Veröffentlicht am

Open Innovation: Three Innovation Modes

Wenn von Open Innovation gesprochen oder geschrieben wird, sollte zunächst klar sein, um welchen Ansatz es hier geht. Einerseits gibt es die Perspektive von Henry Chesbrough, der Open Innovation für Organisationen beschreibt, indem er den klassischen Innovationsprozess an verschiedenen Stellen öffnet. Dazu habe ich hier schon verschiedene Blogbeiträge, oder auch Konferenzpaper veröffentlicht (Veröffentlichungen).

Allerdings kann Open Innovation auch als Bottom-Up-Prozess interpretiert werden, der von einzelnen Personen ausgeht. Diese Perspektive vertritt Eric von Hippel besonders in seinem Buch Free Innovation, dass 2017 veröffentlicht wurde. Free Innovation definiert Eric von Hippel wie folgt: “First, no one pays free innovators for their development work, they do it during their unpaid, discretionary time. Second, free innovation designs are not actively protected by their developers—they are potentially acquirable by anyone for free” (ebd. p. 26). In diesem Sinne ergeben sich dann “three innovation modes” (p. 37-38):

  • A single free innovator is an individual in the household sector of the economy who creates an innovation using unpaid discretionary time and does not protect his or her design from adoption by free riders.
  • A collaborative free innovation project involves unpaid household sector contributors who share the work of generating a design for an innovation and do not protect their design from adoption by free riders.
  • A producer innovator is a single, non-collaborating firm. Producers anticipate profiting from their design by selling it. It is assumed that, thanks to secrecy or intellectual property rights, a producer innovator has exclusive control over the innovation and so is a monopolist with respect to its design.

Sechs nationale Studien zeigen dabei, dass der Anteil von single free innovator im Vergleich zu collaborative free innovation bei 72%-90% liegt (ebd. p. 25). Solche Zahlen sollten dazu führen, Innovationen nicht alleine nach dem Oslo Manual (2018) zu definieren, da diese Definition zu sehr auf Organisationen fokussiert ist. Weiterhin sollten einzelne Innovatoren stärker gefördert werden, da es hier scheinbar ein großes Potenzial gibt, das dann auch von anderen frei genutzt werden kann.

Veröffentlicht am

Was sind eigentlich mögliche Aufgabengebiete der Künstlichen Intelligenz?

Group of people with devices in hands working together as symbol of networking and communication

Die Geburtsstunde von “Künstlicher Intelligenz” geht auf einen Konferenzbeitrag von McCarthy im Jahr 1955 zurück. In der Zwischenzeit gibt es durch die vielen neuen technischen Möglichkeiten zwar immer wieder Definitionsversuche, doch immer noch keine einheitliche und anerkannte Definition. Was allerdings klar erscheint sind die verschiedenen Aufgabengebiete, die für eine Künstliche Intelligenz geeignet erscheinen. Russell und Norvig unterscheiden hier acht Aufgabengebiete (vgl. Russell und Norvig 2012; Peissner et al. 2019), zitiert in Fraunhofer IAO 2020:11-12):

  • Lernen
  • Problemlösung durch Suchen
  • Planen
  • Robotik
  • Entscheidung
  • Wissensrepräsentation
  • Wahrnehmung
  • Spracherkennung

Anhand dieser Auflistung wird deutlich, dass Künstliche Intelligenz viele Tätigkeiten in unserem gesellschaftlichen und wirtschaftlichen Leben beeinflussen kann. Es geht hier allerdings nicht immer um komplette Jobs, die infrage gestellt werden, sondern auch um Tätigkeitsportfolios, die in einzelnen Jobs oder in Prozessketten von KI profitieren können. Hier ein Beispiel:

Populär wurden in jüngster Zeit Anwendungen wie beispielsweise KI-gestützte »Chatbots«. Dies sind Programme, die eine Konversation mit Nutzern führen können. Social Chatbots agieren in sozialen Netzwerken wie Facebook und Twitter (vgl. Edwards 2016). Anwendungsgebiete sind u.a. Bestellungen (z.B. Pizza-Service), Antworten auf Kundenanfragen zu Prozessen (Paketdienste) und Bearbeitung von Beschwerden (Fraunhofer IAO 2020:13).

