Veröffentlicht am

Freund, R., Anisic, Z. (2026): Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs – Abstract

Freund, R., Anisic, Z. (2026): Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs, in Anisic, Z., Forza, C. (Eds): Proceedings of the 12th International Conference on Customization and Personalization, September 17-18, 2026, Balatonfüred, Hungary, pp. 86-95 · 17. Sep. 2026

Abstract: Digital sovereignty is increasingly critical for innovative small and medium-sized enterprises (SMEs) in Europe, particularly as dependence on proprietary cloud AI systems raises concerns around data control, transparency, and cost predictability. This paper examines how European SMEs can design resilient, AI-driven innovation processes while preserving full control over their data and infrastructure. Drawing on a conceptual framework supported by proof-of-concept implementations, we analyse Europe’s rights-based approach to AI governance under the EU AI Act and contrast it with the market-oriented model of the United States and the state-controlled paradigm of China. We then demonstrate, step by step, how a coherent digital sovereignty stack, comprising Nextcloud as a sovereign collaboration platform, LocalAI for on-premise model deployment, European open-source large language models (including Teuken-7B and EuroLLM), open data sources, and open-source AI agents coordinated via the Model Context Protocol (MCP) can be integrated to support all four stages of the SME innovation process. Challenges including hidden implementation costs, AI hallucinations, vendor lock-in, and the need for Explainable AI (XAI) are critically discussed. The paper concludes with a scalable, layered framework enabling European innovative SMEs to achieve AI-driven innovation with full digital sovereignty.

Veröffentlicht am

KI-Modelle: Mistral Large 4 veröffentlicht

Ausschnitt aus der Open Street Map zu europäischen KI-Modellen
https://umap.openstreetmap.de/de/map/open-source-ai-in-europe_148154#6/49.952292/9.706089

In den letzten Jahren wird immer deutlicher, dass es bei großen KI-Modellen (LLMs: Large Language Models) nicht alleine darum geht, in spezifischen technischen Tests (Benchmarks) ganz vorne zu sein. Es geht vielmehr immer mehr darum, dass das KI-Modell die europäischen Werte mit den europäischen Rechten, ethischen und moralischen Grundsätzen respektiert, und dass die generierten Daten in Europa bleiben. Die Bewertungskriterien für leistungsfähige KI-Modelle verschieben sich – nicht nur in Europa sondern weltweit – zu einer eher ganzheitlichen Bewertung.

In Europa spielt dabei – unter anderem – Mistral AI eine wichtige Rolle. Das französische Unternehmen hat von Anfang an auf Open Source AI und Open Weight Modelle gesetzt. Die ganze Modellfamilie wurde nun an der Spitze durch Mistral Large 4 ergänzt. In meiner OpenStreetMap zu europäischen Open Source und Open Weight Modellen, habe ich das Modell ergänzt (Abbildung).

Wie der Name es schon vermuten lässt, ist es ein sehr großes Modell, das für große Organisationen interessant ist, die sicherheitsrelevante Daten verarbeiten möchten. Auch ist das Coding in dem Modell eine Stärke, die sich gegenüber den proprietären KI-Modellen aus den USA nicht verstecken muss. Große Organisationen mit entsprechender Hardware-Infrastruktur können sich Mistral Large 4 herunterladen – ganz im Sinne der eigenen KI-souveränität.

Natürlich gibt es bei Mistral AI auch kleinere KI-Modelle, die es auch KMU ermöglicht, ein digital souveränes eigenes KI-System zu nutzen. Wie man so ein europäisches KI-System, das Mistral AI nutzt, für innovative KMU entwickeln kann, habe ich in meinem Paper auf der MCP-CE 2026 in Ungarn beschrieben.

Freund, R., Anisic, Z. (2026): Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs. International Conference MCP 2026, 16.-19.09.2026, Balatonfüred, Hungary.

Veröffentlicht am

KI-Modelle sind selten das Rendite-Problem

Image by un-perfekt from Pixabay

In der aktuellen Situation um KI-Modelle und KI-Agenten wird häufig argumentiert, dass die Abrechnung in Token ein großes Problem darstellt. Dabei ist es am Anfang oft unklar, welche Kosten bei der Nutzung von KI-Systemen wirklich entstehen. Siehe dazu auch Wirtschaftlichkeit von KI-Agenten: Warum kommt es bei den Token-Kosten oft zu regelrechten Abrechnungsschocks?

Solche technologischen Aspekte überlagern dabei die Kosten, die in der Organisation und bei den Mitarbeitern entstehen. In einem Gesamtsystem Mensch, Organisation und Technologie (MOT-Modell) ist es wichtig, einzelne Elemente sinnvoll auf das eigene Geschäftsmodell und die dazu erforderlichen Geschäftsprozesse abzustimmen.

Gerade Kleine und Mittelständische Unternehmen (KMU) mit ihren begrenzten Ressourcen sollten darauf achten, das gesamte KI-System auf ihre Organisation abzustimmen und nicht immer nur dem nächsten technologischen Hype hinterherzujagen. In einem lesenswerten Artikel stellt M. Kramer ausführlich dar, dass dieser rein Tech-getriebene Ansatz nicht wirtschaftlich ist.

„None of this lessens the technology. Models will keep improving, and that progress matters. But the next wave of AI value will come less from models becoming more capable and more from organisations becoming more capable of using them. Capability sets what is possible. The operating model decides how much of that possibility the business ever sees“ Kramer, M. (2026) Analyst Insights: The AI ROI Problem Is Rarely the Model.

Wie man in einem mittelständischen Unternehmen vorgehen kann, habe ich in dem Blogbeitrag KI-System im Mittelstand: Von der Wissensbilanz lernen grob dargestellt.

Veröffentlicht am

KI-System im Mittelstand: Von der Wissensbilanz lernen

In der aktuellen Diskussion um Künstliche Intelligenz kann man den Eindruck gewinnen, dass es fast täglich um neue, technische Möglichkeiten geht. Diese Neuerungen bei den Anwendungen sind allerdings so schnell, dass sie kaum noch in die Organisationsprozesse eingebunden, und von Mitarbeitern aufgenommen werden können.

Die Priorisierung von Technologie (T) im Vergleich zur Organisation (O) oder auch zu den Menschen (M) kann als TOM-Modell bezeichnet werden, in dem es zu einer asymmetrischen Beschleunigungssituation kommt, die gerade für Kleine und Mittlere Unternehmen (KMU), mit traditionell relativ wenig Ressourcen, gefährlich werden kann. KMU werden in diesem Modell zu getriebenen der Technologie und der KI-Modelle der Marktführer.

Eine ähnliche Entwicklung hatten wir schon einmal im Wissensmanagement, das auch zunächst vom TOM-Modell ausgegangen war. Mit dem besseren Verständnis von „Wissen“ – insbesondere die wichtige Rolle des impliziten Wissen – veränderte sich der Blick auf den Umgang mit Wissen. Das TOM-Modell wurde zum MOT-Modell mit dem Menschen (M) am Beginn von Überlegungen, der Organisation (O) und der Technologie (T). Allerdings war das nicht unbedingt als Reihenfolge zu verstehen, da ja alles mit allem zusammenhängt.

Letztendlich führten die Überlegungen zu der Erkenntnis, dass es sich beim Wissensmanagement eher um ein Wissenssystem handelt, in dem alles miteinander verbunden ist, und somit ein komplexes Wirkungsnetz entsteht. Darin gibt es Elemente, die sich gegenseitig selbst verstärken und auf den Erfolg der Organisation wirken (Generatoren).

Prinzipieller Aufbau eines Wirkungsnetzes ( In Anlehnung an Schels/Seidel, 2020)

Übertragen auf die Entwicklungen bei Künstlicher Intelligenz sollte ein Kleines und Mittleres Unternehmen (KMU) wie folgt vorgehen, um sein eigenes KI-System sinnvoll zu entwicklen:

Geschäftsprozesse beschreiben (max. 3)

Mensch: Kompetenzen in Bezug auf Künstliche Intelligenz definieren (3-5)

Organisation: Rahmenbedingungen beschreiben (3-5)

Technik: In Bezug auf Künstliche Intelligenz festlegen (3-5)

Stellen Sie nun alle 12 (mindestens) Einflussfaktoren miteinander in Beziehung und bewerten Sie möglichst im Team, wie stark der eine Einflussfaktor auf einen anderen Einflussfaktor wirkt (0, 1, 2, 3). Abschließend addieren Sie die Werte je Zeile (Aktivsumme) und in den Spalten (Passivsumme). Ein hoher Wert bei der Aktivsumme bedeutet, dass dieser Einflussfaktor stark auf das gesamte KI-System wirkt. Ein hoher Wert bei der Passivsumme bedeutet, dass das KI-System stark auf diesen Einflussfaktor wirkt. Abschließend wäre es noch möglich, Generatoren im System aufzuspüren, um sich mit den abzuleitenden Maßnahmen darauf zu konzentrieren.

Die Entscheidung für den Einsatz von KI und die Auswahl geeigneter Anwendungen sind für jedes einzelne KMU höchst individuell (Mittelstand Digital Focus Mensch, 2026).

Auf der internationalen Konferenz MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich auf diese Zusammenhänge in einem Paper ein.

Veröffentlicht am

Künstliche Intelligenz und die Kompetenz-Illusion

Image by StockSnap from Pixabay

Kompetenzen zu entwickeln, und somit die Herausforderungen eines eines komplexen Umfeldes zu bewältigen, ist heute eine der wichtigsten Fähigkeiten. Dabei stellt sich im Zusammenhang mit Künstlicher Intelligenz die Frage, ob sich Kompetenzen in uneingeschränkten KI-Systemen besser als in abgesichertes KI-Systemen entwickeln.

„However, when later assessed, the students that relied on the unrestricted system underperformed, suggesting weaker long-term skill acquisition and an “illusion of competence”, in which task performance improved without durable learning. By contrast, the safeguarded tutoring system reduced the negative effects by using guided hints and stepwise reasoning that emulates effective instructional practices“ (UN, 2026).

In einem uneingeschränkten KI-System verbesserte sich zwar die Aufgabenbearbeitung, doch trat kein nachhaltiger Lernerfolg ein – es kam zu einer Kompetenz-Illusion. In einem abgesicherten Tutoren-System konnten diese Nachteile vermieden werden, sodass es zu einer Kompetenzentwicklung gekommen ist.

Ich halte die Unterscheidung zwischen einer durch KI erreichte Kompetenz-Illusion und einer nachhaltigen Kompetenzentwicklung für entscheidend. Seihe dazu auch Kompetenz und Kompetenzmanagement.