Künstliche Intelligenz

Hinter „Turboquant“ von Google steht ein Quantisierungsverfahren, das den Speicherbedarf großer Sprachmodelle deutlich reduzieren soll. Ziel ist effizientere KI-Infrastruktur mit schnellerer Inferenz und geringeren Hardware-Anforderungen.

Large Language Models beeinflussen nicht nur Inhalte, sondern den Rahmen, in dem sie erscheinen. Eine Studie der TU Berlin zeigt, wie KI-Systeme Perspektiven gewichten und damit Meinungen leise verschieben.

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.

KI-Projekte scheitern selten am Modell – häufig an Datenstrukturen, die sich still verändern. Data Contracts und versionierte Datenmodelle schaffen die Stabilität, die Analytics und Künstliche Intelligenz (KI) dauerhaft brauchen.

Das dürfte für die Anwender eine gute Nachricht sein: Large Language Modelle (LLMs) werden im Jahr 2030 bis zu 100-mal kosteneffizienter sein als die ersten Modelle vergleichbarer Größe aus dem Jahr 2022, sagen Analysten von Gartner voraus.

Wer Nutzern zeigt, wie viel Strom ein KI-Modell verbraucht, beeinflusst damit auch ihre Qualitätswahrnehmung, selbst wenn beide Modelle technisch identisch sind. Was eine neue Studie über Energiekennzeichnung herausfand, hat direkte Konsequenzen für KI-Deployments im Unternehmen.

Der Stanford AI Index Report 2026 zeigt: Die Leistungsfähigkeit von KI-Modellen explodiert. Die Benchmarks, mit denen wir sie bewerten, kommen allerdings nicht mehr hinterher.

TrendAI integriert die Claude-Modelle von Anthropic in seine Cybersecurity-Plattform. Die KI soll helfen, Bedrohungen schneller zu identifizieren und Security-Teams bei der Analyse und Abwehr zu unterstützen. Ziel ist eine schnellere Reaktion auf Angriffe.

Ein neuer Report Bericht von Omada zeigt, dass obwohl 85 Prozent der Unternehmen KI bereits nutzen, Sicherheitslücken dabei die größte Sorge sind. Aufgrund unzureichender Reportings würden viele blind gegenüber den Risiken bleiben.

Phishing-Angriffe haben durch Künstliche Intelligenz (KI) und Automatisierung eine neue Qualitätsstufe erreicht. Was Sicherheitsverantwortliche heute beobachten, unterscheidet sich fundamental von den plumpen Betrugsversuchen der Vergangenheit: Moderne Phishing-Kampagnen sind so raffiniert gestaltet, dass selbst erfahrene Experten ihnen zum Opfer fallen können.

BSI und Polizeiliche Kriminalprävention haben 3.060 Menschen zu KI-gestütztem Online-Betrug befragt. Das Ergebnis ist ernüchternd: Viele überschätzen ihre Fähigkeit, KI-Inhalte zu erkennen und unterschätzen, was Angreifer damit technisch längst anstellen können. Tatsächlich schaut kaum jemand genauer hin.

Künstliche Intelligenz (KI) hat in vielen Unternehmen längst den Status eines Experimentierfeldes verlassen. Sprachmodelle, Analysewerkzeuge und Automatisierungssysteme werden in alltägliche Prozesse integriert. Der Nutzen ist real: Entwürfe entstehen schneller, Informationen werden auffindbarer, Routinearbeit wird reduziert. Gleichzeitig zeigt die Beratungspraxis ein wiederkehrendes Muster: Die Einführung erfolgt häufig schneller als die rechtliche und organisatorische Einordnung.

Der Einsatz von Künstlicher Intelligenz (KI) in SAP-Umgebungen erfordert reproduzierbare Betriebsmodelle, eine belastbare Governance und eine klare Trennung zwischen Entwicklung, Laufzeit und Überwachung. SAP AI Core und SAP AI Launchpad bilden innerhalb der SAP Business Technology Platform eine abgestimmte Infrastruktur, die MLOps, Produktivbetrieb und Integration unternehmensweit zusammenführt.

GitLab erweitert seine Plattform um KI-Funktionen für die Bewertung und Behebung von Sicherheitslücken. Version 18.10 setzt auf automatisierte Triage, priorisierte Findings und konkrete Handlungsvorschläge. Damit adressiert der Anbieter ein Problem, das durch generative KI selbst an Bedeutung gewonnen hat: mehr Code, mehr Schwachstellen, mehr Aufwand.

Claude Mythos Preview, die nächste Generation des Sprachmodells von Anthropic, soll so mächtig sein, dass es für die Öffentlichkeit nicht einfach so zugänglich gemacht werden kann, ohne die weltweite Sicherheit zu ge­fährden.

Hinter „Turboquant“ von Google steht ein Quantisierungsverfahren, das den Speicherbedarf großer Sprachmodelle deutlich reduzieren soll. Ziel ist effizientere KI-Infrastruktur mit schnellerer Inferenz und geringeren Hardware-Anforderungen.