Tipping Point: User Innovation und Open Source AI

Image by David from Pixabay

In der Netzwerkökonomie gibt es manchmal überraschende Effekte. Beispielsweise besagt das Metcalfesche Gesetz (Wikipedia), dass der Wert eines Netzes im Quadrat der Zahl der angeschlossenen Rechner und Nutzer steigt. Dabei wird dieser Ansatz oftmals nur für die Rechenleistungen im Netz verwendet. Der Blick auf Nutzer (User) wird leider nicht so oft thematisiert. Obwohl das Gesetz auch kritisiert wird, ergeben sich für mich durchaus interessante Anhaltspunkte.

Auch der Tipping Point ist so ein Begriff, der in der Netzwerkökonomie (und auch anderen Bereichen) helfen kann zu verstehen, warum es einer kleinen Anzahl von Nutzern möglich ist, gravierende Veränderungen herbeizuführen.

Der Tipping Point (Kipppunkt) ist in der Netzwerkökonomik „die kritische Masse, die erforderlich ist, damit sich eine Nachricht oder ein Sozialverhalten massenhaft verbreitet.“

Wo der Tipping Point liegt kann nicht genau bestimmt werden, doch gibt es durchaus Anhaltspunkte.:

Welzer (2013) ist beispielsweise der Auffassung, dass schon 5% einer gesellschaftlichen Gruppe ausreichen, um eine Politik der Zukunftsfähigkeit anzustoßen.

Rogers (2003) erwähnt bei der Diffusion von Innovationen einen Wert von 15-20%, wenn es um den Übergang von den Early Adopters zu Early Majority geht.

Übertragen auf die Nutzung von Open Source AI (Digitale Souveränität) wäre es demnach es also „nur“ erforderlich, dass im europäischen KI-Netzwerk 15-20% Open Source AI verwenden, um sich unabhängiger von den proprietäten KI-Modellen zu machen.

Ähnlich ist es mit Open User Innovation. Dabei handelt sich um Innovationen, die nicht von Unternehmen stammen, sondern von einzelnen Usern. Eric von Hippel hat in vielen länderspezifischen Studien zeigen können, dass dieser Anteil innovativer User jetzt schon recht hoch ist: „Empirical studies also show that many users -from 10 percent to nearly 40 percent- engage in developing or modifying products (Eric von Hippel 2013:120). Da es seit 20 Jahren (Mota, 2011) immer mehr neue Technologien gibt, die nichts, oder recht wenig Kosten, und Künstliche Intelligenz (natürlich Open Source AI) unterstützend genutzt werden kann, wird der Tipping-Point auch hier möglicherweise bald erreicht.

Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich darauf in einem Paper ein:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Mein zweites Paper:

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Komplexe Systeme: Ist die Antwort einfach mehr Daten?

Eigene Darstellung nach Mainzer (2008)

Auf der Basis umfangreicher Geburts- und Sterbedaten berechnen Versicherungen seit dem 19. Jahrhundert die durchschnittliche Lebenserwartung von Menschen. Dabei wird eine Normalverteilung und das Gesetz der großen Zahl unterstellt. Die Verwendung von Normalverteilungen ist dabei nicht nur auf Versicherungen beschränkt. Ein weiteres Beispiel für die Nutzung der Normalverteilung ist die Berechnung des Intelligenz-Quotienten. In der Zwischenzeit gibt es deutliche Kritik an diesen Vorgehensweisen.

„Vom zentralen Grenzwertansatz und Normalverteilungen ging die klassische Sicht von Zufall und Wahrscheinlichkeit aus. Sie ist untypisch für komplexe Systeme, in denen sich Ordnungen und Strukturen selbst organisieren. Normalverteilungen setzen nämlich völlig unabhängige Ereignisse voraus. Daher können sie keine Korrelationen und Synergieeffekte von zusammenwirkenden Ereignissen berücksichtigen, die erst zu neuen Formen und Strukturen in Natur und Gesellschaft führen“ (Mainzer, 2008).

In der Abbildung (oben) wird plakativ dargestellt, dass durch zufällige Wechselwirkungen der Systemelemente einer Mikroebene zufällig neue Strukturen auf einer Makroebene entstehen, die nicht auf die einzelnen Systemelemente zurückzuführen sind (Emergenz). Siehe dazu auch Alle reden über Komplexität, doch wer kennt schon Bifurkationspunkte?

In der nächsten Abbildung ist die komplexe Situation in einer Gesellschaft zu erkennen, in der auf der Mikroebene Individuen interagieren und somit Bottom Up Einfluss auf die Makroebene nehmen. Die Makroebene wiederum hat Einfluss auf die Mikroebene (Top Down).

