Tool ansehen · Bearbeitung ist für diesen Zugriff nicht freigegeben.
Kontakt Registrieren

Pre-Mortem Analyse AI

Methodenablauf

1 / 4Ziel klären

Pre-Mortem Analyse AI

Prospective Hindsight nach Gary Klein – das Scheitern einer Entscheidung vorab durchspielen und Präventivmaßnahmen ableiten

Gespeichert
Methodenfortschritt4/7 Qualitätsstufen
Durchgängiges DIN-A4-Formblatt quer (Pre-Mortem Analyse)

Ein Blattaufbau für alle Seiten – Stammdaten, Methodenbild, Analyseobjekte, Maßnahmen und Freigabespur im A3-Layout.

QuerformatDIN A4

PDF & PNG: kostenlos für alle · Weitere Exporte: nur für Kunden · JSON: nur VIPs, Admins und Superadmins

Strategie-Formblatt · Gelenkte Information (ISO 9001)

Pre-Mortem · Neuproduktlaunch KI-Diagnosemodul

Pre-Mortem Analyse · Die Pre-Mortem-Analyse nach Gary Klein (2007) nutzt 'Prospective Hindsight': Das Team nimmt an, eine geplante Entscheidung oder ein Projekt sei bereits gescheitert, und begründet rückblickend, warum es scheiterte. Diese Perspektivumkehr überwindet den Optimismus-Bias, Groupthink und Confirmation Bias, weil das Team nicht mehr über Risiken 'nachdenken' muss, sondern als detektivische Ermittler nach Ursachen für ein bereits eingetretenes Scheitern suchen. Das Ergebnis sind Risiken und Frühwarnsignale, die bei klassischer Risikoanalyse unentdeckt bleiben.
Version: 1.0
Status: Lernsimulation
Audit-Score: 84%
Freigabe: gesperrt

Stammdaten / Verantwortung

OrganisationTechMotion Automation SE · Modellunternehmen
OwnerLeitung Produktmanagement · Modellrolle
Freigabe durchGeschäftsführung · Modellrolle
Gültig ab / Review2026-10-18 / 2027-01-16
Markt / ZeitraumPredictive Maintenance · Prozessindustrie & Maschinenbau · 2026–2028

Zweck & Geltungsbereich

Zweck und ErgebnisProspective Hindsight nach Gary Klein: Das Scheitern des Produktlaunches vorab durchspielen, Ursachen identifizieren und Präventivmaßnahmen ableiten.
Geltungsbereich / AbgrenzungLaunch eines KI-gestützten Diagnosemoduls, Entwicklungsaufwand 3,5 Mio. €, Ziel 500 Installationen in 2 Jahren
Quellen / AusgangsdokumenteDidaktischer Modellfall. Szenarien, Ursachen und Wahrscheinlichkeiten sind Modellannahmen – zu validieren.
Annahmen / GrenzenPre-Mortem ist eine Prospective-Hindsight-Methode: Das Scheitern wird als erwiesen angenommen und rückblickend begründet. Die Ursachen sind Hypothesen, keine Fakten.

Strategische Schlussfolgerung

Entscheidung
Produktlaunch nur nach Kunden-Discovery (20 Interviews), Plug-and-Play-Integration, Human-in-the-Loop und Capex-Preismodell durchführen.
Begründung
Die Pre-Mortem-Analyse zeigt, dass Technologie-Push ohne Problem-Pull, Integrationsbarrieren und Vertrauensmangel die kritischen Scheitern-Ursachen sind. Die Präventivmaßnahmen adressieren alle drei Ursachen.
Priorität
hoch
Entschieden durch
—
Datum
—
Blatt 1 / 6
Strategie-Formblatt · Gelenkte Information (ISO 9001)

Pre-Mortem · Neuproduktlaunch KI-Diagnosemodul

Pre-Mortem Analyse · Die Pre-Mortem-Analyse nach Gary Klein (2007) nutzt 'Prospective Hindsight': Das Team nimmt an, eine geplante Entscheidung oder ein Projekt sei bereits gescheitert, und begründet rückblickend, warum es scheiterte. Diese Perspektivumkehr überwindet den Optimismus-Bias, Groupthink und Confirmation Bias, weil das Team nicht mehr über Risiken 'nachdenken' muss, sondern als detektivische Ermittler nach Ursachen für ein bereits eingetretenes Scheitern suchen. Das Ergebnis sind Risiken und Frühwarnsignale, die bei klassischer Risikoanalyse unentdeckt bleiben.
Version: 1.0
Status: Lernsimulation
Audit-Score: 84%
Freigabe: gesperrt

Pre-Mortem · Prospective Hindsight & Risikoprävention

Pre-Mortem Analyse · Prospective Hindsight nach Gary Klein

Gary Klein · 2007 · "Die Entscheidung ist gescheitert. Warum?"

