Um die Entwicklung von KI zu steuern, müssen Unternehmen verstehen, dass es nicht mehr nur um die Frage geht „Was kann KI tun?“, sondern „Wie bringen wir unser Unternehmen mit KI auf Erfolgskurs? Was müssen wir dafür tun? Welche Probleme löse ich mit welchen Modellen? Wie steuern wir all das?

Sehen wir uns fünf wichtige Themen an, die Unternehmens-KI im Jahr 2026 bestimmen werden und die für Unternehmen sowohl Chancen als auch Herausforderungen bedeuten. Los geht’s!

1. Neue Kategorien von KI-Basismodellen schaffen Mehrwert für Unternehmen

Die Fortschritte in der generativen KI sind auf Durchbrüche bei den sogenannten Basismodellen zurückzuführen. Dabei handelt es sich um umfangreiche neuronale Netzwerke, die mit enormen Datenmengen trainiert werden und an verschiedenste Aufgaben angepasst werden können.

Große Sprachmodelle (Large Language Models, LLMs) waren die erste Welle von umfassenden Basismodellen. Allgemeine LLMs, die mit dem Äquivalent aller Texte im Internet trainiert wurden, ermöglichten viele wertschöpfende Anwendungsfälle wie das Zusammenfassen von Dokumenten, das Schreiben von Code und die Unterstützung 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 für bestimmte Datentypen und Bereiche optimiert sind, hochwertige Anwendungsfälle für Unternehmens-KI unterstützen. Bei Modellen zur Videogenerierung ließ sich bereits beobachten, dass Modelle, die auf realen physikalischen Daten beruhen, Schlussfolgerungen aus Szenen und physikalischer Dynamik ziehen können. Die aufkommenden Weltmodelle zeigen, dass das Simulieren der physischen Welt neue Möglichkeiten in den Bereichen Simulation, synthetische Trainingsdaten und digitale Zwillinge eröffnet. Vision-Language-Action-Modelle demonstrieren, dass Robotik-Basismodelle Verallgemeinerungen ableiten und auf neue Aufgaben und Umgebungen anwenden können, wodurch die Umwandlung von Wissen im Webmaßstab in reale Maßnahmen in den Bereichen Logistik und Fertigung möglich wird.

Im Unternehmensbereich findet gerade eine ähnliche Veränderung in Bezug auf strukturierte Daten in Datenbanken und transaktionaler Unternehmenssoftware statt. Obwohl LLMs in vielen Anwendungsfällen in Unternehmen beeindruckende Ergebnisse liefern, können sie Aufgaben wie numerische Prognosen, etwa die Herleitung eines Lieferdatums oder einer Bewertung von Lieferantenrisiken, nicht lösen. Arbeiten zu relationalen Basismodellen zeigen jedoch, dass das Training mit strukturierten Datensets â€“ beispielsweise Daten in Tabellen statt allgemeinen Texten oder Bildern aus dem Internet â€“ eine hohe Genauigkeit von Vorhersagen ermöglicht, ganz ohne mühsames Feature Engineering und Training, wie es beim klassischen maschinellen Lernen erforderlich ist. Das bedeutet, dass Unternehmen Prognosemodelle innerhalb von wenigen Tagen statt Monaten implementieren können. Kürzlich eingeführte relationale Basismodelle wie SAP-RPT-1, Kumo und Distil Labs zeigen, wie neue Modelle Anwendungsfälle wie Prognosen, Erkennung von Anomalien und Optimierung in ERP-, Finanz-, Fertigungs- und Supply-Chain-Szenarien direkt unterstützen können.

Es ist zu erwarten, dass diese spezialisierten Modelle 2026 skaliert werden und für strukturierte Geschäftsaufgaben erstklassige, effiziente Leistung liefern. Damit werden sie allgemeine LLMs und moderne Algorithmen für maschinelles Lernen übertreffen. Diese Modelle werden künftig die Zugpferde für wertschöpfende Aufgaben in Unternehmen sein.

2. Software entwickelt sich hin zu einer KI-basierten Architektur

Im Bereich der KI waren im Laufe der Jahrzehnte verschiedenste wertschöpfende Ansätze zu beobachten â€“ von den ersten regelbasierten Expertensystemen über probabilistisches Deep Learning bis hin zum jüngsten Boom bei generativer KI. 2026 werden Unternehmen von der Erweiterung bestehender KI-Anwendungen und -Prozesse zu KI-basierten Architekturen übergehen, die das Versprechen moderner KI voll einlösen werden.

