Gerade Kleine und Mittlere Unternehmen (KMU) können es sich oftmals nicht leisten, eigene Trainingsmodelle (Large Language Models) zu entwickeln. KMU greifen daher gerne auf bekannte Modelle wie ChatGPT usw. zurück.
Es wird allerdings gerade bei innovativen KMU immer klarer, dass es gefährlich sein kann, eigene Datenbestände in z.B. ChatGPT einzugeben. Da diese Modelle nicht transparent sind ist unklar, was mit den eigenen Daten passiert.
Eine Möglichkeit aus dem Dilemma herauszukommen ist, RAG (Retrieval-Augmented Generation) zu nutzen – also ein Basismodell mit einer internen Wissensbasis zu verknüpfen:
“Retrieval-Augmented Generation (RAG): Bei RAG wird ein Basismodell wie GPT-4, Jamba oder LaMDA mit einer internen Wissensbasis verknüpft. Dabei kann es sich um strukturierte Informationen aus einer Datenbank, aber auch um unstrukturierte Daten wie E-Mails, technische Dokumente, Whitepaper oder Marketingunterlagen handeln. Das Foundation Model kombiniert die Informationen mit seiner eigenen Datenbasis und kann so Antworten liefern, die besser auf die Anforderungen des Unternehmens zugeschnitten sind” (heise business services (2024): KI für KMU: Große Sprachmodelle erfolgreich einsetzen – mit Finetuning, RAG & Co.).
Wir gehen noch einen Schritt weiter, indem wir (1) einerseits LocalAI und Open Source AI mit einem Assistenten nutzen, und (2) darüber hinaus mit Hilfe von Ollama und Langflow eigene KI-Agenten entwickeln, die auf Basis von Open Source AI Modellen und beliebig konfigurierbaren eigenen Input einen gewünschten Output generieren In dem gesamten Prozess bleiben alle Daten auf unserem Server.
Mit Hilfe der hybriden WettbewerbsstrategieMass Customization (PDF) ist es Unternehmen möglich, Produkte zu individualisieren, ohne dass der Preis höher ist, als bei massenhaft hergestellten Produkten. Kernelement ist dabei ein Konfigurator, mit dem der Kunde selbst in einem definierten Lösungsraum (fixed solution space) vielfältige Möglichkeiten zusammenstellen kann. In der Zwischenzeit gibt es allerdings mit Künstlicher Intelligenz noch ganz andere Optionen für Mass Customization.
Künstliche Intelligenz kann für einen Verbraucher Produkte und Dienstleistungen entwickeln und anbieten, nur auf Basis der vom Konsumenten generierten Daten – sogar ohne die aktive Mitwirkung des Konsumenten. Damit bringt Künstliche Intelligenz Mass Customization auf ein neues Level: Smart Customization.
“But this is one area where AI can take mass customization to a new level: The growth of AI and machine learning can allow us to use all the data traces consumers leave online to design a perfect product for an individual consumer, without their active involvement. AI can evolve into the ability to perfectly customize a product for a consumer, without the need for a conscious process of elicitation from the consumer. As a consumer, I could specify what I want for aesthetics, while for functional parameters, it could be the system that senses what I want and desire. An algorithm reading your Instagram profile might know better than you do about your dream shirt or dress. I see a lot of opportunity to use the data that’s out there for what I call smart customization” (Piller, Frank T. and Euchner, James, Mass Customization in the Age of AI (June 07, 2024). Research-Technology Management, volume 67, issue 4, 2024 [10.1080/08956308.2024.2350919], Available at SSRN: https://ssrn.com/abstract=4887846).
Dieser Ansatz ist natürlich für Unternehmen interessant, da sie die umständlichen und teuren Befragungen von Verbraucher nicht mehr – oder etwas weniger – benötigen, um angemessene Produkte anzubieten.
