Komplexe Systeme: Ist die Antwort einfach mehr Daten?

Eigene Darstellung nach Mainzer (2008)

Auf der Basis umfangreicher Geburts- und Sterbedaten berechnen Versicherungen seit dem 19. Jahrhundert die durchschnittliche Lebenserwartung von Menschen. Dabei wird eine Normalverteilung und das Gesetz der großen Zahl unterstellt. Die Verwendung von Normalverteilungen ist dabei nicht nur auf Versicherungen beschränkt. Ein weiteres Beispiel für die Nutzung der Normalverteilung ist die Berechnung des Intelligenz-Quotienten. In der Zwischenzeit gibt es deutliche Kritik an diesen Vorgehensweisen.

„Vom zentralen Grenzwertansatz und Normalverteilungen ging die klassische Sicht von Zufall und Wahrscheinlichkeit aus. Sie ist untypisch für komplexe Systeme, in denen sich Ordnungen und Strukturen selbst organisieren. Normalverteilungen setzen nämlich völlig unabhängige Ereignisse voraus. Daher können sie keine Korrelationen und Synergieeffekte von zusammenwirkenden Ereignissen berücksichtigen, die erst zu neuen Formen und Strukturen in Natur und Gesellschaft führen“ (Mainzer, 2008).

In der Abbildung (oben) wird plakativ dargestellt, dass durch zufällige Wechselwirkungen der Systemelemente einer Mikroebene zufällig neue Strukturen auf einer Makroebene entstehen, die nicht auf die einzelnen Systemelemente zurückzuführen sind (Emergenz). Siehe dazu auch Alle reden über Komplexität, doch wer kennt schon Bifurkationspunkte?

In der nächsten Abbildung ist die komplexe Situation in einer Gesellschaft zu erkennen, in der auf der Mikroebene Individuen interagieren und somit Bottom Up Einfluss auf die Makroebene nehmen. Die Makroebene wiederum hat Einfluss auf die Mikroebene (Top Down).

Eigene Darstellung nach Mainzer (2008)

Wir schauen als Bürger noch zu sehr auf die Makroebene (die da oben) und erwarten, dass das komplexe System für alle Beteiligten geregelt (gesteuert) wird. Besser wäre es, wenn mehr Raum für die Entwicklung der Mikroebene geschaffen wird (Ermöglichungsräume), um eine angemessene, selbstorganisierte Antwort auf die gesteigerte Komplexität in unserem Leben geben zu können.

Da das Denken in komplexen Zusammenhängen (komplexen Systemen) in unserer Gesellschaft leider wenig ausgeprägt ist, dominiert immer noch die falsche Annahme, dass alles regelbar und steuerbar sei. Man muss nur viele – ja sehr viele – Daten und Informationen sammeln. Künstliche Intelligenz suggeriert, dass dieser Zustand möglich sein kann – dem ist allerdings nicht so, wie es der Nobelpreisträger Simon schon in seiner eingeschränkten Rationalität erläuterte:

„Allerdings ergeben sich durch die Informationsbeschaffung selbst, Unsicherheit und Ungewissheit, da die Informationen über komplexe Systeme immer auch unvollständig sind, sodass eher von einer begrenzten oder auch eingeschränkten Rationalität auszugehen ist (vgl. Simon 1957/1982, Foss 2003)“ (Freund 2011:19).

Ein komplexes System kann zwar über geeignete Ordnungsparameter beeinflusst werden, doch ist dieser Ansatz oft nicht zu erkennen. Es müssen in einem komplexen System nicht alle Daten erfasst – was nicht möglich ist -, sondern die richtigen Ordnungsparameter gefunden werden. „Wir brauchen eben noch mehr Daten“ ist also eine Antwort, die nicht zu den heute anstehen Fragen passt.

Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich darauf in einem Paper ein:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Mein zweites Paper:

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Multiple Intelligenzen: Intelligenzprofile angemessen interpretieren

Eigene Darstellung. Quelle: Connell et al. (2003)

Die Multiple Intelligenzen Theorie von Howard Gardner integriert verschiedene Perspektiven auf Intelligenz (Intelligenz-Quotient, Emotionale Intelligenz, Soziale Intelligenz, … ). Dabei geht Howard Gardner in seinem Verständnis von Intelligenz von einem biopsychologischen Potenzial aus, was sich daher auch von Künstlicher Intelligenz (KI) unterscheidet. Siehe dazu auch die Anmerkungen zu möglichen Kategorienfehler.

„Ich verstehe eine Intelligenz als biopsychologisches Potenzial zur Verarbeitung von Informationen, das in einem kulturellen Umfeld aktiviert werden kann, um Probleme zu lösen oder geistige oder materielle Güter zu schaffen, die in einer Kultur hohe Wertschätzung genießen“ (Gardner  2002:46-47).

Die ursprünglichen Multiplen Intelligenzen sind in ihren Ausprägungen in einem fiktiven Profil in der Abbildung dargestellt. Es ist dabei wichtig, dass diese Intelligenzen in Bezug auf etwas bewertet werden, also in Bezug auf eine bestimmte Arbeit/Tätigkeit. Ein Intelligenzprofil „out of context“ zu erstellen, macht nach Howard Gardner keinen Sinn, und entspricht nicht seiner Definition von Intelligenz (Problembezug, kulturelles Umfeld, Wert).

Es ist aus diesen Überlegungen heraus auch nicht richtig – ja sogar unsinnig – davon zu sprechen, dass jemand „hauptsächlich musikalisch intelligent“ sein soll, da bei einer kontextabhängigen Problemlösung immer alle Intelligenzdimensionen mehr oder weniger stark eingesetzt werden.

Diese Interpretation des Intelligenz-Konstrukts führt zwangläufig auch zu der Frage, ob Intelligenz entwickelt werden kann, oder ob der größte Teil schon in den Genen eines Menschen vorhanden ist. Howard Gardner geht nicht von einem Fixed Mindset, sondern von einem veränderbaren, Growth Mindset aus – ganz im Sinne von Caroll S. Dweck. Multiple Intelligenzen können also gezielt entwickelt werden.

In einem der nächsten Blogbeiträge gehe ich darauf ein, was ein Intelligenzprofil (Multiple Intelligenzen) für mögliche Kompetenzen bedeutet.

Anmerkung: Ich kann an dieser Stelle nicht auf alle Facetten des Themas eingehen. Wenn sie sich mit der Multiple Intelligenzen Theorie von Howard Gardner noch nicht befasst haben, können Sie sich gerne in meinen Blogbeiträgen umsehen.

Schutzrechte: Alles fing mit einem Lastkahn für Marmorblöcke an

Image by Gianluca from Pixabay

Wir haben uns daran gewöhnt, dass es verschiedene Schutzrechte gibt, die auf dem Markt durchgesetzt werden können. Schaut man sich beispielsweise die Geschichte des Patents dazu etwas genauer an, so muss man allerdings feststellen, dass es Schutzrechte für Erfindungen erst seit dem 18. Jahrhundert gibt. Augenscheinlich haben die Menschen vor dieser Zeit auch Möglichkeiten gefunden, mit dem Thema umzugehen.

Das erste überlieferte Patent für eine industrielle Erfindung wurde 1421 an den Architekten und Ingenieur Filippo Brunelleschi vergeben. Es gab ihm für drei Jahre das Monopol, einen Lastkahn mit einer Winde herzustellen, der für den Transport von Marmorblöcken verwendet wurde. Im Laufe der folgenden zwei Jahrhunderte breiteten sich solche Privilegien für Erfinder von Italien über Europa aus. (…) Schutzrecht für eine Erfindung gab es erst im 18. Jahrhundert“ (Grassmuck, 2004).

