Mit „Joule Work“ will SAP persönliche Arbeitsbereiche für Endbenutzer seiner Künstlichen Intelligenz (KI) SAP Joule einführen. Joule ist der KI-gestützte Assistent, der Applikations-übergreifend automatisierte Aufgaben erledigt, mit SAP- und Non-SAP-Daten. Er ist mit Workflow-orientierten AI Agents und rollenspezifischen AI Assistants verknüpft. Durch SAP Joule Work lässt sich Joule auf dem Desktop, als Mobile App und als Webclient installieren und personalisieren.

KI-Assistenten sind mittlerweile im beruflichen Alltag angekommen. Doch die wenigsten machen sich Gedanken darüber, wie die Technologie überhaupt präzise und korrekte Antworten auf Fragen liefern kann. Dahinter steckt ein komplexes System, das weit mehr macht, als Dokumente nach Buzzwords zu durchsuchen.

KI-Agenten übernehmen im Kaufprozess zunehmend operative Aufgaben: Von Preisvergleichen über die Produktauswahl bis hin zu Kaufabschlüssen. Was lange als Zukunftsszenario galt, wird messbar und verändert die Wettbewerbslogik im Handel grundlegend.

Die Automatisierung in der Softwareentwicklung erreicht die nächste Stufe. Es reicht nicht mehr aus, einzelne Code-Zeilen durch Künstliche Intelligenz (KI) ergänzen oder einfache Programme automatisch generieren zu lassen. Agentische Entwicklungsplattformen versprechen mehr: Sie fungieren in unübersichtlichen Systemen als Lotse für die Entwicklungsteams und übernehmen als digitale Partner komplette Aufgabenpakete.

Viele Unternehmen stehen derzeit vor einer weitreichenden Entscheidung für ihre zukünftige Daten- und Analytics-Landschaft. Das Supportende von SAP BW 7.5 Ende 2027 rückt näher und macht eine Modernisierung der bestehenden Business-Warehouse-Umgebungen unumgänglich. Mit BW/4HANA und der Business Data Cloud (BDC) stehen zwei Lösungsansätze zur Verfügung, die unterschiedliche strategische Zielbilder verfolgen.

Mit dieser Folge startet die neue Podcast-Serie „Irgendwas mit IT – Fakten, Perspektiven, Hintergründe“. Im Auftakt geht es um digitale Souveränität – ein vielschichtiges Thema, das unsere Fachredaktionen aus unterschiedlichen Blickwinkeln beleuchten.

Unternehmen agieren in einem anspruchsvolleren Umfeld als je zuvor: Die Kapitalanlage ist heute komplexer denn je, die Regulierung ist strenger, Kunden, Aktionäre sowie Vorstände erwarten schnellere und fundiertere Entscheidungen. Gleichzeitig sehen sich viele Unternehmen mit Personalmangel und anhaltendem Druck konfrontiert, ihre operative Effizienz und Kapitalauslastung zu verbessern.

IT-Budgets steigen seit Jahren, doch die operative Produktivität tritt in vielen Unternehmen auf der Stelle. Dieses Phänomen hat einen ökonomischen Namen: das Solow-Paradoxon. Der Nobelpreisträger Robert Solow stellte bereits 1987 fest, dass sich Computerinvestitionen überall zeigen – nur nicht in den Produktivitätsstatistiken. Knapp vier Jahrzehnte später wiederholt sich der Effekt unter neuen Vorzeichen, denn die Komplexität moderner IT-Landschaften neutralisiert die Effizienzgewinne, die einzelne Tools versprechen.

Unternehmen investieren in Data Products und Data Marketplaces, um Daten effizienter bereitzustellen und neue datengetriebene Geschäftsmodelle zu ermöglichen. In der Praxis zeigt sich jedoch häufig, dass technische Plattformen allein nicht ausreichen. Fehlende Transparenz, unklare Verantwortlichkeiten und schwankende Datenqualität erschweren die Wiederverwendung von Datenprodukten und mindern das Vertrauen der Konsumenten. Genau hier setzen Data Contracts an. Sie machen aus einer technischen Datenlieferung ein belastbares Produktversprechen und bilden das Fundament skalierbarer, vertrauenswürdiger Datenökosysteme.

Das Deep-Tech-Unternehmen The Green Bridge will Daten aus unterschiedlichen Fachsystemen über räumlich-zeitliche Identifikatoren zusammenführen, ohne sie aus ihren Ursprungssystemen zu lösen. Die Technologie soll die Datenbasis für KI-Anwendungen und Automatisierung schaffen – bei gleichzeitiger Datenhoheit der Unternehmen.

Die größte Hürde beim Sprung von KI-Piloten in den Produktivbetrieb sei nicht das Modell, sondern die Datenschicht darunter. Mit der allgemeinen Verfügbarkeit seiner AI Data Plane will Couchbase genau dieses Fundament für agentische Anwendungen liefern. Erstmals steht die Plattform auch für selbst verwaltete Installationen bereit.

