KI News

Quelle: lamarr-institute.org

Bestandsaufnahme eines Technologiefeldes zwischen Potenzial und Praxishürden
FRAUNHOFER-STUDIE: HUMANOIDE ROBOTIK IN DER LOGISTIK
4. Mai 2026
Die Illustration verbindet humanoide Robotik, Logistikprozesse und KI-bezogene
Datenstrukturen und greift Themen einer aktuellen Studie des Fraunhofer IML auf,
die auch für die Forschung am Lamarr-Institut relevant sind.
Humanoide Roboter gelten als möglicher Baustein zukünftiger Automatisierung in
der Logistik. Eine aktuelle Studie des , einem Träger des Lamarr-Instituts für
Maschinelles Lernen und Künstliche Intelligenz, untersucht nun, welche
Erwartungen die Branche an diese Technologie knüpft, welche Einsatzfelder als
besonders relevant gelten und welche Herausforderungen einem breiten
Praxiseinsatz noch entgegenstehen. Die Ergebnisse zeigen zugleich, wie eng die
Weiterentwicklung moderner Robotersysteme mit Fortschritten in der Künstlichen
Intelligenz verbunden ist.
Unternehmen setzen auf flexible Automatisierung
Im Mittelpunkt der Untersuchung stehen die Anforderungen logistischer
Arbeitsumgebungen, die häufig durch wechselnde Aufgaben, unterschiedliche
Objekte und dynamische Abläufe geprägt sind. Laut Studie sehen Unternehmen das
größte Potenzial humanoider Robotik bei Tätigkeiten wie Kommissionierung,
Sortierung sowie Be- und Entladeprozessen. Gefragt sind dabei weniger
menschenähnliche „Alleskönner“ als vielmehr flexible Robotersysteme, die sich in
bestehende Arbeitsumgebungen integrieren und unterschiedliche Aufgaben
übernehmen können. Pilotprojekte und erste Tests zeigen zwar ein großes
Interesse der Branche, zugleich befindet sich die Technologie nach Einschätzung
der Befragten noch in einer frühen Phase der industriellen Anwendung.
Technische Reife bleibt zentrale Herausforderung
Die Studie sieht die größte Herausforderung derzeit in der Überführung
vielversprechender technologischer Ansätze in industriell robuste Anwendungen.
Entwicklungsbedarf besteht insbesondere bei der sicheren Handhabung
unterschiedlichster Objekte, der Robustheit der Systeme im industriellen Betrieb
sowie ihrer Integration in bestehende Prozess- und IT-Landschaften. Auch
Sicherheitsanforderungen spielen eine zentrale Rolle, da künftige Systeme
perspektivisch in direkter Zusammenarbeit mit Menschen agieren sollen. Die
Autorinnen und Autoren ordnen humanoide Robotik als langfristiges
Entwicklungsfeld ein, das weitere technologische Fortschritte erfordert.
KI bildet die Grundlage adaptiver Robotersysteme
Die Ergebnisse verdeutlichen zugleich die enge Verbindung zwischen Robotik und
Künstlicher Intelligenz. Damit Roboter sich in komplexen Umgebungen orientieren,
Objekte erkennen, Entscheidungen treffen und flexibel auf neue Situationen
reagieren können, benötigen sie leistungsfähige Verfahren des maschinellen
Lernens und der Wahrnehmungsverarbeitung.
Genau an solchen Fragestellungen arbeitet das Lamarr-Institut. Als eines der
zentralen deutschen KI-Kompetenzzentren erforscht es leistungsstarke,
nachhaltige, vertrauenswürdige und sichere KI-Systeme für Anwendungen in
Wirtschaft und Gesellschaft. Forschung zu maschinellem Lernen, multimodaler
Wahrnehmung und vertrauenswürdiger KI bildet dabei eine wichtige Grundlage für
Robotersysteme, die künftig zuverlässig in dynamischen Umgebungen eingesetzt
werden sollen.
Einordnung eines dynamischen Forschungsfeldes
Humanoide Robotik wird seit vielen Jahren erforscht und diskutiert. Durch
Fortschritte bei KI, Sensorik und Rechenleistung gewinnt das Feld derzeit jedoch
neue Dynamik. Die Studie des Fraunhofer IML liefert dazu eine aktuelle
Einordnung aus Sicht der Logistikbranche und zeigt, wo konkrete
Einsatzperspektiven entstehen, welche Erwartungen bestehen und welche
Herausforderungen noch gelöst werden müssen. Damit trägt sie zu einer
faktenbasierten Bewertung eines Technologiefeldes bei, dessen weitere
Entwicklung eng mit Fortschritten in der KI-Forschung verbunden ist.
THEMEN
*
*
*

Quelle: the-decoder.de

Anthropic, Blackstone, Hellman & Friedman und Goldman Sachs haben die Gründung
eines neuen Unternehmens für KI-Dienste angekündigt. Die Firma soll
mittelständischen Unternehmen aus verschiedenen Branchen helfen, Anthropics
KI-Modell Claude in ihre Kernprozesse zu integrieren. Dafür arbeiten
Anthropic-Ingenieure gemeinsam mit dem Team der neuen Firma an maßgeschneiderten
Lösungen. Weitere Investoren sind General Atlantic, Apollo Global Management,
Sequoia Capital und andere.
Laut Anthropic-Finanzchef Krishna Rao übersteige die Nachfrage nach Claude die
Kapazitäten einzelner Bereitstellungsmodelle deutlich. Bestehende
Partnerschaften mit Accenture, Deloitte und PwC werden fortgeführt. Die neue
Firma richtet sich gezielt an Unternehmen wie regionale Gesundheitsnetzwerke
oder mittelständische Hersteller, denen eigene Ressourcen für KI-Projekte
fehlen, .
Die Ankündigung folgt auf , ein Joint Venture mit über vier Milliarden Dollar
Kapital, das laut Bloomberg ebenfalls Unternehmen bei der Einführung von
KI-Software unterstützen soll.
Anzeige
Beide Unternehmen versuchen hier über Partner, schneller den Markt zu
erschließen. Das ist auch ein Eingeständnis, dass die Einführung von KI in
Unternehmen technisch und kulturell komplexer ist als die reine Bereitstellung
von Tools. Bei Letzterer hat zudem noch immer Microsoft mit Copilot den größten
Hebel, da das Unternehmen seine KI-Funktionen direkt in Office-Produkte einbaut,
die bereits in Millionen von Firmen im Einsatz sind.
Anzeige
DEC_D_Incontent-1

