalb des Teams.<\/p>\n\n\n\n

Multi-Agent-Systeme (MAS)<\/strong><\/p>\n\n\n\n

Dar\u00fcber hinaus existieren sogenannte Multi-Agent-Systeme, bei denen mehrere spezialisierte Agenten f\u00fcr bestimmte Aufgaben oder Bereiche eingesetzt werden. Diese Agenten kommunizieren miteinander, um Aufgaben zu verteilen und parallel an komplexen Problemen zu arbeiten. Ein Beispiel f\u00fcr ein solches Framework wird in [10] vorgestellt, in dem verschiedene Agenten unterschiedliche L\u00f6sungsans\u00e4tze f\u00fcr ein Softwareproblem entwickeln und diese anschlie\u00dfend gemeinsam diskutieren, um eine optimale L\u00f6sung zu finden. In einem Teamkontext k\u00f6nnen solche Agenten als virtuelle Teammitglieder fungieren, etwa als Ticket-Verwalter, Code-Reviewer oder Aufgabenplaner. Dadurch reduzieren sie den Arbeitsaufwand f\u00fcr menschliche Teammitglieder, ohne zus\u00e4tzliche Komplexit\u00e4t oder St\u00f6rungen zu verursachen.<\/p>\n\n\n\n

Natural Language Processing (NLP)<\/strong><\/p>\n\n\n\n

Mithilfe der Umwandlung von Rohtext und Sprache in verwertbare Daten erm\u00f6glicht NLP Unternehmen den Zugriff auf diverse Kommunikationsstr\u00f6me. Dies erlaubt die Analyse von Teamdynamiken sowie die Optimierung von Arbeitsabl\u00e4ufen direkt innerhalb von Plattformen wie Microsoft Teams und Slack. Eine zentrale Herausforderung in der Analyse besteht jedoch in der Fragmentierung der Kommunikation \u00fcber mehrere Plattformen (Cross-Platforming). Ohne eine integrierte Betrachtung besteht das Risiko, dass kontextrelevante Informationen verloren gehen und das analytische Gesamtbild verf\u00e4lscht wird [17].
Im Bereich der Sentiment-Analyse bewerten NLP-Tools die Polarit\u00e4t (positiv, negativ, neutral) sowie die Intensit\u00e4t von Teaminteraktionen. Fortgeschrittene Systeme gehen \u00fcber diese Basisklassifikation hinaus und k\u00f6nnen spezifische emotionale Marker wie Freude, Wut oder Angst identifizieren. Durch die Erstellung von Heatmaps fungieren diese Analysen als Fr\u00fchwarnsystem, das auf drohenden Burnout oder eskalierende Konflikte hinweist, noch bevor diese sich operativ auswirken [23].
Neben der emotionalen Ebene kommen un\u00fcberwachte Algorithmen f\u00fcr maschinelles Lernen (Unsupervised Learning) zum Einsatz, um Gespr\u00e4che zu gruppieren und wiederkehrende Themen ohne vordefinierte Kategorien zu identifizieren. Dies erm\u00f6glicht F\u00fchrungskr\u00e4ften das Erkennen von Wissensl\u00fccken oder systemischen Problemen. Diskutiert ein Team beispielsweise h\u00e4ufig 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 erm\u00f6glicht NLP die Echtzeit-Transkription und -Zusammenfassung von Meetings. Dies erlaubt es den Mitarbeitern, sich vollst\u00e4ndig auf die Diskussion zu konzentrieren, statt kognitive Ressourcen f\u00fcr die Protokollierung aufzuwenden. Fortgeschrittene Implementierungen extrahieren zudem automatisch Aktionspunkte (Action Items) aus dem Gespr\u00e4chsverlauf und weisen die entsprechenden Aufgaben den zust\u00e4ndigen Personen zu [17].<\/p>\n\n\n\n

Auswirkungen auf den Scrum Master und die Teamkommuniktaion<\/p>\n\n\n\n

Scrum Master<\/p>\n\n\n\n

Das traditionelle Bild des Scrum Masters als reines Organisationstalent mit starkem Fokus auf Prozessdisziplin und administrativer Koordination befindet sich im gr\u00f6\u00dften Wandel seit der Einf\u00fchrung agiler Methoden. Dieser Wandel bedeutet jedoch keineswegs, dass der Scrum Master oder seine menschlichen F\u00e4higkeiten durch k\u00fcnstliche Intelligenz ersetzt werden sollen. Vielmehr f\u00fchrt der Einsatz von KI zu einer grundlegenden Neudefinition der Rolle. Der Fokus verschiebt sich weg von operativer Prozess\u00fcberwachung hin zu einem High-Level-Coach, Mentor und Experten f\u00fcr das bewusste Wahrnehmen, Verstehen und Gestalten von Teamkommunikation und -dynamiken [9, 13, 28].
Diese Entwicklung ist eine direkte Reaktion auf die Realit\u00e4t moderner agiler Arbeitsumgebungen. Verteilte Teams, wachsende Datenmengen, steigender Zeitdruck und zunehmend ersch\u00f6pfte Entwickler pr\u00e4gen den Alltag vieler Organisationen. Genau hier entfaltet KI ihr gr\u00f6\u00dftes Potenzial: Sie unterst\u00fctzt Scrum Master dabei, Muster zu erkennen, Ver\u00e4nderungen fr\u00fchzeitig wahrzunehmen und systemische Hindernisse sichtbar zu machen, mit einer Pr\u00e4zision und Geschwindigkeit, die manuell kaum erreichbar w\u00e4re.

