Hybrides Innovationsmanagement: Free Innovation und Producer Innovation

Source: The free innovation paradigm and the producer innovation paradigm. (von Hippel 2017)

Alles ist ja heute hybrid. Es gibt beispielsweise Hybrides Arbeiten, Hybrides Projektmanagement, Hybrides Wissensmanagement, und die Hybride Wettbewerbsstrategie Mass Customization. Das verwundert nicht wirklich, da es in der Reflexiven Modernisierung zu Entgrenzungen auf allen Ebenen der Gesellschaft kommt – so auch bei den Management-Prozessen. Management-Berater verkaufen alles jetzt als neue Entwicklung, doch ist diese schon sehr lange – beispielsweise in den Sozialwissenschaften – bekannt.

Den Run auf die Entgrenzung von Innovationsprozessen hat Henry Chesbrough (2003) mit Open Innovation ausgelöst (Innovation als Kontinuum zwischen Closed Innovation und Open Innovation). Sein Ansatz bezog sich dabei auf auf Innovationsprozesse in Organisationen, die nun langsam aber sicher angefangen haben, Wissen auch von Außen zu integrieren. In der Grafik ist das der untere große Pfeil (Producer Innovation Paradigm), mit dem Abschluss “Market diffusion”. Dieser auf Schumpeter zurückgehende Blick auf Innovation, und dessen Öffnung zeigt sich auch in den dazugehörenden Definitionen (Oslo Manual 2018) oder auch in den jeweiligen Statistiken, die eben Innovationen nur dann erfassen, wenn sie von Organisationen im Markt positioniert worden sind.

In den letzten mehr als 20 Jahren ist gerade von Eric von Hippel allerdings deutlich nachgewiesen worden, dass es auch viele Innovationen von einzelnen Personen gibt, die nicht zwingend im Markt, sondern beispielsweise innerhalb von interessierten Gruppen ausgetauscht werden (Free Innovation Paradigm). Dabei wird hier schon klar, dass solche Innovationen nach der Oslo-Definition gar keine Innovationen sind, und somit auch in keiner traditionellen Statistik vorkommen. In den verschiedenen Paper von Eric von Hippel allerdings schon. Siehe dazu ausführlicher Eric von Hippel (2005): Democratizing Innovation und Eric von Hippel (2017): Free Innovation.

In der Abbildung ist allerdings auch zu erkennen, dass es durchaus Sinn machen kann, nicht von einem Entweder-oder, sondern von einem Sowohl-als-auch zu sprechen. Beide Extrempositionen können sich an verschiedenen Stellen der jeweiligen Prozesse ergänzen, beispielsweise durch einen Innovation support vom Producer Innovation Paradigm zum Free Innovation Paradigm und umgekehrt durch Innovation Designs.

Ein so verstandenes Hybrides Innovationsmanagement, oder auch ein entsprechendes Innovations-Kontinuum, bieten gerade für Kleine und Mittlere Unternehmen (KMU) viele Chancen.

In Zukunft sollte wieder stärker die Nachfrage Treiber von Innovationen sein

Image by Gerd Altmann from Pixabay

Es ist immer wieder erstaunlich, dass Struktuten wie die Europäische Union, Bundes- oder Landesregieren usw. immer wieder über Geld, also Kapital, sprechen, wenn es um Innovationen geht. Es werden Statistiken aufgefahren, die zeigen sollen, dass z.B. Deutschland X Milliarden in Forschung und Entwicklung steckt, und auch mit vielen Programmen Innovationen fördert. Viele der von einzelnen Menschen erbrachten Innovationen tauchen in diesen Statistiken allerdings gar nicht auf. Siehe dazu bespielsweise Eine etwas andere Perspektive auf den Bundesbericht Forschung und Innovation 2020.

Einerseits sind Investitionen in Forschung und Entwicklung nicht zwangsläufig Innovationen, wenn z.B. Patente nicht in marktfähige Produkte und Dienstleistungen umgesetzt werden. Andererseits haben die vielen Förderprogramme einen Wust an Aktivitäten ausgelöst, die nur mehr Innovationspreise, aber keine wirklichen Innovationen gebracht haben. Wie ich darauf komme? Wir haben in der Europäischen Unionen kein Amazon, kein Apple, kein Microsoft, kein Meta, kein etc., obwohl es wohl bei den Menschen für die entsprechenden Dienstleistungen einen Bedarf gibt. Wir sind gerade bei Zukunfstechnologien in eine bequeme, allerdings auch verhängnisvolle Abhängigkeit geraten. Das hat sich alles in den letzten Jahrzehnten entwickelt. Gut erkennen kann man die dahinterliegende Denkweise an dem Vergleich der Smart City mit einer AI City:

