Veröffentlicht am

Digital Sovereignty Index Score

Quelle: https://dsi.nextcloud.com/

In dem Blogbeitrag Digitale Souveränität: Europa, USA und China im Vergleich hatte ich schon einmal darauf hingewiesen, wie unterschiedlich die Ansätze zur Digitalen Souveränität in verschiedenen Regionen der Welt sind. Die verschiedenen Dimensionen waren hier “Right-based”, “Market-based”, “State-based” und “Centralization”, aus denen sich die gegensätzlichen Extreme “Hard Regulation” und “Soft Regulation” ergeben haben.

Der Digital Sovereignty Index Score (Abbildung) unterscheidet sich von dieser Betrachtungsweise. Im Unterschied zu der zu Beginn erwähnten Analyse, die eher die politische oder marktwirtschaftliche Perspektive hervorhebet, entsteht der Digital Sovereignty Index anders.

Hier wird analysiert, ob die wichtigsten 50 relevanten, selbst gehosteten Tools für digitale Kollaboration und Kommunikation verfügbar sind.

“We selected 50 of the most relevant self-hosted tools for digital collaboration and communication. These include platforms for file sharing, video conferencing, mail, notes, project management, and more.

We then measured their real-world usage by counting the number of identifiable server instances per country.

The result is an index score per country, (…)”

Source: https://dsi.nextcloud.com/

Die Digitale Souveränität wird in einem Score berechnet und für verschiedene Länder in einer anschaulichen Grafik dargestellt (Abbildung). Die Farben zeigen an, wie gut (grün) oder schlecht (rot) es in dem beschriebenen Sinn mit der Digitalen Souveränität in dem jeweiligen Land bestellt ist. Es ist gut zu erkennen, das die beiden Länder Finnland und Deutschland grün hervorgehoben sind.

Wie der Grafik weiterhin zu entnehmen ist, sind viele Länder, u.a. China noch weiß dargestellt. Die Limitierung der Analyse ist den Initiatoren des DSI Score durchaus bewusst, dennoch sehen sie diese Grafik als Startpunkt für eine bessere Übersicht zu dem Thema, zum dem jeder aufgefordert ist, mitzumachen.

Mich hat natürlich interessiert, wer hinter der Website steckt… – siehe da, es ist die Nextcloud GmbH mit dem Büro Stuttgart. Das wundert mich jetzt nicht wirklich, da Nextcloud schon immer auf die Digitale Souveränität bei Einzelpersonen, Organisationen und Öffentlichen Verwaltungen hingewiesen hat. Auch wir stellen nach und nach auf die Möglichkeiten von Nextcloud um, inkl. LocalAI und Open Source KI-Agenten. Siehe dazu auch

Von der digitalen Abhängigkeit zur digitalen Souveränität

Digitale Souveränität: Welche Open Source Alternativen gibt es?

Digitale Souveränität: Souveränitätsscore für KI Systeme

Digitale Souveränität: Google Drive im Vergleich zu Nextcloud

Veröffentlicht am

Lean Innovation: 12 Schritte

Lean Innovation nach Schuh (2011); eigene Darstellung

Der Lean-Gedanke, also Verschwendung zu vermeiden und den Wertstrom zu optimieren, kann in allen Prozessen thematisiert und integriert werden. Dazu hatte ich in 2013 schon einmal einen Blogbeitrag geschrieben: Lean Innovation – Wie passt das zusammen?

Auf unserer Asienreise waren wir u.a. vom 15.04.-25.04.2025 in Tokyo, Kyoto und Osaka (mit Expo 2025). Dabei ist mir der Lean-Gedanke in allen Bereichen des gesellschaftlichen Lebens begegnet. Eben nicht nur theoretisch, sondern sehr praktisch – inkl. der Ausrichtung am Kundennutzen – sehr beeindruckend.

Es wundert daher nicht, dass der Lean-Gedanke auch im Projektmanagement, oder auch im Innovationsmanagement berücksichtigt werden kann. Prof. Schuh hat für Lean Innovation auf dieser Website 12 Schritte (Abbildung) ausführlich beschrieben.

Es ist wichtig, da alle wirtschaftlichen Bereiche stärker auf die Produktivität achten müssen – gerade in Zeiten vieler neuer technischen Möglichkeiten.

Veröffentlicht am

Fehler ist nicht gleich Fehler: Fehlerkultur im Innovationsprozess

Fehlerkultur im Innovationsprozess (RKW 2010)

In Deutschland haben wir manchmal ein etwas schwieriges Verhältnis zu einzelnen Begriffen. So ist es beispielsweise mit dem Begriff “Fehler“, der oft negativ besetzt ist. Wenn ein Fehler passiert, ist das (oft) nichts Gutes – so die allgemeine Meinung.

