Mit Explainable AI (XAI) sollen KI-Systeme transparent, nachvollziehbar und überprüfbar gemacht werden. in dem Zusammenhang kommt dem Reasoning eine besondere Rolle zu:
„Unter Reasoning versteht man den Prozess, bei dem ein KI-System seine internen Schlussfolgerungen sichtbar macht, etwa in Form logisch strukturierter Argumentationsketten oder textuell formulierter Teilschritte (sogenannter Chains-of-Thought)“ (Mittelstand Digital Fokus Mensch (2026): Digitale Souveränität als Basis für sichere KI-Anwendungen).
XAI und Reasoning ermöglichen es gerade Kleinen und Mittleren Unternehmen die jeweiligen Prozessschritte zumindest teilweise nachzuvollziehen.
„Transparenz allein genügt nicht, wenn die Systeme nicht kontrolliert, erweiterbar und datensouverän betrieben werden können“ (ebd.).
Gerade KMU sollten darauf achten, wenn sie Künstliche Intelligenz in ihre Prozesse einbinden wollen. XAI, Reasoning, Open Data und Open Source AI bieten hier geeignete Möglichkeiten, einen unternehmensspezifischen Mix zu finden.
Open Data and Open Source AI – a perfect match – ganz im Sinne einer Digitalen Souveränität.
Wie die proprietären KI-Modelle wie ChatGPT, Gemini, Anthropic, Grok, Claude etc. funktionieren, ist oft nicht transparent, wodurch sich letztendlich auch kein wirkliches Vertrauen in diese Systeme aufbauen kann – it all starts with trust.
Es ist daher nur konsequent, wenn immer mehr Einzelpersonen, Unternehmen und Öffentliche Verwaltungen auf offene und transparente KI-Modelle setzen. In dem Zusammenhang gibt es auch ein Forschungsfeld, das sich mit den damit einhergehenden Fragestellungen befasst.
„Explainable AI (XAI) – Forschungs- und Anwendungsfeld der Künstlichen Intelligenz, das Methoden entwickelt, um Entscheidungen, Vorhersagen oder generierte Inhalte von KI-Systemen transparent, nachvollziehbar und überprüfbar zu machen. Ziel ist es, Vertrauen zu schaffen und Fehlentscheidungen zu vermeiden.“ (Mittelstand Digital Fokus Mensch (2026): Digitale Souveränität als Basis für sichere KI-Anwendungen).
Es stellt sich dabei natürlich gleich die Frage, was das z.B. für Kleine und Mittlere Unternehmen (KMU) in der Praxis bedeuten kann. „Gerade in geschäftskritischen Anwendungen ist Vertrauen in die Funktionsweise von KI-Systemen unerlässlich“ (ebd.). Solche Anwendungen sind ganz besonders Innovationsprozesse. Da sich gerade der deutsche Mittelstand innovativ ausrichtet, ja ausrichten muss, kommt Explainable AI (XAI) ein große Bedeutung zu.
Das Fraunhofer Institut hat dazu eine eXplainable Artificial Intelligence (XAI)-Toolbox entwickelt: „Das heißt, die Toolbox kann z. B. zur Datenanalyse, zum Debugging und zur Erklärung der Vorhersage eines beliebigen Black-Box-Modells eingesetzt werden“ (ebd.).
Generative Künstliche Intelligenz (GenKI) ist gerade bei Kleinen und Mittleren Unternehmen (KMU) ein spezielles Thema, da KMU oftmals undermanaged und underfinanced sind. KMU müssen daher beim Einsatz von Künstlicher Intelligenz darauf achten, dass nicht unnötig Ressourcen verschwendet werden. Dazu gehört auch, von Anfang an einen angemessenen Weg zur Nutzung Künstlicher Intelligenz einzuschlagen.
Damit meine ich nicht zu entscheiden, ob man ChatGPT, Gemini, Grok, Anthropic usw. einsetzen möchte, denn diese KI-Modelle (LLM: Large Language Models) sind eher proprietäre LLM, also herstellergebundene KI-Modelle mit Vor- und Nachteilen.
Die Abbildung zeigt dazu eine einfache Gegenüberstellung von Open Source LLM und proprietärer LLM. Es wird deutlich, dass die Einstiegshürden bei Open Source LLM zwar höher sind, doch die Open Source LLM bei Kosten, Datenschutz und Anpassung besser abschneiden. Was noch beobachtet werden muss, ist das jeweilige Leistungsniveau, das sich bei den Open Source LLM in den letzten Jahren stark verbessert hat.
