Veröffentlicht am

Open Source AI: Mistral AI – eine Erfolgsgeschichte muss skalieren

In den letzten Jahren wurden Open Source AI Modelle noch etwas belächelt, da sie zugegebenermaßen nicht an die Leistungsfähigkeit der proprietären AI-Modelle heranreichten. Wie die Beispiele DeepSeek R1, KIMI K3 oder auch Mistral AI zeigen, hat sich das geändert.

Hinzu kommt noch, dass neben der Leistungsfähigkeit noch andere Aspekte wichtig geworden sind: Digitale Souveränität und Resilienz. Betrachtet man alle Dimensionen, so wird klar, dass Open Source AI eine wichtige Rolle bei der modernen Transformation von Unternehmen und Gesellschaften spielen kann – besonders in Europa.

Am Beispiel Mistral AI, einem französischen Start-Up (2023 gegründet) wird deutlich, in welchem Spannungsfeld sich Open Source AI befindet. Mistral AI ist sehr erfolgreich und wird in Europa von immer mehr Privatpersonen, Unternehmen und Öffentlichen Verwaltungen genutzt. Das führt unweigerlich zu der Frage, wie Mistral AI die große Nachfrage bedienen kann. Das geht nur mit einer Skalierung, die Zeit und Geld kostet.

Um also den Markt schnell bedienen zu können braucht es Kapital und technologische Infrastruktur. Es wundert daher nicht, dass sich wohl Samsung an Mistral AI beteiligen möchte, und auch Microsoft KI-Infrastruktur bereitstellen will. Beides ist erst einmal positiv, doch hat das Beispiel OpenAI gezeigt, dass Microsoft Unternehmen, die zunächst Open Source AI angeboten haben, zu kommerziellen Unternehmen umwandeln kann. OpenAI entspricht nicht den Anforderungen, die in der Open Source AI Definition formuliert wurden.

Wir arbeiten schon länger mit Mistral AI Modellen und setzen darauf, dass das Unternehmen trotz der notwendigen Schritte zur Skalierung seine Unabhängigkeit und europäischen Ansatz beibehält. Wir werden den Weg von Mistral AI weiter beobachten.

Veröffentlicht am

Lernen ist die Barriere für das Skalieren von Künstlicher Intelligenz

Wenn es um Künstliche Intelligenz geht, wird oft über die KI-Modelle, die technische und organisatorische Infrastruktur, oder auch über Regulation oder Talent (Kompetenzen) gesprochen.

Diese Punkte sollen helfen, KI-Systeme zu skalieren und dadurch besser und profitabler zu machen. Wenn es um die Skalierung von KI-Systemen geht, hat sich allerdings ein ganz anderer Bereich als Barriere entpuppt: Das Lernen.

„The core barrier to scaling is not infrastructure, regulation, or talent. It is learning. Most GenAI systems do not retain feedback, adapt to context, or improve over time“ (MIT NANDA 2025).

Die hier angesprochene Kritik richtet sich also darauf, dass die meisten GenAI Systeme kein Feedback speichern, sich nicht dem Kontext anpassen und sich nicht im Laufe der Zeit verbessern.

Natürlich gibt es GenAI-Systeme, die ein Feedback anbieten, doch geben nicht alle Nutzer ihr Feedback zu den Antworten, obwohl es manchmal ganz einfach mit „Daumen hoch“ oder „Daumen runter“ möglich ist.

Die Anpassung an den Kontext ist da schon für GenAI schwieriger, das es für das spezielle Erfahrungswissen (Expertise) viel mehr benötigt, als das, was GenAI aktuell anbietet. An diesen Stellen kommt der Mensch ins Spiel. Siehe dazu Rent a Human: KI-Agenten bieten Arbeit für Menschen an.

Natürlich verbessern sich die GenAI Systeme über die Zeit. Das machen sie, aufgrund ihrer vorliegenden Daten auch selbständig, selbstorganisiert, autopoietisch. GenAI-Systeme verbessern sich allerdings nur so lange selbst, bis ihr System infrage gestellt wird – dann ist Schluss. Allerdings sind die Daten, auf denen die Verbesserung basiert nicht so vollständig. Das wiederum bedeutet möglicherweise, dass auch die Verbesserung nicht optimal ist.

Wenn also Lernen der Flaschenhals beim Skalieren von GenAI ist, sollte sich jeder mit Lernen befassen. Ich bezweifle allerdings, dass diejenigen, die sich mit KI-Systemen und deren Nutzung in Organisationen befassen, etwas von Lernen verstehen. Siehe dazu auch

Künstliche Intelligenz macht Lebenslanges Lernen zur Pflicht.