KI-basierte Architekturen ergänzen deterministische Systeme um eine Schicht für kontinuierliches Lernen und agentische KI. Dadurch sind absichtsgesteuerte und kontextbezogene Anwendungen möglich, die sich selbst verbessern, und die nicht statisch um festgelegte Workflows herum codiert werden müssen. Agentische Systeme werden jedoch auch weiterhin nur so gut sein, wie die Kontextschicht, auf der sie beruhen und von der sie zuverlässig Informationen abrufen können. Im Hinblick darauf sollten Unternehmen in umfassende, semantisch umfangreiche Wissensgraphen investieren, die eine skalierbare Kontextquelle bieten und eine KI-basierte Software ermöglichen, die zuverlässig ist und sich selbst verbessern kann.

Unternehmensanwendungen werden zunehmend nativ auf KI-Funktionen aufbauen und Benutzererfahrungen bieten, die für Interaktionen mit mehreren Modellen in natürlicher Sprache konzipiert sind. Sie werden mit KI-Agenten ausgestattet sein, die Schlussfolgerungen über komplexe Prozesse hinweg ziehen können und über eine Grundlage zur Verwaltung von Basismodellen, Services und einen Wissensgraphen zum Erfassen semantisch umfassender Geschäftsdaten verfügen. Mit einer auf KI basierenden Architektur können auch mehr Mitarbeiter in kürzester Zeit selbst Apps erstellen â€“ beispielsweise kleinere Ad-hoc-Produktivitätsanwendungen â€“, ohne dafür IT-Teams beanspruchen zu müssen.

Eine Voraussetzung für eine KI-basierte Architektur sind etablierte SaaS-Prinzipien und Investitionen in moderne Cloud-Anwendungen, auf denen sie aufbauen kann. Der Fachbegriff für die Kombination von probabilistischen, adaptiven KI-Modellen mit deterministischen Aufzeichnungssystemen lautet neurosymbolische KI. Sie vereint die besten Fähigkeiten von KI zur Anpassung an zuverlässige, steuerbare und deterministische Prozesse. Anwendungen der nächsten Generation werden KI nicht nur unterstützen, sie werden im Kern auf KI aufbauen. Das bedeutet, dass Schlussfolgerungen, Geschäftsregeln und Daten kombiniert werden, um nahtlos Erkenntnisse zu liefern und zu automatisieren. Stellen Sie sich ERP-Systeme vor, die proaktiv Anomalien melden, Maßnahmen empfehlen und sogar Workflows autonom ausführen â€“ und all das im Einklang mit Unternehmensrichtlinien und gesetzlichen Vorschriften.

3. Agentische Governance wird zu einem geschäftskritischen Aspekt

In den letzten zwei bis drei Jahren hat generative KI eine Welle von wertschöpfenden Anwendungsfällen ausgelöst. Diese Anwendungsfälle basierten größtenteils auf folgendem Muster: Benutzer senden einen Prompt an ein Modell, erhalten eine Antwort und interagieren erneut mit dem Modell.

Im vergangenen Jahr rollte die nächste Innovationswelle an: KI-Agenten, die mehrstufige Aufgaben planen und iterativ durchdenken können, einschließlich der Auswahl von Tools, der Selbstreflexion über den Fortschritt und der Zusammenarbeit mit anderen KI-Agenten. Diese fortschrittlichen KI-Agenten versprechen, komplexe Geschäftsprozesse anzugehen, die bisher nicht automatisiert werden konnten, etwa die Analyse einer großen 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 „Agenten-Wildwuchses“ wird an frühere Schatten-IT-Krisen erinnern, doch angesichts der autonomen Entscheidungsfähigkeiten von Agenten wird sie mit höheren Risiken einhergehen.

Zukunftsorientierte Unternehmen werden umfassende Governance-Frameworks schaffen, die fünf Dimensionen abdecken: Lebenszyklusmanagement für Agenten (Versionskontrolle, Testprotokolle, Implementierungsgenehmigungen, Verfahren für die Außerbetriebnahme), Beobachtbarkeit und Auditierbarkeit (Verzeichnis, Protokollierung, Argumentationspfade und Aktions-Traces von Agenten), Durchsetzung von Richtlinien (Einbettung von Geschäftsregeln, gesetzlichen Einschränkungen und ethischen Richtlinien in die Ausführungsabläufe von Agenten), Modelle für die Zusammenarbeit zwischen Mensch und Agent (Definition von Autonomiegrenzen, Genehmigungsanforderungen und Eskalationspfaden) und Leistungsüberwachung (Nachverfolgung von Genauigkeit, Effizienz, Kosten und geschäftlichen Auswirkungen).

