Veröffentlicht am

Künstliche Intelligenz lässt die meisten Sprachen und kulturellen Besonderheiten außen vor

Image by Sunrise from Pixabay

Die bekannten proprietäten KI-Modelle funktionieren hauptsächlich in Englisch, oder in einer Handvoll anderer Sprachen. Am Beispiel agglutinierender Sprachen wie Ungarisch, Baskisch, etc. kann aufgezeigt werden, dass die üblichen KI-Modelle nicht ausreichen.

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

Veröffentlicht am

Die erfolgreiche Open Source KI Geschichte

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

Veröffentlicht am

IW Consult (2026): Digitale Souveränität von KMU (Kurzstudie)

Image by Gerd Altmann from Pixabay

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

Veröffentlicht am

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

Veröffentlicht am

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.

Veröffentlicht am

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

Veröffentlicht am

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.

Veröffentlicht am

„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

Veröffentlicht am

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

Veröffentlicht am

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.