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
Bei Innovationen sollten wir uns zunächst einmal klar machen, was im Unternehmenskontext darunter zu verstehen ist. Das Oslo Manual schlägt vor, Innovation wie folgt zu interpretieren:
„(…) 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)” (Oslo Manual 2018).
Dass Innovation u.a. eine Art Neu-Kombination von Existierendem bedeutet, ist vielen oft nicht so klar (combination thereof). Neue Ideen – und später Innovationen – entstehen oft aus vorhandenen Konzepten. oder Daten.
An dieser Stelle kommen nun die Möglichkeiten der Künstlichen Intelligenz (GenAI oder auch AI Agenten) ins Spiel. Mit KI ist es möglich, fast unendlich viele Neu-Kombinationen zu entwickeln, zu prüfen und umzusetzen. Das können Unternehmen nutzen, um ihre Innovationsprozesse neu zu gestalten, oder auch jeder Einzelne für seine eigenen Neu-Kombinationen im Sinne von Open User Innovation nutzen. Siehe dazu Von Democratizing Innovation zu Free Innovation.
Entscheidend ist für mich, welche KI-Modelle dabei genutzt werden. Sind es die nicht-transparenten Modelle der Tech-Unternehmen, die manchmal sogar die Rechte von einzelnen Personen, Unternehmen oder ganzer Gesellschaften ignorieren, oder nutzen wir KI-Modelle, die frei verfügbar, transparent und für alle nutzbar sind (Open Source AI)?
Wissen spielt im Innovationsprozess eine wichtige Rolle. Um dieses Wissen nutzen zu können, sollten Sie zunächst die verschiedenen Schritte des Innovationsprozesses notieren. In der Abbildung sehen Sie dazu ein Beispiel.
Anschließend können Sie zu den einzelnen Schritten die jeweils benötigte(n) Wissensdomäne(n) notieren. Siehe dazu ausführlicher
Weitere Spalten Ihrer Analyse sind dann noch Technologie (Wo findet man die Wissensdomänen in technischen Systemen?), Organisation (Wo findet man die Wissensdomänen in der Organisation?) und Mensch (Bei wem findet man dazu noch weitere Expertise – speziell implizites Wissen?).
Diese Vorgehensweise kann auch für andere Prozesse genutzt werden. Beispielsweise für Projektmanagement-Prozesse usw. . Der Ansatz ist relativ einfach und ist daher gerade für Kleine und Mittlere Unternehmen (KMU) geeignet.
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:
In diesem Beitrag geht es mir darum aufzuzeigen, wie Künstliche Intelligenz bei Open Innovation genutzt werden kann. Wie der folgenden Tabelle zu entnehmen ist, kann zwischen der Verbesserung von Open Innovation durch KI (OI-Enhancing AI), einer Ermöglichung von Open Innovation durch KI (OI-Enabling AI) und der Ersetzung von Open Innovation durch KI (OI-Peplacing AI) unterschiedenen werden. Die jeweils genannten Beispiele zeigen konkrete Einsatzfelder.
Description
Examples
OI-Enhancing AI
AI that enhances established forms of open innovation by utilizing the advantages of AI complemented with human involvement
Innovation search Partner search Idea evaluation Resource utilization
OI-Enabling AI
AI that enables new forms of open innovation, based upon AI’s potential to coordinate and/or generate innovation
AI-enabled markets AI-enabled open business models Federated learning
OI-Replacing AI
AI that replaces or significantly reshapes established forms of open innovation
AI ideation Synthetic data Multi-agent systems
Quelle: Holgersson et al. (2024)
Alle drei Möglichkeiten – mit den jeweils genannten Beispielen – können von einem KI-Modell (z.B. ChatGPT oder Gemeni etc.) der eher kommerziell orientierten Anbieter abgedeckt werden. Dieses Vorgehen kann als One Sizes Fits All bezeichnet werden.
Eine andere Vorgehensweise wäre, verschiedene spezialisierte Trainingsmodelle (Large Language Models) für die einzelnen Prozessschritte einzusetzen. Ein wesentlicher Vorteil wäre, dass solche LLM viel kleiner und weniger aufwendig wären. Das ist gerade für Kleine und Mittlere Unternehmen (KMU) von Bedeutung.
Nicht zuletzt kann auch immer mehr leistungsfähige Open Source AI eingesetzt werden. Dabei beziehe ich mich auf die zuletzt veröffentlichte Definition zu Open Source AI. Eine Erkenntnis daraus ist: OpenAI ist kein Open Source AI. Die zuletzt veröffentlichten Modelle wie TEUKEN 7B oder auch Comon Corpus können hier beispielhaft für „wirkliche“ Open source AI genannt werden.
Weiterhin speilen in Zukunft AI Agenten – auch Open Source – eine immer wichtigere Rolle.
Wenn es um Open Innovation geht, ist meistens die Perspektive von Henry Chesbrough (2003) gemeint. Dabei geht es um die Öffnung des bis dahin hauptsächlich geschlossenen Innovationsprozesses (Closed Innovation) – eben Open Innovation. Zu beachten ist hier, dass der Autor den Begriff Open Innovation in Verbindung mit Unternehmen sieht. Wenig erforscht ist, dass auch viele Open Innovation Initiativen scheiterten und in dem Zusammenhang gestoppt wurden. Um dieses Closing Open Innovation geht es in dem folgenden Paper.
„Closing open innovation may refer to canceling a specific open innovation initiative and reducing a firm’s general use of open innovation (cf. Granstrand and Holgersson, 2014). In this article, we focus primarily on the closing of specific initiatives“ Holgersson, Marcus & Wallin, Martin & Chesbrough, Henry & Dahlander, Linus. (2022). CLOSING OPEN INNOVATION | Link.
Die Autoren verweisen auf verschiedene Unternehmensinitiativen. Beispielsweise auf eine Open Innovation Community, die Probleme mit der rechtlichen Situation hatte und geschlossen wurde. Weiterhin wird Quirky genannt, ein Start-up, das allerdings seine Betriebskosten nicht dauerhaft decken konnte – usw.
Es wird deutlich, dass mit dem Start einer Open Innovation Initiative in einer Organisation auch daran gedacht werden sollte, wie diese Initiative auch wieder beendet werden kann. Dieser Punkt soll natürlich kein KO-Kriterium für Open Innovation Initiativen in Organisationen sein, doch wurde Closing Innovation bisher zu wenig beachtet.
Darüber hinaus habe ich in unserem Blog schon mehrfach darauf verwiesen, dass es neben der Perspektive von Chesbrough auch noch die Perspektive von Eric von Hippel auf Open Innovation gibt. Eric von Hippel geht dabei nicht von Unternehmen/Organisationen, sondern von jedem Einzelnen aus – Free Innovation. Auch hier könnte es Sinn machen, über Closing Innovation nachzudenken.
Die nachfolgend genannten vier Innovationsprinzipien haben mich doch etwas zum Nachdenken angeregt. Nicht dass diese Prinzipien mich komplett überrascht hätten, doch möchte ich mich gerade mit den vierten Punkt etwas auseinandersetzen:
Principle 1: Build Innovations around experiences
Principle 2: Think of Innovations as Systems
Principle 3: Cultivate an Innovation Culture
Principle 4: Adopt a Disciplined Innovation Process
Quelle: Kumar, V. (2013): 101 Design Methods. A structured approach for driving innovation in your organization. John Wiley & Sons, Hoboken, New Jersey
Der vierte Punkt ist deshalb erstaunlich, das ein disziplinierter Innovationsprozess eingefordert wird. Vertreter der Ansätze Design Thinking, Lean und Agile Project Management argumentieren oft so, als ob sie keine Prozesse benötigen/wünschen. Dem ist wohl nicht so, denn durch Design Thinking wird die Ausrichtung auf die Kundenbedürfnisse, und durch Lean/Agile die iterative Umsetzung erreicht. Dieses Vorgehen kann auch als Prozess beschrieben werden, der allerdings etwas anders abläuft, als z.B. der klassische Stage-Gate-Ansatz. Dennoch gibt es in vielen Organisationen immer noch viele Bereiche, in denen sich ein klassischer Innovationsprozess anbietet. Unternehmen stehen also vor der Frage, wie beides zu verbinden ist. Ich habe den Eindruck, dass es zwischen beiden Exptrempositionen viele praktikable Ansätze gibt, die unternehmensspezifisch entwickelt werden sollten. Ein hybrider Ansatz ist dabei kein Dogma, sondern stellt die Pragmatik in den Vordergrund. Solche Zusammenhänge thematisieren wir auch in dem von uns entwickelten Blended Learning Lehrgang Innovationsmanager (IHK), der ab November 2017 wieder bei der IHK Rhein-Neckar in Mannheim angeboten wird. Weitere Informationen zu unseren Lehrgängen finden Sie auf unserer Lernplattform.
Oft wird behauptet, dass sich Innovationen am Bedarf orientieren sollen. Was ist aber, wenn die Zielgruppe den Bedarf gar nicht richtig formulieren kann? Im Innovationsprozess ist so eine Situation durchaus oft anzutreffen. An solchen Stellen kann die Conjoint-Analyse helfen; „Bei der Conjoint-Analyse geht es darum, die aus Kundensicht idealen Eigenschaften eines Produktes differenziert zu ermitteln und zu beschreiben. In der Praxis hat sich das Verfahren vor allem bei der Entwicklung neuer bzw. modifizierter Produkte bewährt. Die Conjoint-Analyse (Präferenzanalyse) hat den Vorteil, sehr realitätsnah zu sein, da die Kunden die Produkte und Leistungen in ihrer Gesamtheit bewerten müssen“. Die Conjoint-Analyse kann z.B. als Vorstufe für QFD (Quality Function Deployment) eingesetzt werden. Solche Zusammenhänge besprechen wir in dem von uns entwickelten Blended Learning Lehrgang Innovationsmanager (IHK). Informationen zum Lehrgang finden Sie auf unserer Lernplattform.
In dem Fraunhofer-Magazin weiter.vorn 1/2016 (PDF) wird in dem Artikel Adern aus dem Drucker ( S. 32-33) beschrieben, wie künstliche verzweigte Blutgefäße aus neuartigen Materialien mit Hilfe von 3D-Druckverfahren hergestellt werden:
Herkömmliche künstliche Hautmodelle bestehen meist aus den beiden obersten Schichten der Haut. Ein internationales Forscherteam entwickelte ein dreilagiges Vollhautmodell aus Unterhautfett, Dermis und Epidermis. Ein Schlüssel zum Erfolg: Den Experten gelang es mit einem 3D-Druckverfahren, künstliche verzweigte Blutgefäße aus neuartigen Materialien herzustellen.
Es ist immer wieder beeindruckend zu sehen, wie schnell die neuen Möglichkeiten von 3D-Druck bzw. Additive Manufacturing angewendet werden. Neben der Verbesserung von aktuellen Verfahren werden 3D-Druck und Additive Manufacturing auch Geschäftsmodelle in allen Branchen verändern. Solche Zusammenhänge besprechen wir auch in dem von uns entwickelten Blended Learning Lehrgang Innovationsmanager (IHK). Informationen dazu finden Sie auf unserer Lernplattform.
Die Studie von der Boston Consulting Group (BCG) zu den innovativsten Unternehmen im Jahr 2015 (PDF) zeigt Apple, Google und Tesla Motors auf den ersten Plätzen. Interessant ist, dass 38 von 50 aufgeführten Organisationen, Non-Tech Unternehmen sind. Weiterhin wird deutlich, dass Deutschland mit BMW (7.) und Daimler (10.) unter den Top10 vertreten ist. Deutschland lebt hauptsächlich von Branchen, die sich um1900 etabliert haben: Automobilindustrie, Chemie, Versicherungen, Elektronik… Mal sehen, wie lange das noch gut geht. Interessant ist, dass bei diesen innovativen Unternehmen, folgende Erfolgsfaktoren zu finden sind:
The rising need for speed in innovation. Markets are moving faster. Innovation must too.
Strong innovatots are lean innovators. For speed and efficiency, lean is on the rise.
Enabling technology – Enabled innovation. Innovators across industries need to embrace technology.
The prerequsites of profitable adjacent growth. Innovating outside the core is challenging but essential.
Da die großen Unternehmen z.B. die höhere Geschwindigkeit in Innovationsprozessen an ihre Lieferanten weitergeben, müssen auf kurz oder lang alle innerhalb einer Wertschöpfungskette schnellere Innovationsprozesse etablieren. Doch wie ist das möglich, ohne höhere Kosten zu haben oder den Qualitätsanspruch zu reduzieren? Solche Themen besprechen wir auch in dem von uns entwickelten Blended Learning Lehrgang Innovationsmanager (IHK). Informationen dazu finden Sie auf unserer Lernplattform.
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.