Es gibt allerdings auch noch eine andere Perspektive: Was ist, wenn die Verbraucher ihre eigenen Daten mit Hilfe von Künstlicher Intelligenz selbst nutzen, um eigene Produkte zu entwickeln? Im Extremfall – und mit Hilfe von modernen Technologien wie z.B. den 3D-Druck (Additive Manufacturing) – können sich die Verbraucher innovative Produkte selbst herstellen. Diese Option klingt etwas futuristisch, da wir es gewohnt sind, Innovationen mit Unternehmen in Verbindung zu bringen. Doch hat Eric von Hippel gezeigt, dass es immer mehr von diesen Open User Innovation gibt, die gar nicht in den üblichen Statistiken zu Innovation auftauchen. Siehe dazu auch
Wir haben uns in der Vergangenheit daran gewöhnt, dass es vereinzelt Messstationen gab, an denen Umweltdaten generiert und oft von Behörden genutzt wurden. In der Zwischenzeit gibt es eine Sensor Community, bei der jeder mitmachen, und Umweltdaten frei zur Verfügung stellen kann – als Open Data.
Wie in der Abbildung zu erkennen ist, gibt es in Europa schon sehr viele, die diesen Ansatz unterstützen, und Messpunkte und Messdaten zur Verfügung stellen. Weltweit gibt es aktuell 12.101 Sensoren in 76 Ländern mit30.703.440.715 Datenpunkten.
Da die Daten frei zur Verfügung gestellt werden (Open Data) können daraus auch eigene/neue Dienstleistungen oder auch Produkte entwickelt werden. Dieser Innovationsansatz wird von Eric von Hippel als Democratizing Innovation beschrieben. So eine Perspektive auf Innovation ist ganz anders als die übliche, die von Innovationen ausgeht, die Organisationen/Unternehmen generieren.
Innovationen zeichnen sich dadurch aus, dass es sich dabei um etwas Neues handelt. Auf dem Weg zu einer Innovation hat ein entsprechendes Projekt (Innovationsprojekt) Widerstände und Barrieren zu überwinden. In diesem Prozess hat es sich bewährt, Promotoren auszumachen, die helfen, diese Barrieren zu überwinden. Das Promotorenmodell von Witte ist hier eine oft erwähnte Hilfestellung. Zusammen mit der Rolle eines Gatekeepers ergeben sich somit die folgenden Schlüsselrollen mit den jeweils typischen Leistungsbeiträgen.
Schlüsselpersonen
Typische Leistungsbeiträge
Machtpromotor
Überwinden von „Barriere des Nicht-Wollens“ – Zieldefinition, – Ressourcenbereitstellung, – Schutz vor Opponenten, – Prozesssteuerung
Fachpromotor
Überwinden von „Barriere des Nicht-Könnens“, „Barriere des Nicht-Wissens“ – Ideengenerierung, – Alternativenentwicklung, – Konzeptevaluierung, – Implementierung
Prozesspromotor
Überwinden von „Barriere des Nicht-Dürfens“ – Zusammenführung, – Vermittlung, – Konfliktmanagement, – Prozesssteuerung, – Koordination
Beziehungspromotor
Überwinden von „Barriere des Nicht-Miteinander-Könnens und Nicht-Miteinander-Wollens“ – Informationsaustausch, – Finden und Zusammenbringen von Interaktionspartnern, – Koordination, – Planung und Steuerung von Austauschprozessen, – Konfliktmanagement
Gatekeeper
– Suchen nach und Sammeln von Informationen, – Filtern von Informationen zur Aufnahme und Ausgabe, – Informationsaufnahme und -ausgabe, – Schutz der Organisation vor Informationsüberfluss und externem Druck
Typische Schlüsselpersonen in Innovationsprojekten (Hochbrügge et al 2017, in projektmanagementaktuell 4/2017, verändert nach Gemünden/Hölzle/Lettl (2006)
Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.
In unsicheren, turbulenten Zeiten kommen plangetriebene Projekte an ihre Grenzen, da sich Anforderungen und Vorgehensweisen (Methoden/Techniken) oft ändern. Das bisher übliche eher langfristige planen über über mehrere Monate, Quartale und Jahre kommt an seine Grenzen.