Quelle: novoai.de

MASCHINENAUSLASTUNG VERBESSERN IN DER PRODUKTION: DIE UNTERSCHÄTZTEN FEHLER, DIE
MASCHINENLEISTUNG REDUZIEREN
MASCHINENAUSLASTUNG VERBESSERN IN DER PRODUKTION: DIE KRITISCHEN FEHLER, DIE
MASCHINENLEISTUNG HEIMLICH REDUZIEREN
Ist es akzeptabel, dass Maschinen stundenlang stillstehen, während Planer
Papierkram hinterherrennen? Für viele Produktionsleiter ist genau das die
Realität. Maschinenauslastung verbessern in der Produktion bedeutet, diese
versteckten Verluste sichtbar zu machen und systematisch zu beseitigen – ohne
zusätzliche Belastung für Mitarbeitende oder Investitionen in neue Maschinen.
Dieser Beitrag zeigt, warum Auslastung unterschätzt wird, wie datenbasierte
Ansätze helfen und wie Mittelständler konkret vorgehen.
DER REALE EINFLUSS 1: WARUM MASCHINENAUSLASTUNG IN DER PRODUKTION ENTSCHEIDEND
IST
Ungeplante Stillstände und lange Rüstzeiten fressen Marge, oft unbemerkt. Der
Bericht "The True Cost of Downtime" von Siemens (2024) zeigt: ungeplante
Ausfälle können bis zu 11 % des Jahresumsatzes kosten. Im Mittelstand äußert
sich das anders: viele kleine Stopps, Verzögerungen im Setup und ineffiziente
Abläufe summieren sich zu verlorener Kapazität.
Wer Maschinenauslastung verbessern in der Produktion will, muss genau diese
versteckten Verluste messen und priorisieren. Denn nur wenn Unternehmen
verstehen, wo Produktionszeit tatsächlich verloren geht, können sie
Maschinenauslastung verbessern in der Produktion gezielt und nachhaltig
umsetzen.
Bereits eine Verbesserung der Auslastung um 5 Prozentpunkte kann Wochen
zusätzlicher Kapazität pro Jahr freisetzen – ohne neue Maschinen. Grundlage sind
klare Kennzahlen: verfügbare Zeit, tatsächlicher Durchsatz und vermeidbare
Stillstände. Erst wenn diese Daten kontinuierlich erfasst werden, entstehen
belastbare Entscheidungsgrundlagen.
DER REALE EINFLUSS 2: TREIBER VERLORENER ZEIT
Unproduktive Zeit entsteht selten zufällig. In den meisten Fertigungen
wiederholen sich bestimmte Muster, die sich über Tage und Wochen zu erheblichen
Kapazitätsverlusten summieren:
* ungeplante Ausfälle (mechanisch oder elektrisch)
* lange Rüst- und Umrüstzeiten
* Wartezeiten durch Material oder Bediener
* Mikro-Stops durch kleine Störungen
Jede dieser Ursachen wirkt zunächst klein, doch in der Summe können sie einen
großen Teil der verfügbaren Produktionszeit reduzieren. Deshalb sind genau diese
Faktoren der wichtigste Ansatzpunkt, wenn Unternehmen die Maschinenauslastung in
der Produktion verbessern möchten. Werden diese Ereignisse systematisch erfasst
und analysiert, lassen sich Prioritäten klar erkennen und gezielte Maßnahmen
ableiten.
Zusätzlich liefert Energiemonitoring eine weitere Perspektive auf versteckte
Ineffizienzen. Maschinen laufen häufig im Leerlauf weiter, verbrauchen Strom und
erzeugen Kosten, ohne produktiven Output zu liefern. Diese Situationen bleiben
in vielen Betrieben unsichtbar, solange Energieverbrauch und Maschinenzustände
nicht gemeinsam analysiert werden. Retrofit-Sensorik kann solche Verluste
sichtbar machen, ohne Eingriffe in bestehende SPS-Steuerungen oder umfangreiche
IT-Projekte. Solche datenbasierten Einblicke sind eine zentrale Voraussetzung,
um Maschinenauslastung verbessern in der Produktion systematisch umzusetzen.
Dadurch entsteht eine verlässliche Datengrundlage, um Stillstände,
Leerlaufzeiten und Energieverluste gezielt zu reduzieren.
DER REALE EINFLUSS 3: ERFOLG MESSEN
OEE bleibt die zentrale Kennzahl zur Bewertung der Produktionsleistung. Sie
kombiniert Verfügbarkeit, Leistung und Qualität zu einer Gesamtkennzahl und
zeigt auf einen Blick, wie effektiv eine Maschine tatsächlich arbeitet.
Entscheidend ist jedoch nicht nur der OEE-Wert selbst, sondern die Detailtiefe
der zugrunde liegenden Daten. Nur wenn Stillstände und Leistungsverluste genau
erfasst werden, lassen sich die Ursachen systematisch analysieren.
Wichtige Datenquellen sind zum Beispiel:
* Ereignisprotokolle, die jeden Maschinenstopp und jede
* Zustandsänderung dokumentieren
Fehlercodes, die konkrete technische Ursachen sichtbar machen
* Zeitstempel, um Stillstände eindeutig Schichten, Aufträgen oder Werkzeugen
zuzuordnen
* Energieverbrauch pro Teil, um Ineffizienzen im Prozess zu erkennen
Erst wenn diese Informationen kontinuierlich vorliegen, können Produktionsteams
fundierte Entscheidungen treffen. Dann wird Maschinenauslastung nicht mehr
geschätzt oder aus Schichtberichten abgeleitet, sondern datenbasiert analysiert
und gezielt verbessert.
3 WEGE, MASCHINENAUSLASTUNG VERBESSERN IN DER PRODUKTION UMZUSETZEN
1. Ereignisse automatisch erfassen
Automatisierte Datenerfassung eliminiert subjektive Schichtberichte.
Mikro-Stops, Geschwindigkeitsverluste und Stillstände werden lückenlos
dokumentiert.
Ergebnis: schnellere Ursachenanalyse und weniger Wiederholfehler.
2. Maßnahmen priorisieren
Nicht jeder Stillstand ist gleich relevant. Pareto-Analysen zeigen, welche 20 %
der Ursachen 80 % der Verluste verursachen.
Gerade kleine, häufige Probleme liefern oft den größten Hebel zur Verbesserung
der Maschinenauslastung in der Produktion.
3. Bediener befähigen
Echtzeit-Informationen ermöglichen schnelle Reaktionen. Klare Dashboards und
einfache Handlungsempfehlungen reduzieren Entscheidungszeiten direkt an der
Linie.
URSACHEN UND PRAXISFÄLLE
Um Maschinenauslastung verbessern in der Produktion zu erreichen, müssen
Unternehmen zuerst verstehen, welche konkreten Situationen regelmäßig
Produktionszeit kosten. In der Praxis treten bestimmte Muster immer wieder auf.
Drei typische Szenarien zeigen, wo häufig Kapazität verloren geht und welche
Maßnahmen sich bewährt haben.
Szenario A: Häufige Mikro-Stops
Viele Maschinen stoppen mehrfach pro Schicht für kurze Zeiträume von etwa 30–90
Sekunden. Diese Unterbrechungen werden im Alltag oft kaum beachtet, da sie
schnell behoben werden. Über eine ganze Schicht hinweg summieren sich diese
Mikro-Stops jedoch zu erheblichen Produktionsverlusten und reduzieren den
tatsächlichen Durchsatz deutlich.
Maßnahme: Der Einsatz von Sensorik und automatischer Ereigniserfassung macht
diese kurzen Stopps sichtbar. Anschließend lassen sich die Ursachen analysieren
– beispielsweise Fehljustierungen von Sensoren, Materialzuführprobleme oder
leichte mechanische Abweichungen.
Ergebnis: In vielen Betrieben lassen sich allein durch die Beseitigung solcher
Mikro-Störungen OEE-Verbesserungen von etwa 5–10 % erreichen.
Szenario B: Lange Rüstzeiten
Ein weiteres häufiges Problem sind stark schwankende Rüstzeiten zwischen
verschiedenen Schichten oder Bedienern. Während ein erfahrener Mitarbeiter einen
Produktwechsel in wenigen Minuten durchführt, benötigen andere deutlich länger.
Diese Varianz reduziert die verfügbare Produktionszeit und erschwert eine
stabile Planung.
Maßnahme: Die Standardisierung von Rüstprozessen, visuelle Arbeitsanleitungen
und die systematische Messung realer Rüstzeiten helfen, ineffiziente Schritte zu
identifizieren. Ergänzend können Schnellwechselvorrichtungen oder vorbereitete
Werkzeugsätze eingesetzt werden.
Ergebnis: Viele Unternehmen erreichen dadurch eine deutliche Reduktion der
Rüstzeiten und gewinnen zusätzliche Produktionsstunden – ohne neue Maschinen
oder zusätzliches Personal.
Szenario C: Versteckter Energieverlust
In vielen Fertigungen laufen Maschinen im Leerlauf weiter, obwohl gerade kein
Teil produziert wird. Dabei verbrauchen sie oft einen großen Teil ihrer normalen
Betriebsenergie. Diese ineffizienten Zustände bleiben häufig unbemerkt, wenn
Energieverbrauch und Maschinenzustände nicht gemeinsam analysiert werden.
Maßnahme: Durch die Verknüpfung von Energieverbrauchsdaten mit
Maschinenzuständen lässt sich erkennen, wann Anlagen produktiv arbeiten und wann
sie nur Energie verbrauchen. Diese Transparenz ermöglicht gezielte Maßnahmen wie
automatisches Abschalten im Leerlauf oder optimierte Start- und Aufwärmprozesse.
Ergebnis: Unternehmen reduzieren nicht nur Energiekosten, sondern gewinnen
gleichzeitig ein besseres Verständnis ihrer Produktionsprozesse und deren
Ineffizienzen – eine wichtige Grundlage, um Maschinenauslastung verbessern in
der Produktion nachhaltig umzusetzen.
PRAKTISCHE ROADMAP ZUR VERBESSERUNG
Die Verbesserung der Maschinenauslastung gelingt am zuverlässigsten mit einem
strukturierten Vorgehen. Anstatt sofort große Digitalisierungsprojekte zu
starten, empfiehlt sich ein schrittweiser Ansatz, der schnelle Erkenntnisse
liefert und Risiken minimiert.
Schritt 1: Quick-Win-Analyse (2–4 Wochen)
