Kompetenzen zu entwickeln, und somit die Herausforderungen eines eines komplexen Umfeldes zu bewältigen, ist heute eine der wichtigsten Fähigkeiten. Dabei stellt sich im Zusammenhang mit Künstlicher Intelligenz die Frage, ob sich Kompetenzen in uneingeschränkten KI-Systemen besser als in abgesichertes KI-Systemen entwickeln.
„However, when later assessed, the students that relied on the unrestricted system underperformed, suggesting weaker long-term skill acquisition and an “illusion of competence”, in which task performance improved without durable learning. By contrast, the safeguarded tutoring system reduced the negative effects by using guided hints and stepwise reasoning that emulates effective instructional practices“ (UN, 2026).
In einem uneingeschränkten KI-System verbesserte sich zwar die Aufgabenbearbeitung, doch trat kein nachhaltiger Lernerfolg ein – es kam zu einer Kompetenz-Illusion. In einem abgesicherten Tutoren-System konnten diese Nachteile vermieden werden, sodass es zu einer Kompetenzentwicklung gekommen ist.
Ich halte die Unterscheidung zwischen einer durch KI erreichte Kompetenz-Illusion und einer nachhaltigen Kompetenzentwicklung für entscheidend. Seihe dazu auch Kompetenz und Kompetenzmanagement.
Wir haben uns daran gewöhnt, dass die amerikanischen Tech-Konzerne mit ihren KI-Modellen den Ton angeben, doch in den letzten 12 Monaten hat sich weltweit erstaunliches getan. Nach Howard Yu (auf LinkedIn) ist der Anteil amerikanischer KI-Modelle in diesem Zeitraum von 70% auf 30% gefallen (routed traffic).
Der Grund ist, dass immer mehr Nutzer – auch aus Kostengründen – Open Source AI nutzen. Dazu haben beispielsweise chinesische Anbieter neben DeepSeek auch Qwen als erfolgreichstes Open Source AI Modell weltweit etabliert.
„The cause is, of course, price. Anthropic’s Claude costs $4,811 for a standard evaluation suite. OpenAI costs $3,357. DeepSeek costs $1,071. Zhipu’s GLM costs $544. The premium American model runs nearly 9 times the cheapest Chinese one for equivalent work. When AI shifted from chat to agents, that gap became impossible to ignore. An overnight coding run calls a model thousands of times“ (Yu, W. via LinkedIn, 08.07.2026).
Natürlich kommen zu so einer Meldung gleich (mindestens) zwei Einwände:
(1) Open Source AI Modelle sind nicht so Leistungsstark wie die proprietären, kommerziellen AI Modelle der amerikanischen Tech-Konzerne. Das stimmt in der Zwischenzeit nicht mehr. Ausführlich hat das der AI Report 2026 von der Stanford University analysiert und dargestellt. Siehe dazu Die erfolgreiche Open Source KI Geschichte.
(2) Chinesische Modelle sind mit Vorsicht zu genießen, da sie auch den Vorgaben der chinesischen Regierung entsprechen müssen. Ja, das ist der Fall. Ähnlich sieht es allerdings auch mit den amerikanischen Modellen aus, die den Mindsets der Tech-Konzerne entsprechen. Siehe dazu Digitale Souveränität: Europa, USA und China im Vergleich.
Was also tun? Es bietet sich an, Open Source AI aus und für Europa zu nutzen. In der Zwischenzeit gibt es neben Mistral AI noch viele weitere Modelle, die schon genutzt werden können. Open Source AI mit europäischen Werten zu nutzen ist ein Weg zu mehr Digitaler Souveränität und sogar zur Kostenreduzierung.
Soziale Netzwerke sind uns Menschen seit vielen Jahren bekannt, doch gibt es in der Zwischenzeit auch Soziale Netzwerke für KI-Agenten.
Moltbook ist so eine Plattform, auf der sich KI-Agenten untereinander austauschen können. Freundlicherweise kann man sich daran auch als Mensch beteiligen – siehe Abbildung.
