Das Mittelstand-Digital Zentrum Chemnitz hat zusammen mit der Technischen Universität Chemnitz verschiedeneSelbstchecks zu den Themen Digitalisierung und Künstliche Intelligenz zusammengestellt. Diese ermöglichen es gerade Kleinen und Mittleren Unternehmen (KMU) je nach Schwerpunkt, den Ist-Zustand und den Soll-Zustand zu bestimmen. Diese einfache Gap-Analyse ermöglicht es dann den KMU gezielt Verbesserungen anzustoßen, um resilienter zu werden.
Die Abbildung zeigt einen Ausschnitt aus dem Selbstcheck zur Generativen Künstlichen Intelligenz. Blau hervorgehoben ist der selbst eingeschätzte IST-Zustand, und rot hervorgehoben der zu erreichende SOLL-Zustand zu erkennen. Die Ergebnisse können zurückgesetzt, geteilt oder auch gedruckt (beispielsweise als PDF) werden.
Die verschiedenen Checklisten bieten eine erste einfache Möglichkeit, sich mit den jeweiligen Themen gezielt und systematisch auseinanderzusetzen. Im Unternehmen ergeben sich daraus natürlich vielfältige Ansätze, die je nach Unternehmen und verfügbaren Ressourcen priorisiert werden sollten.
Darüber hinaus hat sich bei der Wissensbilanz – Made in Germany ein einfaches Wirkungsnetz bewährt, das auf den von Frederic Vester entwickelten Papiercomputer (auch als Vester’sche Einflussmatrix, Vernetzungsmatrix oder Vernetzungsgitter bekannt) zurückgeht. Das Ergebnis so einer Analyse zeigt dann auf, an welcher Stelle angesetzt werden sollte, um den größten Nutzen für das Gesamtsystem (Organisation) zu erreichen.
Wenn es um Komplexität und Künstliche Intelligenz geht, kommt man schnell zu der paradoxen Situation, dass Künstliche Intelligenz Komplexität einerseits reduzieren/bewältigen kann, andererseits aber auch selbst dazu beiträgt, Komplexität zu erhöhen.
Wie ich schon in vielen Beiträgen geschrieben habe, kommt es in komplexen Systemen – auch in KI-Systemen – zu Emergenz, d.h. zu einem neuen, überraschenden Verhalten, das nicht auf die ursprünglichen Komponenten im System zurückgeführt werden kann. Siehe dazu auch Komplexe Systeme: Ist die Antwort einfach mehr Daten?
Betrachten wir das Zusammenspiel von den aktuell überall diskutierten KI-Agenten, so können die Überlegungen auch dafür angewandt werden:
„Emergentes Verhalten – Komplexes, unerwartetes Verhalten, das aus der Interaktion vieler Agenten entsteht, ohne explizit programmiert zu sein“ (Mittelstand Digital, 2025).
Es erstaunt mich daher immer wieder, dass die bekannten Tech-Konzerne ihre proprietären KI-Systeme anpreisen unter der Überschrift, dass alles in irgendeiner Form kontrollierbar sei – das ist es eben nicht.
In der letzten Zeit ist es sogar so weit gekommen, dass die Veröffentlichung von neuen KI-Modellen von der amerikanischen Administration verboten oder eingeschränkt wurde, da nicht wirklich klar war, welche Auswirkungen die Veröffentlichung und Nutzung haben könnte: „Die US-Regierung hat die Nutzung der KI-Modelle Fable 5 und Mythos 5 von Anthropic aus Gründen der nationalen Sicherheit stark eingeschränkt“ (Tagesschau vom 13.06.2026).
Im Extremfall kann es daher sein, dass Gewinne aus den möglichen Komplexitäts-Reduzierungen (Effizienzsteigerungen) durch Künstliche Intelligenz bei den Konzernen bleiben, und die unübersehbaren Konsequenzen der auch vorhandenen Komplexitäts-Erhöhung sozialisiert werden – also von den Gesellschaften getragen und bezahlt werden müssen.
In einem interessanten Interview mit dem Portal Politikwissenschaften vom 25.03.2026 hat Prof. Dr. Florian Butollo über KI und die Zukunft der Arbeit gesprochen. Dabei hat er auch darauf hingewiesen, dass durch die permanente technische Optimierung, und die damit verbundenen Effizienzgewinne wieder neue Möglichkeiten für Unternehmen entstehen, und somit damit auch wiederum neue Arbeitsplätze – nur an anderen Stellen. Weiterhin hat Butollo auf ein Buch aufmerksam gemacht, in dem es um Bullshit Jobs geht, die wohl immer noch recht verbreitet sind:
„Der Anthropologe David Graeber hat 2018 in einem Buch eine Flut von Bullshit Jobs diagnostiziert, die er als eine Anstellung definierte, „die so vollkommen sinnlos, unnötig oder gefährlich ist, dass selbst derjenige, der sie ausführt, ihre Existenz nicht rechtfertigen kann, obwohl er sich im Rahmen der Beschäftigungsbedingungen verpflichtet fühlt, so zu tun, als sei dies nicht der Fall“ (Butello, 2026).