Beginnen Sie mit einer Pilotlinie und installieren Sie Sensoren an etwa 3–5
kritischen Maschinen. Ziel ist es, zunächst ein realistisches Bild der aktuellen
Situation zu erhalten. Erfassen Sie Basisdaten wie Stillstandszeiten,
Mikro-Stops, Energieverbrauch und Zykluszeiten. Bereits nach wenigen Wochen
lassen sich die wichtigsten Verlustquellen identifizieren und priorisieren.
Schritt 2: Maßnahmen umsetzen (4–8 Wochen)
Sobald die Hauptursachen sichtbar sind, können gezielte Verbesserungen umgesetzt
werden. Dazu gehören beispielsweise mechanische Anpassungen, Schulungen für
Bediener oder kleine Prozessoptimierungen in Rüstabläufen und Materialflüssen.
In vielen mittelständischen Betrieben zeigen sich bereits in dieser Phase
messbare Effekte, etwa stabilere Zykluszeiten oder eine Reduktion häufiger
Mikro-Stops.
Schritt 3: Skalierung (3–6 Monate)
Wenn der Pilot erfolgreich ist, folgt die Skalierung auf weitere Linien oder
Maschinen. Dabei werden Monitoring-Systeme erweitert, prädiktive Wartungsansätze
eingeführt und klare KPIs für Teams definiert. Durch kontinuierliche
Datenauswertung können Unternehmen ihre Produktionsprozesse langfristig
stabilisieren.
Mit diesem schrittweisen Ansatz lässt sich Maschinenauslastung verbessern in der
Produktion nachhaltig umsetzen, ohne die Fertigung durch große IT-Projekte zu
blockieren.
WICHTIGE KPIS
Um Maschinenauslastung verbessern in der Produktion gezielt umzusetzen,
benötigen Produktionsleiter klare und regelmäßig überprüfte Kennzahlen. Diese
KPIs zeigen nicht nur die aktuelle Leistung der Anlagen, sondern helfen auch
dabei, Ursachen für Stillstände und Effizienzverluste zu identifizieren.
Zu den wichtigsten Kennzahlen gehören:
OEE (Overall Equipment Effectiveness)
Die zentrale Kennzahl zur Bewertung der Produktionsleistung. Sie kombiniert
Verfügbarkeit, Leistung und Qualität und zeigt, wie effektiv eine Maschine
tatsächlich genutzt wird.
MTBF (Mean Time Between Failures)
Diese Kennzahl misst die durchschnittliche Zeit zwischen zwei Ausfällen. Ein
steigender MTBF-Wert zeigt, dass Maschinen stabiler laufen und Wartungsmaßnahmen
erfolgreich sind.
MTTR (Mean Time To Repair)
Der MTTR-Wert gibt an, wie lange es im Durchschnitt dauert, einen Fehler zu
beheben. Kurze Reparaturzeiten sind entscheidend, um Stillstände schnell zu
reduzieren.
Mikro-Stop-Häufigkeit
Die Anzahl kurzer Unterbrechungen pro Schicht oder Stunde. Diese kleinen Stopps
werden häufig unterschätzt, können aber einen erheblichen Anteil der verlorenen
Produktionszeit ausmachen.
Energie pro Teil
Diese Kennzahl zeigt, wie viel Energie für ein produziertes Teil benötigt wird.
Sie hilft dabei, ineffiziente Prozesse, Leerlaufzeiten und unnötigen
Energieverbrauch zu erkennen.
Ein effektives Produktionsdashboard stellt diese Kennzahlen übersichtlich dar
und zeigt Trends, Abweichungen und priorisierte Probleme in Echtzeit. Dadurch
können Teams schneller reagieren und gezielte Maßnahmen einleiten, um
Maschinenauslastung verbessern in der Produktion systematisch voranzutreiben.
CHANGE MANAGEMENT ALS ERFOLGSFAKTOR
Technologie allein verbessert keine Produktion. Sensorik und Dashboards liefern
Daten, aber erst klare Routinen und transparente Kommunikation sorgen dafür,
dass diese Informationen tatsächlich genutzt werden. Deshalb ist Change
Management ein entscheidender Faktor, wenn Unternehmen Maschinenauslastung
verbessern in der Produktion möchten.
Wichtige Elemente sind einfache und konsequent angewendete Arbeitsabläufe:
* tägliche Kurzmeetings, in denen aktuelle Produktionsdaten und Probleme
besprochen werden
* klare Zielwerte, etwa für OEE, Stillstandszeiten oder Mikro-Stops
* sichtbare Daten an der Linie, zum Beispiel über Dashboards oder
Produktionsboards
Diese Routinen schaffen Transparenz und ermöglichen schnelle Entscheidungen
direkt auf dem Shopfloor. Wenn Bediener und Schichtleiter Produktionsdaten
regelmäßig sehen und diskutieren, entstehen Verbesserungen oft direkt aus dem
Team heraus.
Unternehmen, die Maschinenauslastung verbessern in der Produktion nachhaltig
umsetzen, integrieren Daten deshalb nicht nur in Berichte, sondern in den
täglichen Arbeitsalltag der Produktion. Dadurch wird aus reiner Datenerfassung
ein kontinuierlicher Verbesserungsprozess.
ENERGIE ALS ZUSÄTZLICHER HEBEL
Energieverbrauch und Maschinenauslastung sind eng miteinander verbunden.
Maschinen, die im Leerlauf laufen, falsch getaktet sind oder ineffiziente
Prozessabläufe haben, verbrauchen Energie ohne entsprechenden Produktionsoutput.
Dadurch entstehen unnötige Kosten und gleichzeitig sinkt die effektive
Auslastung der Anlagen.
Gerade in energieintensiven Fertigungen kann eine bessere Transparenz über den
Energieverbrauch helfen, Ineffizienzen schneller zu erkennen. Wenn
Energieverbrauch mit Maschinenzuständen verknüpft wird, lassen sich Situationen
identifizieren, in denen Anlagen Strom verbrauchen, obwohl keine produktive
Arbeit stattfindet.
Typische Maßnahmen zur Verbesserung sind:
* Abschalten im Leerlauf, wenn Maschinen längere Zeit nicht produzieren.
* Optimierung von Aufheizphasen, um unnötige Energieverluste beim Start zu
vermeiden.
* Vermeidung von Lastspitzen, durch bessere Abstimmung energieintensiver
Prozesse.
Durch solche Maßnahmen können Unternehmen nicht nur Energiekosten senken,
sondern gleichzeitig Maschinenauslastung verbessern in der Produktion, weil
Prozesse stabiler und effizienter ablaufen.
DATENSICHERHEIT UND VERTRAUEN
Datensicherheit ist für viele mittelständische Produktionsunternehmen ein
zentrales Thema, insbesondere wenn neue Monitoring- oder Analyseplattformen
eingeführt werden. Viele KMU bevorzugen daher Lösungen, bei denen sensible
Produktionsdaten möglichst im eigenen Werk bleiben und nicht vollständig in
externe Cloud-Systeme übertragen werden.
Lokale Datenverarbeitung bietet dabei mehrere Vorteile:
* Schutz von Produktionsdaten, da kritische Maschineninformationen im
Unternehmen verbleiben
* geringere Abhängigkeit von Cloud-Systemen, was Risiken durch externe
Infrastruktur reduziert
* bessere Compliance, insbesondere im Hinblick auf Datenschutz- und
Sicherheitsanforderungen
Edge-Architekturen ermöglichen genau diesen Ansatz. Dabei werden Sensordaten
direkt vor Ort verarbeitet und nur relevante Ereignisse oder aggregierte
Kennzahlen weitergeleitet. Dadurch behalten Unternehmen die Kontrolle über ihre
Produktionsdaten und profitieren gleichzeitig von schnellen Analysen und
transparenter Maschinenüberwachung.
HANDELN
Maschinenauslastung verbessern in der Produktion beginnt selten mit großen
Digitalisierungsprojekten oder komplexen IT-Einführungen. Der erste Schritt ist
Transparenz: Unternehmen müssen verstehen, wo Produktionszeit verloren geht und
welche Ursachen tatsächlich hinter Stillständen oder Leistungsverlusten stehen.
Ein pragmatischer Einstieg ist eine Pilotphase auf einer einzelnen Linie.
Typische Schritte sind:
* Sensoren installieren, um Maschinenzustände und Stillstände automatisch zu
erfassen
* Produktionsdaten sammeln, etwa zu Zykluszeiten, Mikro-Stops und
Energieverbrauch
* wöchentliche Analysen durchführen, um wiederkehrende Muster und
Hauptverlustquellen zu identifizieren
Bereits kleine, gezielte Maßnahmen können deutliche Effekte haben. Schon ein
Prozentpunkt höhere Auslastung kann sich über viele Schichten hinweg zu spürbar
mehr Durchsatz entwickeln und gleichzeitig Lieferfähigkeit und Margen
verbessern.
Moderne Lösungen wie die WatchMen-Plattform von Novo AI ermöglichen diesen
Einstieg ohne Eingriffe in bestehende Maschinensteuerungen. Retrofit-Sensorik
und lokale Analysen liefern schnell belastbare Daten, sodass Produktionsleiter
innerhalb weniger Wochen erste Verbesserungen erkennen und erfolgreiche
Maßnahmen anschließend auf weitere Linien skalieren können.
REFERENZEN
1. - Informationen zur Kapazitätsauslastung und Marktentwicklung (Zugriff am:
19.03.2026)
2. - Forschung zu OEE‑Optimierung und datengetriebener Fertigungsoptimierung
(Zugriff am: 19.03.2026)
3. - Praxisartikel zur Ursachenanalyse in verketteten Anlagen (Zugriff am:
19.03.2026)
4. - Branchenkontext und Produktionsentwicklung (Zugriff am: 19.03.2026)
5. - Produktseite zu Retrofitting und Echtzeit‑Monitoring (Zugriff am:
19.03.2026)
Dimitrij Lewin ist Co-Founder von Novo AI und treibt industrielle Innovation mit
KI-gestützten Retrofit-Lösungen voran. Seine Leidenschaft gilt der digitalen
Transformation und der Effizienzsteigerung in der Produktion durch
Echtzeitdaten.

