Die Ruderer des Spitzenteams konzentrierten sich nur darauf, ihre individuelle Leistung zu maximieren. Wenn das Boot langsamer wurde, ruderten sie isoliert kräftiger, störten damit den synchronen Rhythmus und erzeugten Wasserwiderstand. Die Ruderer des Nachwuchsteams wussten, dass sie als einzelne Personen schwächer waren. Und so ruderten sie gleichmäßig.  

Unternehmen sind mit unzähligen Varianten dieses Problems konfrontiert: Sie führen Systeme ein, die die Produktivität auf Einzel- oder Teamebene maximieren, doch die Arbeit im gesamten Unternehmen wird dadurch behindert. Viele Unternehmen erleben heute etwas Ähnliches mit KI.  

KI und Suboptimierung  

Suboptimierung ist ein systemisches Versagen, das auftritt, wenn die Leistung eines bestimmten Teils des Systems maximiert und dabei die Leistung des Gesamtsystems beeinträchtigt wird. Eine zentrale Rolle dabei spielen drei miteinander verflochtene Themen: Intensität, Kontext und Prognose. Anhand dieser Faktoren lässt sich erklären, wie KI im Unternehmen zu einer Suboptimierung führen kann, nämlich indem sie Einzelpersonen und lokale Systeme stärkt, dabei aber die Gesamtorganisation belastet.    

Aktuelle Forschungsergebnisse belegen die Diskrepanz zwischen einer KI-Einführung auf individueller Ebene und auf  Unternehmensebene und dem Mehrwert, den sie tatsächlich bietet. Der McKinsey-Bericht zeigt, dass 89 Prozent der Unternehmen KI bereits in mindestens einem Geschäftsbereich einsetzen. Doch nur 37 Prozent berichten von einem messbaren Einfluss auf das Ergebnis vor Zinsen und Steuern (EBIT) auf Unternehmensebene. Noch ernüchternder: Lediglich sechs Prozent der Unternehmen können als leistungsstarke Unternehmen (High Performer) eingestuft werden, die bereits im gesamten Unternehmen bedeutenden Nutzen aus der Nutzung von KI ziehen.  

Was macht es so schwierig, von der KI-Einführung zu einer messbaren Wertschöpfung zu gelangen? Ich glaube, es gibt drei Faktoren, die beeinflussen, ob ein Unternehmen KI zum Nutzen des gesamten Betriebs einsetzen kann.  

���Գٱ�Բ�����ä�� &�Բ�����;

KI-Tools reduzieren die Arbeit meist nicht – sie intensivieren sie. Eine in Berkeley ergab, dass Beschäftigte, die KI intensiv nutzen, schneller arbeiteten, ein breiteres Aufgabenspektrum übernahmen und mehr Arbeitsstunden leisteten – oft ohne explizite Aufforderung.  Was kurzfristig wie höhere Produktivität wirkt, ist in Wirklichkeit schleichende Arbeitsverdichtung und wachsender Druck: Mitarbeitende müssen neue KI-Workflows verwalten und mit weniger mehr leisten. , dass Überwachung beim Einsatz von KI mental besonders herausfordernd ist. KI-Tools, die direkte Beaufsichtigung benötigen, verschärfen das Problem der Informationsflut im Arbeitsalltag. Viele Beschäftigte fühlen sich dadurch zunehmend überfordert.  

Es ist leicht nachzuvollziehen, warum KI als intensiv empfunden werden kann: Aufgaben, die früher Tage erforderten, lassen sich heute nahezu sofort per Prompt erledigen. Dies führt dazu, dass Mitarbeitende mehr Projekte in Angriff nehmen, mehr Analysen erstellen und mehr Berichte verfassen. Doch wie eine achtspurige Autobahn, die sich plötzlich an einer Mautstelle zu einer einspurigen Straße verengt, müssen Personen all die Informationen, die ausgegeben wurden, noch verarbeiten.  Auf Unternehmensebene verstärkt sich dieser Engpass. Alle Mitarbeitenden leisten mehr denn je, wodurch sowohl die einzelnen Personen als auch das Unternehmen als Ganzes Schwierigkeiten haben, Schritt zu halten. Die Erstellung von Inhalten wurde skaliert, die Verarbeitung der Inhalte jedoch nicht. 

