Skip to content

background.de.md

Latest commit

 

History

History
227 lines (159 loc) · 8.99 KB

background.de.md

File metadata and controls

227 lines (159 loc) · 8.99 KB

Hintergrund und Kontext

🌐 Language / Sprache: English | Deutsch

Ursprung: Elon Musk's 5-Step Algorithm

Der 5-Schritte-Algorithmus wurde von Elon Musk bei SpaceX und Tesla entwickelt und ist in Walter Isaacsons Biografie "Elon Musk" (2023) dokumentiert. Die Methodik entstand aus der Notwendigkeit, komplexe Engineering-Prozesse radikal zu vereinfachen und zu beschleunigen.

Die Original-Schritte (Hardware-Engineering)

  1. Make the requirements less dumb – Hinterfrage jede Anforderung, besonders die von "klugen" Leuten
  2. Delete – Lösche jeden Teil, Prozess oder Schritt, der nicht absolut notwendig ist
  3. Simplify and Optimize – Vereinfache nur, was nach Schritt 2 übrig bleibt
  4. Accelerate – Erhöhe die Geschwindigkeit des Prozesses
  5. Automate – Automatisiere erst, wenn alles andere optimiert ist

Kernprinzip: Die Reihenfolge ist entscheidend

"If you're not occasionally adding things back in, you're not deleting enough."
– Elon Musk

Der häufigste Fehler in der Industrie ist, die Schritte in falscher Reihenfolge anzuwenden:

  • â�Œ Falsch: Zuerst automatisieren (Schritt 5), dann optimieren
    → Ergebnis: Ein effizienter Prozess, der das falsche Problem löst

  • ✅ Richtig: Erst hinterfragen (Schritt 1), dann löschen (Schritt 2), dann automatisieren (Schritt 5)
    → Ergebnis: Ein Prozess, der nur existiert, wenn er wirklich nötig ist

Adaption für öffentliche Verwaltung

Warum ist Adaption notwendig?

Hardware-Engineering und öffentliche Verwaltung unterscheiden sich fundamental:

Hardware-Engineering Öffentliche Verwaltung
Fehler sind reversibel (Teil wieder einbauen) Entscheidungen oft irreversibel (Soziale/politische Konsequenzen)
Erfolg messbar (Produkt funktioniert/nicht) Erfolg schwer messbar (Bürgerzufriedenheit, Gerechtigkeit)
Hierarchie-orientiert (CEO entscheidet) Stakeholder-orientiert (Demokratische Legitimation)
Geschwindigkeit = Wettbewerbsvorteil Stabilität = Vertrauen
Iterative Fehlerkultur ("Move fast, break things") Risikoaverse Kultur ("Sorgfaltspflicht")

Was wurde adaptiert?

  1. Chesterton's Fence-Prinzip (hinzugefügt)

    • Bevor eine Regel gelöscht wird, muss verstanden werden, warum sie eingeführt wurde
    • Verhindert voreilige Löschungen von "unsichtbaren" Sicherheitsmechanismen
    • Beispiel: Eine scheinbar unnötige Genehmigungsstufe schützt Minderheitenrechte

  2. Stakeholder-Analyse (Pflicht-Teilschritt in Schritt 2)

    • Hardware: Ein gelöschtes Bauteil betrifft nur das Produkt
    • Verwaltung: Ein gelöschter Prozess betrifft Menschen (Lehrpersonen, Eltern, Schüler)
    • Löschentscheide ohne Stakeholder-Einbezug sind in der Verwaltung politisch heikel

  3. Datenqualitäts-Indikator (hinzugefügt)

    • Hardware: Messbare Kennzahlen (Gewicht, Kosten, Taktzeit)
    • Verwaltung: Oft nur Schätzungen und Erfahrungswerte
    • Weise explizit auf unsichere Datenlage hin (wichtig für GL-Entscheide)

  4. Rechtliche Grundlagen als Rahmenbedingungen (hinzugefügt)

    • Hardware: "Dumb requirements" sind oft interne Vorgaben
    • Verwaltung: Gesetze/Verordnungen sind nicht verhandelbar
    • Unterscheidung: Gesetzliche Pflicht vs. interne Gewohnheit

  5. Pilotprojekte statt Flächenumsetzung (hinzugefügt)

    • Hardware: Prototyp testen, dann skalieren
    • Verwaltung: 1 Schulkreis testen, dann auf Stadt ausrollen
    • Reduziert Risiko bei grossen organisatorischen Änderungen

Theoretische Fundierung

Verwandte Konzepte

Der Musk-Algorithmus vereint Elemente aus mehreren Management- und Engineering-Philosophien:

1. Lean Manufacturing (Toyota Production System)

  • Muda-Elimination (Verschwendung beseitigen)
  • Kaizen (Kontinuierliche Verbesserung)
  • Jidoka (Fehler sofort stoppen)

Verwandtschaft zum Musk-Algorithmus:
Schritt 2 (Löschen) entspricht der Muda-Elimination. Beide Ansätze priorisieren die Beseitigung von Verschwendung vor Optimierung.

2. First Principles Thinking

  • Zurück zur fundamentalen Wahrheit
  • Analogien und Konventionen hinterfragen
  • "Was ist physikalisch/organisatorisch zwingend notwendig?"

Verwandtschaft zum Musk-Algorithmus:
Schritt 1 (Anforderungen hinterfragen) ist angewandtes First-Principles-Denken.