Der organisatorische Wandel wird tiefgreifend sein â€“ von der Betrachtung der KI als unabhängiges Werkzeug bis hin zur Verwaltung von Agenten als digitale Mitarbeitende, die ein Onboarding, Leistungsbeurteilungen und kontinuierliche Verbesserung erfordern. HR- und IT-Abteilungen werden beim „digitalen Personalmanagement“ zusammenarbeiten, da Unternehmen die agentische Governance ebenso ernst nehmen wie die herkömmliche Kontrolle des Personals.

4. Absichtsgesteuertes ERP und generative UI bieten neuen Nutzungskomfort

Verbraucher sind zunehmend besser mit Computerinteraktionen vertraut, die Prompts in natürlicher Sprache, Spracheingaben und sogar in Form von Bildern und Gesten erfordern. Gleichzeitig wird sich die Fähigkeit von generativer KI, Texte, Grafiken, Code und HTML dynamisch zu erstellen, rasch verbessern. Parallel dazu wird es möglich sein, dass Nutzer einfach ihre Absichten ausdrücken, sodass KI-Agenten ermitteln können, wie sie dieses Ziels erreichen.

Diese Fortschritte eröffnen Nutzern vielfältige, völlig neue Modalitäten für das Arbeiten mit Unternehmenssoftware und mit ERP-Software ohne App („No-App ERP“). Betrachten wir als Beispiel das Buchen eines Kundenbesuchs. Dafür müssen Mitarbeitende in der Regel eine Analyseanwendung öffnen, um das Kundenkonto zu überprüfen. Dann suchen sie im CRM-System nach der Adresse des Kunden und navigieren schließlich zu einer anderen Anwendung, um die Reise zu buchen. 

2026 werden wir mit digitalen Assistenten häufiger über „Gen UIs“ arbeiten. Generative UI entlastet Nutzer, da sie nicht mehr zwischen mehreren Anwendungen navigieren und manuelle Aufgaben ausführen müssen. Mit der Zeit werden Nutzer dank KI einfach ihre Absicht ausdrücken können: „Bereite eine Reise zu meinem Kunden mit den meisten Leads vor.“ Der KI-Agent plant daraufhin die entsprechenden Schritte und erforderlichen Systeme und interagiert mit dem Benutzer, um sich Reisedetails bestätigen zu lassen. Inzwischen generiert er dynamische Analysediagramme und Briefingmaterial im Fenster. Da KI-Agenten immer leistungsfähigere Berechnungs- und Vorhersagetools entwickeln, werden sie es Nutzern ermöglichen, „natürlicher mit ihren Daten zu sprechen“, während die Agenten im Hintergrund datenbasierte Entscheidungen treffen. Um es noch einmal zu verdeutlichen: Interaktionen mit Agenten werden weit über gängige Chat-Dialoge hinausgehen. Unternehmen werden über umfangreiche Visualisierungen, vollständige Workflows und die Möglichkeit verfügen, mit nur wenigen Befehlen hochgradig personalisierte Apps zu erstellen.

Die Benutzungsoberfläche an sich wird nicht verschwinden. Für das Arbeiten mit ERP unabhängig von einer App und mit autonomen Agenten sind dieselben Grundlagen erforderlich, auf die sich Menschen bereits bei ihrer täglichen Arbeit verlassen: strukturierte Workflows, Sicherheit, Governance und Geschäftslogik, die in Geschäftsanwendungen definiert sind. Der Unterschied besteht darin, dass Agenten diese Grundoperationen programmtechnisch in großem Maßstab konsumieren, nicht nur über eine grafische Benutzungsoberfläche. Menschen können mit diesen Agenten über natürliche Sprache interagieren, ohne die Anwendung überhaupt öffnen zu müssen.

Diese Funktionen werden ein neues Paradigma für die Zusammenarbeit zwischen Mensch und KI und für Produktivität am Arbeitsplatz etablieren. Personalisiertes Arbeiten und anpassungsfähige Workflows über Anwendungen und Datenquellen hinweg werden die Akzeptanz verbessern. Diese Fähigkeit, sich unabhängig von der Interaktionsmodalität und den zugrunde liegenden Systemen ausschließlich auf das Erreichen der Absicht eines Nutzers zu konzentrieren, wird die Investitionsrendite (ROI) von KI und Unternehmenssoftware steigern.

