Auf die Olmo Modell Familie hatte ich diesen Blogbeitrag schon einmal hingewiesen: Mit der Olmo2 Modell-Familie offene Forschung an Sprachmodellen vorantreiben. Es handelt sich dabei um Modelle, die vom Ai2 Institut entwickelt und veröffentlicht werden. Ziel des Instituts ist es, neben der Offenheit der Modelle auch einen Beitrag zur Lösung der gesellschaftlichen Herausforderungen zu leisten. Im November 2025 ist die Olmo3 Modell-Familie veröffentlicht worden:
Olmo 3-Think (7B, 32B)–our flagship open reasoning models for advanced experiments, surfacing intermediate thinking steps.
Olmo 3-Instruct (7B)–tuned for multi-turn chat, tool use, and function/API calling.
Olmo 3-Base (7B, 32B)–strong at code, reading comprehension, and math; our best fully open base models and a versatile foundation for fine-tuning.
Die Modelle sind bei Huggingface frei verfügbar und können in einem Playground getestet werden.
Platz (1998): Der erfolgreiche Projektstart, in Möller et al. 9. Aktualisierung
Die Wirtschaftlichkeit eines Projekts kann mithilfe verschiedener Dimensionen bestimmt werden. In der Abbildung ist zunächst einmal die Y-Achse (Investitionen bzw. Gewinn) zu erkennen, an die sich die X-Achse (Zeit) am Nullpunkt anschließt.
Über die Projektdauer haben die Investitionen ein Maximum erreicht. Dass die Linie zunächst unterhalb der Zeitachse verläuft bedeutet, dass Investitionen getätigt werden müssen, allerdings noch keine Erträge erzielt werden.
Über die anschließenden Ertragsgewinn können diese Investitionen soweit wieder hereingespielt werden, dass im Idealfall der Break-even Point erreicht wird. Die Zeitspanne bis dahin wird Pay-off Periode genannt.
Nach dem Break-even Point wird der Ertrag immer größer und der Gewinn steigt. DB ist hier die Abkürzung für den Deckungsbeitrag.
Werden die Produktlebenszyklen immer kürzer und werden gleichzeitig die Investitionen in Projekte immer größer, wird die Zeitspanne, in denen Unternehmen Gewinne erzielen können, immer kürzer.
Mit neuen Technologien, wie der Künstlichen Intelligenz, oder auch mit Additive Manufacturing (3D-Druck) können solche Innovationsprozesse wirtschaftlicher gestaltet werden.
We are delighted to announce and honored to invite you to the Customization and Personalization Week from September 16-19, 2026 in Balatonfured, Hungary as a result of two decades of excellence in research, innovation, and collaboration in the field of mass customization and personalization.
12th International Conference on Customization and Personalization 7th Doctoral Students Workshop 4th Professionals Panels & MEA KULMA Innovation Festival
For the past 22 years, our conference with accompanying events has been at the forefront of innovation in the fields of customization and personalization.
We are looking forward to seeing you at Danubius Hotel Marina, Balatonfüred, Hungary!
Die kommerziellen, proprietären KI-Systeme machen den Eindruck, als ob sie die einzigen sind, die Innovationen generieren. In gewisser weise stimmt das auch, wenn man unter Innovationen die Innovationen versteht, die sich diese Unternehmen wünschen. Fast jeden Tag gibt es neue Möglichkeiten, gerade diese KI-Modelle zu nutzen. Dieses Modelle treiben ihre Nutzer vor sich her. Wer nicht alles mitmacht wird der Verlierer sein – so das Credo.
Dabei stehen Trainingsdaten zur Verfügung, die intransparent sind und in manchen Fällen sogar ein Mindset repräsentieren, das Gruppen von Menschen diskriminiert.
Versteht man unter Innovationen allerdings, das Neues für die ganze Gesellschaft generiert wird, um gesellschaftlichen Herausforderungen zu bewältigen, so wird schnell klar, dass das nur geht, wenn Transparenz und Vertrauen in die KI-Systeme vorhanden sind – und genau das bieten Open Source AI – Systeme.