Der entscheidende Mehrwert liegt nicht in der Risikolistung, sondern in der Perspektivumkehr: Das Team nimmt das Scheitern als erwiesen an und begründet es rückblickend. Das überwindet Optimismus-Bias, Groupthink und Confirmation Bias – weil man nicht mehr "über Risiken nachdenken" muss, sondern als Ermittler nach Ursachen für ein bereits eingetretenes Scheitern sucht.

Scheitern-Szenarien (1)

Szenario #1Neuproduktlaunch KI-Diagnosemodul ist gescheitert
Markthoch (50–75 %)Impact: kritisch
Geplante Entscheidung / Vorhaben

Launch eines KI-gestützten Diagnosemoduls für industrielle Anlagen. Entwicklungsaufwand: 3,5 Mio. €. Ziel: 500 Installationen in 2 Jahren, 4,5 Mio. € Umsatz. Zielgruppe: Wartungsleiter in Prozessindustrie und Maschinenbau.

Scheitern-Annahme (Prospective Hindsight)

Es ist 18 Monate nach Launch. Das Produkt ist gescheitert. 12 Installationen statt 500. Das Entwicklerteam wurde aufgelöst. Die Investition ist abgeschrieben.

Ursachen für das Scheitern

1) Kundenproblem falsch verstanden: Das Modul diagnostiziert Anomalien, aber Kunden wollten keine Diagnose sondern automatische Behebung – 'er sagt mir was kaputt ist, aber repariert es nicht'. 2) Integrationsbarriere: Jede Anlage hat ein anderes Steuerungssystem – die Integration dauerte 6–8 Wochen statt der geplanten 2 Wochen, was die Wirtschaftlichkeit zerstörte. 3) Vertrauensproblem: Wartungsleiter vertrauten der KI nicht bei sicherheitsrelevanten Anlagen – 'Wenn die KI sagt, alles ist i.O., und dann passiert ein Unfall, bin ich verantwortlich.' 4) Preismodell: SaaS-Abonnement wurde abgelehnt, Kunden wollten Capex statt Opex – 'Ich kaufe keine Software, die ich nicht besitze.'

Frühwarnsignale

1) Pilotkunden-Conversion < 30 % nach 3 Monaten (Pilot → Kauf). 2) Integrationszeit > 4 Wochen im Durchschnitt. 3) Kunden-NPS < 0 nach 6 Monaten. 4) Vertrieb-Pipeline: < 10 qualifizierte Leads pro Monat nach 9 Monaten.

Präventivmaßnahmen

1) Kunden-Discovery vor Entwicklung: 20 Wartungsleiter interviewen, Problem verifizieren, nicht Lösung präsentieren. Owner: Produktmanager, Termin: M-3. Messgröße: 20 geführte Interviews, Problem bestätigt. 2) Integrations-Modularisierung: Plug-and-Play-Adapter für Top-5-Steuerungssysteme, Integrationszeit < 2 Wochen. Owner: Entwicklungsleiter, Termin: M-6. Messgröße: Integrationszeit ≤ 2 Wochen bei 3 Pilotkunden. 3) Vertrauen aufbauen: Human-in-the-Loop, KI empfiehlt, Mensch entscheidet, Vollversicherung für Fehldiagnosen. Owner: Produktmanager, Termin: Launch. Messgröße: Vertrauensindex ≥ 4/5 bei Pilotkunden. 4) Preismodell anpassen: Capex-Option anbieten, nicht nur SaaS. Owner: Vertriebsleiter, Termin: M-2. Messgröße: 50 % der Kunden wählen Capex-Option.

Trigger / Eskalationsbedingung

Produktlaunch stoppen, wenn nach 6 Monaten Pilotkunden-Conversion < 20 % oder Integrationszeit > 6 Wochen. Eskalation an Geschäftsführung.

Strategischer Misfit / Blinder Fleck

Blinder Fleck: 'Die Technologie ist überlegen, also wird der Kunde sie kaufen' – Technologie-Push statt Problem-Pull. Der Innovations-Bias: Das Entwicklerteam liebte die Technologie, aber der Kunde wollte ein anderes Problem gelöst haben. Confirmation Bias: Nur positive Pilotkunden-Feedbacks wurden berichtet, kritische Stimmen wurden als 'nicht repräsentativ' abgetan.

