Veröffentlicht am

Von Mass Personalization zu Open User Innovation

Image by Denise Husted from Pixabay

Auf den verschiedenen Konferenzen, an denen ich teilgenommen habe, ging es über viele Jahre um Mass Customization and Personalization. Auslöser der Entwicklung war die Veröffentlichung B. Joseph Pine II (1992): Mass Customization. The New Frontier in Business Competition, in der die damals neue hybride Wettbewerbsstrategie vorgestellt wurde.

In der Zwischenzeit gibt es beim Fraunhofer Institut in Stuttgart das Leistungszentrum Mass Personalization. Dort ist man der Auffassung, dass es sich bei Mass Personalization um einen Megatrend handelt

„Mass Personalization ist ein eigenständiges radikal nutzerzentriertes und dennoch nachhaltiges und ressourceneffizientes Konzept, das als Toolbox oder plattformtechnologische Anwendung in der Produktion von morgen fungieren kann“ (Krieg/Groß/Bauernhansl (2024) (Hrsg.): Einstieg in die Mass Personalization. Perspektiven für Entscheider).

Mass Customization ist hier zeitpunktbezogen, und Mass Personalization eher Zeitdauer bezogen zu interpretieren. Beides, Mass Customization und Mass Personalization, sind allerdings immer noch aus der Perspektive des Unternehmens gedacht.

Wenn sich ein Unternehmen auf jeden einzelnen Nutzer so intensiv einstellen will, benötigt es viele Problem- und möglicherweise auch erste Lösungsinformationen vom Nutzer. Bei komplexen Problemen sind diese Informationen nur sehr schwer zu beschreiben (Kontext, Implizites Wissen, Expertise), und schwer vom Nutzer zum Unternehmen übertragbar (Sticky Information, Träges Wissen).

Der Nutzer weiß oft am besten, was er für sein Problem benötigt. Es fehlt oft noch der Schritt zur ersten Umsetzung von eigenen Lösungen. Dieser war in der Vergangenheit sehr aufwendig (Zeit, Geld), sodass die Umsetzung oft von Unternehmen übernommen wurde.

In der Zwischenzeit gibt es durch die Möglichkeiten der Künstlichen Intelligenz, des 3D-Drucks (Additive Manufacturing), oder auch der Robotik und der Open Source Community viele Möglichkeiten, das Produkt selbst zu entwickeln und im Idealfall selbst oder in einer Community herzustellen. Siehe Eric von Hippel (2016): Free Innovation (Open Access).

Titel (Ausschnitt) https://direct.mit.edu/books/book/5344/Free-Innovation

Eric von Hippel hat dazu schon sehr viele Studien veröffentlich, aus denen hervorgeht, dass der Anteil dieser Open User Innovation in den letzten Jahrzehnten stark angewachsen ist. Diese Innovationen findet man nicht in den offiziellen Statistiken zu Innovationen, denn Innovationen werden dort von Unternehmen entwickelt und auf den Markt gebracht. Was versteht nun von Hippel unter Open User Innovation?

„An innovation is ´open´ in our terminology when all information related to the innovation is a public good—nonrivalrous and nonexcludable”(Baldwin and von Hippel 2011:1400).

”… involves contributors who share the work of generating a design and also reveal the outputs from their individual and collective design efforts openly for anyone to use“ (Baldwin and von Hippel 2011:1403).

Wir wissen alle, dass die Unternehmen nur die Innovationen auf den Markt bringen, die eine entsprechende Rendite versprechen – alles andere bleibt liegen… Doch genau darin liegt die Chance von Open User Innovation: Jeder einzelne kann nicht nur kreativ, sondern auch innovativ sein (Ideen umsetzen) und seine Innovationen anderen (auch kostenlos) zur Verfügung stellen.

Sie meinen das gibt es nicht? Dann schauen Sie sich einmal die vielen Plattformen zu Open Source Software, oder die Plattform Patient Innovation an – Sie werden staunen.

Wenn Sie sich zu diesen Themen informieren wollen: Die MCP Community of Europe trifft sich auf der Konferenz zu Mass Customization and Personalization – MCP 2026 – vom 16.-19.09.2026 in Balatonfüred, Ungarn. Wir sind dabei.

Veröffentlicht am

Open Innovation in Unternehmen: Je offener umso besser?