Künstliche Intelligenz und Lernen.

Das Netzwerk vom Lernen.

Lernen des Entscheidens statt Lernen von Wissen?

Veröffentlicht am

SuedOstLink: Entwicklung des „Agile Construction Arbeitsmodells“ bei einem der größten Infrastrukturprojekte in Deutschland

Phasendarstellung der Entwicklung des Agile Construction Arbeitsmodells bei 50Hertz (Komischke et al (2024), in projektmanagementaktuell 3/2024)

Wir alle wissen, dass es ohne Erneuerbare Energien in Zukunft nicht gehen wird. Es ist in diesem Zusammenhang beispielsweise notwendig, die im Norden Deutschlands mit Windkraft erzeugte Elektrische Energie auch in anderen Bereichen verfügbar zu machen. Umgesetzt wird alles dann in großen Infrastrukturprojekten.

Eines davon befasst sich mit dem nördlichen Teil des SuedOstLinks, bei dem 50Hertz der Vorhabenträger ist. Den südlichen, bayerischen Teil verantwortet Übertragungsnetzbetreiber TenneT. Die NKT liefert und installiert die 525-kV-Höchstspannungskabel für die Verbindung in der Regelzone von 50Hertz.

Da sich die Anforderungen sehr schnell ändern, kamen die Projektverantwortlichen von 50Hertz und NKT schnell zu dem Ergebnis, dass eine agilere Vorgehensweise bei dem Projekt angebracht wäre. Da das Unternehmen 50Hertz bisher hauptsächlich plangetriebenes, klassisches Projektvorgehen gewohnt war, war die Transformation durchaus eine Herausforderung – und dauerte auch entsprechend. Die Abbildung zeigt die zeitliche Entwicklung des „Agile Construction Arbeitsmodells“ von 50Hertz.

„Grundsätzlich wurde eine methoden-agnostische Geisteshaltung gewählt. Orientiert wurde sich an Methoden wie dem klassischen Scrum mit seinen Rollen und Sprint-Logik und dem skalierten agilen Framework LeSS, zusätzlich inspiriert durch die Flight Level– sowie der Kanban-Methode“ (Komischke et al (2024), in projektmanagementaktuell 3/2024).

Agnostisch meint hier, dass verschiedene Ansätze/Vorgehensmodelle interoperabel sind, also sinnvoll kombiniert wurden. Das könnte auch auf einen adaptiven, hybriden Ansatz hinweisen. Siehe dazu beispielsweise auch DAS Projektmanagement-Kontinuum in der Übersicht.

In dem oben zitierten Beitrag wird ebenfalls erwähnt, dass sich dadurch auch die Zusammenarbeit zwischen 50Hertz und NKT verändert hat. NKT hat daher auch einen Zeitplan entwickelt, um selbst Agile Arbeitsweisen zu entwickeln, und um diese dann mit 50Hertz zu harmonisieren/abzustimmen. Trotz der aufgetretenen Schwierigkeiten bei den jeweiligen Transformationen ziehen die Verantwortlichen insgesamt ein positives Fazit:

„Eine über Jahrzehnte in der Bau- und Infrastrukturindustrie gelebte Kultur, in der vor allem entlang von Verträgen und vermeintlich abschließend formulierten Leistungsbeschreibungen argumentiert wird, macht die Einführung von kollaborativen Arbeitsweisen schwierig, da sich diese Kultur nur schwer mit adaptiven Anforderungen zusammenbringen lässt. Gewisse Verhaltensweisen von Menschen, Teams oder Unternehmen lassen sich nur langsam „entlernen“. Im Verlauf der Entwicklung des Arbeitsmodells wurde den Projektteams die Agile Grenzfläche zunehmend transparent“ (Komischke et al (2024), in projektmanagementaktuell 3/2024).

Interessant dabei ist, dass auch hier wieder der Begriff „Lernen“, bzw. „Ent-Lernen“ auftaucht. Es scheint bei Transformationsprozessen von Vorteil zu sein, etwas darüber zu wissen, wie Individuen, Gruppen, Organisationen und Netzwerke lernen. Dabei ist das Lernen von Erwachsenen Schwerpunkt der Erwachsenenbildung – doch diese Perspektive wird fast nie tiefer betrachtet.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen, die wir an verschiedenen Standorten anbieten. Informationen zu unseren Blended Learning Lehrgängen und zu aktuellen Terminen finden Sie auf unserer Lernplattform.