Anbieter zum Thema

Neo4j Germany GmbH

xSuite Group GmbH

Esker Software Entwicklungs-und Vertrieb

Yorizon GmbH & Co. KG

AGI, SML und All you need is Data

4. Artificial General Intelligence (AGI)

Während sich Agentic AI und Reasoning AI bereits in der Realität wiederfinden, bleibt Artificial General Intelligence (AGI) zumindest vorerst Science-Fiction. Es ist noch ein langer und größtenteils hypothetischer Weg, bis Künstliche Intelligenz mit der generischen menschlichen Intelligenz gleichzieht oder sie sogar übertrifft. So beeindruckend der KI-Sprung der letzten Jahre erscheint, gibt es immer noch sehr einfache Aufgaben, bei denen die KI dramatisch versagt, zum Beispiel Scrollen und Drag-Drop-Funktionen. Zudem ist unklar, ob der Weg, auf dem sich die KI-Entwicklung momentan befindet, letztendlich überhaupt zu AGI führt und – vielleicht viel wichtiger – ob diese Art generelle höhere Intelligenz überhaupt nötig und gewollt ist. In vielen Fällen wird es eher darum gehen, Spezialisierung der KI vorzunehmen.  

5. Small Language Models (SML): Vertikal und sparsam

Statt Science-Fiction wird es im Jahr 2025 für Unternehmen vornehmlich darum gehen, bestehende KI-Technologien effektiv in der Praxis zu nutzen. Die Integration ist nicht nur eine Frage von Compliance und Expertise, sondern auch eine Frage der Kosten. Sobald KI in großem Maßstab zum Einsatz kommt, ist sie – ähnlich wie die Cloud – nicht gerade billig. Zudem schaffen auf öffentlich verfügbaren Daten trainierte LLMs wenig Raum, um sich von anderen Anwendern und Wettbewerbern am Markt zu differenzieren. Unternehmen richten ihr Interesse daher verstärkt auf vertikale KIs, die zielgenau auf individuelle Use Cases und Bedürfnisse ausgerichtet ist und kontinuierlich verfeinert, optimiert und angepasst wird (Post Training).

Statt Large Language Model fällt immer öfter die Wahl auf Small Language Models (SLMs), die es in Sachen Leistung in domänen- und branchenspezifischen Bereichen getrost mit den Großen aufnehmen können. Ihr Vorteil: Die kleinen Modelle lassen sich besser kontrollieren und validieren (z. B. via Knowledge Graphen), das Training mit hochqualitativen Daten verläuft schneller, und sie benötigen weniger als 5% des Energieverbrauchs von LLMs – angesichts EU Green Deal und ESG-Reporting für Unternehmen kein unerheblicher Punkt. Zudem lassen sich mit guten LLMs hochwertige synthetische Trainingsdaten für SLMs erzeugen, so dass diese praktisch „angelernt“ werden können.   

Wachstumsbranche

Rechenzentren: Wachstum wird durch KI angetrieben

6. All you need is Data

Während KI-Anbietern wie OpenAI, Anthropic, IBM oder Google langsam die öffentlichen Daten ausgehen, beschäftigt Unternehmen vor allem die Verwendung ihrer eigenen Daten. Wie leistungsstark die Künstliche Intelligenz konkret ist, hängt von der Fähigkeit der Verantwortlichen ab, die Modelle mit ihren eigenen Datensätzen zu verknüpfen und anzureichern – von Retrieval Augmented Generation (RAG) über Fine-Tuning bis hin zum Training eigener Modelle. Datenqualität ist deshalb grundentscheidend. In den meisten Fällen liegen in Organisationen ausreichend strukturierte Daten vor, in denen schon die Essenz ihres Geschäftsbetriebs repräsentiert ist.

So wichtig strukturierte Daten sind, machen sie doch nur 10 Prozent der verfügbaren Daten aus. Die anderen 90 Prozent bestehen aus unstrukturierten Daten wie Dokumente, Video und Bild. GenAI, Natural Language Processing und Graphtechnologie helfen, diese Daten nutzbar zu machen. Knowledge Graphen beispielsweise repräsentieren unstrukturierte Daten so, dass LLMs sie als Kontext „verstehen“ können. Dabei erhalten sie dank der Graphstruktur ihre Reichhaltigkeit.