Veröffentlicht am

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

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.

Veröffentlicht am

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

Veröffentlicht am

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.

Veröffentlicht am

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.

Veröffentlicht am

WDR 5 Quarks Podcast zu Maßanfertigung für Massen

Über Mass Customization habe ich schon sehr viele Beiträge veröffentlicht. Darin wird deutlich, wie diese hybride Wettbewerbsstrategie in den verschiedenen Branchen schon oft umgesetzt wurde. Siehe dazu auch Freund, R. (2009): Kundenindividuelle Massenproduktion (Mass Customization). RKW Kompetenzzentrum, Faktenblatt 5/2009.

Auf der Produktionsseite sind daher schon fast alle Prozesse digitalisiert, sodass die meisten Produkte schon heute ohne großen Aufwand individualisiert werden können. Auf der Kundenseite haben die vielen Konfiguratoren manchmal mehr Verwirrung gestiftet, als dass es für die Kunden nützlich war.

Interessant ist, dass Mass Customization and Personalization durch Künstliche Intelligenz wieder eine Art Revival erlebt.

Einer der führenden Innovationsforscher, Prof. Dr. Frank Piller von der RWTH Aachen, hat nun in einem Podcast mit der Sendung WDR Quarks – Wissenschaft und mehr, Mass Customization, und die neuen Möglichkeiten durch Künstliche Intelligenz, erläutert. Das Gespräch ist in dem Podcast bis Minute 34:26 zu hören.

Maßanfertigung für Massen
WDR 5 Quarks – Wissenschaft und mehr 07.04.2026 01:20:01 Std. 

Es freut mich, dass Mass Customization nicht nur in der Forschung, sondern auch im allgemeinen Bewusstsein der Kunden wieder thematisiert wird.

Aktuelle Entwicklungen werden auf der von mir initiierten Konferenz Mass Customization and Personalization MCP 2026, vom 16.-19.09.2026 in Balatonfüred, Ungarn, vorgestellt.

Veröffentlicht am

OECD Report (2026) – Bei der Reproduzierbarkeit erfüllen GenAI Modelle nicht die wissenschaftlichen Kriterien

AI (Artificial intelligence) AI management and support technology in the Business plan marketing success customer. AI management concept.

Es ist nur natürlich, dass jeder Einzelne, Organisationen und Öffentliche Verwaltungen ausprobieren, was mit Künstlicher Intelligenz (GenAI) möglich ist. Im wissenschaftlichen Umfeld wundere ich mich allerdings immer wieder darüber, wie unkritisch GenAI eingesetzt wird, wodurch die Kriterien wissenschaftlicher Arbeit konterkariert werden. Warum ist das so? Eine ausführlich Begründung habe ich im aktuellen OECD Report gefunden. Dabei geht es hier speziell um die Reproduzierbarkeit als Säule wissenschaftlichen Arbeitens geht.

Reproducibility is a pillar of scientific operations. To be accepted by the scientific community, results must (usually) be verifiable, and reproducible by others. One condition for reproducibility is full disclosure of the methods and data that led to the conclusion, meaning transparency and accessibility. From this perspective, GenAI models do not meet scientific criteria. First, the most popular models of GenAI are “black boxes”, as neither their weights (the parameters that define a neural network) nor their training data are publicised. Thus, disentangling the contribution of the data and the contribution of various components of the model is difficult in any scientific result coming from such a model. This comes from the very nature of neural networks: knowledge is distributed, hence difficult to localise. As GenAI models have a random component at their core, some results might not be robust. In addition, access to the training data can be limited due to the proprietary nature of many GenAI models: one example is the “AI Structural Biology Consortium”, a follow-up to AlphaFold-3, an ongoing project which makes use of data owned by pharmaceutical companies, which is secret and will remain secret (Callaway, 2025). Currently, solutions for access include open weights (e.g. Llama) and open source (including access to training data). The importance of openness was demonstrated by AlphaFold2, as the disclosure of its code and data triggered a series of initiatives refining the tool (Saplakoglu, 2024). Openness is essential to the cumulative progress at the core of science“ (OECD Digital Education Report 2026).

Am Beispiel von Pharmaunternehmen wird deutlich, dass es gerade in sensiblen Branchen wichtig ist, offene KI-Modelle zu nutzen. Offenheit ist: „Offenheit ist für den kumulativen Fortschritt im Kern der Wissenschaft unerlässlich“ (ebd.). Siehe dazu auch

Open Source AI: Besser für einzelne Personen, Organisationen und demokratische Gesellschaften

In Zeiten des Hypes um Künstliche Intelligenz kann Akademische Integrität nicht schaden

Veröffentlicht am

Everyone is a genius …

Image by StockSnap from Pixabay

In der aktuellen Diskussion um Künstliche Intelligenz kann man das Gefühl bekommen, dass KI-Modelle alles besser machen, als es der Mensch kann. Als Mensch fühlt man sich vergleichsweise dumm.

Auf der einen Seite also die „überlegene“ Künstliche Intelligenz und auf der anderen Seite die menschliche Dummheit.

In der Zwischenzeit gibt es natürlich auch Belege dafür, dass KI-Modelle die für Menschen ausgedachten Intelligenz-Tests zur Bestimmung des Intelligenz-Quotienten meistern. Doch sollten wir solche Vergleiche überhaupt ziehen? Sind sie eher eine Art Kategorienfehler?

Everyone is a genius, but if you judge a fish on its ability to climb a tree, it will live his whole life believing it is stupid – Albert Einstein.

Was ist, wenn wir die menschliche Intelligenz in den Mittelpunkt stellen und künstliche Intelligenz dazu verwenden, die Probleme der Menschen zu lösen?

Der Intelligenz-Quotient (IQ) scheint kein geeignetes Instrument zu sein, menschliche Intelligenz darzustellen. Siehe dazu OpenAI Model „o1“ hat einen IQ von 120 – ein Kategorienfehler?

Möglicherweise ist die Definition von Intelligenz nach Howard Gardner treffender:

„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).

Wenn wir die Perspektive auf Menschliche Intelligenz und Künstliche Intelligenz anpassen, kann die technologische Entwicklung zum Vorteil ganzer Gesellschaften sein. Das Beispiel Society 5.0 zeigt, wie das aussehen kann. Siehe dazu auch

Künstliche Cleverness statt Künstliche Intelligenz?

Künstliche Intelligenz – Menschliche Kompetenzen: Anmerkungen zu möglichen Kategorienfehler

Künstliche Intelligenz – Ein Kategorienfehler nach Luhmann

Warum es nicht angemessen erscheint, Künstliche Intelligenz und Menschliche Intelligenz zu verwechseln