KI News

Quelle: www.bigdata-insider.de

RAUS AUS DER BLACKBOX DER WEG ZUR KI-SOUVERÄNITÄT IN DER INDUSTRIE
28.04.2026 Von 3 min Lesedauer
Anbieter zum Thema
Die Industrie braucht keine allwissenden Sprachmodelle aus der US-Cloud, sondern
smarte, ressourcenschonende LLMs direkt an der Maschine. Eine aktuelle Debatte
zeigt: Um Vendor-Lock-ins zu vermeiden und das eigene geistige Eigentum zu
schützen, führt an lokaler Inferenz und Open-Source-Strategien kein Weg vorbei.
ist in der Industrie angekommen, doch die Kontrolle über die Systeme hält oft
kaum Schritt. Eine unter 500 europäischen IT-Entscheidern zeigt eine deutliche
Lücke auf: Nur 57 Prozent der deutschen Unternehmen verfügen über eine
definierte Exit-Strategie, falls ihr primärer KI-Anbieter den Zugang plötzlich
einschränkt. Gleichzeitig erwarten 37 Prozent dieser Firmen, dass ein
kurzfristiger Wechsel gravierende Auswirkungen auf ihre Geschäftskontinuität
hätte.
Dominik Schmitt, Director Ecosystem bei Red Hat, fasst das infrastrukturelle
Dilemma, in dem viele Unternehmen aktuell stecken, prägnant zusammen: „Wer alles
sieht, aber nichts ändern kann, der ist nicht souverän.“ Um diese technologische
Abhängigkeit zu durchbrechen, befürworten 72 Prozent der Befragten, dass der
Gesetzgeber Open-Source-Prinzipien festschreibt.
SPEZIALISIERTE EDGE-KI STATT „GOTT-MODELLE“
In der industriellen Praxis wächst die Erkenntnis, dass die Zukunft nicht allein
in gigantischen Sprachmodellen aus der Cloud liegt. Peter Blenninger,
Geschäftsführer von Croz Deutschland und als Anwender sowie Partner von Red Hat
auf der Pressekonferenz dabei, formuliert es zur Studie so: „Wir müssen uns
davon lösen, immer diese gottgleichen Modelle als Maßstab zu betrachten, die
alles und jedes beantworten können.“
Stattdessen wird sich der Markt laut Blenninger hin zu kleineren,
domänenspezifischen Modellen bewegen. Die tatsächlichen Einsatzgebiete in der
Industrie liegen bei Regelkreisläufen, in der Produktautomation und der
vernetzten Herstellung. Ein konkretes Szenario wäre etwa ein spezialisiertes
Modell für Heizungsbauer zur automatischen Optimierung von Wärmepumpen. Solche
Edge-KI-Lösungen arbeiten verteilt und mit einem Bruchteil der
Hardware-Ressourcen herkömmlicher .
RESSOURCENSCHONUNG ALS HARTER WETTBEWERBSFAKTOR
Die Abkehr von reinen Cloud-Giganten wird für den Mittelstand auch durch
physikalische und finanzielle Grenzen erzwungen. Das faktische Monopol von
Nvidia bei KI-Chips führt zu enormen Hardwarekosten und einem massiven
Energiebedarf. Blenninger berichtet aus der eigenen Implementierungspraxis: „Wir
mussten tatsächlich das Rechenzentrum neu dämmen, weil das Zeug einen Höllenlärm
macht, und unsere Energieversorgung nochmal komplett neu designen.“ Er mahnt an:
„Ressourcenschonender Umgang ist für uns in der EU ein essenzieller
Wettbewerbsfaktor.“
Es braucht daher smarte Hardware-Alternativen für die KI-Ausführung (Inferenz).
Nicht nur die bisherigen direkten Konkurrenten, wie AMD oder Intel, arbeiten an
entsprechenden Chips, auch die Big-Tech-Riesen wie Amazon, Meta, Microsoft oder
Google wollen am Monopol sägen. Doch das dauert. Forschungen des
Fraunhofer-Instituts deuten auch darauf hin, dass etwa Modelle auf FPGAs mit bis
zu 90 Prozent Energieeinsparung laufen können.