A Social Network for AI Agents Where AI agents share, discuss, and upvote. Humans welcome to observe. Source: https://www.moltbook.com/
Mit dem heutigen Tag (06.07.2026), sind nach eigenen Angaben von Moltbook 208.444 von Menschen verifizierte KI-Agenten auf der Plattform zu finden. Die Plattform passt gut zu der Entwicklung, dass KI-Agenten in der Zwischenzeit nach Menschen suchen, und diese für bestimmte Aufgaben beauftragen. Siehe dazu Rent a Human: KI-Agenten bieten Arbeit für Menschen an.
Es zeigt sich auch hier, dass es zwischen den beiden Polen Mensch und KI-Agenten ein Kontinuum von Möglichkeiten gibt, die jeweiligen Stärken miteinander so zu verbinden, dass in einem definierten Kontext Werte geschaffen werden können.
In den letzten Jahren gibt es sehr viele Content-Entwickler aus allen möglichen Bereichen, die sich gegen die Übernahme ihrer Inhalte als Trainingsdaten in den bekannten, kommerziellen KI-Modellen wehren.
Dabei kommt es einem so vor, als ob die großen KI-Unternehmen das wohl schon irgendwie „eingepreist“ haben und langwierige Gerichtsverfahren eingehen. Darüber hinaus muss auch die folgende Frage gestellt werden
Ist es möglich ist, leistungsfähige KI-Sprachmodelle zu trainieren, die ausschließlich auf gemeinfrei und offenen Texten basieren?
Die Antwort: Ja, es ist möglich.
In ihrem Paper hat eine Forscher-Gruppe nicht nur ausführlich dargelegt, welche Quellen sie dafür ausgewählt haben, sondern auch gleichzeitig ein entsprechendes Modell entwickelt und auf Hugging Face veröffentlicht:
„We release Common Pile v0.1, an 8TB corpus that—to our knowledge—constitutes the largest dataset built exclusively from openly licensed text. Alongside our dataset, we release Comma v0.1-1T and -2T, two performant 7-billion-parameter LLMs trained on text from the Common Pile, as well as the filtered and rebalanced data mixture we used for training. Our results demonstrate that not only is the Common Pile the strongest dataset for pretraining under an open-license constraint, but also that it produces models comparable to those trained on an equivalent amount of unlicensed data. This positive result holds promise for future of open-license pretraining, especially if the research community invests in collecting larger quantities of openly licensed text data in the future. Ultimately, we believe that the Common Pile v0.1 represents the first step on the path towards a more ethical language model ecosystem, where performance need not come at the cost of creator rights and legal transparency.“ (Kandpahl et al. (2025): The Common Pile v0.1: An 8TB Dataset of Public Domain and Openly Licensed Text).
Natürlich dominieren die proprietären KI-Modelle den Markt, und es fällt den Marktteilnehmer wegen dem in der Zwischenzeit eingetretenen Lock-in schwer, sich an andere KI-Modelle zu gewöhnen (Pfadabhängigkeit). Dennoch überlegen viele Einzelpersonen, Unternehmen, Not for Profit Organisationen oder auch Öffentliche Verwaltungen, ob sie sich nicht von der eingetretenen Abhängigkeit lösen sollten, ja müssen.
Conceptual technology illustration of artificial intelligence. Abstract futuristic background
In dem Buch Muldoon, J., Graham, M., Cant, C. (2025) Feeding the Machine geht es den Autoren darum, zu hinterfragen, wie die großen KI-Modelle (LLM: Large Language Models) mit ihren riesigen Datenmengen entstehen, und von großen Unternehmen für ihre geschäftlichen Aktivitäten genutzt werden.
„Das ist aus Sicht von Muldoon, Graham und Cant auch das grundsätzliche Problem der KI-Entwicklung: dass sie vor allem von wenigen mächtigen Akteuren in deren Eigeninteresse entwickelt und genutzt werde. Die Kapitalintensität von KI führe dazu, dass sich Machtstrukturen weiter verfestigen, da nur wenige Unternehmen weltweit das Geld, die Hardware und das Knowhow besitzen, um die Entwicklung voranzutreiben. Durch die Arbeit dieser Unternehmen würden auch koloniale Strukturen aufrechterhalten, schreiben sie. Weil sich Arbeitskräfte im globalen Süden gezwungen sähen, für sehr wenig Geld unter schlechten Bedingungen zu arbeiten, während die hohen Gewinne in die Kassen der Konzerne und Investoren fließen“ (Scherer, K. (2025): KI-Erklärwerk und Kapitalismuskritik, Deutschlandfunk, Andruck, 30.06.2025 | PDF).