Ein eher iteratives Vorgehen in eher kürzeren Zyklen bietet sich gerade bei Entwicklungsprojekten und hier besonders bei der Softwareentwicklung an. Das Agile Manifest und das Scrum-Framework sind entsprechende Antworten auf diese Entwicklungen. Im Vergleich zum plangetrieben Vorgehen, schlägt der Scrum-Guide vor, Produkte (Increments) maximal in einem Monat zu entwickeln. Die Praxis zeigt, dass Organisationen sogar zu 14-tägigen Zyklen tendieren.
In Zeiten von Künstlicher Intelligenz (KI) können allerdings gerade Software-Produkte immer schneller entwickelt und als Produkt (Increment) vorgestellt werden. das kann schon in wenigen Tagen, ja in wenigen Minuten erfolgen.
Was bedeutet das für das Scrum-Framework?
Gehen wir von dem Gedanken aus, dass Künstliche Intelligenz in immer schnelleren und kürzeren Zyklen Produkte generieren kann, wird der Scrum-Zyklus eher zu einem permanenten Fluss an Produkten – und somit eher zu einem Vorgehen, das wir aus Kanban kennen.
Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.
Vergleich der Projektrisikobewertung klassischer und agiler Methoden (Müller/Hüsselmann (2017), in projektmanagementaktuell 2/2017, in Anlehnung an Komus 2016)
In der Abbildung sehen Sie auf der Y-Achse das Projektrisiko abgebildet, das zu Beginn eines klassischen Projekts relativ hoch ist, und sich dann bei den verschiedenen Zeitpunkten der Risikobewertung reduzieren sollte. Es wird bei der Darstellung deutlich, dass das Projektrisiko zunächst langsam sinkt und dann rapide abnimmt, je mehr alle Projektbeteiligten über das Projekt Wissen. Siehe dazu auch Cone of Uncertainty.
Bei agilen Vorgehen haben wir über die Zeit eine stufenweise Abnahme des Projektrisikos von Beginn an. Durch die iterative Arbeitsweise, z.B. in Sprints, reduziert sich das Projektrisiko in “kleinen Häppchen”, an den verschiedenen Zeitpunkten – beispielsweise durch das Review am Ende eines jeden Sprints. Es wird auch hier deutlich, dass agile Vorgehensweisen Vorteile haben, wenn es um innovative Projekte geht, bei denen oft das Wissen über das Produkt und die Methoden unklar sind.
Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.
Auf der Informationsseite der GPM dazu finden Sie weitere Hinweise zum Aufbau und zur Durchführung der Studie Die wichtigsten Ergebnisse zum Schwerpunkt NachhaltigkeitimProjektportfolio werden auf der Seiten 51-52 wie folgt zusammengefasst: (ebd.)
(1) Nachhaltigkeitsziele werden zwar im Projektportfolio integriert, jedoch legen nur sehr wenige Unternehmen einen Schwerpunkt auf Projekte mit expliziten Nachhaltigkeitszielen.
(2) Nachhaltigkeit als Kriterium zur Genehmigung und Priorisierung von Projekten zeigt sich heterogen: ein Viertel bis ein Drittel sieht Nachhaltigkeit als entscheidend an, genauso viele jedoch nicht.
(3) Insbesondere bei F&E-/Neuproduktentwicklungsprojekten, Infrastrukturprojekten und Kunden/Auftragsprojekten sind Nachhaltigkeitsziele häufiger explizite Projektziele.
(4) Derzeit scheint besonders in den frühen Phasen der Projektentwicklung Nachhaltigkeit stärker berücksichtigt zu werden, während inaktive Projekte tendenziell weniger Fokus auf Nachhaltigkeit aufweisen. Möglicherweise sind Projekte mit Nachhaltigkeitsbezug vor allem in der jüngeren Vergangenheit initiiert worden. Allerdings wäre auch eine andere Interpretation möglich: Nachhaltigkeit kann aus dem Fokus geraten, wenn im Laufe der Projektumsetzung die klassischen Erfolgsmaßstäbe Zeit, Kosten und Leistungsumfang stärker ins Augenmerk der Projektleitung rücken. Gerade dann wäre jedoch ein Projektportfoliomanagement zielführend, wenn es die kontinuierliche Berücksichtigung aller definierten Kriterien – inklusive Nachhaltigkeit – einfordert.
