KI News

Quelle: lamarr-institute.org

AI26 – THE LAMARR CONFERENCE: KI-SPITZENFORSCHUNG FÜR INNOVATION UND
WERTSCHÖPFUNG
18. Juni 2026
Researchers, industry representatives and policymakers meet at AI26 – The Lamarr
Conference in Bonn to discuss current developments in artificial intelligence
and technology transfer.
Künstliche Intelligenz (KI) ist Schlüsseltechnologie für Wissenschaft,
Wirtschaft und Gesellschaft. Gleichzeitig verschärft sich der internationale
Wettbewerb und Deutschland ringt um technologische Souveränität, leistungsfähige
Infrastruktur und KI-basierte Wertschöpfung. Vor diesem Hintergrund diskutieren
auf der am 7. und 8. Juli 2026 im World Conference Center Bonn Expertinnen und
Experten aus Wissenschaft, Wirtschaft und Politik, wie aktuelle KI-Forschung
ihren Weg in Innovation, Anwendung und gesellschaftliche Wirkung findet.
Interaktive Diskussionsformate, Panels und Workshops schaffen dabei Raum für den
direkten Austausch zwischen Forschung, Wirtschaft und Politik.
Im ehemaligen Plenarsaal des Deutschen Bundestages bringt die Konferenz
internationale Spitzenforscherinnen und Spitzenforscher,
Führungspersönlichkeiten aus Unternehmen, politische Entscheidungsträgerinnen
und Entscheidungsträger sowie Vertreterinnen und Vertreter aus Gesundheitswesen
und Wirtschaft zusammen. Im Mittelpunkt stehen Fragen, die derzeit die
internationale KI-Debatte prägen: Wie können wir in Deutschland und Europa KI
skalieren, ohne technologische Souveränität zu verlieren? Welche
wissenschaftlichen Durchbrüche ermöglichen die nächste Generation intelligenter
Systeme? Und wie lassen sich leistungsfähige KI-Modelle verantwortungsvoll in
Medizin, Wirtschaft und Gesellschaft einsetzen?
Die Konferenz greift damit zentrale Herausforderungen der deutschen auf, vom
Transfer wissenschaftlicher Erkenntnisse in die Anwendung über den Aufbau
souveräner KI-Infrastrukturen bis hin zur Entstehung neuer KI-basierter
Wertschöpfung. Zu den rund 50 bestätigten Referentinnen und Referenten zählen
unter anderem DeepL-Gründer Dr. Jarosław Kutyłowski, diesjähriger Preisträger
des Lamarr Award, , Ministerin für Kultur und Wissenschaft des Landes
Nordrhein-Westfalen, (Deutsche Telekom), (University of Oxford), (CRCHUM
Montréal), (Google DeepMind), (Sana Kliniken) sowie Telekom-CEO , der beim
„Empfang der Wirtschaft“ am Abend des 7. Juli auf der Bühne steht.
Zentrale Technologiethemen der AI26 – The Lamarr Conference: Foundation Models,
Agentic AI und Trustworthy AI.
Kann Europa eigene KI-Wertschöpfung aufbauen?
Während die USA und China den globalen KI-Wettbewerb prägen, rücken Fragen nach
digitaler Infrastruktur, technologischer Souveränität und europäischer
Wertschöpfung zunehmend in den Fokus. Die AI26 stellt zentrale Fragen der
KI-Entwicklung in den Mittelpunkt: Welche Voraussetzungen sind notwendig, damit
aus wissenschaftlicher Exzellenz neue Produkte, Unternehmen und wirtschaftliche
Wettbewerbsfähigkeit entstehen?
Perspektiven hierzu reichen von europäischen KI-Unternehmen und digitaler
Infrastruktur über aktuelle Forschung zu Robotik und autonomen Systemen bis hin
zu KI in Medizin und Gesundheitsversorgung sowie KI für Durchbrüche in der
interdisziplinären Forschung.
Von Sprachmodellen zu handelnden Systemen
Mit Agentic AI, Vision-Language-Action-Modellen – also multimodalen KI-Modellen,
die Wahrnehmung, Sprache und Handlung miteinander verbinden – und neuen
Entwicklungen in der Robotik, zeichnet sich ein grundlegender Wandel ab:
KI-Systeme sollen künftig nicht nur analysieren und generieren, sondern auch
planen, handeln und in realen Umgebungen agieren können. Zu den internationalen
Experten in diesem Themenfeld zählen unter anderem Prof. Dr. Ingmar Posner
(University of Oxford) sowie Dr. Bogdan Georgiev (Google DeepMind), der
Einblicke in den Einsatz von KI für Scientific Discovery gibt.
