Veröffentlicht am

McKinsey Global Institute (2026): The AI Economy

AdobeStock_650993865-scaled-1-1024×614.jpeg

Wenn sich Berater zu etwas äußern steckt oft das Ziel dahinter, einen Bedarf aufzuzeigen, um dann daraus abgeleitet Aufträge zu generieren. Insofern schaue ich z.B. auf die folgende Veröffentlichung (positiv) kritisch. Dennoch möchte ich auf die in der Zusammenfassung genannten Punkte eingehen.

MGI (2026): AI Economy (2026): AI Economy. Interconnected forces, feedback loops, and speeds of change. Discussion Paper. MGI, 10.09.2026.

MGL: AI’s advance will leave few of us unaffected.
Dass kaum jemand nicht von AI berührt ist oder sein wird, ist nicht gerade eine neue Erkenntnis. AI wird sich auch auf die Beraterbranche auswirken. Warum sollte ich teure Berater beauftragen, wenn ich einen Großteil der Themen von einem AI-Modell bearbeiten lassen kann?

MGI: Answering big questions about AI means seeing the whole picture, not just focusing on the technology.
Mein Kommentar: Das ist bemerkenswert, da es ja gerade die großen Beratungsgesellschaften waren, die die Technologie in den Mittelpunkt ihrer Tätigkeiten (Transformationen) gestellt haben. Jetzt dämmert es langsam, dass das nicht ausreicht. In manchen Bereichen ist es möglicherweise etwas zu spät, da dort schon ein technologischer Lock-in stattgefunden hat, aus denen Organisation nur mit viel Aufwand wieder herauskommen (Switching Costs).

MGI: Risks and bottlenecks arise because different parts of the AI system are moving at vastly different paces. 
Mein Kommentar: Hier geht es um das KI-System, dessen Teile unterschiedliche Geschwindigkeiten haben. Das ist bei technologischen Entwicklungen nicht ungewöhnlich – der Hinweis darauf also eher banal.

In the AI era, leaders must therefore learn to manage at multiple speeds.
Mein Kommentar: Den Umgang mit unterschiedlichen Geschwindigkeiten müssen also Führungskräfte heute lernen. Von wem, von McKinsey? Den Hinweis darauf, dass eine Systembetrachtung die Möglichkeit bietet, mit so komplexen Problemstellungen hilfreich ist, kann ich nur zustimmen. Wenn man alle Akteure eines gesellschaftlichen Systems betrachtet, ist AI allerdings nur eine Komponente und nicht die Dominierende. Kern eines gesellschaftlichen Systems sind die Menschen, die sich in Europa beispielsweise zu bestimmten Werten verpflichtet haben. Diese sind dann auch bindend für AI-Modelle – nicht umgekehrt.

Die Veröffentlichungen von Beratern sind oftmals gut aufbereitet und werden von Business-Leuten gelesen. Auch der Name McKinsey Global Institute gibt McKinsey’s publications and research give a „quasi-academic“ image (vgl. Wikipedia). Quasi akademisch ist eben nicht wirklich akademisch, also wissenschaftlich.

Doch: Wer liest schon wissenschaftliche Veröffentlichungen? Ich, und es ist spannender als viele denken! Siehe dazu auch meine beiden Paper zur MCP-CE 2026:

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

Freund, R. (2026): Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework – Abstract

Veröffentlicht am

Democratizing Serbia – Democratizing Innovation – Democratizing Fabrication – Democratizing AI

Es sind alle mehr oder weniger überrascht: Die Wähler in Serbien haben das Regime um Vucic abgewählt. Angefangen hat alles vor zwei Jahren mit der Katastrophe am Bahnhof in Novi Sad (Serbien). Danach haben sich Netzwerke zu der Initiative Studentenliste – Studenten gewinnen organisiert – basisdemokratisch, von unten, mit der Keimzelle in Novi Sad.

Dabei hat diese Initiative bewusst darauf verzichtet, eine Art Leitfigur wie in Ungarn zu etablieren. Der Star ist also hier nicht – wie in vielen anderen Parteien – eine einzige Person, sondern das Netzwerk. Ich sehe hier deutliche Parallelen zu Open User Innovation. Warum?

Zunächst einmal kann diese politische Entwicklung in Serbien als Innovation im Sinne des Oslo Manuals gesehen werden. Es ist sogar im engeren Sinne eine Household Innovation, auf die sich Eric von Hippel in seinen Arbeiten zu Open User Innovation seit Jahrzehnten bezieht. Er bezeichnet das als Free Innovation oder auch Democratizing Innovation. Solche Bottom-Up-Ansätze sind bei vielen Dienstleistungen und Produkten schon mehrfach nachgewiesen worden. Meines Erachtens ist auch der Wahlausgang in Serbien dafür ein gutes Beispiel – nur eben auf der sozialen, politischen Ebene.

