KI-Workloads kehren in deutsche Unternehmen zurück: Eine Cloudian-Studie nennt Kosten, Echtzeit-Anforderungen und Regulierung als Treiber. Fast LTA sieht darin vor allem eine Compliance-Frage – und setzt auf lokal geplante Infrastruktur.

Seit Ende des vergangenen Jahres steht die Enterprise-Software-Branche an den Kapitalmärkten unter wachsendem Druck. Viele Investoren befürchten, dass KI-Agenten die klassischen Systeme zukünftig zunehmend verdrängen und Unternehmen dadurch weniger Lizenzen benötigen werden. Tatsächlich verhält es sich jedoch genau umgekehrt, denn je autonomer KI agiert, desto stärker ist sie auf genau das angewiesen, was tief integrierte ERP-Systeme seit Jahrzehnten leisten.

Der ChatGPT-Entwickler OpenAI veröffentlicht sein bisher leistungsstärkstes KI-Modell und hebt nach der Aufregung um Hacking-Attacken durch Künstliche Intelligenz verstärkte Sicherheitsvorkehrungen hervor.

Google verschmilzt Vertex AI und Agentspace zur Gemini Enterprise Agent Platform und bündelt Bau, Betrieb und Kontrolle autonomer Agenten. Neben Gemini Pro läuft Anthropics Claude Opus gleichberechtigt. Der Beitrag zeigt, welche Governance-Funktionen die Plattform bietet und wo sie gegen Microsoft und AWS steht.

Gartner prognostiziert für 2026 weltweite IT-Ausgaben von 6,31 Billionen US-Dollar. Der zentrale Kostentreiber sind KI-Projekte: Sie erhöhen den Bedarf an Rechenzentren, Speicher und leistungsfähigen Geräten – und verteuern damit die IT spürbar. Viele Unternehmen geraten dadurch unter Investitionsdruck, obwohl sich ihr künftiger IT-Bedarf noch nicht eindeutig abzeichnet. Nutzungsmodelle schaffen Spielraum, um Budgets zu entlasten und KI-Investitionen besser zu steuern.

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.

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.

Am Fraunhofer IWU soll eine Plattform namens Orcha-3 zeigen, dass agentische KI mehr kann als Kundenservice und Coding: Sie zerlegt offene Produktionsfragen selbstständig in Arbeitsschritte, weist diese spezialisierten Agenten zu und entscheidet nach jeder Auswertung neu, wie es weitergeht. Der Clou für die Industrie liegt weniger in der Autonomie als in der Nachvollziehbarkeit.

Mikroskope, Roboterarme und Liquid Handler sollen künftig ohne Einzelanbindung mit KI-Agenten sprechen. Anthropic schlägt mit dem Model Hardware Standard dafür eine neue, eigene Spezifikation vor.

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.

Machine-Learning-Systeme erkennen Abweichungen im Produktionsnetz und brauchen dafür sechs bis zwölf Monate Lernzeit. KI-Agenten werten Meldungen aus und schlagen Maßnahmen vor. Der Beitrag zeigt, welche Werkzeuge schon möglich sind, wo die Ausführung an einer Freigabe hängt und welche Rechtetrennung Fremdsysteme schützt.

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.

Am 2. August sind neue Vorgaben des EU AI Acts in Kraft getreten, die auch IT-Verantwortliche im Service-Management vor neue Herausforderungen stellen. Am zweiten Dezember endet die Übergangsphase – spätestens dann müssen Unternehmen die neuen Regeln operativ beachten. Aber was bedeuten diese für den Einsatz von Künstlicher Intelligenz (KI) im Service-Management?

NSA, CISA und FBI beschuldigen DeepSeek, Alibaba, Moonshot AI, MiniMax, StepFun und Z.AI, seit Ende 2024 systematisch Ausgaben US-amerikanischer Spitzenmodelle abgeschöpft zu haben. Für den Nachweis liefern die Behörden bislang keine öffentlich prüfbaren technischen Belege. Peking weist die Vorwürfe scharf zurück. Für Anwender offener chinesischer Modelle bleiben Fragen zur Datenherkunft.

Nach einem schmerzhaften Stellenabbau setzt der Übersetzungsspezialist DeepL verstärkt auf KI-Lösungen für Firmenkunden, die auch den Tonfall berücksichtigen sollen. Wie der Kölner KI-Vorreiter sich gegen große US-Konkurrenten behaupten will.

Erst trat GLM-5.3-Flash anonym als „Ox Alpha“ gegen andere KI-Modelle an, dann legte Zhipu AI die Karten auf den Tisch: Der gesamte Datenverkehr soll auf mehr als 100.000 chinesischen KI-Chips gelaufen sein. Eine eigene Inferenz-Engine soll dabei helfen, deren Speicherengpässe zu umgehen.

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.