KI in Medizin und Wissenschaft
Foundation Modelle und andere KI-Verfahren eröffnen neue Möglichkeiten für
Diagnostik, Forschung und Patientinnen- und Patientenversorgung. Gleichzeitig
steigen die Anforderungen an Vertrauenswürdigkeit, Sicherheit und die
Integration von KI in klinische Prozesse. Im Fokus stehen aktuelle Entwicklungen
rund um KI in der Medizin und Gesundheitsversorgung, Patientinnen- und
Patientenzentrierte KI, KI-gestützte Diagnostik und der Einsatz von KI in
klinischen Prozessen. Perspektiven hierzu bringen unter anderem Prof. Dr.
Sylvain Baillet, Direktor des Forschungszentrums CRCHUM am Klinikum der
University of Montréal, sowie Stefanie Kemp (CTO Sana Kliniken) ein.
Transfer als zentrales Thema der deutschen Hightech-Agenda
Die AI26 verbindet wissenschaftliche Exzellenz mit Perspektiven aus Industrie,
Gesundheitswesen, Politik und regionaler Wirtschaft. Im Fokus stehen dabei nicht
nur technologische Entwicklungen, sondern auch die Voraussetzungen für ihren
erfolgreichen Einsatz: AI-ready Data, Governance, digitale Infrastruktur,
Rechtskonformität und die Skalierung von KI-Anwendungen.
Veranstaltet wird die „AI26 – The Lamarr Conference“ vom Lamarr-Institut für
Maschinelles Lernen und Künstliche Intelligenz, einem vom Bundesministerium für
Forschung, Technologie und Raumfahrt (BMFTR) und dem Land Nordrhein-Westfalen
institutionell geförderten KI-Kompetenzzentrum, getragen von der , der sowie dem
und dem .
Anwendungsfelder der AI26 – The Lamarr Conference: AI for Science, AI for Health
und AI for Business.
Die Konferenz findet in englischer Sprache statt. Die sprachliche Zugänglichkeit
wird durch eine vom Fraunhofer IAIS entwickelte KI-Lösung zur
Echtzeitübersetzung von Vorträgen und Diskussionen unterstützt.
Journalistinnen und Journalisten, die an einer Teilnahme interessiert sind,
wenden sich bitte an .
THEMEN
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
SCHLAGWORTE
*
*
*
*
*
*
*
*

Quelle: novoai.de

MASCHINENDATENERFASSUNG KOSTEN: DIE ÜBERRASCHEND RENTABLE WAHRHEIT ÜBER RETROFIT
MASCHINENDATENERFASSUNG KOSTEN: MIT WELCHEN INVESTITIONEN MITTELSTAND RECHNEN
MUSS
Kann eine einzelne Maschine Ihnen die nächsten sechs Monate Produktionsverluste
vorhersagen? Wenn Sie nur Stromaufnahme und Taktzeiten messen, unterschätzen Sie
möglicherweise die Kosten des Nichtstuns. Das Fokus-Keyword
Maschinendatenerfassung kosten steht im Zentrum vieler Budgetgespräche auf dem
Shopfloor: Mit welchen Investitionen müssen Sie als Mittelstandsfertiger
rechnen, um Maschinendaten zu erfassen, zu verarbeiten und daraus konkretes
Handeln abzuleiten?
Dieser Beitrag gliedert die realistischen Einmal und laufenden Kosten, die bei
der Einführung einer Maschinendatenerfassung MDE entstehen. Ich nutze aktuelle
Branchenbefunde, Retrofit Beispiele und messbare Ergebnisse wie OEE
Verbesserungen und Energieeinsparungen, damit Budgetplanungen konkret werden.
Maschinendatenerfassung Kosten werden dabei nicht isoliert betrachtet, sondern
im direkten Zusammenhang mit Produktivität, Transparenz und Stillstandsreduktion
bewertet. Moderne Lösungen wie die WatchMen Plattform von Novo AI zeigen, wie
gezielte Pilotprojekte ein überschaubares Retrofit in nachhaltige
Produktivitätssteigerungen verwandeln können.
DIE KONKRETE WIRKUNG: MASCHINENDATENERFASSUNG KOSTEN
1. Hardware- und Retrofitkosten pro Maschine. In Bestandsfabriken (Brownfield)
schwanken die Preise stark: Einfache Stromzangen und Vibrationssensoren kosten
typischerweise €150–€500 pro Maschine, während modulare Sensor-Module mit
Edge‑Compute (AVA-ähnlich) je nach I/O und Schutzklasse bei etwa €600–€1.500 pro
Maschine beginnen. Fraunhofer‑ und VDMA‑Leitfäden empfehlen nicht-invasive Kits
als kostengünstige und schnelle Lösung für KMU. Eine praktische Studie
dokumentiert kosteneffiziente Sensor‑Konfigurationen für die diskrete Fertigung.
. Maschinendatenerfassung Kosten hängen dabei stark vom gewünschten
Automatisierungsgrad, der Anzahl der Maschinen und der vorhandenen Infrastruktur
ab.