Ein besonders sichtbarer Wandel zeigt sich in der Durchf\u00fchrung und Moderation von Scrum-Events wie Daily Scrum, Sprint Planning, Sprint Review und Retrospektive. KI-gest\u00fctzte Assistenten und sogenannte Scrum Bots erstellen heute Echtzeit-Transkriptionen, generieren intelligente Zusammenfassungen, extrahieren automatisch Aktionspunkte und schlagen auf Basis der Diskussionen Aktualisierungen f\u00fcr Jira-Tickets oder Backlogs vor [9, 13, 27].
Dadurch wird sichergestellt, dass keine relevanten Informationen verloren gehen. Gleichzeitig kann sich das Team vollst\u00e4ndig auf den fachlichen Austausch konzentrieren, anstatt Zeit mit Mitschriften oder administrativen Nacharbeiten zu verlieren.
Die Auswirkungen auf die Produktivit\u00e4t 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 f\u00fcr 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 f\u00fcr jene Aspekte, in denen KI an ihre Grenzen st\u00f6\u00dft: das Erkennen subtiler nonverbaler Signale, zwischenmenschlicher Spannungen und gruppendynamischer Ver\u00e4nderungen.
Diese Entlastung f\u00fchrt zu einer grundlegenden Verschiebung der inhaltlichen Schwerpunkte. Anstatt sich prim\u00e4r mit der “Wie-Frage” der Prozessausf\u00fchrung zu besch\u00e4ftigen, kann sich der Scrum Master verst\u00e4rkt der “Warum-Frage” widmen: Warum funktioniert ein Team gut oder schlecht? Welche systemischen Faktoren beeinflussen Leistung, Motivation und Wertsch\u00f6pfung? Moderne KI-Reporting-Tools wie Tableau oder Power BI erm\u00f6glichen es, komplexe Analysen und Visualisierungen in wenigen Minuten zu erstellen \u2013 Aufgaben, die fr\u00fcher Stunden in Anspruch nahmen. Diese Effizienzsteigerung ist entscheidend, da der nachhaltige Erfolg agiler Arbeitsweisen ma\u00dfgeblich von menschlicher F\u00fchrung, Vertrauen und Zusammenarbeit abh\u00e4ngt \u2013 Bereiche, in denen KI strukturell schwach ist.
W\u00e4hrend klassische agile Kennzahlen wie Velocity oder Cycle Time lange Zeit ausschlie\u00dflich r\u00fcckblickende Indikatoren waren, erweitert KI die Perspektive um eine pr\u00e4diktive Dimension. Mithilfe von maschinellem Lernen analysieren KI-Systeme gro\u00dfe Mengen historischer Sprint-Daten, ber\u00fccksichtigen Teamzusammensetzung, Aufgabenkomplexit\u00e4t sowie externe Einflussfaktoren wie Urlaubszeiten oder parallele Projekte. Velocity wird dadurch nicht mehr als einfache Durchschnittsrechnung verstanden, sondern als dynamische Prognosegr\u00f6\u00dfe [21].