In der Zwischenzeit sind es nicht nur die klassischen Schutzrechte einer industriell geprägten Gesellschaft (siehe dazu DPMA), sondern auch immer mehr die Urheberrechte, die gerade in Verbindung mit den Trainingsdaten von KI-Modellen kontrovers diskutiert werden. In dieser Übergangsphase entstehen rechtlich Graubereiche, die von dynamischen Geschäftsmodellen rigoros ausgenutzt werden.

Es wird sich zeigen, ob wir eine angemessene Lösung finden, die die Rechte aller Beteiligten beachtet, oder ob wir uns eher in eine Gesellschaft hineinbewegen, in der nicht mehr, sondern eher weniger geschützt wird. Manche Entwicklungen wie die von Open Source, Open Science, Open Data, Open Government, Open Innovation usw. zeigen Wege auf, wie das aussehen könnte. Siehe dazu auch Quack, Sigrid und Leonhard Dobusch (2011): Auf dem Weg zur Wissensallmende? In: Aus Politik und Zeitgeschichte 28-30/2011, S. 41-46.

Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich darauf in einem Paper ein:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Mein zweites Paper:

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Umfangreiche Studie (2026) zur Nutzung von Künstlicher Intelligenz in Unternehmen

AdobeStock_650993865.jpeg

Es wird sehr viel über die positiven und negativen Auswirkungen bei der Nutzung von Künstlicher Intelligenz geschrieben. Dabei ist es nicht immer klar, ob die jeweiligen Veröffentlichungen nicht eher Public Relations oder Wunschdenken sind.

Um sich ein relativ gutes Bild machen zu können, sind Studien geeignet, die umfangreiches Datenmaterial unvoreingenommen analysieren. So eine Studie liegt nun mit Yotzov et al (2026) FIRM DATA ON AI vor.: „We survey nearly 6,000 senior business executives at US, UK, German, and Australian firms to develop new evidence on AI adoption and its effects on jobs, productivity, and output. Specifically, we ask executives about AI usage, its effects at their own firms over the past three years and, looking ahead, what they anticipate over the next three year.“ Die Forscher sind zu folgenden Ergebnissen gekommen:

First, around 70% of firms actively use AI, particularly younger, more productive firms.

Second, while over two thirds of top executives regularly use AI, their average use is only 1.5 hours a week, with one quarter reporting no AI use.

Third, firms report little impact of AI over the last 3 years, with over 80% of firms reporting no impact on either employment or productivity.

Fourth, firms predict sizable impacts over the next 3 years, forecasting AI will boost productivity by 1.4%, increase output by 0.8% and cut employment by 0.7%.

Neben dem von den Tech-Konzernen mit ihren KI-Modellen gerne propagierte Hype um ihre Produkte, gibt es die nüchterne Realität, die sich in den Studienergebnissen widerspiegelt.

„The long tail“ etwas anders interpretiert

Picture by Hay Kranen

Seit der Veröffentlichung von The long tail (Chris Anderson 2004) wird diskutiert, ob sein Ansatz heute noch stimmt. Anderson stellte dar, dass es bei digitalisierten Produkten möglich ist, immer mehr Nischen zu bedienen. Wenn man dabei die Grafik zu den bekannten ABC-Produkten im Verkauf etwas abstrahiert, kommt so eine Grafik heraus, wie Sie in der Abbildung zu sehen ist. In der Zwischenzeit gibt es allerdings durchaus Kritik an dem Ansatz.

»The original idea of the long tail, as described by Chris Anderson in his book of the same name, was that a single manufacturer would take care of all the variants along the long tail of a product segment. But the long tail of products is also a long tail of niche markets served by different manufacturers with different business models« (Piller & Euchner, 2024).

Piller und Euchner weisen also darauf hin, dass es nicht alleine ein Unternehmen sein muss, dass den long tail bedient, sondern es können auch unterschiedliche Unternehmen mit verschiedenen Geschäftsmodellen sein.