Image by This_is_Engineering from Pixabay

Wenn es um Open Innovation geht, sprechen zunächst alle von Henry Chesbrough, der 2003 dazu sein Buch Open Innovation: The New Imperative for Creating and Profiting from Technology veröffentlich hat. Im Kern geht es Chesbrough darum, den Unternehmen aufzuzeigen, dass sie den bis dahin eher geschlossenen Innovationsprozess stärker öffnen sollen, um besser und wirtschaftlicher Innovationen zu entwickeln.

Es konnte dabei der Eindruck entstehen, dass der Erfolg von Open Innovation im Unternehmen umso größer wird, je offener der Innovationsprozess gestaltet ist. Dem ist allerdings nicht so, wie verschiedene Veröffentlichungen zeigen:

„Laursen and Salter published one of the most influential articles on OI, studying its impact on innovation performance. They demonstrate that firms benefit from a breadth of external knowledge sources, but there is a limit—when the costs of managing increasing external interactions start to outweigh the benefits“ (Holgersson et al. 2024).

Wie Schäper et al. (2023) dargestellt haben, ähnelt die finanzielle Performance von Open Innovation eher einer S-Kurve – und weiter: „that firms are not well-advised to open up their innovation processes as far as possible.”

Wenn es also um Open Innovation in Unternehmen geht, sollte das richtige Maß an Offenheit im Innovationsprozess gefunden werden, um wirtschaftlich im Sinne des Unternehmens zu bleiben.

Lauren und Salter haben das als the paradox of openness beschrieben. Denn es ist doch paradox, dass man Open Innovation propagiert, doch die Möglichkeiten aufgrund der Ressourcenbegrenzungen im Unternehmen nicht ausschöpft. Immerhin bleiben dann Innovationsmöglichkeiten ungenutzt.

Es gibt allerdings noch eine andere Perspektive auf „Open Innovation“

Eric von Hippel hatte schon mit seinem frei verfügbaren Buch von Hippel (2005): Democratizing Innovation ein wichtiges Standardwerk veröffentlicht, das sich für einen offenen Innovationsansatz stark machte. Im Gegensatz zu Open Innovation von Chesbrough, basiert Eric von Hippel´s Ansatz nicht auf der Öffnung der Innovationsprozesse von Organisationen. Mit der Veröffentlichung von Hippel (2016): Free Innovation erläutert er den Ansatz und stellt dar, dass Innovation heute sehr weit gefasst werden sollte, und eher Bottom-Up zu sehen ist – also jeder innovativ sein kann und sein sollte.

Wenn Sie sich zu diesen Themen informieren wollen: Die MCP Community of Europe trifft sich auf der Konferenz zu Mass Customization and Personalization – MCP 2026 – vom 16.-19.09.2026 in Balatonfüred, Ungarn. Wir sind dabei.

Veröffentlicht am

Das Organisationsprinzip hinter der Interaktiven Wertschöpfung

Image by Gerd Altmann from Pixabay

In ihrer Veröffentlichung Reichwald/Piller (2009): Interaktive Wertschöpfung. Open Innovation, Individualisierung und neue Formen der Arbeitsteilung haben die Autoren das Konzept einer Interaktiven Wertschöpfung ausführlich dargestellt. Interessant dabei ist, welches Organisationsprinzip dahinter steckt. Dazu habe ich folgendes gefunden:

„Das hinter der interaktiven Wertschöpfung stehende Organisationsprinzip wurde vom Yale-Wissenschaftler Yochai Benkler (2002, 2006) als „Commons-based Peer-Production“ bezeichnet: „Peer-Production“, das eine Gruppe Gleichgesinnter („Peers“) gemeinschaftlich ein Gute produziert, „Commons-based“, da das Ergebnis der Allgemeinheit zur Verfügung steht und auf offenem Wissen („Commons“) basiert. Die Idee der interaktiven Wertschöpfung baut auf der Commons-based Peer-Production auf, erweitert diese aber um einen Rahmen, in dem ein fokales Unternehmen diesen Prozess anstößt, moderiert oder unterstützt – genau wie wir es bei Threadless oder Innocentive gesehen haben“ (Reichwald, R.; Möslein, K. M.; Piller, F. T. (2008): Interaktive Wertschöpfung – Herausforderungen für die Führung. In: Buhse, W.; Stamer, S. (Hrsg.) (2008): Die Kunst, Loszulassen Enterprise 2.0. S. 99-122).

Basis ist also eine (Interaktive) Wertschöpfung, die darauf ausgerichtet ist, gemeinschaftlich Produkte zu erschaffen, die dann der Allgemeinheit zur Verfügung steht (nach Benkler).

Die von den Autoren propagierte „Interaktive Wertschöpfung“ soll darauf aufbauen, doch schränkt sie durch den Fokus auf Unternehmen das zugrunde liegende Organisationsprinzip einer Commons-based-Peer-Produktion eher ein.

Mit den heutigen technologischen Möglichkeiten ist es einzelnen Usern, und deren vernetzten Peers möglich, Produkte und Dienstleistungen für die Allgemeinheit zu entwickeln und selbst anzubieten. Dabei müssen diese User nicht zwangsläufig mit Unternehmen kooperieren, da die Transaktionskosten im gesamten Prozess in den letzten Jahrzehnten drastisch gesunken sind. Siehe dazu auch

Eric von Hippel (2017): Free Innovation

Eric von Hippel (2005): Democratizing Innovation 

MCP-Konferenz im September 2026 in Balatonfüred, Ungarn

Veröffentlicht am

Mass Customization und Quantenmechanik

In verschiedenen Blogbeiträgen habe ich immer wieder darauf hingewiesen, dass wir uns von den in vielen Bereichen diskutierten Dichotomien (Entweder-oder) verabschieden sollten. Im Wissensmanagement beispielsweise haben wir es mit den beiden Polen implizites Wissen oder explizites Wissen zu tun. Zwischen beiden Polen gibt es allerdings ein Kontinuum des „sowohl-als-auch“. Ähnlich sieht es in anderen Bereichen aus.

Im Innovationsmanagement kennen wir die Extreme Closed Innovation oder Open Innovation. Beim Projektmanagement gibt es nicht nur das klassische Projektmanagement oder das agile Projektmanagement, sondern zwischen beiden Polen ein Kontinuum. Ähnlich sieht es bei der Künstlichen Intelligenz aus, wo es von Closed AI Models über Open Weight AI Models bis zu Open Source AI Models auch ein Kontinuum der Möglichkeiten gibt.

Diese Entwicklung deutet schon darauf hin, dass es in vielen Bereichen nicht mehr um ein „entweder-oder“, sondern um ein angemessenes „sowohl-als-auch“ geht. Vor über 30 Jahren hat B. Joseph Pine II schon darauf hingewiesen, und dabei eine Verbindung von der Quantenmechanik zu Mass Customization als hybride Wettbewerbsstrategie hergestellt:

„Today management has much the same problem: We still build most of our models around false dichotomies. To name but a few, we speak of strategy versus operations, cost versus quality, and centralized versus decentralized. The way out of this dilemma for scientist, finally, was to abandon the perspective of irreconcilable opposites, and to embrace interpretations that accept contradictions without trying to resolve them. Quantum mechanics does that in physics, mass customization does that in business“ (Pine 1993).

Die hybriden Möglichkeiten zur Schaffung von Werten für Kunden (User) sind heute (nach mehr als 30 Jahre nach der Veröffentlichung) in vielen Organisationen immer noch nicht bekannt.

Auf der nächsten MCP 2026 – Konferenz, im September in Balatonfüred (Ungarn), haben Sie die Chance, mit führenden Forschern und Praktikern über die Themen Mass Customization, Mass Personalization und Open Innovation zu sprechen.

Als Initiator der Konferenzreihe stehe ich Ihnen gerne für weitere Fragen zur Verfügung.

Veröffentlicht am

Organisationale Daten-Souveränität bedeutet nicht unbedingt Digitale Souveränität

Image by Tumisu from Pixabay

Digitale Souveränität wird oftmals mit Daten-Souveränität in Organisationen verwechselt. Es ist daher wichtig zu verstehen, was Organisationale Daten-Souveränität ausmachen kann. Dazu habe ich folgenden Vorschlag in einem Paper gefunden:

„We define organizational data sovereignty as the self-determined and deliberate exercise of control over an organization’s data assets, which includes the recognition of their value, the proactive management of data activities (collection, storage, sharing, analysis, and interpretation), and the ability to assimilate and apply these data to drive value creation through interorganizational collaboration“ (Moschko et al. 2024).