Blatt 2 / 6
Strategie-Formblatt · Gelenkte Information (ISO 9001)

Pre-Mortem · Neuproduktlaunch KI-Diagnosemodul

Pre-Mortem Analyse · Die Pre-Mortem-Analyse nach Gary Klein (2007) nutzt 'Prospective Hindsight': Das Team nimmt an, eine geplante Entscheidung oder ein Projekt sei bereits gescheitert, und begründet rückblickend, warum es scheiterte. Diese Perspektivumkehr überwindet den Optimismus-Bias, Groupthink und Confirmation Bias, weil das Team nicht mehr über Risiken 'nachdenken' muss, sondern als detektivische Ermittler nach Ursachen für ein bereits eingetretenes Scheitern suchen. Das Ergebnis sind Risiken und Frühwarnsignale, die bei klassischer Risikoanalyse unentdeckt bleiben.
Version: 1.0
Status: Lernsimulation
Audit-Score: 84%
Freigabe: gesperrt

Scheitern-Szenario · Datenblatt mit Bewertung, Nachweisen und Maßnahmen

1
Scheitern-Szenario
Neuproduktlaunch KI-Diagnosemodul ist gescheitert
Methodisches Ergebnis
Markt · hoch
Herkunft
KI · bestätigt
Beschreibung / strategischer Inhalt
—
Objektiver Nachweis / Datenstand
Modellannahme – zu validieren: Marktforschung KI-Predictive-Maintenance, Pilotkunden-Feedback, Wettbewerbsanalyse, Erfahrungswerte aus 3 ähnlichen Produktlaunches.
Risiko-Kategorie
Markt
Geplante Entscheidung / Vorhaben
Launch eines KI-gestützten Diagnosemoduls für industrielle Anlagen. Entwicklungsaufwand: 3,5 Mio. €. Ziel: 500 Installationen in 2 Jahren, 4,5 Mio. € Umsatz. Zielgruppe: Wartungsleiter in Prozessindustrie und Maschinenbau.
Scheitern-Annahme: 'Das Vorhaben ist gescheitert. Warum?'
Es ist 18 Monate nach Launch. Das Produkt ist gescheitert. 12 Installationen statt 500. Das Entwicklerteam wurde aufgelöst. Die Investition ist abgeschrieben.
Evidenzqualität
C – Modellannahme / zu validieren
Ursachen für das Scheitern (Prospective Hindsight)
1) Kundenproblem falsch verstanden: Das Modul diagnostiziert Anomalien, aber Kunden wollten keine Diagnose sondern automatische Behebung – 'er sagt mir was kaputt ist, aber repariert es nicht'. 2) Integrationsbarriere: Jede Anlage hat ein anderes Steuerungssystem – die Integration dauerte 6–8 Wochen statt der geplanten 2 Wochen, was die Wirtschaftlichkeit zerstörte. 3) Vertrauensproblem: Wartungsleiter vertrauten der KI nicht bei sicherheitsrelevanten Anlagen – 'Wenn die KI sagt, alles ist i.O., und dann passiert ein Unfall, bin ich verantwortlich.' 4) Preismodell: SaaS-Abonnement wurde abgelehnt, Kunden wollten Capex statt Opex – 'Ich kaufe keine Software, die ich nicht besitze.'
Eintrittswahrscheinlichkeit
hoch (50–75 %)
Auswirkung bei Eintritt
kritisch
Frühwarnsignale: Woran wäre das Scheitern früh erkennbar?
1) Pilotkunden-Conversion < 30 % nach 3 Monaten (Pilot → Kauf). 2) Integrationszeit > 4 Wochen im Durchschnitt. 3) Kunden-NPS < 0 nach 6 Monaten. 4) Vertrieb-Pipeline: < 10 qualifizierte Leads pro Monat nach 9 Monaten.
Präventivmaßnahmen: Was jetzt tun, um das Scheitern zu verhindern?
1) Kunden-Discovery vor Entwicklung: 20 Wartungsleiter interviewen, Problem verifizieren, nicht Lösung präsentieren. Owner: Produktmanager, Termin: M-3. Messgröße: 20 geführte Interviews, Problem bestätigt. 2) Integrations-Modularisierung: Plug-and-Play-Adapter für Top-5-Steuerungssysteme, Integrationszeit < 2 Wochen. Owner: Entwicklungsleiter, Termin: M-6. Messgröße: Integrationszeit ≤ 2 Wochen bei 3 Pilotkunden. 3) Vertrauen aufbauen: Human-in-the-Loop, KI empfiehlt, Mensch entscheidet, Vollversicherung für Fehldiagnosen. Owner: Produktmanager, Termin: Launch. Messgröße: Vertrauensindex ≥ 4/5 bei Pilotkunden. 4) Preismodell anpassen: Capex-Option anbieten, nicht nur SaaS. Owner: Vertriebsleiter, Termin: M-2. Messgröße: 50 % der Kunden wählen Capex-Option.
Trigger / Eskalationsbedingung: Wann eingreifen?
Produktlaunch stoppen, wenn nach 6 Monaten Pilotkunden-Conversion < 20 % oder Integrationszeit > 6 Wochen. Eskalation an Geschäftsführung.
Erkannter strategischer Misfit / blinder Fleck
Blinder Fleck: 'Die Technologie ist überlegen, also wird der Kunde sie kaufen' – Technologie-Push statt Problem-Pull. Der Innovations-Bias: Das Entwicklerteam liebte die Technologie, aber der Kunde wollte ein anderes Problem gelöst haben. Confirmation Bias: Nur positive Pilotkunden-Feedbacks wurden berichtet, kritische Stimmen wurden als 'nicht repräsentativ' abgetan.
Tempovorteil durch Früherkennung ggü. Wettbewerb
Gleichauf
Strategische Führungskonsequenz
Pre-Mortem vor jedem Produktlaunch verpflichtend. Kunden-Discovery vor Entwicklung, nicht danach. Integrationsaufwand realistisch schätzen. Vertrauen als Produktfeature, nicht als Marketingversprechen. Preismodell an Kundenpräferenz anpassen, nicht an interne Präferenz.
Zugeordnete Maßnahmen (1)
Präventivmaßnahme: Neuproduktlaunch KI-Diagnosemodul ist gescheitertLeitung Produktmanagement · Modellrolle2027-01-16Wirksamkeitsnachweis: Messgröße und Schwellwert wie in Frühwarnsignalen definiertAuditfähiges Umsetzungsprotokoll mit Datenstand, Soll/Ist und dokumentierter Wirkung
Blatt 3 / 6
Strategie-Formblatt · Gelenkte Information (ISO 9001)