Diese Erweiterung ist schon hilfreich, doch geht es mir nicht weit genug. Warum müssen es Unternehmen mit ihren Geschäftsmodellen sein, die die bisher nicht befriedigten Wünsche von Usern bedienen? Heute können es auch die User selbst sein, die ihre Produkte herstellen – mit Hilfe moderner Technologien in Repair Cafés, FabLabs, Maker Spaces, Communities usw. (User Innovation). Siehe dazu ausführlicher meine Beiträge zum Thema.

Um die verschiedenen Schritte zur Herstellung des eigenen Produkts einfach, kostengünstig und selbst durchzuführen, bietet sich heute die Unterstützung durch Künstliche Intelligenz an.

Auf der internationalen Konferenz MCP 2026, die vom 16.-19.09.2026 in Balatonfüred, (Ungarn) stattfindet, werde ich in einem meiner Paper auf diese Entwicklung eingehen:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Die Zukunft von Innovationen ist dynamisch, interaktiv und unvorhersehbar

Image by Gerd Altmann from Pixabay

Obwohl viele Menschen und Unternehmen wissen, dass es in der heutigen, stark vernetzten Welt kaum möglich ist, die Zukunft vorherzusagen, versuchen es doch immer wieder einige. Beispielsweise die Tech-Konzerne aus dem Silicon Valley, die fast täglich mit Visionen oder Stories versuchen, Anleger zu beeinflussen. Viele Voraussagen/Ziele sind nicht eingetroffen.

Die New York Times hat zum Beispiel 602 Ziele von Elon Musk untersucht und festgestellt, dass er nur 19% davon wirklich erreicht hat. Dennoch hat Elon Musk alleine durch das Formulieren von (seinen) Zielen erreicht, dass sich viele mit (seinen) Zielen befasst haben. Die Erkenntnis solcher Analysen ist nicht neu, denn viele Vorhersagen haben auch schon in der Vergangenheit nicht gestimmt. Aktuell wollen einige wieder Wissen, wie sich Künstliche Intelligenz als Innovation entwickeln wird und formulieren entsprechende Ziele – auch hier ist Vorsicht geboten. Dazu habe ich einen Beitrag gefunden, der die Situation gut beschreibt:

„The future of innovation is likely in hybrid models that combine the strengths of AI-driven processes with human-led OI. Such models could leverage AI’s capacity for rapid ideation and data processing while harnessing human creativity, intuition, and ethical judgment. For example, AI could generate initial ideas or prototypes, which human collaborators then refine, contextualize, and ethically evaluate through OI platforms. An optimist would argue that this approach might further democratize innovation by allowing a wider range of participants to contribute meaningfully, even if they lack deep technical expertise. A pessimist might be concerned about centralized power, diminishing creativity, lack of agency, and IP issues. In the end, whether you’re an optimist or a pessimist, one thing is certain: the future of innovation will be dynamic, interactive, and unpredictable“ (Holgersson et al., 2024).

Als Optimist gehe ich davon aus, dass wir Innovationen wie die Künstliche Intelligenz stärker demokratisieren sollten und auch werden – siehe dazu auch Von Democratizing Innovation zu Free Innovation.

Auf der internationalen Konferenz MCP 2026, die vom 16.-19.09.2026 in Balatonfüred, (Ungarn) stattfindet, werde ich in einem meiner Paper auf diese Entwicklung eingehen:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Künstliche Intelligenz: Wie kann man Mistral-Modelle auf „Heim-Hardware“ betreiben?

https://mistral.ai/news/mistral-3

Mistral AI ist ein französisches Unternehmen, das eine Modellfamilie veröffentlicht, die europäischen Anforderungen an KI-Modelle entspricht, und Open Source verfügbar ist. (Open Models) Die Leistungsfähigkeit von den Mistral- Modellen nähert sich den Cloud AI Modellen (Closed Models) wie ChatGPT, Gemini etc. an (Open Source AI holt auf). Mit Le Chat gibt es auch eine europäische Alternative zu ChatGPT.

