Veröffentlicht am

Open Source AI: Kimi K2 Thinking vorgestellt

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 Source basiert 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:

Moonshot AI stellt Kimi K2 Thinking als “bestes Open-Source-Thinking-Modell” vor (Krempler, J. 2025, in the decoder vom 07.11.2025).

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.

Veröffentlicht am

Gedanken zu Vertrauen und Misstrauen

Image by Gerd Altmann from Pixabay

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.

Siehe dazu auch Neue Arbeitswelt: Vertrauen als Ersatz für Kontrolle? und Produkte und Dienstleistungen als Mehrwert für Kunden: Warum funktioniert das einfach nicht?
–

IT ALL STARTS WITH TRUST

Veröffentlicht am

Projekt: Wissen, Kostenverlauf und Entscheidungsspielraum über die Zeit

Eigene Darstellung (vgl. Platz 2004)

Betrachten wir die Projektkosten, so steigen diese meistens über die Zeit an (Kostenverlauf). Die Kostenbeeinflussung nimmt demgegenüber mit der Zeit ab, sodass der Entscheidungsspielraum auch immer kleiner wird. Gleichzeitig generiert man über den Projektzeitraum immer mehr Wissen über das Projekt.

Es ist immer wieder erstaunlich, dass Unternehmen die hohen Kosten eines Projekts in der Umsetzung (Steuerungsphase) bemängeln, obwohl an dieser Stelle kaum noch Einfluss genommen werden kann.

Weiterhin wird hier deutlich, wie wichtig es wäre, Wissen aus anderen (ähnlichen) Projekten mit in den Start eines Projektes zu integrieren. Das Erfahrungswissen ist zwar nicht immer 1:1 übertragbar, kann allerdings dennoch zur besseren Entscheidungsfindung in den frühen Phasen eines Projekts beitragen.

Das Erfahrungswissen eines Projekts in der Abschlussphase zu erschließen ist allerdings ein Schwachpunkt im Projektablauf, da es am Ende eines Projekts oftmals nur noch um die Nachkalkulation und um die Verträge geht – jeder ist froh, dass das Projekt zu Ende ist und sagt: Beim nächsten Projekt wird alles besser. Doch beim nächsten Projekt werden die gleichen Fehler gemacht: Projekte lernen (sehr) schlecht.

Veröffentlicht am

Zusammenarbeit im Projekt: Engpasssteuerung

Oft arbeiten unterschiedliche Bereiche eines Unternehmens an einem Projekt. Einmal angenommen, es wäre möglich, die Arbeitslast der verschiedenen Ressourcen im Vergleich zu der verfügbaren Kapazität zu bestimmen, dann würde man eine – oder mehrere ) Ressource(n) finden, die relativ am stärksten belastet wäre(n).

vgl. Techt/Simon (2008)

In der Abbildung ist zu erkennen, dass die Arbeitslast in den kommenden drei Monaten nicht immer zu den verfügbaren Kapazitäten im gleichen Zeitraum passt. An zwei Stellen liegt das Verhältnis zwischen Arbeitslast und Kapazität über 100% – einmal genau bei 100%. Anmerkung: PT bedeutet Personentage.

“Da der Durchsatz eines Systems immer nur dadurch verbessert werden kann, dass man mehr Durchsatz an der engsten Stelle des Systems ermöglicht, müsste gerade bei der am stärksten belasteten Ressource als Erstes dafür gesorgt werden, dass hier kein schädliches Multitasking und keine zu dünne Ressourcenverteilung stattfinden (Techt/Simon 2008).

Es macht keinen Sinn, in Bereichen vor dem Engpass viel Kapazität aufzubauen, wenn die Arbeitslast am Engpass nicht bewältigt werden kann. Allen Projektbeteiligten muss klar sein, dass es um den Wertstrom über alle Bereiche geht, der optimiert werden muss. Der Ansatz dazu ist die Engpasssteuerung.

Als Instrument zur Visualisierung und Steuerung bietet sich ein KANBAN Board an. Die Steuerungselemente sind hier: Limitierung des jeweiligen WIP (Work in Progress), Durchlaufzeit und Lieferrate.

Veröffentlicht am

Open Source AI: OlmoEarth Modell-Familie veröffentlicht

Screenshot: https://allenai.org/blog/olmoearth-models

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:

OlmoEarth-v1-Nano (~1.4M parameters) & OlmoEarth-v1-Tiny (~6.2M)—for fast, cheap inference at scale
OlmoEarth-v1-Base (~90M)—balanced accuracy and speed for most use cases
OlmoEarth-v1-Large (~300M)—best performance on challenging tasks

Auf der OlmoEarth-Platform können die Modelle getestet werden.

Veröffentlicht am

Emotionale Intelligenz und Künstliche Intelligenz am Arbeitsplatz

Wenn es um Künstliche Intelligenz geht, kommt auch immer öfter der Hinweis auf, dass Emotionale Intelligenz immer wichtiger wird. In dem Blogbeitrag AI City und Emotionale Intelligenz wird beispielsweise auf den Zusammenhang mit AI Citys verwiesen:

“For a smart city, having only “IQ” (intelligence quotient) is not enough; “EQ” (emotional quotient) is equally essential. (…) the emotions of citizen communities …”

Hier wird also vorgeschlagen, neben dem Intelligenz-Quotienten (IQ) noch einen Emotionalen Quotienten (EQ) bei der Betrachtung zu berücksichtigen.

Doch was verstehen wir unter “Emotionale Intelligenz”?

