Veröffentlicht am

Künstliche Intelligenz: Von Präferenzen zu Werten – doch zu welchen Werten?

Herauszufinden, welche Präferenzen (Vorlieben, Neigungen) ein Nutzer üblicherweise hat, ist für Unternehmen wichtig. Es wird aus diesen Präferenzen oft interpretiert, welche Produkte und Dienstleistungen den Nutzer möglicherweise auch noch interessieren könnten. Die im 20. Jahrhundert entstandenen philosophischen und ökonomischen Theorien hatten dabei das Ziel, Präferenzen möglichst zu befriedigen. In den Anfängen solcher Überlegungen wurden zwei Präferenzen unterschieden:

„From these early theories emerges the distinction between revealed preferences and ideal preferences (Samuelson, 1948). Revealed preferences refer to how people’s desires are acted upon in real life through the choices they make (Samuelson, 1948). Ideal preferences refer to people’s desires that would manifest if they were rational and informed in an ideal world (Samuelson, 1948). This distinction importantly points to the idea that people’s actions may or may not reflect their actual desires“ (Li, J. (2026) Beyond Preference-based Value-alignment, IEAI Research Brief – Q2 2026).

Das Konzept der Präferenzen wurde auf Methoden zur Werteausrichtung (Value Alignment) ausgeweitet, bei denen der Schwerpunkt darauf liegt, Informationen beispielsweise über das bevorzugte Verhalten von KI-Systemen anhand offenbarter Präferenzen zu extrapolieren.

An dieser Stelle stellt sich allerdings die Frage, ob sich das KI-Modell an die Präferenzen und Werte des Nutzers anpasst, oder ob nicht das KI-Modell den Nutzer so beeinflussen will, dass er die in dem KI-Modell hinterlegten Werte adaptiert. Da die Werte der proprietären KI-Modelle oft nicht transparent sind, kann es daher zu unerwünschten Manipulationen kommen. Siehe dazu auch 

Open Source AI: Warum sollte Künstliche Intelligenz demokratisiert werden?

Interaktion zwischen Mensch und KI-Modell: Welche Rolle spielen dabei Werte?

Veröffentlicht am

User-Centric Personalization mit dem Human Context Protocol (HCP)

Illustration of two personalization paradigms (Shah et al., 2025)

Es ist schon erstaunlich, wie wir mit unseren Daten umgehen. Viele bestätigen die verschiedenen Richtlinien der Anbieter einfach, da sie (die Nutzer) die ganzen Bestimmungen gar nicht lesen, geschweige denn verstehen können. Das wiederum führt dazu, dass die jeweiligen Anbieter Nutzer-Daten teilweise, oder recht umfangreich, speichern und nutzen. Einerseits geschieht das, um die Nutzung zu vereinfachen – das Nennen die Provider dann Personalization-, wobei Kontext-Informationen des Users gewonnen werden. Darüber hinaus werden alle User-Daten noch für „andere Zwecke“ verwendet, die ein User gar nicht mehr überblicken kann.

In der Abbildung ist auf der linken Seite zu erkennen, was bei unterschiedlichen Anbietern (Providern) mit User-Prompts passiert. Jeder Provider baut seine Personalisierung gegenüber dem User auf (Provider-Centric Personalization), wobei die Daten und Kontext-Informationen beim Provider gespeichert werden. Diese Informationen über die Personalisierung sind nicht einfach auf andere Provider übertragbar, was dem jeweiligen Provider nicht interessiert. In diesem System hat der User kaum alternative Möglichkeiten.

Auf der rechten Seite der Abbildung ist ein ganz anderer Personalisierungs-Ansatz zu erkennen, der den User in den Mittelpunkt stellt (User-Controlled Preference Layer). Die Daten eines Users und der jeweilige Kontext werden in einem HCP Vault (einer Art Daten-Tresor) gespeichert, und können verschiedenen Systemen zur Verfügung gestellt werden. Bei diesem Ansatz müssen natürlich alle anderen Anwendungen über definierte Schnittstellen verbunden werden können – hier kommt das HCP (Human Context Protocol) ins Spiel..

„On the right panel, a shared preference layer is introduced in which user context is stored in a centralized HCP vault and selectively accessed by multiple assistants, tools, and applications through an HCP-mediated interface. User preference data (generated by varied user activity) is moderated by HCP to consumer agents. Each agent obtains only the relevant subset of the user’s complete preference data“ (Shah et al., 2025).

Diese Entwicklung unterstützt den Trend, dass User über ihre eigenen Daten und die damit verbundenen Kontext-Informationen selbst bestimmen können, was gerade in Zeiten von Künstlicher Intelligenz immer wichtiger wird. Siehe dazu auch Was wäre, wenn jeder über seine generierten Daten selbst entscheiden könnte?

Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich darauf ein: Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework.

Veröffentlicht am

Personas sind für Personalization ungeeignet

Personas sind (nach IREB-Glossar) „fictional characters created to represent the different user types that might use a site, brand, or product in a similar way.“ Die Verwendung von Personas gerade im Agilen Projektmanagement zur Ableitung der Anforderungen und zur Formulierung und Bewertung von User Stories ist populär. Dabei hatte ich allerdings auch schon in einem früheren Blogbeitrag auf auf Tücken dieser Vorgehenseise hingewiesen: Die Falle bei den Anforderungen.

Darüber hinaus hatte auch Frank Piller die Verwendung von Personas für die Hybride Wettbewerbsstrategie Mass Customization als nicht geeignet angesehen, da „A “persona of one” is turning the persona idea to its opposite“. Siehe dazu ausführlicher: Ist die Verwendung von Persona das Gegenteil von Mass Customization?

Neben dem Agilen Projektmanagement und Mass Customization haben sich auch Autoren mit Personas in Bezug zum Megatrend Mass Personalization befasst. Auch hier sieht man die Verwendung von Personas kritisch:

„Seit einiger Zeit „menschelt“ es in den Marketingabteilungen verstärkt. Anstelle von unanschaulichen Excel-Files mit ihren Tabellen und Diagrammen werden bei Präsentationen so genannte Personas zum Leben erweckt. Auch User Personas genannt. Einfach ausgedrückt dienen sie dazu, einen Zielkunden darzustellen.

Was Personas sind, darüber gehen die Meinungen in der Fachwelt auseinander. Die einen sprechen von fiktiven, aber realitätsnahen Nutzern, die anderen von prototypischen Kunden ihres Angebots – oder von archetypischen Nutzern. Zwar unterschiedlich bezeichnet, dienen sie einem einheitlichen Zweck: Sie repräsentieren Bedürfnisse einer Zielgruppe und machen es möglich, (mehr oder weniger) fundierte Entscheidungen bei der Entwicklung nutzerfreundlicher Produkte zu treffen. Von Beginn an.

Mass Personalization kann nicht realisiert werden, ohne die individuellen Nutzerbedürfnisse zu berücksichtigen. Die schlechte Nachricht: Personas sind nicht zu 100 Prozent zielführend und helfen bei personalisierten Produkten nicht weiter. Sie bieten nur eine Typisierung der Nutzer für Entwicklungszwecke und keine Personalisierung für die Produktion. Stattdessen wird ein parametrisiertes Profil benötigt, das mit dem individualisierten Fertigungsplan gematcht werden kann“ (Briehm/Dangelmeyer, in Krieg/Groß/Bauernhansl (2024) (Hrsg.)).

Es ist nicht ganz leicht, die feinen Unterschiede zu erkennen und daraus die richtigen Schlussfolgerungen zu ziehen. Daher ist es wichtig, sich zu informieren, und das aus erster Hand.

Im September 2026 haben Sie dazu auf der 12. MCP 2026 zu Mass Customization und Personalization die Möglichkeit. Die internationale Konferenz findet diesmal in Balatonfüred, Ungarn statt. Sprechen Sie mich bei Fragen bitte direkt an. Als Initiator der Konferenzreihe kann ich Ihnen gerne weitere Informationen geben.

Veröffentlicht am

Wissensarbeit: Bestehen 60% der Gesamtarbeit aus „Arbeit rund um die Arbeit“?

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.

Veröffentlicht am

10 Prinzipien für gutes Digital Design

Die stetige Digitalisierung führt zwangsläufig zu der Frage, was gutes Digitales Design (Digital Design) ausmacht. Die folgenden Prinzipien stellen hier weniger eine Art Checkliste dar, sondern sollen eher als Haltung zu verstehen sein.

Diese zehn Prinzipien lauten (Lauenroth et al. 2024):

P1 – Gutes Digital Design ist nützlich und gebrauchbar.
P2 – Gutes Digital Design ist elegant und ästhetisch.
P3 – Gutes Digital Design ist evolutionär.
P4 – Gutes Digital Design ist explorativ.
P5 – Gutes Digital Design nimmt den ganzen Menschen in den Fokus.
P6 – Gutes Digital Design antizipiert die Auswirkungen seiner Ergebnisse.
P7 – Gutes Digital Design achtet den Datenschutz und die Datensicherheit.
P8 – Gutes Digital Design ist nachhaltig und schafft Nachhaltigkeit.
P9 – Gutes Digital Design würdigt Analoges und Digitales in gleicher Weise.
P10 – Gutes Digital Design setzt Digitales nur dort ein, wo es erforderlich ist.