Mistral-Modelle können bei Mistral selbst, also auf in deren Cloud, getestet werden. Darüber hinaus ist es auch möglich, die Modelle über Hugging Face herunterzuladen und auf dem eigenen Server zu nutzen, z.B. mit LocalAI.

Der Trend zu immer kleineren, speziellen und leistungsstarken Modellen (SLM: Small Language Models) macht es immer attraktiver, solche Modelle auf dem eigenen Laptop, also auf „Heim-Hardware„, zu nutzen. Das ist u.a. auch mit Mistral möglich. Wie genau, wird in dem folgenden Artikel gut beschrieben:

Simon, A, (2026) How to run Mistral locally. Available from: https://getdeploying.com/guides/local-mistral

Es ist auch möglich, Mistral über die lokal installierte App von Ollama zu nutzen. Siehe dazu Open Source Modelle mit der Ollama-App auf dem eigenen Desktop.

Künstliche Intelligenz als Freund, Mentor oder romantischer Partner?

Künstliche Intelligenz (GenAI) kann in der Zwischenzeit viele traditionelle Tätigkeiten oder Abläufe optimieren und ersetzen. Bei der Interaktion mit KI-Modellen passt sich diese immer stärker an die Anforderungen des Nutzers an.

Künstliche Intelligenz verstärkt durch diese Personalisierung allerdings – oft unbemerkt vom Nutzer – Schmeicheleien (Blogbeitrag). Es wundert daher nicht, dass KI immer mehr als Compagnon wahrgenommen wird, der möglicherweise als angenehmer empfunden wird, als andere Menschen. Es kommt bei dieser Entwicklung zu einer Art Transformation von den eher funktionsorientierten Nutzung der KI, hin zum Aufbau von einer Art „Beziehung“.

„AI companions differ from traditional task-oriented AI by prioritizing relationship building over functionality (Zhang and Lu, 2023; Zhang et al., 2025). Modern systems incorporate memory of past interactions, can recognize emotion, and adapt their responses to individual users’ needs (Yang et al., 2025). Platforms like Replika, Character.ai, and XiaoICE have attracted user bases in the millions. Many users have reported forming emotional attachments to their AI companions, viewing them as friends, mentors, or romantic partners (Zhang et al., 2024; Kouros et al., 2024)“ (The AI Index 2026 Annual Report).

Einerseits ist also die Anpassung an die persönlichen Bedürfnisse eine positive Entwicklung, andererseits kann es über den Weg der (unbemerkten) Schmeicheleien einen Lock-in geben, aus dem die jeweiligen Nutzer selbst nicht mehr herauskommen. Diese sich dann entwickelnde Pfadabhängigkeit ist aus der Innovationsforschung bekannt.

Beyer (2005) weist allerdings in seinem Beitrag darauf hin, dass es auch dazu kommen kann, dass „Akteure jeweils einen Schlüssel finden können, um das Schloss wieder aufzuschließen“.

Beyer, J. (2005): Pfadabhängigkeit ist nicht gleich Pfadabhängigkeit! Wider den impliziten Konservatismus eines gängigen Konzepts, in Zeitschrift für Soziologie, Jg. 34, Heft 1, Februar 2005, S. 5–21 | PDF

Wirtschaftlichkeit von KI-Agenten: Warum kommt es bei den Token-Kosten oft zu regelrechten Abrechnungsschocks?

Bei der Nutzung von Künstlicher Intelligenz kommt es immer stärker darauf an, KI-Agenten sinnvoll und effizient einzusetzen. Dabei geht es oft auch darum zu wissen, welche Token-Kosten bei der Nutzung von KI-Agenten anfallen.

Bei der Abrechnung auf Basis von Tokens geht es um die Menge verarbeiteter Textbausteine (Tokens), die sich Modelle wie GPT-4 oder Gemini gut bezahlen lassen. Dabei kommt es allerdings oftmals zu starken Schwankungen, und zu regelrechten Abrechnungsschocks.