Quelle: Graeber, David (2018): Bullshit Jobs. Vom wahren Sinn der Arbeit, Stuttgart: Klett-Cotta, S. 20.
In dem einen Bereich, der ständig unter Druck steht und durch neue technologische Entwicklungen getrieben ist, entsteht schnell Überforderung und Überlastung, doch in anderen Bereichen langweilen sich die Mitarbeiter auch:
„Überlastung und Burn-out sind wichtig, doch es geht nicht nur darum. Gemäß neuer Studien fühlen sich 17 Prozent der Mitarbeiter tendenziell überlastet. Doch satte 43 Prozent fühlen sich von ihrer Arbeit sogar unterfordert. Sie langweilen sich“ (Prof. Dr. Florian Becker in dem Interview „Mehr als Mitfühlen“, in: projektmanagementaktuell 4/2023).
Es ist erstaunlich, dass ein Wirtschaftssystem, das in allen Bereichen auf Effizienz getrimmt ist, so eine „Unwucht“ auf dem Arbeitsmarkt ergeben hat.
Illustration of two personalization paradigms (Shah et al., 2025)
Es ist schon erstaunlich, wie wir mit unseren Daten umgehen. Viele bestätigen die verschiedenen Richtlinien der Anbieter einfach, da sie (die Nutzer) die ganzen Bestimmungen gar nicht lesen, geschweige denn verstehen können. Das wiederum führt dazu, dass die jeweiligen Anbieter Nutzer-Daten teilweise, oder recht umfangreich, speichern und nutzen. Einerseits geschieht das, um die Nutzung zu vereinfachen – das Nennen die Provider dann Personalization-, wobei Kontext-Informationen des Users gewonnen werden. Darüber hinaus werden alle User-Daten noch für „andere Zwecke“ verwendet, die ein User gar nicht mehr überblicken kann.
In der Abbildung ist auf der linken Seite zu erkennen, was bei unterschiedlichen Anbietern (Providern) mit User-Prompts passiert. Jeder Provider baut seine Personalisierung gegenüber dem User auf (Provider-Centric Personalization), wobei die Daten und Kontext-Informationen beim Provider gespeichert werden. Diese Informationen über die Personalisierung sind nicht einfach auf andere Provider übertragbar, was dem jeweiligen Provider nicht interessiert. In diesem System hat der User kaum alternative Möglichkeiten.
Auf der rechten Seite der Abbildung ist ein ganz anderer Personalisierungs-Ansatz zu erkennen, der den User in den Mittelpunkt stellt (User-Controlled Preference Layer). Die Daten eines Users und der jeweilige Kontext werden in einem HCP Vault (einer Art Daten-Tresor) gespeichert, und können verschiedenen Systemen zur Verfügung gestellt werden. Bei diesem Ansatz müssen natürlich alle anderen Anwendungen über definierte Schnittstellen verbunden werden können – hier kommt das HCP (Human Context Protocol) ins Spiel..
„On the right panel, a shared preference layer is introduced in which user context is stored in a centralized HCP vault and selectively accessed by multiple assistants, tools, and applications through an HCP-mediated interface. User preference data (generated by varied user activity) is moderated by HCP to consumer agents. Each agent obtains only the relevant subset of the user’s complete preference data“ (Shah et al., 2025).
Diese Entwicklung unterstützt den Trend, dass User über ihre eigenen Daten und die damit verbundenen Kontext-Informationen selbst bestimmen können, was gerade in Zeiten von Künstlicher Intelligenz immer wichtiger wird. Siehe dazu auch Was wäre, wenn jeder über seine generierten Daten selbst entscheiden könnte?
Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich darauf ein: Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework.
In der Netzwerkökonomie gibt es manchmal überraschende Effekte. Beispielsweise besagt das Metcalfesche Gesetz (Wikipedia), dass der Wert eines Netzes im Quadrat der Zahl der angeschlossenen Rechner und Nutzer steigt. Dabei wird dieser Ansatz oftmals nur für die Rechenleistungen im Netz verwendet. Der Blick auf Nutzer (User) wird leider nicht so oft thematisiert. Obwohl das Gesetz auch kritisiert wird, ergeben sich für mich durchaus interessante Anhaltspunkte.
Auch der Tipping Point ist so ein Begriff, der in der Netzwerkökonomie (und auch anderen Bereichen) helfen kann zu verstehen, warum es einer kleinen Anzahl von Nutzern möglich ist, gravierende Veränderungen herbeizuführen.
