Nachdem sie den DeepSeek-Schock 2025 verdaut hat, wiegt sich die westliche Welt in trügerischer Sicherheit. Doch während US-Labs um die Spitze der Sprachlogik kämpfen, führt China ein anderes Rennen an: die Industrialisierung von Künstlicher Intelligenz (KI) – und den Sprung in die physische Welt.

Graph-Datenbanken sollen KI-Ökosysteme anreichern, um die Ergebnisse von Analysen zu verbessern. Der Ansatz könnte Neo4j ermöglichen, massiv von Künstlicher Intelligenz (KI) zu profitieren.

Für viele Cybersicherheitsexperten gilt das Jahr 2024 als Wendepunkt im digitalen Betrug. Durch Fraud-as-a-Service-Plattformen und fertige Toolkits sank die Einstiegshürde für Identitätskriminalität massiv. Doch während die schiere Masse an Angriffsversuchen weltweit weiterhin Millionen erreicht, findet aktuell eine weitaus gefährlichere Transformation von simplen, massenhaften Attacken zu hochgradig professionellen, KI-gesteuerten Operationen statt.

Die Linux Foundation hat von verschiedenen großen Anbietern aus der KI-Branche insgesamt 12,5 Mio. US-Dollar an Fördergeldern zur Bekämpfung von sogenanntem KI-Slop eingefahren. Die Förderung soll Maintainer von Open-Source-Projekten entlasten, KI-generierte Security-Meldungen besser beherrschbar machen und Open-Source-Projekte langfristig widerstandsfähiger aufstellen.

Wer KI produktiv einsetzen will, muss zuerst das Fundament modernisieren. Die NTT Data Group sieht in Netzwerkarchitekturen den entscheidenden Hebel für Performance, Sicherheit und Skalierbarkeit von KI-Workloads.

Mit dem Forschungs- und Innovationszentrum (FIZ) „Chip AI“ erweitern die Fraunhofer HNFIZ ihr Portfolio um Chipdesign für und mit KI. Ziel ist eine leistungsfähige Plattform für energieeffiziente Hardware und technologische Souveränität in Europa.

Wie Multi-Hart-RISC-V (PIC64GX) Linux und RTOS im gleichen Coreplex vereint, Cache-Jitter über LIM entschärft und Edge-KI sowie sicherheitskritische Steuerungen deterministisch auf einem Chip ermöglicht.

Das Leuchtturmprojekt „Nadiki“ erfasst den Ressourcenverbrauch von KI-Anwendungen und macht sie damit transparenter. Das Projektteam prüft zudem die Möglichkeit eines Umweltsiegels für nachhaltige Künstliche Intelligenz (KI).

Graph-Datenbanken sollen KI-Ökosysteme anreichern, um die Ergebnisse von Analysen zu verbessern. Der Ansatz könnte Neo4j ermöglichen, massiv von Künstlicher Intelligenz (KI) zu profitieren.

Datenströme sind von wesentlicher Bedeutung für IT-Systeme, die Echtzeitdaten verarbeiten und entsprechende Informationen an Endverbraucher wie etwa Aktienmärkte liefern sollen. RisingWave, in diesem Umfeld ein Mitbewerber von Confluent, setzt eine verteilte SQL Engine für die Stream-Verarbeitung ein und ist mit dem quelloffenen Postgres-Ökosystem verzahnt. Kürzlich stellte der Anbieter seine Roadmap für 2026 vor.

Mit einer lokalen Präsenz in München bringt Factor House Software für Kontrolle und Überwachung von Kafka- und Flink-Umgebungen nach Deutschland. Der Ansatz: nicht selbst streamen, sondern bestehende Systeme beherrschbar machen.

Streaming-Plattformen wie Apache Kafka gelten als Rückgrat moderner Datenarchitekturen. Doch mit wachsendem Datenvolumen steigt auch der Energiebedarf. Confluent bringt nun ein Konzept ins Spiel, das Nachhaltigkeit und Datenarchitektur zusammenführen soll: GreenOps für Streaming-Systeme.

Graph-Datenbanken sollen KI-Ökosysteme anreichern, um die Ergebnisse von Analysen zu verbessern. Der Ansatz könnte Neo4j ermöglichen, massiv von Künstlicher Intelligenz (KI) zu profitieren.

Datenströme sind von wesentlicher Bedeutung für IT-Systeme, die Echtzeitdaten verarbeiten und entsprechende Informationen an Endverbraucher wie etwa Aktienmärkte liefern sollen. RisingWave, in diesem Umfeld ein Mitbewerber von Confluent, setzt eine verteilte SQL Engine für die Stream-Verarbeitung ein und ist mit dem quelloffenen Postgres-Ökosystem verzahnt. Kürzlich stellte der Anbieter seine Roadmap für 2026 vor.

Daten sind strategische Assets – dazu gibt es keine zweite Meinung. Dennoch werden sie oft nur intern genutzt, statt sie in bare Münze umzuwandeln. Viele Unternehmen erkennen zwar die Potenziale der Monetarisierung ihrer Daten, scheitern aber an der Umsetzung. Schlummernde Business-Werte heben zu können, erfordert hier wie dort ein Umdenken.

OpenAI integriert seine KI-Modelle nativ in Snowflakes Datenplattform. Für Unternehmen verschiebt sich damit der Einsatz von KI: weg vom Experiment am Rand, hin zur festen Infrastrukturkomponente.

Daten sind strategische Assets – dazu gibt es keine zweite Meinung. Dennoch werden sie oft nur intern genutzt, statt sie in bare Münze umzuwandeln. Viele Unternehmen erkennen zwar die Potenziale der Monetarisierung ihrer Daten, scheitern aber an der Umsetzung. Schlummernde Business-Werte heben zu können, erfordert hier wie dort ein Umdenken.

