Zur MCP 2026 Conference zu Mass Customization and Personalization findet vom 16.-19.09.2026 in Balatonfüred, Ungarn, statt. Auch zu dieser Konferenz habe ich Abstracts eingereicht, die in der Zwischenzeit bestätigt wurden.
It is our pleasure to inform you that your abstracts entitled:
Open-Source AI for Open User Innovation: Designing a Personalized Framework
Digital Sovereignty and Open-Source AI: A European Path for Innovative SMEs
were positively reviewed by MCP 2026 Scientific Committee and accepted to proceed to the next stage of uploading full paper according to the template.
Nun geht es daran, das Paper bis zum 31. Mai 2026 nach den Konferenzvorgaben fertigzustellen.
Wenn alles klappt, werden ich beide Paper im September auf der Konferenz vorstellen, und mit den Kollegen diskutieren.
Ein integrales Denken und Handeln von Innovationsmanagern besteht darin, verschiedene Perspektiven zu verbinden (Servatius/Piller 2014:29)
Gerade wenn es um Innovationen geht, ist es wichtig, verschiedene Dimensionen zu integrieren. Bezogen auf das integrale Denken und Handeln von Innovationsmanagern sind zwei grundlegende Perspektiven und ihre Polaritäten von besonderer Bedeutung:
(1) die Perspektive der Denkmuster mit Analyse und Rationalität auf der einen und Intuition und Emotion auf der anderen Seite sowie
(2) die Perspektive der Innovationswertschöpfung in Form von wissenschaftlich-technischen Problemlösungen und einer Befriedigung des Kundenbedarfs im Markt.
Die Abbildung zeigt, welche unterschiedlichen Handlungsfelder sich für Innovationsmanager aus diesen Perspektiven ergeben – von der Technologie- und Marktanalyse über die Intuition von Erfindern bis zur Empathie gegenüber Kunden (Servati- us/Piller 2014:29).
Gerade in Zeiten der Nutzung von Künstlicher Intelligenz im Innovationsprozess können Emotion (Empathie) und Intuition Alleinstellungsmerkmale darstellen.
Bedenken und Einwände gegen Produktinnovationen (Kerka/Kriegesmann 2007)
In der Abbildung sind beispielhaft Bedenken und Einwände zu sehen, die so – oder so ähnlich – zu hören sind, wenn Produktinnovationen angestoßen werden. Ich bin sicher, Sie haben solche Äußerungen auch schon oft gehört, sogar schon bei den ersten Ideen.
„Eine neue Idee ist zerbrechlich. Sie kann durch höhnisches Lächeln oder Gähnen getötet werden. Sie kann durch einen Witz erdolcht oder durch Stirnrunzeln bei der falschen Person vor lauter Sorgen in den Tod getrieben werden“ Charles Brower, Ex-CEO von BBDO.
Es scheint normal zu sein, neue Ideen und Innovationen erst einmal abzulehnen. Dieses Verhalten kann ganz gut mit dem relativ stabilen Deutungsmuster von Erwachsenen erklärt werden, das transformiert werden muss. Solche Prozesse findet man als Kernelement in der Erwachsenenbildung, wo Lernen als Transformation von Deutungsmustern verstanden wird.
Deutunslernen: Transformation von subjektiven Deutungen und Konstrukten durch die Initiierung von selbstorganisierten Suchbewegungen und eigenständigen Aneignungsprozessen der Erwachsenen – vgl. dazu Arnold, R. (1995): Deutungslernen in der Erwachsenenbildung. Grundlinien und Illustrationen zu einem konstruktivistischen Lernbegriff, in Zeitschrift für Pädagogik 42 (1996) 5, S. 719-730 | PDF.
Neben den bekannten Ansätzen, mit Widerständen im Innovationsprozess umzugehen (z.B. mit dem Promotorenmodell von Witte), ist die Perspektive der Erwachsenenbildung im Innovationsprozess für viele neu, und wird damit selbst zu einem innovativen Ansatz.
1 Sammeln von Informationen 2 Erzeugen von Lösungen 3 Rasches Lernen 4 Bewertung 5 Synthese und Outputs 6 Ergebnisse
Unternehmen setzen für ihren Innovationsprozess Künstliche Intelligenz ein. Auf der individuellen Ebene ist das natürlich auch möglich. Beispielsweise kann Künstliche Intelligenz das eigene innovative Denken unterstützen. Die Abbildung zeigt dazu die insgesamt sechs Schritte – vom Sammeln von Informationen (1) bis zu den Ergebnissen (6).
Weiterhin sollten Sie sich überlegen, ob Sie die bekannten proprietären KI-Modelle für ihre innovativen Ideen nutzen wollen. Denken Sie bitte daran, dass diese wenig transparent sind und Sie nicht genau wissen, was mit ihren Ideen passiert. Siehe dazu auch Das Kontinuum zwischen Closed Source AI und Open Source AI.
Unser Vorschlag ist daher, dass Sie zur Unterstützung ihres innovativen Denkens, in jedem Schritt Open Source KI-Modelle nutzen. Dass kann MISTRAL LE CHAT als Alternative zu ChatGPT etc, ein Modell wie Mistral AI für alle Schritte, oder auch ein Konzept mit unterschiedlichen Modellen sein, die Sie auf Huggingface finden können.
Natürlich ist es auch möglich, für die oben genannten Schritte einen, oder mehrere KI-Agenten zu nutzen – natürlich möglichst auch Open Source basiert.
Überlegen Sie abschließend noch, ob Sie alles auf ihrem Laptop, oder auf einem eignen Server laufen lassen können. Damit hätten Sie die Kontrolle über ihre Ideen.
„Erst ignorieren sie dich, dann lachen sie über dich, dann bekämpfen sie dich, dann hast du gewonnen“ Mahatma Gandhi.
Sie können dann immer noch selbst entscheiden, ob Sie Ihre Ergebnisse mit anderen teilen, oder diese sogar Unternehmen anbieten wollen.
Die dort oftmals hinterlegten Daten, die natürlich zum überwiegenden Teil in Englisch (oder Chinesisch) vorliegen, spiegeln nicht die vielfältige europäische Kultur mit ihren vielen Nuancen wieder. Kulturelle Bereiche, definieren sich oftmals über die jeweilige Sprache.
Es ist daher nicht verwunderlich, dass es in den jeweiligen europäischen Ländern einen Trend gibt, KI-Modelle zu entwickeln, die die jeweilige sprachlichen Besonderheiten beachten – wie z.B. Minerva AI LLM:
Minerva AI LLM is the first family of Large Language Modelspretrained from scratch in Italian developed by Sapienza NLP in collaboration with Future Artificial Intelligence Research (FAIR) and CIN AIECA. The Minerva models are truly-open (data and model) Italian-English LLMs, with approximately half of the pretraining data composed of Italian text. You can chat with Minerva for free directly through the app — it’s easy, fast, and open to everyone.
Es handelt sich also um eine Modell-Familie, die offen für jeden nutzbar ist. Es zeigt sich auch hier wieder, dass Künstliche Intelligenz auf Vertrauen basieren muss, damit sie den gesellschaftlichen und wirtschaftlichen Anforderungen gerecht werden kann. Siehe dazu auch beispielhaft
Im nächsten Schritt habe ich mich bei Mistral Le Chat angemeldet, wodurch weitere Optionen kostenlos zur Verfügung stehen. Darunter ist auch die Möglichkeit, Agenten zu nutzen. Die obere Abbildung zeigt einen Screenshot, mit einem von mir angelegten Agenten „User Innovation„.
Das Ziel des Agenten ist es, meinen persönlichen Innovationsprozess zu unterstützen. Dabei möchte ich (natürlich) Open Source AI und frei verfügbare Daten nutzen.
Die folgende Grafik zeigt einen Ausschnitt aus den generierten Abfragen. Ich muss zugeben, dass ich durchaus von der Qualität der Antworten überzeugt bin. Mal sehen, wie weit ich mit meinen Überlegungen und Le Chat komme.
Eigener Screenshot – Mistral Le Chat, angemeldet, Agent anlegen
Schon sehr lange ist der Trend deutlich: Deutschland verliert bei Innovationen immer mehr den Anschluss an die Weltspitze. Nicht umsonst sind wir bei vielen Technologien in eine Abhängigkeit geraten, die unserer gesamten Gesellschaft zu schaffen macht. Siehe dazu auch: Das Europäische Paradox.
Die Anzeichen sind schon lange sehr deutlich, doch mehr Geld für Forschung und Entwicklung und mehr Innovationspreise haben bisher keine Änderungen im Trend ergeben. Die aktuelle Bertelsmann-Studie Innovative Milieus 2026 weist auch noch einmal darauf hin:
„Die Innovationslandschaft in Deutschland verliert weiter an Substanz. 2026 gehören nur noch 13 Prozent der Unternehmen zur Innovationsspitze. Gleichzeitig umfasst der innovationsferne Bereich inzwischen nahezu 40 Prozent der Unternehmenslandschaft. Seit 2019 ist der Anteil innovationsstarker Unternehmen damit kontinuierlich gesunken“ (Ergebnisse kompakt).
Darüber hinaus gibt es auch noch interessante Verschiebungen in den Innovations-Milieus:
„Parallel dazu ist der innovationsferne Bereich deutlich gewachsen. Der Anteil der Zufälligen Innovatoren und der Unternehmen ohne Innovationsfokus liegt inzwischen bei nahezu 40 Prozent (2019: 27 Prozent). Innovation verliert damit in der Breite an strategischer Verankerung“ (Ergebnisse vertieft).
Diese strukturellen Veränderungen können allerdings auch anders interpretiert werden:
Da der Begriff Innovation auf Unternehmen bezogen ist, erscheinen User Innovation (Eric von Hippel) nicht in der Statistik, und somit auch nicht in den Milieus.
Die Verschiebungen bei den unternehmensbezogenen Innovationen deuten möglicherweise auf eine Entgrenzung der Innovationslandschaft hin, die sich in einem größeren Milieu zu User Innovation zeigen würde. Dieser Teil der Innovationslandschaft wird allerdings in der Studie nicht berücksichtigt. Siehe dazu auch
Es ist schon erstaunlich, was man alles mit Künstlicher Intelligenz (GenAI) machen kann. Der Schwerpunkt scheint aktuell darauf zu liegen, in Organisationen die Abläufe zu verbessern, um die Produktivität zu erhöhen.
Weiterhin werden die KI-Modelle immer intuitiver und einfacher, was die Anwendung von KI scheinbar immer leichter macht.
Eine aktuelle Studie (Liu et al. 2026) kommt allerdings zu dem Schluss, dass, je leichter KI (GenAI) angewendet werden kann, umso wichtiger ist der Mensch, der die „harte Arbeit“ erledigen muss.
„The uncomfortable truth: the easier AI gets, the more valuable the people who still do the hard work become — and the more urgently organisations need to protect the conditions that produce them“ (Liu et al 2026).
Weiterhin wird in der selben Studie auf den Zusammenhang zwischen der Produktivität bei der Nutzung von KI und Innovation durch KI eingegangen: Die Produktivität steigt, doch Innovation (das Innovations-Niveau) stagniert.
Das liegt laut Studie an den „good enough“ – Antworten der üblichen KI-Modelle, die zu wenig „Friktion“ bieten, um Innovationen zu pushen.
Wenn alles zu einfach und zu leicht ist, kann das dann jeder und es ist nichts Neues mehr im Sinne einer Innovation. Die Autoren empfehlen daher ein angemessenes Maß an Friktion in der Organisation zu etablieren. Dazu wurde auch ein erstes geeignetes Framework entwickelt.
Die nächste internationale Konferenz MCP 2026 zu Customization and Personalization findet vom 16.-19.09.2026 in Balatonfüred, Ungarn statt. Die MCP Community of Europe trifft sich zum Austausch der verschiedenen Perspektiven auf das Thema. Seit 2004 ist das die 12. Konferenz, die durchgehend alle 2 Jahre durchgeführt wird.
12th International Conference on Customization and Personalization
7th Doctoral Students Workshop
4th Professionals Panels & MEA KULMA Innovation Festival
Conference Abstract Submission Deadline: March 31, 2026.
Sprechen Sie mich gerne an, wenn Sie Fragen zur Konferenz haben. Wir werden auch dabei sein.
In früheren Beiträgen hatte ich schon darauf hingewiesen, dass der Großteil der Trainingsdaten der bekannten KI-Modelle aus englischsprachigen (chinesischen) Elementen zusammengesetzt sind. Das Open Source AI-Modell für Europa Teuken 7B hat hier angesetzt, und enthält daher mehr als 50% non englisch data.
Es stellt sich dabei natürlich auch die Frage, warum es so wichtig ist, Trainingsdaten in den jeweiligen (europäischen) Sprachen zu haben. Dazu habe ich eine Erläuterung zur ungarischen, bzw. finnischen Sprache gefunden:
„The current landscape is dominated by models pretrained on vast corpora composed predominantly of English and a few other high-resource languages, creating a significant performance and resource disparity for less-resourced linguistic communities (Zhong et al. 2025). For medium-resource languages such as Hungarian, a Finno-Ugric language characterized by its agglutinative nature and rich morphology, this gap is particularly pronounced. Off-the-shelf multilingual models often exhibit suboptimal performance due to insufficient representation in training data and tokenizers that are ill-suited to language specific morphology. This is particularly the case for open-source models, which visibly struggle with Hungarian grammar“ (Cesibi et al. 2026).
Die hier angesprochenen Agglutinierenden Sprachen (Wikipedia) sind gar nicht so selten. Neben der hier angesprochenen ungarischen Sprache, sind das auch Finnisch, Baskisch, Japanisch, Türkisch usw. Schauen Sie sich dazu bitte die angegebene Wikipedia-Seite an, Sie werden überrascht sein.
Für all diese Sprachen macht es also Sinn, spezifische Trainingsdaten in der jeweiligen Sprache, inkl. der jeweiligen Besonderheiten zu entwickeln. In der Zwischenzeit ist dieser Trend auch deutlich zu beobachten, nicht nur bei den Agglutinierenden Sprachen.
Diese speziellen KI-Modelle können gerade für kultur-, sprachen- und kontextbezogene Innovationen geeignet sein. Siehe dazu auch