Die Lösung liegt nicht zwingend darin, weniger KI einzusetzen, sondern darin, wo und wie KI zum Einsatz kommt. Die KI sollte die Absicht der Anwender verstehen und die Informationen zu Tage fördern, die zur Beantwortung der Frage notwendig sind, anstatt nur statische Antworten zu liefern. Außerdem sollte sie sicherstellen, dass Anwender nicht  zwischen verschiedenen Apps und Systemen wechseln müssen. 

Wenn in der Antwort auf eine Frage zu viele Informationen erzeugt werden, wird die Aufnahmefähigkeit des Nutzers  herausgefordert. Die Antwort von �鶹ԭ�� ist , ein zentraler Arbeitsbereich für �鶹ԭ��- und Drittanbietersysteme, der KI-Agenten einsetzt, die Aufgaben eigenständig  erledigen. 

Stellt man die Frage „In welchen Filialen gehen in den nächsten 72 Stunden die 65-Zoll-Fernseher aus, und wo gibt es Bestände, die ich umlagern kann?“ , ruft das System systemübergreifend Daten ab und beauftragt Agenten, im Auftrag des Nutzenden zu handeln. Hier setzt �鶹ԭ�� auf autonomes Handeln und eine individuelle Benutzererfahrung, die speziell auf diese Situation zugeschnitten ist, ohne dass weitere Inhalte verarbeitet werden müssen. Wenn Mitarbeitende nicht mehr zwischen Systemen hin- und herspringen und nicht mehr so viele Inhalte konsumieren müssen, bleibt ihnen mehr Zeit, ihr Urteilsvermögen einzusetzen und Maßnahmen zu ergreifen, die wirklich wichtig sind.  So kann die KI dazu beitragen, dass die Arbeitsintensität verringert wird. 

���DzԳٱ��� &�Բ�����;

Die meisten KI-Systeme verstehen die Welt – aber nicht das Unternehmen, in dem sie eingesetzt werden. Es gibt einen Unterschied zwischen einem System of Record (Transaktionen, Stammdaten, Prozesslogik) und implizitem Wissen (E-Mails, Chats, ungeschriebene Regeln). Und in Unternehmen findet man beides. Wenn die KI nur das System of Record sieht, können ihre Antworten technisch korrekt, aber je nach Kontext inhaltlich falsch sein, weil sie die Praxis nicht widerspiegeln, die im Unternehmen gelebt wird.  

Auch bei der Beantwortung selbst scheinbar einfacher Fragen spielt der Unternehmenskontext eine entscheidende Rolle. Die Frage „Von welchen Lieferanten kann ich Kokosnüsse beziehen?“ erfordert Kenntnis der Prozesslandschaft eines Unternehmens, vor allem in den Bereichen Beschaffung, Lieferkette, Compliance und Finanzwesen. Dieses Unternehmenswissen ist meist über Prozessmodelle, Richtlinien, Chats, Tabellenkalkulationen und Anwendungen verteilt und daher schwer aktuell zu halten. Selbst wenn die KI-Agenten dieses Wissen finden, können sie es ohne das Prozesswissen der beteiligten Personen nicht in Handlungen umsetzen. Denn es sind die ungeschriebenen Regeln, Entscheidungen und Schritte, die einen Prozess ausführbar machen.  

– derzeit als Preview verfügbar – erfasst kontinuierlich internes Know-how und macht es sowohl für Menschen als auch für Agenten nutzbar. Schriftliche Eingaben aus E-Mails, Chats, Prozesswissen, Richtlinien und Anwendungslogik werden als Wissensgrundlage in wiederverwendbaren Bausteinen hinterlegt, die dann von KI-Agenten genutzt werden können. Die Bausteine werden einmalig zusammengesetzt, zentral verwaltet und im gesamten Unternehmen wiederverwendet. Wenn jemand Joule Work nach Kokosnüssen fragt, basiert die Antwort auf dem Company Memory und spiegelt die tatsächlichen Regeln wider, auf die sich die Prozessverantwortlichen geeinigt haben – zum Beispiel: „Nur aus Brasilien beziehen; andere Quellen erfordern eine formelle Ausnahmegenehmigung.“  

�鶹ԭ�� Company Memory ist keine einmalige Implementierung, sondern ein kontinuierlicher Prozess. Es handelt sich um eine Wissensschicht, die als Infrastruktur für KI-Agenten dient. Durch dieses Wissen wird sichergestellt, dass die Agenten nicht nur richtig, sondern auch kontextbezogen handeln, selbst dann, wenn Richtlinien und Teams sich ändern.  