Veröffentlicht am

Gedanken zum Kommunikationsbegriff in sozialen Systemen

Image by Susanne Jutzeler, suju-foto from Pixabay

Immer wieder wird in Interaktionen deutlich, dass der Kommunikation eine wichtige Rolle zukommt. Doch was verstehen wir unter Kommunikation? Eine Sichtweise kann aus der Systemtheorie abgeleitet werden. Luhmanns Systemtheorie “begreift Kommunikationen als Operationen sozialer Systeme und Erwartungen als Strukturen, die kommunikative Ereignisse miteinander verknüpfen. Erwartungen werden dabei als Verdichtungen von Sinn bestimmt” (Schneider 2008:129). Dabei ist Sinn definiert “durch die Unterscheidung von Aktualität und Möglichkeit” (ebd. S. 141). Weiterhin ist interessant, dass der Kommunikationsbegriff über die Entscheidung mit Konsens und Konflikt zusammenhängt.

Über die drei Selektionen Mitteilungen, Information und Verstehen hinaus, die zusammen den Kommunikationsbegriff definieren, ist eine vierte Selektion für den weiteren Verlauf der Kommunikation von zentraler Bedeutung, die mit jeder Anschlußäußerung aufgerufen ist: die Entscheidung zwischen der Annahme und der Ablehnung der vorausgehenden Mitteilung. Diese Entscheidung markiert einen Verzweigungspunkt in Richtung Konsens und Konflikt (Schneider 2008:138).

Veröffentlicht am

Was sind eigentlich Multi-Kontext-Probleme?

Image by Gerd Altmann from Pixabay

Der Begriff “Problem” kommt in unserer Gesellschaft häufig vor, dabei gibt es oft keine einheitliche Meinung darüber, was ein “Problem” eigentlich ist. Es gibt einfache Probleme mit dem dazugehörenden simple problem solving, und komplexe Probleme mit ihrem complex problem solving. In solchen Multi-Kontext-Problemen kommt es darauf an, Entscheidungen unter Unsicherheit zu treffen – was nicht so einfach ist…

Strategische Probleme werden als wenig strukturierte bzw. schwer strukturierbare Probleme betrachtet. Für solche „innovativen Probleme“ bestehen wenig eindeutige Lösungsverfahren (Bamberger & Wrona, 2000). Analog hierzu spricht Dörner (1979) von dialektischen Problemen, bei denen zwar die Ausgangslage bekannt ist, aber nicht der Zielzustand und auch nicht die möglichen Mittel diesen Zielzustand zu erreichen. „Sie stellen Entscheidungen unter Unsicherheit dar und werden auch als sog. Multi-Kontext-Probleme derart bezeichnet, dass sie in unterschiedlichen, jeweils aktorspezifischen Kontexten definiert bzw. expliziert werden“ (Bamberger & Wrona, 2000, S. 6). Probleme werden demnach jeweils im Sinne eigener Werte Normen, Interessen und Sichtweisen der Realität betrachtet und interpretiert. Mit diesen unterschiedlichen Realitätskonstruktionen ist stets die Möglichkeit von Konflikten und das Erfordernis sie zu lösen verbunden (Bamberger & Wrona, 2000) (vgl. Grote, S.; Kauffeld, S.; Hering, V. & Tappe, D. 2009:15, Hervorhebung durch den Autor des Blogbetrags).

Complex Problem Solving ist anders als das einfache, Simple Problem Solving. Die Bewältigung solcher Multi-Kontext-Probleme ist allerdings für die Zukunft entscheidend. Manche Systeme der Künstlichen Intelligenz (KI/AI) können in der Zwischenzeit durchaus schon komplexe Problemsettings lösen, was zu Veränderungen auf dem Arbeitsmarkt führt, und in Zukunft noch stärker führen wird. Entscheidend für Menschen ist immer noch, die Bewältigung komplexer Problemlösungssituationen, die uns (noch) von Algorithmen der Künstlichen Intelligenz unterscheidet.