Vor zwei Jahren dominierten proprietäre Modelle den Markt. Inzwischen hat sich viel getan. Beispiele sind Meta LLaMA 3, Mistral & Mixtral, Falcon, Gemma, OpenHermes und Ökosystem-Tools (Plattformen wie HuggingFace).
Kurz gesagt: Open-Source LLMs sind nicht mehr nur Forschungsprojekte, sondern in vielen Szenarien produktionsreif.
Quelle: vgl. Mittelstand Digital Fokus Mensch (2026): Digitale Souveränität als Basis für sichere KI-Anwendungen. EIN KURZLEHRBUCH | PDF
Gerade für Kleine und Mittlere Unternehmen (KMU) ist es an der Zeit, auf Basis von Open Source AI ihre eigene Digitale Souveränität aufzubauen. Mit dem genannte Handbuch können Sie sich ausführlicher darüber informieren und anfangen, entsprechende Kompetenzen aufzubauen.
Eigene Darstellung; vgl. Wissensbilanz 2.0 aus dem Jahr 2013
In Organisationen gibt es verschiedene Wissensbereiche, die miteinander vernetzt sind, und sinnvoll auf die zu erzielenden Ergebnisse abgestimmt werden sollten. Die Frage ist allerdings: Wie kann so ein Wissenssystem gesteuert werden, wenn alles mit allem zusammenhängt? Gerade in Kleinen und Mittleren Unternehmen (KMU) ist es Führungskräften oft nicht klar, wie sie mit so einem komplexen System umgehen können (es managen können).
Eine Lösung bietet hier die Wissensbilanz, mit einer von Fraunhofer Institut entwickelten Vorgehensweise, an, die dann zu verschiedenen Ergebnissen führen (Abbildung). Um dahin zu kommen, müssen Vorarbeiten geleistet werden.
In Workshops erstellt zunächst ein Team aus der Organisation eine Wirkungstabelle (Wirkungsnetz), in der alle Einflussfaktoren aus den Bereichen Humankapital (HK), Strukturkapital (SK) und Beziehungskapital (BK), Geschäftsprozesse (GP) und Geschäftsergebnisse (GE) zueinander in Beziehung gesetzt werden. Damit die Qualität der Ergebnisse gesichert ist, sollte der Prozess in der Organisation moderiert werden. Es handelt sich dabei also nicht um eine Beratung.
In der Abbildung sehen Sie ein visualisiertes Teilergebnis aus dem Wirkungsnetz, wobei die Abhängigkeiten auch noch mit ihren zeitlichen Wirkungen zu erkennen sind. Darüber hinaus ist auch deutlich zu sehen, dass es einen sich selbst verstärkenden Regelkreis (Generator) gibt. Solche Erkenntnisse sind wichtig, um das gesamte Wissenssystem sinnvoll zu steuern. Sinnvoll meint hier, in Abhängigkeit der in der Organisation vorhandenen Ressourcen.
In vielen Organisationen gibt es die klassische Unternehmenssoftware für kaufmännische und technische Prozesse. Diese ERP (Enterprise Resource Planning) Systeme haben manchmal keine Anwendungen für die Abbildung von Projekten. Da die Projektarbeit zunimmt, versuchen Mitarbeiter zunächst mit Hilfe von Exceldateien, die Projektarbeit zu unterstützen. Fortgeschrittene nutzen dabei Microsoft Project, da sie die entsprechenden Microsoft Lizenzen haben.
Bei Kleinen und Mittleren Unternehmen (KMU) ist das nicht immer der Fall, sodass man nach Alternativen sucht. In unserem Blog habe ich schon öfters dazu geschrieben, wie eine Kollaborationsplattform auf Open Source Basis aussehen kann, die eine Cloudanwendung, Videokonferenzen, Whiteboards, OpenProject und sogar LocalAI integriert. Wie gesagt: Alles Open Source, wobei alle Daten auf unseren Servern bleiben.
Zwischen den beiden Extremen (Exceldateien – Kollaborationsplattform) istProjectLibre anzusiedeln. Die frei verfügbare Software kann lokal installiert und relativ einfach genutzt werden. Die Abbildung zeigt einen Ausschnitt von einem Beispielprojekt, das ich in ProjektLibre angelegt habe. Es sind die Phasen, die Vorgänge (Arbeitspakete), Meilensteine und der Kritische Weg zu erkennen. Darüber hinaus können auch Ressourcen und Kosten etc. hinterlegt werden.
