Künstliche Intelligenz lässt die meisten Sprachen und kulturellen Besonderheiten außen vor

Image by Sunrise from Pixabay

Die bekannten proprietäten KI-Modelle funktionieren hauptsächlich in Englisch, oder in einer Handvoll anderer Sprachen. Am Beispiel agglutinierender Sprachen wie Ungarisch, Baskisch, etc. kann aufgezeigt werden, dass die üblichen KI-Modelle nicht ausreichen.

Es wundert daher nicht, dass in den letzten Jahren immer mehr KI-Modelle entwickelt wurden, die in europäischen Sprachen trainiert wurden. Beispiele dazu sind Teuken 7B und Open EuroLLM. Darüber hinaus gibt es in Europa auch schon viele KI-Modelle, die in der jeweiligen Landessprache trainiert wurden. Beispiele dazu sind das Ungarisches Modell, das Schwedisches Modell, das Italienische Modell usw.

Dass es in kritischen Bereichen wie dem Gesundheitswesen wichtig ist, bei KI-Modellen den sprachlichen und kulturellen Kontext zu beachten, wurde in einer Veröffentlichung der United Nations (UN) noch einmal beispielhaft hervorgehoben:

„In Tigrinya, spoken by 7 to 9 million people in Eritrea and northern Ethiopia, machine translation has rendered smallpox as syphilis, gonorrhoea as diabetes and “You have been given intravenous antibiotics” as “You have been given intravenous insecticides”. These mistranslations can be life-threatening. A recent review of natural language processing for African languages in healthcare found that, despite advances in multilingual AI tools, major challenges remain. These include cultural and linguistic bias, poor adaptation to medical contexts, limited explainability and translation errors that can affect diagnosis and treatment decisions. The evidence suggests that AI systems are not ready for use in high-stakes settings unless they have been properly adapted, constrained and tested for the relevant linguistic and cultural contexts“ (UN 2026).

Mit Hilfe von Small Language Models (SLM) und der Berücksichtigung sprachlicher und kultureller Besonderheiten einzelner Regionen in Europa können gerade Kleine und Mittlere Unternehmen (KMU) innovative Produkte und Dienstleistungen entwickeln, die einen Mehrwert für die Nutzer bieten.

Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich darauf in einem Paper ein:

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Mein zweites Paper:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Warum werden Household Innovations belächelt?

Image by This_is_Engineering from Pixabay

Um es gleich vorweg zu sagen: Mit diesem Beitrag möchte ich keine Diskussion über den Ukraine-Krieg entfachen. Es geht mir hier um ein Innovationsverständnis, dass nicht mehr zeitgemäß ist. In einem Interview mit The Atlantic hat sich Armin Papperger, Chef der Rüstungsunternehmens Rheinmetall, abfällig über die Drohnenproduktion in der Ukraine geäußert:

»Sie haben 3D-Drucker in der Küche und stellen Drohnenteile her. Das ist keine Innovation.« (Spiegel vom 30.03.2026: Rheinmetall-Chef bezeichnet ukrainische Drohnenhersteller als »Hausfrauen«).

Wenn jemand also mit Hilfe eines 3D-Druckers in seiner Küche Bauteile (hier für Drohnen) herstellt, kann das nicht als Innovation bezeichnet werden. Dieser Satz ist bezeichnend für ein Innovationsverständnis, das auf Schumpeter zurückzuführen ist, und Innovationen von Unternehmen, Organisationen, in den Mittelpunkt stellt. Dieses Producer Innovation Paradigm wurde allerdings in der Zwischenzeit erweitert.

Möglicherweise ist es Herrn Papperberger entgangen, dass es seit 2018 eine Definition von Innovation gibt, die ausdrücklich auch „houshold innovations“ beinhaltet – also auch ein User Innovation Paradigm. In meinem Paper zur MCP 2026 habe ich dazu folgendes geschrieben:

„A notable expansion of this perspective was provided by the OECD/Eurostat (2018, p. 32): “An innovation is 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).” Furthermore, this definition clarifies: “The generic term ‘unit’ describes the actor responsible for innovations. It refers to any institutional unit in any sector, including households and their individual members“ (Freund, 2026).