Ein KI-Tool kann beispielsweise erkennen, dass ein Team regelm\u00e4\u00dfig in der Testphase eines Sprints an Geschwindigkeit verliert. Auf dieser Basis lassen sich fr\u00fchzeitig Handlungsempfehlungen ableiten, etwa die Anpassung von Sch\u00e4tzungen oder eine gezielte Umverteilung von Ressourcen. Die Sprint-Planung basiert dadurch st\u00e4rker auf realistischen Annahmen statt auf Wunschdenken. Gleichzeitig erh\u00e4lt der Scrum Master ein wirksames Instrument zur Pr\u00e4vention von \u00dcberlastung und Burnout, da zuk\u00fcnftige Engp\u00e4sse fr\u00fchzeitig sichtbar werden.
Neben der Planung unterst\u00fctzt KI den Scrum Master auch bei einer seiner zentralen Aufgaben: dem fr\u00fchzeitigen Erkennen von Problemen im laufenden Sprint. KI-Systeme analysieren kontinuierlich Produktivit\u00e4tsdaten, Kommunikationsmuster und Arbeitsfl\u00fcsse. Warnsignale wie ein R\u00fcckgang der Aktivit\u00e4t, abnehmende Kommunikationsfrequenz oder Verz\u00f6gerungen in Tools wie Slack oder Microsoft Teams werden oft erkannt, bevor sie in Meetings offen thematisiert werden. Diese Fr\u00fchwarnsysteme erm\u00f6glichen es dem Scrum Master, gezielt einzugreifen, solange Probleme noch l\u00f6sbar sind und sich nicht verfestigt haben [9].
Ein weiterer Bereich mit hohem Ver\u00e4nderungspotenzial ist das Backlog-Management. Traditionell z\u00e4hlt die Pflege und Verfeinerung des Backlogs zu den zeitaufw\u00e4ndigsten 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 Gesch\u00e4ftszielen ausrichtet [3].
KI-Systeme unterst\u00fctzen Product Owner und Scrum Master bei der Analyse und Pr\u00e4zisierung von User Stories, schlagen Story-Point-Sch\u00e4tzungen vor und erkennen Abh\u00e4ngigkeiten zwischen Aufgaben. KI kann aus einfachen Benutzereingaben klar strukturierte, teamweit verst\u00e4ndliche Anforderungen generieren. Das reduziert Missverst\u00e4ndnisse, minimiert Fehler und sorgt daf\u00fcr, dass das Backlog jederzeit sprintbereit ist. Gleichzeitig analysiert KI Markt- und Kundenfeedback in Echtzeit und unterst\u00fctzt so eine Priorisierung, die sich konsequent am tats\u00e4chlichen 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 Priorit\u00e4t selbstst\u00e4ndig zu pflegen, Kundenprotokolle in umsetzbare Backlog-Eintr\u00e4ge zu \u00fcbersetzen oder weniger kritische Funktionen eigenst\u00e4ndig zu verwalten. Dadurch wird das Scrum-Team weiter von routinem\u00e4\u00dfigen Wartungsaufgaben entlastet und kann sich auf die komplexen, kreativen und innovativen Aspekte der Produktentwicklung konzentrieren [27].

Neben Leistung und Planung r\u00fcckt auch die emotionale Dimension der Teamarbeit st\u00e4rker in den Fokus. KI-gest\u00fctzte 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 verst\u00e4rken sie. Anstelle rein subjektiver Wahrnehmungen kann der Scrum Master faktenbasiert Gespr\u00e4che initiieren und die systemischen Ursachen f\u00fcr eine ver\u00e4nderte Teamstimmung untersuchen [9, 18].
Auch im Coaching und in der Konfliktl\u00f6sung hat sich KI als wertvolles Unterst\u00fctzungsinstrument etabliert. Konversations-KI wie ChatGPT oder Gemini dient Scrum Mastern als Sparringspartner, etwa zur Simulation schwieriger Stakeholder-Gespr\u00e4che, zur Vorbereitung von Retrospektiven oder zur Entwicklung neutraler Formulierungen in Konfliktsituationen. Insbesondere bei eskalierenden Konflikten kann KI helfen, strukturierte und prinzipienbasierte Handlungspl\u00e4ne 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, unterst\u00fctzt KI den Scrum Master dabei, Konflikte zu deeskalieren und den Fokus wieder auf Zusammenarbeit und gemeinsame Ziele zu lenken.<\/p>\n\n\n\n

Team Kommunikation<\/p>\n\n\n\n

Ein zentraler Mehrwert k\u00fcnstlicher Intelligenz in der Teamkommunikation liegt in ihrer F\u00e4higkeit, die sprachliche Barriere zwischen nicht-technischen Stakeholdern und Entwicklungsteams zu \u00fcberbr\u00fccken. In vielen Softwareprojekten entstehen Missverst\u00e4ndnisse, weil fachliche Anforderungen in unstrukturierter oder mehrdeutiger Sprache formuliert werden, w\u00e4hrend Entwicklerinnen und Entwickler auf pr\u00e4zise, technische Spezifikationen angewiesen sind. KI-gest\u00fctzte Werkzeuge fungieren hier als \u00dcbersetzer zwischen beiden Welten. Sie transkribieren Anforderungsworkshops oder Elicitation-Meetings, analysieren den gesprochenen oder geschriebenen Inhalt und \u00fcberf\u00fchren diesen automatisiert in strukturierte Artefakte wie User Stories oder Akzeptanzkriterien. Dadurch wird der manuelle Aufwand f\u00fcr Mitschriften reduziert und gleichzeitig sichergestellt, dass die fachliche Intention konsistent und nachvollziehbar an das Entwicklungsteam kommuniziert wird [1, 8].