„Open-source AI systems encourage innovation and are often a requirement for public funding. On the open extreme of the spectrum, when the underlying code is made freely available, developers around the world can experiment, improve and create new applications. This fosters a collaborative environment where ideas and expertise are readily shared. Some industry leaders argue that this openness is vital to innovation and economic growth. (…) Additionally, open-source models tend to be smaller and more transparent. This transparency can build trust, allow for ethical considerations to be proactively addressed, and support validation and replication because users can examine the inner workings of the AI system, understand its decision-making process and identify potential biases“ (UN 2024)
In der Zwischenzeit gibt es einen Trend zu Open Source KI-Modellen. Aktuell hat beispielsweise die ETH Zürich zusammen mit Partnern das KI-Modell Apertus veröffentlicht:
„Apertus: Ein vollständig offenes, transparentes und mehrsprachiges Sprachmodell Die EPFL, die ETH Zürich und das Schweizerische Supercomputing-Zentrum CSCS haben am 2. September Apertus veröffentlicht: das erste umfangreiche, offene und mehrsprachige Sprachmodell aus der Schweiz. Damit setzen sie einen Meilenstein für eine transparente und vielfältige generative KI“ (Pressemitteilung der ETH Zürich vom 02.09.2025)
Der Name Apertus – lateinisch für offen – betont noch einmal das grundsätzliche Verständnis für ein offenes , eben kein proprietäres, KI-Modell, das u.a auch auf Hugging Face zur Verfügung steht. Die beiden KI-Modelle mit 8 Milliarden und 70 Milliarden Parametern bieten somit auch in der kleineren Variante die Möglichkeit, der individuellen Nutzung.
Es gibt immer mehr Personen, Unternehmen und öffentliche Organisationen, die sich von den Tech-Giganten im Sinne einer Digitalen Souveränität unabhängiger machen möchten. Hier bieten in der Zwischenzeit sehr viele leistungsfähige Open Source KI-Modelle erstaunliche Möglichkeiten- auch im Zusammenspiel mit ihren eigenen Daten: Alle Daten bleiben dabei auf Ihrem Server – denn es sind Ihre Daten.
Da das KI-Modell der Schweizer unter einer Open Source Lizenz zur Verfügung steht, werden wir versuchen, Apertus auf unseren Servern auch in unsere LocalAI, bzw. über Ollama in Langflow einzubinden.
Wenn es um Innovationen geht, denken viele an bahnbrechende Erfindungen (Inventionen), die dann im Markt umgesetzt, und dadurch zu Innovationen werden.. Da solche Innovationen oft grundlegende Marktstrukturen verändern, werden diese Innovationen mit dem Begriff „disruptiv“ charakterisiert. Siehe dazu auch Disruptive Innovation in der Kritik.
Betrachten wir uns allerdings die Mehrzahl von Innovationen etwas genauer, so entstehen diese hauptsächlich aus der Neukombination von bestehenden Konzepten. Dazu habe ich auch eine entsprechende Quelle gefunden, die das noch einmal unterstreicht.
„New ideas do not come from the ether; they are based on existing concepts. Innovation scholars have long pointed to the importance of recombination of existing ideas. Breakthrough often happen, when people connect distant, seemingly unrelated ideas“ (Mollick 2024).
Bei Innovationsprozessen wurden schon in der Vergangenheit immer mehr digitale Tools eingesetzt. Heute allerdings haben wir mit Künstlicher Intelligenz (GenAI) ganz andere Möglichkeiten, Neukombinationen zu entdecken und diese zu Innovationen werden zu lassen.
Dabei kommt es natürlich darauf an, welche Modelle (Large Language Models, Small Language Models, Closed Sourced Models, Open Weighted Models, Open Source Models) genutzt werden.
Wir favorisieren nicht die GenAI Modelle der bekannten Tech-Unternehmen, sondern offene, transparente und für alle frei zugängige Modelle, um daraus dann Innovationen für Menschen zu generieren.