Die moderne Arbeitswelt macht es erforderlich, immer komplexere Aufgabenstellungen zusammen mit anderen zu bearbeiten, und möglichst zu lösen.
Das RKW (Rationalisierungs- und Innovationszentrum der Deutschen Wirtschaft e.V) bringt immer wieder Unterlagen heraus, die gerade für Kleine Mittlere Unternehmen (KMU) gut nutzbar sind. Diesmal geht es um die Veröffentlichung RKW (2025): Teamradar. Survival Guide für smarte Teamarbeit und clevere Konfliktlösung. Auf der Website kann der Leitfaden – immerhin 50 Seiten – als PDF-Datei kostenfrei heruntergeladen, und von vielen genutzt werden:
„Für alle, die in Teams Verantwortung übernehmen – ob als Führungskraft, Projektleitung oder Teammitglied. Besonders für KMU bietet das Teamradar eine praxisnahe Methode, um die Potenziale von Vielfalt und Unterschiedlichkeit produktiv zu nutzen“ (ebda.).
Es ist gut, wenn viele Zusammenhänge aufgezeigt werden und die Möglichkeit besteht, die Inhalte für seine Organisation umzusetzen. Für Kleine Unternehmen ist das etwas zu viel des Guten, für Mittelständler kann der umfangreiche Leitfaden Sinn machen. An dieser Stelle möchte ich noch folgendes anmerken:
Es wird zunächst nicht zwischen Teamarbeit und Projektarbeit unterschieden, obwohl die Projektleitung als Zielgruppe benannt ist.
Weiterhin gibt es in dem Kapitel „Teamprofile: Zwischen Tun und Lassen: Teamkompetenzen neu denken“ noch den einen oder anderen Punkt:
„Manchmal läuft ein Team wie ein Uhrwerk – alles greift ineinander, die Dinge kommen ins Rollen. Manchmal aber fehlt genau das Zahnrad, das alles verbindet“ (ebda.).
Anmerkung: Die Verwendung der Metapher „Zahnrad“ konterkariert das Ziel, Teamarbeit zu beschreiben und zu entwickeln. Menschen als Zahnräder haben als Metapher ausgedient. Zahnräder haben keine Emotionen, Menschen schon. Meier (2022) führt dazu aus: „“Kulturen sind in undurchschaubarer Weise verwobene Netze von Handlungen, Gegenständen, Bedeutungen, Haltungen und Annahmen. Und eben keine mechanischen Uhrwerke, bei denen voraussehbar ist, welche Veränderung sich ergibt, wenn man bei einem Zahnrad die Anzahl der Zähne vergrößert oder verkleinert.“
Weiterhin werden drei Teamkompetenzen genannt: Umsetzungsfähigkeit, Strategiefähigkeit und Anpassungsfähigkeit. Der Begriff „Teamkompetenzen“ kommt ansonsten nur in der Kapitelüberschrift und im Inhaltsverzeichnis vor.
Anmerkung: Fähigkeiten werden erst im Handeln manifest, außerhalb der Handlung haben sie keine Wirklichkeit. Das Handeln, die Performanz steht im Mittelpunkt. Insofern können Fähigkeiten keine Kompetenzen sein.
Teamprofile: Die Eule, Die Ameise, Der Oktopus, Der Fuchs, Der Dachs, Der Delfin, Das Arbeitspferd.
Die allseits bekannte ISO 9001 für Qualitätsmanagementsysteme liegt aktuell noch in der Version aus dem Jahr 2018 vor – es wird Zeit für ein Update, an dem auch schon gearbeitet wird. In der ISO 9001:2026 sollen viele neue Themen enthalten sein.
„Die Integration von KI und digitalen Tools zur Unterstützung von Qualitätssystemen soll aufgenommen werden – ein echtes Novum. Ein Fokus wird auf der Risiko- bzw. Chancenidentifikation ruhen – das ist sicher. Die Nachhaltigkeit wird an Bedeutung gewinnen, die ISO 9001 wird zur Basis für die Integration von ESG und CSRD – Details noch unbekannt. Aber auch Lieferkettenmanagement, organisatorisches Wissen, Change- und Resilienzmanagement sollen vertieft behandelt werden – lassen wir uns überraschen“ (Funk 2025, QZ News vom 15.08.2025).