Quelle: www.bigdata-insider.de

KI-LABOR FÜR STRUKTURIERTE DATEN SAP STECKT NACH ÜBERNAHME EINE MILLIARDE EURO
IN KI-FIRMA
04.05.2026 Quelle: dpa 1 min Lesedauer
Anbieter zum Thema
Mit zwei Zukäufen will das Softwareunternehmen SAP das KI-Angebot erweitern
sowie KI-Agenten fit für Unternehmensdaten machen. Der Softwareriese will das
Labor eigenständig arbeiten lassen.
Europas größter Softwarehersteller SAP baut sein Angebot rund um Künstliche
Intelligenz mit zwei Übernahmen aus. Das Unternehmen kauft den deutschen
Anbieter Prior Labs und will in den kommenden vier Jahren mehr als eine
Milliarde Euro in die Freiburger investieren, wie der Dax-Konzern am Montag in
Walldorf mitteilte.
Prior Labs sei ein Pionier für sogenannte Tabellarische Foundation Models (TFM),
die KI-Modellen ein besseres Zahlen-, Tabellen- und Statistikverständnis
ermöglichen sollen. Prior Labs solle nach der Übernahme eigenständig bleiben,
SAP will die Firma zu einem weltweit führenden KI-Labor für strukturierte Daten
ausbauen.
Zudem plant SAP die US-Firma Dremio zu kaufen. Darüber will der Konzern SAP- und
Nicht-SAP-Daten bei seinen Kunden integrieren, um KI-Agenten mit den
Unternehmensdaten arbeiten zu lassen. Die offene Datenplattform von Dremio soll
SAPs Fähigkeit erweitern, analytische und KI Workloads in Echtzeit und über
Systemgrenzen hinweg auf einer konsistenten, geschäftsrelevanten Datenbasis
auszuführen. Angaben zu den Kaufpreisen für die Übernahmen machte SAP nicht.
(ID:50834645)

Quelle: the-decoder.de

OpenAI hat laut Bloomberg mehr als vier Milliarden US-Dollar für ein neues Joint
Venture namens "The Deployment Company" eingesammelt. Ziel ist es, Unternehmen
bei der Einführung von OpenAI-Software zu unterstützen. Insgesamt 19 Investoren
beteiligten sich, darunter TPG, Brookfield Asset Management, Advent und Bain
Capital, wie eine mit dem Vorgang vertraute Person Bloomberg unter der Bedingung
der Anonymität sagte.
Die Meldung passt zu früheren Berichten von Reuters und Financial Times über ein
internes Projekt namens . Demnach steuert OpenAI zunächst 500 Millionen
US-Dollar bei, mit einer Option auf bis zu 1,5 Milliarden. Die FT berichtete von
einer garantierten Jahresrendite von 17,5 Prozent für die
Private-Equity-Investoren sowie Super-Voting-Shares für OpenAI, was Reuters
nicht unabhängig bestätigen konnte.
Das JV ergänzt demnach OpenAIs und die "" mit BCG, McKinsey, Accenture und
Capgemini. Anthropic plant laut Wall Street Journal ein mit Blackstone und
Goldman Sachs.
Anzeige
DEC_D_Incontent-1
Anzeige

Quelle: the-decoder.de

Der Bau neuer KI-Rechenzentren verschlingt Milliarden an Fremdkapital.
Großbanken wie JPMorgan und Morgan Stanley suchen nun nach Wegen, die wachsenden
Kreditrisiken an andere Investoren weiterzugeben.
Der Ausbau der KI-Infrastruktur in den USA wird zunehmend zu einem
Belastungstest für das Bankensystem. Laut Financial Times suchen Großbanken wie
JPMorgan Chase, Morgan Stanley und SMBC nach Möglichkeiten, Risiken aus
KI-Rechenzentrum-Finanzierungen an andere Investoren abzugeben. Die
Kreditvolumina für neue Rechenzentren sind so groß geworden, dass einzelne
Institute an ihre internen Grenzen für Risikokonzentration stoßen.
Ein konkretes Beispiel verdeutlicht die Dimension: Ein Kreditpaket über 38
Milliarden Dollar finanziert Rechenzentren in Texas und Wisconsin, die mit
Oracle verbunden sind. JPMorgan und MUFG versuchen laut Financial Times seit
Monaten, Teile dieser Kredite breiter am Markt zu verteilen. Einige Banken
hätten die Kredite sogar mit Abschlag an Nichtbanken verkaufen wollen. Oracle
selbst hatte zuvor Anleihen über 18 Milliarden Dollar aufgenommen.
Anzeige
BANKEN "ERSTICKEN" AN DEN SUMMEN
Um die Risiken zu begrenzen, prüfen die Banken Kreditverkäufe und sogenannte
Significant Risk Transfers. Bei letzteren bleibt der Kredit formal bei der Bank,
ein Teil des Ausfallrisikos wird jedoch gegen eine Rendite an Kreditfonds,
Versicherer oder andere Investoren weitergegeben.
Anzeige
DEC_D_Incontent-1
Matthew Moniot von der Man Group beschreibt das Problem laut Financial Times so:
Die Summen seien so groß, dass Banken schnell "ersticken". Frank Benhamou von
Cheyne Capital sieht diese Geschäfte als riskanter als übliche Risikotransfers.
Es gebe nur wenige Betreiber, die Kredite seien stark gebündelt, und Bauprojekte
könnten scheitern oder deutlich teurer werden als geplant.
POLITISCHER WIDERSTAND ALS ZUSÄTZLICHES RISIKO
Neben finanziellen Unwägbarkeiten kommt politischer Gegenwind hinzu. Im
US-Bundesstaat Maine beschloss das Parlament mit LD 307 ein Moratorium für
Rechenzentren mit einer Leistung von 20 Megawatt oder mehr bis zum 1. November
2027. Das Gesetz sollte zudem einen Rat einsetzen, der Auswirkungen auf
Stromkunden, Netz, Umwelt und Wirtschaft prüft.
Anzeige
Gouverneurin Janet Mills legte am 24. April 2026 jedoch ihr Veto ein. Sie
begründete dies damit, dass das Gesetz ein 550-Millionen-Dollar-Projekt auf dem
Gelände der früheren Androscoggin-Papierfabrik in Jay blockiert hätte. Dort
erwartet Mills mehr als 800 Baujobs, mindestens 100 feste Stellen und höhere
Steuereinnahmen. Das Veto blieb am 29. April 2026 bestehen. Statt des Gesetzes
setzte Mills per Erlass einen 15-köpfigen Beratungsrat ein, der bis Januar 2027
Empfehlungen für den Umgang mit großen Rechenzentren in Maine vorlegen soll.
Anzeige
DEC_D_Incontent-2

Quelle: the-decoder.de

Der KI-Chiphersteller Cerebras Systems plant seinen Börsengang an der Nasdaq
unter dem Kürzel CBRS. Die IPO-Roadshow soll am Montag starten, der Aktienpreis
wird zwischen 115 und 125 Dollar angepeilt, berichtet Reuters unter Berufung auf
eine informierte Quelle.
Laut Bloomberg könnte Cerebras bis zu 4 Milliarden Dollar einsammeln und eine
Bewertung von rund 40 Milliarden Dollar erreichen. Es ist der zweite Anlauf des
Unternehmens aus Sunnyvale, Kalifornien, nachdem ein erster IPO-Antrag im
Oktober zurückgezogen wurde.
Cerebras stellt sogenannte her, die das Training und vor allem die Ausführung
großer KI-Modelle beschleunigen, und konkurriert direkt mit Nvidia. Der Umsatz
stieg 2025 auf 510 Millionen Dollar, nach 290 Millionen im Vorjahr. Zudem wurde
erstmals ein Gewinn erzielt. Morgan Stanley, Citigroup, Barclays und UBS
begleiten den Börsengang.
Anzeige
DEC_D_Incontent-1
Anzeige

