Mit DeepSeek ist chinesischen Entwicklern ein Coup gelungen, denn sie konnten zeigen, dass ein KI-Modell nicht teuer sein muss. Die amerikanischen Tech-Giganten standen damals mit ihren Milliarden-Investitionen ziemlich schlecht dar.
Nun gibt es mit Kimi K2 Thinking ein weiteres Modell, mit dem chinesische Entwickler zeigen, wie mit relativ wenigen Ressourcen – und damit Kosten – ein leistungsfähiges Modell angeboten werden kann. Der Schwerpunkt des Modells liegt dabei auf „Coding“.
Es ist Open Sourcebasiert und wurde unter der MIT-Lizenz veröffentlicht. Diese enthält eine interessante Klausel: Da amerikanische Konzerne chinesische Open Source Modelle gerne für ihre Entwicklungen nutzen – ohne das transparent zu machen – ist die freie kommerzielle Nutzung bis zu einem monatlichen Umsatz von 20 Millionen Dollar möglich.
Kimi K2 Thinking ist ein MoE-Modell, (for Coding) dessen Entwicklung nur 4,6 Millionen Dollar gekostet haben soll – wieder eine beeindruckende Kennzahl. Darüber hinaus zeigen Benchmarks, die enorme Leistungsfähigkeit des Modells. Weitere Informationen sind in dem folgenden Beitrag zusammengefasst:
Mal sehen, ob wir das Modell auch in LocalAI, bzw. in Ollama auf unseren Servern einbinden können. Bis dahin kann auf der Landingpage Kimi K2 Thinking getestet werden.
Gerade in Zeiten mit vielfältigen und turbulenten Veränderungen ist es wichtig zu wissen, wem (Personen, Organisationen) man vertrauen kann. Es gibt immer wieder ausführliche Darstellungen darüber, dass „Vertrauen verloren gegangen ist“, wenn es Unternehmen schlecht geht, und dass Vertrauen die Basis für ein gutes Zusammenleben ist.
Vertrauen stellt also einen nicht unerheblichen Faktor im Wirtschaftsleben, aber auch im gesellschaftlichen Zusammenleben dar. Deshalb sollte man sich zunächst einmal darüber klar werden, was unter Vertrauen zu verstehen ist.
Vertrauen als Fähigkeit, soziale Beziehungen in Situationen der Ungewissheit und Mehrdeutigkeit (temporär) zu stabilisieren (vgl. Weick, 1995).
Vertrauen stabilisiert also soziale Beziehungen, was wiederum bedeutet, dass Misstrauen soziale Beziehungen destabilisiert. Es scheint, dass Misstrauen gegenüber Vertrauen stärker verbreitet ist. Im World Social Report 2025 wir deutlich dargestellt, welche Auswirkungen Misstrauen hat.
Hier das eine oder andere Beispiel aus meiner Perspektive:
Lebensmittelbranche: Ich misstraue der Branche grundsätzlich, da sie immer mehr Produkte industriell fertigt und dabei viele Zusatzstoffe verwendet, die Menschen auf Dauer krank machen können. Siehe dazu Die Tricks mit Brot und Brötchen – ARD Mediathek oder die vielen Sendungen von Sebastian Lege.
Gastronomie: Kann man den vielen Gastronomen wirklich vertrauen? Manche schaffen es ja sogar, dem Gast Leitungswasser als „“Eigenmarke“ zu Höchstpreisen zu verkaufen.
Gesundheitswesen: Kann ich den Akteuren vertrauen, wenn z.B. ein Arzt nur Geld verdient, wenn ich krank bin? Natürlich gibt es im System Personen, denen ich vertraue, doch kann ich dem Gesundheitssystem vertrauen?
Finanzwesen: Die verschiedenen Finanzprodukte sind schon seit Jahren in der Kritik, da es of an Transparenz fehlt, und mehr der Profit der Bank im Fokus steht, als das Wohl der Kunden.
Künstliche Intelligenz: Kann ich den KI-Angeboten der Tech-Konzerne vertrauen? Es gibt bei den proprietären Angeboten keine Transparenz darüber, welche Daten für die Modelle genutzt wurden und wie mit neuen Daten umgegangen wird. Siehe dazu Künstliche Intelligenz: Würden Sie aus diesem Glas trinken?