Zu dieser Perspektive beigetragen hat die aus dem Qualitätsmanagement bekannte “0-Fehler” Strategie, die sich in den Köpfen von Mitarbeitern eingeprägt hat. Wenn wir an Prozesse in der Produktion denken, die immer gleich ablaufen sollen, so ist es natürlich schlecht, wenn es zu größeren Abweichungen kommt. Auch Fehler von Chirurgen können Folgen haben usw.. Man kann Fehler allerdings auch anders sehen.

In der Abbildung sind verschiedene Fehlertypen so sortiert, dass nach oben Fehler eher vermieden werden sollten, und nach unten Fehler zu Verbesserungen, und sogar zu Innovationen führen können. Es liegt auf der Hand, dass beispielsweise “Sabotage” nicht toleriert und somit sanktioniert werden sollte. Andererseits sollten “Kreative Fehler” toleriert, ja sogar unterstützt und durch Experimentieren ermöglicht werden.

Die Übersicht zeigt, dass Fehler nicht gleich Fehler ist, und wir daher in Organisationen und auch im zwischenmenschlichen Bereich sinnvoll unterscheiden sollten. Gerne können Sie daraus nun eine eigene Übersicht für Ihre Organisation entwickeln, sodass sich die Mitarbeiter darin wiederfinden und möglicherweise eine neue Fehlerkultur in Ihrer Organisation entsteht.

Veröffentlicht am

Künstliche Intelligenz und Arbeitshandeln: Grenzen wissenschaftlich-technischer Beherrschung

Böhle et al. 2011:21; entnommen aus Huchler 2016:62

In dem Blogbeitrag Arbeitshandeln enthält explizites und implizites Wissen aus dem Jahr 2016, habe ich die Zusammenhänge zwischen Arbeitshandeln und dem expliziten “objektivierbaren” Wissen, bzw. impliziten subjektivierenden” Wissen dargestellt und erläutert.

Setzen wir doch einmal diese Zusammenhänge neu in Verbindung mit den Diskussionen darüber, ob Künstliche Intelligenz Arbeitsplätze, oder ganze Berufe ersetzen wird. Es wird dabei gleich deutlich, dass es in der Diskussion nicht darum geht, Arbeitsplätze oder Berufe durch Künstliche Intelligenz zu ersetzen, sondern darum, das Arbeitshandeln unter den neuen technologischen Möglichkeiten zu untersuchen.

Nach Böhle (2011) zeigen technische und organisatorische Komplexität Grenzen der wissenschaftlich-technischer Beherrschung auf, und zwar in Bezug auf Unwägbarkeiten im Arbeitshandeln.

Sind Unwägbarkeiten die Normalität, benötigt das Arbeitshandeln das Erfahrungswissen von Personen (Subjekte), im Sinne des erfahrungsgeleiteten-subjektivierenden Handelns (vgl. Böhle 2011).

Die Tech-Konzerne argumentieren mit ihren neuen und neuesten KI-Modellen, dass Technologie das gesamte Arbeitshandeln in diesem Sinne einmal abbilden kann. Diese Perspektiven sind möglicherweise für die schnelle Marktdurchdringung und für das Einsammeln von Kapital wichtig (Storytelling), doch greift dieser Ansatz bisher nur bei sehr begrenzten Tätigkeitsportfolios komplett.

Natürlich wird weiter argumentiert, dass sich die Technik weiterentwickelt und es nur eine Frage der Zeit ist, bis das komplette Arbeitshandeln technologisch abgebildet ist. Es ist durchaus zu erkennen, dass KI-Modelle durchaus in der Lage sind bestimmte Merkmale des subjektivierenden Arbeitshandeln abbilden kann. Daraus entstand auch der Glaube an eine Art Allgemeine Generelle Intelligenz (AGI), die der menschlichen Intelligenz überlegen sei.

Durch solche Ideen verschiebt sich der Nachweis für die aufgestellte These immer weiter in die Zukunft, und wird zu einem Glaubensbekenntnis. Möglicherweise handelt es sich bei dem geschilderten Denkmuster um eine Art Kategorienfehler?

Veröffentlicht am

In Abwandlung des Zitats von Peter Drucker: “Today it´s the company who determines what a business is”

Eigene Darstellung

Zu der Aussage von Peter Drucker habe ich schon 2007 einen Blogbeitrag geschrieben. Damals ging es mir darum herauszustellen, dass es in der Zwischenzeit viele Möglichkeiten gibt, einzelne Anforderungen von Kunden massenhaft so anzubieten, dass die Preise für Produkte und Dienstleistungen denen einer massenhaften Produktion entsprechen. Diese hybride Wettbewerbsstrategie heißt Mass Customization.

Inzwischen frage ich mich allerdings, warum die Möglichkeiten nicht genutzt werden, und ob die Aussage von Peter Drucker aus dem Jahr 1954 noch stimmt.

In dem Beitrag Produkte und Dienstleistungen als Mehrwert für Kunden: Warum funktioniert das einfach nicht? habe ich erläutert, dass die Kunden trotz vielfältiger Versprechen der Unternehmen immer noch nicht das erhalten, was sie benötigen.

Der Trend bei den Unternehmen geht eher dahin, die Kundenanforderungen in die vom Unternehmen gewünschte Richtung zu manipulieren und letztendlich sogar auch teilweise zu ignorieren. Zahlreiche Beispiele belegen das in der Zwischenzeit.

Aus dieser Gemengelage entstehen verschiedene Optionen. Einerseits lassen sich Kunden einfach weiter manipulieren und denken darüber gar nicht mehr nach. Andererseits gibt es immer mehr Kunden, die sich nach Alternativen umsehen. Darüber hinaus gibt es eine immer größer werdende Gruppe von Personen, die sich die von ihnen gewünschten Produkte selbst entwickeln und herstellen -teilweise auch in Communities.

Die neuen Möglichkeiten der Künstlichen Intelligenz führen dazu, dass viele Einzelpersonen Software beispielsweise selbst entwickeln. Dabei stellen diese Personen oftmals ihren Quell-Code anderen kostenfrei zur Verfügung > Open Source Software.

Auch physische Produkte können heute mit Hilfe von additiven Verfahren (Additiv Manufacturing, besser bekannt unter 3D-Druck) hergestellt werden, Dabei stellen auch hier Personen ihre Programme, oder auch ganze Produkte anderen zur Verfügung. Die Plattform Patient Innovation ist hier ein gutes Beispiel.

Es geht vielen Menschen nicht nur darum, dass ihre eigenen Bedürfnisse besser erfüllt werden, sondern auch oft darum, anderen etwas – oft kostenfrei – zur Verfügung zu stellen – alles, ohne dass Unternehmen eingebunden werden (müssen), die sich ja eher zu Organisationen entwickelt haben, die ihren eigenen Wert, und nicht die Werte der Kunden, steigern möchten.

Diese eher soziale Art Werte für alle zu schaffen zeigt, dass es heute schon – und in Zukunft immer mehr – kollaboratives, nachhaltiges und gemeinwohlorientiertes Wirtschaften gibt. Alles zu einem immer größeren Teil ohne die subtile “Marktorientierung” scheinbar systemrelevanter Organisationen.

Denn: Wozu benötigen wir Unternehmen, wenn die Transaktionskosten in immer mehr Bereichen für die eigene, individuelle Wertschöpfung gegen 0 gehen…? In diesem Sinne könnte es sein, dass das Zitat von Peter Drucker aus dem Jahr 1954 in Zukunft doch wieder seine Berechtigung hat.

Veröffentlicht am

Künstliche Intelligenz: Was ist unter einer Mixture of Experts (MoE) Architektur zu verstehen?

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

Wenn es um die bei der Anwendung von Künstlicher Intelligenz (GenAI) verwendeten Trainingsmodellen geht, stellt sich oft die Frage, ob ein großes Modell (LLM: Large Language Model) für alles geeignet ist – ganz im Sinne von “One size fits all”. Eine andere Herangehensweise ist, mehrere spezialisierte kleinere Trainingsmodelle (SLM: Small Language Models) zu verwenden, die verschiedene Vorteile bieten.

Doch es gibt noch eine andere Möglichkeit, und das ist eine Mixture of Experts (MoE) Architektur.

“In January of 2025, the MoE architecture got broad attention when DeepSeek released its 671 billion MoE model. But DeepSeek wasn’t the first to release an MoE model. The French AI Lab, Mistral AI, made headlines with the release of one of the first high-performing MoE models: Mixtral 8x7B (we think the name is great, Mistral + mixture) all the way back in December of 2023″ (Thomas et al. 2025).

Es geht also im Prinzip darum, für den jeweiligen Input das geeignete Modell auszuwählen, um einen qualitativ hochwertigen Output zu generieren. Das erinnert mich stark an meinen Blogbeitrag Künstliche Intelligenz: Mit einem AI Router verschiedene Modelle kombinieren.

Doch es gibt einen Unterschied: Bei dem Konzept eines AI-Routers, sind es verschiedene Modelle (LLM, SLM), die für den jeweiligen Input ausgewählt werden. Bei einer Mixture of Experts (MoE) Architektur ist das prinzipielle Vorgehen zwar ähnlich, doch es sind hier speziell trainierte Modelle mit Expertenstatus, die dann zur Auswahl stehen.

Es zeigt sich in solchen Beiträgen immer mehr, dass ein Unternehmen ein dynamisches, eigenes KI-System konfigurieren sollte, damit die Möglichkeiten der Künstlichen Intelligenz genau zu den Anforderungen und dem Kontext passt.

Aus meiner Sicht, sollten die Modelle alle der Definition einer Open Source AI entsprechen – das ist aktuell noch nicht überall gegeben. Siehe dazu auch Open Source AI: Warum sollte Künstliche Intelligenz demokratisiert werden?

Veröffentlicht am

Cross Industry Innovation: Ist doch ganz einfach, oder?

Quelle: vgl. Achatz et al. (2012)

Manchmal wundert man sich, warum einzelne Industrien “das Rad neu erfinden”, obwohl es die jeweilige Problemlösung doch schon in anderen Branchen / Industrien gibt. Anhand der Abbildung sind die verschiedenen Möglichkeiten illustriert.

Ist in der Industrie I ein Problem erkannt worden, so kann im ersten Schritt der Abstraktion im Lösungsraum eine Analogie (2. Schritt) zu einer Problemlösung in der Industrie II gefunden werden. Diese findet man in dem Bereich, in denen sich die beiden Lösungsräume von Industrie I und Industrie II überschneiden,. Im dritten Schritt der Adaption (3.) wird die Problemlösung aus der Industrie II für das Problem in Industrie I angewendet. Hört sich einfach an, ist es allerdings nicht immer.

Je kontextabhängiger das für die Problemlösung erforderliche Wissen ist, umso schwieriger ist das Wissen auf einen anderen Kontext (hier: eine andere Industrie) zu übertragen. Es handelt sich dabei um sogenanntes “Träges Wissen”.

Weiterhin benötigt man für eine bestimmte, komplexe Problemlösung (z.B. für Innovationen) oftmals die Expertise bestimmter Personen mit ihrem Erfahrungsschatz. Diese Expertise hängt wiederum mit dem impliziten Wissen zusammen, das nicht so einfach übertragbar ist.

Dennoch ist es natürlich nicht unmöglich, von anderen Industrien für komplexe Problemlösungen zu lernen – es ist allerdings auch nicht so einfach, sobald man die dahinterliegende Wissensperspektive betrachtet.

Veröffentlicht am

Künstliche Intelligenz: Mit FlexOlmo Trainingsmodelle kollaborativ erarbeiten – eine interessante Idee

Quelle: https://www.youtube.com/watch?v=dbTRBpA7FVQ

Trainingsmodelle sind für die Qualität der Ergebnisse von KI-Abfragen bedeutend. Dabei kann es sich im einfachsten Fall um ein Large Language Model (LLM) handeln – ganz im Sinne von “One Size Fits All, oder auch um verschiedene, spezialisierte Small Language Models (SLMs). Alles kann dann auch mit Hilfe eines AI-Routers sinnvoll kombiniert werden. Darüber hinaus ist es auch möglich, bestehende Modelle über InstructLab mit eigenen Daten zu kombinieren und zu trainieren.

Noch weiter geht jetzt Ai2, eine Not for Profit Organisation, über die ich schon einmal geschrieben hatte (Blogbeitrag). Mit FlexOlmo steht nun über Ai2 ein Trainingsmodell zur Verfügung, bei dem die Daten flexibel von einer Community weiterentwickelt / trainiert werden können:

“The core idea is to allow each data owner to locally branch from a shared public model, add an expert trained on their data locally, and contribute this expert module back to the shared model. FlexOlmo opens the door to a new paradigm of collaborative AI development. Data owners who want to contribute to the open, shared language model ecosystem but are hesitant to share raw data or commit permanently can now participate on their own terms” (Ai2 2025).

Die Idee ist wirklich spannend, da sie auf einem offenen Trainingsmodell basiert – ganz im Sinne von Open Source AI – und die Eigentümer der Daten darüber entscheiden, ob ihre Daten von dem gemeinsamen Modell genutzt werden können, oder eben nicht. Wer noch tiefer in diese Idee einsteigen möchte, kann das mit folgendem Paper gerne machen:

Shi et al (2025): FLEXOLMO: Open Language Models for Flexible Data Use | PDF

Veröffentlicht am

Die Earned Value Analyse auch für das Multiprojektmanagement nutzen

Hüsselmann und Hergenröder (2024)

In verschiedenen Beiträgen hatte ich schon darauf hingewiesen, dass die Earned Value Analyse im plangetriebenen/klassischen, im agilen und hybriden Projektmanagement angewendet werden kann. Siehe dazu beispielweise Kann die Earned Value Analyse (EVA) für Scrum genutzt werden? Dabei geht es zunächst um einzelne Projekte in verschiedenen Vorgehensmodellen.

Organisationen haben allerdings nicht nur ein Projekt, sondern oftmals viele Projekte. Das ist nicht verwunderlich, da es durch die Veränderungen im Umfeld von Organisationen zu immer mehr Projekten kommt, bzw. kommen wird. Denn: Projekte sind Träger des Wandels.

Wenn also viele Projekte anstehen, können diese in Einzelprojekte, Programme und Portfolios strukturiert werden. Siehe dazu Wie können Projekt-, Programm-, Portfolio-, Multiprojektmanagement voneinander abgegrenzt werden?

Im Controlling stellt sich dabei die Frage, ob die Earned Value Analyse (EVA) auch für das Multiprojektmanagement genutzt werden kann. Zu dem gesamten Komplex um die Earned Value Analyse gibt es eine sehr gute und ausführliche Veröffentlichung:

Hüsselmann, C.; Hergenröder, J. (2024): Integrierte Earned Value Analyse. Kostendifferenzierung, Anwendung für agile Projekte und auf Portfolioebene | GPM-Publikation

Als Mitglied der Gesellschaft für Projektmanagement e.V. (GPM e.V.) steht mir das Buch als PDF-Datei kostenfrei zur Verfügung. Zum Thema EVA und Multiprojektmanagement findet sich darin folgender Absatz:

“Die EVA ist nicht nur für einzelne Arbeitspakete und Projekte anwendbar, sie liefert dem Management auch einen Überblick über die gesamte Projektsituation. Dies kann vor allem im Bereich des Projektportfoliomanagements (PPM) sinnvoll sein. Bei einer konsequenten Durchführung der EVA für alle Projekte der Projektlandschaft können die Projekte bspw. anhand ihrer Indizes in einer Matrix verglichen werden (siehe Abbildung)” (Hüsselmann und 2024).

Die Abbildung zeigt dabei auf der Y-Achse den SPI (Schedule Performance Index) und auf der X-Achse den CPI (Cost Performance Index). Der jeweilige Achsenmittelpunkt ist mit 100% markiert, sodass die Werte unter und über 100% gut visualisiert werden können.

Die Größe der Kreise stellt meistens das relative Budget dar. Das Projekt P5 weist zu hohe Kosten und einen geringen Fortschritt auf usw.

Veröffentlicht am

Innovationen: Künstliche Intelligenz und die White Spot Analyse

White Spot Analyse als Prozess nach Achatz (2012)

Manchmal könnte man der Meinung sein, dass es kaum noch Möglichkeiten gibt, etwas Neues auf den Markt zu bringen, doch das ist natürlich ein Trugschluss. Beispielhaft möchte ich dazu folgendes Zitat erwähnen:

“Es gibt nichts Neues mehr. Alles, was man erfinden kann, ist schon erfunden worden. “
Charles H. Duell, US-Patentamt 1899

Da stellt sich natürlich gleich die Frage: Wo sind die neuen Produkte, neuen Dienstleistungen, neuen Märkte, und wie finde ich diese?

Dass das nicht so einfach ist, haben Innovationstheorien und -modelle schon ausführlich dargestellt. Dabei hat sich der Begriff der “blinden Flecke” etabliert. Gerade große Organisationen sehen einfach nicht mehr das Offensichtliche. Diese Wahrnehmungshemmung kann mit der Theorie der Pfadabhängigkeit erklärt werden.

Diese Gemengelage führt zwangsläufig zur nächsten Frage: Wie kann ein Unternehmen (oder auch eine einzelne Person) Bereiche finden, die noch nicht besetzt sind?

Solche weiße Flecken – White Spots – können relativ systematisch mit einem entsprechenden Prozess abgebildet und untersucht werden (Abbildung). Mit den heute vorhandenen Möglichkeiten der Künstlichen Intelligenz (GenAI) können Sie

Sprechen Sie mich bitte an, wenn Sie dazu Fragen haben.