Open Access

Libraries are cornerstones of knowledge and community, still their digital infrastructure and administration often relies on proprietary software. This can lead to vendor lock-in, high costs, and data privacy concerns. This talk explores how libraries can achieve digital sovereignty by adopting open-source tools such as office suites LibreOffice, OpenDesk, Nextcloud and operating Systems like GNU/Linux or BSD for administrative tasks. By leveraging these solutions, libraries can reduce dependencies, enhance data security and foster innovation all while aligning with their core values of accessibility and transparency. The talk will address common myths head-on, presenting how open sourc solutions are not only viable but often superior to proprietary alternatives. The talk will also provide strategies for advocating open-source adoption to colleagues, highlighting successful examples and the growing availability of migration support and training resources. And as top-down policy changes can be slow and uncertain, libraries cannot afford to wait. The real transformation happens through a bottom-up approach: librarians, IT staff, and administrators taking the initiative to pilot, advocate for, and implement open-source solutions within their institutions. Due to this the session will showcase how grassroots efforts can overcome resistance and demonstrate the tangible benefits of open-source tools to decision-makers. By the end of the presentation, participants will be equipped with actionable arguments and practices to initiate change, build internal support, and implement open-source solutions in their own institutions ensuring greater autonomy and digital sovereignty.

In diesem Erfahrungsbericht stellen die Universitätsbibliothek Basel und App Manufacture gemeinsam den babette-Chatbot in seiner Testphase vor – einen KI-gestützten Fachchatbot rund um Alma-Workflows und Institutionszone-übergreifende Prozesse wie Erwerbung, Katalogisierung und Benutzung. Ziel ist es, die Lücke zwischen bibliothekarischer Praxis und der technischen Welt grosser Sprachmodelle (Large Language Models, LLM) zu überbrücken und die „Black Box“ Chatbot für Kolleg:innen nachvollziehbar zu machen. Im Bibliotheksnetz der Region Basel nutzen 200 Mitarbeitende aus 79 unterschiedlichen Bibliotheken die Alma Bibliotheksmanagement-Software. Der Fachchatbot ermöglicht ihnen mit der umfangreichen internen Dokumentation in einen Dialog zu treten. Ausgangspunkt sind heterogene, teilweise sehr detaillierte Schritt-für-Schritt-Anleitungen und Release-Informationen – häufig mit Screenshots – sowie der Wunsch, dieses Wissen in einem dialogorientierten KI-System nutzbar zu machen. Dabei werden beide Seiten sichtbar: der verantwortungsvolle Umgang mit eigenen Bibliotheksdaten, um die Anforderungen und Erwartungen an den Chatbot zu erfüllen, und die daraus resultierenden technischen und datenseitigen Herausforderungen für den Dienstleister. Aus bibliothekarischer Perspektive wird gezeigt, welche Inhalte sich für LLM-basierte Antwortgenerierung eignen, wo (Um-)Strukturierung nötig ist und welche typischen Fallstricke auftreten. Im Fokus stehen der Umgang mit Daten in der Testphase für den Bereich Erwerbung und Zeitschriftenverwaltung, notwendige Anpassungen auf verschiedenen Ebenen (Struktur, Ausdrucksweise, Granularität) sowie der Weg zu möglichst präzisen, „klugen“ Antworten für die Nutzer:innen. Die Teilnehmenden erhalten praxisnahe Einblicke, wie sich Alma-Dokumentation schrittweise in ein nutzbares Wissensfundament für einen Fachchatbot überführen lässt. Zugleich werden auch die technischen Herausforderungen sowie deren Lösungen beleuchtet.

Digitized cultural heritage materials such as newspapers, letters, and maps retain the visual complexity of their analogue origins, with irregular typefaces, complex layouts, line breaks and bleed-through. We rely on optical character recognition (OCR) to make these searchable, yet OCR outputs remain incomplete and error-prone, especially for historical documents. Recent advances in open-source language models (LLM) allow memory institutions to dramatically improve the accuracy of extracted text, but this introduces a new problem: LLM-corrected text does not retain the positional information required for page-level search, highlighting, or assistive technologies. As a result, users gain cleaner text but lose a core affordance of digital access. This project introduces a Python-based method for faithfully reconstructing the structure and text of formerly analogue documents, designed for future integration into a unified workflow that combines OCR processing (Tesseract), text cleaning with open-source LLMs (Qwen, Mistral), and text-to-coordinate alignment. The method combines fuzzy string matching, linguistic neighborhood analysis, and geometric and typographic cues to resolve OCR distortions. It detects split or line-broken words, reconstructs merged or corrupted tokens, and uses confirmed matches as anchors to align more challenging cases. This iterative process stabilizes alignment even in documents where reading order is unreliable, column structures vary, or OCR accuracy is particularly low, based on early testing. The framework is structured for expansion into multilingual and format-diverse documentary materials. By restoring spatial searchability while preserving the improved clarity of AI-corrected text, this approach supports more accessible and internationally relevant digital collections. It offers a practical path for libraries and archives to integrate emerging AI tools without sacrificing the core discovery and navigation features that users depend on.

Die Stabilität digitaler Wissensräume ist trügerisch: Ausfälle bei PubMed, unsicheres Hosting der Biodiversity Heritage Library oder der Entzug digitaler und physischer Zugänge im Zuge geopolitischer Spannungen zeigen, wie schnell wissenschaftliche Inhalte unzugänglich werden können. Dazu kommen kommerzielle Lizenzabbrüche und restriktive Plattformmodelle. Die Frage liegt nahe: Wie bleibt Wissen verlässlich verfügbar, wenn technische, rechtliche oder politische Strukturen versagen? Bibliotheken sichern hier physische Originale und digital-born Materialien, machen sie auffindbar und kontextualisieren sie – unabhängig von Plattformen, Märkten oder geopolitischen Grenzen. Diese Fragilität trifft auf eine weitere Herausforderung: den wachsenden Einsatz generativer KI in Recherche und wissenschaftsnaher Informationsproduktion. KI erzeugt Inhalte, die formal korrekt wirken, aber nicht auf überprüfbaren Quellen beruhen. Zugleich basiert KI ausschließlich auf dem digital verfügbaren Wissen – Lücken im digitalen Bestand führen zu verzerrten Modellen. Besonders in spezialisierten Fachgebieten ist vieles nicht digital vorhanden, hinter Paywalls verborgen oder global uneinheitlich zugänglich; geopolitische Abgrenzungen verstärken diese Fragmentierung. Spezialbibliotheken schließen diese Lücke. Sie sammeln Fachliteratur weltweit, unabhängig von Herkunft, Sprache, Verlagstradition oder politischer Lage, und bewahren physische wie digitale Originalquellen. So bleibt Wissen erhalten, das sonst verloren ginge. Zugleich bringen sie die fachliche Erfahrung ein, um KI-Ergebnisse zu prüfen, fehlerhafte Inhalte zu erkennen und wissenschaftliche Aussagen auf sichere Grundlagen zu stellen. Der Vortrag wirbt für eine widerstandsfähige Wissensinfrastruktur, in der digitale Angebote und physische Bestände zusammenwirken. Ohne spezialisierte Bibliotheken fehlt die Grundlage, KI-gestützte Forschung kritisch zu begleiten und wissenschaftliche Verlässlichkeit langfristig zu sichern.

KI-Nutzung ist im Studien- und Schulalltag heute selbstverständlich. Viele wenden KI-Tools mit derselben «Learning by Doing»-Mentalität an wie sie es auch bei anderen digitalen Tools tun. Das Ausprobieren von Anwendungen ohne grossen KI-Anteil nach dem Prinzip «Trial and Error» führt oft dazu, dass man ein Tool beherrscht und seine Funktionsweise durch Erfahrung versteht. Diese Herangehensweise funktioniert bei KI-Tools jedoch nicht. Da LLM-Chatbots darauf ausgelegt sind, immer zu antworten, fehlt die typische Error-Situation, die sonst Lern- und Reflexionsprozesse auslöst. Das führt zum Eindruck, die Tools gut zu beherrschen, ohne Verständnis für Funktionsweise, Grenzen und Risiken. Die Bereitschaft sich mit den technischen Hintergründen und der Funktionsweise eines bereits genutzten Tools auseinanderzusetzen, ist dementsprechend gering - insbesondere, wenn die Vermittlung durch Bibliotheksmitarbeitenden erfolgt («Was wissen Buchmenschen schon von KI?»). Die Bibliothek FHNW hat ein Konzept entwickelt, das die Funktionsweise von KI niederschwellig und spielerisch vermittelt und den generierenden Charakter von LLMs sichtbar macht. Dabei geht es um einen bewusst herbeigeführten AHA-Moment: Die Erkenntnis, dass Inhalte auf Wahrscheinlichkeiten beruhen, verändert die Sicht auf die LLM-Chatbots und öffnet die Augen für die Gefahren einer unreflektierten Nutzung. Gleichzeitig werden die Grenzen und Chancen sichtbar gemacht und auch auf KI-gestützte Recherchetools erweitert. Der Vortrag gibt einen Einblick in die didaktische Idee hinter dem Konzept und zeigt anhand praktischer Beispiele, wie Übungen und Materialien gestaltet sind. Zudem erhalten die Teilnehmenden Tipps, wie sich das Format in bestehende Bibliotheksangebote und Online-Schulungen integrieren lässt. Die entwickelten Materialien stehen über die Switch OER-Plattform zur freien Nachnutzung bereit.

Die Bayerische Staatsbibliothek (BSB) hat ihre Bildähnlichkeitssuche für das Kulturportal bavarikon grundlegend neu entwickelt und damit einen wichtigen Schritt hin zu einem KI-gestützten, in diesem Fall auf Deep-Learning-Methoden aufsetzendem Retrieval-Verfahren für bildliche Information in Kulturdatenbeständen vollzogen. Die technische Grundlage ist ein eigens trainiertes Segmentierungsmodell, ergänzt durch ein leistungsstarkes Off-the-Shelf-Modell zur Erzeugung semantischer Bild-Embeddings. Die eigentliche Ähnlichkeitssuche erfolgt über eine Vektorsuche, die flexibel mit klassischen Metadatenfiltern kombiniert werden kann. Dies ermöglicht es Nutzerinnen und Nutzer, die sehr heterogene Bildbestände aus bayerischen Archiven, Bibliotheken und Museen – von Buchillustrationen über Fotografien bis zu Gemälden – konsistent und inhaltlich sinnvoll durchsuchen zu lassen. Der Beitrag skizziert den gesamten Entwicklungsprozess, vom Proof-of-Concept auf einem Testdatenbestand über den Aufbau eines GPU-gestützten Trainingssystems bis zum Produktivgang. Die im Rahmen der Implementierung aufgebauten bzw. weiterentwickelten Kompetenzen im Bereich des Maschinellen Lernens kommen an der Bayerischen Staatsbibliothek über bavarikon hinaus zum Einsatz. Die Bildähnlichkeitssuche für die Digitalen Sammlungen, der größten digitalen Bibliothek in deutschen Kultureinrichtungen mit über 440 Millionen gescannten Seiten, ist in Vorbereitung. Und bereits jetzt schon können Methoden der Bildähnlichkeitssuche angewendet werden, um anhand charakteristischer Stempel, Inventar-Wapperl und Exlibris andernfalls kaum mehr ausfindige historische Teilbestände der Bayerischen Staatsbibliothek identifizieren zu können.

The entire session is built on my unique research of library associations and AI from 2019 until present time published on the IFLA Repository (November 2025). Library associations worldwide advanced the profession’s readiness for artificial intelligence (AI), emphasizing data sovereignty, ethical governance, and competencies for responsible AI use. This presentation highlights global trends, future-proofing librarianship and library trends, connecting everything from global to local. The session dives into data sovereignty, covering ethical AI practices, transparent decision-making, governance, vendor awareness, and human oversight. Examples illustrate how local governance frameworks make AI adoption safe and innovative. Recognizing that technology alone isn’t enough, the session highlights qualifications. Drawing on international competency frameworks, it outlines skills for future-ready staff: AI literacy, ethical decision-making, evaluating AI-generated content, resilience, and trend-responsive professional development. Approaches to training, reflective practice, and wellness-centered leadership help staff stay confident, adaptable, and empowered as AI reshapes library work. The session emphasizes dialog as a cornerstone of trust and relevance, showing how libraries use AI literacy outreach, structured discussions, and multi-stakeholder conversations to engage communities, model ethical practices, and enable participation in shaping local and digital information ecosystems. It concludes with five actionable strategies to strengthen AI governance, develop staff competencies, evaluate AI content responsibly, foster community engagement, and embed wellness into organizational culture—helping participants connect global developments with local implementation and position libraries as trusted, forward-looking institutions in an AI-driven era.

Aufgrund des wachsenden Einflusses von Large Language Models (LLMs) wie ChatGPT erwarten Nutzende zunehmend Suchschnittstellen in natürlicher Sprache, die barrierearme Literaturrecherchen und explorative Anfragen ermöglichen – insbesondere für Nutzendengruppen mit geringerer Rechercheerfahrung. Im Rahmen des experimentellen Projektes “Natürlichsprachige Suche im Stabikat” wird eine natürlichsprachige Literaturrecherche für den VuFind-basierten Discovery-Katalog der Staatsbibliothek zu Berlin implementiert. Ziel des Projekts ist es, diese Funktionalität mithilfe von Methoden des maschinellen Lernens (Embeddings, semantische Nähe) und vortrainierter Sprachmodelle (LLMs) zu realisieren. Über eine sogenannte Query-Translation – im Wesentlichen eine automatische Rechercheberatung – sollen Anfragen in natürlicher Sprache auf VuFind-Suchfacetten (Medientyp, Mediensprache, Autoren, Erscheinungszeitraum) sowie inhaltliche Suchkategorien (BK-Klassen, GND-Schlagwörter etc.) abgebildet werden. Gleichzeitig wird eine Intentionserkennung zur Suchanfrage durchgeführt, welche die Rechercheberatung im Hintergrund steuert. Das Ziel besteht darin, eine innovative Suchfunktionalität zu entwickeln, die ohne zusätzliche ML-Trainingsschritte (durch Nutzung vortrainierter Modelle) mit vergleichsweise geringen Betriebskosten auskommt. Da das System unabhängig vom Katalog entwickelt wird, lässt sich die Suchschnittstelle prinzipiell auch auf andere VuFind-Kataloge übertragen. Der Vortrag beleuchtet die technische Architektur, die genutzten Komponenten und die Funktionsweise des Systems, zeigt die notwendigen Schritte der Datenaufbereitung auf und gibt einen Ausblick auf zukünftige Entwicklungen. Ergänzend wird die Funktionalität des Systems in einer Live-Demo veranschaulicht.

Der Beitrag durchläuft die wesentlichen Ergebnisse der vier Teilprojekte des BKM-geförderten Forschungsprojekts „Mensch.Maschine.Kultur“ an der Stabi Berlin als Stationen einer datengetriebenen Forschungsreise: Den Beginn machen (1) Intelligente Verfahren für die generische Dokumentenanalyse, die mit hoher Qualität und Präzision Layout-, Text- und Bildinhalte aus digitalisierten Dokumenten extrahieren. Anschließend kommen auf multimodaler KI basierende (2) Verfahren für die Bildanalyse und Bildähnlichkeitssuche zum Einsatz um Abbildungen zu erschließen und durchsuchbar zu machen. Weiterhin werden Volltexte und Metadaten für die (3) KI-unterstützte Inhaltsanalyse und Sacherschließung genutzt und verschiedene Annif-Modelle trainiert sowie evaluiert. Abschließend erfolgt die (4) Kuratierung und Bereitstellung aller produzierten Werkzeuge, Datensätze und Modelle, wobei sich an Leitfäden und Empfehlungen orientiert wird, die entwickelt wurden um inbesondere die ethischen, rechtlichen und sozialen Implikationen im Umgang mit KI und Kulturdaten berücksichtigen. Alle Ergebnisse sind frei zugänglich über die Projektwebseite https://mmk.sbb.berlin.

Die in Deutschland angesiedelte Plattform Qalamos vereint Metadaten zu asiatischen und afrikanischen Handschriften aus heterogenen Quellen. Diese Vielfalt stellt die Datenkuratierung vor komplexe Herausforderungen, insbesondere bei der Normalisierung und Integration großer Bestände. Der vorliegende Beitrag präsentiert einen hybriden Workflow, der KI-gestützte Komponenten mit skriptbasierten Verfahren kombiniert, um diese Aufgaben effizient und bibliothekarisch fundiert zu bewältigen. Für großvolumige Importe von oft über tausend Datensätzen werden Large Language Models (LLMs) strategisch eingesetzt. Ihr Fokus liegt auf der Verarbeitung und Harmonisierung von Metadaten zu arabischen und persischen Titeln und Namen: Umschrift-Generierung: LLMs ersetzen das bisherige, regelbasierte Umschrift-Tool, indem sie die automatische Generierung von Transkriptionen übernehmen. Das ältere Tool bleibt für komplexe Spezialfälle erhalten.Harmonisierung und Normalisierung: Die Modelle unterstützen die Vereinheitlichung von Titel- und Namen-Varianten sowie die Anpassung heterogener Feldstrukturen.Datenqualitätsmanagement: LLMs helfen dabei, Abweichungen in Formaten, Beschreibungsniveaus und Normdaten frühzeitig zu erkennen und konsistent in das Qalamos-Metadatenmodell zu transformieren.Die Präsentation stellt die verschiedenen Stufen dieses Integrations-Workflows von der Datenaufnahme bis zum Import in das Qalamos-Portal dar. Es wird gezeigt, wie der Einsatz von LLMs einen Effizienzsprung in der kuratorischen Arbeit ermöglicht und gleichzeitig die Datenkonsistenz und die Anbindung an die bibliothekarische Normdatenlandschaft nachhaltig verbessert.