\u00dcber die reine Textverarbeitung hinaus unterst\u00fctzt KI auch visuelle Formen der Kommunikation. In der Design- und Konzeptionsphase erm\u00f6glichen generative KI-Systeme die schnelle Erstellung visueller Prototypen auf Basis kurzer textueller Beschreibungen. Anstelle wochenlanger Abstimmungsprozesse k\u00f6nnen Teams innerhalb weniger Minuten klickbare Mock-ups oder Designvorschl\u00e4ge erzeugen. Diese Form der “generativen Prototypisierung” erleichtert die fr\u00fchzeitige Validierung durch Stakeholder und reduziert Feedbackschleifen, da alle Beteiligten fr\u00fchzeitig ein gemeinsames visuelles Verst\u00e4ndnis des angestrebten Ergebnisses entwickeln [4, 26].

Ein weiterer wichtiger Beitrag von KI zur Teamkommunikation besteht in der Reduktion von Kommunikationsrauschen und kognitiver \u00dcberlastung. In agilen, digital vernetzten Teams entstehen t\u00e4glich gro\u00dfe Mengen an Nachrichten, Dokumenten und Diskussionsstr\u00e4ngen. KI-Funktionen in Plattformen wie Slack oder Confluence fassen lange Konversationen, ungelesene Kan\u00e4le oder umfangreiche Dokumente automatisch zusammen. Teammitglieder k\u00f6nnen dadurch nach Abwesenheiten schnell wieder Anschluss finden, ohne jede einzelne Nachricht lesen zu m\u00fcssen. Die Trennung von relevanten Informationen und nebens\u00e4chlichem Austausch reduziert kognitive Belastung und unterst\u00fctzt eine fokussierte Zusammenarbeit [16].
Erg\u00e4nzend dazu \u00fcbernehmen KI-Systeme eine Art kommunikative Vorfilterung. Durch die Analyse von Inhalt, Intention und Tonfall von Nachrichten k\u00f6nnen 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 verk\u00fcrzt sich der Weg von informeller Kommunikation hin zu strukturierten Arbeitseinheiten, und wichtige Anliegen gehen nicht im Chatverlauf verloren [3, 10].

Dar\u00fcber hinaus tr\u00e4gt KI zur Standardisierung technischer Kommunikation bei. Insbesondere im Softwareentwicklungsprozess wird Kommunikation h\u00e4ufig von subjektiven Einsch\u00e4tzungen und individuellen Ausdrucksweisen gepr\u00e4gt. KI-gest\u00fctzte Werkzeuge k\u00f6nnen diesen Effekt reduzieren, indem sie kontextreiche, einheitliche Beschreibungen f\u00fcr technische \u00c4nderungen erzeugen. So erstellen Tools wie Graphite oder Google Gemini automatisch umfassende Pull-Request-Beschreibungen, die erl\u00e4utern, was ge\u00e4ndert wurde und aus welchem Grund. Code-Reviewer erhalten dadurch konsistenten Kontext, ohne dass Entwicklerinnen und Entwickler umfangreiche manuelle Erl\u00e4uterungen verfassen m\u00fcssen [21, 27].

Gleichzeitig verlagert sich der Fokus menschlicher Kommunikation auf h\u00f6herwertige Inhalte. Da KI automatisiert R\u00fcckmeldungen zu formalen Aspekten wie Code-Stil, Syntax oder einfachen Regelverst\u00f6\u00dfen liefert, k\u00f6nnen sich menschliche Reviews st\u00e4rker auf architektonische Entscheidungen, fachliche Logik und Mentoring konzentrieren. Die technische Kommunikation wird dadurch weniger von Detaildiskussionen gepr\u00e4gt und gewinnt an inhaltlicher Tiefe [8, 21].
Insgesamt zeigt sich, dass KI in der Teamkommunikation nicht nur Effizienzgewinne erm\u00f6glicht [21], sondern auch die Qualit\u00e4t des Austauschs verbessert [8]. Sie schafft gemeinsame Verst\u00e4ndigungsgrundlagen, reduziert \u00dcberlastung und unterst\u00fctzt eine Verschiebung hin zu wertsch\u00f6pfender, kontextreicher Kommunikation \u2013 sowohl zwischen Menschen als auch zwischen Mensch und System [10].<\/p>\n\n\n\n

Limitationen und ethische Einschr\u00e4nkungen<\/p>\n\n\n\n

Scrum Master<\/p>\n\n\n\n

Scrum-Agents, wie sogenannte Scrum-Bots, erzielen in Prototyp-Umgebungen bereits sehr \u00fcberzeugende Ergebnisse. Die vollst\u00e4ndige Autonomie in den vielf\u00e4ltigen organisatorischen Aspekten realer Projekte stellt jedoch weiterhin eine gro\u00dfe Herausforderung dar. In der praktischen Anwendung ben\u00f6tigen derartige Systeme in der Regel umfangreiche unternehmensspezifische Daten, um eine zuverl\u00e4ssige Funktionsweise zu gew\u00e4hrleisten. Dar\u00fcber hinaus treten bei der Sentiment-Analyse und der Interpretation von Intentionen noch Fehler auf. Daher ist eine menschliche Aufsicht weiterhin unerl\u00e4sslich, insbesondere in zwischenmenschlichen Kontexten sowie bei kritischen Entscheidungsprozessen [6].<\/p>\n\n\n\n