Unternehmen investieren in moderne Dateninfrastrukturen: Data Lakes, Stream-Processing-Plattformen oder KI-gestützte Analysewerkzeuge. Doch während die Technologie Stacks immer leistungsfähiger werden, liegt ein erheblicher Teil der unternehmenseigenen Informationen nach wie vor in Papierform in Regalen, Ordnern und Archivkartons: Rechnungen, Lieferscheine, technische Zeichnungen, Personaldokumente und Verträge. Diese Datenmengen sind real, wertvoll und in den meisten Datenstrategien schlicht nicht vorhanden.

In Unternehmen bilden geschäftskritische Anwendungen das Rückgrat vieler Geschäftsprozesse. Diese operativen Systeme generieren kontinuierlich große Datenmengen, die zur Steuerung von Prozessen, Anwendungen und Services genutzt werden können. In der Praxis sind diese Anwendungsdaten jedoch häufig über eine Vielzahl von Systemen verteilt und in Silos eingeschlossen. Hinzu kommt, dass sich die Daten oft nur schwer aus den zugrunde liegenden Anwendungsdatenbanken oder aus den SaaS-Diensten extrahieren lassen, in denen sie gespeichert sind.

Unternehmen agieren in einem anspruchsvolleren Umfeld als je zuvor: Die Kapitalanlage ist heute komplexer denn je, die Regulierung ist strenger, Kunden, Aktionäre sowie Vorstände erwarten schnellere und fundiertere Entscheidungen. Gleichzeitig sehen sich viele Unternehmen mit Personalmangel und anhaltendem Druck konfrontiert, ihre operative Effizienz und Kapitalauslastung zu verbessern.

Denodo hat seine Datenmanagement-Plattform auf Version 9.5 aktualisiert. Neu sind ein erweiterter Enterprise Knowledge Graph, zentral definierbare Metric Views und ein dialogfähiger Denodo-Assistant.

Mit dem Summer Release 2026 führt Akeneo eine agentische Bedienebene in seine Product Cloud ein. Nutzer sollen Produktdaten künftig über natürliche Sprache steuern, statt Workflows manuell zu konfigurieren. Der Anbieter positioniert die Neuerung ausdrücklich als Governance-gebundene Automatisierung. Der Druck dazu entsteht aus der KI-gestützten Produktsuche selbst.

Wenn Unternehmen heute über Transformation sprechen, geht es meist um neue Technologien, Künstliche Intelligenz (KI) oder digitale Geschäftsmodelle. Deutlich seltener wird thematisiert, warum viele dieser Vorhaben trotz hoher Investitionen hinter den Erwartungen zurückbleiben. Denn in den meisten Fällen scheitern Projekte nicht an der Technologie selbst. Sie scheitern daran, dass Organisationen die zunehmende Komplexität ihres Umfelds unterschätzen.

Als SupplyX sein Transportmanagement-System (TMS) ersetzen wollte, zeigte die Analyse den eigentlichen Engpass: fragmentierte Daten und uneinheitliche Prozesse. Ein Praxisbericht über die Datenarbeit, die jeder produktiven KI vorausgeht.

WWF Singapore und das Cisco-Unternehmen Splunk übertragen die Logik eines Security Operations Centers auf den Artenschutz. Das geplante Wildlife Protection Operations Center soll vorhandene Felddaten in Echtzeit auswerten und Ranger gezielter steuern. Bislang handelt es sich um ein Konzept ohne abgeschlossenen Feldtest.

Trotz hoher Investitionen in Daten und KI bleiben Marketing-Erfolge oft aus. Lutz Klaus zeigt in seinem Fachbuch, warum der Mensch der entscheidende Erfolgsfaktor ist. IT-BUSINESS verlost drei Exemplare.

Der KI-Boom endet nicht beim Chipdesign, sondern reicht bis tief in die Fertigungskette hinein, wo hochpräzise Komponenten für Halbleiteranlagen entstehen. Für Zulieferer steigen die Anforderungen an Präzision und Prozesssicherheit. Digitale Zwillinge und Automation können helfen, diesen Druck in beherrschbare Abläufe zu übersetzen.

Batteriegroßspeicher enthalten zehntausende von Einzelzellen. Ein neues Computermodell erlaubt eine frühzeitige Fehlerdiagnose und verhindert so unerwartete Systemausfälle.

Cyberangriffe auf Produktionsanlagen folgen inzwischen der ökonomischen Logik der Massenfertigung. Wie die Ergebnisse des Cloudflare Threat Report 2026 belegen, operieren Cyberkriminelle heute flächendeckend mit hochskalierbaren, automatisierten Geschäftsmodellen. Der klassische, individuell gesteuerte Hack gehört der Vergangenheit an.