Es wäre schön, wenn nicht mehr die Manipulationen von Menschen (Kunden) im Mittelpunkt stehen würden, sondern die wirklichen Bedürfnisse von Menschen.
Über die Open Source AI-Modelle der Olmo2-Familie habe ich schon einmal in diesem Blogbeitrag geschrieben. Grundsätzlich soll mit diesen Modellen die Forschung an Sprachmodellen unterstützt werden. Anfang November hat Ai2 nun bekannt gegeben, dass mit OlmoEarth eine weitere Modell-Familie als Foundation Models (Wikipedia) zur Verfügung steht.
„OlmoEarth is a family of open foundation models built to make Earth AI practical, scalable, and performant for real-world applications. Pretrained on large volumes of multimodal Earth observation data“ (Source: Website).
Es handelt sich also um eine offene, trainierte Modell-Familie, die zur Lösung realer Probleme (real world problems) beitragen sollen. Hier ein Beispiel von der Nutzung der Daten für eine Fragestellung in Nigeria:
Es gibt vier unterschiedliche Modelle. Interessant dabei ist, dass es auch kleine Modelle (Nano und Tiny) gibt, die kostengünstig sind, und schnell genutzt werden können:
Bei Innovationen sollten wir uns zunächst einmal klar machen, was im Unternehmenskontext darunter zu verstehen ist. Das Oslo Manual schlägt vor, Innovation wie folgt zu interpretieren:
„(…) a new or improved product or process (or combination thereof) that differs significantly from the unit’s previous products or processes and that has been made available to potential users (product) or brought into use by the unit (process)” (Oslo Manual 2018).
Dass Innovation u.a. eine Art Neu-Kombination von Existierendem bedeutet, ist vielen oft nicht so klar (combination thereof). Neue Ideen – und später Innovationen – entstehen oft aus vorhandenen Konzepten. oder Daten.
An dieser Stelle kommen nun die Möglichkeiten der Künstlichen Intelligenz (GenAI oder auch AI Agenten) ins Spiel. Mit KI ist es möglich, fast unendlich viele Neu-Kombinationen zu entwickeln, zu prüfen und umzusetzen. Das können Unternehmen nutzen, um ihre Innovationsprozesse neu zu gestalten, oder auch jeder Einzelne für seine eigenen Neu-Kombinationen im Sinne von Open User Innovation nutzen. Siehe dazu Von Democratizing Innovation zu Free Innovation.
Entscheidend ist für mich, welche KI-Modelle dabei genutzt werden. Sind es die nicht-transparenten Modelle der Tech-Unternehmen, die manchmal sogar die Rechte von einzelnen Personen, Unternehmen oder ganzer Gesellschaften ignorieren, oder nutzen wir KI-Modelle, die frei verfügbar, transparent und für alle nutzbar sind (Open Source AI)?
Je vernetzter die Strukturen einer Organisation (innen und außen) sind, um so höher ist der Grad an Komplexität. Dabei unterliegen viele einem Irrtum, denn der Begriff „komplex“ ist keine Steigerungsform von „kompliziert“. Interessant ist, dass es durchaus Anzeichen für den falschen Umgang mit Komplexität in Unternehmen git. Dazu habe ich folgendes gefunden:
9 Anzeichen für einen falschen Umgang mit Komplexität im Unternehmen:
(1)Bekämpfung der Symptome anstelle der Ursachen Es wird immer nur das repariert, was gerade hakt. Eine Suche nach der Ursache hinter dem Symptom findet nicht statt. Symptom und Problem werden gleichgesetzt.
(2) Übergeneralisierung Wenige (oft unzusammenhängende) Ereignisse führen zu allgemeinen Regeln und Schlussfolgerungen für ähnliche Situationen in der Zukunft.
(3) Methodengläubigkeit Um Fehler künftig zu vermeiden und Unwägbarkeiten „bestimmbar“ zu machen, sucht man ständig nach neuen Methoden oder überarbeitet die bestehenden.
(4) Projektmacherei „Wenn du nicht mehr weiterweißt, bilde einen Arbeitskreis.“ Sobald Aufgaben nicht mehr leicht zu lösen sind, werden Projekte initiiert.
(5) Betriebsame Hektik Gerade wenn Aufgaben unlösbar erscheinen und der Überblick fehlt, wird viel „gearbeitet“ und wenig übers Handeln kommuniziert und reflektiert.
(6) Denken in „kurzen Laufzeiten“ Bei Entscheidungen wird nur der direkte Wirkzusammenhang in der nahen Zukunft betrachtet, ohne die zeitlich verzögerten Effekte zu berücksichtigen. Der Zeithorizont wird dabei meist durch Rahmenbedingungen (Projektlaufzeit, Zeitvertrag, Berufung Aufsichtsrat usw.) bestimmt, die mit dem System nichts zu tun haben.
(7) Schutz des mentalen Modells vor der Welt „Das, was ich denke, ist richtig!“, ist eine verbreitete Überzeugung.
(8) Feedback wird weder gehört noch verstanden Der wichtigste Regelungsmechanismus für komplexe Systeme wird nicht verwendet. Man überhört jede Form von Kritik, Bestätigung, Ideen, Hinweisen und schwachen Signalen und nichts davon findet Eingang in das System.
(9) Mangelndes Systemdenken: Gedacht, diskutiert und geplant wird in linearen Kausalzusammenhängen, ohne Wechselwirkungen zu betrachten. Der Fokus liegt auf Details, das Big Picture bleibt außen vor.
Quelle: Stephanie Borgert (2015) : Irrtümer der Komplexität. Gabal, Offenbach.
Innovation ist ein wesentliches Element für den Wohlstand einer Gesellschaft – nicht nur für einzelne Unternehmen. Diese orientieren sich in ihren Strategien oft auf Technik (technikorientiere Innovationsstrategie) und auf Kunden (kundenorientierte Innovationsstrategie). Beide Perspektiven sollten durch ein Denken in Kontexten ergänzt werden.
„Eine kontextorientierte Innovationsstrategie versucht daher, nutzerorientierte Lösungsansätze für die Bewältigung und Entlastung von Alltagskomplexität in innovative Produkte und Dienstleistungen zu übersetzen. (…) Eine kontextorientierte Strategie ist von der Perspektive her langfristig orientiert, verbindet technologisches Wissen mit den jeweiligen soziokulturellen Anwendungskontexten und trägt insofern der rekursiven Beziehung von Innovation und Bedürfnis Rechnung. Dabei zielt eine kontextorientierte Innovationsstrategie letztlich auf Differenzierung am Markt, denn »the essence of strategy is […] choosing to perform activities differently or to perform different activities than rivals« – und damit auf langfristiges Überleben am Markt (Porter 1996, 64)“ Quelle: Burmeister et al. (2006): Innovation im Kontext: Ansätze zu einer offenen Innovationsstrategie, in Drossou (2006).
Gerade in Zeiten von Künstlichen Intelligenz werden oftmals nur die Dimensionen „Technik“ und „Kunde“ thematisiert und zu wenig der gesellschaftliche Kontext von Innovationen mit bedacht. Die ersten beiden Dimensionen sind eher kurzfristig, die kontextorientierte Innovationsstrategie eher langfristig ausgerichtet. Gerade dieser Punkt ist für eine gesellschaftliche Entwicklung wichtig, die alle Menschen mit einbezieht.
Diese Gedanken passen gut zu dem in Japan vorgestellten Ansatz einer Society 5.0.
Auch der Jobs Reports 2025 des WEF zeigt auf, dass bis 2030 wohl 172 Millionen neue Jobs entstehen, und 92 Millionen wegfallen werden. Es geht dabei nicht immer um komplette Jobs, sondern auch um Teilbereiche oder Tätigkeitsportfolios, die immer mehr von AI Agenten übernommen werden (können).
Alles was mit Logik und Speicherung zu tun hat, ist eher die Stärke von Künstlicher Intelligenz, den Workflows, bzw. den AI Agenten. Doch in welchen Bereichen versagen AI Agenten noch? Dazu habe ich den folgenden Text gefunden:
„AI agents don’t fail because they’re weak at logic or memory. They fail because they’re missing the “L3” regions — the emotional, contextual, and motivational layers that guide human decisions every second“ (Bornet 2025 via LinkedIn).
Dabei bezieht sich Bornet auf eine Veröffentlichung von Bang Liu et al. (2025:19-20), in dem die Autoren drei Hirnregionen in Bezug auf AI (Artificial Intelligence) untersuchten. L1: Well developed; L2: Partially developed; L3: Underexplored.
Das Ergebnis ist also, dass AI Agenten in den Ebenen Emotionen, Kontext und Motivation unterentwickelt sind (L3), wenn es um menschliche Entscheidungen geht.
Erkenntnis (Cognition) entsteht dabei nicht nur in einem Bereich im Gehirn, sondern durch das Zusammenspiel vieler unterschiedlich vernetzter Areale. Bei komplexen Problemlösungsprozesse (CPS: Complex Problem Solving) geht es verstärkt um Emotionen, Kontext und Motivation.
Im Idealfall könnten Menschen an diesen Stellen einen Mehrwert für eine qualitativ gute Problemlösung (Erkenntnis) einbringen. Es stellt sich dabei allerdings auch die Frage, wie stark sich Menschen an die Möglichkeiten einer Künstlichen Intelligenz (AI Agenten) anpassen sollen.
Zusätzlich können die in dem sehr ausführlichen wissenschaftlichen Paper von Bang Liu et al. (2025) erwähnten Zusammenhänge Hinweise geben, wie die Zusammenarbeit – das Zusammenspiel – zwischen Menschen und AI Agenten organisiert, ja ermöglicht werden kann.
Mit Nextcloud haben wir eine Open Source Software auf unserem Server installiert, die je nach Bedarf mit Hilfe von Apps (Anwendungen) erweitert werden kann. Für die Verbesserung der Produktivität gibt es zunächst einmal die App Flow, mit der einfache Abläufe automatisiert werden können.
Sind die Ansprüche etwas weitreichender, bietet sich die App Workflow an, die wir auch installiert haben. Die App basiert auf Windmill und ermöglicht es uns, Abläufe (Workflows) per bekannter Symbole darzustellen. In der Abbildung sind links die zwei einfachen Symbole „Input“ und „Output“ zu sehen. Rechts daneben werden die Details zu den einzelnen Button und Schritte angezeigt – das Prinzip dürfte klar sein, Einzelheiten zu den vielfältigen Optionen erspare ich mir daher.
Es ist immer wieder erstaunlich, wie schnell viele Apps auf Open Source Basis zur Verfügung stehen, und je nach Bedarf genutzt werden können. Aktuell ist die Anzahl der generierbaren Workflows über die freie Version von Nextcloud noch begrenzt. Alternativ könnten wir auch Windmill direkt auf unserem Server installieren: Self-host Windmill. Ähnlich haben wir es schon mit OpenProject gemacht. Wobei es dann aus der Anwendung heraus möglich ist, auf Nextcloud-Daten zuzugreifen.
Ob wir das machen hängt davon ab, ob wir mit Workflow in Zukunft weiterarbeiten, oder alle Arten von Flows direkt in Langflow abbilden, da wir dort den direkten Übergang zu KI-Agenten haben. Alle Open Source Anwendungen laufen auf unseren Servern, sodass alle generierten Daten auch bei uns bleiben. Ganz im sinne einer Digitalen Souveränität.
In allen Projekten werden mehr oder weniger oft digitale Tools, bzw. komplette Kollaborationsplattformen eingesetzt. Hinzu kommen jetzt immer stärker die Möglichkeiten der Künstlicher Intelligenz im Projektmanagement (GenAI, KI-Agenten usw.).
Projektverantwortliche stehen dabei vor der Frage, ob sie den KI-Angeboten der großen Tech-Konzerne vertrauen wollen – viele machen das. Immerhin ist es bequem, geht schnell und es gibt auch gute Ergebnisse. Warum sollte man das hinterfragen? Möglicherweise gibt es Gründe.
Es ist schon erstaunlich zu sehen, wie aktuell Mitarbeiter ChatGPT, Gemini usw. mit personenbezogenen Daten (Personalwesen) oder auch unternehmensspezifische Daten (Expertise aus Datenbanken) füttern, um schnelle Ergebnisse zu erzielen – alles ohne zu fragen: Was passiert mit den Daten eigentlich? Siehe dazu auch Künstliche Intelligenz: Würden Sie aus diesem Glas trinken?