Eric von Hippel hat dazu in seinen Veröffentlichungen Democratizing Innovation (2005) und Free Innovation (2016) ausführlich dargelegt, wie wichtig die Household Innovations in der Zwischenzeit geworden sind. Herr Papperger sollte sich die von mir genannten Quellen, insbesondere die OECD/Eurostat-Definition aus dem Jahr 2018 ansehen, um wieder auf dem aktuellen Stand der Innovations-Diskussion zu sein.

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

Tipping Point: User Innovation und Open Source AI

Image by David from Pixabay

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

Unternehmen sind gut darin, Ideen zu zerstören

Diese Aussage im Blogtitel habe ich in einem Interview gefunden, das mit dem finnischen Professor Alf Rehn schon in 2014 geführt wurde. Darin macht er deutlich, dass es genügend Ideen in den Unternehmen gibt, diese es allerdings schaffen, viele davon zu zerstören, und dadurch Innovationen verhindern.

„Viele Leute glauben, das Problem sei die Menge an Ideen oder das Fehlen von Ideen. Ich kenne Hunderte von Unternehmen, die sagen, sie haben nicht genug Ideen. Aber das ist völlig falsch. Ich habe noch nie einen Betrieb kennengelernt, dem es an Ideen mangelte, niemals, nirgends – und ich habe schon mit den langweiligsten Unternehmen des Planeten zusammengearbeitet. Der Punkt ist vielmehr: Sie sind unglaublich gut darin, Ideen zu zerstören. Sie sind so gut darin, dass sie es nicht einmal merken“ (Interview mit dem finnischen Professor Alf Rehn. In: „Unternehmen sind gut darin, Ideen zu zerstören“, Haufe Online vom 13.10.2014).

Heute können Ideen mit Künstlicher Intelligenz in großer Anzahl generiert und ausgewählt werden. Letztendlich wird das Unternehmen allerdings im Abgleich mit den eigenen Ressourcen und den zu erzielenden Gewinnen entscheiden, ob sie eine Idee umsetzt, oder eben nicht. Dadurch entsteht ein begrenzter Innovationsraum.

Anders sieht es bei einzelnen Usern aus, die seit ca. 2007 (nach Mota, 2011) immer besser in der Lage sind, Ideen auch selbst umzusetzen. Solche Open User Innovation (Eric von Hippel) entgrenzen Innovationen von den Unternehmen und stellen eine bedeutende Möglichkeit dar, endlich das herzustellen, was benötigt wird. Siehe dazu auch Innovationen: Das Europäische Paradox.

Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) stelle ich dazu ein Paper vor:

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

Design heute: Entwicklung von Möglichkeiten, wie andere selbst kreativ sein können

Image by free stock photos from www.picjumbo.com from Pixabay

Wir bewundern oft das Design von Produkten (Gegenständen), die von anderen – meist berühmten Designern – entworfen und umgesetzt wurden. Es ist also eher etwas, das man bei anderen findet – sogar eher bei der Künstlichen Intelligenz als bei uns selbst.

„We are treating humans as robots and ai as creatives. it is time to flip the equation“ (David de Cremer in Bornet et al. 2025).

In der Zwischenzeit wird gerade bei gesellschaftlichen Veränderungen deutlich, dass sich dieses Verständnis von Design ändert, denn es geht hier immer häufiger darum, die Kreativität der Menschen in die vielen Prozesse mit einzubinden.

Das persönliche Design-Verständnis wird dabei zu einem wichtigen Beitrag im Transformationsprozess. Das neue Verständnis von Design will Wege entwickeln, wie andere dies (kreativ Probleme lösen) selbst tun können. In dem Buch von Hyysalo (2025) werden alle Zusammenhänge umfangreich dargestellt.

„Meanwhile there already are concrete, doable, and demonstrated ways by which design can become a major contributor to social and environmental change. These ways rest in shifting design from a creative act of defining and solving problems to developing ways by which others can do so“ (Hyysalo, S. (2025) Design Participation | eBook).

Diese Strömungen im Design habe eine ganz praktische Relevanz, wenn es um Open User Innovation (Eric von Hippel) geht. Auch hier geht es darum User zu befähigen, in ihrem eigenen Kontext Probleme zu lösen und eigene Produkte zu entwickeln und herzustellen..

Auf der MCP 2026 stelle ich dazu ein Paper vor:

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

Wie hängen Innovationen, Fehlerkosten und Restrukturierungskosten zusammen?

In Zeiten von disruptiven Innovationen – also Innovationen, die die Spielregeln ganzer Branchen verändern – kommt es darauf an, diese Innovationen schnell zu entwickeln und anzuwenden. Dafür wird Geld benötigt, das auf dem Markt aufgenommen, oder auch von Nationen zur Verfügung gestellt wird.

Der größte Teil des Geldes kommt allerdings vom Finanzmarkt, der natürlich daran interessiert ist, Rendite zu erzielen. Investoren schauen dabei auch darauf, wie mit Fehlentwicklungen umgegangen werden kann, wenn ca. 80% der Projekte nicht erfolgreich, und nur 20% rentabel sein sollten. Bei so einem Verhältnis kommt es auch darauf an, wie man mit den Unternehmen umgeht, die wenig erfolgreiche Projekte umgesetzt haben und daher Kosten für diese Fehler entstehen. Es muss in diesen Unternehmen restrukturiert werden, und das kostet. Wie die folgende Tabelle zeigt, sind die Restrukturierungskosten pro Mitarbeiter in den jeweiligen Ländern extrem unterschiedlich.

LandRestructuring costs
per employee
(months of salary)
Frankreich38
Italien49
Spanien63
Niederlande31
United Kondom18
Schweden10
USA7
Dänemark3,3
Schweiz2.5
Deutschland31
Coste, O. (2026) The Cost of Failure and Europe’s Innovation Gap. Evidence and Policy Options (Workshop)

Wenn jemand die Zahlen von Deutschland und den USA vergleicht kommt oft der Einwand, dass wir in Deutschland ja keine Hire and Fire – Mentalität haben wollen – immerhin sind wir ja auf die soziale Absicherung von Arbeitsplätzen stolz.

Der Vergleich zu Dänemark oder Schweden zeigt allerdings, dass es durchaus möglich ist, zwischen den beiden Extremen (Soziale Absicherung – Hire and Fire) eine Lösung zu etablieren, die innovativ erscheint und auch wirkungsvoll ist, denn Dänemark und Schweden sind auch im Innovationsranking „weit vorne“. Dänemark nutzt Flexicurity dafür. Man sieht leicht, dass dieses Wort eine Kombination von Flexibility und Security ist. Siehe dazu Flexicurity: Flexibel und sicher – geht das?

Es scheint also einen Zusammenhang zwischen der mangelnden Innovationsbereitschaft, den Kosten für Fehler und den dazu erforderlichen Restrukturierungskosten zu geben. Wenn wir also in Europa mehr Innovationen, und nicht nur Inventionen, haben wollen, sollten wir den Umgang mit den Kosten für Fehler erheblich reduzieren. Europäische Länder wie Dänemark und Schweden – oder auch die Schweiz – zeigen auf, wie das machbar ist.

„Es ist nicht genug zu wissenman muss es auch anwenden. Es ist nicht genug zu wollenman muss es auch tun“ Johann Wolfgang von Goethe.

„The long tail“ etwas anders interpretiert

Picture by Hay Kranen

Seit der Veröffentlichung von The long tail (Chris Anderson 2004) wird diskutiert, ob sein Ansatz heute noch stimmt. Anderson stellte dar, dass es bei digitalisierten Produkten möglich ist, immer mehr Nischen zu bedienen. Wenn man dabei die Grafik zu den bekannten ABC-Produkten im Verkauf etwas abstrahiert, kommt so eine Grafik heraus, wie Sie in der Abbildung zu sehen ist. In der Zwischenzeit gibt es allerdings durchaus Kritik an dem Ansatz.

»The original idea of the long tail, as described by Chris Anderson in his book of the same name, was that a single manufacturer would take care of all the variants along the long tail of a product segment. But the long tail of products is also a long tail of niche markets served by different manufacturers with different business models« (Piller & Euchner, 2024).

Piller und Euchner weisen also darauf hin, dass es nicht alleine ein Unternehmen sein muss, dass den long tail bedient, sondern es können auch unterschiedliche Unternehmen mit verschiedenen Geschäftsmodellen sein.

Diese Erweiterung ist schon hilfreich, doch geht es mir nicht weit genug. Warum müssen es Unternehmen mit ihren Geschäftsmodellen sein, die die bisher nicht befriedigten Wünsche von Usern bedienen? Heute können es auch die User selbst sein, die ihre Produkte herstellen – mit Hilfe moderner Technologien in Repair Cafés, FabLabs, Maker Spaces, Communities usw. (User Innovation). Siehe dazu ausführlicher meine Beiträge zum Thema.

Um die verschiedenen Schritte zur Herstellung des eigenen Produkts einfach, kostengünstig und selbst durchzuführen, bietet sich heute die Unterstützung durch Künstliche Intelligenz an.

Auf der internationalen Konferenz MCP 2026, die vom 16.-19.09.2026 in Balatonfüred, (Ungarn) stattfindet, werde ich in einem meiner Paper auf diese Entwicklung eingehen:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Die Zukunft von Innovationen ist dynamisch, interaktiv und unvorhersehbar

Image by Gerd Altmann from Pixabay

Obwohl viele Menschen und Unternehmen wissen, dass es in der heutigen, stark vernetzten Welt kaum möglich ist, die Zukunft vorherzusagen, versuchen es doch immer wieder einige. Beispielsweise die Tech-Konzerne aus dem Silicon Valley, die fast täglich mit Visionen oder Stories versuchen, Anleger zu beeinflussen. Viele Voraussagen/Ziele sind nicht eingetroffen.

Die New York Times hat zum Beispiel 602 Ziele von Elon Musk untersucht und festgestellt, dass er nur 19% davon wirklich erreicht hat. Dennoch hat Elon Musk alleine durch das Formulieren von (seinen) Zielen erreicht, dass sich viele mit (seinen) Zielen befasst haben. Die Erkenntnis solcher Analysen ist nicht neu, denn viele Vorhersagen haben auch schon in der Vergangenheit nicht gestimmt. Aktuell wollen einige wieder Wissen, wie sich Künstliche Intelligenz als Innovation entwickeln wird und formulieren entsprechende Ziele – auch hier ist Vorsicht geboten. Dazu habe ich einen Beitrag gefunden, der die Situation gut beschreibt:

„The future of innovation is likely in hybrid models that combine the strengths of AI-driven processes with human-led OI. Such models could leverage AI’s capacity for rapid ideation and data processing while harnessing human creativity, intuition, and ethical judgment. For example, AI could generate initial ideas or prototypes, which human collaborators then refine, contextualize, and ethically evaluate through OI platforms. An optimist would argue that this approach might further democratize innovation by allowing a wider range of participants to contribute meaningfully, even if they lack deep technical expertise. A pessimist might be concerned about centralized power, diminishing creativity, lack of agency, and IP issues. In the end, whether you’re an optimist or a pessimist, one thing is certain: the future of innovation will be dynamic, interactive, and unpredictable“ (Holgersson et al., 2024).

Als Optimist gehe ich davon aus, dass wir Innovationen wie die Künstliche Intelligenz stärker demokratisieren sollten und auch werden – siehe dazu auch Von Democratizing Innovation zu Free Innovation.

Auf der internationalen Konferenz MCP 2026, die vom 16.-19.09.2026 in Balatonfüred, (Ungarn) stattfindet, werde ich in einem meiner Paper auf diese Entwicklung eingehen:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

FabLabs: Turn your ideas into products

https://www.fablabs.io/labs/map

Immer mehr Menschen stellen fest, dass die von den Unternehmen im Markt angebotenen Produkte nicht dem entsprechen, was sie sich als Kunde (User) vorstellen. Es wundert daher nicht, dass immer mehr User ihre täglichen Herausforderungen mit eigenen Produkten selbst in die Hand nehmen.

Das fängt bei Reparaturen an. Hier ist ein deutlicher Trend in Deutschland zu erkennen, der in immer mehr Repair Cafés und Do It Yourself (DIY) – Aktivitäten zu erkennen ist. Siehe dazu auch Vom Reparieren und Selbermachen zur Innovation.

Eigene Ideen in konkrete neue Produkte (User Innovationen) zu überführen, ist schon etwas schwieriger, und manchmal auch aufwendiger. Viele User scheuen vor der Umsetzung ihrer Idee noch zurück, da einzelne Prozessschritte manchmal teure Maschinen oder spezielles Know-How erfordern. Siehe dazu auch Eric von Hippel (2027) Free Innovation (PDF).

An dieser Stelle hat sich in den vergangenen 20 Jahren viel verändert. Immer mehr Open Source Software (OSS) und Technologien wie der 3D-Druck (Additive Manufacturing), Softwareentwicklung und Elektronik, Textilherstellung, und weitere Maschinen und Anlagen werden in FabLabs (Maker Spaces) zur Nutzung (zum Testen) angeboten – kostenlos. In der Abbildung oben ist ein Ausschnitt aus der FabLab Map zu sehen, in der mehr als 1.000 FabLabs zu finden sind.

Das FabLab Nürnberg e.V. bietet beispielsweise ein OpenLab, ein Repair Café, ein KidsLab, ein TextileLab und auch Workshops an. Sollte in einem FabLab nicht das angeboten werden, was Sie für Ihre Innovation benötigen, so können Sie auch mehrere FabLabs als Produktionsnetzwerk nutzen.

Natürlich können Sie auch Künstliche Intelligenz einsetzen, um das optimale Produktionsnetzwerk für Ihr Produkt auszuwählen. Ihre KI kann Sie dann auch in Ihrem Innovationsprozess begleiten, sodass Sie mit der Zeit Ihr eigenes Innovationssystem aufbauen. Wir empfehlen natürlich, nicht die proprietäten KI-Modelle wie ChatGPT etc. zu nutzen, sondern mit Open Source AI zu arbeiten – beispielsweise mit Mistral AI, einer europäischen (französischen) Alternative.

Auf der internationalen Konferenz MCP 2026, die vom 16.-19.09.2026 in Balatonfüred, (Ungarn) stattfindet, werde ich in einem meiner Paper auf diese Entwicklung eingehen:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Künstliche Intelligenz als Freund, Mentor oder romantischer Partner?

Künstliche Intelligenz (GenAI) kann in der Zwischenzeit viele traditionelle Tätigkeiten oder Abläufe optimieren und ersetzen. Bei der Interaktion mit KI-Modellen passt sich diese immer stärker an die Anforderungen des Nutzers an.

Künstliche Intelligenz verstärkt durch diese Personalisierung allerdings – oft unbemerkt vom Nutzer – Schmeicheleien (Blogbeitrag). Es wundert daher nicht, dass KI immer mehr als Compagnon wahrgenommen wird, der möglicherweise als angenehmer empfunden wird, als andere Menschen. Es kommt bei dieser Entwicklung zu einer Art Transformation von den eher funktionsorientierten Nutzung der KI, hin zum Aufbau von einer Art „Beziehung“.

„AI companions differ from traditional task-oriented AI by prioritizing relationship building over functionality (Zhang and Lu, 2023; Zhang et al., 2025). Modern systems incorporate memory of past interactions, can recognize emotion, and adapt their responses to individual users’ needs (Yang et al., 2025). Platforms like Replika, Character.ai, and XiaoICE have attracted user bases in the millions. Many users have reported forming emotional attachments to their AI companions, viewing them as friends, mentors, or romantic partners (Zhang et al., 2024; Kouros et al., 2024)“ (The AI Index 2026 Annual Report).

Einerseits ist also die Anpassung an die persönlichen Bedürfnisse eine positive Entwicklung, andererseits kann es über den Weg der (unbemerkten) Schmeicheleien einen Lock-in geben, aus dem die jeweiligen Nutzer selbst nicht mehr herauskommen. Diese sich dann entwickelnde Pfadabhängigkeit ist aus der Innovationsforschung bekannt.

Beyer (2005) weist allerdings in seinem Beitrag darauf hin, dass es auch dazu kommen kann, dass „Akteure jeweils einen Schlüssel finden können, um das Schloss wieder aufzuschließen“.

Beyer, J. (2005): Pfadabhängigkeit ist nicht gleich Pfadabhängigkeit! Wider den impliziten Konservatismus eines gängigen Konzepts, in Zeitschrift für Soziologie, Jg. 34, Heft 1, Februar 2005, S. 5–21 | PDF