KI entwickelt sich derzeit rasch von einer Reihe leistungsstarker Werkzeuge hin zu einer zentralen Komponente wettbewerbsf盲higer Unternehmen. Spezialisierte Modelle, KI-Agenten und KI-basierte Architekturen werden daf眉r sorgen, dass KI weiterhin in den Kern von Unternehmensabl盲ufen eingebettet wird 鈥� mit potenziell enormen Vorteile.
Um die Entwicklung von KI zu steuern, m眉ssen Unternehmen verstehen, dass es nicht mehr nur um die Frage geht 鈥濿as kann KI tun?鈥�, sondern 鈥濿ie bringen wir unser Unternehmen mit KI auf Erfolgskurs? Was m眉ssen wir daf眉r tun? Welche Probleme l枚se ich mit welchen Modellen? Wie steuern wir all das?
Sehen wir uns f眉nf wichtige Themen an, die Unternehmens-KI im Jahr 2026 bestimmen werden und die f眉r Unternehmen sowohl Chancen als auch Herausforderungen bedeuten. Los geht’s!
1. Neue Kategorien von KI-Basismodellen schaffen Mehrwert f眉r Unternehmen
Die Fortschritte in der generativen KI sind auf Durchbr眉che bei den sogenannten Basismodellen zur眉ckzuf眉hren. Dabei handelt es sich um umfangreiche neuronale Netzwerke, die mit enormen Datenmengen trainiert werden und an verschiedenste Aufgaben angepasst werden k枚nnen.
Gro脽e Sprachmodelle (Large Language Models, LLMs) waren die erste Welle von umfassenden Basismodellen. Allgemeine LLMs, die mit dem 脛quivalent aller Texte im Internet trainiert wurden, erm枚glichten viele wertsch枚pfende Anwendungsf盲lle wie das Zusammenfassen von Dokumenten, das Schreiben von Code und die Unterst眉tzung von Anwendungen wie ChatGPT und Claude. In den letzten Jahren haben wir bereits gesehen, wie der Ansatz der Basismodelle in anderen Bereichen angewendet wurde, beispielsweise zum Erstellen von Videos und Generieren von Sprache.
2026 werden spezialisierte Basismodelle, die f眉r bestimmte Datentypen und Bereiche optimiert sind, hochwertige Anwendungsf盲lle f眉r Unternehmens-KI unterst眉tzen. Bei Modellen zur Videogenerierung lie脽 sich bereits beobachten, dass Modelle, die auf realen physikalischen Daten beruhen, Schlussfolgerungen aus Szenen und physikalischer Dynamik ziehen k枚nnen. Die aufkommenden Weltmodelle zeigen, dass das Simulieren der physischen Welt neue M枚glichkeiten in den Bereichen Simulation, synthetische Trainingsdaten und digitale Zwillinge er枚ffnet. Vision-Language-Action-Modelle demonstrieren, dass Robotik-Basismodelle Verallgemeinerungen ableiten und auf neue Aufgaben und Umgebungen anwenden k枚nnen, wodurch die Umwandlung von Wissen im Webma脽stab in reale Ma脽nahmen in den Bereichen Logistik und Fertigung m枚glich wird.
Im Unternehmensbereich findet gerade eine 盲hnliche Ver盲nderung in Bezug auf strukturierte Daten in Datenbanken und transaktionaler Unternehmenssoftware statt. Obwohl LLMs in vielen Anwendungsf盲llen in Unternehmen beeindruckende Ergebnisse liefern, k枚nnen sie Aufgaben wie numerische Prognosen, etwa die Herleitung eines Lieferdatums oder einer Bewertung von Lieferantenrisiken, nicht l枚sen. Arbeiten zu relationalen Basismodellen zeigen jedoch, dass das Training mit strukturierten Datensets 鈥� beispielsweise Daten in Tabellen statt allgemeinen Texten oder Bildern aus dem Internet 鈥� eine hohe Genauigkeit von Vorhersagen erm枚glicht, ganz ohne m眉hsames Feature Engineering und Training, wie es beim klassischen maschinellen Lernen erforderlich ist. Das bedeutet, dass Unternehmen Prognosemodelle innerhalb von wenigen Tagen statt Monaten implementieren k枚nnen. K眉rzlich eingef眉hrte relationale Basismodelle wie 麻豆原创-RPT-1, Kumo und Distil Labs zeigen, wie neue Modelle Anwendungsf盲lle wie Prognosen, Erkennung von Anomalien und Optimierung in ERP-, Finanz-, Fertigungs- und Supply-Chain-Szenarien direkt unterst眉tzen k枚nnen.
Es ist zu erwarten, dass diese spezialisierten Modelle 2026 skaliert werden und f眉r strukturierte Gesch盲ftsaufgaben erstklassige, effiziente Leistung liefern. Damit werden sie allgemeine LLMs und moderne Algorithmen f眉r maschinelles Lernen 眉bertreffen. Diese Modelle werden k眉nftig die Zugpferde f眉r wertsch枚pfende Aufgaben in Unternehmen sein.
2. Software entwickelt sich hin zu einer KI-basierten Architektur
Im Bereich der KI waren im Laufe der Jahrzehnte verschiedenste wertsch枚pfende Ans盲tze zu beobachten 鈥� von den ersten regelbasierten Expertensystemen 眉ber probabilistisches Deep Learning bis hin zum j眉ngsten Boom bei generativer KI. 2026 werden Unternehmen von der Erweiterung bestehender KI-Anwendungen und -Prozesse zu KI-basierten Architekturen 眉bergehen, die das Versprechen moderner KI voll einl枚sen werden.
KI-basierte Architekturen erg盲nzen deterministische Systeme um eine Schicht f眉r kontinuierliches Lernen und agentische KI. Dadurch sind absichtsgesteuerte und kontextbezogene Anwendungen m枚glich, die sich selbst verbessern, und die nicht statisch um festgelegte Workflows herum codiert werden m眉ssen. Agentische Systeme werden jedoch auch weiterhin nur so gut sein, wie die Kontextschicht, auf der sie beruhen und von der sie zuverl盲ssig Informationen abrufen k枚nnen. Im Hinblick darauf sollten Unternehmen in umfassende, semantisch umfangreiche Wissensgraphen investieren, die eine skalierbare Kontextquelle bieten und eine KI-basierte Software erm枚glichen, die zuverl盲ssig ist und sich selbst verbessern kann.
Unternehmensanwendungen werden zunehmend nativ auf KI-Funktionen aufbauen und Benutzererfahrungen bieten, die f眉r Interaktionen mit mehreren Modellen in nat眉rlicher Sprache konzipiert sind. Sie werden mit KI-Agenten ausgestattet sein, die Schlussfolgerungen 眉ber komplexe Prozesse hinweg ziehen k枚nnen und 眉ber eine Grundlage zur Verwaltung von Basismodellen, Services und einen Wissensgraphen zum Erfassen semantisch umfassender Gesch盲ftsdaten verf眉gen. Mit einer auf KI basierenden Architektur k枚nnen auch mehr Mitarbeiter in k眉rzester Zeit selbst Apps erstellen 鈥� beispielsweise kleinere Ad-hoc-Produktivit盲tsanwendungen 鈥�, ohne daf眉r IT-Teams beanspruchen zu m眉ssen.
Eine Voraussetzung f眉r eine KI-basierte Architektur sind etablierte SaaS-Prinzipien und Investitionen in moderne Cloud-Anwendungen, auf denen sie aufbauen kann. Der Fachbegriff f眉r die Kombination von probabilistischen, adaptiven KI-Modellen mit deterministischen Aufzeichnungssystemen lautet neurosymbolische KI. Sie vereint die besten F盲higkeiten von KI zur Anpassung an zuverl盲ssige, steuerbare und deterministische Prozesse. Anwendungen der n盲chsten Generation werden KI nicht nur unterst眉tzen, sie werden im Kern auf KI aufbauen. Das bedeutet, dass Schlussfolgerungen, Gesch盲ftsregeln und Daten kombiniert werden, um nahtlos Erkenntnisse zu liefern und zu automatisieren. Stellen Sie sich ERP-Systeme vor, die proaktiv Anomalien melden, Ma脽nahmen empfehlen und sogar Workflows autonom ausf眉hren 鈥� und all das im Einklang mit Unternehmensrichtlinien und gesetzlichen Vorschriften.
3. Agentische Governance wird zu einem gesch盲ftskritischen Aspekt
In den letzten zwei bis drei Jahren hat generative KI eine Welle von wertsch枚pfenden Anwendungsf盲llen ausgel枚st. Diese Anwendungsf盲lle basierten gr枚脽tenteils auf folgendem Muster: Benutzer senden einen Prompt an ein Modell, erhalten eine Antwort und interagieren erneut mit dem Modell.
Im vergangenen Jahr rollte die n盲chste Innovationswelle an: KI-Agenten, die mehrstufige Aufgaben planen und iterativ durchdenken k枚nnen, einschlie脽lich der Auswahl von Tools, der Selbstreflexion 眉ber den Fortschritt und der Zusammenarbeit mit anderen KI-Agenten. Diese fortschrittlichen KI-Agenten versprechen, komplexe Gesch盲ftsprozesse anzugehen, die bisher nicht automatisiert werden konnten, etwa die Analyse einer gro脽en Anzahl von Dokumenten, Aufzeichnungen und Richtlinien, um oder .
Die zunehmende Verbreitung von KI-Agenten, von denen viele kritische Aufgaben und sensible Daten verarbeiten, erfordert jedoch die Entwicklung neuer Funktionen. Agentische Governance wird sich als eine wichtige Funktion herausstellen, wenn Unternehmen Hunderte von spezialisierten KI-Agenten einsetzen. Die Herausforderung des 鈥濧genten-Wildwuchses鈥� wird an fr眉here Schatten-IT-Krisen erinnern, doch angesichts der autonomen Entscheidungsf盲higkeiten von Agenten wird sie mit h枚heren Risiken einhergehen.
Zukunftsorientierte Unternehmen werden umfassende Governance-Frameworks schaffen, die f眉nf Dimensionen abdecken: Lebenszyklusmanagement f眉r Agenten (Versionskontrolle, Testprotokolle, Implementierungsgenehmigungen, Verfahren f眉r die Au脽erbetriebnahme), Beobachtbarkeit und Auditierbarkeit (Verzeichnis, Protokollierung, Argumentationspfade und Aktions-Traces von Agenten), Durchsetzung von Richtlinien (Einbettung von Gesch盲ftsregeln, gesetzlichen Einschr盲nkungen und ethischen Richtlinien in die Ausf眉hrungsabl盲ufe von Agenten), Modelle f眉r die Zusammenarbeit zwischen Mensch und Agent (Definition von Autonomiegrenzen, Genehmigungsanforderungen und Eskalationspfaden) und Leistungs眉berwachung (Nachverfolgung von Genauigkeit, Effizienz, Kosten und gesch盲ftlichen Auswirkungen).
Der organisatorische Wandel wird tiefgreifend sein 鈥� von der Betrachtung der KI als unabh盲ngiges Werkzeug bis hin zur Verwaltung von Agenten als digitale Mitarbeitende, die ein Onboarding, Leistungsbeurteilungen und kontinuierliche Verbesserung erfordern. HR- und IT-Abteilungen werden beim 鈥瀌igitalen Personalmanagement鈥� zusammenarbeiten, da Unternehmen die agentische Governance ebenso ernst nehmen wie die herk枚mmliche Kontrolle des Personals.
4. Absichtsgesteuertes ERP und generative UI bieten neuen Nutzungskomfort
Verbraucher sind zunehmend besser mit Computerinteraktionen vertraut, die Prompts in nat眉rlicher Sprache, Spracheingaben und sogar in Form von Bildern und Gesten erfordern. Gleichzeitig wird sich die F盲higkeit von generativer KI, Texte, Grafiken, Code und HTML dynamisch zu erstellen, rasch verbessern. Parallel dazu wird es m枚glich sein, dass Nutzer einfach ihre Absichten ausdr眉cken, sodass KI-Agenten ermitteln k枚nnen, wie sie dieses Ziels erreichen.