The governance of the AI city is aimed at the difficulties and pain points in the current city. The key point of using AI to explore is the grafting point of AI technology and urban governance needs rather than the top-down promotion of AI concepts. This is fundamentally different from the rise and promotion of any “smart city” in the past, which is different from the construction of smart infrastructure and a large and comprehensive technology platform with high investment from the government, and the AI city is reflected in the “peripheral nerve” of urban governance” (Wu 2025).

Der Blick muss wieder auf die Bedürfnisse der Menschen gerichtet werden, nicht nur auf “Kapital” und “Märkte”. Diese haben die vielen Probleme der Menschen in ihrem täglichen Umfeld bisher jedenfalls nicht gelöst, trotz aller Versprechen im Marketing, beim Qualitätsmanagement, Innovationsmanagement etc. und aktuell bei den Agilen Arbeitsweisen. Siehe dazu auch Produkte und Dienstleistungen als Mehrwert für Kunden: Warum funktioniert das einfach nicht?

“There is still an invisible hand behind supply-side reform. Adam Smith argued that the invisible hand that drives markets is capital, while the invisible hand of supply that drives innovation is demand. Generally speaking, the “inconvenience” in the daily life of the people can be used as the traction of technological development. In the AI technology market, enterprises that see fundamental needs can have a large number of applications for their products” (Wu 2025).

RAG: KI-Basismodelle mit eigener Wissensbasis verknüpfen

Gerade Kleine und Mittlere Unternehmen (KMU) können es sich oftmals nicht leisten, eigene Trainingsmodelle (Large Language Models) zu entwickeln. KMU greifen daher gerne auf bekannte Modelle wie ChatGPT usw. zurück.

Es wird allerdings gerade bei innovativen KMU immer klarer, dass es gefährlich sein kann, eigene Datenbestände in z.B. ChatGPT einzugeben. Da diese Modelle nicht transparent sind ist unklar, was mit den eigenen Daten passiert.

Eine Möglichkeit aus dem Dilemma herauszukommen ist, RAG (Retrieval-Augmented Generation) zu nutzen – also ein Basismodell mit einer internen Wissensbasis zu verknüpfen:

Retrieval-Augmented Generation (RAG): Bei RAG wird ein Basismodell wie GPT-4, Jamba oder LaMDA mit einer internen Wissensbasis verknüpft. Dabei kann es sich um strukturierte Informationen aus einer Datenbank, aber auch um unstrukturierte Daten wie E-Mails, technische Dokumente, Whitepaper oder Marketingunterlagen handeln. Das Foundation Model kombiniert die Informationen mit seiner eigenen Datenbasis und kann so Antworten liefern, die besser auf die Anforderungen des Unternehmens zugeschnitten sind” (heise business services (2024): KI für KMU: Große Sprachmodelle erfolgreich einsetzen – mit Finetuning, RAG & Co.).

Wir gehen noch einen Schritt weiter, indem wir (1) einerseits LocalAI und Open Source AI mit einem Assistenten nutzen, und (2) darüber hinaus mit Hilfe von Ollama und Langflow eigene KI-Agenten entwickeln, die auf Basis von Open Source AI Modellen und beliebig konfigurierbaren eigenen Input einen gewünschten Output generieren In dem gesamten Prozess bleiben alle Daten auf unserem Server.

Mit Künstlicher Intelligenz und Online-Daten von Verbrauchern können (auch eigene) Produkte direkt entwickelt werden

Mit Hilfe der hybriden Wettbewerbsstrategie Mass Customization (PDF) ist es Unternehmen möglich, Produkte zu individualisieren, ohne dass der Preis höher ist, als bei massenhaft hergestellten Produkten. Kernelement ist dabei ein Konfigurator, mit dem der Kunde selbst in einem definierten Lösungsraum (fixed solution space) vielfältige Möglichkeiten zusammenstellen kann. In der Zwischenzeit gibt es allerdings mit Künstlicher Intelligenz noch ganz andere Optionen für Mass Customization.

Künstliche Intelligenz kann für einen Verbraucher Produkte und Dienstleistungen entwickeln und anbieten, nur auf Basis der vom Konsumenten generierten Daten – sogar ohne die aktive Mitwirkung des Konsumenten. Damit bringt Künstliche Intelligenz Mass Customization auf ein neues Level: Smart Customization.