Pre-Mortem · Neuproduktlaunch KI-Diagnosemodul

Pre-Mortem Analyse · Die Pre-Mortem-Analyse nach Gary Klein (2007) nutzt 'Prospective Hindsight': Das Team nimmt an, eine geplante Entscheidung oder ein Projekt sei bereits gescheitert, und begründet rückblickend, warum es scheiterte. Diese Perspektivumkehr überwindet den Optimismus-Bias, Groupthink und Confirmation Bias, weil das Team nicht mehr über Risiken 'nachdenken' muss, sondern als detektivische Ermittler nach Ursachen für ein bereits eingetretenes Scheitern suchen. Das Ergebnis sind Risiken und Frühwarnsignale, die bei klassischer Risikoanalyse unentdeckt bleiben.
Version: 1.0
Status: Lernsimulation
Audit-Score: 84%
Freigabe: gesperrt

Methodischer Ablauf · Verfahrensnachweis aller Schritte

SchrittMethodenschrittZweck des SchrittsBearbeiteter InhaltNachweis / VerantwortungStatus
1Auftrag, Kontext und DokumentenlenkungZweck, Geltungsbereich, Verantwortung und Lenkung festlegenPre-Mortem · Neuproduktlaunch KI-Diagnosemodul · Predictive Maintenance · Prozessindustrie & Maschinenbau · 2026–2028Version 1.0 · Owner Leitung Produktmanagement · Modellrolle · Freigabe Geschäftsführung · Modellrolle · Didaktischer Modellfall. Szenarien, Ursachen und Wahrscheinlichkeiten sind Modellannahmen – zu validieren.abgeschlossen
2Erfassung: Vorhaben & Scheitern-AnnahmeScheitern-Szenario vollständig und abgegrenzt erfassen1 Scheitern-Szenario(e): Neuproduktlaunch KI-Diagnosemodul ist gescheitert1 von 1 mit objektivem Nachweis belegtabgeschlossen
3Bewertung: Ursachen, Signale & MaßnahmenAlle Bewertungskriterien je Objekt begründet ausfüllenKriterien: Ursachen für das Scheitern (Prospective Hindsight), Eintrittswahrscheinlichkeit, Auswirkung bei Eintritt, Frühwarnsignale: Woran wäre das Scheitern früh erkennbar?, Präventivmaßnahmen: Was jetzt tun, um das Scheitern zu verhindern?, Trigger / Eskalationsbedingung: Wann eingreifen?, Erkannter strategischer Misfit / blinder Fleck, Tempovorteil durch Früherkennung ggü. Wettbewerb, Strategische Führungskonsequenz1 von 1 Scheitern-Szenario(en) vollständig bewertetabgeschlossen
4Auswertung: Scheitern-Landkarte & EntscheidungMethodisches Ergebnis je Objekt ableiten und visualisierenNeuproduktlaunch KI-Diagnosemodul ist gescheitert: Markt · hochMethodenbild und Quadranten-/Kurvenbild als eigenes Blatt dokumentiertabgeschlossen
5Strategische EntscheidungEntscheidung, Priorität und Begründung verbindlich festhaltenProduktlaunch nur nach Kunden-Discovery (20 Interviews), Plug-and-Play-Integration, Human-in-the-Loop und Capex-Preismodell durchführen. · Priorität hoch—abgeschlossen
6Umsetzung und WirksamkeitMaßnahmen mit Owner, Termin, Kennzahl und Wirksamkeitsnachweis planen1 Maßnahme(n), davon 1 vollständigWirksamkeitsnachweis: Messgröße und Schwellwert wie in Frühwarnsignalen definiertabgeschlossen
7Methodenaudit, KI-Bestätigung und FreigabeBefunde bewerten, KI-Vorschläge bestätigen, Freigabe dokumentierenAudit-Score 84 % · rot 1 · gelb 2 · offene KI-Vorschläge 0nicht freigegebenoffen
Blatt 4 / 6
Strategie-Formblatt · Gelenkte Information (ISO 9001)

