1.Lessons learned: Am Beispiel lernen
1.1.Kontext und Ziel der Rubrik
Der proto-Superorganismus 2.0 ist bewusst hypothesengetrieben angelegt. Teil I–V und die Charta beschreiben Diagnose, Metapher, Rechte/Grenzen, Lösungsräume und Prüfschema des Systems.
Was dort fehlt, sind durchgerechnete Szenarien, an denen sichtbar wird:
- wie sich bestimmte Designentscheidungen (z.B. eine WT-Zeitwährung, Zonenmodelle, Rotationslogiken) konkret auswirken,
- wo Modelle unter realistischen Annahmen brechen,
- welche Anpassungen nötig sind, um Charta-Ziele auch operativ einzuhalten.
Diese Rubrik versteht sich als Szenarienlabor / Lessons-Learned-Logbuch:
- Wir wählen einen Teilaspekt des proto-Superorganismus (z.B. Pflegesektor in „Stadt X“).
- Wir formulieren eine explizite Hypothese (z.B. WT-Zonen mit Extrem-Zone C).
- Wir simulieren, rechnen, justieren – und dokumentieren, wo das Modell scheitert oder tragfähig bleibt.
- Wir destillieren daraus Lessons learned und definieren offene Fragen für die nächste Iteration.
Ziel ist nicht, fertige Blaupausen zu präsentieren, sondern einen nachvollziehbaren Lernpfad: Wie verändern sich Annahmen, wenn man sie ernsthaft durchspielt?
1.2.Aufbau der einzelnen Szenarien
Jeder Eintrag unter /content/lessons/... folgt einem konsistenten Schema:
1.2.1.Kontext
- Worum geht es?
- Welcher „Organbereich“ des proto-Superorganismus wird simuliert (z.B. Pflege, Energie, Bildung)?
- Welche Teile des Handbuchs (Teil I–V, Charta) sind direkt berührt?
1.2.2.Ausgangshypothese
- Welche Idee wird getestet (z.B. drei WT-Zonen mit Extrem-Zone)?
- Welche normativen Ziele sind gesetzt (Gerechtigkeit, Öko-Integrität, Zeitboden, Demokratie)?
- Welche impliziten Annahmen über Verhalten, Politik, Technik liegen darunter?
1.2.3.Setup und Annahmen
- Zentrale Parameter (z.B. Zeitboden in WT, Stundenkontingente, Zonen, Rotationsregeln).
- Definition von Personas (z.B. Intensivpflegekraft, ambulante Pflege, Helfer:in).
- Vereinfachungen und bewusste Modellgrenzen (was wird nicht abgebildet?).
1.2.4.Simulation und Rechnungen
- Durchgerechnete Beispiele (Monats- oder Jahresrechnungen) mit kommentierten Zwischenschritten.
- Sensitivitätsbetrachtungen, wo sinnvoll:
- Was passiert bei Zielverschiebungen (z.B. 150 % vs. 200 % Zeitboden)?
- Was passiert bei geänderter Verteilung zwischen Zonen (mehr/weniger Extrem-Jobs)?
- Abgleich mit Charta und Teil V (Prüfregeln, Feedback, Selbstregulation).
1.2.5.Beobachtete Probleme
- Wo verletzt das Szenario Charta-Ziele (Gerechtigkeit, Gesundheit, Demokratie, Resilienz)?
- Wo entstehen unerwünschte Nebenwirkungen (z.B. neue Unterklassen, Burnout-Hotspots, strukturelle Überlastung)?
- Wo fehlen Daten oder Modellkomponenten (z.B. Gesamtstundenbilanz über alle Sektoren)?
1.2.6.Lessons learned (kondensiert)
- 3–8 präzise Schlussfolgerungen:
- Was behalten wir als robust?
- Was verwerfen oder ändern wir explizit?
- Welche Design-Prinzipien lassen sich verallgemeinern?
1.2.7.Nächste Iteration / offene Forschungsfragen
- Skizze der nächsten Modellvariante (v0.x+1).
- Konkrete Forschungsfragen:
- Welche Parameter sollen als Nächstes variiert werden?
- Welche zusätzlichen Sektoren oder Nebenbedingungen müssen ergänzt werden?
- Welche empirischen Daten wären nötig, um die Annahmen besser zu kalibrieren?
Damit entsteht im Laufe der Zeit ein „Laborjournal“ des proto-Superorganismus 2.0: Leser:innen sehen nicht nur Endergebnisse, sondern auch, warum bestimmte Varianten verworfen und andere bevorzugt werden.
1.3.Rolle von KI-gestützter Modellsimulation
Die Lessons-Rubrik ist bewusst so strukturiert, dass sie sich für KI-gestützte Simulationen eignet:
- Die Modellannahmen (WT-Formeln, Zonen, Caps, Rotationsregeln) sind formalisiert genug, um sie als Prompt-Eingabe zu verwenden.
- KI-Modelle können systematisch:
- Parameter-Varianten durchspielen,
- Persona-Profile kombinieren,
- Nebenbedingungen (Charta, Teil V) prüfen,
- und aus vielen Läufen strukturierte Feedback-Reports erzeugen.
Typische Aufgaben für eine KI im Rahmen dieser Rubrik:
- Generieren von Szenario-Matrizen (z.B. unterschiedliche WT-Zonen, Zeitboden, Verteilungsziele).
- Durchrechnen von Persona-Kombinationen und Sektor-Bilanzen für eine fiktive Stadt X.
- Identifikation von Bruchstellen (z.B. Burnout-Cluster, Unterversorgung, neue Ungleichheiten).
- Vorschlag von v0.x+1-Modellen mit klaren Begründungen.
Eine entsprechende Prompt-Struktur für solche Simulationen wird separat dokumentiert (z.B. unter „How-To: KI-gestützte Szenarien“).
1.4.Bisherige Beispiele
1.4.1.WT-Zonen und Extrem-Burnout im Pflegesektor von Stadt X
Stadt X – WT-Zonen und Extrem-Burnout
- Thema: WT-Zonen (Normal/Hoch/Extrem) im Pflegesektor von „Stadt X“.
- Forschungsfrage: Wie weit trägt ein Zonenmodell mit Extrem-Zone C, bevor es zu Burnout, neuer Ungleichheit und systemischer Schieflage führt?
- Kern-Lessons: Extrem-Zonen taugen nicht als Dauerkarriere, Zeitboden muss für alle Zonen fair erreichbar sein, unsichtbare Care-Arbeit muss mitgedacht werden, und sektorale Optimierung ohne Gesamtbilanz des Stadt-Superorganismus ist systemisch instabil.
Weitere Beispiele (Energie, Bildung, ÖPNV, Müll, digitale Commons etc.) können nach demselben Schema ergänzt werden:
/content/lessons/example-energy-storage-x/content/lessons/example-education-timebudget-y- …
Jeder neue Eintrag sollte klar angeben, welche Teile des Handbuchs er testet, und mit ihnen verlinkt sein (z.B. Teil III, Teil V, Charta A).