“But this is one area where AI can take mass customization to a new level: The growth of AI and machine learning can allow us to use all the data traces consumers leave online to design a perfect product for an individual consumer, without their active involvement. AI can evolve into the ability to perfectly customize a product for a consumer, without the
need for a conscious process of elicitation from the consumer. As a consumer, I could specify what I want for aesthetics, while for functional parameters, it could be the system that senses what I want and desire. An algorithm reading your Instagram profile might know better than you do about your dream shirt or dress. I see a lot of opportunity to use the data that’s out there for what I call smart customization” (Piller, Frank T. and Euchner, James, Mass Customization in the Age of AI (June 07, 2024). Research-Technology Management, volume 67, issue 4, 2024 [10.1080/08956308.2024.2350919], Available at SSRN: https://ssrn.com/abstract=4887846).

Dieser Ansatz ist natürlich für Unternehmen interessant, da sie die umständlichen und teuren Befragungen von Verbraucher nicht mehr – oder etwas weniger – benötigen, um angemessene Produkte anzubieten.

Es gibt allerdings auch noch eine andere Perspektive: Was ist, wenn die Verbraucher ihre eigenen Daten mit Hilfe von Künstlicher Intelligenz selbst nutzen, um eigene Produkte zu entwickeln? Im Extremfall – und mit Hilfe von modernen Technologien wie z.B. den 3D-Druck (Additive Manufacturing) – können sich die Verbraucher innovative Produkte selbst herstellen. Diese Option klingt etwas futuristisch, da wir es gewohnt sind, Innovationen mit Unternehmen in Verbindung zu bringen. Doch hat Eric von Hippel gezeigt, dass es immer mehr von diesen Open User Innovation gibt, die gar nicht in den üblichen Statistiken zu Innovation auftauchen. Siehe dazu auch

Eric von Hippel (2005): Democratizing Innovation

Free Innovation: Was wäre, wenn wir Innovationen stärker Bottom-Up denken und fördern würden?

Eric von Hippel (2017): Free Innovation

Sensor Community: Umweltdaten – Open Data

Screenshot Sensor Community Website

Wir haben uns in der Vergangenheit daran gewöhnt, dass es vereinzelt Messstationen gab, an denen Umweltdaten generiert und oft von Behörden genutzt wurden. In der Zwischenzeit gibt es eine Sensor Community, bei der jeder mitmachen, und Umweltdaten frei zur Verfügung stellen kann – als Open Data.

Wie in der Abbildung zu erkennen ist, gibt es in Europa schon sehr viele, die diesen Ansatz unterstützen, und Messpunkte und Messdaten zur Verfügung stellen. Weltweit gibt es aktuell 12.101 Sensoren in 76 Ländern mit 30.703.440.715 Datenpunkten.

Da die Daten frei zur Verfügung gestellt werden (Open Data) können daraus auch eigene/neue Dienstleistungen oder auch Produkte entwickelt werden. Dieser Innovationsansatz wird von Eric von Hippel als Democratizing Innovation beschrieben. So eine Perspektive auf Innovation ist ganz anders als die übliche, die von Innovationen ausgeht, die Organisationen/Unternehmen generieren.

Siehe dazu auch Von Democratizing Innovation to Free Innovation.

Innovationsprojekte: Überwindung von Barrieren durch Promotoren und Gatekeeper

Innovationen zeichnen sich dadurch aus, dass es sich dabei um etwas Neues handelt. Auf dem Weg zu einer Innovation hat ein entsprechendes Projekt (Innovationsprojekt) Widerstände und Barrieren zu überwinden. In diesem Prozess hat es sich bewährt, Promotoren auszumachen, die helfen, diese Barrieren zu überwinden. Das Promotorenmodell von Witte ist hier eine oft erwähnte Hilfestellung. Zusammen mit der Rolle eines Gatekeepers ergeben sich somit die folgenden Schlüsselrollen mit den jeweils typischen Leistungsbeiträgen.

