Brainstorming mit KI — Wann man den Advocatus Diaboli spielt

Teil der Serie Domain-Driven Design trifft KI.

Jedes Projekt beginnt mit einem leeren Blatt – und das leere Blatt ist der Ort, an dem gute Ideen sterben. Man bringt 8–12 Menschen in einen Raum, zeigt auf ein leeres Whiteboard und fragt: „Was ist unser Nordstern?” Die Antworten kommen, aber sie laufen in alle Richtungen auseinander – und die Session kippt leise in Richtung Gruppendenken oder hin zur lautesten Stimme im Raum. Das ist das Kaltstart-Problem der Ideenfindung: Wie kommt man in Gang, wenn es keinen Ausgangspunkt gibt, gegen den man sich abstoßen kann?

Der naheliegende Schritt ist, die KI zu fragen. Doch wie KI als Design-Partner gezeigt hat, kann die KI einem die Idee nicht abnehmen – der transformative Sprung muss aus dem Raum kommen. Was die KI sehr wohl kann: das Kaltstart-Problem auf eine engere, ehrlichere Weise auflösen. Sie kann den Ansätzen weitere Optionen hinzufügen, die die Menschen bereits notiert haben – und sie kann das Ergebnis später zerpflücken, ohne zu ermüden oder beleidigt zu sein.

Der Haken: Das sind zwei gegensätzliche Aufgaben, und die KI weiß nicht, welche davon gerade gefragt ist, wenn man es ihr nicht sagt.

Zwei Phasen – und zwischen ihnen kehren sich die Regeln um

Brainstorming ist eine Gruppen-Kreativitätstechnik, bei der Menschen frei und ohne Bewertung Ideen entwickeln (Osborn, 1953). Sie wurde in den 1940er-Jahren von Alex Osborn entwickelt und seither genutzt, um einen Problemraum zu öffnen. Brainwriting ist die stillere Schwester – die Teilnehmenden schreiben ihre Ideen auf, statt sie auszusprechen –, eingeführt von Rohrbach, um das Problem dominanter Stimmen zu entschärfen, das gesprochene Sessions plagt (Geschka et al., 1973; Rohrbach, 1969). Jahrzehnte später sind beide nach wie vor weit verbreitet und nach wie vor wirksam darin, Ideen aus einer Gruppe zu entwickeln (Junker, 2026; Mullen et al., 1991; Paulus & Yang, 2000; Wilson, 2013).

Eine Session läuft in zwei Phasen ab, und genau das ist der entscheidende Punkt für die KI. In der Divergenzphase erzeugt der Raum so viele Ideen wie möglich, und die Bewertung wird bewusst zurückgehalten. Sobald Ideen beurteilt werden, hören die Menschen auf, die ungewöhnlichen einzubringen, und die Session verengt sich, bevor sie sich überhaupt öffnen konnte. Osborns Regeln für diese Phase sind bewusst großzügig: Quantität vor Qualität, keine Kritik, verrückte Ideen willkommen heißen und auf den Ideen anderer aufbauen. In der Konvergenzphase tut das Team das Gegenteil – es sortiert, hinterfragt und streicht, mit wohlwollendem Urteil, bedachter Abwägung und einem ständigen Abgleich mit dem Ziel (Isaksen et al., 2011; Treffinger et al., 2006).

Die Regeln unterscheiden sich zwischen den beiden Phasen nicht nur. Sie kehren sich um. Und eine KI, die nicht weiß, in welcher Phase sie sich befindet, wird genau eine von beiden gründlich falsch machen.

Was eine ungeführte KI mit dem Raum macht

Man sehe sich an, was passiert, wenn man eine Standard-KI in die Divergenzphase wirft. Bittet man sie, am Brainstorming teilzunehmen, beginnt sie sofort zu benoten (vollständiges Transkript): „Drei davon sind operative Fässer ohne Boden, als Features getarnt – Lebensmittellogistik, Video-Hosting, ein OCR-Forschungsproblem; jedes Einzelne könnte das gesamte Budget verschlingen.” Scharf. Wahrscheinlich richtig. Und für diesen Moment genau falsch.

Das ist Konvergenzverhalten, das in der Divergenzphase auftaucht, und es bewirkt genau das, was ein dominanter Skeptiker im Raum bewirken würde: Es bringt die leisen Stimmen zum Schweigen. Die KI ist nicht defekt. Sie tut das Naheliegendste, was ein fähiger Kritiker tut – sie bewertet –, zum denkbar schlechtesten Zeitpunkt. Sich selbst überlassen, ist sie die überhebliche Stimme, die die Session abwürgt, die Verkörperung jener Bewertungsangst, gegen die die Divergenzregeln gerade existieren.