(5) Die allgemeine Öffentlichkeit sowie die Kunden werden als die zentralen externen Stakeholdergruppen gesehen, die Nachhaltigkeit als Kriterium zur positiven Beurteilung von Projekten heranziehen. Unternehmensintern ist es vor allem die Unternehmensleitung, die das Kriterium Nachhaltigkeit heranzieht.
Es wird deutlich, dass das Thema Nachhaltigkeit in Zukunft noch stärker im Projektportfolio bei der Projektauswahl, der Projektdurchführung und dem Projektabschluss beachtet werden sollte. Siehe dazu auch
Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen, Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.
Innovationen sind den Standort Deutschland wichtig – für die gesamte Gesellschaft und für Organisationen. Im Jahr 2019 wurde dazu in der ISO 56002 ein Rahmen für das Innovationsmanagement in Organisationen veröffentlicht. Zusammen mit der übergeordneten ISO 56000 wird auch eine einheitliche Definition von “Innovation” und “Innovationsmanagement” festgelegt:
Eine Innovation beschreibt hier eine “neue oder veränderte Einheit, die Wert schafft oder neu verteilt” (ISO 56000).
“Ein Innovationsmanagementsystem ist ein Satz zusammenhängender oder sich gegenseitig beeinflussender Elemente die auf der Schaffung von Wert abzielen. Es bietet einen gemeinsamen Rahmen zum Entwickeln und Bereitstellen von Innovationsfähigkeiten, Beurteilen von Leistung und Erreichen von beabsichtigten Ergebnissen” (ISO 56002:2019), gefunden in Flore/Würdemann (2024), projektmagementaktuell 05/2024).
In der nationalen und internationalen Zusammenarbeit ist es immer gut, Begriffe zu standardisieren, um die Kommunikation zu vereinfachen. Ich frage mich allerdings, ob die in den letzten Jahrzehnten veröffentlichten Normen zum Innovationsmanagement in Organisationen wirklich dazu beigetragen haben, dass Organisationen innovativer geworden sind. Die Realität sieht m. E. in Deutschland nicht danach aus…. Siehe dazu auch:
In diesem Beitrag geht es mir darum aufzuzeigen, wie Künstliche Intelligenz bei Open Innovation genutzt werden kann. Wie der folgenden Tabelle zu entnehmen ist, kann zwischen der Verbesserung von Open Innovation durch KI (OI-Enhancing AI), einer Ermöglichung von Open Innovation durch KI (OI-Enabling AI) und der Ersetzung von Open Innovation durch KI (OI-Peplacing AI) unterschiedenen werden. Die jeweils genannten Beispiele zeigen konkrete Einsatzfelder.
Description
Examples
OI-Enhancing AI
AI that enhances established forms of open innovation by utilizing the advantages of AI complemented with human involvement
Innovation search Partner search Idea evaluation Resource utilization
OI-Enabling AI
AI that enables new forms of open innovation, based upon AI’s potential to coordinate and/or generate innovation
AI-enabled markets AI-enabled open business models Federated learning
OI-Replacing AI
AI that replaces or significantly reshapes established forms of open innovation
AI ideation Synthetic data Multi-agent systems
Quelle: Holgersson et al. (2024)
Alle drei Möglichkeiten – mit den jeweils genannten Beispielen – können von einem KI-Modell (z.B. ChatGPT oder Gemeni etc.) der eher kommerziell orientierten Anbieter abgedeckt werden. Dieses Vorgehen kann als One Sizes Fits All bezeichnet werden.
Eine andere Vorgehensweise wäre, verschiedene spezialisierte Trainingsmodelle (Large Language Models) für die einzelnen Prozessschritte einzusetzen. Ein wesentlicher Vorteil wäre, dass solche LLM viel kleiner und weniger aufwendig wären. Das ist gerade für Kleine und Mittlere Unternehmen (KMU) von Bedeutung.
Nicht zuletzt kann auch immer mehr leistungsfähige Open Source AI eingesetzt werden. Dabei beziehe ich mich auf die zuletzt veröffentlichte Definition zu Open Source AI. Eine Erkenntnis daraus ist: OpenAI ist kein Open Source AI. Die zuletzt veröffentlichten Modelle wie TEUKEN 7B oder auch Comon Corpus können hier beispielhaft für “wirkliche” Open source AI genannt werden.