Spezielle Agents<\/p>\n\n\n\n

Bei dem Scrum Agent Sally konnten wir selber durch die Durchf\u00fchrung von Tests einige Limitationen feststellen, diese lassen sich grundlegend in 3 Unterkategorien gliedern:<\/p>\n\n\n\n

Mangel an sozio-emotionaler Kompetenz und Kontextsensitivit\u00e4t<\/strong><\/p>\n\n\n\n

Sally verf\u00fcgt \u00fcber keine intrinsische F\u00e4higkeit zur sozialen Kognition. Dies manifestiert sich in der Unf\u00e4higkeit, emotionale Zust\u00e4nde 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 l\u00f6sen oder empathisch auf soziale Gruppendynamiken, die Team-Motivation oder die implizite Unternehmenskultur einzugehen.<\/p>\n\n\n\n

Defizite in der adaptiven Diskursmoderation<\/strong><\/p>\n\n\n\n

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 Redebeitr\u00e4ge inhaltlich sinnvoll einzugehen. Eine situationsabh\u00e4ngige, ad-hoc Neubeurteilung von Priorit\u00e4ten auf Basis sich wandelnder Kontextvariablen ist systemseitig nicht abbildbar.<\/p>\n\n\n\n

Abwesenheit exekutiver Autonomie und F\u00fchrungsautorit\u00e4t<\/strong><\/p>\n\n\n\n

Hinsichtlich der agilen F\u00fchrungsverantwortung (Servant Leadership) agiert Sally rein reaktiv. Der Bot besitzt weder die Befugnis noch die kognitive Kapazit\u00e4t, um autonom operative Entscheidungen zu treffen, Risiken realit\u00e4tsnah zu bewerten oder prozessuale Hindernisse (Impediments) selbstst\u00e4ndig zu beseitigen. Ferner fehlt dem Bot die n\u00f6tige Autorit\u00e4t, um Priorisierungen innerhalb des Teams durchzusetzen, sowie die p\u00e4dagogische Kompetenz, um durch aktives Coaching oder gezielte Einflussnahme das Teamverhalten nachhaltig zu entwickeln.<\/p>\n\n\n\n

Teamkommunikation<\/strong><\/p>\n\n\n\n

Der Einfluss von KI auf die Teamkommunikation \u00e4u\u00dfert sich zun\u00e4chst in einer signifikanten Ver\u00e4nderung 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 Passivit\u00e4t der menschlichen Akteure. Erg\u00e4nzend wird in der Literatur ein R\u00fcckgang der nonverbalen Kommunikation beobachtet, was auf eine Verarmung der zwischenmenschlichen Signale hindeutet [30].

Die beobachteten Defizite werden h\u00e4ufig mit dem Fehlen menschlicher Eigenschaften der KI begr\u00fcndet. 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 h\u00e4ufig von einer begrenzten Leistungsf\u00e4higkeit der KI ausgehen, liefern sie proaktiv nur reduzierten Input. Dies f\u00fchrt zu einem eingeschr\u00e4nkten Output der KI und best\u00e4tigt zirkul\u00e4r 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 f\u00fcr die kognitive Qualit\u00e4t eines Teams (Team Cognition). Sie bildet die Basis f\u00fcr geteilte mentale Modelle, ein gemeinsames Situationsbewusstsein sowie das Verst\u00e4ndnis f\u00fcr individuelle Zust\u00e4ndigkeiten und kollektive Ziele [31]. Durch die verringerte Interaktionsdichte fehlen notwendige Gelegenheiten zum Vertrauensaufbau. Da der allgemeine Austausch limitiert ist, wird die Entstehung sozialer Koh\u00e4sion und gegenseitigen Verst\u00e4ndnisses nachhaltig erschwert [19,24].
Insbesondere die KI-gest\u00fctzte Sentiment-Analyse bewegt sich in einem Spannungsfeld zwischen proaktiver F\u00fcrsorge und potenzieller \u00dcberwachung, was die psychologische Sicherheit im Team gef\u00e4hrden kann [27]. Zudem wirft die automatisierte Gl\u00e4ttung von Kommunikation Fragen zur Authentizit\u00e4t menschlicher Interaktion auf [7, 31].