Der ganze Trick, KI in ein Brainstorming einzubinden, ist also Disziplin, kein cleverer Prompt: Die KI muss wissen, in welcher Phase der Raum sich befindet, und sich entsprechend verhalten. Zwei harte Grenzen halten sie an Ort und Stelle. Sie ist Teilnehmerin, keine Moderatorin – sie umreißt nicht das Problem, setzt nicht die Regeln, verwaltet keine Redezeit und ruft die Zeit nicht aus; sie bringt ihre Einwände in den Prozess ein, den die Menschen führen. Und sie hat nie das letzte Wort – jeder Einwand ist eine Hypothese, die das Team verwerfen kann, kein Urteil. Innerhalb dieser Leitplanken ergänzt sie in der Divergenz und greift in der Konvergenz an – und niemals umgekehrt.

Die Leitplanke ist ein Skill

Diese Grenzen in einem einmaligen Prompt zu formulieren, funktioniert für eine Nachricht und verläuft sich dann. Der dauerhafte Weg, eine KI in diesen Grenzen zu halten, besteht darin, das Verhalten als Skill zu verpacken – als wiederverwendbares Set aus Anweisungen und Ressourcen, das prägt, wie sich das Modell in einem bestimmten Kontext verhält.

Der Begriff ist älter als der aktuelle Hype. Microsofts Semantic Kernel verwendete „Skill” für modulare Fähigkeiten, bevor sie 2023 in „Plugins” umbenannt wurden (Bolanos, 2023), und die allgemeinere Idee, ein Modell über natürlichsprachliche Anweisungen zu steuern, reicht vom Few-Shot-Prompting (Brown et al., 2020) bis zum expliziten Instruction-Tuning (Ouyang et al., 2022). Neu war 2025 das konkrete Agent-Skills-Format (Zhang et al., 2025) – ein leichtgewichtiger, offener Standard, um einen Agenten um spezialisiertes Wissen und Workflows zu erweitern (Anthropic, 2025), der anschließend bei OpenAI, Microsoft (VentureBeat, 2025) und Google (Google, 2026) übernommen wurde. Für unsere Zwecke ist das Format einfach die passende Stelle, um die Leitplanke einmal festzuhalten: Du bist Teilnehmerin, keine Moderatorin; du hast nicht das letzte Wort; frage, in welcher Phase der Raum ist; steuere sie nicht. Diese Datei begleitet die Session und hält die KI über jeden Prompt hinweg ehrlich. Im Beispiel-Repository zum Buch liegt die vollständige Skill-Datei – zum Ansehen und Wiederverwenden.

Divergenz: Die KI ergänzt, sie erfindet nicht

Steht die Leitplanke, führt das Team die Divergenzphase auf die übliche Weise durch – eine Wand voller Klebezettel für die Idee der Rezeptplattform Larder: Kochunterstützung, Essensplanung, Community-Funktionen, Bewertungen, Wettbewerbe. Dann steigt die KI ein, und ihre Aufgabe ist hier eng umrissen. Sie nimmt die bereits auf dem Board vorhandenen Ideen und erweitert sie: rekombiniert, variiert und baut auf dem auf, was die Menschen notiert haben.

Das sollte man präzise benennen, denn hier ist die KI wirklich stark – und wirklich schwach. Was sie tut, ist kombinatorische Kreativität – neue Anordnungen vertrauter Elemente –, und genau dafür ist ein Verteilungsmodell geeignet. Der transformative Sprung, der Schritt, der das Problem neu rahmt, kommt weiterhin von den Menschen im Raum (Boden, 2004). Die Idee stammt nicht von der KI; sie fächert die Konsequenzen der Ideen auf, die man ihr gegeben hat. Verschiedene Modelle fächern unterschiedlich auf, und das ist für sich genommen nützlich – lässt man zwei oder drei laufen, erhält man eine breitere Auswahl.

Entscheidend ist: Das Team übernimmt die Ergänzungen der KI nicht ungeprüft. Dem Spec-First-Ansatz aus dem Prinzipien-Beitrag folgend, liest es die erzeugten Ideen, behält einige passende und ergänzt sie auf dem Board neben den eigenen; den Rest verwirft es. Die Menschen treffen weiterhin die Auswahl; die KI hat nur das Menü erweitert.

Das Brainstorming-Board nach der Divergenzphase – die von der KI ergänzten Ideen sind blau markiert.

Konvergenz: Jetzt von der Leine lassen

Sobald das Board voll ist, schaltet der Raum auf Konvergenz um – die Zettel werden in Kategorien gruppiert, mit dem Larder-Konzept in der Mitte und dem Rest ringsherum. Das ist der Moment, für den die KI ihr Feuer zurückgehalten hat. Jetzt nimmt sie die Rolle ein, zu der es sie zuvor gedrängt hat, die des Advocatus Diaboli – und derselbe Reflex, der die Divergenz ruiniert hätte, ist nun genau das, was die Session braucht.