In meinem Vortrag (Special Keynote) auf der MCPC 2015 (Weltkonferenz zu Mass Customitation, Personalization and Co-Creation) in Montreal habe ich diese Zusammenhänge für Open Innovation dargestell (Konferenzen). Es freut mich sehr, dass mein damaligen Paper bei Researchgate heute immer noch intensiv gelesen und genutzt wird. Mein Paper Cognitive Computing and Managing Complexity in Open Innovation Model zur Weltkonferenz MCPC 2015 ist bei Springer veröffentlicht worden. Bitte sprechen Sie mich an, wenn Sie dazu Fragen haben.

Veröffentlicht am

Welche Einflussfaktoren wirken auf den Erfolg von Netzwerken?

Image by OpenClipart-Vectors from Pixabay

Um den Erfolg von Netzwerken sicher zu stellen, ist die Aufdeckung relevanter Einflussfaktoren bedeutsam. In der Literatur werden folgende Faktoren diskutiert (Denison/Grohmann 2009:431):

Vertrauen zwischen den Mitgliedern: Vertrauen wird sowohl im Bezug auf Netzwerke sowie auf Networking durchgängig als bedeutendes Merkmal bzw. als Basis der Beziehungen genannt (Baker, 1994; Elsholz & Meyer-Menk, 2002; Hanft, 1997; Uzzi, 1997). Vertrauen erleichtert es, Wissen zu teilen und kooperieren (Meyerson, Weick & Kramer, 1996).

Reziprozität (Gegenseitigkeit): Für Kooperationen in Netzwerken ist es ebenfalls von Bedeutung, dass der Austauschprozess zwischen den Partnern als angemessen und ausgewogen wahrgenommen wird (Elsholz & Meyer-Menk, 2002; Hanft, 1997).

Homogenität der Mitglieder innerhalb des Netzwerks: Die Homogenität bzw. Heterogenität der Netzwerke wird kontrovers diskutiert. Ergebnisse zeigen einerseits, dass bessere Lernerfolge in heterogen zusammengesetzten Netzwerken erzielt werden (Wilkesmann, 1999). Andererseits können in Netzwerken auf Grund der Austauschorientierung auch Vorteile homogen gestalteter Netzwerke erwartet werden (Ibarra, 1993).

Unterstützung der Mitglieder untereinander: Netzwerke können für die Teilnehmer eine Unterstützungsfunktion bieten, da sie Personen mit ähnlichen Arbeitsbedingungen und vergleichbaren Problemen zusammenbringen, die sich im Rahmen der Netzwerke auch über belastende Aspekte austauschen können (Jütte, 2002).

Commitment zum Netzwerk: Die Entwicklung einer gemeinsamen Identität gilt als Erfolgsfaktor für Netzwerke (Diettrich & Gillen, 2004). Durch ein hohes Commitment in einem Netzwerk, also die Identifikation mit der Gruppe, wird der Austausch zwischen den Netzwerkmitgliedern erleichtert (vgl. Nahapiet & Ghoshal, 1998).

Weitere Rahmenbedingungen: Als weitere Erfolgsfaktoren gelten die optimale Größe von Netzwerken und die Stabilität von Netzwerken. Je nach Zweck des Netzwerks wird bei eher ökonomisch orientierten Netzwerken eine optimale Größe von 10-50 Akteuren angegeben (Borkenhagen, Jäkel, Kummer, Megerle & Vollmer, 2004). Stabile Teilnehmergruppen, insbesondere ein stabiler Kern, gelten als bedeutsamer Aspekt für erfolgreiche Netzwerke (Diettrich & Gillen, 2004). Gerade der Personenwechsel kann lernen negativ beeinflussen (Wilkesmann, 1999).

Veröffentlicht am

Hybrides Innovationsmanagement: User Innovation und Producer Innovation

Image by Photo Mix from Pixabay

Seit Schumpeter (1934) propagieren Wirtschaftswissenschaftler, Geschäftsleute und Politiker ein Modell der Innovation, das auf die Hersteller ausgerichtet ist: Producer Innovation. Doch das ist nur eine Perspektive. Eine andere stellt bei Innovationen eher die User an den Anfang der Überlegungen: User Innovation.