Edge Hardware und lokale Verarbeitung. Edge Gateways zur Vorverarbeitung und
Normierung von Signalen liegen oft zwischen €800 und €2.500 pro Gerät. Je nach
Hallenlayout und Bandbreite benötigen Sie meist einen Gateway pro 5–25
Maschinen. Lokale Edge Verarbeitung senkt die laufenden Cloud Kosten und erfüllt
die in Deutschland häufige Erwartung an Datenhoheit. Ein Gateway mit lokalen
Analysefunktionen reduziert zudem SaaS Bedarf und hält Latenzen für Echtzeit
Meldungen gering. Maschinendatenerfassung Kosten steigen häufig weniger durch
Sensorik selbst als durch Netzwerkinfrastruktur, Datenarchitektur und
Integrationsanforderungen.
3. Softwarelizenzen und KI‑Modelle. Lizenzmodelle reichen von €500 bis €3.000
pro Monat für standortbezogene Analytikplattformen; alternativ rechnen Anbieter
mit Monatsgebühren von €10–€50 pro Maschine für Basis‑Monitoring.
Fortgeschrittene KI‑Module für Anomalieerkennung oder Predictive Maintenance
haben oft zusätzliche Lizenz- oder nutzungsbasierte Kosten. Anbieter wie Novo AI
bieten Mischmodelle mit Pilotgebühren plus monatlichem SaaS.
4. Integration, Inbetriebnahme und Arbeitsaufwand. Die Inbetriebnahme benötigt
üblicherweise 1–3 Tage pro Linie für Sensorplatzierung, Kabelverlegung und
Baseline‑Validierung. Interne Engineering‑Stunden plus externe
Systemintegratoren können €3.000–€12.000 pro Linie hinzufügen. Komplexität
treibt Kosten: kundenspezifische I/O‑Anbindungen, PLC‑Protokolle oder hohe
Verfügbarkeitsanforderungen verlängern Aufwand und Preis.
DIE KONKRETE WIRKUNG 1: KOSTENÜBERSICHT DER MASCHINENDATENERFASSUNG
Eine Aufteilung in Einmal und laufende Kosten schafft Klarheit für ROI
Zeiträume. Einmalige Posten sind Sensoren, Gateways, Installation und
Erstintegration. Laufende Posten sind Cloud oder lokale Rechenkosten, Software
Abos, Modellpflege und Sensorwartung. Maschinendatenerfassung Kosten sollten
deshalb immer über den gesamten Lebenszyklus eines Systems und nicht nur über
die Anschaffung bewertet werden. Ein realistischer Referenzwert für eine kleine
bis mittlere Linie 10 Maschinen in Deutschland sieht so aus:
* Hardware & Sensorik: €2.500–€10.000
* Edge‑Gateway(s): €800–€2.500
* Installation & Inbetriebnahme: €3.000–€12.000
* Softwarelizenzen (Jahr 1): €6.000–€36.000
Diese Spannen spiegeln die Praxis: Ältere Maschinen benötigen mehr Sensorik und
Verkabelung, neuere Maschinen liefern oft digitale Signale. Konservativ
gerechnet liegt die Gesamtsumme im ersten Jahr für ein 10‑Maschinen‑Pilotprojekt
zwischen €12.300 und €60.500. Amortisationszeiten bewegen sich oft zwischen 6
und 24 Monaten, sofern Engpässe beseitigt oder ungeplante Stillstände reduziert
werden.
DIE KONKRETE WIRKUNG 2: WO EINSPARUNGEN ENTSTEHEN
Welche konkreten Einsparhebel rechtfertigen die Investition? Messbare
Stellgrößen sind:
1. Verfügbarkeit (weniger ungeplante Stillstände)
2. Leistung (kürzere Zykluszeiten, weniger Mikrostops)
3. Qualität (Anomalien vor Ausschuss erkennen)
Maschinendatenerfassung Kosten amortisieren sich in vielen Fällen genau durch
diese drei direkten Produktivitätshebel. Maschinendatenerfassung Kosten werden
dabei häufig durch reduzierte Stillstände und höhere Maschinenverfügbarkeit
schneller kompensiert als ursprünglich erwartet. Fachliche Analysen zeigen, dass
Predictive Maintenance und Monitoring ungeplante Ausfälle um 30–50 % reduzieren
können und die OEE spürbar steigt. Eine Branchenauswertung betont außerdem die
Bedeutung gleichzeitig berücksichtigter Produktions‑ und Energiekennzahlen. .
Praxisbeispiel: Ein deutsches Blechbearbeitungsunternehmen hat acht
Bestands‑Pressen mit stromzangenbasierten Sensoren und einem zentralen
Edge‑Gateway nachgerüstet. Ausgangsbasis war eine OEE von 30 %. Innerhalb von
sechs Monaten stieg die OEE auf 58 %, weil Mikrostörungen gezielt angegangen und
Wartungen besser geplant wurden. Solche Fälle bestätigen, dass fokussierte
Retrofits OEE‑Werte von rund 30 % auf knapp 60 % heben können.