In dem Paper geht es den Autoren um Organisationale Daten-Souveränität in Bezug auf Open Value Creation (OVC) in offenen Innovationsprozessen (Open Innovation).

Die hier angesprochene eigene (organisationale) Kontrolle der Daten würde durch den Einsatz von proprietären (Closed Models) KI-Anwendungen konterkariert, da man bei deren Nutzung nicht wirklich weiß, was mit den eigenen Daten passiert. Siehe dazu auch Künstliche Intelligenz: Würden Sie aus diesem Glas trinken?

In dem Blogbeitrag Digitale Souveränität, oder doch nur Souveränitäts-Washing? finden Sie eine Definition von Digitaler Souveränität. Dabei werden Sie feststellen, dass Digitale Souveränität in diesem Sinne nur möglich ist, wenn Open Source AI – Modelle verwendet werden.

Veröffentlicht am

Ein aufgeklärter „Ich-Begriff“ bedeutet, dass Individuen ihren Einfluss perspektivisch drastisch ausbauen können

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.

Der Trend zur Individualisierung hat eine gesellschaftliche und ökonomische Dimension. Dabei bestimmen neue technologische Möglichkeiten, wie z-B- die Künstliche Intelligenz, deutlich die Richtung der Veränderungen. Technologie war schon in der Vergangenheit immer wieder Treiber für solche Entwicklungen – mit all seinen Risiken und Möglichkeiten.

Dabei ging es in der Vergangenheit beispielsweise im ökonomischen Sinne darum, Produkte und Dienstleistungen immer stärker an das Individuum anzupassen – ganz im Sinne von Customization, Personalization, Mass Customization, Mass Personalization etc. – ganz im Sinne von Unternehmen.

Andererseits bieten neue Technologien wie Künstliche Intelligenz, Additive Manufacturing (3D-Druck), Robotik usw. auch neue Möglichkeiten für jeden Einzelnen, da die Kosten für diese Technologien teilweise sogar gegen „0“ gehen. Beispiel im Softwarebereich: sind Open Source Projekte, oder im Innovationsbereich die vielen Open Innovation Projekte. Dabei meine ich bewusst den Ansatz von Eric von Hippel „Democratizing Innovation,“ bzw. „Free Innovation“. Siehe dazu auch Künstliche Intelligenz und Open Innovation.

Immer mehr Menschen nutzen die neuen Möglichkeiten und kreieren ihre eignen Bilder, Beiträge, Videos oder eben Produkte und Dienstleistung mit Hilfe von Künstlicher Intelligenz, Additive Manufacturing (3D-Druck) und Robotik. Dabei geht es den Personen nicht in erster Linie darum, damit geschäftlich aktiv zu sein. Es geht am Anfang oft um das spielerische experimentieren mit den neuen Chancen.

Manche Personen stellen ihre Kreationen anderen zur Verfügung, z.B. auf Plattformen wie Patient Innovation. Alles, um unsere Gesellschaft einfach etwas besser, menschlicher zu machen. Dazu habe ich folgenden Text in einer Veröffentlichung der Initiative2030 gefunden:

„Wir glauben an einen aufgeklärten „Ich-Begriff“, bei dem die ausgiebige Beschäftigung dem Inneren weder das Ego füttern, noch ein um sich selbst kreisen anfeuern muss. In der Logik der Dichotomie der Kontrolle setzen wir uns dafür ein, dass handelnde Individuen ihren Einfluss auf die Dinge, die ihnen am wichtigsten sind, perspektivisch gewaltig ausbauen können. Wenn sie sich dann noch mit anderen zusammentun, können alternative Zukünfte gestaltet werden“ (Initiative2030 (2025): Missionswerkstatt. Das Methodenhandbuch | PDF).

Ich bin auch der Meinung, dass einzelne Personen heute und in Zukunft mit Hilfe der neuen technischen Möglichkeiten, die täglichen und wichtigen Probleme von Menschen lösen können. Alleine und natürlich im Austausch mit anderen. Ob es dazu das oben verlinkte Methodenhandbuch bedarf sei dahingestellt. Dennoch: Für manche ist es gut, einen kleinen Leitfaden zum Thema zu haben.

Dabei steht nicht der Profit im Mittelpunkt, sondern das soziale Miteinander zum Wohle aller.