Quelle: the-decoder.de

OpenAI veröffentlicht mit Symphony eine Open-Source-Spezifikation samt
Referenzimplementierung, die Aufgaben-Tracker wie Linear zur Steuerzentrale für
Codex-Agenten macht: Die Agenten ziehen sich offene Tickets selbst. Menschen
reviewen vor allem die Ergebnisse, statt mehrere Sessions parallel zu steuern.
Bei einigen internen Teams ist die Zahl der zusammengeführten Pull Requests in
den ersten drei Wochen laut OpenAI auf das Sechsfache gestiegen. Auch
Linear-Gründer Karri Saarinen verwies nach dem Release auf einen Anstieg neu
angelegter Workspaces in seinem Projektplanungstool.
Das Prinzip dahinter ist simpel. Jedes offene Ticket wird einem mit separatem
Workspace zugeordnet, der so lange läuft, bis die Aufgabe erledigt ist. Aus dem
Aufgaben-Board werde damit eine Steuerzentrale für KI-Agenten.
Anzeige
Das Problem: Menschen kommen mit der KI nicht mehr hinterher
Anzeige
DEC_D_Incontent-1
Vor Symphony öffneten Entwicklerinnen und Entwickler bei OpenAI mehrere
Codex-Sitzungen parallel, verteilten Aufgaben und steuerten nach. Mehr als drei
bis fünf Sitzungen gleichzeitig waren in der Praxis kaum zu schaffen, ohne dass
das Umschalten zwischen den Kontexten die Produktivität bremste.
"Die Agenten waren schnell, aber wir hatten einen System-Engpass: menschliche
Aufmerksamkeit", schreiben die Entwickler. Man habe sich ein Team aus fähigen
Junior-Entwicklern gebaut und die menschlichen Kollegen dann zum Mikromanagement
abgestellt. Daraus folgte die Idee, das Vorgehen umzudrehen. Statt Sitzungen zu
betreuen, sollen Agenten ihre Arbeit selbst aus dem Tracker ziehen.
Anzeige
LINEAR WIRD ZUR STATE MACHINE
Symphony nutzt Linear als Zustandsautomaten. Tickets durchlaufen Status wie
"Todo", "In Progress", "Review" und "Merging". Das System beobachtet das Board
ununterbrochen und sorgt dafür, dass jedem aktiven Ticket ein Agent zugeordnet
ist. Bricht ein Agent ab oder bleibt er hängen, startet Symphony ihn neu.
Bearbeitet werden nur Tickets, die nicht blockiert sind. Dadurch lässt sich ein
Aufgabenbaum parallel abarbeiten. Als Beispiel nennt das Team ein React-Upgrade,
das erst nach einer vorgelagerten Migration zu Vite startete. Die Tickets können
dabei deutlich größer ausfallen als einzelne Code-Änderungen. Manche führen zu
mehreren Pull Requests in verschiedenen Repositories, andere bleiben reine
Recherche- oder Analyseaufgaben ohne Code.
Anzeige
DEC_D_Incontent-2
Stoßen die Agenten während der Arbeit auf Verbesserungen außerhalb des aktuellen
Tickets, etwa Performance-Probleme oder Möglichkeiten zum Refactoring, legen sie
selbst neue Tickets an. Auch Produktmanager und Designerinnen können laut OpenAI
Feature-Requests direkt einreichen und bekommen ein Review-Paket inklusive
Video-Walkthrough zurück, ohne das Repository auschecken zu müssen.
Anzeige
ZIELE STATT STARRER ABLÄUFE
Eine wichtige Erkenntnis aus der Entwicklung war, dass sich Agenten schlecht als
feste Knoten in einem Zustandsautomaten behandeln lassen. Die Modelle werden
besser und können größere Probleme lösen, als die Schablone vorsieht. Inzwischen
gibt das Team den Agenten lieber Ziele vor als strikte Abläufe, ähnlich wie eine
Führungskraft einem Mitarbeiter ein Ergebnis vorgibt, aber nicht jeden Schritt.
"Die Stärke der Modelle kommt aus ihrer Fähigkeit zu denken, also gebt ihnen
Werkzeuge und Kontext und lasst sie machen", so das Team.
IM KERN NUR EINE MARKDOWN-DATEI
Wer das Symphony-Repository öffnet, findet vor allem eine SPEC.md. Die
Markdown-Datei beschreibt das Problem und die gewünschte Lösung. Statt ein
komplexes Überwachungssystem zu bauen, gibt OpenAI eine Spezifikation an die
Hand, die Agenten selbst implementieren können. Die Referenzumsetzung ist in
Elixir geschrieben, einer Sprache mit guten Werkzeugen für nebenläufige
Prozesse. Codex baute diese Implementierung laut OpenAI in einem einzigen
Anlauf. Um die Spezifikation zu schärfen, ließ das Team Codex sie zusätzlich in
TypeScript, Go, Rust, Java und Python umsetzen.
Auch der Entwicklungs-Workflow – Ticket annehmen, Repository auschecken, Status
setzen, PR anhängen, Video beifügen – steckt in einer WORKFLOW.md, die Symphony
den Agenten als Anleitung mitgibt. Wer den Ablauf ändern will, ergänzt die Datei
und Symphony führt die Agenten an die neue Stelle.
GRENZEN, FORKS UND EIN HINWEIS AN DIE COMMUNITY
Nicht jede Aufgabe passt zu Symphony. Mehrdeutige Probleme oder Arbeit, die
Urteilsvermögen erfordert, übernehmen Entwickler weiterhin direkt in
interaktiven Codex-Sitzungen. Symphony soll vor allem die Routinearbeit
abfangen, damit sich Menschen auf jeweils ein schweres Problem konzentrieren
können.
OpenAI plant nicht, Symphony als eigenständiges Produkt zu pflegen, sondern
versteht es als Referenz. Die Community hat bereits Forks gebaut, etwa zu . Code
und Spezifikation stehen bereit.
Symphony ist eines von zahlreichen Agenten-Projekten bei OpenAI. Mitte April
brachte das , die ebenfalls von Codex angetrieben werden und komplexe
Team-Workflows automatisieren sollen. Sie verfügen über einen eigenen Workspace,
lassen sich in Slack einbinden und arbeiten auch dann weiter, wenn der Nutzer
offline ist.