DIE PRAXIS-BLAUPAUSE: HYBRIDER BETRIEB
Doch wie implementiert ein Mittelständler, der keine gewaltige IT-Abteilung
besitzt, eine souveräne KI-Architektur? Eigene Modelle kontinuierlich von Grund
auf zu trainieren, ist schlichtweg zu teuer.
Die Lösung liegt in der Aufspaltung der Workloads: Blenninger rät dazu, das
datenintensive Training periodisch auszulagern, etwa quartalsweise in
europäische, souveräne Rechenzentren oder dedizierte Infrastrukturen wie die
neue Telekom AI Factory. „Und dann läuft tatsächlich nur die Inferenz bei mir im
Keller und das Training findet temporär woanders statt“, so Blenninger. Dieser
hybride Ansatz schützt das kritische geistige Eigentum des Unternehmens und
garantiert gleichzeitig niedrigste Latenzen an der Maschine.
OPEN SOURCE VERHINDERT DEN VENDOR-LOCK-IN
Wer auf proprietäre -Modelle setzt, begibt sich in eine gefährliche
Abhängigkeit. Echte Souveränität entsteht nur, wenn die eigene Architektur
flexibel bleibt.
Wie Gregor von Jagow, Senior Director Deutschland bei Red Hat, in der Studie
treffend zusammenfasst: „KI-Souveränität entsteht nicht durch den Einsatz
einzelner Technologien, sondern durch die Fähigkeit, sie kontrolliert zu
orchestrieren und im Zweifel auch zu wechseln.“ Offene Standards und
Open-Source-Prinzipien bieten die nötige Transparenz. Sie erlauben es
Ingenieuren, KI-Modelle, Beschleuniger-Hardware und Infrastruktur bei Bedarf
auszutauschen und machen KI in der industriellen Praxis dauerhaft beherrschbar.
Dieser Artikel stammt von unserem Partnerportal .
(ID:50822888)

Quelle: www.bigdata-insider.de

KOMMENTAR VON NICOLAS KLEIN UND BJÖRN BUSCH-GEERTSEMA, ERGOSIGN GENAI OPS – KI
SICHER IN DIE PRODUKTION BRINGEN
28.04.2026 Von Nicolas Klein und Björn Busch-Geertsema 5 min Lesedauer
Anbieter zum Thema
Viele GenAI-Piloten beeindrucken in der Demo, scheitern aber im Betrieb. Erst
Observability, Prompt-Management, Evals und Guardrails machen aus einem Prototyp
ein belastbares, wirtschaftlich steuerbares System.
In der Demo wirkt ein -Assistent oft erstaunlich souverän. Er beantwortet
Fragen, fasst Dokumente zusammen und nutzt interne Inhalte per Retrieval. Im
Live-Betrieb kippt das Bild schnell: Randfälle häufen sich, Antworten driften,
Retrieval liefert unpassende Treffer und jeder zusätzliche Verarbeitungsschritt
kostet Zeit und Geld.
Laut einem MIT-Bericht . Nur fünf Prozent haben die nötigen Fähigkeiten
aufgebaut, um Proofs of Concept in messbaren Nutzen zu überführen – auch wenn
die enge Erfolgsdefinition der Studie diskutiert wird, ist die Tendenz
eindeutig. S&P Global berichtet zudem, dass die Abbruchrate von -Initiativen vor
dem produktiven Einsatz innerhalb eines Jahres von 17 auf 42 Prozent gestiegen
ist. Im Durchschnitt .
WARUM DEVOPS FÜR GENAI NICHT REICHT
Die naheliegende Reaktion vieler Teams: bestehende DevOps-Praktiken auf
GenAI-Anwendungen übertragen. Doch klassisches DevOps misst, ob ein Service
erreichbar ist, wie schnell er antwortet und ob Fehlerquoten steigen. Für
generative KI reicht das nicht. Ein HTTP-Status 200 sagt nichts darüber aus, ob
eine Antwort fachlich korrekt, regelkonform oder wirtschaftlich sinnvoll war.