Im Interview erläutert Nikolas Fleschhut, Director HRtbeat und Mitglied der Geschäftsleitung der Vogel Communications Group, den aktuellen Status in Sachen Fachkräftemangel in der IT – und gibt Tipps, wie Unternehmen mit der Situation umgehen sollten.

Die Gewinner der IT-Awards 2025 stehen fest. Im Herzen Augsburgs wurden am 23. Oktober 2025 die Sieger der Readers' Choice Awards der sechs Insider-Portale im Rahmen einer festlichen Gala ausgezeichnet.

Die Spannung steigt: Heute Abend werden die IT-Awards 2025 verliehen. Bereits zum elften Mal haben die sechs Insider-Portale der Vogel IT-Medien ihre Leserinnen und Leser dazu aufgerufen, ihre Favoriten unter den IT-Anbietern und Herstellern zu wählen.

Zur GTC 2026 im kalifornischen San José (16. bis 19. März), einer der weltweit wichtigsten Konferenzen zum Thema KI, wechseln Leuchtturmprojekte von der Simulation in den realen Lagerbetrieb. Kion präsentiert in den USA dazu zwei zentrale Anwendungen.

Siemens und Palo Alto Networks kombinieren ihre Stärken, um für die Industrie sichere 5G-Netzwerke bereitzustellen. Die Lösung ist ab sofort verfügbar.

Chatbots, selbstlernende Roboter, automatische Übersetzungen: KI ist in der Produktion angekommen. Doch wie verändert sie Arbeit und Betriebskultur?

Die Maschinen in den Werkhallen schweigen nicht mehr. Dank moderner Protokolle und Gateways produzieren sie kontinuierlich Daten. Doch oft fehlt das Verständnis für diese und Unternehmen ertrinken in Informationen, ohne dass Nutzen generiert wird.

Endpunkte umfassen heute weit mehr als klassische PCs: mobile Geräte, IoT- und Edge-Systeme, Server und Cloud-Workloads erweitern die Angriffsfläche erheblich. Gleichzeitig entwickeln sich Bedrohungen zunehmend dynamisch, polymorph und teils dateilos. Klassische Antivirus-Ansätze stoßen hier strukturell an Grenzen. Dennoch setzen laut einer IDC-Studie von 2025 zum Beispiel im Finanzsektor noch 81 Prozent der Unternehmen primär auf reine Signaturmodelle.

Generative Systeme sind längst Teil des Arbeitsalltags geworden. Verträge werden geprüft, Code analysiert, Präsentationen erstellt und interne Prozesse zusammengefasst. Was dabei oft unterschätzt wird: Mit jeder Eingabe werden Daten bewegt. Nicht im Rahmen eines Angriffs, sondern im normalen Arbeitsablauf. Die entscheidende Frage ist daher nicht, ob KI genutzt wird. Sie lautet vielmehr: Wie können Unternehmen sicherstellen, dass KI sicher, transparent und im Einklang mit ihrer Risikobereitschaft eingesetzt wird?

Für viele Cybersicherheitsexperten gilt das Jahr 2024 als Wendepunkt im digitalen Betrug. Durch Fraud-as-a-Service-Plattformen und fertige Toolkits sank die Einstiegshürde für Identitätskriminalität massiv. Doch während die schiere Masse an Angriffsversuchen weltweit weiterhin Millionen erreicht, findet aktuell eine weitaus gefährlichere Transformation von simplen, massenhaften Attacken zu hochgradig professionellen, KI-gesteuerten Operationen statt.

KI-generierte Bilder und Videos gefährden demokratische Prozesse und untergraben das Vertrauen in der Gesellschaft. Forscher der ETH Zürich haben nun eine Chip-Technologie entwickelt, die es ermöglicht, die Authentizität von Sensordaten wie Bildern und Videos überprüfbar zu machen.

Schätzungen zufolge leben weltweit über 300 Millionen Menschen mit einer seltenen Erkrankung. Geringe öffentliche Aufmerksamkeit und fehlende medizinische Studien erschweren die Diagnose. Cloud und KI können ein Ausweg sein.

Endpunkte umfassen heute weit mehr als klassische PCs: mobile Geräte, IoT- und Edge-Systeme, Server und Cloud-Workloads erweitern die Angriffsfläche erheblich. Gleichzeitig entwickeln sich Bedrohungen zunehmend dynamisch, polymorph und teils dateilos. Klassische Antivirus-Ansätze stoßen hier strukturell an Grenzen. Dennoch setzen laut einer IDC-Studie von 2025 zum Beispiel im Finanzsektor noch 81 Prozent der Unternehmen primär auf reine Signaturmodelle.

Einen Job wählen, der Zukunft hat – das wollen die meisten. Worauf hierbei Berufseinsteigende sowie alle, die sich im Arbeitsleben neu orientieren möchten, achten sollten.

Generative Systeme sind längst Teil des Arbeitsalltags geworden. Verträge werden geprüft, Code analysiert, Präsentationen erstellt und interne Prozesse zusammengefasst. Was dabei oft unterschätzt wird: Mit jeder Eingabe werden Daten bewegt. Nicht im Rahmen eines Angriffs, sondern im normalen Arbeitsablauf. Die entscheidende Frage ist daher nicht, ob KI genutzt wird. Sie lautet vielmehr: Wie können Unternehmen sicherstellen, dass KI sicher, transparent und im Einklang mit ihrer Risikobereitschaft eingesetzt wird?

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.