5. Deglobalisierung steigert das Angebot an souveräner KI

KI sorgte für Debatten über digitale Souveränität zwischen verschiedenen Ländern, da sie potenziell Auswirkungen auf alles hat, von wissenschaftlichen Entdeckungen über nationale Sicherheit bis hin zu volkswirtschaftlicher Produktivität und selbst die Kultur. Geopolitische Ereignisse wie Störungen in der Lieferkette durch Zölle und Krieg haben die Dringlichkeit des Erreichens digitaler Souveränität, die viele Nationen und Unternehmen verspüren, noch verstärkt.

Digitale Souveränität hat zwei weit gefasste Definitionen. Erstens ist digitale Souveränität eine Bezeichnung für Informationssicherheit, die die Speicherung und den Zugriff auf Daten regelt, so etwa FedRAMP in den USA und die VSA in Deutschland, die die Voraussetzung dafür sind, sensible Regierungsdaten in einer souveränen Cloud zu verarbeiten. In der zweiten, etwas allgemeineren Definition bezieht sich Souveränität auf die Herkunft von physischen Anlagen, geistigem Eigentum, Gerichtsstand und Services für 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 Komplexität von „souveräner KI“ werden Unternehmen zunehmend nach KI- und Cloud-Lösungen verlangen, die gleichzeitig hochmodern, flexibel und vollständig souverän sind. Das forciert den Wandel von einer globalisierten Einheits-Cloud zu regional konformen, KI-gestützten Unternehmensplattformen. Gleichzeitig werden die Regierungen ihre nationalen KI-Strategien weiter verfeinern, um in Bereiche entlang des Stacks zu investieren, in denen sie wettbewerbsfähig sind und Mehrwert schaffen können.

Umsetzung der KI-Themen im Jahr 2026

2026 ist KI auf dem besten Weg, sich von einem unterstützenden Werkzeug zu einer tragenden Säule für Unternehmen zu entwickeln. Dieser Wandel wird durch eine Annäherung entscheidender Trends vorangetrieben â€“ darunter immer leistungsfähigere Agenten, generative Benutzungsoberflächen und KI-basierte Architektur â€“, die KI aus der Anwendungsschicht in den Kern von Geschäftsabläufen 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 führen generative Benutzungsoberflächen ein, um die Akzeptanz zu verbessern und Nutzern ein absichtsgesteuertes Arbeiten durch natürliche Interaktion zu ermöglichen. Sie machen spezialisierte Basismodelle ausfindig, die genau auf die Anwendungsfälle des Unternehmens abgestimmt sind, um den geschäftlichen Nutzen zu steigern, und nicht zuletzt entwickeln sie nahtlos Anwendungen rund um die KI, die logische Schlussfolgerungen, Geschäftsregeln und Daten vereinen und proaktive Erkenntnisse liefern und Automatisierung ermöglichen.

Unternehmen werden jedoch auch im Jahr 2026 weiterhin hochwertige, vernetzte Daten benötigen. Datensilos schränken die Effektivität von KI stark ein. Wie bereits erwähnt, setzt eine KI-basierte Architektur Investitionen in moderne Cloud-Anwendungen voraus, die Daten im gesamten Unternehmen harmonisieren – denn einheitliche Daten sorgen dafür, dass die Ergebnisse der KI genauer und relevanter sind.

Jonathan von Rueden ist Chief AI Officer der 51·çÁ÷SE.
Walter Sun ist Senior Vice President und Global Head of AI for 51·çÁ÷Business AI bei der SAP.
Sean Kask ist Vice President und Head of AI Strategy for 51·çÁ÷Business AI bei der SAP.

The post KI im Jahr 2026: Fünf bestimmende Themen appeared first on 51·çÁ÷News Center.

Doch was genau kommt auf uns zu? Wir möchten Ihnen fünf Themen vorstellen, die im Jahr 2025 für KI große Bedeutung haben werden. Diese sind für Unternehmen sicherlich mit Herausforderungen verbunden, sie haben aber auch das Potenzial, die Grenzen des Machbaren neu auszuloten. Sind Sie bereit für einen Blick auf das, was uns im neuen Jahr und darüber hinaus erwartet? Los geht’s!

1. KI-Agenten: „Agent Washing“ ade, Willkommen Multi-Agenten-Systeme

KI-Agenten stecken derzeit noch in den Kinderschuhen. Viele Softwareanbieter bringen gerade ihre ersten sogenannten „KI-Agenten“ heraus, die lediglich auf einer einfachen dialogorientierten Dokumentsuche beruhen. Die Entwicklung geht aber bereits hin zu innovativen KI-Agenten, die in der Lage sind, zu planen, logische Schlüsse zu ziehen, Tools zu verwenden, mit Menschen und anderen Agenten zusammenzuarbeiten und Fortschritte iterativ zu reflektieren, bis sie ihr Ziel erreicht haben. Diese werden sich 2025 rasch weiterentwickeln und immer autonomer agieren. Genauer gesagt wird man KI-Agenten im Jahr 2025 eher im Hintergrund einsetzen, damit sie komplexe agentengestützte Workflows steuern.

Anwender werden als Unterstützung für ihre Aufgaben mit einem Assistenten interagieren, der die Anforderung umsetzen und die Koordination zwischen Systemen mehrerer spezialisierter KI-Agenten übernehmen wird, um schwierigere Aufgaben zu erledigen. Künftige KI-Agenten oder Multi-Agenten-Systeme (MAS) können zusammenarbeiten, um Anwender zu verstehen, über den umfassenden Kontext zu verfügen und ein Problem zu strukturieren. Anschließend interagieren sie mit diesen domänenspezifischen, spezialisierten KI-Agenten, die jeweils bestimmte Teilaufgaben ausführen, die zusammen zur Erledigung einer deutlich komplexeren Aufgabe beitragen. In Zukunft werden Anwender eine Aktion nicht einmal mehr auslösen müssen. KI-Agenten werden stattdessen proaktiv auf Geschäftsereignisse wie eingehende Kundenanfragen, Unterbrechungen der Lieferkette oder Bedarfsspitzen reagieren. Sie werden einen Entscheidungsworkflow automatisch so weit wie möglich vorbereiten, bevor sie menschliche Benutzer für Feedback einbeziehen.

Auf Sicht von fünf Jahren werden KI-Agenten beträchtliche Teile von Workflows vereinfachen, auch Aspekte, die sich bisher nur schwer automatisieren lassen. Das sind etwa Ausnahmen im Kundenservice, langwierige Verwaltungsaufgaben und spezielle Programmiertätigkeiten wie das Codieren oder das Debuggen von Software. KI-Agenten werden flexibel sein. Sie werden planen, scheitern und etwas anderes versuchen oder sich auf Grundlage von Schlussfolgerungen selbst korrigieren können. KI-Agenten werden wiederkehrende Routineaufgaben genauso effektiv und oft sogar effektiver erledigen als Menschen. Dies wird zu höherer Produktivität und nachweisbaren Kosteneinsparungen führen. Für langwierige und sehr umfangreiche Aufgaben werden Agenten anpassungsfähiger und robuster als die herkömmliche robotergestützte Prozessautomatisierung (RPA) sein. Das heißt, dass sie aus vielen möglichen Ergebnissen das beste herausfinden können, was mit klassischen Automatisierungsmethoden in einem RPA-Algorithmus kaum programmierbar ist.

Die Einführung von KI in diesen Bereichen wird auch die Dynamik innerhalb der Belegschaft verändern. Die Rolle des Menschen wird sich zunehmend darauf konzentrieren, nicht alltägliche Szenarien zu antizipieren, mit Mehrdeutigkeit umzugehen, menschliches Verhalten zu berücksichtigen, strategische Entscheidungen zu treffen und echte Innovationen voranzutreiben â€“ und zwar ergänzt, nicht ersetzt durch KI-Fähigkeiten. 

Kurz gesagt: KI wird umfangreiche Routineaufgaben übernehmen, während der Wert des menschlichen Urteilsvermögens, der Kreativität und qualitativ hochwertiger Ergebnisse steigen wird.

2. Modelle: Ohne Kontext kein Wert

Der Trend, dass große Sprachmodelle (Large Language Models, LLMs) immer mehr als Rohstoff für generative KI-Routineaufgaben dienen, wird sich fortsetzen. LLMs greifen auf einen zunehmend stärker genutzten Pool öffentlicher Daten zurück, die aus dem Internet stammen. Dies wird sich noch verschärfen. Und Unternehmen müssen lernen, ihre Modelle an einzigartige Datenquellen mit umfassenden Inhalten anzupassen. Modellverbesserungen werden in Zukunft nicht mit Brachialgewalt und größeren Datenmengen erreicht werden, sondern durch qualitativ bessere Daten, mehr Kontext und die Verfeinerung zugrunde liegender Techniken. Unternehmen müssen mehr Zeit in Innovationen investieren, um durch Feinabstimmungen und Modellanpassungen bessere Modelle zu entwickeln, anstatt immer noch größere Modelle zu trainieren. Neurosymbolische KI-Techniken, insbesondere Wissensgraphen, werden eine Renaissance erleben, da sie sowohl Lernziele für Basismodelle als auch Kontext liefern können, um die Leistung generativer KI erheblich zu verbessern und gleichzeitig Halluzinationen zu verringern.

Wir werden außerdem eine größere Vielfalt von Basismodellen für unterschiedliche Zwecke erleben. Nehmen wir zum Beispiel physikalisch fundierte neuronale Netzwerke (Physics-Informed Neural Networks, PINNs). Sie generieren Ergebnisse auf der Grundlage von Vorhersagen, die auf der physischen Realität oder der Robotik basieren. PINNs werden auf dem Arbeitsmarkt an Bedeutung gewinnen, da sie autonome Roboter in die Lage versetzen, in der realen Welt zu navigieren und Aufgaben auszuführen. Die Einsatzmöglichkeiten reichen von Lagerhäusern bis hin zu Fertigungsanlagen. Außerdem eignen sie sich für Modelle, die mit tabellarischen, strukturierten Daten wie dem 51·çÁ÷Foundation Model trainiert werden, und die Aufgaben bewältigen können, für die LLMs nicht so gut geeignet sind, etwa für Prognosen numerischer Werte.

Modelle werden zunehmend multimodaler werden, das heißt, ein KI-System kann Informationen aus verschiedenen Arten von Eingaben verarbeiten. KI-Anwendungen werden sich schließlich zu „Any-to-Any“-Modalitätslösungen entwickeln, die in der Lage sind, Text-, Sprach-, Bild-, Video- und Sensordaten mit einem einzigen Modell zu verstehen, zu verarbeiten und Schlussfolgerungen zu ziehen. Darüber hinaus werden kleinere und stärker spezialisierte LLMs mit skalierbaren Techniken zur Feinabstimmung und der Fähigkeit, auf beliebigen Geräten zu arbeiten, häufiger anzutreffen sein. Dieser Trend kann dazu führen, dass es in Zukunft hochgradig personalisierte Modelle für Unternehmen oder sogar Einzelpersonen gibt.

Unternehmen werden sich Strategien zuwenden, bei denen mehrere Basismodelle genutzt werden (nicht zu verwechseln mit den zuvor beschriebenen multimodalen Fähigkeiten eines einzigen Modells) und dabei eine Reihe von KI-Modellen und -Techniken einsetzen, die auf bestimmte Anwendungsfälle zugeschnitten sind. Gestützt wird dies durch den Trend zur Optimierung kleiner Teile von Modellen, was weniger Ressourcen und wesentlich weniger Daten erfordert. So entstehen vollständig flexible Modelle, mit denen Unternehmen einen größeren Mehrwert aus ihren einzigartigen Daten und dadurch Wettbewerbsvorteile erzielen können. Anbieter von Unternehmenssoftware werden Marktplätze und Plattformen mit integrierten KI-Modellen anbieten oder erweitern, die eine nahtlose Modellbereitstellung, -verwaltung und -aktualisierung unterstützen. Durch Benchmarking und die Senkung von Modellwechselkosten wird es einfacher möglich sein, dieselben Anwendungsfälle in heterogenen Umgebungen einzusetzen. Kontext ist gleich Nutzen. Die Technologie der Wissensgraphen gibt es schon seit 40 Jahren. Nun erlebt sie ein Revival, da mit ihr wichtige Herausforderungen von LLMs bewältigt werden können, beispielsweise das Verstehen komplexer Formate, von Hierarchien und von Beziehungen zwischen Geschäftsdaten. Wissensgraphen geben Daten eine Bedeutung und erklären die Beziehungen zwischen Entitäten. Dies verbessert die Fähigkeiten von LLMs erheblich. Der nächste Schritt auf diesem Weg sind große Graphenmodelle, die neue Fortschritte im Bereich generativer KI ermöglichen werden.

Implizites Wissen ist Macht â€“ und Wissen für andere explizit zu machen, ist eine noch viel größere Macht.

3. Akzeptanz: Vom Hype in den Geschäftsalltag

Während das Jahr 2024 ganz im Zeichen der Einführung von KI-Anwendungsfällen und ihrem Nutzen für Unternehmen und auch Einzelpersonen stand, wird 2025 das Jahr der beispiellosen Einführung von unternehmensspezifischer KI sein. Mehr Menschen werden verstehen, wann und wie sie KI einsetzen können, und die Technologie wird so weit ausreifen, dass damit kritische Geschäftsprobleme wie komplexe multinationale Angelegenheiten bewältigt werden können. Viele Unternehmen werden auch praktische Erfahrungen sammeln, wenn sie zum ersten Mal mit KI-spezifischen rechtlichen und datenschutzrechtlichen Bestimmungen konfrontiert sind (im Vergleich zu der Zeit von vor 10 Jahren, als Unternehmen mit der Umstellung auf die Cloud begonnen haben) und damit die Grundlage dafür schaffen, dass sie die Technologie auf ihre Geschäftsprozesse anwenden können.

In technologischer Hinsicht wurden 2024 bedeutende Fortschritte im Bereich KI erzielt. 2025 werden sich die Unternehmen hingegen darauf konzentrieren, diese Fortschritte durch eine nahtlose Datenintegration sinnvoller zu nutzen, um letztlich die Genauigkeit und die Aussagekraft KI-gestützter Ergebnisse zu verbessern und die Akzeptanz zu erhöhen. Nicht zuletzt ist es denkbar, dass wir 2025 eine Verschiebung des Fokus im Geschäftsmodell mit Software beobachten: von der Erstellung statischer Softwarefunktionen hin zu einem Outcome-as-a-Service-Modell, das auf das Erreichen von Prozesszielen ausgerichtet ist.

4. Benutzererlebnis: KI wird die neue UI

Die nächste Barriere für KI ist es, Menschen, Daten und Prozesse nahtlos zusammenzuführen, um Geschäftsergebnisse zu verbessern. 2025 werden wir eine zunehmende Verbreitung von KI auf allen personellen Ebenen erleben, da die Menschen die Vorteile entdecken werden, die sich aus menschlicher Leistung plus KI ergeben können.

Das bedeutet, dass sich das klassische Benutzererlebnis von systemgesteuerten Interaktionen hin zu absichtsbasierter, durch menschlichen Dialog gesteuerter Kommunikation verändern wird, bei der KI im Hintergrund aktiv ist. Die neue Benutzeroberfläche für die Interaktion mit einem System wird aus KI-Assistenten bestehen. Dadurch wird Software für Menschen einfacher zugänglich sein. KI wird nicht auf eine bestimmte Anwendung beschränkt sein, sie könnte diese stattdessen eines Tages sogar ablösen. Durch KI werden die Grenzen zwischen Frontend, Backend, Browser und Anwendungen verschwimmen. Das ist in etwa so, als würde man seine KI mit „Armen, Beinen und Augen“ ausstatten. Power-User werden zwar immer noch mit einzelnen, sehr speziellen Schnittstellen arbeiten, die meisten Anwender werden jedoch Flexibilität über mehrere Zugriffsmuster hinweg fordern. Gleichzeitig wird die Bereitschaft steigen, längere Inferenzzeiten in Kauf zu nehmen, um qualitativ hochwertige Antworten auf komplexe, bisher unlösbare Probleme und Aktionen in Bereichen zu erhalten, für die tiefgreifende Analysen und Nachforschungen erforderlich sind. Die Anwender werden letztlich den Kompromiss zwischen der Latenzzeit und der Komplexität von Aufgaben erkennen, die durch KI bearbeitet wurden.

