Die ehrliche Antwort: Es ist keine Entweder-Oder-Frage auf Organisationsebene — und wer sie so stellt, stellt sie meist zu früh. Hier die Entscheidungshilfe, die wir in diesen Gesprächen verwenden.
Zuerst die Entwarnung: Niemand muss wechseln
Scaled Agile hat mit der Veröffentlichung ausdrücklich bestätigt, Core SAFe® weiterhin zu unterstützen und weiterzuentwickeln. Beide Modelle sind parallel verfügbar. Core SAFe® ist nicht abgekündigt, nicht veraltet, nicht das «alte Modell» — es ist das bewährte Operating Model für Produktentwicklung im grossen Massstab.
AI-Native SAFe® ist zudem Early Access: Die Guidance wächst alle zwei Wochen, der vollständige Reveal folgt am SAFe® Summit in San Diego (14.–18. September 2026). Details können sich bis dahin ändern. Wer heute entscheidet, entscheidet auf einem Zwischenstand — das spricht nicht gegen einen Start, aber gegen einen Big-Bang-Rollout.
Was strukturell anders ist — in fünf Punkten
Damit die Entscheidung auf Substanz beruht, die Kernunterschiede im Schnelldurchlauf:
- Steuerungsgrösse: Core SAFe® steuert über Backlogs und Lieferung. AI-Native SAFe® steuert über Outcomes — auf Portfolio-, ART- und Team-Ebene, mit PI Outcome Planning statt PI Planning.
- Pipeline: Aus der Continuous Delivery Pipeline wird die Continuous Innovation and Delivery Pipeline — von Discover bis Go-to-Market, mit Prototypen und Experimenten als gleichwertigen Arbeitselementen.
- Teams und Rollen: AI-Agenten werden Teammitglieder mit definierten Verantwortlichkeiten. Neue Rollen wie Product Builder, Domain Expert und AI Value Architect entstehen.
- Rohstoffe: Intent, Spezifikationen und kuratierte Daten werden explizite Inputs — weil AI-Ergebnisse nur so gut sind wie das, was man ihr gibt.
- Rhythmus: Sense and Respond ersetzt Inspect and Adapt — ein 2-Stunden-Lernereignis in jeder Iteration statt einmal pro PI.
Wann Core SAFe® (noch) das richtige Modell ist
Bleiben Sie bei Core SAFe®, wenn mehrere dieser Aussagen zutreffen:
- AI ist bei Ihnen Einzelwerkzeug, nicht Arbeitsweise. Mitarbeitende nutzen Copilot und ChatGPT, aber kein Team entwickelt AI-gestützte Produkte oder arbeitet mit AI-Agenten im Prozess.
- Der Basis-Flow ist noch nicht stabil. Wer PI Planning, Demos und kontinuierliche Verbesserung noch nicht verlässlich beherrscht, löst mit einem neuen Operating Model kein Problem — er verdoppelt es.
- Die Datenbasis fehlt. Ohne zugängliche, brauchbare Daten bleibt jede AI-Initiative Aktivität ohne Substanz. Das ist zuerst ein Daten-, kein Framework-Thema.
- Regulatorische Klärung steht aus. Wenn noch offen ist, welche Daten überhaupt verwendet werden dürfen, ist das die Hausaufgabe vor dem Modellwechsel.
Wichtig: «Bei Core bleiben» heisst nicht «nichts tun». Die Wirkungsfrage — was bringt unsere AI-Nutzung messbar? — stellt sich unabhängig vom Operating Model.
Wann AI-Native SAFe® der richtige Schritt ist
Der Wechsel — beginnend mit einem ART — lohnt sich, wenn:
- AI bereits produktiv läuft, in mehreren Bereichen, und die Frage nicht mehr «ob» lautet, sondern «lohnt es sich?».
- Der Nachweisdruck steigt. Verwaltungsrat, CFO oder Konzernmutter fragen nach dem Return der AI-Investitionen — und Team-Dashboards genügen als Antwort nicht mehr.
- Teams schneller bauen, als die Organisation validiert. Wenn Gebautes liegen bleibt, weil niemand systematisch prüft, ob es sicher und wertvoll ist, fehlt genau die Struktur, die AI-Native SAFe® liefert.
- Führung bereit ist, sich an Outcomes messen zu lassen. Das Modell funktioniert nur, wenn Leadership Wirkung definiert — nicht nur einfordert.
Der Trugschluss dazwischen: «Erst fertig werden, dann AI»
Die häufigste Antwort, die wir hören, ist keine Entscheidung, sondern eine Vertagung: «Wir stabilisieren erst unsere heutige Arbeitsweise, dann schauen wir das AI-Thema an.»