Es stellt sich zwangsläufig die Frage, wie man diesen Umgang mit den eigenen Daten und das dazugehörende Handeln bewertet. An dieser Stelle kommt der Begriff Ethik ins Spiel, denn Ethik befasst sich mit der „Bewertung menschlichen Handelns“ (Quelle: Wikipedia). Dazu passt in Verbindung zu KI in Projekten folgende Textpassage:
„In vielen Projektorganisationen wird derzeit intensiv darüber diskutiert, welche Kompetenzen Führungskräfte in einer zunehmend digitalisierten und KI-gestützten Welt benötigen. Technisches Wissen bleibt wichtig – doch ebenso entscheidend wird die Fähigkeit, in komplexen, oft widersprüchlichen Entscheidungssituationen eine ethisch fundierte Haltung einzunehmen. Ethische Kompetenz zeigt sich nicht nur in der Einhaltung von Regeln, sondern vor allem in der Art, wie Projektleitende mit Unsicherheit, Zielkonflikten und Verantwortung umgehen“ (Bühler, A. 2025, in Projektmanagement Aktuell 4/2025).
Unsere Idee ist daher, eine immer stärkere eigene Digitale Souveränität – auch bei KI-Modellen. Nextcloud, LocalAI, Ollama und Langflow auf unseren Servern ermöglichen es uns, geeigneter KI-Modelle zu nutzen, wobei alle generierten Daten auf unseren Servern bleiben. Die verschiedenen KI-Modelle können farbig im Sinne einer Ethical AI bewertet werden::
Die moderne Arbeitswelt macht es erforderlich, immer komplexere Aufgabenstellungen zusammen mit anderen zu bearbeiten, und möglichst zu lösen.
Das RKW (Rationalisierungs- und Innovationszentrum der Deutschen Wirtschaft e.V) bringt immer wieder Unterlagen heraus, die gerade für Kleine Mittlere Unternehmen (KMU) gut nutzbar sind. Diesmal geht es um die Veröffentlichung RKW (2025): Teamradar. Survival Guide für smarte Teamarbeit und clevere Konfliktlösung. Auf der Website kann der Leitfaden – immerhin 50 Seiten – als PDF-Datei kostenfrei heruntergeladen, und von vielen genutzt werden:
„Für alle, die in Teams Verantwortung übernehmen – ob als Führungskraft, Projektleitung oder Teammitglied. Besonders für KMU bietet das Teamradar eine praxisnahe Methode, um die Potenziale von Vielfalt und Unterschiedlichkeit produktiv zu nutzen“ (ebda.).
Es ist gut, wenn viele Zusammenhänge aufgezeigt werden und die Möglichkeit besteht, die Inhalte für seine Organisation umzusetzen. Für Kleine Unternehmen ist das etwas zu viel des Guten, für Mittelständler kann der umfangreiche Leitfaden Sinn machen. An dieser Stelle möchte ich noch folgendes anmerken:
Es wird zunächst nicht zwischen Teamarbeit und Projektarbeit unterschieden, obwohl die Projektleitung als Zielgruppe benannt ist.
Weiterhin gibt es in dem Kapitel „Teamprofile: Zwischen Tun und Lassen: Teamkompetenzen neu denken“ noch den einen oder anderen Punkt:
„Manchmal läuft ein Team wie ein Uhrwerk – alles greift ineinander, die Dinge kommen ins Rollen. Manchmal aber fehlt genau das Zahnrad, das alles verbindet“ (ebda.).
Anmerkung: Die Verwendung der Metapher „Zahnrad“ konterkariert das Ziel, Teamarbeit zu beschreiben und zu entwickeln. Menschen als Zahnräder haben als Metapher ausgedient. Zahnräder haben keine Emotionen, Menschen schon. Meier (2022) führt dazu aus: „“Kulturen sind in undurchschaubarer Weise verwobene Netze von Handlungen, Gegenständen, Bedeutungen, Haltungen und Annahmen. Und eben keine mechanischen Uhrwerke, bei denen voraussehbar ist, welche Veränderung sich ergibt, wenn man bei einem Zahnrad die Anzahl der Zähne vergrößert oder verkleinert.“
Weiterhin werden drei Teamkompetenzen genannt: Umsetzungsfähigkeit, Strategiefähigkeit und Anpassungsfähigkeit. Der Begriff „Teamkompetenzen“ kommt ansonsten nur in der Kapitelüberschrift und im Inhaltsverzeichnis vor.
Anmerkung: Fähigkeiten werden erst im Handeln manifest, außerhalb der Handlung haben sie keine Wirklichkeit. Das Handeln, die Performanz steht im Mittelpunkt. Insofern können Fähigkeiten keine Kompetenzen sein.
Teamprofile: Die Eule, Die Ameise, Der Oktopus, Der Fuchs, Der Dachs, Der Delfin, Das Arbeitspferd.