Diese Einschätzung habe ich nicht als eine Person, die sich alles aus Deutschland „vom Sofa aus“ ansieht, sondern als jemand, der an der Universität in Novi Sad eine Konferenzreihe zu Mass Customization and Personalization (MCP-CE) etabliert hat, die schon seit 2004 alle 2 Jahre durchgeführt wird: Wegen den Repressionen an der Universität Novi Sad haben wir uns in diesem Jahr dazu entschlossen, die Konferenz in Balatonfüred (Ungarn) durchzuführen. Dort habe ich auch mein Paper vorgestellt:

Freund, R. (2026): Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework – Abstract.

Die basisdemokratische Organisation mit ihrer Offenheit, Teilhabe und Transparenz (Democratizing Serbia) spiegelt sich in kollaborativen, nutzerzentrierten Innovationsprozessen (User Innovation) wider – Democrazizing Innovation. Da ich in meinem Paper auch auf Personal Fabrication und Open Source AI hingewiesen habe, kann man alles wie folgt zusammenfassen:

Democratizing Serbia – Democratizing Innovation – Democratizing Fabrication – Democratizing AI

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

Digitale Souveränität: Nextcloud und Olmo 3 – a perfect match

Nextcloud nutzen wir schon lange als Alternative zu den bekannten Microsoft-Anwendungen. In Nextcloud ist es auch möglich, KI-Modelle zu integrieren. Im Vergleich zu Microsoft kann man auswählen, welches KI-Modell man nutzen möchte.- ein großer Vorteil.

Im Sinne einer Digitalen Souveränität ist es dabei natürlich sinnvoll, auf Open Weight Modelle wie Mistral AI zu setzen, oder sogar ein Open Source Modell wie Ollmo 3 zu nutzen. Es wundert daher nicht, dass Nextcloud Ollmo 3 mit einem grünen Rating versehen hat (Siehe dazu auch die von mir erstellte OpenStreetMap zu geeigneten Modellen aus Europa).

“We deeply believe in the four freedoms of free software and are convinced that being able to inspect and reproduce how the model was built is vital,” says Marcel Klehr, a software engineer at Nextcloud (Ai2 (2026) How Olmo 3 earned the highest ethical rating from Nextcloud, via LinkedIn, 02.11.2026).

Wenn Sie Nextcloud über Ihren eigenen Server betreiben, können Sie die llm-App installieren. Dort sind verschiedene LLMs zu finden, u.a. auch Ollmo 3. Nextcloud selbst nutzt Olmo 3 für verschiedene Funktionen des Nextcloud Assistenten. Die ethische Bewertung „grün“ bedeutet, dass alles quelloffen ist, auch die Trainingsdaten.

Wenn Sie Nextcloud nicht auf Ihrem eigenen Server, sondern beispielsweise IONOS Nextcloud Workspace nutzen, sind Sie hier eher etwas eingeschränkt. Dennoch ist es möglich, über die Ollama-App und die Langlow-App das KI-Modell Olmo 3 zu integrieren.

Gerade für Einzelpersonen, Kleine und Mittlere Unternehmen (KMU) bieten sich hier vielfältige Möglichkeiten auf Digitale Souveränität zu setzen und ein eigenes Open Source basiertes KI-basiertes System aufzubauen. Siehe dazu auch

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

Freund, R. (2026): Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework – Abstract

Meine Startfolie bei der Präsentation meines Papers auf der MCP 2026

Freund, R. (2026): Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework, in Anisic, Z., Forza, C. (Eds): Proceedings of the 12th International Conference on Customization and Personalization, September 17-18, 2026, Balatonfüred, Hungary, pp. 76-85 · 17. Sep. 2026

Abstract: While the role of generative AI in producer-centric open innovation has attracted growing scholarly attention, its potential within Open User Innovation (OUI) — where individuals innovate for personal use rather than commercial sale — remains largely unexplored. This paper argues that Open-Source AI is structurally better aligned with user-driven innovation than proprietary models, because both share the principles of democratization, transparency, and contextual adaptability. Drawing on a literature-based conceptual approach, we examine the theoretical distinction between Chesbrough’s Open Innovation and von Hippel’s Open User Innovation paradigm, with particular attention to the user’s system of use — a framework that integrates product and behavioral innovations in context-specific ways. We then extend Baudisch and Müller’s (2017) six-challenge personal fabrication framework by incorporating Open User Innovation principles, Open-Source Software, Open-Source AI models, and Open-Source AI agents. A proof-of-concept illustration, using Mistral AI Vibe to support a FabLab-based fabrication task, demonstrates the framework’s practical applicability. The paper concludes by identifying three priority areas for future empirical research: validation through platform-based case studies, responsible integration of autonomous AI agents in user innovation, and cultural adaptation of the framework to regional contexts.