In der Zwischenzeit gibt es sogar Digital Design als Berufsbild:

Bitkom e. V.: Rollenideal Digital Design – Erfolgreiche Digitalisierung und Digitale Transformation erfordern ein Umdenken in der Softwareentwicklung, 2017, https://www.bitkom.org/Bitkom/Publikationen/Rollenideal-Digital-Design.html.

Ich frage mich allerdings: Warum gibt es immer noch so viele digitale Produkte und Dienstleistungen, die an den Bedürfnissen der User vorbeigehen?

Veröffentlicht am

Modernes Design sollte User Experience (UX) und Agent Experience (AX) beachten

Der Begriff User Experience (UX) spielt bei der Entwicklung von Produkten und Dienstleistungen eine große Rolle. Etwas kurz ausgedrückt, geht es bei UX um das „Benutzererlebnis“ oder auch „Nutzererlebnis“. Dabei wird davon ausgegangen, dass es sich bei dem User um Menschen (Human) handelt.

In Zukunft wird es neben der Interaktion zwischen Technologien und Menschen auch immer mehr Interaktionen zwischen Technologien selbst stattfinden. Am Beispiel von KI-Agenten lässt sich das ganz gut nachvollziehen, denn hier muss das Design auf einen oder mehrere Agenten abgestimmt sein (Agentic Experience: AX). Der folgende Text unterstreicht das noch einmal:

„The designs of tomorrow will have to consider two kinds of users: humans and agents. The agent experience (AX) will be using APIs to compose workflows but now includes desktop interactions“ (Thomas et al. 2025).

Ich bin gespannt, wie die UX-Community auf diese Entwicklung reagiert.

Veröffentlicht am

Von Mass Customization zu Hyper Customization?

Quelle: Frost & Sullivan (2019)

In der Industrie 4.0 ist es möglich, individuelle Produkte und Dienstleistungen zu Preisen herzustellen, die denen der massenhaft produzierten Produkten und Dienstleistungen entsprechen. Ein wesentliches Element bei dieser Hybriden Wettbewerbsstrategie Mass Customization ist hier ein relativ stabiler Lösungsraum, der mit Hilfe von Konfiguratoren erkundet werden kann. Siehe dazu Mass Customization? Was ist das denn?

Wie der Abbildung zu entnehmen ist, gehen Forster & Sullivan davon aus, dass sich diese Entwicklung in einer Industrie 5.0 noch dynamischer entwickeln wird, sodass die Autoren von Hyper Customization sprechen.

„In Industry 5.0, customer aspirations will drive the market interests toward hyper customization. Each individual product will be unique to its intended customer and manufactured accordingly“ (Frost & Sullivan (2019): Industry 5.0 — Bringing Empowered Humans Back to the Shop Floor | Link).

Ich stelle mir dabei allerdings die Frage, ob diese individuellen Produkte und Dienstleistungen von Unternehmen hergestellt und angeboten werden, oder Hyper Customization nicht auch bedeuten kann, dass User sich die Produkte und Dienstleistungen in Zukunft selbst entwickeln und herstellen….

Veröffentlicht am

Deceptive Patterns (Täuschungsmuster): Über die Tricks der Tech-Unternehmen

Screenshot: https://www.deceptive.design/

In verschiedenen Blogbeiträgen habe ich schon mehrfach darauf hingewiesen, dass es vielen Unternehmen gar nicht um die Bedürfnisse/Anforderungen der Kunden (User) geht, sondern eher darum, User zu manipulieren. Siehe dazu beispielhaft Produkte und Dienstleistungen als Mehrwert für Kunden: Warum funktioniert das einfach nicht?

Harry Brignull hat sich zur Aufgabe gemacht, auf Deceptive Patterns (Täuschungsmuster) hauptsächlich bei Tech-Unternehmen hinzuweisen. In seinem frei lesbaren Buch Brignull, H. (2023): Deceptive Patterns. Exposing the Tricks Tech Companies Use to Control You kann sich jeder ein Bild darüber machen, wie auf Webseiten und bei Apps manipuliert wird. Hier ein Beispiel:

ChatGPT forces users to compromise on privacy by linking it to reduced functionality
Dark patterns are another issue. By default, ChatGPT users allow OpenAI to use their data for model training, exposing them to memorization risks. The opt-out interfaces unnecessarily link privacy with reduced functionality, and the more flexible control is hard to find and use.
ChatGPT | tianshi_li | September 25, 2023
Source: https://www.deceptive.design/hall-of-shame

Dazu gibt es auch eine Hall of Shame in der hunderte von Beispielen zu finden sind, die das alles verdeutlichen.