�ʰ��Dz��ԴDz��� &�Բ�����;

Geschäftsentscheidungen sind im Grunde Vorhersageprobleme, die auf strukturierten Daten beruhen. Die meisten Unternehmen verwenden Large Language Models (LLMs), die sich hervorragend für die Verarbeitung von unstrukturierten Daten wie Text eignen. Aus architektonischen Gründen sind diese Modelle jedoch nicht so gut dafür geeignet, strukturierte numerische Daten, die fundierte Vorhersagen ermöglichen, zu generieren und zu verarbeiten. Lieferverzögerungen vorhersagen, Prognosen erstellen, Anomalien erkennen, Lagerbestände optimieren und Kreditrisiken bewerten, all dies sind alltägliche betriebliche Fragen, für die strukturierte, tabellarische Daten und eine vorausschauende Beurteilung maßgebend sind.  

LLMs dafür zu nutzen, zuverlässige Vorhersagen aus Tabellendaten zu berechnen, ist schlicht der falsche Ansatz. Die herkömmlichen Verfahren des maschinellen Lernens sind für viele zeitkritische Fragestellungen zu langsam. Die Daten werden zunächst extrahiert und an Spezialisten gesendet. Bis die Antwort vorliegt, vergehen mehrere Wochen, und die ursprüngliche Frage hat sich bis dahin oft längst geändert. Dies bedeutet, Vorhersageanalysen werden entweder von spezialisierten Fachleuten erstellt oder von generischen LLMs, die aber unzuverlässige Ergebnisse liefern. In beiden Fällen kommt es zu Verzögerungen bei wichtigen betrieblichen Entscheidungen.  

Verlässliche Prognosen und Risikobewertungen sollten integraler Bestandteil des Systems sein und nicht individuelle Ad-hoc-Lösungen. �鶹ԭ��-RPT-1.5 und TabPFN 3 sind speziell für tabellarische Daten optimierte Modelle, die in Joule Work und �鶹ԭ�� integriert werden, um zukunftsgerichtete Fragen sofort zu beantworten – direkt auf den aktuellen Daten, ohne Verzögerung.  

�鶹ԭ��-RPT-1.5 für �鶹ԭ��-Daten und TabPFN 3 für tabellarische Daten sind spezielle Prognose-Engines für strukturierte Daten. Entscheidungsträger, die in den Kernsystemen arbeiten, haben die Möglichkeit zu fragen: „Soll ich das Volumen umleiten? Wie hoch ist die Wahrscheinlichkeit, dass die Lieferung pünktlich erfolgen wird? Wie groß ist der Kostenunterschied zwischen den unterschiedlichen Szenarien?“ Und die Antworten, die sie erhalten, basieren auf echten Unternehmensdaten.  

Durch die unternehmensweite Verfügbarkeit lassen sich Engpässe bei Spezialisten vermeiden. Und das Unternehmen ist dank fundierter Prognosen besser in der Lage, mit Unsicherheiten umzugehen. So ist die Geschäftsführung in der Lage, informierte Entscheidungen zu treffen und die Probleme wirklich anzugehen. 

KI zum Nutzen des gesamten Unternehmens 

Es wurde bereits bewiesen, dass KI das Potenzial des Einzelnen steigern kann, aber der Gesamtorganisation nicht automatisch zugutekommt. Bei der Nutzung von KI sollte es nicht darum gehen, einzelne Aufgaben zu verbessern. Es sollte vielmehr darum gehen, wie Arbeitsprozesse, Wissen und Entscheidungen in einem Unternehmen besser miteinander verbunden werden können. 

�鶹ԭ�� zeigt mit drei Beispielen – Joule Work, �鶹ԭ�� Company Memory und �鶹ԭ��-RPT-1.5/TabPFN 3 – wie das funktioniert: Diese Tools bieten eine einheitliche Bedienoberfläche, hausinterne Dokumentation und eine Prognose-Engine für strukturierte Geschäftsdaten. Dadurch wird KI von isolierten Einzellösungen zu einem Werkzeug, das dem ganzen Unternehmen nutzt. 