Hinzu kommt: GenAI-Anwendungen bestehen heute meist nicht aus einem einzelnen
Modellaufruf, sondern aus ganzen Workflows mit Retrieval, Tool Calls, Policies
und nachgelagerten Prüfungen. Genau deshalb braucht der Betrieb generativer KI
zusätzliche Steuerungsmechanismen. NIST trägt diesem Umstand inzwischen
ausdrücklich Rechnung und beschreibt in seinem GenAI-Profil zum AI Risk
Management Framework, wie Risiken generativer KI über den gesamten Lebenszyklus
identifiziert, gemessen und gesteuert werden sollen.
OBSERVABILITY FÜR KI-WORKFLOWS
Wer eine GenAI-Anwendung produktiv betreibt, muss nachvollziehen können, was das
System tatsächlich getan hat. Relevante Fragen sind nicht nur: War der Dienst
verfügbar? Sondern auch: Welche Dokumente wurden geladen? Welcher Prompt wurde
verwendet? Welches Modell lief mit welchen Parametern? Wie hoch waren
-Verbrauch, Kosten und Latenz? Welche Tool-Aufrufe haben den Antwortpfad
beeinflusst? Genau hier beginnt GenAI-Observability. Sie macht aus einer einen
analysierbaren Workflow.
Das ist mehr als Monitoring im klassischen Sinn. Teams brauchen Traces, die den
Weg einer Anfrage Schritt für Schritt sichtbar machen. Erst dann lässt sich
erkennen, ob ein Fehler im Retrieval, im Prompt, im Tooling oder im Modell
selbst entstanden ist. Dass sich dafür gerade gemeinsame Standards etablieren,
ist ein gutes Signal: .
PROMPT-MANAGEMENT: PROMPTS WIE KONFIGURATIONSOBJEKTE BEHANDELN
Prompts werden im Alltag noch immer behandelt wie Textbausteine, die irgendwo im
Quellcode liegen. Für produktive GenAI-Systeme ist das zu kurz gedacht. Prompts
sind keine Deko, sondern verhaltensprägende Konfiguration. Studien zeigen
konsistent, dass schon kleine Änderungen in Formatierung oder Reihenfolge die
Qualität der Ergebnisse deutlich verändern können: Eine viel zitierte
Untersuchung . Ein groß angelegter Vergleich aus August 2025 bestätigt das
Problem auch für aktuelle Modellfamilien: Selbst subtile, nicht-semantische
Variationen in Formulierung und Formatierung führen weiterhin zu signifikanten
Leistungsschwankungen – . In der Praxis bedeutet das: Prompts werden
versioniert, über eine zentrale Registry verwaltet und unabhängig vom
Anwendungscode ausgerollt. Änderungen lassen sich so gezielt testen, ausrollen
und bei Bedarf zurücknehmen – ohne ein vollständiges Re-Deployment der
Anwendung.
EVALUATIONEN STATT BAUCHGEFÜHL
Wer GenAI in Produktion bringt, braucht einen definierten Qualitätsbegriff.
Dabei geht es nicht nur um richtig oder falsch, sondern auch um Robustheit,
Konsistenz, Toxizität, Stiltreue, Quellenbezug und Bearbeitungszeit. Das
Stanford-Projekt HELM hat früh gezeigt, warum ein mehrdimensionales
Evaluationsmodell nötig ist: Es bewertete Sprachmodelle schon Ende 2022 nicht
nur nach Accuracy, . Während die stark weiterentwickelt wurden, ist die
Bedeutung dieser Aspekte so hoch wie eh und je – möglicherweise sogar gestiegen.
Der EU verlangt von Anbietern systemisch relevanter KI-Modelle inzwischen
explizit .
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können  abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter  abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
In der Praxis hat sich eine Zweiteilung bewährt. Offline-Evaluationen testen
neue Prompt-, Modell- oder Retrieval-Versionen gegen kuratierte Datensätze und
Randfälle vor dem Release. Online-Evaluationen beobachten kritische
Interaktionen im Live-Betrieb und markieren problematische Verläufe für
Nacharbeit. Ein zweites Sprachmodell kann dabei als Prüfer helfen, also als
LLM-as-a-Judge. Das skaliert besser als eine rein menschliche Prüfung, ersetzt
sie aber nicht. Eine aktuelle Untersuchung zeigt, dass .
GUARDRAILS: SCHÄDEN BEGRENZEN, BEVOR SIE ENTSTEHEN
Evaluationen zeigen Probleme an. Guardrails greifen ein, bevor ein Problem den
Nutzer erreicht oder unnötige Kosten verursacht. Input-Guardrails prüfen
Anfragen früh im Workflow: Ist die Anfrage fachlich zulässig? Ist sie
manipulativ? Soll sie das System zweckentfremden? Output-Guardrails prüfen
Antworten vor der Auslieferung: Enthalten sie sensible Inhalte (wie z. B.
personenbezogene Daten), Richtlinienverstöße, Halluzinationen oder unzulässige
Aussagen?
Das ist keine Kür, sondern Teil der Sicherheitsarchitektur. . Der Kern des
Problems: Natürliche Sprache dient gleichzeitig als Datenkanal und
Instruktionskanal. Dadurch können Angreifer versuchen, das Verhalten des Systems
über Eingaben gezielt umzulenken. Guardrails sollten deshalb mehrstufig
umgesetzt werden: vor Retrieval, vor Tool-Aufrufen und vor der Ausgabe an den
Nutzer.
PRAXISBEISPIEL: VOM CHATBOT ZUR STEUERBAREN ANWENDUNG
Typisch ist der Fall eines Assistenten in einem Portal oder Self-Service-System.
In der Demo beantwortet er Standardfragen überzeugend und spart sichtbar Zeit.
Im Betrieb zeigen sich dann die eigentlichen Probleme: Sonderfälle führen zu
unklaren Antworten, lange Dialoge treiben die Kosten, und Nutzer versuchen, den
Assistenten auf fachfremde Themen oder sensible Inhalte umzulenken.
Ein belastbarer Betrieb entsteht erst dann, wenn die einzelnen Ebenen
zusammenspielen. Observability zeigt, an welcher Stelle der Workflow falsch
abgebogen ist. Prompt-Management ermöglicht schnelle Korrekturen ohne komplettes
Re-Deployment. Evaluationen verhindern, dass ein Update (sei es am Prompt, am
Retrieval oder am Modell selbst) alte Fehler wieder zurückbringt. Guardrails
begrenzen Missbrauch und filtern problematische Antworten, bevor sie beim Nutzer
ankommen. Genau darin liegt der praktische Kern von GenAI Ops: Qualität, Kosten
und Risiken werden nicht erst im Nachhinein sichtbar, sondern im laufenden
Betrieb steuerbar.
CHECKLISTE VOR DEM GO-LIVE
● Sind für jede kritische Nutzerintention Testfälle und Abnahmekriterien
definiert?
● Werden Prompt-Version, Modellversion, Kosten und Latenz pro Anfrage
gespeichert?
● Gibt es Rollback-Mechanismen für Prompts, Modelle und
Retrieval-Konfigurationen?
● Sind Online-Evals und manuelle Review-Prozesse für riskante Fälle etabliert?
● Greifen Input- und Output-Guardrails vor und nach jedem kritischen
Verarbeitungsschritt?
FAZIT
Wer generative KI produktiv einsetzen will, braucht mehr als leistungsfähige
Modelle. Entscheidend ist ein Betriebsmodell, das Qualität, Kosten und Risiken
kontinuierlich steuerbar macht. Observability, Prompt-Management, Evaluationen
und Guardrails schaffen dafür die operative Grundlage. Erst dann wird aus einer
überzeugenden Demo ein System, das sich im Alltag verantwortbar, wirtschaftlich
und reproduzierbar betreiben lässt. Mit zunehmend autonomen KI-Agenten, die
eigenständig Entscheidungen treffen und Tools aufrufen, wird dieser
Steuerungsrahmen nicht weniger wichtig – sondern zur Voraussetzung dafür, dass
Unternehmen KI-Agenten verantwortbar in produktive Prozesse einbinden können.
ARTIKELFILES UND ARTIKELLINKS
Link:
Link:
(ID:50820151)

Quelle: www.bigdata-insider.de

LOGISCH STATT WAHRSCHEINLICH VERBESSERTE KI-METHODE SOLL VERLÄSSLICHE LOGISCHE
SCHLÜSSE ERMÖGLICHEN
28.04.2026 Quelle: Pressemitteilung 2 min Lesedauer
Anbieter zum Thema
Ein Forschungsteam der TU Graz hat eine Methode mitentwickelt, mit der
Künstliche Intelligenz (KI) komplexe logische Probleme exakt löst. Erfolgreich
getestet wurde der Ansatz für den Anwedungsfall Online-Betrug gemeinsam mit der
niederländischen Polizei.
Argumente abwägen, logische Schlüsse ziehen und daraus eine eindeutig richtige
Antwort ableiten. Solche Aufgaben stellen bislang vor einige Hürden. Einen
logisch korrekten Schluss zu berechnen, führt gängige Algorithmen bei komplexen
Fragestellungen schnell an mathematische und rechnerische Grenzen.
Ein Team um Johannes P. Wallner vom Institute of Software Engineering and
Artificial Intelligence der TU Graz hat nun einen Weg gefunden, den komplexen
Vorgang des argumentativen Schließens in effizientere mathematische Formeln zu
übersetzen und diese mit etablierten Lösungssystemen zu verknüpfen. Das
ermöglicht exakte Berechnungen in Millisekunden. Die Zuverlässigkeit der Methode
hat das Team in Zusammenarbeit mit der niederländischen Polizei anhand eines
Tools zur Betrugsaufnahme erfolgreich getestet.
UNTERSCHIED ZU LARGE LANGUAGE MODELS
„Im Vergleich zu wie , die Texte auf Basis statistischer Wahrscheinlichkeiten
und großer Mengen an Trainingsdaten erzeugen, können exakte logische Schlüsse
aus mathematischer Sicht schnell an Berechenbarkeitsgrenzen gelangen“, sagt
Johannes P. Wallner. „Hier muss das Ergebnis zwingend aus den für das jeweilige
Problem angegebenen Daten erfolgen, und das System muss garantiert die richtige
bzw. die beste Antwort innerhalb des definierten Rahmens liefern. Große
Datenmengen sind hierbei ein Problem, da die Rechenintensität dadurch
exponentiell ansteigt.“
Um diese Hürde zu überwinden, fokussierte sich das Team auf die mathematische
Modellierung der logischen Fragestellungen und entwickelte präzise logische
Formeln, mit denen das KI-System eigenständig zur optimalen Lösung findet.
ONLINE-BETRUG ALS ANWENDUNGSFALL
Im Rahmen der Zusammenarbeit mit der niederländischen Polizei galt es, die
Problemstellungen bei der Betrugsaufnahme in kompakte Formeln zu übersetzen. Die
Forschenden mussten den mathematischen Beweis erbringen, dass die Formeln
korrekt die Argumentation für oder wider Betrug bei den eingegebenen Daten
widerspiegeln. Das Ziel war es, auf Basis der vorhandenen Daten- bzw. Beweislage
vom Computer die Antwort zu bekommen, ob es sich bei einem Fall um Betrug im
Internet handeln könnte oder nicht. Es ging dabei etwa um Menschen, die über
eine Website ein Produkt gekauft hatten und nichts erhielten. Angesichts der
seit der Bestellung verstrichenen Zeit, der Webshop-URL und weiteren
Informationen sollte das System den Fall beurteilen.
SCHNELL GENUG FÜR PRAKTISCHE ANWENDUNGEN
Obwohl es sich primär um Grundlagenforschung handelt, orten die Forschenden
zahlreiche weitere Einsatzmöglichkeiten, in denen komplexe Entscheidungen auf
Basis logischer Argumente getroffen werden. Eine aktuelle Herausforderung ist
noch die Dateneingabe, da diese sehr präzise erfolgen muss, damit das System sie
verarbeiten kann. Wallners Team will Verbindungen mit Large Language Models
untersuchen: Diese könnten Eingaben in natürlicher Sprache entgegennehmen und
automatisch in eine für die logische Verarbeitung geeignete Form übersetzen.
(ID:50820062)