Der Tipping Point (Kipppunkt) ist in der Netzwerkökonomik „die kritische Masse, die erforderlich ist, damit sich eine Nachricht oder ein Sozialverhalten massenhaft verbreitet.“
Wo der Tipping Point liegt kann nicht genau bestimmt werden, doch gibt es durchaus Anhaltspunkte.:
Welzer (2013) ist beispielsweise der Auffassung, dass schon 5% einer gesellschaftlichen Gruppe ausreichen, um eine Politik der Zukunftsfähigkeit anzustoßen.
Rogers (2003) erwähnt bei der Diffusion von Innovationen einen Wert von 15-20%, wenn es um den Übergang von den Early Adopters zu Early Majority geht.
Übertragen auf die Nutzung von Open Source AI (Digitale Souveränität) wäre es demnach es also „nur“ erforderlich, dass im europäischen KI-Netzwerk 15-20% Open Source AI verwenden, um sich unabhängiger von den proprietäten KI-Modellen zu machen.
Ähnlich ist es mit Open User Innovation. Dabei handelt sich um Innovationen, die nicht von Unternehmen stammen, sondern von einzelnen Usern. Eric von Hippel hat in vielen länderspezifischen Studien zeigen können, dass dieser Anteil innovativer User jetzt schon recht hoch ist: „Empirical studies also show that many users -from 10 percent to nearly 40 percent- engage in developing or modifying products (Eric von Hippel 2013:120). Da es seit 20 Jahren (Mota, 2011) immer mehr neue Technologien gibt, die nichts, oder recht wenig Kosten, und Künstliche Intelligenz (natürlich Open Source AI) unterstützend genutzt werden kann, wird der Tipping-Point auch hier möglicherweise bald erreicht.
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
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
Complex Problem Solving (CPS) unterscheidet sich erheblich von Simple Problem Solving (SPS). Beim einfachen Problemlösen (SPS) sind Ist- und Soll-Zustand gut beschreibbar. Durch planbares Vorgehen ist der Soll-Zustand dann mehr oder weniger gut erreichbar. Für CPS ist bei einem Menschen ein komplexes System von informationsverarbeitenden Prozessen erforderlich, denn komplexes Problemlösen (CPS) ist anders. Die Ausgangszustände sind nicht so eindeutig beschreibbar, der Weg zum Ziel ist vielfältig und das Ziel selbst ist unscharf (fuzzy). Bamberger und Wrona (2000:6) formulieren das so:
„Sie stellen Entscheidungen unter Unsicherheit dar und werden auch als sogenannte Multi-Kontext-Probleme derart bezeichnet, dass sie in unterschiedlichen, jeweils aktorspezifischen Kontexten definiert bzw. expliziert werden.“
Das theoretische Konstrukt Multiple Intelligenzen erfasst hier die wesentlichen Dimensionen dieses zugrundeliegenden (komplexen) Systems beim Menschen und geht damit über die biologischen Einschränkungen hinaus.
„This theoretical construct of multiple intelligences represents a framework that not only connects the biological constraints of human information processing to the world of culturally valued capabilities. In addition, it represents a particular compromise, balancing the need to deal with the richness and complexity of the underlying system against theoretical tractability, while still capturing the most important dimensions of the complex system“ (Cornell, Shearer and Gardner, 2003).
In der heute stark vernetzten Welt, kommt es immer mehr zu komplexen (nicht nur komplizierten) Problemstellungen. Insofern hat die Multiple Intelligenzen Theorie eine gute Passung zu dieser Entwicklung. Siehe dazu auch
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 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.
Beschäftigungstrend nach der Einführung von ChatGPT (Quelle: https://digitaleconomy.stanford.edu/project/indicators/)
Die Entwicklungen bei Künstlicher Intelligenz sind sehr dynamisch, sodass manche Studien schon der Realität hinterherhinken, wenn sie veröffentlicht werden. Weiterhin gibt es auch Studien, die sich mit der selben Thematik befassen, aber zu unterschiedlichen Schlussfolgerungen führen. – wem kann man da vertrauen?
Es ist daher gut, das die Stanford University nun eine Plattform veröffentlicht hat, auf der viele graphische Auswertungen zu unterschiedlichen Fragestellungen zu finden sind.
„Yet we lack timely, trusted ways to measure how these changes are affecting work, productivity, and value creation in the economy. (…) We believe that a better understanding of the technology’s effects will lead to better decisions“ (Quelle)
In der Abbildung wird z.B. deutlich, wie sich der Beschäftigungstrend nach der Einführung von ChatGPT auf die verschiedenen Altersstrukturen ausgewirkt hat. Die Beschäftigungstrend geht beispielsweise für die Personen zwischen 22-25 Jahren im Vergleich zum November 2022 zurück.