Es ist gut, wenn ein Managementsystem alle wichtigen Themen der heutigen Realität abbildet. Dennoch könnte es sein, dass man die Norm mit den vielen Handlungsfeldern überfrachtet, und Organisationen dadurch überfordert. Was in der Endfassung herauskommt ist – wie gesagt – allerdings noch nicht klar.
Ich bin gespannt, ob es in der Norm auch eine Art Wirkungsnetz gibt aus dem hervorgeht, welche Einflussfaktoren für die jeweilige Organisation in den Fokus rücken sollten – also zu managen sind. Bei der Wissensbilanz – Made in Germany war so ein Wirkungsnetz Bestandteil der Vorgehensweise für ein Wissensmanagement-System. Ich habe damit gute Erfahrungen gemacht.
Gerade Kleine und Mittlere Unternehmen (KMU) tun sich oft mit der Komplexität des gesamten Management-Systems schwer, da ja alles mit allem zusammenhängt. Ein Wirkungsnetz mit den daraus abgeleiteten Generatoren hilft also KMU, das immer komplexer werdende Managementsystem effektiv und effizient zu bewältigen.
An AI router that understands the capabilities of models in its library directs a given inference request to the best model able to perform the task at hand (Thomas et al. 2025)
Wenn es um die bei der Anwendung von Künstlicher Intelligenz (GenAI) verwendeten Trainingsmodelle geht, stellt sich oft die Frage, ob ein großes Modell (LLM: Large Language Model) für alles geeignet ist – ganz im Sinne von „One size fits all“. Siehe dazu diesen Blogbeitrag zu den Vorteilen und Nachteilen dieser Vorgehensweise.
Neben den genannten Extremen gibt es noch Modelle, die dazwischen anzusiedeln sind, und daher als „midsized“ bezeichnet werden können.
Diese drei Möglichkeiten sind beispielhaft in der Abbildung unter „Sample of model ecosystem“ zusammengefasst. Erfolgt also eine neue Anfrage über den „New data point“ an den AI Router, so kann der vorher trainierte AI Router das geeignete Trainingsmodell (Small, Midsized, Large) zuweisen.
Die Autoren (Thomas et al. 2025) konnten in verschiedenen Tests zeigen, dass ein guter Mix an geeigneten Modellen, zusammen mit einem gut trainierten AI Router bessere und wirtschaftlichere Ergebnisse erzielt.
Die Vorteile liegen auf der Hand: Sie sparen Geld, reduzieren die Latenz und helfen der Umwelt. Diese Punkte sind gerade für Kleine und Mittlere Unternehmen (KMU) interessant.
Die Überschrift ist reißerisch und soll natürlich Aufmerksamkeit generieren. Dabei stellt man sich natürlich gleich die Frage: Wie kommt das? Geschickt ist, dass Gartner selbst die Antwort gibt:
„Over 40% of agentic AI projects will be canceled by the end of 2027, due to escalating costs, unclear business value or inadequate risk controls, according to Gartner, Inc.“ (Gartner vom 25.06.2025).
Es ist nun wirklich nicht ungewöhnlich, dass in der ersten Euphorie zu Agentic AI alles nun wieder auf ein sinnvolles und wirtschaftliches Maß zurückgeführt wird. Dennoch haben Unternehmen, die entsprechende Projekte durchgeführt haben, wertvolles (Erfahrungs-)Wissen generiert.
Schauen wir uns in diesem Zusammenhang den bekannten Gartner Hype Cycle 2025 an, so können wir sehen, dass AI Agents ihren „Peak of Inflated Expectations“ erreicht haben, und es nun in das Tal „Through of Desillusionment“ geht. Dabei wird in dem oben genannten Artikel natürlich auch darauf hingewiesen, dass Gartner gerne beratend behilflich ist, Agentic AI wirtschaftlicher und besser zu gestalten. Honi soit qui mal y pense.
Dennoch können gerade Kleine und Mittlere Unternehmen (KMU) von dieser Entwicklung profitieren, indem sie bewusst und sinnvoll KI Agenten nutzen. Am besten natürlich in Zusammenhang mit Open Source AI. Komisch ist, dass Open Source AI in dem Gartner Hype Cycle gar nicht als eigenständiger Begriff vorkommt. Honi soit qui mal y pense.
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.
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.