In einer Studie haben Forscher nun untersucht, inwiefern KI-Agenten bei Codierungs-Aufgaben (coding tasks) in der Lage sind, vor Start des Tasks die Kosten für die benötigten Tokens vorherzusagen. Immerhin wäre eine gut abschätzbare, und somit im voraus gut planbare, Anzahl von Tokens für die wirtschaftliche Bewertung von coding tasks von großer Bedeutung. Eine aktuelle Studie belegt allerdings sehr ausführlich, dass KI-Agenten dazu nicht in der Lage sind:

Agents are not capable of predicting their own token costs. This is the fundamental bottleneck for result-based pricing for agents.  You can’t really price the agent well unless you can figure out the cost, but now you only see the token costs after everything is done” (Bai, L. et al. (2026) https://arxiv.org/abs/2604.22750).

Man wird also erst nachdem alles erledigt ist wissen, was alles gekostet hat (in Token-Kosten). In dem genannten Paper sind noch viele weitere Detail zu finden.

Gerade Kleine und Mittlere Unternehmen (KMU), die stark auf ihre Kosten achten müssen, können die Ergebnisse der Studie eine gute Basis für die wirtschaftliche Nutzung von KI-Agenten sein.

Künstliche Intelligenz: Enormer Ressourcenverbrauch großer KI-Modelle

Image by Jonathan Hammond from Pixabay

Wenn es um Künstliche Intelligenz geht, lesen wir in letzter Zeit immer häufiger, dass für die großen KI-Modelle „unbedingt“ größere Rechenzentren benötigt werden. Dafür wurden auch schon hohe Milliarden-Beträge auf dem Kapitalmarkt eingesammelt. Es scheint hier kein Limit zu geben.

Andererseits stehen allerdings auch Fragen zu den dafür benötigten Ressourcen im Raum. In einer modernen Welt geht es nicht mehr alleine um die Bedürfnisse von Tech-Konzernen, sondern auch darum, eine lebenswerte Umwelt zu erhalten. In dem Zusammenhang geht es somit auch um den CO2-Verbauch und um den Bedarf an Wasser. Dazu findet man im Aktuellen AI Report folgendes:

„AI’s environmental footprint is expanding alongside its capabilities. Grok 4’s estimated training emissions reached 72,816 tons of CO2 equivalent. AI data center power capacity rose to 29.6 GW, comparable to New York state at peak demand, and annual GPT-4o inference water use alone may exceed the drinking water needs of 12 million people“ (AI Report 2026).

Es ist schon erstaunlich, welche Ressourcen die hier genannten KI-Modelle verschlingen. Dabei streben die großen KI-Systeme eine übergreifende Art von Intelligenz an: Artificial General Intelligence (AGI), die der menschlichen Intelligenz weit überlegen sein soll. Betrachten wir daher einmal, wie viel Energie ein Mensch für eine komplexe Problemlösung benötigt:

„Das menschliche Gehirn leistet vieles, was Maschinen überfordert – und das mit minimalem Energieverbrauch. Im Durchschnitt verbraucht es nur etwa 20 Watt, so viel wie eine schwache Glühbirne“ Knees (2025): Wie Forscher die Tech-Konzerne entmachten wollen, in Handelsblatt vom 11.10.2025.

„Unser Gehirn benötigt für hochkomplexe Informationsübertragungen und -verarbeitungen weniger Energie als eine 30-Watt-Glühbirne“ (Prof. Dr. Amunts).

Es wird deutlich, dass der Energieverbrauch der großen Tech-KI-Modelle weniger intelligent ist, als man es uns weismachen möchte. Es wundert daher nicht, dass die Entwicklung immer größerer Modelle (Large Language Models) infrage gestellt wird.

Forscher sind aktuell auf der Suche nach Modellen, die ganz anders aufgebaut sind und nur einen Bruchteil der aktuell benötigten Energie verbrauchen. Gerade in China gibt es dazu schon deutliche Entwicklungen. Auch in Deutschland befassen sich Forscher mit dem Thema neuroinspirierte Technologien.