Zur Verdeutlichung: Erfasst man nichtinvasiv Taktzeit und Leistungsaufnahme
einer Engpass‑Presse und stellt fest, dass pro Schicht 10 Minuten vermeidbare
Mikrostops auftreten, dann wirkt sich das auf die Ausbringung aus. Angenommen,
die Linie produziert Waren im Wert von €5.000 pro Schicht: Wenn Sie nur die
Hälfte dieser verlorenen Zeit zurückgewinnen, sind das mehrere tausend Euro pro
Monat — oft reicht das, um die Sensoren in wenigen Monaten zu refinanzieren.
Kalkulieren Sie mit Ihrer Finanzabteilung realistische Margin‑ und
Auslastungswerte pro Linie.
DIE KONKRETE WIRKUNG 3: RISIKEN, SICHERHEIT UND DATEN
KMU sorgen sich zu Recht um Datenschutz, Vendor‑Lock‑in und Cybersecurity.
Sichere Edge‑Verarbeitung und lokale Datenspeicherung minimieren regulatorische
Hürden und lassen sensible Produktionsdaten vor Ort. Ein Review zu Predictive
Maintenance betont Kostenbarrieren und empfiehlt modulare, herstellerunabhängige
Architekturen für KMU. . Maschinendatenerfassung Kosten umfassen deshalb nicht
nur Sensorik und Software, sondern auch Security, Compliance und langfristige
Datenverfügbarkeit.
Cyber Risiken sollten Sie durch Netzwerksegmentierung von OT und IT, TLS
Verschlüsselung für Telemetrie und rollenbasierte Zugriffssteuerung mindern.
Wählen Sie Anbieter, die lokale Verarbeitungszusagen dokumentieren und offene
Exportformate liefern, um langfristigem Lock in vorzubeugen.
Maschinendatenerfassung Kosten steigen langfristig häufig stärker durch fehlende
Sicherheitskonzepte und proprietäre Abhängigkeiten als durch die eigentliche
Sensorhardware.
Die Kosten für Compliance und Security‑Härtung variieren: Einfache
Netzwerksegmentierung und Zertifikate schlagen mit €1.000–€5.000 einmalig zu
Buche; laufende Security‑Monitoring‑Dienste erhöhen die monatlichen Kosten
moderat. Berücksichtigen Sie diese Posten im wiederkehrenden Kostenmodell, um
Budget‑Überraschungen zu vermeiden.
Versteckte Kosten
Vergessen Sie nicht kleine, aber reale Kostenpunkte: Kalibrierung oder Austausch
von Sensoren, Kabelwege und Schulungen. Die Schulung der Bedienmannschaften, wie
sie auf Alarme reagieren, ist entscheidend — sonst bleiben Daten wirkungslos.
Planen Sie 1–2 Schulungen pro Schichtteam ein und ein leichtes Wartungsprogramm
für Sensorik. Solche Positionen werden bei Erstangeboten oft übersehen.
DIE KONKRETE WIRKUNG 4: PRAKTISCHER ROLLOUT-PLAN
Wie gehen Sie als Mittelstandsunternehmen vor, ohne zu viel zu bezahlen? Ein
gestaffelter Pilot ist Best Practice. Schritte:
* Schritt 1: Problemlinie identifizieren und OEE‑Baseline erfassen
* Schritt 2: Nicht‑invasiven Pilot mit 5–10 Maschinen durchführen
* Schritt 3: Messbare KPIs über 3–6 Monate validieren
* Schritt 4: Bei positivem ROI sukzessive auf weitere Linien skalieren
Maschinendatenerfassung Kosten lassen sich durch einen schrittweisen Rollout
deutlich kontrollierbarer und risikoärmer gestalten.
Beispiel‑Zeitplan: Woche 0–2 Planung und Baseline‑Erfassung; Woche 3–4
Installation von Sensoren und Edge‑Gateway; Monat 1–3 Datenvalidierung und
Modellanpassung; Monat 4–6 KPI‑Validierung und Feinjustierung. Setzen Sie
kurzfristige Ziele wie eine 10–20 %ige Reduktion von Mikrostops innerhalb von
drei Monaten, bevor Sie auf größere OEE‑Verbesserungen zielen. Plattformen mit
maschinen‑agnostischen Retrofit‑Ansätzen und lokaler Edge‑Verarbeitung, wie die
WatchMen‑Lösung, helfen, Kosten und Datenhoheit zu bewahren.