Sieben Anwendungsfälle zeigen, wie KI konkreten Nutzen in der Produktion stiftet – von der vorausschauenden Wartung bis zur agentenbasierten Konstruktion.

In den vergangenen Monaten hat die Cybersicherheit einen kritischen Wendepunkt erreicht. Aktuelle Frontier-KI-Modelle können Schwachstellen im Code erstaunlich zuverlässig erkennen und daraus nahezu in Echtzeit konkrete Angriffspfade ableiten. Manche Modelle sind dabei so leistungsfähig, dass der Zugriff auf sie zurzeit auf eine kleine Gruppe vertrauenswürdiger Partner beschränkt ist. Der Grund dafür: Sicherheitslücken sollen gefunden und geschlossen werden, bevor Angreifer sie entdecken und ausnutzen.

Künstliche Intelligenz dringt in immer mehr Branchen und Lebensbereiche vor. Die Bundesregierung hat jetzt ein Institut, das sich mit Fragen der KI-Sicherheit beschäftigt, aus der Taufe gehoben. Das KI-Sicherheitsinstitut nimmt jetzt seine Arbeit auf.

Künstliche Intelligenz (KI) verändert Cyberangriffe und setzt klassische Sicherheitsmodelle unter Druck. Unternehmen brauchen verhaltensbasierte Analysen und eindeutige Identitäten für KI-Agenten.

Mit den Small Language Models „Antares“ bietet Cisco eine kostengünstige Möglichkeit zur Lokalisierung von Schwachstellen im Quellcode. Die Modelle stehen als Open-Weight-Version auf Hugging Face bereit.

Salesforce setzt in seiner Strategie auf die eigene Plattform und Offenheit gegenüber anderen Frontends sowie unterschiedlichen KI-Modellen, wie Deutschland-Chef Alexander Wallner erklärt. Für die notwendige Datengrundlage müssen Unternehmen noch nicht einmal aufräumen.

Wenn Unternehmen heute über Transformation sprechen, geht es meist um neue Technologien, Künstliche Intelligenz (KI) oder digitale Geschäftsmodelle. Deutlich seltener wird thematisiert, warum viele dieser Vorhaben trotz hoher Investitionen hinter den Erwartungen zurückbleiben. Denn in den meisten Fällen scheitern Projekte nicht an der Technologie selbst. Sie scheitern daran, dass Organisationen die zunehmende Komplexität ihres Umfelds unterschätzen.

Cloudflare stellt mit Cloudflare OS eine quelloffene Arbeitsumgebung vor, mit der Unternehmen jedem Beschäftigten einen eigenen KI-Agenten samt Workspace bereitstellen können. Der eigentliche Hebel ist weniger der Agent selbst als das Berechtigungsmodell darunter: Es soll nach Angaben des Anbieters protokollieren, welche Daten ein Agent tatsächlich gesehen hat, und daran knüpfen, wer die Ergebnisse anschließend einsehen darf.

IBM stellt mit Apptio AI Value & ROI eine neue Lösung vor, die KI-Ausgaben und Token-Kosten direkt mit messbaren Geschäftsergebnissen verknüpft. Die Lösung ergänzt IBM Apptio Costing Standard und IBM Apptio AI TCO & Usage um neue Funktionen.

Eine Artificial Superintelligence (ASI) ist eine softwarebasierte Künstliche Intelligenz, die die menschliche Intelligenz bei weitem übertrifft. Sie ist derzeit noch rein hypothetisch. Ihre Realisierung würde die technologische Singularität auslösen und einen Wendepunkt für die menschliche Zukunft bedeuten.

Während heutige KI-Systeme als „schwache“ oder „schmale“ Intelligenz hochspezialisierte Aufgaben lösen, zielt die Forschung bei der Artificial General Intelligence (AGI) auf ein System ab, das über kognitive Fähigkeiten verfügt, die denen des Menschen ebenbürtig oder überlegen sind. Eine solche „starke KI“ könnte unabhängig von ihrer Programmierung neues Wissen erwerben und komplexe Probleme über verschiedene Domänen hinweg lösen.

Ein Small Language Model (SLM) ist ein kleines Sprachmodell. Es verarbeitet und generiert natürliche Sprache, hat aber weniger Parameter im Vergleich zu großen Sprachmodellen. Small Language Models benötigen weniger Rechenleistung, arbeiten oft lokal auf Geräten und sollen dennoch natürliche Sprache verstehen und erzeugen. Ein Small Language Model ist für spezialisierte Aufgaben nutzbar und kann lokal auf ressourcenbeschränkten Geräten betrieben werden.

Large Language Models sind große generative Sprachmodelle mit Künstlicher Intelligenz (KI), die mit riesigen Mengen an Textdaten vortrainiert sind. Sie basieren auf neuronalen Netzen, in der Regel in Transformer-Architektur, und besitzen viele Milliarden Parameter. LLMs können natürliche Sprache verarbeiten, verstehen und generieren.