Pre-Mortem · Neuproduktlaunch KI-Diagnosemodul

Pre-Mortem Analyse · Die Pre-Mortem-Analyse nach Gary Klein (2007) nutzt 'Prospective Hindsight': Das Team nimmt an, eine geplante Entscheidung oder ein Projekt sei bereits gescheitert, und begründet rückblickend, warum es scheiterte. Diese Perspektivumkehr überwindet den Optimismus-Bias, Groupthink und Confirmation Bias, weil das Team nicht mehr über Risiken 'nachdenken' muss, sondern als detektivische Ermittler nach Ursachen für ein bereits eingetretenes Scheitern suchen. Das Ergebnis sind Risiken und Frühwarnsignale, die bei klassischer Risikoanalyse unentdeckt bleiben.
Version: 1.0
Status: Lernsimulation
Audit-Score: 84%
Freigabe: gesperrt

Umsetzung / Wirksamkeit

Nr.MaßnahmeBezugOwnerTerminKennzahlWirksamkeitsnachweisStatus
1Präventivmaßnahme: Neuproduktlaunch KI-Diagnosemodul ist gescheitertNeuproduktlaunch KI-Diagnosemodul ist gescheitertLeitung Produktmanagement · Modellrolle2027-01-16Wirksamkeitsnachweis: Messgröße und Schwellwert wie in Frühwarnsignalen definiertAuditfähiges Umsetzungsprotokoll mit Datenstand, Soll/Ist und dokumentierter Wirkunggeplant
Blatt 5 / 6
Strategie-Formblatt · Gelenkte Information (ISO 9001)

Pre-Mortem · Neuproduktlaunch KI-Diagnosemodul

Pre-Mortem Analyse · Die Pre-Mortem-Analyse nach Gary Klein (2007) nutzt 'Prospective Hindsight': Das Team nimmt an, eine geplante Entscheidung oder ein Projekt sei bereits gescheitert, und begründet rückblickend, warum es scheiterte. Diese Perspektivumkehr überwindet den Optimismus-Bias, Groupthink und Confirmation Bias, weil das Team nicht mehr über Risiken 'nachdenken' muss, sondern als detektivische Ermittler nach Ursachen für ein bereits eingetretenes Scheitern suchen. Das Ergebnis sind Risiken und Frühwarnsignale, die bei klassischer Risikoanalyse unentdeckt bleiben.
Version: 1.0
Status: Lernsimulation
Audit-Score: 84%
Freigabe: gesperrt

Auditbefunde · je Befundcode gebündelt

SchwereCodeAnzahlBefunde im Detail
ROTMETH-011
• Mindestens ein Scheitern-Szenario muss vollständig beschrieben sein.
GELBPRE-011
• Mindestens zwei Scheitern-Szenarien in unterschiedlichen Kategorien analysieren.
GELBREV-021
• Prüfer oder Prüfdatum fehlt.

Review / Freigabe

Geprüft durch
Prüfdatum
FreigabestatusNicht freigegeben
Prüfergebnis / AuflagenFachliche Freigabe im Lernbeispiel bewusst offen. Vor Freigabe Evidenz C durch interne und externe Nachweise ersetzen.
Audit-Score84% · rot 1 · gelb 2
HinweisKein Zertifizierungsnachweis – objektive Nachweise sind durch die verantwortlichen Personen zu verifizieren.
Blatt 6 / 6