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

ISSN erhalten: Vom Weblog zur wissenschaftlichen Publikation

Dieser Blog hat offiziell eine ISSN (International Standard Serial Number) erhalten und wandelt sich damit formal zu einer fortlaufenden wissenschaftlichen Online-Publikation.

Dr. Robert Freund               ISSN   3056-7432

Im Zuge der Zuteilung der ISSN wird ein Datensatz erstellt, der die Publikation mit der ISSN im Katalog der Deutschen Nationalbibliothek, in der Zeitschriftendatenbank und im Internationalen ISSN-Register nachweist.

Die Erstellung des bibliografischen Nachweises erfolgt nach international einheitlichen verbindlichen Regeln (in den deutschsprachigen Ländern den Regelungen RDA-DACH). Demnach wird Dr. Robert Freund als Titel der Publikation bestimmt. Knowledge makes the world go round® wird als Titelzusatz im Datensatz eingetragen und damit suchbar gemacht.
(zitiert aus einer E-Mail des Nationalen ISSN-Zentrums für Deutschland vom 29.10.2026)

Zukünftige Beiträge, Analysen und Preprints sind somit nach internationalen akademischen Standards vollwertig zitierfähig und bilden das Fundament für meine kommenden Forschungen, sowie für die von mir initiierte Konferenzreihe MCP-CE.

Veröffentlicht am

Künstliche Intelligenz: Vorhersage ist nicht Erklärung

Image by Hannah Edgman from Pixabay

In dem Beitrag Menschliches Lernen und Maschinelles Lernen unterscheiden sich wurden die Unterschiede zwischen dem Lernen von Maschinen und dem Lernen von Menschen deutlich. In der Diskussion um Künstliche Intelligenz gibt es allerdings weitere Begriffe, die verwechselt werden. Ich vermute, dass das oft absichtlich passiert, um Maschinen immer mehr an den Menschen zu adaptieren, bis zu einem Grad in dem „eine generelle Intelligenz (AGI: Artificial General Intelligence“ alles übernimmt. Mit solchen Storys von Big Tech wird viel Geld eingesammelt.

Schauen wir uns nun zwei weitere Begriffe an, die immer wieder verwechselt werden: Vorhersagen und Erklären.

Wenn wir an große Datenmengen wie Large Language Models (LLMs) denken, so entstehen Ergebnisse in den KI-Modellen aus der Vorhersage des nächsten Buchstabens, Wortes oder Aussagen. So eine Vorhersage (Prognose) kann schnell mit dem menschlichen Erklären verwechselt werden. In dem folgenden, lesenswerten Paper wird das ausführlich – auch in Bezug zu anderen Themen – erläutert;

Knauff et al. (2026): Vorhersage ist nicht Erklärung. Eine Perspektive der Fachgruppe Allgemeine Psychologie (gemeinsam mit der Gesellschaft für Kognitionswissenschaft), Psychologische Rundschau, vol. 77, no. 4, pp. 225–231, Oct. 2026, doi: 10.1026/0033-3042/a0007811

„Erklärung ist mehr als Prognose. Eine Theorie beschränkt sich nicht darauf, zukünftige Ereignisse korrekt vorherzusagen; sie macht die Struktur des zugrunde liegenden Mechanismus explizit und nachvollziehbar. Genau hier verläuft die entscheidende Differenz zwischen datengetriebener KI und psychologischer Theoriebildung“ /ebd.).

„Unsere These lautet: Auch beeindruckende Performanz ersetzt keine mechanistische Theorie psychologischer Prozesse. Vorhersage ist nicht Erklärung“ (ebd.).

Veröffentlicht am

Künstliche Intelligenz ist kein neutraler Interaktionspartner

Speech bubbles, blank boards and signs held by voters with freedom of democracy and opinion. The review, say and voice of people in public news adds good comments to a diverse group.

In meinem Blogbeitrag vom 24.10.2026 ging es um Cyberself und Personalisierung. Dabei wurde herausgestellt, dass Menschen und KI-Systeme durchaus mehrere „Persönlichkeiten“ haben können, wobei der Begriff bei Menschen und KI-Modellen unterschiedlich ist.

Wenn Menschen also KI-Modelle als Interaktionspartner nutzen, passen sich die KI-Systeme dem Nutzer an, wodurch eine Art Zuschreibung einer „Persönlichkeit“ durch den Nutzer entsteht. Manche Nutzer schreiben das KI-Modell auch in damit verbundenen Texten (Prompts) an.