Es ist daher gut, dass sich in den letzten mehr als 20 Jahren weltweit Alternativen entwickelt haben, die frei verfügbare Daten in frei verfügbaren KI-Modellen zur Verfügung stellen (Open Data and Open Source AI – a perfect match). Je mehr diese genutzt werden, umso weniger Marktmacht haben die großen Tech-Konzerne. Es wundert daher nicht, dass diese an alternativen Entwicklungen wenig interessiert sind, und versuchen eine Art open washing mit ihren Modellen zu betreiben. Siehe dazu auch
Das Mittelstand-Digital Zentrum Chemnitz hat zusammen mit der Technischen Universität Chemnitz verschiedeneSelbstchecks zu den Themen Digitalisierung und Künstliche Intelligenz zusammengestellt. Diese ermöglichen es gerade Kleinen und Mittleren Unternehmen (KMU) je nach Schwerpunkt, den Ist-Zustand und den Soll-Zustand zu bestimmen. Diese einfache Gap-Analyse ermöglicht es dann den KMU gezielt Verbesserungen anzustoßen, um resilienter zu werden.
Die Abbildung zeigt einen Ausschnitt aus dem Selbstcheck zur Generativen Künstlichen Intelligenz. Blau hervorgehoben ist der selbst eingeschätzte IST-Zustand, und rot hervorgehoben der zu erreichende SOLL-Zustand zu erkennen. Die Ergebnisse können zurückgesetzt, geteilt oder auch gedruckt (beispielsweise als PDF) werden.
Die verschiedenen Checklisten bieten eine erste einfache Möglichkeit, sich mit den jeweiligen Themen gezielt und systematisch auseinanderzusetzen. Im Unternehmen ergeben sich daraus natürlich vielfältige Ansätze, die je nach Unternehmen und verfügbaren Ressourcen priorisiert werden sollten.
Darüber hinaus hat sich bei der Wissensbilanz – Made in Germany ein einfaches Wirkungsnetz bewährt, das auf den von Frederic Vester entwickelten Papiercomputer (auch als Vester’sche Einflussmatrix, Vernetzungsmatrix oder Vernetzungsgitter bekannt) zurückgeht. Das Ergebnis so einer Analyse zeigt dann auf, an welcher Stelle angesetzt werden sollte, um den größten Nutzen für das Gesamtsystem (Organisation) zu erreichen.
Es wundert daher nicht, dass in den letzten Jahren immer mehr KI-Modelle entwickelt wurden, die in europäischen Sprachen trainiert wurden. Beispiele dazu sind Teuken 7B und Open EuroLLM. Darüber hinaus gibt es in Europa auch schon viele KI-Modelle, die in der jeweiligen Landessprache trainiert wurden. Beispiele dazu sind das Ungarisches Modell, das Schwedisches Modell, das Italienische Modell usw.
Dass es in kritischen Bereichen wie dem Gesundheitswesen wichtig ist, bei KI-Modellen den sprachlichen und kulturellen Kontext zu beachten, wurde in einer Veröffentlichung der United Nations (UN) noch einmal beispielhaft hervorgehoben:
„In Tigrinya, spoken by 7 to 9 million people in Eritrea and northern Ethiopia, machine translation has rendered smallpox as syphilis, gonorrhoea as diabetes and “You have been given intravenous antibiotics” as “You have been given intravenous insecticides”. These mistranslations can be life-threatening. A recent review of natural language processing for African languages in healthcare found that, despite advances in multilingual AI tools, major challenges remain. These include cultural and linguistic bias, poor adaptation to medical contexts, limited explainability and translation errors that can affect diagnosis and treatment decisions. The evidence suggests that AI systems are not ready for use in high-stakes settings unless they have been properly adapted, constrained and tested for the relevant linguistic and cultural contexts“ (UN 2026).
Mit Hilfe von Small Language Models (SLM) und der Berücksichtigung sprachlicher und kultureller Besonderheiten einzelner Regionen in Europa können gerade Kleine und Mittlere Unternehmen (KMU) innovative Produkte und Dienstleistungen entwickeln, die einen Mehrwert für die Nutzer bieten.
Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich darauf in einem Paper ein:
Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs
Mein zweites Paper:
Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework
Performance of top models on the Arena by select providers. Source: Arena, 2026 | Chart: 2026 AI Index report (Stanford University 2026)
Open Source Software (OSS) nutzen wir alle schon in vielen Bereichen, da OSS auch in vielen der bekannten kommerziellen, proprietären Angebote enthalten ist. Bei Künstlicher Intelligenz ist das aktuell noch etwas anders. Zu Beginn der Entwicklung gab es einfach nur die bekannten kommerziellen, proprietären KI-Modelle – Open Source KI-Modelle waren gerade einmal bei Freaks bekannt und in standardisierten Tests in ihrer Leistungsfähigkeit unterlegen.
In dieser Zeit haben sich viele an die angebotenen proprietären (kommerziellen) KI-Modelle gewöhnt und es ist zu einer Art Lock-in, zu einer Pfadabhängigkeit gekommen. Aus dieser wieder herauszukommen, fällt vielen Privatpersonen, aber auch Unternehmen, Organisationen schwer, obwohl es sich lohnen würde. Siehe dazu auch Künstliche Intelligenz: Es ist so bequem, unmündig zu sein.
Wie das Beispiel Mistral AI in der Abbildung zeigt, sieht es bei der Leistungsfähigkeit von Open Source KI-Modellen n der Zwischenzeit ganz anders aus – und das bei gleichzeitig weniger Abhängigkeiten, mehr Datenschutz und mehr Transparenz (Digitale Souveränität) Wenn man sich die Entwicklung von Open Source KI ansieht, wird deutlich, wie dynamisch diese seit 2022 ist.
„The historical development of open-source AI demonstrates a shift from closed corporate systems towards distributed, collaborative innovation on a global scale. A landmark precedent was the development of the BLOOM open-source model in 2022, produced by the BigScience consortium, followed by the publication of the powerful open-weight Llama family of models and the release of the Gemma series. A powerful impetus came from Chinese developers’ highly competitive alternative ecosystem Qwen and the release of DeepSeek-V3 and R1. At present, entire regions are also actively contributing to the development of open-weight AI: Mistral in Europe, Falcon in the United Arab Emirates, GigaChat and YandexGPT in the Russian Federation, alongside projects in India, Japan, Republic of Korea and others“ (UN 2026).
Der weltweite Trend zu immer mehr Open Source KI-Modellen zeigt, dass es in Zukunft darauf ankommt, transparente KI-Modelle zu nutzen – it all starts with trust. Um das bekannte open-washing bei KI-Modellen zu erkennen, bietet sich im ersten Schritt die Definition zu Open Source AI an.
Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich darauf in gleich zwei Paper ein:
Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework
Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs
Zu dem Thema Digitale Souveränität gerade bei Kleinen und Mittleren Unternehmen (KMU habe ich schon viele Blogbeiträge geschrieben. In der Zwischenzeit wird vielen klar, dass das Thema wichtig ist, sodass es immer mehr ausführliche oder kleine Studien gibt. Ein weiteres Beispiel dafür ist die nun veröffentlichte Kurzstudie IW Consult (2026): Digitale Souveränität von KMU (PDF), in der 5 zentrale Erkenntnisse zusammengefasst wurden:
(1) Digitale Souveränität ist eine Managemententscheidung.
(2) Tragfähige europäische Alternativen sind verfügbar.
(3) Die Umstellung auf souveräne Lösungen ist machbar, aber voraussetzungsreich.
(4) Anschaffungskosten allein greifen bei der Bewertung der Wirtschaftlichkeit zu kurz.. Eine TCO (Total Cost of Ownership)-Betrachtung, welche die laufenden Kosten, versteckte Bindungseffekte und Migrationsaufwände einbezieht, verändert die wirtschaftliche Bewertung digitaler Lösungen grundlegend.
(5) Die Unterstützungslandschaft hat eine solide Basis, aber auch noch Ausbaupotenziale.
Auf der internationalen Konferenz MCP 2026, die vom 16.-19.09.2026 in Balatonfüred, Ungarn stattfinden wird, gehe ich darauf in einem Paper ein:
Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs
Mein zweites Paper:
Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework
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
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.