Quelle: www.bigdata-insider.de

KI-FÄLSCHUNGEN SIND VISUELL KAUM NOCH ERKENNBAR WIE IT-FORENSIKER DEEPFAKES
AUFDECKEN
04.05.2026 Ein Gastbeitrag von Dr. Sascha Zmudzinski und Raphael Antonius Frick
6 min Lesedauer
Anbieter zum Thema
Bildmanipulation war früher Expertensache, heute kann mit KI-Tools fast jeder
täuschend echte Deepfakes erstellen. Laut TÜV-Verband ist bereits ein Viertel
der Nutzer auf KI-generierte Inhalte hereingefallen. IT-Forensiker setzen
deshalb auf neue Methoden wie Deep Learning und multimodale Analyse, um
Fälschungen aufzudecken.
Laut einer aktuellen ist ca. ein Viertel der Befragten bereits auf -generierte
Inhalte (Texte, Bilder, Videos, Audio) „hereingefallen“ und war dabei von deren
scheinbarer Echtheit überrascht. Über 90 Prozent geben an, dass es immer
schwerer wird, echte und KI-manipulierte Inhalte zu unterscheiden.
Für Unternehmen, Sicherheitsbehörden und die Gesellschaft bedeutet die Fälschung
digitaler Medien – oder schon der bloße Verdacht darauf – eine zunehmende
Bedrohung. Denn mit aktuellen KI‑Bearbeitungstools können etwa bestehende Bilder
und Videos tatsächlich nachträglich auf vielfältige Weise verändert oder neu
erzeugt werden:
* Objekte oder Personen lassen sich hinzufügen oder durch „Auffüllen“ entfernen
(Inpainting).
* Abgebildeten Personen kann in Videos mit der Synthese der Stimme eine
gefälschte Aussage in den Mund gelegt werden (Audio-Deepfakes per
Text-to-Speech oder Voice Conversion).
* Lippenbewegungen und Mimik lassen sich hierzu passend verändern, damit die
Fälschung nicht auffällt (multimodale Talking-Head-Angriffe).
* Das Gesicht einer Person kann durch das einer anderen Person ersetzt werden
(Face Swapping-Deepfakes).
* Bilder und Videos mit beliebigen Inhalten (Personen, Umgebungen) und
beliebigem Stil können komplett neu erzeugt werden (Vollsynthese).
Es ist möglich, einige dieser Tools durch manuelle Texteingaben oder mit
Input-Bildbeispielen als Vorlage zu steuern. Die Text-Prompts können dabei auch
mit Hilfe eines KI-Sprachmodells erzeugt und optimiert werden, um noch
realistischere Ergebnisse zu generieren.
Wie schnell sich KI-Fälschungstools entwickeln, zeigen folgende Beispiele
eindrucksvoll:
Im ersten Bild (erzeugt mit 1.4 aus dem Jahr 2022) sind noch viele deutliche
Artefakte zu sehen: verzerrte Details im Vorder- und Hintergrund, falsche
Proportionen der Person und eine falsche Anzahl von dargestellten Gliedmaßen.
Das zweite Bild (Stable Diffusion XL, 2023) wirkt schon wesentlich
realistischer, mit stimmigem Licht und besser erkennbaren Objekten und Personen.
Es weist jedoch bei genauer Betrachtung weiterhin Fehler in feinen Strukturen
sowie nach wie vor eine falsche Fingerzahl an den Händen auf.
Im dritten Bild (Flux.1 Dev, 2024) überzeugen vor allem Beleuchtung,
Tiefenschärfe und , also die charakteristische Unschärfe im Hintergrund. Burger
und Hintergrund erinnern stark an echte Fotos, sodass Laien das Bild kaum noch
als KI-generiert identifizieren können. Gleichzeitig erscheinen die Texturen
noch relativ flach, während Kontrast und Farbsättigung überbetont sind.
Das vierte Bild (Z-Image Turbo, 2025) wirkt schließlich wie eine typische
Smartphone-Aufnahme aus einem Schnellrestaurant. Es stellt eine glaubwürdige
Szenerie dar, mit korrekt dargestellten Personen im Hintergrund sowie stimmigen
Details und Farben. Eine rein visuelle Unterscheidung von realen Fotos ist kaum
mehr zuverlässig möglich und technische Erkennungsverfahren werden notwendig.
BILDFORENSIK ZUR ANALYSE DER PIXEL- UND METADATEN
Sind keine sichtbaren Artefakte erkennbar, können Experten mit spezieller Bild-
und Videoforensik-Software analysieren, was echt und was gefälscht ist. Hierzu
wird seit den 1990er Jahren in Forschung und Technik intensiv an Lösungen
gearbeitet, so auch an mehreren Instituten der Fraunhofer Gesellschaft.
Traditionelle technische Ansätze der „Multimedia-Forensik“ für Pixeldaten und
Metadaten sind u.a.
* Analyse auf statistische Inkonsistenzen zwischen verschiedenen Bildteilen:
Sind die Effekte z. B. der Bildkompression oder des Bild- und Sensorrauschens
in verschiedenen Bildteilen signifikant unterschiedlich?
* Erkennen duplizierter „Copy and Paste“-Bildbereiche: Gibt es detailreiche
Bildteile, die sich paarweise viel zu ähnlich sind, um aus der Aufnahme mit
einer echten Kamera zu stammen?
* Detektion, ob das gesamte Bild mehrfach komprimiert wurde: Ist eine
Originaldatei evtl. bearbeitet und daher beim erneuten Speichern erneut
komprimiert worden?
* Analyse der Metadaten zur Aufnahmesituation: Passen angebliche Angaben zur
Kameragerät, Objektiv, Aufnahmedatum etc. zu denen in anderen Bilddateien
oder zu bekannten Kontext-Informationen?
* Analyse der Dateistruktur: Passt die Reihenfolge typischer Datenbereiche in
einer Datei zu ihrer angeblichen Quelle, etwa zur Kamera, Smartphonegerät,
Social Media-Client etc.?
Viele dieser modellbasierten Ansätze werden stetig weiterentwickelt und an den
Stand in Wissenschaft und Technik angepasst. Sie haben auch in der heutigen
Bildforensik ihre Bedeutung, sind jedoch jeweils nur für eine spezifische
Angriffsart sensitiv.
MODERNE FORENSIK-METHODEN – KI GEGEN KI
Eine Antwort auf KI-generierte Fälschungen kommt ebenfalls aus der künstlichen
Intelligenz.
Forensik-Experten setzen heute auf spezielle -Architekturen, so etwa
„Convolutional Neural Networks" () und „Vision Transformers" (ViT). Die Eignung
bestehender Implementierungen und vortrainierter Modelle wird in der Forschung
und Tool-Entwicklung durch Experimente mit großen Testdatensätzen bewertet.
Diese KI-Ansätze können und müssen stetig mit vielseitigen Trainingsdaten
universeller auf unterschiedliche Manipulationstechniken weitertrainiert werden.
Darüber hinaus müssen neue Methodiken entwickelt werden, um die Detektion und
die Robustheit gegenüber neuen Entwicklungen der -Technologie weiter zu
verbessern.
Hierzu erstellt man Datensätze selbst, oder nutzt Sammlungen aus dem Internet
(„In the Wild") von aktiven Forschungsgruppen und Material aus internationalen
Forensik-Wettbewerben. Ein weiterer aktueller Ansatz hierzu ist die sogenannte
multimodale Analyse: Hierbei werden in Videoclips auch die Tonspur und die
Konsistenz zwischen Bild und Ton mittels Deep Learning-Classifiers analysiert.
In Forschungsprojekten entwickelt beispielsweise das Fraunhofer‑Institut für
Sichere Informationstechnologie (SIT), auf diese Weise Detektions-Algorithmen
stetig weiter und nutzt diese u.a. zur Aufklärung von Desinformation,
forensische Untersuchungen und Gutachten.
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 .
IMMER AUF DEM NEUESTEN STAND: WEITERBILDUNG ZUR ECHTHEITSPRÜFUNG FÜR
BILDMATERIAL
Das zuverlässige Erkennen KI-generierter Fälschungen ist für viele Berufsgruppen
unerlässlich. Dazu zählen Sicherheitsbeauftragte, die sich vor Betrugsversuchen
mit gefälschten Identitäten schützen müssen, ebenso wie Medienschaffende, die
für glaubwürdige Berichterstattung verantwortlich sind. Auch Ermittler sind
darauf angewiesen, Bildmaterial als Beweismittel auf Echtheit zu prüfen oder
dessen Herkunft, Bearbeitung und Verwendung zu analysieren. Darüber hinaus
spielt diese Kompetenz für Mitarbeitende in Behörden und Organisationen der
zivilen Sicherheit eine zentrale Rolle, um Desinformation und Fake News wirksam
entgegenzutreten.
Wichtig ist, stets auf dem aktuellen Stand zu Angriffstools und forensischen
Detektions­ver­fahren zu bleiben. Dazu bieten sich Weiterbildungen wie der
dreitägigen Kurs des Fraunhofer SIT an: Das Institut bindet stets aktuelle
Forschungsergebnisse in die Kursinhalte ein. Neben den theoretischen Grundlagen
lernen Teilnehmende praxisnah in Live-Demos und betreuten PC-Übungen,
Bildmaterial selbst auf Echtheit zu prüfen.
Wie das konkret aussehen kann, zeigt folgendes Beispiel einer Live-Demo: Ein
Demonstrator aus einem der laufenden Forschungsprojekte zeigt, wie erzeugt und
in Echtzeit-detektiert werden können. Wichtig ist es, dass Teilnehmende
Deepfake-Angriffe z. B. auf einen Video-Call selbst simulieren und auch die
Bildqualität der Angriffe und die Erkennungsraten der Deepfake-Detektion unter
verschiedenen Bedingungen selbst testen und „ausreizen“ (siehe Bild).
WEITERBILDUNG WIRD ZUM SICHERHEITSFAKTOR IN DER MEDIENFORENSIK
Die rasante Entwicklung KI-gestützter Manipulationen erschwert die sichere
Unterscheidung zwischen echten und gefälschten Medien. Klassische
bildforensische Methoden bleiben wichtig, müssen jedoch zunehmend durch
KI-basierte und multimodale Analysen ergänzt werden. Für Behörden, Unternehmen
und Medienschaffende ist es daher entscheidend, ihr Fachwissen regelmäßig zu
aktualisieren und moderne forensische Werkzeuge sicher einzusetzen, um
Manipulation und Desinformation wirksam zu erkennen.
Über die Autoren: Dr. Sascha Zmudzinski und Raphael Antonius Frick sind
Wissenschaftler am in Darmstadt in der Abteilung „Media Security and IT
Forensics“. Raphael Antonius Frick beschäftigt sich als Teil seiner For­schung
mit der Entwicklung neuartiger Erkennungsmethoden für KI-generierte und
ma­ni­pu­lier­te Bildern und Videos, sowie mit der multi-modalen Erkennung von
Falsch­in­for­ma­ti­o­nen in Sozialen Netzwerken. Sascha Zmudzinski koordiniert
das Wei­ter­bil­dungs­an­ge­bot des Instituts hierzu.
(ID:50829976)