Der einzelne User ist hier an vielen Stellen überfordert, und sollte daher besser vor solchen Machenschaften geschützt werden. Ein gutes Beispiel ist die Entscheidung des Bundeskartellamtes gegen Alphabet/Google (PDF).

Veröffentlicht am

Künstliche Intelligenz: Wie hängen Modelle, Agenten und Tools zusammen?

General agent architecture and components (Wiesinger et al. (2024): Agents)

In der letzten Zeit kommt immer mehr der Begriff AI Agent – oder auch Gen AI Agent – auf. Mit Hilfe der Abbildung möchte ich die Zusammenhänge der verschiedenen Komponenten erläutern.

Die Modelle (Model), oft als Language Models, Small Language Models oder Large Language Models (LLM) bezeichnet, enthalten eine sehr große Menge an Trainingsdaten. Dabei können Open Source AI Models, Open Weights Models und Closed AI Models unterschieden werden. An dieser Stelle merkt man schon, wie wichtig die Auswahl eines geeigneten Modells ist. Diese Modelle sind üblicherweise nicht auf typische Tools oder Kombinationen von Tools trainiert. Oftmals wird dieser Teil dann mit Hilfe von immer detaillierteren Eingaben (Prompts, Dateien etc.) des Users spezifiziert.

Die Beschränkungen von Modellen bei der Interaktion mit der „äußeren Welt“ kann durch geeignete Tools erweitert werden. Dazu können spezielle Datenbanken, API-Schnittstellen usw. genutzt werden. Siehe dazu auch RAG: KI-Basismodelle mit eigener Wissensbasis verknüpfen.

Der AI Agent orchestriert nun alle Komponenten, wie die Eingabe des Users, das jeweilige Modell (oder sogar mehrere), die Tools und gibt das Ergebnis (Output) für den User in der gewünschten Form aus.

Die Möglichkeit, AI Agenten zu erstellen, bieten in der Zwischenzeit viele kommerzielle KI-Anbieter an. Wir gehen demgegenüber den Weg, Open Source AI auf unserem Server zu installieren und zu nutzen:

AI Agenten konfigurieren wir mit Langflow (Open Source). Dabei können wir in Langflow auf sehr viele Open Source AI Modelle über Ollama (Open Source) zugreifen, und vielfältige Tools integrieren. Alle Daten bleiben dabei auf unserem Server.

Veröffentlicht am

Ist die Verwendung von Persona das Gegenteil von Mass Customization?

Gerade im Agilen Projektmanagement werden Anforderungen häufig für Persona formuliert. Diese sind nach dem IREB (International Requirements Engineering Board) fiktive Charaktere, mit deren Hilfe Werte für die User geschaffen werden sollen. Dieses Vorgehen erinnert an eine Art Segmentierung aus dem traditionellen Marketing.

Mass Customization auf der anderen Seite ist eine hybride Wettbewerbsstrategie, die individuelle Produkte und Dienstleistungen für jeden Abnehmer – also massenhaft – anbietet, bei Preisen, die denen der massenhaft produzierten Standardprodukten ähneln. Dabei ist der Konfigurator ein wichtiges Element, das passende Produkt in einem Fixed Solution Space (Definierter Lösungsraum) zu erstellen. Die dahinterliegende Idee eines „Market of One“ passt nicht so recht mit der Persona-Idee zusammen. Dazu habe ich folgendes gefunden:

„In many ways, a persona is the opposite of mass customization. It’s more traditional marketing thinking about how to deal with a larger number of segments. A “persona of one” is turning the persona idea to its opposite“ 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.

In Zeiten von Künstlicher Intelligenz wird es immer mehr Möglichkeiten geben, Produkte und Dienstleistungen massenhaft zu individualisieren und zu personalisieren. Ob die Verwendung von Persona in solchen eher agil durchzuführenden Projekten dann noch angemessen ist, scheint fraglich zu sein. Siehe dazu auch 

Society 5.0 und Mass Customization

Freund, R. (2009): Kundenindividuelle Massenproduktion (Mass Customization). RKW Kompetenzzentrum, Faktenblatt 5/2009.

Wir sind dabei: 20 Jahre MCP-CE vom 24.-27.09.2024