Ich beziehe mich hier auf eine Beschreibung von Salovay und Mayer, und bewusst nicht auf den populären Ansatz von Goleman:

“Emotional intelligence is a type of social intelligence that involves the ability to monitor one’s own and others’ emotions to discriminate among them, and to use the information to guide one’s thinking and actions (Salovey & Mayer 1990)”, cited in Mayer/Salovay 1993, p. 433).

Die Autoren sehen also Emotionale Intelligenz als Teil einer Sozialen Intelligenz. Spannend ist weiterhin, dass Mayer und Salovay ganz bewusst einen Bezug zur Multiplen Intelligenzen Theorie von Howard Gardner herstellen. Siehe Emotionale Intelligenz: Ursprung und der Bezug zu Multiplen Intelligenzen.

Betrachten wir nun Menschen und AI Agenten im Zusammenspiel, so muss geklärt werden, woran AI Agenten (bisher) bei Entscheidungen scheitern. Dazu habe ich 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).

Auch Daniel Goleman, der den Begriff “Emotionale Intelligenz” populär gemacht hat, beschreibt den Zusammenhang von Emotionaler Intelligenz und Künstlicher Intelligenz am Arbeitsplatz, und weist auf die erforderliche Anpassungsfähigkeit (Adaptability) hin:

“Adaptability: This may be the key Ei competence in becoming part of an AI workplace. Along with emotional balance, our adaptability lets us adjust to any massive transformation. The AI future will be different from the present in ways we can’t know in advance” (EI in the Age of AI, Goleman via LinkedIn, 30.10.2025).

Was mir allerdings an der Formulierung nicht gefällt ist der Begriff “Ei competence”, denn Intelligenz und Kompetenz sind durchaus unterschiedlich. Siehe dazu Künstliche Intelligenz – Menschliche Kompetenzen: Anmerkungen zu möglichen Kategorienfehler.

Veröffentlicht am

Innovationen: Künstliche Intelligenz und Neu-Kombinationen

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)?

Wenn wir das Wohl der Menschen, und nicht nur den Profit einzelner Tech-Konzerne in den Mittelpunkt stellen, kommt für mich im Sinne einer Digitalen Souveränität nur Open Source AI infrage. Siehe dazu auch Open Source AI: Besser für einzelne Personen, Organisationen und demokratische Gesellschaften.

Veröffentlicht am

ProjectLibre – einfach, frei verfügbar

Screenshot: Beispiel-Projekt in ProjectLibre

In vielen Organisationen gibt es die klassische Unternehmenssoftware für kaufmännische und technische Prozesse. Diese ERP (Enterprise Resource Planning) Systeme haben manchmal keine Anwendungen für die Abbildung von Projekten. Da die Projektarbeit zunimmt, versuchen Mitarbeiter zunächst mit Hilfe von Exceldateien, die Projektarbeit zu unterstützen. Fortgeschrittene nutzen dabei Microsoft Project, da sie die entsprechenden Microsoft Lizenzen haben.

Bei Kleinen und Mittleren Unternehmen (KMU) ist das nicht immer der Fall, sodass man nach Alternativen sucht. In unserem Blog habe ich schon öfters dazu geschrieben, wie eine Kollaborationsplattform auf Open Source Basis aussehen kann, die eine Cloudanwendung, Videokonferenzen, Whiteboards, OpenProject und sogar LocalAI integriert. Wie gesagt: Alles Open Source, wobei alle Daten auf unseren Servern bleiben.

Zwischen den beiden Extremen (Exceldateien – Kollaborationsplattform) ist ProjectLibre anzusiedeln. Die frei verfügbare Software kann lokal installiert und relativ einfach genutzt werden. Die Abbildung zeigt einen Ausschnitt von einem Beispielprojekt, das ich in ProjektLibre angelegt habe. Es sind die Phasen, die Vorgänge (Arbeitspakete), Meilensteine und der Kritische Weg zu erkennen. Darüber hinaus können auch Ressourcen und Kosten etc. hinterlegt werden.

Veröffentlicht am

Ein Wust von Indikatoren führt zu einer nicht mehr beherrschbaren Kompliziertheit

Image by Gerd Altmann from Pixabay

In meinem Blogbeitrag Kennzahlen als risikoreiche Reduzierung der Komplexität? ging es schon einmal darum, dass in vielen Bereichen komplexe Sachverhalte in Zahlen ausgedrückt werden. Dazu zählen das Bruttoinlandsprodukt (BIP), der Intelligenz-Quotient (IQ), der Return on Investment (ROI) usw. Und was nicht so recht messbar ist, wird eben messbar gemacht.

Möglicherweise benötigen Menschen Zahlen, um einen gewissen Anker in komplexen Zeiten zu haben (Taleb 2007). Das führt allerdings zu einer paradoxen Situation:

“Hier soll nur in Bezug auf die Vereinfachungsproblematik nachgefragt werden. Denn diesbezüglich landen wir in einer geradezu paradoxen Situation: Die scheinbare Vereinfachung durch Reduktion eines komplexen Messzusammenhangs auf immer elementarere Indikatoren führt zu einem unübersehbaren Wust solcher Indikatoren und damit zu einer nicht mehr beherrschbaren Kompliziertheit. Umgekehrt kommt man, wenn man sich auf die „Indikatorenverschmelzung“ des menschlichen Erkenntnisvermögens verlässt, auf eine sehr einfache Form der Erfassung solcher komplexen Zusammenhänge. Durch komplexe Erfassung zu einem vereinfachten Verständnis, so könnte man die dahinter liegende Strategie kennzeichnen” (Erpenbeck 2010).

Die Indikatoren führen also nicht zu einem besseren Verständnis von Komplexität – im Gegenteil. Komplexere Erfassungen werden der Komplexität eher gerechtet und führen zu einem besseren Verständnis.