Der Einwand, den sie vorbringt, ist der, den ein müdes Team selbst zu stellen vermeidet: Ihr verankert euch in der Annahme, dass mehr Features ein besseres Produkt bedeuten. Baut ihr das alles, liefert ihr etwas, das zehn Dinge schlecht kann. Was ist das eine Hero-Feature hier, das Nutzer nirgendwo sonst bekommen – und wenn ihr jetzt drei ganze Kategorien streichen müsstet, um den Kern zu schützen, welche würdet ihr opfern? Das ist kein Urteil; es ist eine Frage, die eine Entscheidung erzwingt. Das Team darf sie verwerfen. Aber sie zwingt dazu, den Schnitt zu benennen – und das ist der Moment, an dem Konvergenz tatsächlich stattfindet.

Aus diesem Druck heraus kann der Raum einen Nordstern formulieren, an den er glaubt – etwa: Larder ist eine Plattform zum Teilen von Rezepten und zur Unterstützung der Essenszubereitung, getragen von Köchen und erfahrenen Hobbyköchen, auf der eine Community Rezepte teilt und bewertet und die von 100 Freunden und Familienmitgliedern auf mehr als 2.500 Mitglieder in zwei Jahren wächst, begleitet von regelmäßigen Wettbewerben. Die Vision ist menschlich; der Beitrag der KI bestand darin, die einfache Version nicht durchzulassen.

Das Muster darunter

Über beide Phasen hinweg ist die Form dieselbe – und es ist die Form, zu der diese Serie immer wieder zurückkehrt: Die KI fordert heraus, die Menschen wählen aus und streichen. Was sich zwischen Divergenz und Konvergenz ändert, ist nicht, wer das Sagen hat – das haben immer die Menschen –, sondern welche Art von Druck die KI ausüben darf und wann. Stimmt das Timing nicht, wird aus einem fähigen Modell die lauteste, entmutigendste Stimme im Raum. Stimmt es, löst sich der Kaltstart auf, ohne dass die Session mit ihm zusammenbricht.

Eine Wand ausgewählter Ideen und eine Nordstern-Metrik (North Star Metric) sind die ersten Artefakte des Synergetic Blueprint. Für sich genommen sind sie noch bloß eine Vision. Als Nächstes in dieser Serie: diese Vision in etwas zu verwandeln, das als Planungsgrundlage taugt – ein Geschäftsmodell, das das Team aufbaut und die KI auf Herz und Nieren prüft, Block für Block.

Diese Serie ist aus meiner Arbeit am Buch DDD Meets AI entstanden, das bei Springer Nature erscheint.

---

Literatur

References

Anthropic. (2025, December). Agent skills. Anthropic. https://agentskills.io/home

Boden, M. A. (2004). The creative mind: Myths and mechanisms (2nd ed.). Routledge.

Bolanos, M. (2023, October). Skills to plugins: Fully embracing the OpenAI plugin spec in Semantic Kernel. Microsoft. https://devblogs.microsoft.com/semantic-kernel/skills-to-plugins-fully-embracing-the-openai-plugin-spec-in-semantic-kernel/

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.

Geschka, H., Schaude, G. R., & Schlicksupp, H. (1973). Modern techniques for solving problems. Chemical Engineering, 91–97.

Google. (2026). Agent skills. Google. https://github.com/google-gemini/gemini-cli/blob/013914071c5412188661014f2670ce3818cb98c3/docs/cli/skills.md

Isaksen, S. G., Dorval, K. B., & Treffinger, D. J. (2011). Creative approaches to problem solving: A framework for innovation and change (3rd ed.). SAGE Publications.

Junker, A. (2026). DDD toolbox: Comprehensive overview of concepts and collaborative modeling (1st ed., p. 186). BPB Publications.

Mullen, B., Johnson, C., & Salas, E. (1991). Productivity loss in brainstorming groups: A meta-analytic integration. Basic and Applied Social Psychology, 12(1), 3–23. https://doi.org/10.1207/s15324834basp1201_1

Osborn, A. F. (1953). Applied imagination: Principles and procedures of creative thinking. Charles Scribner’s Sons.

Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C. L., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P., Leike, J., & Lowe, R. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems, 35, 27730–27744.

Paulus, P. B., & Yang, H.-C. (2000). Idea generation in groups: A basis for creativity in organizations. Organizational Behavior and Human Decision Processes, 82(1), 76–87. https://doi.org/10.1006/obhd.2000.2888

Rohrbach, B. (1969). Kreativ nach Regeln – Methode 635, eine neue Technik zum Lösen von Problemen. Absatzwirtschaft, 12(19), 73–76.

Treffinger, D. J., Isaksen, S. G., & Stead-Dorval, K. B. (2006). Creative problem solving: An introduction (4th ed.). Prufrock Press.

VentureBeat. (2025, December). Anthropic launches enterprise “Agent Skills” and opens the standard, challenging OpenAI in workplace AI. VentureBeat. https://venturebeat.com/ai/anthropic-launches-enterprise-agent-skills-and-opens-the-standard

Wilson, C. (2013). Brainstorming and beyond: A user-centered design method. Morgan Kaufmann. https://doi.org/10.1016/C2012-0-03533-8

Zhang, B., Lazuka, K., & Murag, M. (2025, October). Equipping agents for the real world with Agent Skills. Anthropic. https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills