Veröffentlicht am

Künstliche Intelligenz als Freund, Mentor oder romantischer Partner?

Künstliche Intelligenz (GenAI) kann in der Zwischenzeit viele traditionelle Tätigkeiten oder Abläufe optimieren und ersetzen. Bei der Interaktion mit den KI-Modellen kommt es zu einer immer stärkeren Anpassung des KI-Modells an die Anforderungen des Nutzers.

Künstliche Intelligenz verstärkt durch die Personalisierung allerdings auch Schmeicheleien (Blogbeitrag). Es wundert daher nicht, dass KI immer mehr als Compagnon wahrgenommen wird, der möglicherweise als angenehmer empfunden wird, als andere Menschen. Es kommt bei dieser Entwicklung zu einer Art Transformation von den eher funktionsorientierten Nutzung der KI, hin zum Aufbau von einer Art „Beziehung“.

„AI companions differ from traditional task-oriented AI by prioritizing relationship building over functionality (Zhang and Lu, 2023; Zhang et al., 2025). Modern systems incorporate memory of past interactions, can recognize emotion, and adapt their responses to individual users’ needs (Yang et al., 2025). Platforms like Replika, Character.ai, and XiaoICE have attracted user bases in the millions. Many users have reported forming emotional attachments to their AI companions, viewing them as friends, mentors, or romantic
partners (Zhang et al., 2024; Kouros et al., 2024)“ (The AI Index 2026 Annual Report).

Einerseits ist also die Anpassung an die persönlichen Bedürfnisse eine positive Entwicklung, andererseits kann es über den Weg der (unbemerkten) Schmeicheleien einen Lock-in geben, aus dem die jeweiligen Nutzer selbst nicht mehr herauskommen. Diese sich dann entwickelnde Pfadabhängigkeit ist aus der Innovationsforschung bekannt.

Beyer (2005) weist allerdings in seinem Beitrag darauf hin, dass es auch dazu kommen kann, dass „Akteure jeweils einen Schlüssel finden können, um das Schloss wieder aufzuschließen“.

Beyer, J. (2005): Pfadabhängigkeit ist nicht gleich Pfadabhängigkeit! Wider den impliziten Konservatismus eines gängigen Konzepts, in Zeitschrift für Soziologie, Jg. 34, Heft 1, Februar 2005, S. 5–21 | PDF

Veröffentlicht am

ResearchGate: Conference paper with 900 reads – thanks to my co-authors

Meine Veröffentlichungen sind zum größten Teil auch auf ResearchGate zu finden. Darunter sind eigene Paper/Chapter und auch gemeinsame Veröffentlichungen mit Kollegen. Im Vergleich zum Januar 2023 haben sich die „reads“ bis zum Januar 2026 auf 19.803 erhöht – ein sattes Plus von 4.777.

Die Anzahl der „reads“ auf Researchgate schwankt je nach Thema und Autor sehr stark, sodass ein Vergleich schwierig ist. Dennoch kann ich – zusammen mit den Co-Autoren – sagen, dass 900 reads für das angegebene Paper bemerkenswert viel ist. Es freut uns, dass an dem Thema wohl Interesse besteht. Thanks to my colleagues and co-authors!

Zwei neue Paper stelle ich auf der MCP 2026, vom 16.-19.2026 in Balatonfüred, Ungarn, vor:

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

Open-Source AI for Open User Innovation: Designing a Personalized Framework

Veröffentlicht am

Wirtschaftlichkeit von KI-Agenten: Warum kommt es bei den Token-Kosten oft zu regelrechten Abrechnungsschocks?

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.

Veröffentlicht am

OpenMoji: Open Source Emojis für jeden

https://openmoji.org/

Jeder benutzt in seiner Kommunikation Emojis, die oft in den üblichen Apps enthalten sind. Um sich etwas zu unterscheiden, haben Studenten mit ihren zwei Professoren das Open Source Projekt OpenMoji ins Leben gerufen.

„OpenMoji is an open source project of 80+ students and 2 professors of the HfG Schwäbisch Gmünd and many external contributors“ (ebd.).

Die Symbole sind somit für jeden frei nutzbar, und können in verschiedenen Größen und Farben – auch Schwarz/Weiß – heruntergeladen werden.

Wieder ein schönes Beispiel für Open Source Projekte, die unseren Alltag bereichern. Mehr Beiträge zu Open Source finden Sie hier.

Veröffentlicht am

Open Innovation: Chesbrough 2026 Festschrift

https://www.chesbrough2026.com/home/Conference

Im April fand in Rom eine Konferenz für Henry Chesbrough statt, um das Werk des Forschers zu seinem 70. Geburtstag zu ehren. Chesbrough hat mit seinem Ansatz eines eher offenen Innovationsprozesses (Open Innovation) in Organisationen, und auch in Forschungsbereichen viel bewirkt.

Enge Mitstreiter haben sich daher in Rom zusammengefunden, auch um Paper zum Thema und zur Person vorzustellen, die in den nächsten Monaten veröffentlicht werden sollen.

„The April 2026 event is thus organized as a paper development workshop in three tracks: for the CMR special issue, the ICC special section, or the R&D Mgmt special issue“ (ebd.).

Ich bin sehr auf die verschiedenen Veröffentlichungen gespannt, denn ich habe den Weg von Henry Chesbrough in den letzten Jahren intensiv verfolgt.

Beispielsweise habe ich Henry Chesbrough schon auf dem MCPC 2011: 6th Worldcongress on Mass Customization, Personalization and Co-Creation, UC Berkeley, San Francisco, USA (Blogbeitrag) live erlebt.

Es war auch für mich inspirierend zu sehen, wie die Öffnung des Innovationsprozesses (Open Innovation) in Organisationen entwickelt werden kann, und was es für die Organisationen und für deren Kunden bedeutet. In der Zwischenzeit gibt es in allen Bereichen Beispiele für die den erfolgreichen Einsatz von Open Innovation – auch in Zeiten Künstlicher Intelligenz.

In einem meiner beiden Paper, die für die MCP 2026, 16.-19.09.2026, Balatonfüred, Ungarn angenommen wurde, gehe ich auch auf Open Innovation ein. Allerdings betrachte ich hier eher die Perspektive von Eric von Hippel, der Open User Innovation favorisiert.

Veröffentlicht am

Künstliche Intelligenz: Enormer Ressourcenverbrauch großer KI-Modelle

Image by Jonathan Hammond from Pixabay

Wenn es um Künstliche Intelligenz geht, lesen wir in letzter Zeit immer häufiger, dass für die großen KI-Modelle „unbedingt“ größere Rechenzentren benötigt werden. Dafür wurden auch schon hohe Milliarden-Beträge auf dem Kapitalmarkt eingesammelt. Es scheint hier kein Limit zu geben.

Andererseits stehen allerdings auch Fragen zu den dafür benötigten Ressourcen im Raum. In einer modernen Welt geht es nicht mehr alleine um die Bedürfnisse von Tech-Konzernen, sondern auch darum, eine lebenswerte Umwelt zu erhalten. In dem Zusammenhang geht es somit auch um den CO2-Verbauch und um den Bedarf an Wasser. Dazu findet man im Aktuellen AI Report folgendes:

„AI’s environmental footprint is expanding alongside its capabilities. Grok 4’s estimated training emissions reached 72,816 tons of CO2 equivalent. AI data center power capacity rose to 29.6 GW, comparable to New York state at peak demand, and annual GPT-4o inference water use alone may exceed the drinking water needs of 12 million people“ (AI Report 2026).

Es ist schon erstaunlich, welche Ressourcen die hier genannten KI-Modelle verschlingen. Dabei streben die großen KI-Systeme eine übergreifende Art von Intelligenz an: Artificial General Intelligence (AGI), die der menschlichen Intelligenz weit überlegen sein soll. Betrachten wir daher einmal, wie viel Energie ein Mensch für eine komplexe Problemlösung benötigt:

„Das menschliche Gehirn leistet vieles, was Maschinen überfordert – und das mit minimalem Energieverbrauch. Im Durchschnitt verbraucht es nur etwa 20 Watt, so viel wie eine schwache Glühbirne“ Knees (2025): Wie Forscher die Tech-Konzerne entmachten wollen, in Handelsblatt vom 11.10.2025.

„Unser Gehirn benötigt für hochkomplexe Informationsübertragungen und -verarbeitungen weniger Energie als eine 30-Watt-Glühbirne“ (Prof. Dr. Amunts).

Es wird deutlich, dass der Energieverbrauch der großen Tech-KI-Modelle weniger intelligent ist, als man es uns weismachen möchte. Es wundert daher nicht, dass die Entwicklung immer größerer Modelle (Large Language Models) infrage gestellt wird.

Forscher sind aktuell auf der Suche nach Modellen, die ganz anders aufgebaut sind und nur einen Bruchteil der aktuell benötigten Energie verbrauchen. Gerade in China gibt es dazu schon deutliche Entwicklungen. Auch in Deutschland befassen sich Forscher mit dem Thema neuroinspirierte Technologien.

Veröffentlicht am

WDR 5 Quarks Podcast zu Maßanfertigung für Massen

Über Mass Customization habe ich schon sehr viele Beiträge veröffentlicht. Darin wird deutlich, wie diese hybride Wettbewerbsstrategie in den verschiedenen Branchen schon oft umgesetzt wurde. Siehe dazu auch Freund, R. (2009): Kundenindividuelle Massenproduktion (Mass Customization). RKW Kompetenzzentrum, Faktenblatt 5/2009.

Auf der Produktionsseite sind daher schon fast alle Prozesse digitalisiert, sodass die meisten Produkte schon heute ohne großen Aufwand individualisiert werden können. Auf der Kundenseite haben die vielen Konfiguratoren manchmal mehr Verwirrung gestiftet, als dass es für die Kunden nützlich war.

Interessant ist, dass Mass Customization and Personalization durch Künstliche Intelligenz wieder eine Art Revival erlebt.

Einer der führenden Innovationsforscher, Prof. Dr. Frank Piller von der RWTH Aachen, hat nun in einem Podcast mit der Sendung WDR Quarks – Wissenschaft und mehr, Mass Customization, und die neuen Möglichkeiten durch Künstliche Intelligenz, erläutert. Das Gespräch ist in dem Podcast bis Minute 34:26 zu hören.

Maßanfertigung für Massen
WDR 5 Quarks – Wissenschaft und mehr 07.04.2026 01:20:01 Std. 

Es freut mich, dass Mass Customization nicht nur in der Forschung, sondern auch im allgemeinen Bewusstsein der Kunden wieder thematisiert wird.

Aktuelle Entwicklungen werden auf der von mir initiierten Konferenz Mass Customization and Personalization MCP 2026, vom 16.-19.09.2026 in Balatonfüred, Ungarn, vorgestellt.

Veröffentlicht am

OECD Report (2026) – Bei der Reproduzierbarkeit erfüllen GenAI Modelle nicht die wissenschaftlichen Kriterien

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

Es ist nur natürlich, dass jeder Einzelne, Organisationen und Öffentliche Verwaltungen ausprobieren, was mit Künstlicher Intelligenz (GenAI) möglich ist. Im wissenschaftlichen Umfeld wundere ich mich allerdings immer wieder darüber, wie unkritisch GenAI eingesetzt wird, wodurch die Kriterien wissenschaftlicher Arbeit konterkariert werden. Warum ist das so? Eine ausführlich Begründung habe ich im aktuellen OECD Report gefunden. Dabei geht es hier speziell um die Reproduzierbarkeit als Säule wissenschaftlichen Arbeitens geht.

Reproducibility is a pillar of scientific operations. To be accepted by the scientific community, results must (usually) be verifiable, and reproducible by others. One condition for reproducibility is full disclosure of the methods and data that led to the conclusion, meaning transparency and accessibility. From this perspective, GenAI models do not meet scientific criteria. First, the most popular models of GenAI are “black boxes”, as neither their weights (the parameters that define a neural network) nor their training data are publicised. Thus, disentangling the contribution of the data and the contribution of various components of the model is difficult in any scientific result coming from such a model. This comes from the very nature of neural networks: knowledge is distributed, hence difficult to localise. As GenAI models have a random component at their core, some results might not be robust. In addition, access to the training data can be limited due to the proprietary nature of many GenAI models: one example is the “AI Structural Biology Consortium”, a follow-up to AlphaFold-3, an ongoing project which makes use of data owned by pharmaceutical companies, which is secret and will remain secret (Callaway, 2025). Currently, solutions for access include open weights (e.g. Llama) and open source (including access to training data). The importance of openness was demonstrated by AlphaFold2, as the disclosure of its code and data triggered a series of initiatives refining the tool (Saplakoglu, 2024). Openness is essential to the cumulative progress at the core of science“ (OECD Digital Education Report 2026).

Am Beispiel von Pharmaunternehmen wird deutlich, dass es gerade in sensiblen Branchen wichtig ist, offene KI-Modelle zu nutzen. Offenheit ist: „Offenheit ist für den kumulativen Fortschritt im Kern der Wissenschaft unerlässlich“ (ebd.). Siehe dazu auch

Open Source AI: Besser für einzelne Personen, Organisationen und demokratische Gesellschaften

In Zeiten des Hypes um Künstliche Intelligenz kann Akademische Integrität nicht schaden

Veröffentlicht am

Everyone is a genius …

Image by StockSnap from Pixabay

In der aktuellen Diskussion um Künstliche Intelligenz kann man das Gefühl bekommen, dass KI-Modelle alles besser machen, als es der Mensch kann. Als Mensch fühlt man sich vergleichsweise dumm.

Auf der einen Seite also die „überlegene“ Künstliche Intelligenz und auf der anderen Seite die menschliche Dummheit.

In der Zwischenzeit gibt es natürlich auch Belege dafür, dass KI-Modelle die für Menschen ausgedachten Intelligenz-Tests zur Bestimmung des Intelligenz-Quotienten meistern. Doch sollten wir solche Vergleiche überhaupt ziehen? Sind sie eher eine Art Kategorienfehler?

Everyone is a genius, but if you judge a fish on its ability to climb a tree, it will live his whole life believing it is stupid – Albert Einstein.

Was ist, wenn wir die menschliche Intelligenz in den Mittelpunkt stellen und künstliche Intelligenz dazu verwenden, die Probleme der Menschen zu lösen?

Der Intelligenz-Quotient (IQ) scheint kein geeignetes Instrument zu sein, menschliche Intelligenz darzustellen. Siehe dazu OpenAI Model „o1“ hat einen IQ von 120 – ein Kategorienfehler?

Möglicherweise ist die Definition von Intelligenz nach Howard Gardner treffender:

„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).

Wenn wir die Perspektive auf Menschliche Intelligenz und Künstliche Intelligenz anpassen, kann die technologische Entwicklung zum Vorteil ganzer Gesellschaften sein. Das Beispiel Society 5.0 zeigt, wie das aussehen kann. Siehe dazu auch

Künstliche Cleverness statt Künstliche Intelligenz?

Künstliche Intelligenz – Menschliche Kompetenzen: Anmerkungen zu möglichen Kategorienfehler

Künstliche Intelligenz – Ein Kategorienfehler nach Luhmann

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