Eigene Darstellung nach Mainzer (2008)

Wir schauen als Bürger noch zu sehr auf die Makroebene (die da oben) und erwarten, dass das komplexe System für alle Beteiligten geregelt (gesteuert) wird. Besser wäre es, wenn mehr Raum für die Entwicklung der Mikroebene geschaffen wird (Ermöglichungsräume), um eine angemessene, selbstorganisierte Antwort auf die gesteigerte Komplexität in unserem Leben geben zu können.

Da das Denken in komplexen Zusammenhängen (komplexen Systemen) in unserer Gesellschaft leider wenig ausgeprägt ist, dominiert immer noch die falsche Annahme, dass alles regelbar und steuerbar sei. Man muss nur viele – ja sehr viele – Daten und Informationen sammeln. Künstliche Intelligenz suggeriert, dass dieser Zustand möglich sein kann – dem ist allerdings nicht so, wie es der Nobelpreisträger Simon schon in seiner eingeschränkten Rationalität erläuterte:

„Allerdings ergeben sich durch die Informationsbeschaffung selbst, Unsicherheit und Ungewissheit, da die Informationen über komplexe Systeme immer auch unvollständig sind, sodass eher von einer begrenzten oder auch eingeschränkten Rationalität auszugehen ist (vgl. Simon 1957/1982, Foss 2003)“ (Freund 2011:19).

Ein komplexes System kann zwar über geeignete Ordnungsparameter beeinflusst werden, doch ist dieser Ansatz oft nicht zu erkennen. Es müssen in einem komplexen System nicht alle Daten erfasst – was nicht möglich ist -, sondern die richtigen Ordnungsparameter gefunden werden. „Wir brauchen eben noch mehr Daten“ ist also eine Antwort, die nicht zu den heute anstehen Fragen passt.

Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich darauf in einem Paper ein:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Mein zweites Paper:

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Multiple Intelligenzen Theorie erfasst die wesentlichen Dimensionen des zugrundeliegenden komplexen Systems

Image by StockSnap from Pixabay

Complex Problem Solving (CPS) unterscheidet sich erheblich von Simple Problem Solving (SPS). Beim einfachen Problemlösen (SPS) sind Ist- und Soll-Zustand gut beschreibbar. Durch planbares Vorgehen ist der Soll-Zustand dann mehr oder weniger gut erreichbar. Für CPS ist bei einem Menschen ein komplexes System von informationsverarbeitenden Prozessen erforderlich, denn komplexes Problemlösen (CPS) ist anders. Die Ausgangszustände sind nicht so eindeutig beschreibbar, der Weg zum Ziel ist vielfältig und das Ziel selbst ist unscharf (fuzzy). Bamberger und Wrona (2000:6) formulieren das so:

Sie stellen Entscheidungen unter Unsicherheit dar und werden auch als sogenannte Multi-Kontext-Probleme derart bezeichnet, dass sie in unterschiedlichen, jeweils aktorspezifischen Kontexten definiert bzw. expliziert werden.“

Das theoretische Konstrukt Multiple Intelligenzen erfasst hier die wesentlichen Dimensionen dieses zugrundeliegenden (komplexen) Systems beim Menschen und geht damit über die biologischen Einschränkungen hinaus.

„This theoretical construct of multiple intelligences represents a framework that not only connects the biological constraints of human information processing to the world of culturally valued capabilities. In addition, it represents a particular compromise, balancing the need to deal with the richness and complexity of the underlying system against theoretical tractability, while still capturing the most important dimensions of the complex system“ (Cornell, Shearer and Gardner, 2003).

In der heute stark vernetzten Welt, kommt es immer mehr zu komplexen (nicht nur komplizierten) Problemstellungen. Insofern hat die Multiple Intelligenzen Theorie eine gute Passung zu dieser Entwicklung. Siehe dazu auch

Multiple Intelligenzen: Intelligenzprofile angemessen interpretieren

Wie hängen Multiple Intelligenzen und Fähigkeiten zusammen?

Was sind Eigenschaften von komplexen Aufgabenstellungen?

Wie hängen Multiple Intelligenzen und Fähigkeiten zusammen?

In dem Blogbeitrag Multiple Intelligenzen: Intelligenzprofile angemessen interpretieren ging es mir darum aufzuzeigen, was Gardner unter Intelligenz und und unter Multiple Intelligenzen versteht. Dabei ist immer auch der Kontextbezug zu beachten. Diese Multiplen Intelligenzen werden oft fälschlicherweise mit Fähigkeiten (Abilities) gleich gesetzt.

Ein Multiple Intelligenzen Profil stellt in Bezug auf einen Kontext ein Potential zur Informationsverarbeitung dar: Verbal, spatial, musical etc.. Gruppieren wir nun die insgesamt 7-9 Multiplen Intelligenzen (je nach Erscheinungsjahr), so können wir die Gruppen Spatial, Verbal und Interpersonal bilden.

In der Abbildung oben ist links die komprimierte Fassung der Ausprägung der genannten Multiple Intelligenzen Gruppierungen zu erkennen. Diese wiederum stellen in dem rechten Teil der Abbildung unrealisierte Fähigkeiten dreidimensional dar. Es wird deutlich, dass es nach Howard Gardner nur 7-9 Intelligenzen gibt (je nach Erscheinungsjahr), doch eine fast unendliche Anzahl von (unrealisierten) Fähigkeiten (Abilities).

Fähigkeiten sind somit nicht mit Intelligenzen (nach Howard Gardner) gleichzusetzen. „Abilities can be conceptualized in terms of functionally integrated profiles of intelligences“ (Cornell/Sheridan(Gardner 2003).

In der folgenden Abbildung ist ein weiteres Profil zu sehen, das einen ganz anderen Raum von (unrealisierten) Fähigkeiten ergibt. Da alles in Bezug auf einen Kontext zu betrachten ist, kann das alles nur eine Momentaufnahme sein. Ändert sich der Kontext und das Multiple Intelligenzen Profil, so ändert sich auch der Fähigkeiten-Raum.

Aissen-Crewett (1998 führt das erläuternd aus. „Wir sollten davon absehen, den Begriff der Intelligenz mit dem der Fähigkeit zu assoziieren, geschweige denn gleichzusetzen, wie wenn Intelligenz einen fixierten Set von Fähigkeiten bedeutet. Statt dessen sollten wir Intelligenz eher verstehen als die Fähigkeit, aus seinen Stärken ´Kapital zu schlagen´ und seine Schwächen zu kompensieren. Jeder Mensch verfügt über unterschiedliche Konfigurationen von Intelligenzen“ (Aissen-Crewett, 1998).

Multiple Intelligenzen: Intelligenzprofile angemessen interpretieren

Eigene Darstellung. Quelle: Connell et al. (2003)

Die Multiple Intelligenzen Theorie von Howard Gardner integriert verschiedene Perspektiven auf Intelligenz (Intelligenz-Quotient, Emotionale Intelligenz, Soziale Intelligenz, … ). Dabei geht Howard Gardner in seinem Verständnis von Intelligenz von einem biopsychologischen Potenzial aus, was sich daher auch von Künstlicher Intelligenz (KI) unterscheidet. Siehe dazu auch die Anmerkungen zu möglichen Kategorienfehler.

„Ich verstehe eine Intelligenz als biopsychologisches Potenzial zur Verarbeitung von Informationen, das in einem kulturellen Umfeld aktiviert werden kann, um Probleme zu lösen oder geistige oder materielle Güter zu schaffen, die in einer Kultur hohe Wertschätzung genießen“ (Gardner  2002:46-47).

Die ursprünglichen Multiplen Intelligenzen sind in ihren Ausprägungen in einem fiktiven Profil in der Abbildung dargestellt. Es ist dabei wichtig, dass diese Intelligenzen in Bezug auf etwas bewertet werden, also in Bezug auf eine bestimmte Arbeit/Tätigkeit. Ein Intelligenzprofil „out of context“ zu erstellen, macht nach Howard Gardner keinen Sinn, und entspricht nicht seiner Definition von Intelligenz (Problembezug, kulturelles Umfeld, Wert).

Es ist aus diesen Überlegungen heraus auch nicht richtig – ja sogar unsinnig – davon zu sprechen, dass jemand „hauptsächlich musikalisch intelligent“ sein soll, da bei einer kontextabhängigen Problemlösung immer alle Intelligenzdimensionen mehr oder weniger stark eingesetzt werden.

Diese Interpretation des Intelligenz-Konstrukts führt zwangläufig auch zu der Frage, ob Intelligenz entwickelt werden kann, oder ob der größte Teil schon in den Genen eines Menschen vorhanden ist. Howard Gardner geht nicht von einem Fixed Mindset, sondern von einem veränderbaren, Growth Mindset aus – ganz im Sinne von Caroll S. Dweck. Multiple Intelligenzen können also gezielt entwickelt werden.

In einem der nächsten Blogbeiträge gehe ich darauf ein, was ein Intelligenzprofil (Multiple Intelligenzen) für mögliche Kompetenzen bedeutet.

Anmerkung: Ich kann an dieser Stelle nicht auf alle Facetten des Themas eingehen. Wenn sie sich mit der Multiple Intelligenzen Theorie von Howard Gardner noch nicht befasst haben, können Sie sich gerne in meinen Blogbeiträgen umsehen.

Schutzrechte: Alles fing mit einem Lastkahn für Marmorblöcke an

Image by Gianluca from Pixabay

Wir haben uns daran gewöhnt, dass es verschiedene Schutzrechte gibt, die auf dem Markt durchgesetzt werden können. Schaut man sich beispielsweise die Geschichte des Patents dazu etwas genauer an, so muss man allerdings feststellen, dass es Schutzrechte für Erfindungen erst seit dem 18. Jahrhundert gibt. Augenscheinlich haben die Menschen vor dieser Zeit auch Möglichkeiten gefunden, mit dem Thema umzugehen.

Das erste überlieferte Patent für eine industrielle Erfindung wurde 1421 an den Architekten und Ingenieur Filippo Brunelleschi vergeben. Es gab ihm für drei Jahre das Monopol, einen Lastkahn mit einer Winde herzustellen, der für den Transport von Marmorblöcken verwendet wurde. Im Laufe der folgenden zwei Jahrhunderte breiteten sich solche Privilegien für Erfinder von Italien über Europa aus. (…) Schutzrecht für eine Erfindung gab es erst im 18. Jahrhundert“ (Grassmuck, 2004).

In der Zwischenzeit sind es nicht nur die klassischen Schutzrechte einer industriell geprägten Gesellschaft (siehe dazu DPMA), sondern auch immer mehr die Urheberrechte, die gerade in Verbindung mit den Trainingsdaten von KI-Modellen kontrovers diskutiert werden. In dieser Übergangsphase entstehen rechtlich Graubereiche, die von dynamischen Geschäftsmodellen rigoros ausgenutzt werden.

Es wird sich zeigen, ob wir eine angemessene Lösung finden, die die Rechte aller Beteiligten beachtet, oder ob wir uns eher in eine Gesellschaft hineinbewegen, in der nicht mehr, sondern eher weniger geschützt wird. Manche Entwicklungen wie die von Open Source, Open Science, Open Data, Open Government, Open Innovation usw. zeigen Wege auf, wie das aussehen könnte. Siehe dazu auch Quack, Sigrid und Leonhard Dobusch (2011): Auf dem Weg zur Wissensallmende? In: Aus Politik und Zeitgeschichte 28-30/2011, S. 41-46.

Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich darauf in einem Paper ein:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Mein zweites Paper:

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Unternehmen sind gut darin, Ideen zu zerstören

Diese Aussage im Blogtitel habe ich in einem Interview gefunden, das mit dem finnischen Professor Alf Rehn schon in 2014 geführt wurde. Darin macht er deutlich, dass es genügend Ideen in den Unternehmen gibt, diese es allerdings schaffen, viele davon zu zerstören, und dadurch Innovationen verhindern.

„Viele Leute glauben, das Problem sei die Menge an Ideen oder das Fehlen von Ideen. Ich kenne Hunderte von Unternehmen, die sagen, sie haben nicht genug Ideen. Aber das ist völlig falsch. Ich habe noch nie einen Betrieb kennengelernt, dem es an Ideen mangelte, niemals, nirgends – und ich habe schon mit den langweiligsten Unternehmen des Planeten zusammengearbeitet. Der Punkt ist vielmehr: Sie sind unglaublich gut darin, Ideen zu zerstören. Sie sind so gut darin, dass sie es nicht einmal merken“ (Interview mit dem finnischen Professor Alf Rehn. In: „Unternehmen sind gut darin, Ideen zu zerstören“, Haufe Online vom 13.10.2014).

Heute können Ideen mit Künstlicher Intelligenz in großer Anzahl generiert und ausgewählt werden. Letztendlich wird das Unternehmen allerdings im Abgleich mit den eigenen Ressourcen und den zu erzielenden Gewinnen entscheiden, ob sie eine Idee umsetzt, oder eben nicht. Dadurch entsteht ein begrenzter Innovationsraum.

Anders sieht es bei einzelnen Usern aus, die seit ca. 2007 (nach Mota, 2011) immer besser in der Lage sind, Ideen auch selbst umzusetzen. Solche Open User Innovation (Eric von Hippel) entgrenzen Innovationen von den Unternehmen und stellen eine bedeutende Möglichkeit dar, endlich das herzustellen, was benötigt wird. Siehe dazu auch Innovationen: Das Europäische Paradox.