Quelle: www.it-boltwise.de

NEW YORK / LONDON (IT BOLTWISE) – Citigroup treibt die mit zwei neuen
KI-Initiativen voran. Arc automatisiert interne Prozesse, während Citi Sky
vermögende Kunden berät. Diese Entwicklungen könnten die welt nachhaltig
verändern.
   ˗ˋˏ$ˎˊ˗
--------------------------------------------------------------------------------
* präsentiert von !
* Unsere täglichen KI-News von IT Boltwise® bei abonnieren!
* KI-Meldungen bequem via oder per erhalten!
* IT Boltwise® bei oder als Fan markieren und abonnieren!

* von IT Boltwise für KI-News speichern!
--------------------------------------------------------------------------------
Die Citigroup, eine der führenden US-Großbanken, hat mit der Einführung von zwei
innovativen KI-Initiativen einen bedeutenden Schritt in Richtung autonomer
Finanzsysteme unternommen. Mit den Plattformen Arc und Citi Sky zielt die Bank
darauf ab, weit über die Möglichkeiten herkömmlicher Chatbots hinauszugehen und
sowohl interne Prozesse als auch die Kundenberatung zu revolutionieren.
Arc, das seit dem 1. Mai intern verfügbar ist, integriert KI-Agenten in die
Arbeitsprozesse der Citigroup weltweit. Diese Plattform ermöglicht die
Automatisierung komplexer Arbeitsabläufe und hat bereits beeindruckende
Ergebnisse erzielt. Über 10.000 Entwickler nutzen fortschrittliche KI-Tools, um
beispielsweise jahrzehntealten Legacy-Code in Rekordzeit neu zu kartieren. Im
sbereich werden durch KI-Systeme sbestätigungen und Zinsprüfungen automatisiert,
was monatlich über 1.700 Arbeitsstunden einspart.
STELLENANGEBOTE
Auf der Kundenseite hat die Citigroup Citi Sky vorgestellt, einen KI-gestützten
Vermögensberater, der auf einer -Cloud-Konferenz in Las Vegas präsentiert wurde.
Entwickelt mit s Gemini-Plattform und DeepMinds Sprachmodellen, bietet dieser
Avatar natürliche Gespräche mit wohlhabenden Kunden. Der Rollout beginnt im
Sommer für Citigold-Kunden in den und soll menschliche Berater ergänzen, nicht
ersetzen.
Die Einführung dieser KI-Initiativen ist Teil einer umfassenden Strategie der
Citigroup, die IT-Infrastruktur zu modernisieren und die Produktivität zu
steigern. Rund 80 Prozent der 180.000 Mitarbeiter nutzen bereits interne
KI-Tools, was den Bedarf an externen Technologie-Dienstleistern reduziert. Ein
internes Programm mit 4.000 freiwilligen „KI-Champions“ unterstützt die Kollegen
bei der Integration der neuen Tools in ihren Arbeitsalltag.
Die Citigroup ist nicht allein in ihrem Vorstoß. Andere Großbanken wie und
JPMorgan setzen ebenfalls auf KI, um ihre Prozesse zu optimieren. Doch die neue
Technologie birgt auch Risiken, wie der Anstieg von Deepfake-Betrugsfällen
zeigt. Um dem entgegenzuwirken, investiert die Citigroup in biometrische
Lösungen zur Unterscheidung echter von synthetischen Stimmen.
Der Erfolg der KI-Strategie der Citigroup wird sich im Sommer zeigen, wenn die
Akzeptanz von Arc und die Resonanz auf Citi Sky bewertet werden. Die Bank setzt
fest auf KI als Wachstumstreiber und könnte sich damit als führende KI-Bank
etablieren. Die gesamte Branche beobachtet gespannt, ob die neuen Systeme die
Gedächtnisprobleme aktueller KI-Modelle lösen können und Finanzsysteme von
reinen Transaktionsschnittstellen zu proaktiven Assistenten weiterentwickeln.
💳
🔥
🎉
* 🤖 Präzisions-Roboterarm – Spielen wie gegen einen echten Gegner – SenseRobot
reproduziert das reale Schacherlebnis mit einem mechanischen Arm, der Figuren
mit weniger als 1 mm Genauigkeit bewegt und jeden Zug in nur 8 Sekunden
ausführt – im gleichen Tempo wie ein professioneller Spieler.
* NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und
Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen
Emotionen, Bewegungen und interaktiven Funktionen.
* IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist
ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine
Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er
auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
* V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von
Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung
hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und
anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen.
Mobile Hotspots können sich mit Loona verbinden und überwinden
WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren
können.
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 6 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 7 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 8 ᵃ⤻ᶻ «KI Gadgets»
Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des
letzten Tages per eMail - ohne Werbung:
--------------------------------------------------------------------------------

Quelle: www.bigdata-insider.de

MULTI-MODELL-ORCHESTRIERUNG PERPLEXITY MODEL COUNCIL IM UNTERNEHMEN NUTZEN
04.05.2026 Von 5 min Lesedauer
Model Council erweitert die Plattform von Perplexity AI um eine
Multi-Modell-Architektur, die mehrere führende LLMs parallel ausführt und deren
Ergebnisse strukturiert zusammenführt. Der Ansatz verschiebt den Fokus von
isolierten Einzelantworten hin zu vergleichbaren, nachvollziehbaren
Analyseergebnissen. Unternehmen erhalten damit ein Werkzeug, das
unterschiedliche Modellperspektiven sichtbar macht und in einen konsolidierten
Kontext einordnet.
adressiert ein strukturelles Problem generativer -Systeme. Unterschiedliche
Modelle liefern bei identischer Anfrage voneinander abweichende Resultate, da
sie Quellen unterschiedlich gewichten, Kontext variabel interpretieren und
eigene Annahmen einbringen. Einzelne Antworten vermitteln eine hohe Sicherheit,
obwohl konkurrierende Modelle zu anderen Ergebnissen gelangen. Model Council
integriert Vergleich und Bewertung direkt in den Anfrageprozess und reduziert
damit die Abhängigkeit von einer einzelnen Modellantwort.
TECHNISCHE UMSETZUNG UND ABLAUF
Eine Anfrage wird parallel an mehrere Modelle übergeben, darunter Claude Opus
4.6, GPT-5.2 und 3.x. Die Verarbeitung erfolgt asynchron. Jedes Modell erzeugt
eine vollständige Antwort unabhängig von den anderen Systemen. Anschließend
analysiert ein separates Synthese-Modell sämtliche Ergebnisse, identifiziert
Übereinstimmungen und Differenzen und erstellt eine konsolidierte Antwort.
Melden Sie sich an oder registrieren Sie sich und lesen Sie weiter
Um diesen Artikel vollständig lesen zu können, müssen Sie registriert sein. Die
kostenlose Registrierung bietet Ihnen Zugang zu exklusiven Fachinformationen.
Sie haben bereits ein Konto?

