Es wird immer deutlicher, dass Digitale Souveränität für Europa immer wichtiger wird. Die Lünendonk®-Studie 2026 hat das wieder einmal deutlich gezeigt.
„Digitale Souveränität ist kein abstraktes Leitbild mehr – sie hat sich zu einem zentralen Wettbewerbsfaktor mit klar messbarem Business Impact entwickelt. 2026 steht Europa an einem digitalen Wendepunkt“ (Lünendonk®-Studie 2026).
Die Ergebnisse sind eindeutig: 96% der Befragten erwarten, dass Digitale Souveränität auch bei einer Entspannung der geopolitischen Lage ein zentrales Thema bleibt.
Wenn dem so ist, stehen Unternehmen vor der Frage, wie eine Digitale Souveränität erreicht werden kann. In vielen Beiträgen, und auf dieser Seite habe ich dazu konkrete Schritte aufgezeigt.
Auf der internationalen Konferenz MCP 2026, die vom 16.-19.09.2026 in Balatonfürde, Ungarn stattfindet, werde ich ein Paper zum Thema vorstellen:
Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs
Bei der Nutzung von Künstlicher Intelligenz kommt es immer stärker darauf an, KI-Agenten sinnvoll und effizient einzusetzen. Dabei geht es oft auch darum zu wissen, welche Token-Kosten bei der Nutzung von KI-Agenten anfallen.
Bei der Abrechnung auf Basis von Tokens geht es um die Menge verarbeiteter Textbausteine (Tokens), die sich Modelle wie GPT-4 oder Gemini gut bezahlen lassen. Dabei kommt es allerdings oftmals zu starken Schwankungen, und zu regelrechten Abrechnungsschocks.
In einer Studie haben Forscher nun untersucht, inwiefern KI-Agenten bei Codierungs-Aufgaben (coding tasks) in der Lage sind, vor Start des Tasks die Kosten für die benötigten Tokens vorherzusagen. Immerhin wäre eine gut abschätzbare, und somit im voraus gut planbare, Anzahl von Tokens für die wirtschaftliche Bewertung von coding tasks von großer Bedeutung. Eine aktuelle Studie belegt allerdings sehr ausführlich, dass KI-Agenten dazu nicht in der Lage sind:
“Agents are not capable of predicting their own token costs. This is the fundamental bottleneck for result-based pricing for agents. You can’t really price the agent well unless you can figure out the cost, but now you only see the token costs after everything is done” (Bai, L. et al. (2026) https://arxiv.org/abs/2604.22750).
Man wird also erst nachdem alles erledigt ist wissen, was alles gekostet hat (in Token-Kosten). In dem genannten Paper sind noch viele weitere Detail zu finden.
Gerade Kleine und Mittlere Unternehmen (KMU), die stark auf ihre Kosten achten müssen, können die Ergebnisse der Studie eine gute Basis für die wirtschaftliche Nutzung von KI-Agenten sein.
AI monoculture feedback loop (Traberg et al. 2026)
In allen möglichen Kontexten soll und wird Künstliche Intelligenz genutzt. Dabei dominieren in unserem Kulturkreis die von den amerikanischen Konzernen entwickelten GenAI-Modelle. Diese werden in allen privaten und organisatorischen Prozessen integriert. Ein Großteil der Personen und Organisationen nutzen dabei die gleichen KI-Workflows.
Das hat beispielsweise im wissenschaftlichen Kontext einen unschönen Effekt: Dadurch, dass alle Wissenschaftler mehr oder weniger stark die selben GenAI-Modelle für ihre Arbeiten nutzen, kommt es zu einer Art „wissenschaftlicher Monokultur„.
Traberg, C.S., Roozenbeek, J. & van der Linden, S. AI is turning research into a scientific monoculture. Commun Psychol4, 37 (2026). https://doi.org/10.1038/s44271-026-00428-5
In der Abbildung ist der Kreislauf mit seinen einzelnen Schritten dargestellt. Es wird deutlich, dass es sich hier um eine Art Generator handelt, also ein sich selbst verstärkender Wirkungskreislauf.
Auch hier wird deutlich, dass es gut ist, verschiedene KI-Modelle für wissenschaftliche Arbeiten zu nutzen, und die jeweiligen Ergebnisse zu bewerten.
Es stellt sich natürlich auch gleich die Frage, ob diese „wissenschaftliche Monokultur“ auch bei Innovationsprozessen vorkommt. Auch hier nutzen viele Personen und Unternehmen oftmals die gleichen KI-Modelle.
Schon sehr lange ist der Trend deutlich: Deutschland verliert bei Innovationen immer mehr den Anschluss an die Weltspitze. Nicht umsonst sind wir bei vielen Technologien in eine Abhängigkeit geraten, die unserer gesamten Gesellschaft zu schaffen macht. Siehe dazu auch: Das Europäische Paradox.
Die Anzeichen sind schon lange sehr deutlich, doch mehr Geld für Forschung und Entwicklung und mehr Innovationspreise haben bisher keine Änderungen im Trend ergeben. Die aktuelle Bertelsmann-Studie Innovative Milieus 2026 weist auch noch einmal darauf hin:
„Die Innovationslandschaft in Deutschland verliert weiter an Substanz. 2026 gehören nur noch 13 Prozent der Unternehmen zur Innovationsspitze. Gleichzeitig umfasst der innovationsferne Bereich inzwischen nahezu 40 Prozent der Unternehmenslandschaft. Seit 2019 ist der Anteil innovationsstarker Unternehmen damit kontinuierlich gesunken“ (Ergebnisse kompakt).
Darüber hinaus gibt es auch noch interessante Verschiebungen in den Innovations-Milieus:
„Parallel dazu ist der innovationsferne Bereich deutlich gewachsen. Der Anteil der Zufälligen Innovatoren und der Unternehmen ohne Innovationsfokus liegt inzwischen bei nahezu 40 Prozent (2019: 27 Prozent). Innovation verliert damit in der Breite an strategischer Verankerung“ (Ergebnisse vertieft).
Diese strukturellen Veränderungen können allerdings auch anders interpretiert werden:
Da der Begriff Innovation auf Unternehmen bezogen ist, erscheinen User Innovation (Eric von Hippel) nicht in der Statistik, und somit auch nicht in den Milieus.
Die Verschiebungen bei den unternehmensbezogenen Innovationen deuten möglicherweise auf eine Entgrenzung der Innovationslandschaft hin, die sich in einem größeren Milieu zu User Innovation zeigen würde. Dieser Teil der Innovationslandschaft wird allerdings in der Studie nicht berücksichtigt. Siehe dazu auch
Es ist schon erstaunlich, was man alles mit Künstlicher Intelligenz (GenAI) machen kann. Der Schwerpunkt scheint aktuell darauf zu liegen, in Organisationen die Abläufe zu verbessern, um die Produktivität zu erhöhen.
Weiterhin werden die KI-Modelle immer intuitiver und einfacher, was die Anwendung von KI scheinbar immer leichter macht.
Eine aktuelle Studie (Liu et al. 2026) kommt allerdings zu dem Schluss, dass, je leichter KI (GenAI) angewendet werden kann, umso wichtiger ist der Mensch, der die „harte Arbeit“ erledigen muss.
„The uncomfortable truth: the easier AI gets, the more valuable the people who still do the hard work become — and the more urgently organisations need to protect the conditions that produce them“ (Liu et al 2026).
Weiterhin wird in der selben Studie auf den Zusammenhang zwischen der Produktivität bei der Nutzung von KI und Innovation durch KI eingegangen: Die Produktivität steigt, doch Innovation (das Innovations-Niveau) stagniert.
Das liegt laut Studie an den „good enough“ – Antworten der üblichen KI-Modelle, die zu wenig „Friktion“ bieten, um Innovationen zu pushen.
Wenn alles zu einfach und zu leicht ist, kann das dann jeder und es ist nichts Neues mehr im Sinne einer Innovation. Die Autoren empfehlen daher ein angemessenes Maß an Friktion in der Organisation zu etablieren. Dazu wurde auch ein erstes geeignetes Framework entwickelt.
Immer mehr Menschen nutzen Künstliche Intelligenz, um gesundheitliche oder psychologische Themen zu analysieren. Der Ratgeber ist dann also nicht der Arzt oder der Psychologe, sondern ChatGPT oder andere bekannte KI-Modelle.
Bei der Kommunikation Mensch – KI dringt die KI immer tiefer in das Profil des Menschen ein. Die Profile werden dann auch dazu genutzt, dem Nutzer zu schmeicheln.
Schmeicheln bedeutet „jemandem übertrieben und nicht ganz aufrichtig Angenehmes sagen, um dessen Gunst zu gewinnen“ (Quelle).
In einer Studie (Jain et al. 2026) wurden zwei Schmeicheleien unterschieden: (1) Zustimmungsschmeichelei (agreement sycophancy) – die Tendenz von Modellen, übermäßig positive Reaktionen hervorzurufen, und (2) Perspektivenschmeichelei (perspective sycophancy) – das Ausmaß, in dem Modelle die Sichtweise eines Nutzers widerspiegeln.
Es stellte sich daher die Frage: Verstärkt Personalisierung das Ausmaß der Schmeicheleien?