Wichtig ist, dass Unternehmen KI nicht mehr nur als eine Sammlung von Produktivitätswerkzeugen betrachten, sondern ihre Belegschaft neu ausrichten: als ein Netzwerk aus auf Zusammenarbeit basierender Intelligenz, in dem KI-Agenten und Menschen gemeinsam daran arbeiten, Innovationen im Unternehmen zu beschleunigen. Die Kombination von menschlicher Kompetenz im strategischen Denken mit den Stärken künstlicher Intelligenz in umfassenden Analysen und im Erkennen von Mustern wird Unternehmen neue Wettbewerbsvorteile verschaffen â€“ wenn es ihnen gelingt, solche Netzwerke hybrider Intelligenz effektiv zu koordinieren und dadurch wegweisende Entdeckungen und Marktchancen zu fördern. Das nächste Jahr wird außerdem das Anfangsstadium eines weiteren bedeutenden Wandels kennzeichnen, und zwar in der Art und Weise, wie Menschen und KI zusammenarbeiten: KI-Agenten werden sich zu Workflow-Partnern weiterentwickeln, die erste Schritte in Richtung einer eigenständigen Navigation in Softwareumgebungen und der Automatisierung von Routineaufgaben unternehmen â€“ von Datenanalysen und der Erstellung von Berichten bis hin zu Terminkoordination und Softwaretests. Dies wird auch der Beginn einer längeren Umstellung hin zu veränderten Arbeitsprozessen und -mustern sein, wobei zukunftsorientierte Unternehmen neue Rollen, Messgrößen und Schulungsansätze für eine effektive Zusammenarbeit zwischen Mensch und KI entwickeln.

5. Regulierung: Erst Innovationen schaffen, dann regulieren

Man könnte sagen, dass Regierungen weltweit gerade zu kämpfen haben, mit den rasanten Fortschritten in der KI-Technologie Schritt zu halten und sinnvolle rechtliche Rahmenbedingungen zu schaffen, die angemessene Leitlinien für KI darstellen, ohne dabei Innovationen einzuschränken. Die Regulierungslandschaft wird sogar noch heterogener werden; das  verfolgt aktuell Hunderte von Vorschriften in Zusammenhang mit KI, die weltweit erörtert werden. Dies erfordert eine Bewertung der Einhaltung von verschiedenen rechtlichen Rahmenbedingungen für Modelle und die technische Auslegung dieser Rahmenbedingungen.

2025 wird sich die Diskussion verlagern, von dem, was wir aus technischer Sicht zu regulieren versuchen, hin zu der Art und Weise, wie wir Innovationen schaffen und was wir als grundsätzlich menschlich erachten. Diese Diskussion wird die Rolle des Menschen aufwerten, zu einer wesentlich positiveren Perspektive und auch dazu beitragen, dass wir eine langfristige Vision dafür entwickeln, wie wir uns das Zusammenleben und -arbeiten von Mensch und KI vorstellen. 

In diesem Umfeld wird es für Unternehmen, die KI-Technologie entwickeln und einsetzen, weiterhin entscheidend sein, verantwortungsbewusste Prinzipien in Bezug auf Sicherheit und ethische Nutzung einzuhalten. Dies wird auch dazu beitragen, den Rahmen für wichtige Präzedenzfälle und Compliance vorzugeben.

Umsetzung der Themen im Jahr 2025

Dies sind jedoch nur einige Beispiele für die vielen spannenden Fortschritte, die KI unserer Ansicht nach im Jahr 2025 machen wird. Insgesamt wird die wichtigste Erkenntnis des kommenden Jahres darin bestehen, die Verwertbarkeit der vorhandenen bahnbrechenden Technologie zu steigern. Wir werden erleben, wie KI viel tiefer und fast unsichtbar in Verbraucher- und Unternehmensanwendungen eingebettet wird und wie Anbieter und Unternehmen, die diese Anwendungen nutzen, ihre individuellen Rahmen und Daten nahtlos in KI einbinden.

In Bezug auf die allgemeine Nutzung von KI, müssen Unternehmen jedoch eine moderne Cloud-Suite mit einheitlichem Datenzugriff und harmonisierten Datenmodellen einsetzen. Nur so können sie Datensilos überwinden und umfassend von KI-Innovationen profitieren, die sich über das gesamte Unternehmen erstrecken. Dies wird die Genauigkeit und Aussagekraft von KI-gestützten Ergebnissen erheblich verbessern und letztlich die Akzeptanz, insbesondere in Unternehmen, steigern.

Sean Kask ist Vice President und Head of AI Strategy for 51·çÁ÷Business AI bei der SAP.

Walter Sun ist Senior Vice President und Global Head of AI for 51·çÁ÷Business AI bei der SAP.

Jonathan von Rueden ist Head of AI Frontrunner Innovation for 51·çÁ÷Business AI bei der SAP.

The post KI im Jahr 2025: Fünf beherrschende Themen appeared first on 51·çÁ÷News Center.