Diese KI-Systeme schließen die Lücke zwischen einzelnen Mitarbeitenden und dem Gesamtunternehmen. Sie ermöglichen es, KI nicht einfach nur einzuführen, sondern sie so einzusetzen, dass das gesamte Unternehmen davon profitiert und Mehrwert entsteht. 

Florian Kunzke ist Global Director of AI Strategy bei �鶹ԭ��.  

The post KI-Optimierung für alle: So profitiert das ganze Unternehmen appeared first on �鶹ԭ�� News Center.

Die deutsche Wirtschaft befindet sich zwar in einer starken Position, um weltweit bei der Digitalisierung den Ton anzugeben, doch , um das Potenzial neuer Technologien auszuschöpfen. Führende Unternehmen haben die Zeichen verstanden und eigene Mechanismen für organische Innovationen geschaffen: Bis heute haben deutsche Unternehmen mehr als 230 Einheiten für digitale Innovation – sogenannte „Digital Innovation Units“ – aufgebaut. Grund genug für das renommierte Wirtschaftsmagazin CAPITAL und die Strategieberatung Infront Consulting & Management, diese Innovationsschmieden auf Herz und Nieren zu prüfen und ihre Leistung zu bewerten.

Rund 50 Innovationseinheiten nahmen an der mit den Phasen „Innovation Discovery“, „Innovation Development“ und „Innovation Scaling“ teil. Die letzten beiden Studien haben ergeben, dass viele Innovationszentren mit modernen Prozessen und Methoden arbeiten, einen Nachweis für eine nachhaltige Wirkung auf das Mutterunternehmen sind sie jedoch schuldig geblieben. Daher wurde bei der Befragung in diesem Jahr der Schwerpunkt auf konkrete Ergebnisse gelegt, wobei das brillieren konnte. Die Jury kürte das ICN zum Sieger in der Kategorie „Innovation Discovery“.

Torsten Zube, Leiter des �鶹ԭ�� Innovation Center Network, konnte seine Begeisterung nicht verbergen: „Ganz besonders freue ich mich über diese Auszeichnung, wenn ich mir den starken Wettbewerb ansehe. Viele andere Unternehmen haben im Innovationsbereich Großartiges vorzuweisen. Deshalb ist es eine sehr große Ehre für uns, zur Nummer 1 erklärt worden zu sein. Das gibt uns Rückenwind, um unseren Weg weiter zu gehen.“

Das ICN belegte 2018 in seiner Kategorie den zweiten Platz.

Ganzheitlicher Ansatz und kontinuierliche Fortschritte des �鶹ԭ�� Innovation Center Network haben die Jury überzeugt

Das global aufgestellte �鶹ԭ�� Innovation Center Network (ICN) mit seinem technischen Know-how und seiner Gesamtverantwortung für Innovation ist bei �鶹ԭ�� die treibende Kraft für die Einführung zukunftsweisender Technologien ist. In den letzten Jahren hat das Team nicht nur die Initiativen des Unternehmens im Bereich von maschinellem Lernen und Blockchain maßgeblich angeführt und mitgestaltet, sondern auch eindeutig Einfluss auf den strategischen Fokus der �鶹ԭ�� auf das intelligente Unternehmen genommen. Darüber hinaus hat die früher vom jetzigen CTO und Vorstandsmitglied geleitete Organisation Erlöse mit Produkten wie �鶹ԭ�� Product Lifecycle Costing realisiert und das �鶹ԭ��-Cloud-Platform-Portfolio um Services ergänzt, die neue Technologien einfach und geschäftsorientiert nutzbar machen.