Users, as I use the term, are firms or individual consumers that expect to benefit from using a product or a service. In contrast, manufacturers expect to benefit from selling a product or a service (Eric von Hippel 2013:118). Empirical studies also show that many users -from 10 percent to nearly 40 percent- engage in developing or modifying products (ebd. p. 120).

Die einen (Producer) wollen hauptsächlich ein Produkt verkaufen, und die anderen (User) wollen hauptsächlich ein Produkt nutzen. Es ist weiterhin erstaunlich, dass wohl zwischen 10-40% der User Produkte entwickeln, bzw. anpassen.

Aus meiner Sicht stellen die beiden Perspektiven allerdings kein Entweder-oder dar, sondern Extrempunkte zwischen denen vielfältige Kombinationen möglich sind. Solche hybriden Vorgehensweisen sind in vielen Bereichen heute Standard (Siehe dazu z.B. die HELENA-Studie zum hybriden Projektmanagement), warum also nicht auch in einem hybriden Innovationsmanagement? Eric von Hippel hat schon häufig darauf hingewiesen, dass Unternehmen mit User – Lead User – kooperieren sollten.

Veröffentlicht am

Interessante Fußnote im BuFi 2020

Der aktuelle BuFi 2020 – BMBF (2020): Daten und Fakten zum deutschen Forschungs- und Innovationssystem. Bundesbericht Forschung und Innovation 2020 (PDF) – ist wieder ein Quell der interessanten Informationen. Der Tenor ist immer wieder der selbe: Deutschland gibt viel Geld für Forschung aus, ist deshalb innovativ, nein besser: muss innovativ sein. Die Frage ist allerdings: Warum kommen die Innovationen des täglichen Gebrauchs aus den USA (Amazon, Apple, Microsoft, Facebook, Google usw.) oder zukünftig aus China (Alibaba, Tencent, WeChat, TikTok usw.)?

Weiterhin ist ja bekanntlich alles relativ, also relativ zur Definition, was unter Innovation zu verstehen ist. Interessant ist hier, dass die neue Definition von Innovation nach dem neuen Oslo Manual der OECD dazu geführt hat, dass die Innovatorenquote auf einem deutlich höheren Wert liegt, obwohl vor der neuen Definition ein Rückgang der Innovatorenquote zu beobachten war. Honi soit qui mal y pense.

Mit dem Berichtsjahr 2018 wurde die Messung von Innovationen an das neue Oslo Manual der OECD angepasst. Die Anzahl der Innovatoren liegt nun auf einem deutlich höheren Niveau, da insbesondere Prozessinnovationen weiter abgegrenzt werden als bisher und die Erfassung von Innovationen im Zusammenhang mit der Digitalisierung verbessert wurde (…). Vor Einführung der neuen Definition war ein Rückgang der Innovatorenquote zu beobachten gewesen (BMBF 2020:40).

Es ist bezeichnend, dass diese Information größtenteils in einer Fußnote versteckt ist. Allen Statistiken zum Trotz zeigt die Lebenswirklichkeit eine andere Realität. Das Innovationsmanagement sollte daher den Vergleich international, und weniger im nationalen oder im europäischen Kontext suchen. Wie sieht es aus, wenn wir “Innovation” weltweit vergleichen?

Veröffentlicht am

Forget about innovations?

Image by Engin Akyurt from Pixabay

Es vergeht kein Tag, an dem nicht daran erinnert wird, wie wichtig Innovationen für unser gesellschaftliches Leben sind. Es geht dabei um Produktinnovationen, Dienstleistungsinnovationen, Geschäftsmodellinnovationen, Soziale Innovationen, Frugale Innovationen usw. usw.