3. Theory of Constraints (Eliyahu Goldratt)

  • Identifiziere den Engpass (Bottleneck)
  • Optimiere nur den Engpass
  • Systemdenken statt Lokaloptimierung

Verwandtschaft zum Musk-Algorithmus:
Schritt 4 (Beschleunigen) fokussiert auf Engpässe im Prozessfluss.

4. Chesterton's Fence (G.K. Chesterton, 1929)

"Do not remove a fence until you know why it was put up in the first place."

Verwandtschaft zum Musk-Algorithmus:
In der Verwaltungs-Adaption als Sicherheitsventil in Schritt 2 integriert.

Warum funktioniert der Algorithmus?

1. Bekämpft Addition Bias

Menschen tendieren dazu, Probleme durch Hinzufügen zu lösen, nicht durch Weglassen.

Studie (Nature, 2021):
In Experimenten bevorzugten 80% der Teilnehmer das Hinzufügen von Elementen, obwohl Weglassen effizienter war.

Beispiel aus der Verwaltung:

  • Problem: Prozess dauert zu lange
  • Intuitive Lösung: Mehr Personal einstellen
  • Algorithmus-Lösung: Unnötige Schritte löschen

2. Erzwingt sequenzielles Denken

Die strikte Reihenfolge verhindert Sprünge zu "Lieblingslösungen".

Ohne Algorithmus:

  • User: "Wir brauchen ein KI-Tool für Schulanmeldungen"
  • Risiko: Automatisierung eines kaputten Prozesses (Schritt 5 vor Schritt 1)

Mit Algorithmus:

  • Schritt 1: Brauchen wir alle diese Anmeldungs-Schritte überhaupt?
  • Schritt 2: Welche können wir streichen?
  • ...
  • Schritt 5: Jetzt erst KI einsetzen

3. Macht implizite Annahmen explizit

Durch das Aufdecken der "Urheber" von Anforderungen werden Legacy-Prozesse sichtbar.

Beispiel:

  • Anforderung: "PDF-Formulare müssen in Arial 12pt sein"
  • Ursprung: IT-Richtlinie von 2009 (damals: optimiert für Fax-Versand)
  • Heute: Obsolet (kein Fax mehr im Einsatz)
  • Ergebnis: Anforderung wird gelöscht

Anwendungsbeispiele aus der Praxis

Tesla Gigafactory (Original-Kontext)

Schritt 1 (Hinterfragen):
Musk fragte: "Warum hat diese Roboter-Station eine Schutzverkleidung?"
Antwort: "Für die Sicherheit der Arbeiter."
Musk: "Welche Arbeiter? Hier arbeitet doch nur der Roboter."
→ Anforderung war obsolet

Schritt 2 (Löschen):
Schutzverkleidung wurde entfernt → 40% Platzeinsparung in der Fabrik

Schritt 5 (Automatisieren):
Tesla versuchte zu früh zu automatisieren ("Alien Dreadnought"-Phase) → Produktion brach zusammen
→ Lektion: Erst manuell stabilisieren, dann automatisieren

Schulamt Zürich (Adaptierter Kontext)

Schritt 1 (Hinterfragen):
Frage: "Warum müssen Schulanmeldungen per Post eingehen?"
Antwort: "Datenschutz-Policy von 2015 (keine Cloud-Tools)"
Prüfung: Ist die Policy noch aktuell? → Ja (DSG Zürich)
→ Anforderung bleibt, aber Umsetzung kann vereinfacht werden (On-Premise-Formular)

Schritt 2 (Löschen + Stakeholder-Analyse):
Löschkandidat: "Manuelle Excel-Erfassung"
Betroffene: Sekretariat
Einbezug: Workshop mit Sekretariat → Schulung für neue Lösung
→ Löschung genehmigt

Grenzen der Methodik

Der Musk-Algorithmus ist nicht geeignet für:

1. Kreativaufgaben

  • Brainstorming ohne Optimierungsziel
  • Künstlerische/pädagogische Prozesse ohne messbare Effizienz

2. Compliance-dominierte Bereiche

  • Wenn 90% der Anforderungen gesetzlich fixiert sind
  • Beispiel: Finanzberichterstattung (hier ist Optimierung marginal)

3. Notfall-/Krisensituationen

  • Wenn schnelle Entscheide ohne Analyse nötig sind
  • Beispiel: Schulschliessung bei Pandemie

4. Hochgradig politische Entscheidungen

  • Wenn Stakeholder-Konsens wichtiger ist als Effizienz
  • Beispiel: Schulkreis-Grenzen neu ziehen

Weiterführende Literatur

Primärquellen:

  • Isaacson, Walter (2023): Elon Musk. Simon & Schuster.
  • Musk, Elon (2021): 5 Steps to Improve Almost Anything (Interview mit Lex Fridman)

Verwandte Methodiken:

  • Womack, James P. / Jones, Daniel T. (1996): Lean Thinking. Simon & Schuster.
  • Goldratt, Eliyahu M. (1984): The Goal: A Process of Ongoing Improvement. North River Press.
  • Clear, James (2022): First Principles Thinking (Blog-Serie auf jamesclear.com)

Theoretischer Hintergrund:

  • Adams, Gabrielle S. et al. (2021): People systematically overlook subtractive changes. Nature 592, 258–261.
  • Chesterton, G.K. (1929): The Thing: Why I am a Catholic. Sheed & Ward.

Credits und Lizenz

  • Original-Algorithmus: Elon Musk (SpaceX/Tesla)
  • Adaption für öffentliche Verwaltung: Schulamt der Stadt Zürich, 2026
  • Lizenz: MIT License (frei verwendbar)