Wir setzen diese Gedanken auf unseren Servern mit Hilfe geeigneter Open Source Tools und Open Source Modellen um:
Dabei bleiben alle Daten auf unseren Servern – ganz im Sinne einer Digitalen Souveränität.
Den Gedanken, dass Künstliche Intelligenz (Cognitive Computing) Innovationen (hier: Open Innovation) unterstützen kann, habe ich schon 2015 auf der Weltkonferenz in Montreal (Kanada) in einer Special Keynote vorgestellt.
Siehe dazu Freund, R. (2016): Cognitive Computing and Managing Complexity in Open Innovation Model. Bellemare, J., Carrier, S., Piller, F. T. (Eds.): Managing Complexity. Proceedings of the 8th World Conference on Mass Customization, Personalization, and Co-Creation (MCPC 2015), Montreal, Canada, October 20th-22th, 2015, pp. 249-262 | Springer
Bourdon, B.; Katzmayr, K. (2012) in Möller et al 49. Aktualisierung
Bei allen Veränderungen stehen Risiken und Chancen im Fokus. Dabei geht es oft darum, beide Extreme auszubalancieren, um widerstandsfähiger (robuster) gegenüber Veränderungsimpulsen zu sein und zu werden.
Hilfreich kann es dabei sein, sich in allen Fällen Misserfolgsfaktoren und Erfolgsfaktoren bewusst zu machen. Die Zusammenhänge sind in der Abbildung in Form einer Kraftfeldanalyse dargestellt.
„Für eine ausbalancierte Risiken- und Chancenfokussierung sorgt hier der Balanced Resilience-Ansatz. Resilience im Sinne einer Widerstandsfähigkeit oder Robustheit fungiert – im Gegensatz zur Excellence – als realistische Leitidee, weil man dadurch sowohl den real existierenden, nicht selten spektakulären Termin- und Budgetüberschreitungen bei PM (Anmerkung RF: Projektmanagement) als auch dem Versanden so manchen Reformprozesses im CM (Anmerkung RF: Changemanagement) Rechnung tragen kann. Im Balanced Resilience-Ansatz sind die Performance-Determinanten im Sinne der Kraftfeld-Analyse als Kräfte modelliert. Zur Sicherstellung der Realistik und der Ausgewogenheit werden vier Performance-Determinanten erfasst. Sie unterscheiden sich hinsichtlich ihrer Richtung und Stärke, wie in der Abbildung verdeutlicht“ (vgl. Bourdon&Katzmar 2012).
In einer heute komplexen Welt wird gesellschaftlich auf allen Ebenen versucht, den Gemeinsinn oder die Gemeinschaft zu beschwören, obwohl das der Realität nicht entspricht.
In den Unternehmen wird oft die Gemeinschaft oder der Gemeinsinn sogar noch mit weiteren Metaphern – wie z.B. „Familie“ – auf die Spitze getrieben. Der Soziologe Armin Nassehi sieht solche Entwicklungen kritisch:
„Wer auf die Gemeinschaft setzt, muss sagen, wer nicht dazugehört. Appelle ans Wir-Gefühl haben immer auch etwas Ausschließendes. Wenn man in einem Unternehmen von der Belegschaft einen starken Gemeinsinn einfordert, riskiert man, dass sich niemand mehr traut, zu widersprechen. Das ist tödlich für alle Kreativität, die man im Unternehmen dringend braucht. Der ausgerufene Gemeinsinn hat eine kompensatorische Funktion, damit soll ein Versagen zum Beispiel des Managements oder der Politik kaschiert werden“ (Nassehi in brand eins 12/2024).
Daraus leitet sich ab, dass Unternehmen bei der Verwendung der genannten Begriffe vorsichtiger sein sollten, wenn sie Kreativität und Innovation in ihrer Organisation benötigen. Siehe dazu auch
Früher haben alle in den Organisationen von Change gesprochen, heute reden alle über Transformation. In dem Blogbeitrag Wandel, Change, Transformation oder doch Transition? habe ich dazu verschiedene Perspektiven zusammengefasst.