Weiterhin speilen in Zukunft AI Agenten – auch Open Source – eine immer wichtigere Rolle.
Innovationen sind für eine Gesellschaft, und hier speziell für marktorientierte Organisationen wichtig, um sich an ein verändertes Umfeld anzupassen (inkrementelle Innovationen), bzw. etwas ganz Neues auf den Markt zu bringen (disruptive Innovationen).
Organisationen können solche Innovationen in einem eher geschlossenen Innovationsprozess (Closed Innovation) oder in einem eher offenen Innovationsprozess (Open Innovation) entwickeln.
Darüber hinaus können die Innovationen von Menschen (People Driven) oder/und von Technologie (Data Driven) getrieben sein. Aktuell geht es in vielen Diskussionen darum, wie Künstliche Intelligenz (AI: Artificial Intelligence) und die damit verbundenen Trainingsdaten (LLM: Large Language Models) im Innovationsprozess genutzt werden können.
Im einfachsten Fall würde sich eine Organisation den Innovationsprozess ansehen, und in jedem Prozessschritt ein Standard-KI-Modell wie ChatGpt, Gemini, Bart usw. nutzen. Die folgende Tabelle stellt das grob für einen einfachen Innovationsprozess nach Rogers (2003) dar:
Opportunity identification and idea generation
Idea evaluation and selection
Concept and solution development
Commercialization launch phase
e.g. identifying user needs, scouting promising technologies, generating ideas;
e.g. idea assessment, evaluation
e.g. prototyping, concept testing
e.g. marketing, sales, pricing
ChatGPT, Gemeni, etc.
ChatGPT, Gemini, etc.
ChatGPT, Gemini, etc.
ChatGPT, Gemini, etc.
Eigene Darstellung
Dieser Ansatz könnte als One Size fits all interpretiert werden: Eine Standard-KI für alle Prozessschritte.
Dafür sprechen verschiedene Vorteile: – Viele Mitarbeiter haben sich schon privat oder auch beruflich mit solchen Standard-KI-Modelle beschäftigt, wodurch eine relativ einfache Kompetenzentwicklung möglich ist. – Die kommerziellen Anbieter treiben AI-Innovationen schnell voran, wodurch es fast “täglich” zu neuen Anwendungsmöglichkeiten kommt. – Kommerzielle Anbieter vernetzen KI-Apps mit ihren anderen Systemen, wodurch es zu verbesserten integrierten Lösungen kommt.
Es gibt allerdings auch erhebliche Nachteile: – Möglicherweise werden auch andere Organisationen/Wettbewerber so einen Ansatz wählen, sodass kaum ein grundlegendes Alleinstellungsmerkmal erzielt werden kann. – Kritisch ist auch heute noch, ob es sich bei den verwendeten Trainingsdaten (Large Language Models) nicht um Urheberrechtsverletzungen handelt. Etliche Klagen sind anhängig. – Weiterhin können die für Innovationen formulierte Prompts und Dateien durchaus auch als Trainingsdaten verwendet werden. – Die LLM sind nicht transparent und für alle zugänglich, also sie sind keine Open Source AI, auch wenn das von den kommerziell betriebenen KI-Modellen immer wieder suggeriert wird. – Organisationen sind anhängig von den Innovationsschritten der kommerziellen Anbieter. – Die Trainingsdatenbanken (Large Language Models) werden immer größer und damit natürlich auch teurer. – Nicht zuletzt ist unklar, wie sich die Kosten für die kommerzielle Nutzung der KI-Apps in Zukunft entwickeln werden – eine gerade für kleine und mittlere Unternehmen (KMU) nicht zu unterschätzende Komponente.
Gerade kleine und mittlere Unternehmen (KMU) sollten die genannten Vorteile und Nachteile abwägen und überlegen, wie sie Künstliche Intelligenz in ihrem Innovationsprozess nutzen wollen.
In unserem Blog werde ich in der nächsten Zeit weitere Möglichkeiten aufzeigen.
Translate »
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.OK