Veröffentlicht am

Künstliche Intelligenz beeinflusst den gesamten Lebenszyklus der Software-Entwicklung

High-level software development life cycle (McKinsey (2024): The gen AI skills revolution: Rethinking your talent strategy)

Wie in dem Beitrag von McKinsey (2024) ausführlich erläutert wird, beeinflusst Künstliche Intelligenz (GenAI) alle Schritte/Phasen der Softwareentwicklung. Drüber hinaus werden in Zukunft immer mehr KI-Agenten einzelne Tasks eigenständig übernehmen, oder sogar über Multi-Agenten-Systeme ganze Entwicklungsschritte.

Die Softwareentwicklung hat dazu beigetragen, dass Anwendungen der Künstlichen Intelligenz heute überhaupt möglich sind. Es kann allerdings sein, dass Künstliche Intelligenz viele Softwareentwickler und deren Unternehmen überflüssig macht.

Möglicherweise ist in Zukunft auch jeder Einzelne Mensch in der Lage, sich mit Künstlicher Intelligenz kleine erste Programme schreiben zu lassen – ohne dass Programmierkenntnisse erforderlich sind. Ganz im Sinne von Low Code, No Code und Open Source.

So eine Entwicklung kann als Reflexive Innovation bezeichnet werden: „Die Revolution frisst ihre eigenen Kinder“ (Quelle). Siehe dazu ausführlicher Freund, R.; Chatzopoulos, C.; Lalic, D. (2011): Reflexive Open Innovation in Central Europe.

Veröffentlicht am

Hybrides Innovationsmanagement: Free Innovation und Producer Innovation

Source: The free innovation paradigm and the producer innovation paradigm. (von Hippel 2017)

Alles ist ja heute hybrid. Es gibt beispielsweise Hybrides Arbeiten, Hybrides Projektmanagement, Hybrides Wissensmanagement, und die Hybride Wettbewerbsstrategie Mass Customization. Das verwundert nicht wirklich, da es in der Reflexiven Modernisierung zu Entgrenzungen auf allen Ebenen der Gesellschaft kommt – so auch bei den Management-Prozessen. Management-Berater verkaufen alles jetzt als neue Entwicklung, doch ist diese schon sehr lange – beispielsweise in den Sozialwissenschaften – bekannt.

Den Run auf die Entgrenzung von Innovationsprozessen hat Henry Chesbrough (2003) mit Open Innovation ausgelöst (Innovation als Kontinuum zwischen Closed Innovation und Open Innovation). Sein Ansatz bezog sich dabei auf auf Innovationsprozesse in Organisationen, die nun langsam aber sicher angefangen haben, Wissen auch von Außen zu integrieren. In der Grafik ist das der untere große Pfeil (Producer Innovation Paradigm), mit dem Abschluss „Market diffusion“. Dieser auf Schumpeter zurückgehende Blick auf Innovation, und dessen Öffnung zeigt sich auch in den dazugehörenden Definitionen (Oslo Manual 2018) oder auch in den jeweiligen Statistiken, die eben Innovationen nur dann erfassen, wenn sie von Organisationen im Markt positioniert worden sind.

In den letzten mehr als 20 Jahren ist gerade von Eric von Hippel allerdings deutlich nachgewiesen worden, dass es auch viele Innovationen von einzelnen Personen gibt, die nicht zwingend im Markt, sondern beispielsweise innerhalb von interessierten Gruppen ausgetauscht werden (Free Innovation Paradigm). Dabei wird hier schon klar, dass solche Innovationen nach der Oslo-Definition gar keine Innovationen sind, und somit auch in keiner traditionellen Statistik vorkommen. In den verschiedenen Paper von Eric von Hippel allerdings schon. Siehe dazu ausführlicher Eric von Hippel (2005): Democratizing Innovation und Eric von Hippel (2017): Free Innovation.

In der Abbildung ist allerdings auch zu erkennen, dass es durchaus Sinn machen kann, nicht von einem Entweder-oder, sondern von einem Sowohl-als-auch zu sprechen. Beide Extrempositionen können sich an verschiedenen Stellen der jeweiligen Prozesse ergänzen, beispielsweise durch einen Innovation support vom Producer Innovation Paradigm zum Free Innovation Paradigm und umgekehrt durch Innovation Designs.

Ein so verstandenes Hybrides Innovationsmanagement, oder auch ein entsprechendes Innovations-Kontinuum, bieten gerade für Kleine und Mittlere Unternehmen (KMU) viele Chancen.

Veröffentlicht am

Mit Künstlicher Intelligenz und Online-Daten von Verbrauchern können (auch eigene) Produkte direkt entwickelt werden

Mit Hilfe der hybriden Wettbewerbsstrategie Mass Customization (PDF) ist es Unternehmen möglich, Produkte zu individualisieren, ohne dass der Preis höher ist, als bei massenhaft hergestellten Produkten. Kernelement ist dabei ein Konfigurator, mit dem der Kunde selbst in einem definierten Lösungsraum (fixed solution space) vielfältige Möglichkeiten zusammenstellen kann. In der Zwischenzeit gibt es allerdings mit Künstlicher Intelligenz noch ganz andere Optionen für Mass Customization.

Künstliche Intelligenz kann für einen Verbraucher Produkte und Dienstleistungen entwickeln und anbieten, nur auf Basis der vom Konsumenten generierten Daten – sogar ohne die aktive Mitwirkung des Konsumenten. Damit bringt Künstliche Intelligenz Mass Customization auf ein neues Level: Smart Customization.

„But this is one area where AI can take mass customization to a new level: The growth of AI and machine learning can allow us to use all the data traces consumers leave online to design a perfect product for an individual consumer, without their active involvement. AI can evolve into the ability to perfectly customize a product for a consumer, without the
need for a conscious process of elicitation from the consumer. As a consumer, I could specify what I want for aesthetics, while for functional parameters, it could be the system that senses what I want and desire. An algorithm reading your Instagram profile might know better than you do about your dream shirt or dress. I see a lot of opportunity to use the data that’s out there for what I call smart customization“ (Piller, Frank T. and Euchner, James, Mass Customization in the Age of AI (June 07, 2024). Research-Technology Management, volume 67, issue 4, 2024 [10.1080/08956308.2024.2350919], Available at SSRN: https://ssrn.com/abstract=4887846).

Dieser Ansatz ist natürlich für Unternehmen interessant, da sie die umständlichen und teuren Befragungen von Verbraucher nicht mehr – oder etwas weniger – benötigen, um angemessene Produkte anzubieten.

Es gibt allerdings auch noch eine andere Perspektive: Was ist, wenn die Verbraucher ihre eigenen Daten mit Hilfe von Künstlicher Intelligenz selbst nutzen, um eigene Produkte zu entwickeln? Im Extremfall – und mit Hilfe von modernen Technologien wie z.B. den 3D-Druck (Additive Manufacturing) – können sich die Verbraucher innovative Produkte selbst herstellen. Diese Option klingt etwas futuristisch, da wir es gewohnt sind, Innovationen mit Unternehmen in Verbindung zu bringen. Doch hat Eric von Hippel gezeigt, dass es immer mehr von diesen Open User Innovation gibt, die gar nicht in den üblichen Statistiken zu Innovation auftauchen. Siehe dazu auch

Eric von Hippel (2005): Democratizing Innovation

Free Innovation: Was wäre, wenn wir Innovationen stärker Bottom-Up denken und fördern würden?

Eric von Hippel (2017): Free Innovation

Veröffentlicht am

Künstliche Intelligenz und Open Innovation

AI (Artificial intelligence) AI management and support technology in the Business plan marketing success customer. AI management concept.

Zunächst sollten Sie sich noch einmal klar machen, wie sich Closed Innovation und Open Innovation unterscheiden. Wie so oft, gibt es nicht nur die beiden Pole, sondern ein Innovations-Kontinuum (Roth 2008). Weiterhin finden Sie in dem Beitrag Künstliche Intelligenz im Innovationsprozess von Organisationen Hinweise dazu, welche Vorteile, bzw. Nachteile es geben kann, wenn für jeden Schritt im Innovationsprozess eines der bekannten KI-Modelle wie ChatGPT, Gemeni etc. genutzt wird.

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.

DescriptionExamples
OI-Enhancing AIAI that enhances established forms of open innovation by utilizing the advantages of AI complemented with human involvementInnovation search
Partner search
Idea evaluation
Resource utilization
OI-Enabling AIAI that enables new forms of open innovation, based upon AI’s potential to coordinate and/or generate innovationAI-enabled markets
AI-enabled open business models
Federated learning
OI-Replacing AIAI that replaces or significantly reshapes established forms of open innovationAI 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.