Thomas Sindemann, Leiter der Studie und Partner bei Infront Consulting & Management, würdigte besonders die ganzheitliche Denkweise des ICN: „Es war beeindruckend zu sehen, wie das �鶹ԭ�� Innovation Center Network konstant seinen Ansatz im Dienst des Mutterkonzerns weiterentwickelt hat. Das ICN hat das optimale Gleichgewicht zwischen unabhängiger Erkundung von Technologietrends und konkreter Validierung von praktischen Anwendungsfällen in Partnerschaft mit dem Stammteam gefunden und ist so in der Lage, auf entscheidende Veränderungen bei der �鶹ԭ�� hinzuwirken.“

Torsten Zube fügte hinzu: „Für einen weltweit führenden Softwareanbieter Innovationen zu entwickeln, ist ein großes Privileg und zugleich eine Herausforderung. Um unsere Strategie und unsere Organisationsstruktur kontinuierlich weiterzuentwickeln, müssen wir uns auf Änderungen einlassen. Ich bin dankbar dafür, dass mein Team so motiviert ist und dass sich die harte Arbeit und das große Engagement bezahlt machen.“

, Chief Innovation Officer bei der �鶹ԭ��, liefert die Hintergrundinformationen:

„Die �鶹ԭ�� hat mehr als 430.000 Kunden, die von uns erwarten, dass wir die Systeme entwickeln, mit denen sie in ihrer eigenen digitalen Innovation vorankommen. Wir sind es ihnen schuldig, Produkte, Services und Geschäftsmodelle zu liefern, die auch übermorgen noch relevant sind. Das Innovation Center Network ist einer unserer stärksten Motoren auf dem Weg zu diesem Ziel. Deshalb ist diese Auszeichnung sowohl eine wichtige Anerkennung unserer Arbeit als auch ein Anreiz, unsere Anstrengungen, transformative Innovationen zu entwickeln, noch zu verstärken.“

The post �鶹ԭ�� für die beste Innovationsschmiede Deutschlands ausgezeichnet appeared first on �鶹ԭ�� News Center.

Um (ML) zu ermöglichen, benötigen intelligente Systeme Zugang zu großen Datenmengen.

Doch wie sicher sind die eingespeisten Daten, wenn es um vertrauliche Informationen geht? Füttert man eine Maschine mit geschützten Daten, können diese dann nicht zurückverfolgt oder schlimmstenfalls gehackt werden? Und heißt das im Umkehrschluss, dass man keine sensiblen Daten für ML einsetzen sollte?

Wir berichteten bereits über die Grundsätze der �鶹ԭ�� für den Umgang mit künstlicher Intelligenz (KI). Ein konkretes Beispiel, wie diese Leitlinien im Unternehmen zum Tragen kommen, ist die Homomorphe Datenverschlüsselung.

KI-Grundsatz der �鶹ԭ�� „Der Datenschutz und die Privatsphäre stehen immer im Mittelpunkt unseres Handelns.“

Im Gegensatz zu anderen Verfahren, können Daten, die ein Kunde verschlüsselt in die sendet, durch Homomorphe Verschlüsselung analysiert werden, ohne die Verschlüsselung jemals aufzuheben. Das Ergebnis wird ebenso verschlüsselt zurückgesendet. So kennt niemand außer dem Kunden selbst die Daten oder die Ergebnisse, auch nicht der Cloud-Anbieter, wodurch das Dateneigentum des Kunden vollständig gewahrt bleibt. Diese Vorgehensweise entspricht dem KI-Grundsatz der �鶹ԭ�� „Der Datenschutz und die Privatsphäre stehen immer im Mittelpunkt unseres Handelns.“

Homomorphe Verschlüsselung bietet Kunden garantierten Datenschutz und Datensicherheit bei der Abfrage von Datenbanken und der Durchführung von Analysen. Darüber hinaus können damit KI-Fähigkeiten verfeinert und somit mehr Möglichkeiten durch die Verwendung sicherer Kundendaten eröffnet werden. Homomorphe Verschlüsselung trägt zum Erfolg der Cloud-Angebote der �鶹ԭ�� bei, obwohl sie nie ein kommerzielles Produkt im eigentlichen Sinne sein wird. Sie ist vielmehr eine Technologie, die �鶹ԭ�� nutzen möchte, um Kunden mehr Sicherheit und Schutz für ihre Daten zu bieten.

Weil Datenschutz im Kontext der �鶹ԭ��-Strategie des intelligenten Unternehmens ein entscheidender Erfolgsfaktor sein kann, beschäftigt sich das Team des (ICN) mit dem Thema.