„Our results raise the question of whether some personalization approaches may amplify sycophancy. Prior work often attributes sycophancy to preference alignment, since users prefer responses that are affirmative or aligned with their perspective. Yet in aligned models, we find that user memory profiles are associated with further increases in agreement sycophancy, and that contexts providing more information about the user drive perspective sycophancy“ Source: Jain et al. (2026): Interaction Context Often Increases Sycophancy in LLM | PDF
Es wurde also in der Studie klar, dass Nutzerprofile eher Zustimmungsschmeicheleien, und Kontextinformationen eher Perspektivenschmeichelei verstärken. Egal welches Element man also betrachtet, Schmeicheleien verstärken sich wohl mit der Zeit.
Bei diesen Entwicklungen stehen wir noch am Anfang, doch deutet sich schon jetzt ein entsprechender Klärungsbedarf an: Wie können Personalisierung und Schmeicheleien ausbalanciert werden? Siehe dazu auch
Den von uns entwickelten Blended Learning Lehrgang Projektmanager/in (IHK) haben wir am 01.12.2025 mit einem Zertifikatsworkshop in Düsseldorf abgeschlossen. Die Teilnehmer haben dabei u.a. die verschiedenen Themen des Lehrgangs auf eine Fallstudie übertragen und ihre Ergebnisse vorgestellt.
Neben Lean/Kanban, Scrum, Scaling Agile, und Agiler Vertragsgestaltung haben wir uns in einem Modul des Lehrgangs speziell mit den Möglichkeiten des Hybriden Projektmanagements befasst. Wie die globale PMI-Studie aus 2024 gezeigt hat, wird das Hybride Projektmanagement immer wichtiger, da es im Vergleich zum Klassischen Projektmanagement und dem Agilen Projektmanagement (z.B. mit Scrum) weniger dogmatisch, sondern eher pragmatisch ist.
Eigene Darstellung; Quelle: PMI (2024): Annual Global Survey on Project Management 2020, 2021, 2022, 2023
Projektmanagement in der öffentlichen Verwaltung unterliegt oft anderen Rahmenbedingungen, als Projektmanagement in der Wirtschaft. Es ist dabei schon schwierig, einzelne Projekte zum Erfolg zu führen – richtig schwierig wird es, wenn in den großen öffentlichen Organisationen sehr viele Projekte im Rahmen eines professionellen Multiprojektmanagements durchgeführt werden sollen.
Es ist daher gut, dass das Bundesverwaltungsamt, zusammen mit der TU Darmstadt, eine Studie zum Thema veröffentlicht hat – immerhin schon die zweite ihrer Art.
Allgemeine Ergebnisse der Studie
Ein zentrales Ergebnis der Studie ist, dass Projekte von Top-Performern viel häufiger den geplanten Nutzen erreichen oder sogar übertreffen. Der Anteil erfolgreicher Projekte, liegt bei Low-Performern bei 58,3 %, bei Mid-Performern bei 75,4 % und bei Top-Performern bei 81,3 %.
Festgestellt worden ist, dass Top Performer deutlich weniger Projekte abbrechen (im Schnitt nur 0,5 Projekte pro Jahr). Low-Performer hingegen brechen rund dreimal so viele Projekte (1,6 Projekte pro Jahr) ab wie Top-Performer.
Hervorzuheben ist, dass Top-Performer einen deutlich höheren Anteil ihrer Mitarbeitenden in Projekten einsetzen. Während bei Low-Performern lediglich 41 % ihrer Mitarbeitenden in Projekten involviert sind, sind es bei Top-Performern ganze 69 %.
Eine interessante Erkenntnis ist, dass Top-Performer fokussierte Portfolios besitzen, indem sie weniger Projekte parallel durchführen. Während Low-Performer bis zu 77 Projekte gleichzeitig durchführen, sind es bei Top-Performern nur 48 Projekte.
Top Performer (22 %) nutzen wesentlich häufiger agile Projektmanagement-Methoden als Low Performer (9 %). Insgesamt werden 55 % aller Projekte traditionell gemanagt – bei Top Performern jedoch nur 41 %.
Industriearbeit wurde in der Vergangenheit akribisch (Stichwort: REFA) auf Verschwendungspotenziale untersucht. Ganze Wertstromanalysen wurden beispielsweise betrachtet, um Lean Production oder später Lean Management in der Organisation zu etablieren. Auch das Agile Arbeiten, beispielsweise in Form des Agilen Projektmanagements, hat das Ziel, sich nur auf den Value für den User (Scrum) zu fokussieren. Das Scrum-Framework entstand immerhin aus der Überlegungen, Wissensarbeit besser zu organisieren (Hirotaka Takeuchi und Ikujiro Nonaka).
Es verwundert daher doch etwas, dass aus einer Studie von Asana aus dem Jahr 2023 hervorgeht, dass der Anteil der „Arbeit rund um die Arbeit“ bei Wissensarbeit immer noch erheblich ist. In der genannten Studie wurden fast 10.000 Wissensarbeiter befragt.
Dabei wird der Begriff „Arbeit rund um die Arbeit“ wie folgt beschrieben: „Tätigkeiten, die der wichtigen Arbeit Zeit entziehen, darunter die Kommunikation über die Arbeit, die Suche nach Informationen, das Wechseln zwischen verschiedenen Apps, die Bewältigung wechselnder Prioritäten und die Statusnachverfolgung von Arbeitsvorgängen“ (Asana 2025).
„Laut dem Bericht zur Anatomie der Arbeit von Asana [Anmerkung Robert Freund: aus dem Jahr 2023] werden 60 % der Arbeitszeit einer Person für „Arbeit rund um die Arbeit“ und nicht für Facharbeit aufgewendet“ (ebd.).
Bei Studien sollte man immer etwas kritisch sein, denn Asana ist selbst Anbieter einer Work-Management Plattform mit vielen Apps – möglicherweise tragen diese sogar auch zu dem Verschwendungspotenzial bei.
Wenn es darum geht, die Auswirkungen der Künstlichen Intelligenz auf den Arbeitsmarkt zu prognostizieren, kommt es – wie immer – darauf an, wen man fragt.
Die eher technikorientierten Unternehmen verkaufen die angestrebte AGI (Artificial General Intelligence) als das non plus ultra der Intelligenzentwicklung. Dabei prognostizieren diese Unternehmen, dass AGI den menschlichen Fähigkeiten (Intelligenzen) überlegen sein wird. Daraus folgt zwingend, dass KI wohl alle arbeitsbezogenen Tätigkeiten in der nahen Zukunft übernehmen kann. Diese Argumentation erinnert mich an so viele Versprechen der Technik-Unternehmen; beispielsweise an die Unsinkbarkeit der Titanic oder die „100%-ige“ Sicherheit von Kernkraftwerken, oder an die Verheißungen der Internetpioniere. Technologie muss wohl in dieser Form verkauft werden (Storytelling) – immerhin geht es ja um Investoren und sehr viel Geld. Ich weiß natürlich, dass diese Vergleiche „hinken“, dennoch …
Betrachten wir Künstliche Intelligenz mit seinen Möglichkeiten aus der eher gesamtgesellschaftlichen Perspektive, so sieht das etwas anders aus. Hier geht es darum, mit Hilfe der Künstlichen Intelligenz gesellschaftliche Probleme zu lösen, zum Wohle aller. Die Idee der japanischen Society 5.0 kommt diesem Anspruch sehr nahe. Da ich darüber schon verschiedene Blogbeiträge veröffentlich habe, gehe ich darauf nicht weiter ein. Siehe dazu beispielhaft Worin unterscheiden sich Industry 5.0 und Society 5.0?
Wie ist es dennoch möglich herauszufinden, wie sich Künstliche Intelligenz auf dem Arbeitsmarkt bemerkbar macht, bzw. machen wird?
Als Leser unseres Blogs wissen Sie, dass ich bei solchen Fragestellungen immer dazu tendiere, belastbare wissenschaftliche Studien von unabhängigen Forschern heranzuziehen. Eine dieser Studie ist folgende. Darin sind sehr ausführlich Vorgehensweise, Datenanalysen und Erkenntnisse dargestellt, mit einer zu beachtenden Einschränkung: Es geht um den amerikanischen Arbeitsmarkt.
„First, we find substantial declines in employment for early-career workers in occupations most exposed to AI, such as software development and customer support.
Second, we show that economy-wide employment continues to grow, but employment growth for young workers has been stagnant.
Third, entry-level employment has declined in applications of AI that automate work, with muted effects for those that augment it.
Fourth, these employment declines remain after conditioning on firm-time effects, with a 13% relative employment decline for young workers in the most exposed occupations
Fifth, these labor market adjustments are more visible in employment than in compensation.
Sixth, we find that these patterns hold in occupations unaffected by remote work and across various alternative sample constructions“
Source: Brynjolfsson et al. (2025): Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence | PDF
Herausheben möchte ich hier, dass gerade junge Menschen, die in den Arbeitsmarkt kommen und noch keine domänenspezifische Expertise entwickeln konnten, von Künstlicher Intelligenz betroffen sind. Das ist in mehrerer Hinsicht bemerkenswert.
Einerseits scheint Expertise nicht so leicht durch KI ersetzbar zu sein, was wiederum für erfahrene, auch ältere Mitarbeiter spricht. Diese sollten natürlich Künstliche Intelligenz nutzen und nicht ablehnen.