SchlüsselpersonenTypische Leistungsbeiträge
MachtpromotorÜberwinden von „Barriere des Nicht-Wollens“
– Zieldefinition,
– Ressourcenbereitstellung,
– Schutz vor Opponenten,
– Prozesssteuerung
FachpromotorÜberwinden von „Barriere des Nicht-Könnens“, „Barriere des Nicht-Wissens“
– Ideengenerierung,
– Alternativenentwicklung,
– Konzeptevaluierung,
– Implementierung
ProzesspromotorÜberwinden von „Barriere des Nicht-Dürfens“
– Zusammenführung,
– Vermittlung,
– Konfliktmanagement,
– Prozesssteuerung,
– Koordination
BeziehungspromotorÜberwinden von „Barriere des Nicht-Miteinander-Könnens und Nicht-Miteinander-Wollens“
– Informationsaustausch,
– Finden und Zusammenbringen von Interaktionspartnern,
– Koordination,
– Planung und Steuerung von Austauschprozessen,
– Konfliktmanagement
Gatekeeper– Suchen nach und Sammeln von Informationen,
– Filtern von Informationen zur Aufnahme und Ausgabe,
– Informationsaufnahme und -ausgabe,
– Schutz der Organisation vor Informationsüberfluss und externem Druck
Typische Schlüsselpersonen in Innovationsprojekten (Hochbrügge et al 2017, in projektmanagementaktuell 4/2017, verändert nach Gemünden/Hölzle/Lettl (2006)

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.

Künstliche Intelligenz: Wird Scrum durch den permanenten Fluss an Produkten zu Kanban?

In unsicheren, turbulenten Zeiten kommen plangetriebene Projekte an ihre Grenzen, da sich Anforderungen und Vorgehensweisen (Methoden/Techniken) oft ändern. Das bisher übliche eher langfristige planen über über mehrere Monate, Quartale und Jahre kommt an seine Grenzen.

Ein eher iteratives Vorgehen in eher kürzeren Zyklen bietet sich gerade bei Entwicklungsprojekten und hier besonders bei der Softwareentwicklung an. Das Agile Manifest und das Scrum-Framework sind entsprechende Antworten auf diese Entwicklungen. Im Vergleich zum plangetrieben Vorgehen, schlägt der Scrum-Guide vor, Produkte (Increments) maximal in einem Monat zu entwickeln. Die Praxis zeigt, dass Organisationen sogar zu 14-tägigen Zyklen tendieren.

In Zeiten von Künstlicher Intelligenz (KI) können allerdings gerade Software-Produkte immer schneller entwickelt und als Produkt (Increment) vorgestellt werden. das kann schon in wenigen Tagen, ja in wenigen Minuten erfolgen.

Was bedeutet das für das Scrum-Framework?

Gehen wir von dem Gedanken aus, dass Künstliche Intelligenz in immer schnelleren und kürzeren Zyklen Produkte generieren kann, wird der Scrum-Zyklus eher zu einem permanenten Fluss an Produkten – und somit eher zu einem Vorgehen, das wir aus Kanban kennen.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.

Projektmanagement: Risikobewertung bei klassischen und agilen Vorgehensmodellen

Vergleich der Projektrisikobewertung klassischer und agiler Methoden (Müller/Hüsselmann (2017), in projektmanagementaktuell 2/2017, in Anlehnung an Komus 2016)

In der Abbildung sehen Sie auf der Y-Achse das Projektrisiko abgebildet, das zu Beginn eines klassischen Projekts relativ hoch ist, und sich dann bei den verschiedenen Zeitpunkten der Risikobewertung reduzieren sollte. Es wird bei der Darstellung deutlich, dass das Projektrisiko zunächst langsam sinkt und dann rapide abnimmt, je mehr alle Projektbeteiligten über das Projekt Wissen. Siehe dazu auch Cone of Uncertainty.

Bei agilen Vorgehen haben wir über die Zeit eine stufenweise Abnahme des Projektrisikos von Beginn an. Durch die iterative Arbeitsweise, z.B. in Sprints, reduziert sich das Projektrisiko in “kleinen Häppchen”, an den verschiedenen Zeitpunkten – beispielsweise durch das Review am Ende eines jeden Sprints. Es wird auch hier deutlich, dass agile Vorgehensweisen Vorteile haben, wenn es um innovative Projekte geht, bei denen oft das Wissen über das Produkt und die Methoden unklar sind.

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.

GPM: Projektportfolio Sustainability Monitor 2024

Als GPM-Mitglied liegt mir die Studie Projektportfolio Sustainability Monitor 2024 vor. Dabei wurde untersucht, inwieweit die UN Sustainability Development Goals im Projektportfolio deutscher Unternehmen beachtet werden.