Diese Fortschritte er枚ffnen Nutzern vielf盲ltige, v枚llig neue Modalit盲ten f眉r das Arbeiten mit Unternehmenssoftware und mit ERP-Software ohne App (鈥濶o-App ERP鈥�). Betrachten wir als Beispiel das Buchen eines Kundenbesuchs. Daf眉r m眉ssen Mitarbeitende in der Regel eine Analyseanwendung 枚ffnen, um das Kundenkonto zu 眉berpr眉fen. Dann suchen sie im CRM-System nach der Adresse des Kunden und navigieren schlie脽lich zu einer anderen Anwendung, um die Reise zu buchen.
2026 werden wir mit digitalen Assistenten h盲ufiger 眉ber 鈥濭en UIs鈥� arbeiten. Generative UI entlastet Nutzer, da sie nicht mehr zwischen mehreren Anwendungen navigieren und manuelle Aufgaben ausf眉hren m眉ssen. Mit der Zeit werden Nutzer dank KI einfach ihre Absicht ausdr眉cken k枚nnen: 鈥濨ereite eine Reise zu meinem Kunden mit den meisten Leads vor.鈥� Der KI-Agent plant daraufhin die entsprechenden Schritte und erforderlichen Systeme und interagiert mit dem Benutzer, um sich Reisedetails best盲tigen zu lassen. Inzwischen generiert er dynamische Analysediagramme und Briefingmaterial im Fenster. Da KI-Agenten immer leistungsf盲higere Berechnungs- und Vorhersagetools entwickeln, werden sie es Nutzern erm枚glichen, 鈥瀗at眉rlicher mit ihren Daten zu sprechen鈥�, w盲hrend die Agenten im Hintergrund datenbasierte Entscheidungen treffen. Um es noch einmal zu verdeutlichen: Interaktionen mit Agenten werden weit 眉ber g盲ngige Chat-Dialoge hinausgehen. Unternehmen werden 眉ber umfangreiche Visualisierungen, vollst盲ndige Workflows und die M枚glichkeit verf眉gen, mit nur wenigen Befehlen hochgradig personalisierte Apps zu erstellen.
Die Benutzungsoberfl盲che an sich wird nicht verschwinden. F眉r das Arbeiten mit ERP unabh盲ngig von einer App und mit autonomen Agenten sind dieselben Grundlagen erforderlich, auf die sich Menschen bereits bei ihrer t盲glichen Arbeit verlassen: strukturierte Workflows, Sicherheit, Governance und Gesch盲ftslogik, die in Gesch盲ftsanwendungen definiert sind. Der Unterschied besteht darin, dass Agenten diese Grundoperationen programmtechnisch in gro脽em Ma脽stab konsumieren, nicht nur 眉ber eine grafische Benutzungsoberfl盲che. Menschen k枚nnen mit diesen Agenten 眉ber nat眉rliche Sprache interagieren, ohne die Anwendung 眉berhaupt 枚ffnen zu m眉ssen.
Diese Funktionen werden ein neues Paradigma f眉r die Zusammenarbeit zwischen Mensch und KI und f眉r Produktivit盲t am Arbeitsplatz etablieren. Personalisiertes Arbeiten und anpassungsf盲hige Workflows 眉ber Anwendungen und Datenquellen hinweg werden die Akzeptanz verbessern. Diese F盲higkeit, sich unabh盲ngig von der Interaktionsmodalit盲t und den zugrunde liegenden Systemen ausschlie脽lich auf das Erreichen der Absicht eines Nutzers zu konzentrieren, wird die Investitionsrendite (ROI) von KI und Unternehmenssoftware steigern.
5. Deglobalisierung steigert das Angebot an souver盲ner KI
KI sorgte f眉r Debatten 眉ber聽digitale Souver盲nit盲t聽zwischen verschiedenen L盲ndern, da sie potenziell Auswirkungen auf alles hat, von wissenschaftlichen Entdeckungen 眉ber nationale Sicherheit bis hin zu volkswirtschaftlicher Produktivit盲t und selbst die Kultur. Geopolitische Ereignisse wie St枚rungen in der Lieferkette durch Z枚lle und Krieg haben die Dringlichkeit des Erreichens digitaler Souver盲nit盲t, die viele Nationen und Unternehmen versp眉ren, noch verst盲rkt.