ROI-BEISPIEL
Rechenbeispiel: 10‑Maschinen‑Linie, Sensoren €5.000, Gateway €1.500,
Installation €6.000, Software Jahr 1 €12.000 = €24.500 Erstjahrkosten. Läuft die
Linie mit einem Produktionswert von €150.000 pro Monat und reduziert Monitoring
ungeplante Ausfallzeit konservativ um 5 %, entspricht das €7.500/Monat
Einsparung — die Pilotkosten wären in unter vier Monaten refinanziert. Passen
Sie Annahmen zu Marge und Auslastung an, um genauere Prognosen zu erhalten.
FÖRDERUNGEN UND ZUSCHÜSSE
Gute Nachrichten: Bund und Länder fördern Digitalisierungsprojekte in
Deutschland aktiv. Programme wie das BMWK‑Förderprogramm „go‑digital“ und
regionale Gutscheine subventionieren Beratungs‑ und Umsetzungsleistungen. Oft
beträgt der Zuschuss 50 % für förderfähige Beratungskosten, mit einem Höchstsatz
für Berater‑Tagessätze. Informationen finden Sie in der Förderdatenbank und bei
lokalen IHK‑Angeboten. . Maschinendatenerfassung Kosten lassen sich durch
Förderprogramme insbesondere für KMU deutlich reduzieren und schneller
amortisieren.
Praxisbeispiel: Hat Ihr 10 Maschinen Pilot förderfähige Beratungskosten von
€10.000, deckt ein 50 % Zuschuss €5.000, das verringert die Anschubkosten
erheblich und verkürzt die Amortisationszeit. KfW Programme und Landesmittel
bieten zudem zinsgünstige Kredite oder Zuschüsse für Digitalisierungs und
Energieeffizienzmaßnahmen. Prüfen Sie regionale Portale oder Dienstleister, die
bei Antragsstellung helfen. Maschinendatenerfassung Kosten werden dadurch
besonders für mittelständische Produktionsbetriebe kalkulierbarer und finanziell
planbarer.
Externe Förderung macht verschiedene Anbieter‑Modelle attraktiver. Ein
Anbieterangebot über €15.000 für einen Festpreis‑Pilot plus monatliches SaaS
kann nach Förderabzug effektiv günstiger sein. Fragen Sie Anbieter nach
förderkonformen Angeboten.
DER WEG NACH VORN
Die Budgetentscheidung für Maschinendatenerfassung kosten wird beherrschbar,
wenn Sie Investitionen nach Hardware, Edge‑Compute, Software und Services
aufschlüsseln. Für einen 10‑Maschinen‑Pilot erwarten Sie Erstjahrkosten von grob
€12k–€60k, abhängig von Sensor‑Auswahl und Integrationsaufwand. Nehmen Sie
Sicherheits‑ und Change‑Management‑Posten mit in die Kalkulation.
Maschinendatenerfassung Kosten sollten dabei immer im Verhältnis zu
Stillstandskosten, OEE Potenzial und Energieeinsparungen bewertet werden.
Fordern Sie transparente, zeilenweise Angebote, Nachweise zu ähnlichen Piloten
und exportfähige Datenformate vom Anbieter an. Energieüberwachung ist ein
sinnvoller Begleit‑KPI: Energiemessungen zahlen sich schnell aus, wenn Leerlauf
und Schichtmuster optimiert werden.
Der nächste Schritt: Starten Sie mit einem Pilot auf einer Linie, erfassen Sie
drei Monate Basisdaten und vergleichen Sie OEE und Ausfallzeiten vor und nach
dem Projekt. Maschinengenaue, herstellerunabhängige Plattformen machen diesen
Weg für den deutschen Mittelstand praktikabel.
REFERENZEN
1. - Praktische Retrofitting‑Daten und Anwendungsfälle (Zugriff am: 08.05.2026)
2. - Leitfaden zu Smart‑Retrofit und Methodik für Bestandsanlagen (Zugriff am:
08.05.2026)
3. - Kostenbarrieren und modulare Architekturen für KMU (Zugriff am:
08.05.2026)
4. - Informationen zu Förderkriterien und Zuschussquoten (Zugriff am:
08.05.2026)
5. - Branchenkennzahlen und Bedeutung für den Mittelstand (Zugriff am:
08.05.2026)
Dimitrij Lewin, Co-Founder von Novo AI, verbindet industrielle Praxis mit
KI-gestützter Retrofit-Technologie. Sein Fokus liegt darauf, bestehende
Maschinen in Echtzeit-Datenquellen zu verwandeln und Fertigungen transparenter,
effizienter und zukunftsfähiger zu machen.

Quelle: ki-campus.org

Das AI Literacy Framework ist eine gemeinsame Initiative der Europäischen
Kommission und der Organisation für wirtschaftliche Zusammenarbeit und
Entwicklung (OECD). CodeAI sowie führende internationale Expert:innen haben die
Entwicklung begleitet. Das Framework leistet einen Beitrag zur PISA-Studie 2029,
in der erstmals „Media & AI Literacy“ erhoben wird.
Der Stifterverband war in der Expertengruppe zur Erarbeitung des Frameworks
vertreten und koordinierte eine Taskforce, die umfassendes Feedback deutscher
Bildungsakteure einbrachte. Darüber hinaus verantwortete der Stifterverband die
deutsche Übersetzung des Frameworks – von der begrifflichen Präzisierung bis zur
Anschlussfähigkeit an den deutschen Bildungskontext.
Der KI-Campus entwickelt gemeinsam mit Bildungspartnern digitale Lernangebote
zum Framework, die sukzessive auf der Lernplattform veröffentlicht werden.
Mehr Infos und das Framework zum Download gibt es auf unserer neuen .

Quelle: www.bigdata-insider.de

„MASSVOLLEN UMGANG MIT KI SCHNELL LERNEN“ TEXTE VON MINISTER WILDBERGER MIT
HILFE VON KI ERSTELLT
18.06.2026 Quelle: dpa 2 min Lesedauer
Anbieter zum Thema
Bundesdigitalminister Karsten Wildberger (CDU) gerät wegen Texten, die mit Hilfe
von Künstlicher Intelligenz (KI) erstellt wurden, in den öffentlichen Fokus. Ein
Ministeriumssprecher bestätigte der Deutschen Presse-Agentur, dass Wildberger KI
als Arbeitswerkzeug nutze. Das „Handelsblatt“ entfernte einen Gastbeitrag des
Ministers vorerst aus seinem Angebot.
REDAKTIONEN NICHT ÜBER KI-EINSATZ INFORMIERT
„Die Zeit“ hatte berichtet, Wildberger habe „offenbar“ mehrere Reden und
Gastbeiträge für Zeitungen zu großen Teilen von Künstlicher Intelligenz
schreiben lassen. Der Ministeriumssprecher teilte nun mit, Wildberger nutze als
Unterstützung, „weil er überzeugt ist, dass Deutschland den produktiven und
zugleich maßvollen Umgang mit KI schnell lernen muss“. Das gelte „auch für die
Politik“.
Laut der „Zeit“ wurden die Texte mit einer Analysesoftware untersucht. Dem
Ergebnis zufolge stammte laut der Zeitung der „Handelsblatt“-Beitrag unter
Wildbergers Namen aus dem April fast vollständig von einer KI, ein Beitrag in
der „Frankfurter Allgemeinen Sonntagszeitung“ (FAS) vom März überwiegend. Auch
eine Rede vor dem Atlantic Council in Washington, D. C. im Juli 2024 stammte
laut „Zeit“ komplett von einer KI, mehrere Reden im Bundestag zu größeren
Teilen.
„HANDELSBLATT“ DEPUBLIZIERT WILDBERGER-BEITRAG VORERST
Gegenüber den Redaktionen von „Handelsblatt“ und „FAS“ legte das Ministerium den
KI-Einsatz nicht offen, wie ein Sprecher sagte: „Eine gesonderte Offenlegung
gegenüber den Redaktionen erfolgte nicht – weil Minister Wildberger KI als
unterstützendes Arbeitsmittel betrachtet, über dessen Nutzung man nicht anders
Rechenschaft ablegt als über Textverarbeitung, Recherche-Tools oder
redaktionelle Unterstützung.“
Das „Handelsblatt“ überprüft den fraglichen Text nach eigenen Angaben nun
selbst, „daher hat die Redaktion den Beitrag vorerst depubliziert“, teilte die
Sprecherin der Handelsblatt Media Group in Düsseldorf mit. Es geht um einen
Gastbeitrag Wildbergers vom 4. April unter der Überschrift „Deutschlands
Digitalproblem – Viele Projekte, wenig Produkte“.
„MENSCH MUSS PRÜFEN, ÄNDERN UND ENTSCHEIDEN“
Der Ministeriumssprecher skizzierte die Reden-Entstehung. Jede Rede beginne mit
einer Vorbesprechung des Redenreferats mit dem Minister zu Struktur, Wirkung und
Kernaussagen. Danach erarbeite das Referat Inhalt, Argumentation und Struktur.
„KI kann als Sparringspartner eingesetzt werden: um Gedanken zu ordnen,
alternative Formulierungen zu prüfen, Kürzungen vorzuschlagen oder die Struktur
zu schärfen.“ Die Überprüfung und müsse immer gesondert durch Menschen erfolgen,
etwa um Fehler auszuschließen. „Bevor etwas in eine Rede übernommen wird, muss
ein Mensch prüfen, ändern und entscheiden.“
Zuvor war bereits der thüringische Ministerpräsident Mario Voigt (CDU) in die
Kritik geraten, weil mehrere seiner Reden und Gastbeiträge für Medien oder Teile
davon mit Hilfe KI erstellt worden sein sollen, so etwa eine Rede zum
Holocaust-Gedenktag, eine Trauerrede und eine Neujahrsansprache.
(ID:50871750)

Quelle: www.bigdata-insider.de

KI-LÜGEN IN DER SUCHE MÜNCHNER GERICHT ENTSCHEIDET: GOOGLE HAFTET
18.06.2026 Von Ulrike Ostler 2 min Lesedauer
Anbieter zum Thema
Das Münchner Landgericht hat entschieden, dass Google unmittelbar für die
Aussagen seiner KI-Übersicht, die mit einer Suchanfrage geliert wird, haften
muss. Prinzipiell sind Suchmaschinenanbieter von solcher Haftung weitgehend
freigestellt
Geklagt hatten zwei Münchner Verlage. Das Gericht gab ihnen Recht (nachzulesen
in . Die durch die Google-eigene (KI) „“ automatisch zusammengestellte
Zusammenfassung hatte die Unternehmen fälschlicherweise mit Betrugsmaschen,
Abo-Fallen und unseriösen Geschäftspraktiken in Verbindung gebracht. Das Urteil
ist auf den 28. Mai datiert, ist aber jetzt erst bekannt geworden.
Google hatte die KI-Übersichten, die mittlerweile standardmäßig bei vielen
Suchanfragen eingeblendet wird, im vergangenen Jahr eingeführt. Sie ergänzen die
bisherigen Suchergebnislisten. In einem dem zur Anzeige gebrachten Fall wurde
dem Verlagshaus24 (bekannt auch als Medienverlag 24) beziehungsweise der
zugehörigen SEO Dienstleistungs GmbH und der Geramont Verlag fälschlicherweise
unlauteres Geschäftsgebaren unterstellt. Der Verleger klagte und gewann. Das
Gericht erließ eine einstweilige Verfügung, die Google mehrere der Behauptungen
zu unterlassen.
Ausschnittsweise heißt es, dass bei Zuwiderhandlung ein Ordnungsgeld im
Einzelfall von maximal 250.000 Euro anfallen oder wenn nicht gezahlt wird eine
Ordnungshaft von insgesamt höchstens zwei Jahre verhängt werden kann, zu
vollstrecken an den Mitgliedern der Geschäftsführung. Von den gerichtlichen
Kosten des Rechtsstreits (Gerichtskosten) tragen die Kläger 10 Prozent und das
beklagte Unternehmen 80 Prozent.
VERANTWORTUNG UND FALSCHE BEZUGNAHMEN
Bisher galt allerdings, dass Suchmaschinenbetreiber fremde Angebote nicht
präventiv auf Rechtsverletzungen überprüfen, lediglich auf etwaige Beschwerden
reagieren müssen. Der Argumentation der Richter zufolge handele es sich bei der
KI-Zusammenfassung nicht nur um einen Suchmaschinenschnipsel, der lediglich eine
Vorschau auf eine verlinkte Website darstelle.
Vielmehr sei der KI-Text ein eigenständiger Beitrag von Google, für den das
Unternehmen unmittelbar einzustehen habe. Dafür spreche auch, dass die
verlinkten Quellen einige Vorwürfe aus der vermeintlichen Zusammenfassung gar
nicht stützten, sondern sich teils auf ganz andere Unternehmen bezogen haben.
MEHR ALS DIE HÄLFTE DER KORREKTEN ANTWORTEN WAREN UNBEGRÜNDET
Das Urteil sorgt auch international für Schlagzeilen. So verweist die
US-Publikation „New York Times“ auf eine Studie, die das Blatt Eine in diesem
Frühjahr in Auftrag gegeben hatte. Dabei wurden verglichen. Die Analyse ergab,
dass die KI-Übersichten zwar eine Genauigkeit von etwa 91 Prozent aufwiesen, die
Quellenangaben jedoch weitaus weniger zuverlässig waren. Mehr als die Hälfte der
zitierten Quellen stützte die aufgestellten Behauptungen nicht vollständig. „Bei
der Größenordnung von Google könnte selbst eine Fehlerquote im einstelligen
Bereich zu einer enormen Anzahl falscher, von KI generierter Antworten führen",
wertet etwas US-Autor Shelly Palmer.
Immerhin bearbeitet Google jährlich mehr als fünf Billionen Suchanfragen. Das
bedeutet, dass laut einer Analyse des KI-Start-ups (Open Universal Machine
Intelligence), dass stündlich mehrere zehn Millionen fehlerhafte Antworten oder
jede Minute mehrere hunderttausend Ungenauigkeiten ausgegeben werden.
(ID:50871590)

Quelle: www.bigdata-insider.de

AGENTISCHE SOFTWAREENTWICKLUNG GITLAB JUSTIERT SICH FÜR DAS AGENTEN-ZEITALTER
18.06.2026 Von 3 min Lesedauer
Anbieter zum Thema
Auf der Hausmesse Transcend zeigte GitLab vier Funktionen, die
Software-Lieferung durch KI-Agenten skalierbar machen sollen: ein
server-seitiger Ersatz für das Klonen von Repositories, ein Kontextgraph über
den gesamten Lebenszyklus und ein Governance-Layer, der jede Agentenaktion
protokolliert. Ihre Stoßrichtung verrät, wo der eigentliche Schmerzpunkt liegt:
nicht beim Generieren von Code, sondern beim Beherrschen seiner Folgen.
Wenn Hunderte -Agenten gleichzeitig auf denselben Code zugreifen, gerät eine
Infrastruktur unter Druck, die für menschliches Arbeitstempo gebaut wurde. , die
genau diese Engpässe bei Geschwindigkeit, Kontext, Governance und Kosten
adressieren sollen.
Next Generation Source Code Management, jetzt in der Private Beta, lasse Agenten
den Repository-Server gezielt abfragen, statt lokale Kopien zu ziehen. Jeder
Agent erhalte nur die Sichtbarkeit, die seine Aufgabe verlangt. Nach GitLabs
internen Messungen erledigen Agenten Aufgaben bis zu 50-mal schneller,
verbrauchen bis zu halb so viele und erzeugen bis zu 1.000-mal weniger
Netzwerkverkehr. Vergleichswerte oder ein offengelegtes Testsetup nennt das
Unternehmen allerdings nicht.
EIN KONTEXTGRAPH SCHLÄGT RAG IM KUNDENTEST
In großen Monorepos und Multi-Repository-Umgebungen fehlt Agenten oft der
Überblick. Sie iterieren über das Ziel hinaus, verbrennen Token beim
Rekonstruieren dessen, was sie nicht sehen, oder scheitern, sobald das
Kontextfenster voll ist. Teams reparieren dann Änderungen, deren Erstellung mehr
Zeit kostet, als der Agent eingespart hat.
GitLab Orbit, jetzt ebenfalls in der Public Beta, bilde Code, Work Items,
Pipelines, Deployments und Produktionssignale fortlaufend in einem
Kontextgraphen ab. Agenten und Entwickler greifen über den Data Explorer auf
dieselbe Quelle zu. Laut GitLab antworten Agenten mit Orbit bis zu 11-mal
schneller, arbeiten bis zu 4,5-mal kosteneffizienter und produzieren bis zu
45-mal weniger Halluzinationen. Wie GitLab Halluzinationen zählt, geht aus der
Ankündigung allerdings nicht hervor. Orbit laufe auch als eigenständiges
Datenprodukt mit offenen APIs, sodass Fremdagenten denselben Kontext-Layer
abfragen.
Ryan Harvey, Head of AI Engineering bei Compare the Market, berichtet von einem
Vergleich an realen Merge Requests: Ein auf Orbit gestützter KI-Reviewer habe
Kommentare präziser platziert und Änderungen besser zusammengefasst. , das sein
Team als naheliegende Lösung erwartet hatte, habe schlechter abgeschnitten als
gar kein Kontext.
GOVERNANCE SETZT AUF DEN SECURITY-AGENTS AUF
Je schneller Agenten Code liefern, desto schneller liefern sie die enthaltenen
Schwachstellen mit. Die in GitLab Ultimate eingeführten Security-Agents sollen
diese im selben Tempo scannen, triagieren und beheben können, in dem Agenten sie
erzeugen.
Governance for Agents, jetzt in der Private Beta, decke die Nachweisseite ab.
Schieben Agenten zu Hunderten Code, fassen Abhängigkeiten an und stoßen
Deployments an, verschiebt sich die Frage von „Haben wir gescannt?“ zu „Welcher
Agent hat unter welcher Richtlinie was getan, und lässt sich das belegen?“ Die
Funktion lege Identität, Richtlinie, Audit und Freigabe um jede Agentenaktion
und zeigt Eingaben, Reasoning, Tool-Aufrufe sowie auffällige Aktivität in
Echtzeit. Orchestriert werden die Bausteine über die Duo Agent Platform, .
GitLab Flex bündele Plattform-Seats, GitLab Credits und nach Vertragsabschluss
freigeschaltete Funktionen in einer jährlichen Dollar-Zusage gegen eine
veröffentlichte Rate Card. Organisationensollen monatliche Reservierungen
zwischen Seats und nutzungsbasierten Credits ohne Vertragsänderung verschieben
können. Anders als bei getrennten Cloud-Credit-Modellen liegen Seats und
Verbrauch unter derselben Zusage. Verbrauch über die Jahreszusage hinaus rechne
GitLab zu einem Dollar je Credit ab. Anfragen nimmt GitLab ab sofort entgegen,
die Auslieferung erfolgt später im Lauf des dritten Quartals.
(ID:50870645)