Auf der MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) stelle ich dazu ein Paper vor:

Open-Source AI for Open User Innovation: Designing a Personal Fabrication Framework

Mein zweites Paper:

Digital Sovereignty and Open-Source AI: The European Way for Innovative SMEs

Umfangreiche Studie (2026) zur Nutzung von Künstlicher Intelligenz in Unternehmen

AdobeStock_650993865.jpeg

Es wird sehr viel über die positiven und negativen Auswirkungen bei der Nutzung von Künstlicher Intelligenz geschrieben. Dabei ist es nicht immer klar, ob die jeweiligen Veröffentlichungen nicht eher Public Relations oder Wunschdenken sind.

Um sich ein relativ gutes Bild machen zu können, sind Studien geeignet, die umfangreiches Datenmaterial unvoreingenommen analysieren. So eine Studie liegt nun mit Yotzov et al (2026) FIRM DATA ON AI vor.: „We survey nearly 6,000 senior business executives at US, UK, German, and Australian firms to develop new evidence on AI adoption and its effects on jobs, productivity, and output. Specifically, we ask executives about AI usage, its effects at their own firms over the past three years and, looking ahead, what they anticipate over the next three year.“ Die Forscher sind zu folgenden Ergebnissen gekommen:

First, around 70% of firms actively use AI, particularly younger, more productive firms.

Second, while over two thirds of top executives regularly use AI, their average use is only 1.5 hours a week, with one quarter reporting no AI use.

Third, firms report little impact of AI over the last 3 years, with over 80% of firms reporting no impact on either employment or productivity.

Fourth, firms predict sizable impacts over the next 3 years, forecasting AI will boost productivity by 1.4%, increase output by 0.8% and cut employment by 0.7%.

Neben dem von den Tech-Konzernen mit ihren KI-Modellen gerne propagierte Hype um ihre Produkte, gibt es die nüchterne Realität, die sich in den Studienergebnissen widerspiegelt.

Musik: Wie viel KI steckt in Deinen Playlists?

https://www.deezer.com/explore/de/ai-music-detector/

Überall wird Künstliche Intelligenz verwendet. bei Texten, Bilder, Videos und auch bei der Musik. Doch wieviel KI in den jeweiligen Musik-Titeln stecken wird uns oftmals nicht mitgeteilt. Um das herauszufinden, hat der Musik-Streamingdienst Deezer eine Plattform (Detector) geschaffen, auf der jeder seine Playlists – auch von verschiedenen Anbietern – überprüfen lassen kann.

Einerseits ein interessantes PR-Feature der Firma, andererseits setzt er andere Streamingdienstleister unter Druck, transparenter bei der Nutzung von Künstlicher Intelligenz in Musiktiteln zu werden. Ich bin sehr gespannt darauf, wie sich diese Plattform und die neue Kennzeichnungspflicht von KI-generierten Inhalten ab 02. August 2026 auswirken werden.

Article 50 of the EU AI Act introduces transparency obligations in four situations:
(1) when AI interacts directly with people,
(2) when AI generates synthetic content,
(3) when AI is used for emotion recognition or biometric categorisation, and
(4) when AI creates deepfakes or text published on matters of public interest.
Quelle: EU AI ACT Article 50

AI Economics Indicators – it all starts with trust

Beschäftigungstrend nach der Einführung von ChatGPT (Quelle: https://digitaleconomy.stanford.edu/project/indicators/)

Die Entwicklungen bei Künstlicher Intelligenz sind sehr dynamisch, sodass manche Studien schon der Realität hinterherhinken, wenn sie veröffentlicht werden. Weiterhin gibt es auch Studien, die sich mit der selben Thematik befassen, aber zu unterschiedlichen Schlussfolgerungen führen. – wem kann man da vertrauen?

Es ist daher gut, das die Stanford University nun eine Plattform veröffentlicht hat, auf der viele graphische Auswertungen zu unterschiedlichen Fragestellungen zu finden sind.

„Yet we lack timely, trusted ways to measure how these changes are affecting work, productivity, and value creation in the economy. (…) We believe that a better understanding of the technology’s effects will lead to better decisions“ (Quelle

Stanford Digital Economy Lab. „AI Economic Indicators.“ Accessed [16th of June 2026]. https://digitaleconomy.stanford.edu/project/indicators/

In der Abbildung wird z.B. deutlich, wie sich der Beschäftigungstrend nach der Einführung von ChatGPT auf die verschiedenen Altersstrukturen ausgewirkt hat. Die Beschäftigungstrend geht beispielsweise für die Personen zwischen 22-25 Jahren im Vergleich zum November 2022 zurück.

Siehe dazu auch Künstliche Intelligenz – It All Starts with Trust.