Die Daten zeigen, wohin das führt. Die Studie «Economic Maturity for Artificial Intelligence» des Return on AI Institute (Davenport/Srinivasan, März 2026) beschreibt, dass Organisationen auf dem Weg zur AI-Wertreife typischerweise auf halber Strecke stecken bleiben: Einzelmessungen existieren, aber niemand führt sie zu einer validierten Gesamtzahl zusammen — und dieser Zustand hält oft Jahre an.
Was diesen Organisationen fehlt, ist kein weiteres Framework-Detail. Es fehlt die Messdisziplin als Struktur: definierte Outcomes, Baselines, ein Validierungsrhythmus, eine Instanz mit Messverantwortung. Genau das sind die Elemente, die AI-Native SAFe® in das Operating Model einbaut — und genau deshalb ist «warten» die teuerste Option: Die Konkurrenz sammelt in dieser Zeit belegte Erfolgsfälle.
Die Entscheidungshilfe in fünf Fragen
- Läuft AI bei uns produktiv — oder experimentieren wir noch? (Piloten → Core, plus Wirkungsmessung aufbauen)
- Können wir den Wert unserer AI-Nutzung heute belegen? (Nein, aber der Druck steigt → AI-Native, mit einem ART starten)
- Ist unser Basis-Flow stabil? (Nein → zuerst Core festigen)
- Haben wir brauchbare, zugängliche Daten? (Nein → Datenarbeit vor Modellwechsel)
- Ist Leadership bereit, Outcomes zu definieren und sich daran messen zu lassen? (Nein → keine Modellfrage, eine Führungsfrage)
Das Muster dahinter: Core SAFe® und AI-Native SAFe® schliessen sich nicht aus. Der realistische Weg für die meisten Organisationen ist ein Übergangspfad — die Organisation arbeitet mit Core SAFe®, ein erster ART arbeitet AI-Native, mit einem Outcome und einem Experiment. Der Beweis skaliert das Modell, nicht der Beschluss.
Ausblick und Empfehlung
Die Frage «Core oder AI-Native?» hat keine Antwort für die ganze Organisation — aber eine sehr konkrete für den nächsten Schritt: Wo läuft AI heute produktiv, ohne dass jemand die Wirkung belegt? Dort beginnt der Übergang. Nicht als Programm, sondern als Beweis.
Nächste Schritte
Wissen, wo Sie stehen: Unser AI Value Maturity Quickcheck zeigt Ihnen in wenigen Minuten, auf welcher Messreife-Stufe Ihre Organisation steht — die wichtigste Eingangsgrösse für diese Entscheidung. → Quickcheck starten
Für Führungskräfte und Portfolio-Verantwortliche: Was AI-Native SAFe® als Operating Model bedeutet: → AI-Native SAFe®: Das Operating Model für die AI-Native Organisation
Der pragmatische Einstieg: Wie der erste Schritt konkret aussieht — ein ART, ein Outcome, ein Experiment: → Wo anfangen mit AI-Native SAFe® (erscheint in dieser Serie)
Für Scrum Master, Product Owner, RTEs und Product Manager: → Was AI-Native SAFe® für Ihre Rolle bedeutet → AI Value Architect: Die neue Rolle im AI-Native SAFe®
Bleiben Sie auf dem Laufenden: Wir begleiten jede Early-Access-Session auf Deutsch und berichten im September direkt vom SAFe® Summit in San Diego. → LinkedIn folgen
Mehr zu den AI-Native Kursen und Inhouse-Formaten von Taleon finden Sie auf unserer AI-Native Seite.
Quellen
- Scaled Agile — «New Release: AI-Native SAFe is the Operating Model for the AI-Native Organization», Andrew Sales, 23. Juni 2026 https://framework.scaledagile.com/blog/ai-native-safe-is-the-operating-model-for-the-ai-native-organization
- Scaled Agile — «AI-Native SAFe» (Landing Page mit beiden Operating Models) https://framework.scaledagile.com/ai-native-safe
- Scaled Agile — «The Four Critical Lean-Agile Shifts in the Age of AI» https://framework.scaledagile.com/the-four-critical-lean-agile-shifts-in-the-age-of-ai/
- Scaled Agile — «AI-Native SAFe Session 4: Reimagining PI Planning and SAFe Events for the Age of AI», Juli 2026 https://framework.scaledagile.com/blog/ai-native-safe-session-4-reimagining-pi-planning-and-safe-events-for-the-age-of-ai
- Return on AI Institute — «Economic Maturity for Artificial Intelligence», Thomas H. Davenport & Laks Srinivasan, März 2026 https://roaiinstitute.com/white-paper/economic-maturity-for-artificial-intelligence
- McKinsey & Company — «The state of AI in 2025: Agents, innovation, and transformation», QuantumBlack, 5. November 2025 https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai