Generative KI schreibt die Regeln der künstlichen Intelligenz neu. Sind Sie bereit dafür?

Was ist generative KI?

Ein kurzer Blick auf die Nachrichten macht deutlich, dass GenAI überall ist. Vor dem Boom von GenAI wurde der Begriff „Künstliche Intelligenz“ mit Modellen des maschinellen Lernens in Verbindung gebracht. GenAI kann als ein Modell für maschinelles Lernen betrachtet werden, das zur Bereitstellung neuer Daten erstellt wurde, anstatt eine Vorhersage über einen bestimmten Datensatz zu treffen. Es stützt sich in hohem Maße auf hochentwickelte Modelle des maschinellen Lernens, sogenannte Deep-Learning-Modelle, die die Entscheidungsfindung und den Lernprozess eines menschlichen Gehirns stimulieren. In den letzten Jahren haben Forscher ihren Fokus von der Suche nach einem Algorithmus für maschinelles Lernen, der einen bestimmten Datensatz optimal nutzt, auf größere Datensätze verlagert, die aus Millionen oder Milliarden von Datenpunkten bestehen, um Modelle zu trainieren und beeindruckende Ergebnisse zu erzielen.

Adobe hat für seinen Bericht und sein Forschungsprogramm „Adobe 2026 AI and Digital Trends“ 3.000 Führungskräfte und Praktiker in CX-Rollen befragt, die einige erste Erfolge für generative KI und Pläne für agentische KI hervorgebracht haben. In dem Bericht heißt es, dass es für Unternehmen von entscheidender Bedeutung ist, bahnbrechende Kundenerlebnisse zu bieten, die ihrer Einschätzung nach in den nächsten Jahren durch Folgendes definiert werden:

●      Hochgradig personalisiert und vorausschauend auf Kundenbedürfnisse in Echtzeit eingehend (80 %).

●      Nahtlos über digitale und physische Touchpoints hinweg (72 %).

●      KI-gestützt und dennoch menschlich und markenorientiert (60 %).

 Laut den von McKinsey im März 2024 veröffentlichten Daten nutzen etwa ein Drittel Unternehmen weltweit GenAI bereits täglich für mindestens eine ihrer Geschäftsfunktionen. NVIDIA dominiert mit seinen GPUs die GenAI-Landschaft, wobei AMD und Huawei die Herausforderer sind. Bei den Basismodellen sind die Modelle GPT 3.5 und GPT-4 von Open AI sowie Anthropic (Claude), Google (Gemini), Mistral AI und Meta (Llama) einige der beliebtesten und bekanntesten Modelle. Microsoft Azure, AWS, Google Cloud und Oracle sind die wichtigsten Anbieter von Clouds und Plattformen. Accenture, IBM, Deloitte und McKinsey sind die Influencer für Unternehmensserien/-beratung.

Wie funktionieren GenAI-Modelle?

Ausbildung:

GenAI-Modelle basieren auf grundlegenden, groß angelegten KI-Modellen, die mit dem Lernen aus riesigen Datensätzen mithilfe tiefer neuronaler Netze beginnen. Sie werden so trainiert, dass sie als Grundlage für zahlreiche KI-Anwendungen dienen. Die gebräuchlichsten Basismodelle sind transformatorbasierte Architektur, Generative Adversarial Networks (GANs), Large Language Models (LLMs) und multimodale Basismodelle.

Entwicklung:

Die Entwicklung von Modellen umfasst in der Regel eine Kombination aus Supervised Fine-Tuning (SFT) für aufgabenspezifisches Wissen und Reinforcement Learning from Human Feedback (RLHF) für die Verhaltensausrichtung, die bestimmte Aufgaben zur Inhaltsgenerierung ausführen muss. Dies kann durch Feinabstimmung oder verstärkendes Lernen mit menschlichem Feedback erfolgen.

Bereitstellung und Bewertung:

Nach der Schulung und Entwicklung müssen Entwickler und Benutzer die Ergebnisse der GenAI-Modelle kontinuierlich bewerten, bewerten und sie für mehr Genauigkeit und Relevanz verfeinern. Darüber hinaus kann die Leistung dieser Modelle durch Retrieval Augmented Generation (RAG) verbessert werden. Dieses Framework stellt sicher, dass GenAI-Modelle Zugriff auf die neuesten Informationen haben.

KI-Power-Liste: Die einflussreichsten Menschen in der KI

Innovation und Grundsteinlegung 

Geoffrey Hinton, bekannt als der Pate der KI, hat den Grundstein für tiefe neuronale Netze und Backpropagation gelegt, die die Entwicklung der modernen GenAI ermöglicht haben.

Der Gründer von Mila (Quebec AI Institute), Yoshua Bengio, ist bekannt für Deep Learning, Generative Adversarial Networks (GANs) und Worteinbettungen.

• Ian Goodfellow(Direktor von ML, Apple), ein renommierter Forscher, der vor allem für die Erfindung von GANs (Generative Adversarial Networks) bekannt ist, ist ein Experte für Deep Learning. Sein Beitrag befasst sich mit gegnerischem maschinellem Lernen und Sicherheit, und sein maßgebliches Lehrbuch Deep Learning ist zur Grundlage aller GenAI-Modelle geworden.

• Jerry Liu(LlamaIndex) ist der Entwickler des Datenframeworks für LLMs.

• Harrison Chase(LangChain) hat das vorherrschende Framework für den Aufbau von KI-Agent-Workflows entwickelt.

Top-Führungskräfte und Führungskräfte des generativen Zeitalters

• Fei-Fei Li, Co-Direktor des Human-Centered AI Institute in Stanford und Erfinder von ImageNet, hat die Daten bereitgestellt, die zum Trainieren von Deep-Learning-Modellen erforderlich sind.

• Andrew Ng, Gründer von DeepLearning.AI und Mitbegründer von Coursera, war maßgeblich an der Aufklärung der Community und der Popularisierung der KI-Bildung beteiligt.

• Der israelisch-kanadische KI-Forscher Ilya Sutskever, Mitbegründer und ehemaliger Chefwissenschaftler von OpenAI, ist vor allem für seine Arbeit bei der Entwicklung der Schlüsselarchitektur von GPT-Modellen und der KI-Sicherheit bekannt.

GenAI in Aktion: Was denken Branchenführer über GenAI?

Jensen Huang, CEO von NVIDIA, dessen Entwicklung von GPUs und der CUDA-Plattform die immense Rechenleistung ermöglicht hat, die für das Training moderner generativer KI erforderlich ist. Er sieht generative KI als Zeichen eines Neuanfangs in der industriellen Revolution. Er betont, dass beschleunigtes Computing und GPU-Hardware das „neue Öl“ seien und dass die CUDA-Plattform von NVIDIA die entscheidende Infrastruktur für die Bereitstellung und Schulung von Basismodellen sei.

Sam Altman, CEO von OpenAI, der mit der Veröffentlichung von ChatGPT im Jahr 2022 GenAI von der Forschung in den Mainstream überführt hat. Er drängt auf den Übergang von GenAI von einer „Forschungskuriosität zur Mainstream-Technologie“, für die eine massive Finanzierung im Wert von 40 Milliarden US-Dollar erforderlich ist. Seine marktorientierte Vision und die Beziehung zur Hardware-Infrastruktur von NVIDIA prägen die aktuelle KI-Landschaft.

Elon MusksDer Beitrag von xAI zeigt seine Versuche, eine „wahrheitssuchende“ Alternative zu LLMs zu schaffen. Sein Unternehmen Neuralink entwickelt Gehirn-Computer-Schnittstellen, die fortschrittliche KI nutzen, um einzigartige Trainingsdaten mit X zu generieren.

Yann LeCun, Chef-KI-Wissenschaftlerin bei Meta, ist für ihre Convolutional Neural Networks (CNNs) und ihre Pionierarbeit in der Bildverarbeitung hoch anerkannt. LeChuns neuronale Netze haben die Bilderkennung revolutioniert, was ihm den Turing Award, auch bekannt als Nobelpreis für Informatik, eingebracht hat. Er entwickelt seine KI-Strategie für Plattformen, die von Milliarden Menschen genutzt werden, und stellt damit die Vorstellungen apokalyptischer KI-Vorhersagen in Frage.

Demis Hassabis, CEO von Google DeepMind, ist führend bei der Entwicklung multimodaler Funktionen (Gemini). Die Fusion von DeepMind und Google Brain hat die KI-Bemühungen von Alphabet gefestigt. Hassabis‘ Bemühungen haben AlphaGo und AlphaFold hervorgebracht.

Vom Text zum Bild und darüber hinaus: KI-Tools, auf die Sie achten sollten

1)     GitHub-Copilot:Es handelt sich um einen KI-gestützten Paarprogrammierer, der im Rahmen der Partnerschaft von GitHub und OpenAI entwickelt wurde. Es hilft bei Codevorschlägen in Echtzeit, automatischen Vervollständigungen und chatbasierter Hilfe direkt in IDEs wie VS Code, Visual Studio und JetBrains.

2)     Adobe Fireflyist ein Tool, das aus der von Adobe entwickelten Familie generativer KI-Modelle stammt und zum Erstellen, Bearbeiten und Verbessern von Bildern, Texten und Vektorgrafiken mithilfe einfacher Texteingaben dient.

3)     Jasper KIist eine KI-Plattform, die unter Berücksichtigung der Anforderungen des Marketingbereichs und der Ersteller entwickelt wurde, um markengerechte, qualitativ hochwertige Inhalte zu generieren. Die Plattform wird insbesondere zum Schreiben von Blogs, für Social-Media-Zwecke, für Werbung und für die Wiederverwendung von Inhalten genutzt.

4)     Claude:Eine Familie leistungsstarker, fortschrittlicher großer Sprachmodelle und einer von Anthropic entwickelten Konversations-KI. Das Tool ist dafür bekannt, komplexe Argumente zu generieren, große Datensätze zu analysieren und kreativ zu schreiben.

5)     Zest-KI:Eine Reihe von KI-Tools zur Modernisierung der Kreditvergabe für Banken, Kreditgenossenschaften und andere Kreditgeber. 

• Bilderzeugung:Adobe Firefly, DALL-E 3

• Audio-/Video-Generierung: ElevenLabs, Runway ML

• Tnächste Generation:ChatGPT, Claude, Gemini AI

• Marketing: Jasper AI, Anyword, Midjourney, Perplexity, HubSpot

• Für Entwickler:GitHub Copilot, AlphaCode, Cohere

• Zur Sicherheit:Darktrace AI, Ayasdi, Zest AI

Die offene vs. geschlossene KI-Grenze

Während sich der Wettlauf um die Beschleunigung der KI-Implementierung verschärft, gibt es immer noch eine langjährige Debatte über offene vs. geschlossene KI. Dieses Thema hat besonderes Interesse geweckt, ob KI-Modelle zur öffentlichen Einsichtnahme, Änderung und Weiterverbreitung zugänglich sein oder als proprietär mit eingeschränktem Zugriff gehalten werden sollten. Offene Modelle, einschließlich Mistral und Llama, ermöglichen es Benutzern, die Modelle für ihre eigenen Bedürfnisse zu ändern, anzuzeigen und anzuwenden. Umgekehrt sind geschlossene Modelle auf die Öffentlichkeit beschränkt und können nur mit der Schnittstelle des Modells interagieren. Die geschlossenen KI-Modelle bieten im Vergleich zu den offenen Modellen, die von GPT-4 und Gemini vorgestellt werden, hohe Leistung, Sicherheit und einfache Bedienung. Sie halten die Daten und die Architektur privat, um sich gegenüber der Konkurrenz einen Vorsprung zu verschaffen. Wenn es um Sicherheit geht, ermöglichen proprietäre Kontrollen Sicherheitskontrollen und Datenschutz.

Die offene Modelllandschaft im Jahr 2026: DeepSeek, Qwen 3, Llama und Mistral Large 3 sind einige der größten Anbieter offener Modelle und Claude Opus 4.5, GPT-5.2, GPT-5, GPT-4.1, o3, Claude Sonnet und Gemini Pro 3 sind einige der führenden Anbieter geschlossener Modelle. Was die meisten Leute „Open-Source-LLMs“ nennen, wird genauer gesagt „Open-Weight-Modelle“ genannt. Beide Ansätze bieten unterschiedliche Vorteile, Risiken und langfristige Anwendungen. Auch wenn geschlossene KI-Modelle im Hinblick auf das Gesamt-Token-Volumen weiterhin weit verbreitet sind. Ende 2025 wurde ein hybrider Ansatz eingeführt, bei dem Unternehmen geschlossene Modelle für generische Aufgaben und offene Modelle für domänenspezifische und sensible Arbeitsabläufe verwendeten.

Start-ups beginnen häufig mit geschlossenen Modellen, um sie auf dem neuesten Stand zu halten, und migrieren dann langsam zu offenen Modellen, um die Betriebskosten zu senken. Sie dominieren in den Bereichen Kundensupport-Chatbots, Erstellung von Marketinginhalten, Rapid Prototyping, Automatisierung kleiner und mittlerer Unternehmen sowie kurzfristige KI-Experimente. Open-Source-Modelle werden in Unternehmen für unternehmensbezogene interne Tools, KI-gestützte Analyseplattformen, Automatisierung in der Personalbeschaffung und Personalabteilung, Cybersicherheitssysteme, Smart-City-Infrastruktur, Gesundheitsdiagnostik sowie maßgeschneiderte KI-Agenten und Copiloten eingesetzt.

Expansive Kraft von GenAI: Welche Probleme können generative KI-Modelle lösen?

GenAI-Modelle, einschließlich LLMs, Diffusionsmodelle und GANs, sind darauf ausgelegt, mithilfe von Mustern und Datensätzen neue und originelle Inhalte zu entwickeln. In verschiedenen Branchen sind sie in der Lage, Probleme im Zusammenhang mit Datenanalyse, Personalisierung, Inhaltserstellung und Automatisierung zu lösen. 

1)      Content-Generierung und Kreativität

 Gen AI wird zum Schreiben und Entwerfen von Marketingkopien, E-Mails, Artikeln, technischen Dokumentationen und kreativem Schreiben verwendet, wodurch der Zeitaufwand für das manuelle Verfassen von Entwürfen reduziert wird. Außerdem werden aus Texteingaben fotorealistische Bilder, 3D-Modelle, Logos und Animationen erstellt. Schließlich kann es auch Videoclips erstellen, Spezialeffekte anwenden und Musik komponieren, um den Bedarf an kostspieliger Produktionsausrüstung zu reduzieren. ChatGPT (OpenAI), Claude 3.5 Sonnet (Anthropic) und Gemini 1.5 Pro (Google) werden häufig zum Verfassen von Blogs und Marketingtexten verwendet. McKinsey berichtet, dass bis 2026 mindestens 88 % der Unternehmen GenAI in mindestens einer ihrer Geschäftsfunktionen nutzen werden, wobei der Großteil der Inhalte auf die Generierung von Inhalten, kreative Aufgaben und Marketing ausgerichtet sein wird.

2)     Unternehmensproduktivität und Automatisierung

Laut der PwC-Umfrage „Global Workforce Hopes & Fears Survey 2025“ antworteten 50.000 Arbeitnehmer in 48 Ländern, dass tägliche GenAI-Benutzer einen Produktivitätszuwachs von 92 % vermelden. Um die Unternehmensproduktivität zu steigern, automatisiert GenAI alltägliche und sich wiederholende Aufgaben, einschließlich Dateneingabe, Sortierung und Berichterstellung sowie automatisches Vervollständigen von Code, Generieren von Testfällen, Übersetzen zwischen Sprachen und Debuggen. Es handelt sich um leistungsstarke, rund um die Uhr verfügbare Chatbots, die personalisierte Antworten in natürlicher Sprache bieten und komplexe Anfragen bearbeiten.

3)     Datenanalyse und Erkenntnisse

GenAI-Modelle verfügen über die Fähigkeit, große Dokumente, Besprechungsprotokolle oder Kundenfeedback umfassend zu analysieren und zusammenzufassen, um wichtige Erkenntnisse abzuleiten. Sie können auch Muster in Daten zur Nachfrage in Lieferketten erkennen und betrügerische Transaktionen identifizieren. Sie können künstliche Datensätze entwickeln, die reale Daten nachahmen können, was für das Training anderer KI-Modelle bei gleichzeitiger Wahrung der Privatsphäre nützlich ist. 

Die Wettbewerbsanalyse neu definieren

Unternehmen können GenAI-Modelle verwenden, um mehr technische Materialien wie Bilder mit höherer Auflösung und klar geschriebene Materialien zu generieren. Durch die Einsparung von Zeit und Ressourcen können Unternehmen neue Geschäftsmöglichkeiten verfolgen. Walmart hat ein „maschinengesteuertes Einkaufssystem“ entwickelt, das generative KI nutzt, um den Lagerbedarf auf der Grundlage einer prädiktiven Analyse des Wettbewerbsverhaltens und der Nachfragemuster vorherzusagen. Die von GenAI abgeleiteten Ergebnisse werden aufgrund umfangreicher Datensätze sorgfältig mit den Datenkombinationen kuratiert, die zum Trainieren der Algorithmen verwendet werden. Generative KI ist in der Lage, zu simulieren, wie Marktkonkurrenten auf verschiedene Preisstrategien reagieren, bevor diese zum Einsatz kommen. Die von diesen Modellen durchgeführte prädiktive Analyse basiert auf historischen Daten und Mustern entsprechend der Marktreaktion, der Nachfrageelastizität und dem Sektor, in dem sich der Markt befindet. Diese Simulationen berücksichtigen gleichzeitig Saisonalität, alte Werbedaten, verfügbare Lagerbestände und regulatorische Schwankungen.

KI-Systeme verstehen es, die Wettbewerbslandschaft und die Kommunikation der Wettbewerbsteilnehmer kontinuierlich zu analysieren. Von Produktbeschreibungen und Texten bis hin zu Bildern und Kernbotschaften sind sie dafür bekannt, Chancen zu erkennen. Amazon hat beispielsweise Lens Live auf den Markt gebracht, ein visuelles Echtzeit-Erkennungstool, das die Produkte der Konkurrenz automatisch analysiert. Das mit generativer KI integrierte Personalisierungs- und Produktbeschreibungssystem ermöglicht es ihnen, Angebote auf der Grundlage von Lücken anzupassen, die in den Katalogen der Wettbewerber festgestellt wurden. Die Technologie erkennt auch Lücken in Wettbewerbsinhalten, einschließlich Themen, Schlüsselwörtern und Ansätzen, die effektiv angegangen werden müssen. Diese Lücken symbolisieren Möglichkeiten, unterversorgte Zielgruppen zu gewinnen. KI gleicht Suchanfragen, Kataloge und soziale Medien ab, um unerfüllte Bedürfnisse zu ermitteln. Wenn Verbraucher nach einem Produkt suchen, das ein Wettbewerber anbietet, benachrichtigt das Modell die Organisation sofort. Außerdem werden benachbarte Gruppen identifiziert, in denen Unternehmen expandieren können. Es verarbeitet täglich zahlreiche Datenpunkte, um aufkommende Trends zu erkennen.

Die traditionelle Stimmungsanalyse klassifiziert Meinungen als positiv, negativ oder neutral. GenAI erweitert die bestehende traditionelle Stimmungsanalyse, indem es sie ausgefeilter macht, um komplexere Erzählungen, emotionale Kontexte und Untertexte zu verstehen. Marriott nutzt GenAI, um Kundenbewertungen in seinen über 7.000 Hotels zu verarbeiten und mithilfe von KI die Kundenzufriedenheit zu bewerten. Sie erkennen beispielsweise, wann Verbraucher beginnen, einen Konkurrenten mit Nachhaltigkeitsattributen in Verbindung zu bringen oder wann spezifische Probleme mit einem Produkt auftreten. Darüber hinaus wird abgebildet, wer diese Narrative vorantreibt: Influencer, digitale Communities oder Fachmedien. Wayfair nutzt Decorify auch, um die Stimmung und Vorlieben der Verbraucher in der Innenarchitektur zu analysieren. 

Wie Branchen die Sprache von GenAI sprechen

Es steht außer Frage, dass GenAI eine der am meisten diskutierten Innovationen ist. Aufgrund seines Hypes ist es umso wichtiger, die Aussagen der Branchenführer zu berücksichtigen. Der Konsens kommt zu dem Schluss, dass sich GenAI von Konversations-Chatbots zu agentischer KI entwickelt hat, die komplexe Aufgaben ausführt. KI-orientierte Unternehmen sind stets bestrebt, ihre jeweiligen Branchen vom Finanzwesen über den Einzelhandel bis zum Gesundheitswesen zu transformieren.

Gesundheitspflege

• BayRocks Labs Auf seinem Bestreben, Vorreiter bei der AI-First-Innovation zu werden, hat das Unternehmen stark in NLP (Natural Language Processing), Computer Vision und maschinelles Lernen investiert.

• GE Healthcarenutzt seine Edison-Plattform, um KI in Bildgebungsgeräte zu integrieren, Siemens Healthneers nutzt KI-gestützte digitale Zwillinge und intelligente Bildbegleiter für genaue Diagnosen und Epic Systems bettet über seine Cosmos-Plattform Vorhersagemodelle direkt in EHR ein.

• Butterfly Network nutzt Ultrasound-on-Chip™ (CMUT)Es soll herkömmliche piezoelektrische Kristalle ersetzen und es ermöglichen, mit einer Sonde eine Ganzkörperbildgebung durchzuführen. Das Unternehmen integriert Hardware mit KI-gestützter Software für Bildführung, Cloud-Speicherung und Interpretation. In ähnlicher Weise nutzt eine andere Organisation namens Tempus Radiology, die auf der Tempus Pixel-Plattform basiert, KI zur Analyse medizinischer Bilder, um Radiologen zu unterstützen. 

Finanzen

• Das „Gehirn“ des Geldmanagements von BlackRock, Aladdin (Asset, Liability, Debt, and Derivative Investment Network), ist die zentrale proprietäre Technologieplattform des Unternehmens, die eine einheitliche, umfassende Echtzeitansicht des Risikos und der Anlageleistung bietet.

• MasterCardhat GenAI intensiv für das „Decision Intelligence“-System genutzt, um neue Betrugsmuster für beobachtete Anomalien auf kompromittierten Karten mit doppelter Geschwindigkeit zu erkennen und Fehlalarme zu reduzieren. Napier nutzt generative KI und maschinelles Lernen in seiner Intelligent Compliance Platform, um die Compliance bei der Bekämpfung von Geldwäsche (AML) und Finanzkriminalität zu verbessern.

• Nubank,Eine lateinamerikanische Neobank, die das „AI-first“-Modell nutzt, nutzt GenAI für Risikomanagement, Inkasso und Marketing.

Einzelhandel

• Zaranutzt GenAI, um digitale Zwillinge der Modelle für Marketingbilder zur Darstellung seiner Bekleidungslinie zu erstellen, H&M nutzt die Technologie zur Prognose und Optimierung des Lagerbestands und zur personalisierten Styling-Beratung, und Nike generiert Designstile auf der Grundlage von Leistungsdaten von Sportlern und nutzt KI-gesteuerte Apps (Nike Fit) für personalisierte, präzise Messungen. 

• Sephora nutzt die Digital- und IT-Abteilung von LVMH auf Hochtouren, um Abläufe zu optimieren und das Kundenerlebnis in über 15 Ländern zu verbessern. Ein anderes Unternehmen, Carrefour, hat in Zusammenarbeit mit OpenAI Hopla in seine E-Commerce-Plattform eingeführt, um die Einkaufswagen der Kunden nach ihren persönlichen Vorlieben zu kuratieren.

• LVMHarbeitet mit Google Cloud zusammen, um seine 75 Häuser zu bedienen und so den individuellen Anforderungen jedes einzelnen Hauses gerecht zu werden. Das Unternehmen nennt es „leise Vorgehensweise“. Das Konglomerat hat außerdem mit Rigsters und OKCC zusammengearbeitet, um ein internes Asset-Produktionsmodell zu entwickeln, das Produktdigitalisierung und GenAI nutzt, um physische Produkte in eine breite Palette digitaler Assets umzuwandeln.

• L’Oréal Groupe und NVIDIAhaben im Juni 2025 zusammengearbeitet, um das Potenzial der KI in verschiedenen Aspekten der Schönheit zu erschließen und noch nie dagewesene Schönheitserlebnisse zu schaffen. L’Oréal wird die NVIDIA AI Enterprise-Plattform nutzen und CREAITECH für die Skalierung des digitalen 3D-Renderings von L’Oréal-Produkten für eine Verschmelzung von physischer KI und generativer KI eingeführt, um die kreativen Möglichkeiten zu erweitern.

Herstellung

• BMW Group nutzt GenAI zur Echtzeit-Erkennung von Komponentendefekten an Produktionslinien, Mercedes-Benz für personalisierte Sprachassistenten im Auto und hat viel Geld in die Ausbildung von Mitarbeitern zu KI-Spezialisten investiert, und Nissan für Versuche mit GenAI, um Autogrills zu entwerfen und dabei ästhetische, kühlende und aerodynamische Anforderungen in Einklang zu bringen.

• Im Bereich Luft- und Raumfahrt und schwere Maschinen übernimmt Airbus die generativen Designs für die Entwicklung leichterer Flugzeugteile und identifiziert über 600 potenzielle GenAI-Anwendungsfälle in den Bereichen Technik und Datenwissenschaft. Rolls-Royce setzt GenAI ein, um Sensordaten aus Testläufen für die vorausschauende Wartung von Flugzeugtriebwerken zu analysieren.

• In der Unterhaltungselektronikindustrie erstellt Bosch damit synthetische Bilddaten für KI-Schulungen und verkürzt so die Entwicklungszeit von Inspektionssystemen, Flexitron optimiert die Produktionsplanung für die Elektronikfertigung und verkürzt Zykluszeiten und Schneider Electric nutzt KI-gesteuerte Automatisierungsalgorithmen, um die Maschinenleistung zu überwachen und die Energieeffizienz zu optimieren.

• Im Mai 2025 verlängerte Capgemini seine strategische Partnerschaft mit Mistral AI & SAP. Diese Zusammenarbeit wird den erfolgreichen Einsatz maßgeschneiderter KI-Lösungen mit SAP für Branchen mit strengen Datenanforderungen sicherstellen. Mit den revolutionären GenAI-Modellen von Mistral AI und BTP von SAP wird Capgemini mehrere leicht zugängliche Geschäfts-KI-Anwendungsfälle mit einem geringeren CO2-Fußabdruck entwickeln. 

Kartierung der regionalen und landesspezifischen Akzeptanz von KI

Es gibt eine Handvoll Länder, die bei der Entwicklung von KI führend sind. Im Jahr 2024 investierte der private KI-Sektor der USA etwa 109,1 Milliarden US-Dollar, was etwa 40 % der Unternehmensforschung und -entwicklung ausmacht. Während der globale Norden stark in die KI-Infrastruktur investiert, beschleunigt sich die Einführung und Integration von KI-Modellen in den Ländern mit mittlerem Einkommen (Brasilien, Indien, Philippinen und Indonesien) rasant.

Der India-AI Impact Summit 2026, an dem 89 Länder und verschiedene internationale Organisationen teilnahmen, um die Erklärung von Neu-Delhi zu unterzeichnen, legte den Schwerpunkt auf eine gerechte Aufteilung der Vorteile der KI. Auf dem Gipfel wurde die Einführung der nächsten Phase der KI-Strategie des Landes geplant, die sich auf die Beschleunigung der KI-Einführung in verschiedenen Sektoren und den Ausbau der Datensätze und der Computerinfrastruktur konzentrieren wird. Auf dem Gipfel enthüllte Indiens umfassende souveräne KI-Plattform Sarvam AI zwei LLMs mit den Namen Sarvam-30B (30 Milliarden Parameter) und Sarvam-105B (105 Milliarden Parameter). Dies hat Indien den Weg geebnet, einer Gruppe von Nationen beizutreten, die in der Lage sind, bahnbrechende KI-Modelle zu entwickeln.

Seit Anfang 2026 stehen die Vereinigten Arabischen Emirate, Indien und Singapur bei der Einführung von GenAI durchweg an der Spitze. Die VAE haben berichtet, dass mehr als 50 % der arbeitenden Bevölkerung KI-Tools nutzt. Die Regierung hat KI proaktiv in den öffentlichen Sektor integriert und in die digitale Infrastruktur investiert. Singapur erfährt starke Unterstützung seitens seiner Regierung und hat zudem einen strategischen Fokus auf Forschung und Entwicklung. Südkorea ist eines der am schnellsten wachsenden Länder, in denen KI eingeführt wird, und die Regierung entwickelt qualitativ hochwertige Modelle in koreanischer Sprache.

Im Jahr 2026 konzentrierten sich die USA im Rahmen einer gesamtstaatlichen Strategie auf den Export ihres „KI-Stacks“, die Einführung neuer internationaler Finanzierungen für KI über das Finanzministerium und die Ex-Im Bank sowie die Etablierung von NIST-gestützten Standards für Agenten-KI. Zu den wichtigsten Initiativen gehören der Einsatz des „U.S. Tech Corps“ für KI, die Konsolidierung von KI im sicheren öffentlichen Beschaffungswesen (GovRAMP) und die Förderung öffentlich-privater Partnerschaften, um GenAI vom Pilotprojekt in die Produktion zu überführen.

Europa bereitet sich energisch darauf vor, die Einführung von GenAI durch die „Apply AI“-Strategie zu beschleunigen, mit einer Finanzierung von über 1,15 Milliarden US-Dollar durch Horizon Europe für die Einführung in zehn Schlüsselsektoren. Zu den wichtigsten Initiativen der Regierung gehören die Einrichtung des KI-Büros zur Überwachung allgemeiner Modelle, die Erweiterung von „GenAI4EU“ zur Förderung offener Innovationsökosysteme und die Umsetzung des Regulierungsrahmens des KI-Gesetzes zur Förderung vertrauenswürdiger souveräner KI.

Im Jahr 2026 beschleunigt die Regierung des Nahen Ostens die Einführung von GenAI durch massive, staatlich geförderte Infrastrukturinvestitionen, wobei der Schwerpunkt auf souveräner KI und der unternehmensübergreifenden Integration agentischer KI liegt. Zu den wichtigsten Initiativen gehören Saudi-Arabiens Project Transcendence im Wert von 100 Milliarden US-Dollar, das 5-Gigawatt-KI-Campusprojekt der VAE (G42/NVIDIA) und massive Rechenzentrumsentwicklungen mit dem Ziel der KI-Industrialisierung.

GenAI vs. Agentische KI: Wichtige Unterschiede erklärt

• Während Unternehmen und Entwickler im Wettlauf um die Integration intelligenterer Systeme und die Aufrüstung ihrer bestehenden Systeme mit KI immer weiter voranschreiten. Die Begriffe GenAI und Agentische KI werden oft synonym verwendet, es handelt sich jedoch um drei verschiedene Arten weiterentwickelter KI-Paradigmen. Sie stehen für unterschiedliche Autonomie, Aufgabenkomplexität und Fähigkeiten.

• GenAI erstellt aus Datensätzen neue Inhalte, während die agentische KI eigenständige Maßnahmen zur Zielerreichung ergreift. Das heißt, die agentische KI ist proaktiv und autonom bei der Lösung komplexer Probleme und GenAI erstellt Inhalte auf der Grundlage von Eingabeaufforderungen.

• Agentic AI kann mit seinen mehrstufigen Arbeitsabläufen komplexe Probleme bearbeiten, den Fortschritt verfolgen und die Strategien basierend auf den Zwischenergebnissen anpassen. Seine Planungsfähigkeit ist sehr leistungsfähig, da es angesichts seines Ziels erforderliche Schritte, Abhängigkeiten, Ressourcen und Ausführung bestimmen kann. GenAI zeichnet sich durch spezifische Aufgaben mit definierten Ein- und Ausgängen aus. Es erfordert menschliches Eingreifen, um die komplexen Aufgaben bei jedem Schritt zu bewältigen. Im Gegensatz zur Agenten-KI kann GenAI den Fortschritt nicht verfolgen, Ressourcen koordinieren oder Zeitpläne anpassen.

• GenAI arbeitet reaktiv, was bedeutet, dass jede Aktion eine menschliche Initiierung erfordert und selbst die ausgefeiltesten LLMs inaktiv bleiben. Agentische KI erkennt mit der gegebenen Autonomie, wann Maßnahmen erforderlich sind, bestimmt die richtigen Reaktionen, führt den Entscheidungsprozess durch und bewertet die Ergebnisse.

•  Agentische KI-Anwendungen umfassen autonome Softwaretests, Lieferkettenoptimierung, algorithmischen Handel, robotergestützte Prozessautomatisierung und vorausschauende Wartung. Im Gegenteil umfassen die Anwendungen von GenAI Kundensupport, Datenanalyse, Design und Kunst, Codegenerierung und Inhaltsgenerierung. 

KPIs für die GenAI-Implementierung: Messung des Erfolgs von GenAI-Modellen

Für eine erfolgreiche Skalierbarkeit und Implementierung von GenAI-Modellen müssen Unternehmen verschiedene Betriebsmodelle übernehmen, die von zentraler Governance bis hin zu dezentralen, in das Unternehmen eingebetteten Modellen reichen. Das geeignete und richtige Modell für jedes Unternehmen hängt von seiner KI-Reife, den vorhandenen technologischen Fähigkeiten und der Dateninfrastruktur ab. Unternehmen, die sich in der neuartigen Phase befinden, bevorzugen zentralisierte Modelle für eine strenge Governance, während Unternehmen mit gut etablierten KI-Frameworks wahrscheinlich dezentrale Modelle für mehr Flexibilität und Innovation übernehmen werden. The successful GenAI models we view today were once in their development phase and then were pushed forward into the production phase. These models have proved their success in the measuring metrics set for them. GenAI-Projekte beweisen ihren Erfolg, indem sie den Betrieb effizienter, die Kundenschnittstelle wirkungsvoller und die Entscheidungsfindung schneller und fundierter gestalten. The question comes how is their success measured?

Modellqualitätsmetriken sind unerlässlich, da sie bei der Messung von Wirksamkeit und Genauigkeit helfen. Onboard-Metriken geben GenAI-Projekten eine Richtung vor, beginnend damit, wie ihre Verbesserung aussehen wird. GenAI ist in der Lage, Prozesse zu automatisieren und menschliche Fehler zu reduzieren. Unternehmen wie Amazon nutzen KI-gesteuerte Robotik in Lagern, um die Prozesse zu rationalisieren, die Betriebskosten zu senken und die Effizienz zu steigern. Das Festlegen klarer Metriken hilft bei der Gestaltung der Probleme, die GenAI lösen wird. Seine Fähigkeit, ein breites Spektrum unbegrenzter Ergebnisse zu generieren, erfordert eine subjektivere Bewertung. Die Kriterien für modellbasierte Metriken, die sich noch im experimentellen Stadium befinden, ermöglichen eine umfassendere Bewertung, bei der die Ergebnisse genau auf Kohärenz, Sicherheit, Flüssigkeit, Textqualität, Ausführlichkeit, befolgte Anweisungen, Zusammenfassung und Bodenständigkeit beobachtet werden.

Um das volle Potenzial von GenAI auszuschöpfen, investieren Unternehmen in End-to-End-KI-Plattformen. Diese Plattformen können alle wichtigen Komponenten integrieren, die für die Entwicklung, Bereitstellung und Verwaltung der Modelle erforderlich sind. Systemmetriken übernehmen betriebliche Aspekte des KI-Systems und stellen Effizienz, Zuverlässigkeit und Skalierbarkeit sicher, um alle Anforderungen des Unternehmens zu unterstützen. Bereitstellungsmetriken helfen bei der Verfolgung bereitgestellter Pipelines und Modellartefakte und bieten Einblicke in die Kapazität, Governance und organisationsweite Wirkung der KI-Plattform.

Die Fähigkeit von GenAI-Modellen, das Kundenerlebnis und die Verkaufsleistung durch personalisierte Gespräche zu verbessern. Reaktionszeit, Genauigkeit und Akzeptanz sind wichtig, da sie sich auf die Kundenbindung, die Entscheidungsqualität und das Vertrauen auswirken und deren Wert messen. Netflix und Spotify nutzen KI, um das Nutzerverhalten zu analysieren und Präferenzen vorherzusagen. Dies führt zu höheren Umsätzen, zieht neue Leads an und behält die Aufmerksamkeit der Kunden.

Generative KI-Ethik: Wichtige Bedenken und Risiken

Jede Organisation möchte die AI-First-Organisation sein. Bei der Eile, KI und andere neue Technologien anzupassen, zu implementieren und zu integrieren, werden oft die Aspekte außer Acht gelassen, die auf der anderen Seite vorherrschen. Elon Musk, einer der Pioniere und Spitzenreiter im KI-Sektor, äußerte sich lautstark und doch paradox zur generativen KI. Seine Bedenken ergeben sich aus dem Potenzial der GenAI, Fehlinformationen in großem Umfang zu verbreiten. Als visionärer Unternehmer ist sich Musk der Vorteile bewusst, die GenAI mit sich bringen wird. Gleichzeitig ist er jedoch auch davon überzeugt, dass diese Vorteile gegen die potenziellen Risiken, die mit der Technologie verbunden sind, abgewogen werden sollten.

Branchenführer sind sich weitgehend einig, dass GenAI auch eine Reihe neuer Risiken mit sich bringt, große Bedenken im Zusammenhang mit Datensicherheit, Diebstahl geistigen Eigentums, „Halluzinationen“ und der Entstehung von „Deepfakes“. Halluzinationen in der KI treten auf, wenn von LLMs erstellte Texte nicht plausibel sind, aber durch reale Fakten, Trainingsdaten oder Benutzerkontext gestützt werden. Sophos befragte in seinem neuen Bericht „Beyond the Hype: The Business Reality of AI for Cybersecurity“ 400 IT-Führungskräfte zu ihrem Einsatz von KI im Sicherheitsbereich. In der Umfrage wurde festgestellt, dass 89 % der IT-Führungskräfte besorgt sind, dass Mängel in den GenAI-Cybersicherheitstools ihr Unternehmen gefährden könnten, obwohl 65 % GenAI-Funktionen eingeführt haben.