Auf der gesellschaftlichen Ebene wird im Zusammenhang mit Transformation oft davon ausgegangen, dass es eine relativ homogene Gesellschaft gibt, doch dem ist nicht so. Ein gut gemeinter Wille, beispielsweise der Politik, zur Veränderungen in einer Gesellschaft reicht einfach nicht.
Gerade bei Veränderungsprozessen merken alle Beteiligten – manchmal schmerzhaft- , dass es in einer Gesellschaft viele und vielschichtige Widerstände gibt. Es ist wieder einmal bezeichnend, dass es gerade Soziologen sind, die darauf hinweisen – beispielsweise Armin Nassehi:
„Aber dieser Triumph des Willens rechnet nicht mit dem Eigensinn, mit der inneren Komplexität und den Widerständen einer Gesellschaft, die eben kein ansprechbares Kollektiv ist. Und sie rechnet nicht mit der populistischen Reaktion auf Krisenerfahrungen. Dabei wird immer deutlicher: Man kann nicht gegen die Gesellschaft transformieren, sondern nur in ihr und mit ihr – und nur mit ihren eigenen Mitteln“ (Der Soziologe Armin Nassehi in einem Interview in brand eins 12/2024).
In seinem Buch weist Nassehi auch darauf hin, dass die notwendigen Veränderungen trotz des vielschichtigen Widerstandes in allen Ecken der Gesellschaft schon geschehen.
»Gesellschaftliche Transformation kann nicht als große Form funktionieren, sondern nur als eine, die in konkreten Situationen erfolgreich sein kann. Das ganze Programm der kleinen Schritte läuft längst …“ Armin Nassehi (2024): Kritik der großen Geste. Anders über gesellschaftliche Transformation nachdenken | Bei Amazon
Es ist auch hier wieder interessant zu sehen, dass es immer wieder Soziologen sind, die bei komplexen Zusammenhänge spannende alternative Deutungsmuster anbieten. Der Mainstream wird diese allerdings nicht aufnehmen, da Mainstream häufig nicht klären und aufklären, sondern eher beeinflussen will. Weitere Blogbeiträge dazu finden Sie hier.
Conceptual technology illustration of artificial intelligence. Abstract futuristic background
Es ist schon erstaunlich: Tag für Tag lesen wir von Milliardeninvestitionen der Unternehmen in GenAI. Es gibt in der Zwischenzeit auch genügend Beispiele aus allen Branchen die zeigen, wie mit Künstlicher Intelligenz (GenAI) produktiver als vorher gearbeitet werden kann. Somit sollten diese Effekte auch betriebswirtschaftlich nachgewiesen werden können.
Die Frage st also: Gibt es auch eine gewisse Rendite auf die Investitionen, die in solche Projekte gesteckt werden?
Eine MIT-Studie vom Juli 2025 zeigt ein überraschendes Ergebnis: Der Erfolg, in Form einer messbaren Rendite (Return on Investment). kann bei 95% der Organisationen nicht nachgewiesen werden. Hier der Originalabsatz aus der Studie:
„Despite $30–40 billion in enterprise investment into GenAI, this report uncovers a surprising result in that 95% of organizations are getting zero return. The outcomes are so starkly divided across both buyers (enterprises, mid-market, SMBs) and builders (startups, vendors, consultancies) that we call it the GenAI Divide. Just 5% of integrated AI pilots are extracting millions in value, while the vast majority remain stuck with no measurable P&L impact. This divide does not seem to be driven by model quality or regulation, but seems to be determined by approach“ (MIT NANDA 2025).
Interessant ist, dass der jeweils gewählte Ansatz (determined by approach) wohl das Grundübel ist. Möglicherweise ist es gar nicht so gut, sich nur auf die sehr großen, proprietären KI-Anbieter zu konzentrieren – ja, sich von diesen abhängig zu machen. Siehe dazu beispielsweise auch KI-Modelle: Monitoring einer Entwicklungsumgebung.
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.