Darüber hinaus werden für die Stärkung der Innovationsfähigkeiten massiv Fördergelder eingesetzt. Dennoch habe ich manchmal den eindruck, dass wir mehr Förderinitiativen und Preise für Innovationen haben, als wirklich Innovationen. Denn wenn wir wirklich so innovativ wären, hätten wir bestimmt ein deutsches/europäisches Amazon, Facebook, Apple, WeChat, Alibaba, Tencent, TikTok usw. Möglicherweise liegt es doch an dem Innovationsverständnis. Das folgende Beispiel soll das illustrieren.

Therefore I say – a bit provocatively – forget about innovation. There is no customer who wants to buy your innovation, as your innovation. If you go to a coffee machine, you will likely push the cappuccino button. The more creative among you may choose to drink the latte. The innovation in that machine is not the technology that brings milk and coffee together. The innovation is demand for cappuccino, which was not there five years ago. That alone is the innovation (Groeger 2013:56).

Veröffentlicht am

Was macht ein komplexes System aus?

In Verbindung mit Arbeit 1.0-4.0 – oder auch im Projektmanagement usw. – wird häufig von komplexen Systemen gesprochen/geschrieben. Doch, was macht ein komplexes System aus?

First of all we have to discuss what we understand by complex systems. In a naive way, we may describe them as systems which are composed of many parts, or elements, or components which may be the same or of different kinds. The components or parts may be connected in a more or less complicated fashion (Haken 2006:1) (…) Systems may not only be complex as a result of being composed of so many parts but we may also speak of complex behaviour. The various manifestations of human behaviour may be very complex as is studied e.g. in psychology (ebd. p. 3) (…) An important step in treating complex systems consists in establishing relations between various macroscopic quantities. These relations are a consequence of microscopic events which, however, are often unknown or only partially known (ebd. p. 7).

Solche gänzlich unbekannten, oder teilweise unbekannten Beziehungen machen also ein System zu einem komplexen System. Doch wie kann eine Organisation, ein Team, oder auch jeder Einzelne mit etwas umgehen, das teilweise oder völlig unbekannt ist? Es scheint zunächst einmal deutlich zu werden, dass der Umgang mit offensichtlich vorhandenen Daten und Informationen nicht ausreicht. Beim Umgang mit komplexen Systemen kommt neben neuen technologischen Möglichkeiten noch hinzu, dass es Menschen braucht, die mit ihren vielfältigen Potenzialen solche Situationen bewältigen können. Siehe dazu auch Umgang mit Unschärfe und Unsicherheit, oder Erstens kommt es anders, zweitens als man denkt.

Veröffentlicht am

Gibt es eine magische Zahl bei Konsumentenentscheidungen?

Image by Willfried Wende from Pixabay

In verschiedenen Blogbeiträgen habe ich darauf hingewiesen, dass eine Vielzahl an Alternativen dazu führen kann, dass Kaufentscheidungen von Konsumenten blockiert werden. In Konferenzpaper wird häufig auf Barry Schwartz (2004) verwiesen, der diesen Umstand ausführlicher in seinem Buch The Paradox of Choice erläutert hat. Siehe dazu auch Mass Customization.

Interessant ist allerdings, dass in dem Zusammenhang schon 1956 eine magische Zahl von einem Psychologen erkannt und vorgeschlagen wurde. Leider wird diese Quelle kaum noch erwähnt.

Es gibt eine Grenze für die Information, die der Mensch verdauen kann, eine Grenze, die oft der magischen Zahl Sieben entspricht, plus/minus zwei, der Kapazität des Kurzzeitgedächtnisses (Gigerenzer 2007:39). Diese magische Zahl wurde von dem Psychologen George A. Miller (1956) vorgeschlagen. Ausgehend von dieser Zahl, gelangt Malhotra (1982) zu dem Schluss, dass bei Konsumentscheidungen zehn oder mehr Alternativen die Entscheidungen beeinträchtigen (ebd. 248).

Es wäre schön, und für die Qualität von Veröffentlichungen hilfreich, wenn zu den einzelnen Aspekten genauer recherchiert würde. Oft sind “neue Erkenntnisse” schon früher einmal erwähnt und auch der Öffentlichkeit zugänglich gemacht worden. Eine entsprechende Quellenangabe sollte auch diese Leistungen gebührend würdigen.