Bei Homomorpher Verschlüsselung kommen die Originaldaten „ohne Rauschen“, wie es bei Anonymisierungsansätzen der Fall ist, zum Tragen. „Präziser geht es nicht”, erklärt Axel Schroepfer, Security & Privacy Lead am �鶹ԭ�� Innovation Center Dresden und einer der Hauptexperten auf diesem Gebiet. Unternehmen können so auch Analysen an einem gemeinsamen Pool verschlüsselter Daten durchführen, ohne die Daten einander zugänglich zu machen. Diese Art des Datenpoolings ermöglicht es Schroepfer und seinem Team, eine für Kunden zu entwickeln. Anhand eines kryptographischen Protokolls können Unternehmen Key Performance Indicators mit Wettbewerbern vergleichen, ohne eine dritte Partei einbeziehen zu müssen oder das Risiko einzugehen, sensible Daten offenzulegen.

Datenschutz ermöglicht vorurteilsfreie KI

Aber es steckt noch mehr dahinter: Die Technologie könnte es ermöglichen, sensible Daten zu verwenden, um ML-Systeme zu trainieren. Das wird im Idealfall dazu führen, dass mehr Unternehmen bereit sein werden, ihre Daten bereitzustellen – und das im absoluten Einklang mit der EU-weiten Datenschutz-Grundverordnung (DGSVO; engl. GDPR) und anderen Datenschutzverordnungen. Gemäß dem KI-Grundsatz „Wir ermöglichen Unternehmen ein vorurteilsfreies Handeln“ kann Homomorphe Verschlüsselung eingesetzt werden, damit KI-Systeme keine verzerrten Entscheidungen aufgrund von nicht-repräsentativen oder anderweitig qualitativ unzureichenden Daten treffen. Oder anders gesagt: Je mehr zuverlässige Daten zur Verfügung stehen, desto besser werden die Resultate. „Nur, wenn die Qualität der Daten für das Modell gut ist, können wir davon ausgehen, dass das Modell nachhaltig gute Entscheidungen trifft“, bestätigt Schroepfer.

Der Schlüssel zum Erfolg: starke Rechenleistung und offener Austausch

Bereits seit vierzig Jahren ist bekannt, dass sich Berechnungen auf verschlüsselten Daten durchführen lassen. Aber die früheren Bemühungen wurden durch begrenzte Rechenleistung behindert, und erst 2009 war die Technik schließlich so weit fortgeschritten, dass die erste vollständig Homomorphe Verschlüsselung möglich war.

Rechenleistung und Speicherplatz sind noch immer erhebliche technische Hürden, da die Verarbeitung verschlüsselter Daten wesentlich mehr Ressourcen erfordert – nämlich 1 Million Mal mehr als bei der Verarbeitung unverschlüsselter Daten oder von Klartext. Dank des technischen Fortschritts der letzten zehn Jahre ist der Einsatz von Homomorpher Datenverschlüsselung inzwischen aber nicht nur denkbar, sondern auch potenziell lohnenswert für immer mehr Anwendungsfälle.

Leistungsstarke und flexible Hardwarelösungen sowie innovative Rechenmaschinen sind eine wichtige Voraussetzung, um mit den neuesten Entwicklungen auf diesem Gebiet Schritt zu halten. Die �鶹ԭ�� kooperiert daher mit großen Unternehmen, Universitäten und Startups in regelmäßigen Workshops zur .

Über diese technischen Voraussetzungen hinaus liegt der Schlüssel zum Erfolg auch im Austausch mit anderen Experten. So arbeiten beispielsweise �鶹ԭ�� Security Research und das Team von �鶹ԭ�� Leonardo Machine Learning Research an ähnlichen Themen und untersuchen weitere . Das ICN-Team steht im Austausch mit diesen Bereichen, um Input und Feedback zu sammeln. Schroepfer betont: „Wir wollen auf den Stärken der �鶹ԭ�� aufbauen. Deshalb ist es wichtig, von Anfang an zusammenzuarbeiten und auf das spezifische Know-how im Unternehmen zurückzugreifen und das Thema effektiv voranzutreiben.”

Weitere Informationen:

Die Grundsätze für Künstliche Intelligenz von �鶹ԭ��

�鶹ԭ�� gründet als erstes europäisches Technologieunternehmen Ethik-Beirat für künstliche Intelligenz

Das �鶹ԭ�� Innovation Center Network

The post Sensible Daten schützen – künstliche Intelligenz verbessern appeared first on �鶹ԭ�� News Center.