Quelle: www.bigdata-insider.de

KI-TRAINING GEGEN SELBSTÜBERSCHÄTZUNG MIT BRINGT SPRACHMODELLEN DAS ZWEIFELN BEI
04.05.2026 Von 2 min Lesedauer
Anbieter zum Thema
Standard-Reinforcement-Learning macht KI-Modelle leistungsfähiger, aber auch
übermütiger. MIT-CSAIL-Forscher ergänzen das Training um einen
Kalibrierungsterm, der Modelle zwingt, ihre eigene Unsicherheit mitzudenken. Der
Kalibrierungsfehler sinkt um bis zu 90 Prozent, die Genauigkeit bleibt stabil.
Aktuelle Reasoning-Modelle liefern bei komplexen Aufgaben bessere Ergebnisse als
ihre Vorgänger, schätzen ihre eigene Treffsicherheit aber schlechter ein.
Standardmäßiges (RL) belohnt korrekte Antworten, gibt dem Modell aber keinen
Anreiz, Unsicherheit auszudrücken. Das Ergebnis: Modelle raten selbstbewusst,
auch wenn sie falsch liegen.
Ein Team am MIT CSAIL um die Doktoranden Mehul Damani und Isha Puri , das dieses
Problem an der Wurzel angehen möchte. Die Methode ergänzt die Reward-Funktion um
einen Brier Score: ein Maß, das die Differenz zwischen der vom Modell
angegebenen Konfidenz und seiner tatsächlichen Genauigkeit bestraft. Sowohl
selbstbewusst falsche als auch unnötig unsichere korrekte Antworten kosten das
Modell Reward-Punkte.
ANDERER HEBEL ALS „HUMBLE AI“
Das MIT arbeitet an mehreren Ansätzen gegen -Selbstüberschätzung. Vor Kurzem
stellte eine andere MIT-Gruppe das BODHI-Framework unter dem Label vor, das
bestehende Modelle per Prompting-Layer zu vorsichtigerem Verhalten bewegt.
RLCR setzt tiefer an: Es verändert nicht das Verhalten eines fertigen Modells,
sondern den Trainingsprozess selbst. BODHI arbeitet qualitativ mit Rückfragen
und Flags, RLCR liefert quantitative Konfidenzwerte mit mathematischen
Garantien.
90 PROZENT WENIGER KALIBRIERUNGSFEHLER, NULL GENAUIGKEITSVERLUST
In Experimenten über mehrere Benchmarks hinweg reduzierte RLCR den
Kalibrierungsfehler um bis zu 90 Prozent, also die Lücke zwischen behaupteter
Konfidenz und tatsächlicher Trefferquote, . Die Ergebnisse hielten auch auf
Tasks, die das Modell im Training nie gesehen hatte. Zum Vergleich: Modelle, die
mit herkömmlichem RL trainiert wurden, zeigten eine schlechtere Kalibrierung als
die untrainierten Basismodelle.
„Das Standard-Trainingsverfahren ist einfach und leistungsstark, gibt dem Modell
aber keinen Anreiz, Unsicherheit auszudrücken oder ‚Ich weiß es nicht‘ zu sagen.
Also lernt das Modell, bei Unsicherheit zu raten“, sagt Mehul Damani, Doktorand
am MIT CSAIL. Isha Puri, ebenfalls Doktorandin am MIT CSAIL, ergänzt:
„Gewöhnliches RL-Training verbessert die Kalibrierung nicht nur nicht. Es
verschlechtert sie aktiv. Die Modelle werden leistungsfähiger und gleichzeitig
übermütiger.“
KONFIDENZWERTE ALS HEBEL BEI DER INFERENZ
Über das Training hinaus liefert RLCR auch bei der Inferenz einen praktischen
Nutzen. Wenn ein Modell mehrere Antwort-Kandidaten generiert, verbessert die
Auswahl der Antwort mit dem höchsten selbst angegebenen Konfidenzwert sowohl
Genauigkeit als auch Kalibrierung, und zwar mit steigendem Compute-Budget. Die
Forscher zeigten zudem, dass die Unsicherheitsüberlegungen des Modells
informativen Gehalt besitzen: Speist man sie als Input in nachgelagerte
Klassifikatoren ein, verbessert sich deren Performance, besonders bei kleineren
Modellen.
Die Forscher haben nach eigenen Aussagen formal bewiesen, dass die
RLCR-Reward-Struktur Modelle garantiert, die sowohl akkurat als auch kalibriert
sind. Das Papier von Damani, Puri, Stewart Slocum, Idan Shenfeld, Leshem
Choshen, Yoon Kim und Jacob Andreas wird auf der International Conference on
Learning Representations (ICLR) 2026 präsentiert.
(ID:50826193)

Quelle: www.it-boltwise.de

MUMBAI / LONDON (IT BOLTWISE) – Auf dem India AI Impact Summit hat Sam Altman,
CEO von , offenbart, dass einige Unternehmen Künstliche Intelligenz als Vorwand
für Entlassungen nutzen. Diese Praxis, bekannt als ‘AI Washing’, verschleiert
die wahren Gründe für Personalabbau und wirft Fragen über die tatsächlichen
Auswirkungen von KI auf den Arbeitsmarkt auf. Während einige Unternehmen KI für
Arbeitsplatzverluste verantwortlich machen, zeigen n, dass der Einfluss der
Technologie auf die Beschäftigung bislang begrenzt ist.
   ˗ˋˏ$ˎˊ˗
--------------------------------------------------------------------------------
* präsentiert von !
* Unsere täglichen KI-News von IT Boltwise® bei abonnieren!
* KI-Meldungen bequem via oder per erhalten!
* IT Boltwise® bei oder als Fan markieren und abonnieren!

* von IT Boltwise für KI-News speichern!
--------------------------------------------------------------------------------
Sam Altman, CEO von , hat auf dem India AI Impact Summit in Mumbai eine
kontroverse Praxis enthüllt, die als ‘AI Washing’ bekannt ist. Unternehmen
nutzen Künstliche Intelligenz als Vorwand, um Entlassungen zu rechtfertigen,
obwohl die tatsächlichen Gründe oft anders gelagert sind. Altman betonte, dass
es schwierig sei, den genauen Anteil dieser Fälle zu bestimmen, aber es sei
klar, dass nicht alle Arbeitsplatzverluste direkt auf KI zurückzuführen sind.
Die Diskussion über die Auswirkungen von KI auf den Arbeitsmarkt ist komplex und
von widersprüchlichen Daten geprägt. Eine des National Bureau of Economic
Research ergab, dass fast 90% der befragten Führungskräfte in den ,
Großbritannien, und Australien keinen signifikanten Einfluss von KI auf die
Beschäftigung in den letzten drei Jahren feststellen konnten. Dies steht im
Gegensatz zu den Warnungen einiger Technologieführer, die vor einem massiven
Verlust von Büroarbeitsplätzen durch KI warnen.
STELLENANGEBOTE
Einige Unternehmen, wie Snap, haben bereits Entlassungen mit der Einführung von
KI begründet. Der CEO von Snap, , kündigte im April an, dass etwa 16% der
Belegschaft abgebaut werden, wobei KI als Grund genannt wurde. Laut dem Future
of Jobs Report des Weltwirtschaftsforums erwarten rund 40% der Arbeitgeber, in
Zukunft ähnliche Schritte zu unternehmen.
Altman sieht jedoch auch positive Aspekte in der Entwicklung von KI. Er
erwartet, dass neue Arbeitsplätze entstehen werden, die die Technologie
ergänzen. Diese Entwicklung erinnert an frühere technologische Revolutionen, bei
denen neue Berufsfelder entstanden sind. Dennoch bleibt die Frage offen, wie
schnell und in welchem Umfang KI tatsächlich Arbeitsplätze beeinflussen wird.
Die Praxis des ‘AI Washing’ wird von Experten wie Martha Gimbel, der Direktorin
des Yale Budget Lab, kritisch gesehen. Sie argumentiert, dass Unternehmen oft
wirtschaftliche Herausforderungen und geopolitische Spannungen als Gründe für
Entlassungen verschleiern und stattdessen KI als Sündenbock nutzen. Dies
erinnert an die IT-Revolution der 1980er Jahre, als ähnliche Erwartungen an
Produktivitätssteigerungen nicht sofort erfüllt wurden.
Erik Brynjolfsson von der Stanford University sieht jedoch Anzeichen dafür, dass
KI langsam beginnt, die Produktivität zu steigern. Seine n zeigen, dass die
Produktivität im letzten Jahr um 2,7% gestiegen ist, was auf die Vorteile von KI
zurückzuführen sein könnte. Diese Entwicklungen könnten darauf hindeuten, dass
wir uns in einer Übergangsphase befinden, in der die Investitionen in KI bald
messbare Ergebnisse zeigen werden.
💳
🔥
🎉
* 🤖 Präzisions-Roboterarm – Spielen wie gegen einen echten Gegner – SenseRobot
reproduziert das reale Schacherlebnis mit einem mechanischen Arm, der Figuren
mit weniger als 1 mm Genauigkeit bewegt und jeden Zug in nur 8 Sekunden
ausführt – im gleichen Tempo wie ein professioneller Spieler.
* NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und
Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen
Emotionen, Bewegungen und interaktiven Funktionen.
* IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist
ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine
Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er
auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
* V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von
Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung
hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und
anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen.
Mobile Hotspots können sich mit Loona verbinden und überwinden
WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren
können.
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 6 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 7 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 8 ᵃ⤻ᶻ «KI Gadgets»
Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des
letzten Tages per eMail - ohne Werbung:
--------------------------------------------------------------------------------