Auf der Informationsseite der GPM dazu finden Sie weitere Hinweise zum Aufbau und zur Durchführung der Studie Die wichtigsten Ergebnisse zum Schwerpunkt Nachhaltigkeit im Projektportfolio werden auf der Seiten 51-52 wie folgt zusammengefasst: (ebd.)

(1) Nachhaltigkeitsziele werden zwar im Projektportfolio integriert, jedoch legen nur sehr wenige Unternehmen einen Schwerpunkt auf Projekte mit expliziten Nachhaltigkeitszielen.

(2) Nachhaltigkeit als Kriterium zur Genehmigung und Priorisierung von Projekten zeigt sich heterogen: ein Viertel bis ein Drittel sieht Nachhaltigkeit als entscheidend an, genauso viele jedoch nicht.

(3) Insbesondere bei F&E-/Neuproduktentwicklungsprojekten, Infrastrukturprojekten und Kunden/Auftragsprojekten sind Nachhaltigkeitsziele häufiger explizite Projektziele.

(4) Derzeit scheint besonders in den frühen Phasen der Projektentwicklung Nachhaltigkeit stärker berücksichtigt zu werden, während inaktive Projekte tendenziell weniger Fokus auf Nachhaltigkeit aufweisen. Möglicherweise sind Projekte mit Nachhaltigkeitsbezug vor allem in der jüngeren Vergangenheit initiiert worden. Allerdings wäre auch eine andere Interpretation möglich: Nachhaltigkeit kann aus dem Fokus geraten, wenn im Laufe der Projektumsetzung die klassischen Erfolgsmaßstäbe Zeit, Kosten und Leistungsumfang stärker ins Augenmerk der Projektleitung rücken. Gerade dann wäre jedoch ein Projektportfoliomanagement zielführend, wenn es die kontinuierliche Berücksichtigung aller definierten Kriterien – inklusive Nachhaltigkeit – einfordert.

(5) Die allgemeine Öffentlichkeit sowie die Kunden werden als die zentralen externen Stakeholdergruppen gesehen, die Nachhaltigkeit als Kriterium zur positiven Beurteilung von Projekten heranziehen. Unternehmensintern ist es vor allem die Unternehmensleitung, die das Kriterium Nachhaltigkeit heranzieht.

Es wird deutlich, dass das Thema Nachhaltigkeit in Zukunft noch stärker im Projektportfolio bei der Projektauswahl, der Projektdurchführung und dem Projektabschluss beachtet werden sollte. Siehe dazu auch

Einfache Logik für die Ermittlung einer Projektrangfolge durch Priorisierung.

Mit OktoPus zu mehr Nachhaltigkeit im Projektmanagement.

Was ist eigentlich unter Nachhaltigkeit zu verstehen?

Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen, Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.

    “Innovation” und “Innovationsmanagementsystem” nach ISO-Norm

    Image by Gerd Altmann from Pixabay

    Innovationen sind den Standort Deutschland wichtig – für die gesamte Gesellschaft und für Organisationen. Im Jahr 2019 wurde dazu in der ISO 56002 ein Rahmen für das Innovationsmanagement in Organisationen veröffentlicht. Zusammen mit der übergeordneten ISO 56000 wird auch eine einheitliche Definition von “Innovation” und “Innovationsmanagement” festgelegt:

    Eine Innovation beschreibt hier eine “neue oder veränderte Einheit, die Wert schafft oder neu verteilt” (ISO 56000).

    “Ein Innovationsmanagementsystem ist ein Satz zusammenhängender oder sich gegenseitig beeinflussender Elemente die auf der Schaffung von Wert abzielen. Es bietet einen gemeinsamen Rahmen zum Entwickeln und Bereitstellen von Innovationsfähigkeiten, Beurteilen von Leistung und Erreichen von beabsichtigten Ergebnissen” (ISO 56002:2019), gefunden in Flore/Würdemann (2024), projektmagementaktuell 05/2024).

    In der nationalen und internationalen Zusammenarbeit ist es immer gut, Begriffe zu standardisieren, um die Kommunikation zu vereinfachen. Ich frage mich allerdings, ob die in den letzten Jahrzehnten veröffentlichten Normen zum Innovationsmanagement in Organisationen wirklich dazu beigetragen haben, dass Organisationen innovativer geworden sind. Die Realität sieht m. E. in Deutschland nicht danach aus…. Siehe dazu auch:

    “Innovation”: Definition aus 2018 (Oslo Manual)

    Künstliche Intelligenz im Innovationsprozess von Organisationen.

    Künstliche Intelligenz und Open Innovation.

    Inflation der Innovationspreise?