• Im Hinblick auf die Datensicherheit kann die Eingabe sensibler, personenbezogener Daten oder vertraulicher Informationen in öffentliche GenAI-Tools zu Datenlecks führen. Ein weiteres Problem besteht darin, dass in diese Modelle eingespeiste Daten möglicherweise gespeichert und zum Trainieren zukünftiger Modelle verwendet werden, wodurch möglicherweise vertrauliche Informationen an Dritte weitergegeben werden.

• GenAI ermöglicht anspruchsvolles Phishing, bei dem Cyberkriminelle in der Lage sind, hochgradig personalisierte, überzeugende und grammatikalisch perfekte Phishing-E-Mails und Social-Engineering-Kampagnen zu generieren. Die einfache Erstellung von Deepfakes ist ein großer Betrugsversuch, und Angreifer können die Modi auch manipulieren, um sichere Daten preiszugeben.

• Es gibt derzeit erhebliche Rechtsstreitigkeiten darüber, ob Modelle, die auf öffentlich verfügbaren Daten trainiert wurden, geistige Eigentumsrechte verletzen. Die schnelle Umsetzung geht schneller voran als die formelle Regulierung und birgt Risiken für die Einhaltung neuer Gesetze wie dem EU-KI-Gesetz. Es besteht weiterhin Unklarheit darüber, wer das Urheberrecht für von KI generierte Inhalte besitzt.

• Auf historischen Daten trainierte Modelle können zu rassischen, geschlechtsspezifischen oder politischen Vorurteilen führen. Darüber hinaus sind einige Führungskräfte besorgt über die unkontrollierte Verdrängung von Arbeitskräften in den Bereichen Codierung, Inhaltserstellung und Kundenservice. Schließlich wirft auch der enorme Energieverbrauch für das Training und den Betrieb großer Modelle Nachhaltigkeitsprobleme auf.

Investitionen, die die GenAI-Landschaft anführen

Das Gesamtvolumen der großen Technologieunternehmen im GenAI-Bereich, einschließlich Infrastruktur- und Cloud-Anbietern, wurde in den ersten elf Monaten des Jahres 2025 auf rund 87 Milliarden US-Dollar geschätzt, was fast dem Doppelten der ersten elf Monate des Jahres 2024 entspricht. Die KI tritt im Jahr 2026 in eine weitere neue Phase ein, wobei Alphabet, Amazon, Microsoft und Meta voraussichtlich im Jahr 2026 ein Gesamtkapital von mehr als 650 Milliarden US-Dollar investieren werden. Sie kommen mit starken GenAI-Investitionen gut voran; Google mit 75 Milliarden US-Dollar für den Einsatz von KI in Werbung und Suche und OpenAI mit 100 Milliarden US-Dollar aus Mitteln von Oracle und Softbank. Oracle strebt außerdem Partnerschaften im Wert von 50 Milliarden US-Dollar an, die sich auf Cloud-native KI konzentrieren. Im Februar 2026 schloss sich Capgemini mit OpenAI und Frontier zusammen, um die nächste Ära der KI-Transformation von Unternehmen voranzutreiben. Als Gründungsmitglied der OpenAI Frontier Alliance wird Capgemini daran arbeiten, die Lücke bei den KI-Chancen zu schließen, indem es sich auf die geschäftlichen, Daten-, Organisations- und Systemintegrationsherausforderungen konzentriert, mit denen Kunden konfrontiert sind, um KI unternehmensweit einzusetzen.

GenAI verlagert sich von modellzentriert hin zu Anwendungen, Agenten-Workflows und Integration. Nach mehreren Jahren des Experimentierens gehen Organisationen über Pilotmodelle hinaus. Die erfolgreiche Einführung erfordert Prozessharmonisierung, Weiterqualifizierung und Governance, um KI sicher und verantwortungsvoll zu verwalten. Einer Branchenanalyse zufolge werden bis 2030 80 % der Unternehmenssoftware multimodal sein, was einen enormen Anstieg zeigt, der im Jahr 2024 weniger als 5 % betrug. Zu den wichtigsten Trends gehören multimodale Agentensysteme, die autonom agieren, eingebettete KI in bestehende Software und Konvergenz in der Modellleistung.

Agentische KI verändert Arbeitsabläufe und Entscheidungsprozesse, da autonome Agenten in der Lage sind, mehrstufige komplexe Prozesse auszuführen. Gleichzeitig gewinnen DSLMs und SLMs auch an Anerkennung für ihre datenschutzrechtlichen und maßgeschneiderten Lösungen, die strenge Vorschriften erfüllen und skalierbare Informationen liefern. Mit der anhaltenden Eskalation der Bekämpfung von Geldwäsche, Onboarding-Betrug, Inkassoprozessen und KYC entwickeln sich Finanzkriminalität weiter, und eine fortschrittliche Betrugsbekämpfung wird immer wichtiger, insbesondere gegen Deepfakes und synthetische Dokumente. Darüber hinaus wird vorhergesagt, dass eingebettete KI in der vorhandenen Software häufiger vorkommen wird als eigenständige Tools, da Benutzer eher passive KI-Erlebnisse bevorzugen. Mit Blick auf die Zukunft werden führende KI-Labore ihren Fokus auf stärker vertikalisierte und domänenspezifische Anwendungen verlagern, um eine individuellere Benutzererfahrung statt auf allgemeine Intelligenz zu bieten.