Dadurch entsteht eine Interaktion der Bestätigung, die kritische oder konfliktträchtige, emotionale – eben menschliche – Interaktionen verkümmern lässt. Treffen die Personen, die ihre KI-Modelle und -Agenten als Partner sehen, auf die reale menschliche Welt, kann es zu antisozialen Reaktionen kommen.

„Zusammengefasst ist KI kein neutraler Interaktionspartner, sondern ein sozial wirksamer Akteur, dessen Effekte maßgeblich durch seine Funktionslogik, sein Trainingsziel und sein Interaktionsdesign bestimmt werden. Anwendungen, die primär auf Zustimmung und Konfliktvermeidung ausgelegt sind, riskieren langfristig eine Schwächung der Selbstreflexion, Perspektivenvielfalt und sozialen Konfliktfähigkeit sowie eine Verschiebung sozialer Bindungen weg von menschlichen Beziehungen. Aufklärung über Konsequenzen und die Stärkung individueller Kompetenzen sind zentral“ (Glöckner et al., 2026).

Es kommt daher bei der Nutzung von Künstlicher Intelligenz auch darauf an, Modelle zu nutzen, die transparent und frei verfügbar sind – eben den Anforderungen von Open Source AI (Definition) entsprechen. Siehe dazu auch Mit proprietärer Künstlicher Intelligenz (KI) kauft man sich auch die Denkwelt der Eigentümer ein.

Es bieten sich daher verschiedene europäischen KI-Modelle an (Open Weight und Open Source), die ich auf einer Open Street Map zusammengetragen habe:

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
Veröffentlicht am

Menschliches Lernen und Maschinelles Lernen unterscheiden sich

Image by StockSnap from Pixabay

Wenn es um Künstliche Intelligenz geht, werden oftmals Begriffe benutzt, die in der Diskussion beliebig verwendet werden. Wenn es beispielsweise um den Begriff „Lernen“ geht, vermuten viele, dass es sich beim maschinellen Lernen um eine Art menschliches Lernen handelt. Durch Verkürzungen in den Beschreibungen werden (manchmal bewusst) Begriffe synonym verwendet. BTW: Joe Pine hat dieses Phänomen in Bezug auf Mass Customization and Personalization als Bastardization bezeichnet.

Wenn es um den Begriff „Lernen“ geht, haben Knauff et al. in ihrem aktuellen Paper folgendes deutlich gemacht:

„Der Unterschied ist dennoch entscheidend: anders als bei KI Systemen, zielt menschliches Lernen darauf ab, strukturierte, handlungsrelevante mentale Modelle in einer verkörperten Umwelt aufzubauen (Bohn, & Casillas, 2026; Butz & Kutter, 2017). Es geht um den aktiven Erwerb von Wissen und Überzeugungen, die zielgerichtete Entscheidungen in der physikalischen und sozialen Welt leiten. Maschinelles Lernen hingegen ist meist passiv: vorgegebene Daten werden genutzt, um die Parameter des vorgegebenen Modells zu optimieren.“
M. Knauff, M. V. Butz, B. Kaup, W. Kunde, and und I. Scharlau, “Vorhersage ist nicht Erklärung: Eine Perspektive der Fachgruppe Allgemeine Psychologie (gemeinsam mit der    Gesellschaft für Kognitionswissenschaft),” Psychologische Rundschau, vol. 77, no. 4, pp. 225–231, Oct. 2026, doi: 10.1026/0033-3042/a000781.

Die Autoren widersprechen also der landläufigen Meinung, und den Marketingversprechen von Big Tech, in diesem Fall deutlich. Doch: Warum wird dennoch versucht, technische Systeme wie Menschen zu sehen? Indem technische Systeme punktuell mit der Leistungsfähigkeit von Menschen verglichen werden wird deutlich, wie unterlegen der Mensch gegenüber solchen Systemen ist, denn Künstliche Intelligenz kann vieles besser und schneller als es der Mensch jemals können wird. Es geht um die Dominanz der Technologie über den Menschen.

So eine Herangehensweise ist ein bewusster Kategorienfehler, wie von Knauff et al. alleine beim Begriff des „Lernens“ dargestellt wurde. Auch andere haben in der letzten Zeit große Bedenken, wenn es darum geht, die Leistungsfähigkeit von technischen Systemen mit der von Menschen zu vergleichen. Siehe dazu auch

Künstliche Intelligenz – Menschliche Kompetenzen: Anmerkungen zu möglichen Kategorienfehler

OpenAI Model „o1“ hat einen IQ von 120 – ein Kategorienfehler?

Künstliche Intelligenz – ein Kategorienfehler?

Künstliche Intelligenz, die Jagd nach AGI und der Intelligenz-Quotient

Warum es nicht angemessen erscheint, Künstliche Intelligenz und Menschliche Intelligenz zu verwechseln

Künstliche Cleverness statt Künstliche Intelligenz?