Die beschriebenen negativen Effekte sind jedoch nicht unver\u00e4nderlich. [30, 31] belegen, dass gezielte Trainingsma\u00dfnahmen der Teammitglieder diesen Tendenzen effektiv entgegenwirken k\u00f6nnen. Zudem weisen KI-unterst\u00fctzte Teams h\u00e4ufig 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 Unsch\u00e4rfen best\u00e4tigen zahlreiche Studien signifikante Leistungsunterschiede zwischen Teams mit und ohne KI-Unterst\u00fctzung [12, 24].<\/p>\n\n\n\n

Fazit<\/p>\n\n\n\n

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 \u00e4ndert sich die Rolle vom operativen “Prozess-W\u00e4chter” zum strategischen “Team-Coach”. Die gewonnene Zeit erm\u00f6glicht eine R\u00fcckbesinnung auf die urspr\u00fcnglichen 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 \u00dcbersetzungen zu \u00fcberbr\u00fccken 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 \u00fcberwachen. 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 \u00fcberfl\u00fcssig, sondern seine Arbeit wird wichtiger. Die Kompetenz verschiebt sich von der Durchf\u00fchrung von Pl\u00e4nen hin zur F\u00fchrung mit Verst\u00e4ndnis und zur Deutung von Daten, die durch KI entstanden sind. Die Zukunft der Teams liegt in einer Mischung aus k\u00fcnstlicher und menschlicher Intelligenz. Die k\u00fcnstliche Intelligenz \u00fcbernimmt die Automatisierung und Quantifizierung des Allt\u00e4glichen. So kann die menschliche Intelligenz die Zusammenarbeit verbessern.

[1] Mateen Ahmed Abbasi u. a. \u201dTowards Human-AI Synergy in Requirements Engineering: A Framework and Preliminary Study\u201c. 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\u2013122. 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. \u201dFusing Artificial Intelligence with Scrum Framework\u201c. 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. \u201dAccelerating Innovation With Generative AI: AI-Augmented Digital Prototyping and Innovation Methods\u201c. In: IEEE Engineering Management Review 51.2 (2023), S. 18\u201325. 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. \u201dScrumbot: An Autonomous Avatar-based Scrum Master for agile teams\u201c. 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. \u201dWhen misunderstanding meets artificial intelligence: the critical role of trust in human\u2013AI and human\u2013human team communication and performance\u201c. 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. \u201dAI-Driven Software Requirements Elicitation: A Novel approach\u201c. In: Madhya Pradesh Journal of Social Sciences 28.2 (2023), S. 44\u201345.
[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. \u201dEffektive Kommunikation in Scrum und der agilen Softwareentwicklung\u201c. In: Informatik-Spektrum 45.3 (17. Mai 2022), S. 171\u2013182. DOI: 10.1007\/s00287- 022- 01458- z. URL: https:\/\/doi.org\/10.1007\/s00287-022-01458-z.
[12] Andreas Fuuml;gener u. a. \u201dCollaboration and Delegation between Humans and AI: An Experimental Investigation of the Future of Work\u201c. 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. \u201dHuman-AI Collaboration: Enhancing Creativity and Productivity in the Digital Age\u201c. In: Baltic Journal of Multidisciplinary Research – BJMR (2025), S. 1\u20136.
[14] Alexander Kaack und Department Informatik Hochschule f\u00fcr Angewandte Wissenschaften Hamburg. Methodische Entwicklung zur konzeptionellen Erfassung einer Softwarel\u00f6sung f\u00fcr Scrum Master. 2015.
[15] Yamac\u00b8 Kaya und Recep Suha Selcuk. \u201dASSESSING a FINE-TUNED SCRUM AI AGENT: ACCURACY, UTILITY, AND EXPERT VALIDATION\u201c. 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\u2013. URL: https:\/\/www.microsoft.com\/en- us\/research\/uploads\/prod\/2025\/01\/lee_2025_ai_critical_thinking_survey.pdf.
[17] Pushpalatha M u. a. \u201dLeveraging Natural Language Processing for Strategic Insights in Business Process Reengineering\u201c. In: Frontiers in Psychology (28. Nov. 2025), S. 1\u20136. 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. \u201dExcellence practices in scrum paradigm in software development\u201c. In: Journal of Data Science and Intelligent Systems 3.2 (12. Sep. 2024), S. 79\u201386. DOI: 10.47852\/bonviewjdsis42023645. URL: https:\/\/doi.org\/10.47852\/bonviewjdsis42023645.
[22] Fabio Petroni u. a. \u201dLanguage models as knowledge bases?\u201c 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. \u201dLet\u2019s Think Together! Assessing Shared Mental Models, Performance, and Trust in Human-Agent Teams\u201c. In: Proceedings of the ACM on Human-Computer Interaction 6.GROUP (14. Jan. 2022), S. 1\u201329. 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. \u201dProtoAI: Model-Informed Prototyping for AI-Powered Interfaces\u201c. In: IUI \u201921: Proceedings of the 26th International Conference on Intelligent User Interfaces (14. Apr. 2021), S. 48\u201358. DOI: 10.1145\/3397481. URL:https:\/\/doi.org\/10.1145\/3397481.3450640.
[27] Heidrich Vicci. \u201dThe Impact of Artificial Intelligence on Project Managers and Scrum Masters: A Review and Evaluation Study\u201c. 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. \u201dTeam challenges: Is artificial intelligence the solution?\u201c In: Business Horizons 62.6 (21. Sep. 2019), S. 741\u2013750. 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] D\u00e9sir\u00e9e 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. \u201dAn ideal human\u201c. In: Proceedings of the ACM on Human-Computer Interaction 4.CSCW3 (5. Jan. 2021), S. 1\u201325. DOI: 10.1145\/3432945. URL: https:\/\/doi.org\/10.1145\/3432945.<\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Abstract Die zunehmende Nutzung von KI in der Softwareentwicklung ver\u00e4ndert grundlegend die bew\u00e4hrten 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 ver\u00e4ndern. Die Analyse ergibt, dass ein zunehmender Anteil der Verwaltungsaufgaben automatisiert ausgef\u00fchrt wird. […]<\/p>\n","protected":false},"author":1311,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[1],"tags":[],"ppma_author":[1196,1197,1195],"class_list":["post-28461","post","type-post","status-publish","format-standard","hentry","category-allgemein"],"aioseo_notices":[],"jetpack_featured_media_url":"","jetpack-related-posts":[{"id":28637,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/24\/potenziale-und-grenzen-ki-gestutzter-assistenzsysteme-in-der-product-owner-rolle-eine-empirische-fallstudie\/","url_meta":{"origin":28461,"position":0},"title":"Potenziale und Grenzen KI-gest\u00fctzter Assistenzsysteme in der Product Owner Rolle – eine Empirische Fallstudie","author":"Lisa-Marie Nohl","date":"24. February 2026","format":false,"excerpt":"Simeon Schulz, Ronja Brauchle, Lisa-Marie Nohl Kurzfassung: Ziel der Arbeit ist es herauszufinden, welches Potenzial k\u00fcnstliche Intelligenz bei der Arbeit eines Product Owners in der agilen Projektmanagement Methode Scrum hat. Dazu wurde eine empirische Fallstudie durchgef\u00fchrt, die unterschiedliche Tools nach Effizienz, Qualit\u00e4t, Usability und Integration bewertet. Die Ergebnisse zeigten, dass\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Bildschirmfoto-2026-02-24-um-13.21.11.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Bildschirmfoto-2026-02-24-um-13.21.11.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Bildschirmfoto-2026-02-24-um-13.21.11.png?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Bildschirmfoto-2026-02-24-um-13.21.11.png?resize=700%2C400&ssl=1 2x"},"classes":[]},{"id":28402,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/20\/ai-aided-requirements-engineering-methodische-integration-von-llms-und-agenten-frameworks-in-den-anforderungsprozess\/","url_meta":{"origin":28461,"position":1},"title":"AI-Aided Requirements Engineering: Methodische Integration von LLMs und Agenten-Frameworks in den Anforderungsprozess","author":"Cedric Gottschalk","date":"20. February 2026","format":false,"excerpt":"Abstract Unklare und unvollst\u00e4ndige Anforderungen gelten als einer der Hauptgr\u00fcnde f\u00fcr das Scheitern von Softwareprojekten. Das vorliegende Paper untersucht den \u00dcbergang von klassischem Requirements Engineering (RE) hin zu einem KI-gest\u00fctzten Anforderungsprozess (AI-Aided RE). Zun\u00e4chst wird der Status Quo der Human-AI Collaboration (HAIC) im RE analysiert, wobei die Dominanz explorativer Proof-of-Concept-Ans\u00e4tze\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/CLEAR-1.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/CLEAR-1.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/CLEAR-1.png?resize=525%2C300&ssl=1 1.5x"},"classes":[]},{"id":28240,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/01\/29\/open-source-ki-modelle-chancen-und-herausforderungen-fur-unternehmen-2\/","url_meta":{"origin":28461,"position":2},"title":"Open-Source-KI-Modelle \u2013 Chancen und Herausforderungen f\u00fcr Unternehmen","author":"Erzan Gashi","date":"29. January 2026","format":false,"excerpt":"Anmerkung:\u00a0Dieser Blogpost wurde f\u00fcr das Modul Enterprise IT (113601a) verfasst 1. Einleitung In heutiger Unternehmens-IT gewinnt Open-Source-K\u00fcnstliche Intelligenz (KI) immer mehr an Bedeutung. In einem Beitrag der Linux Foundation wird beschrieben, dass sich das Open-Source-Modell seit den 1980er-Jahren von einer Bewegung zu einem wichtigen Treiber technologischer Innovation entwickelt hat. Diese\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/01\/grafik.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/01\/grafik.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/01\/grafik.png?resize=525%2C300&ssl=1 1.5x"},"classes":[]},{"id":28492,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/20\/auswirkung-der-integration-von-ki-auf-den-software-development-lifecycle-mit-fokus-auf-frontend-entwicklung\/","url_meta":{"origin":28461,"position":3},"title":"Auswirkung der Integration von KI auf den Software Development Lifecycle mit Fokus auf Frontend-Entwicklung","author":"Tom Bestvater","date":"20. February 2026","format":false,"excerpt":"Abstract - Die Integration K\u00fcnstlicher Intelligenz (KI) in den Software Development Lifecycle (SDLC) f\u00fchrt zu einer Transformation der Frontend-Entwicklung und verschiebt den Fokus von der manuellen Implementierung hin zur KI-gest\u00fctzten Orchestrierung. Das vorliegende Paper untersucht den Einfluss generativer KI-Modelle und multimodaler Sprachmodelle (MLLMs) auf die Frontend-Engineering-Prozesse, wobei ein besonderer Schwerpunkt\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/sdlc_phases.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/sdlc_phases.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/sdlc_phases.png?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/sdlc_phases.png?resize=700%2C400&ssl=1 2x"},"classes":[]},{"id":26769,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2025\/02\/25\/agilitat-trifft-enterprise-architecture-management-wie-eam-dynamische-unternehmen-zukunftssicher-macht\/","url_meta":{"origin":28461,"position":4},"title":"Agilit\u00e4t trifft Enterprise Architecture Management: Wie EAM dynamische Unternehmen zukunftssicher macht","author":"Luca Breh","date":"25. February 2025","format":false,"excerpt":"Anmerkung:\u00a0Dieser Blogpost wurde f\u00fcr das Modul Enterprise IT (113601a) verfasst. 1. Einleitung: Agil oder robust -\u00a0 warum nicht beides? Die digitale Transformation fordert Unternehmen heraus, schneller auf Ver\u00e4nderungen zu reagieren und gleichzeitig langfristig tragf\u00e4hige IT-Landschaften zu gestalten. Agile Methoden haben sich etabliert, um Flexibilit\u00e4t, Geschwindigkeit und Kundenorientierung zu f\u00f6rdern. Im\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/02\/agvseam.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/02\/agvseam.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/02\/agvseam.png?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/02\/agvseam.png?resize=700%2C400&ssl=1 2x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/02\/agvseam.png?resize=1050%2C600&ssl=1 3x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/02\/agvseam.png?resize=1400%2C800&ssl=1 4x"},"classes":[]},{"id":28372,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/18\/safeguards-in-der-ki-unterstutzten-softwareentwicklung\/","url_meta":{"origin":28461,"position":5},"title":"Safeguards in der KI-unterst\u00fctzten Softwareentwicklung","author":"Christoph Merck","date":"18. February 2026","format":false,"excerpt":"KI gest\u00fctzte Werkzeuge und autonome Agenten machen Softwareentwicklung schneller, schaffen aber neue Sicherheitsrisiken, weil sie eigenst\u00e4ndig Entscheidungen treffen und externe Tools nutzen k\u00f6nnen. Der Artikel zeigt, warum deshalb ein mehrschichtiges Safeguard Konzept n\u00f6tig ist, das klassische Ma\u00dfnahmen wie Code Reviews, Tests und statische sowie dynamische Analysen mit KI spezifischen Schutzmechanismen\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"","width":0,"height":0},"classes":[]}],"jetpack_sharing_enabled":true,"authors":[{"term_id":1196,"user_id":1311,"is_guest":0,"slug":"alice_ginnen","display_name":"Alice Ginnen","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/7215feb7ffe01aa3d74861518879e1666132615ef72cb8b74c3a7c906af4d986?s=96&d=mm&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""},{"term_id":1197,"user_id":1312,"is_guest":0,"slug":"sonja_schlegel","display_name":"Sonja Schlegel","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/45af9b4cc0a6805d4f2aa4522742a92826cc3c03e262ea135a73e5aaa4583412?s=96&d=mm&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""},{"term_id":1195,"user_id":1310,"is_guest":0,"slug":"timo_waldherr","display_name":"Timo Waldherr","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/828ab2e6a0bd5f4eedca485a4b489489b47ec37f889a848e996ecc6527e23b6d?s=96&d=mm&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""}],"_links":{"self":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28461","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/users\/1311"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/comments?post=28461"}],"version-history":[{"count":5,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28461\/revisions"}],"predecessor-version":[{"id":28489,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28461\/revisions\/28489"}],"wp:attachment":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/media?parent=28461"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/categories?post=28461"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/tags?post=28461"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/ppma_author?post=28461"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}