Digitale Souver盲nit盲t hat zwei weit gefasste Definitionen. Erstens ist digitale Souver盲nit盲t eine Bezeichnung f眉r Informationssicherheit, die die Speicherung und den Zugriff auf Daten regelt, so etwa FedRAMP in den USA und die VSA in Deutschland, die die Voraussetzung daf眉r sind, sensible Regierungsdaten in einer souver盲nen Cloud zu verarbeiten. In der zweiten, etwas allgemeineren Definition bezieht sich Souver盲nit盲t auf die Herkunft von physischen Anlagen, geistigem Eigentum, Gerichtsstand und Services f眉r den gesamten Cloud-Stack. Nutzt eine Anwendung beispielsweise ein KI-Modell, das in Europa, den USA oder China erstellt wurde, und ist das Rechenzentrum geografisch isoliert?
Angesichts der hohen Risiken, der geopolitischen Unsicherheit und der Komplexit盲t von 鈥瀞ouver盲ner KI鈥� werden Unternehmen zunehmend nach KI- und Cloud-L枚sungen verlangen, die gleichzeitig hochmodern, flexibel und vollst盲ndig souver盲n sind. Das forciert den Wandel von einer globalisierten Einheits-Cloud zu regional konformen, KI-gest眉tzten Unternehmensplattformen. Gleichzeitig werden die Regierungen ihre nationalen KI-Strategien weiter verfeinern, um in Bereiche entlang des Stacks zu investieren, in denen sie wettbewerbsf盲hig sind und Mehrwert schaffen k枚nnen.
Umsetzung der KI-Themen im Jahr 2026
2026 ist KI auf dem besten Weg, sich von einem unterst眉tzenden Werkzeug zu einer tragenden S盲ule f眉r Unternehmen zu entwickeln. Dieser Wandel wird durch eine Ann盲herung entscheidender Trends vorangetrieben 鈥� darunter immer leistungsf盲higere Agenten, generative Benutzungsoberfl盲chen und KI-basierte Architektur 鈥�, die KI aus der Anwendungsschicht in den Kern von Gesch盲ftsabl盲ufen verlagern.
Erfolgreich werden die Unternehmen sein, die diesen Wandel erkennen und ein Unternehmen aufbauen, das speziell auf KI ausgerichtet ist: Sie schaffen eine robuste Governance, um eine neue, kollaborative Belegschaft aus Menschen und KI-Agenten zu verwalten. Sie f眉hren generative Benutzungsoberfl盲chen ein, um die Akzeptanz zu verbessern und Nutzern ein absichtsgesteuertes Arbeiten durch nat眉rliche Interaktion zu erm枚glichen. Sie machen spezialisierte Basismodelle ausfindig, die genau auf die Anwendungsf盲lle des Unternehmens abgestimmt sind, um den gesch盲ftlichen Nutzen zu steigern, und nicht zuletzt entwickeln sie nahtlos Anwendungen rund um die KI, die logische Schlussfolgerungen, Gesch盲ftsregeln und Daten vereinen und proaktive Erkenntnisse liefern und Automatisierung erm枚glichen.
Unternehmen werden jedoch auch im Jahr 2026 weiterhin hochwertige, vernetzte Daten ben枚tigen. Datensilos schr盲nken die Effektivit盲t von KI stark ein. Wie bereits erw盲hnt, setzt eine KI-basierte Architektur Investitionen in moderne Cloud-Anwendungen voraus, die Daten im gesamten Unternehmen harmonisieren 鈥� denn einheitliche Daten sorgen daf眉r, dass die Ergebnisse der KI genauer und relevanter sind.
Jonathan von Rueden ist Chief AI Officer der 麻豆原创 SE.
Walter Sun ist Senior Vice President und Global Head of AI for 麻豆原创 Business AI bei der 麻豆原创.
Sean Kask ist Vice President und Head of AI Strategy for 麻豆原创 Business AI bei der 麻豆原创.
