KI News: Kurz und klar.

Fünf Jahre nach dem ursprünglich geplanten Go‑Live bleibt das neue ERP-System der Stadt Birmingham unvollständig. Trotz intensiver Bemühungen ist die Implementierung immer noch nicht abgeschlossen, und die Kosten sind in die Höhe geschossen.

Neue Forschungsergebnisse zeigen, dass selbst KI‑Agenten, die andere Agenten überwachen, häufig Fehler machen. Obwohl Agenten als die nächste große Entwicklung im Bereich der künstlichen Intelligenz gelten, stoßen sie bei zunehmender Komplexität an ihre Grenzen. Das bedeutet, dass sie bei zu anspruchsvollen Aufgaben verfehlt und falsche Entscheidungen treffen können. Experten raten daher, bei der Implementierung von Agenten besonders vorsichtig zu sein und die Systeme zunächst auf einfache, klar definierte Szenarien zu testen, bevor sie in komplexere Umgebungen überführt werden.

Flo Health nutzt generative KI, um medizinische Inhalte zuverlässig zu prüfen. In dieser zweiteiligen Serie wird die Entwicklung von der ersten Idee bis zur praktischen Anwendung nachgezeichnet.

Die Einführung von KI-Lösungen in Unternehmen ist ein zweistufiger Aufstieg: Zunächst muss die Technologie verstanden und implementiert werden. Danach gilt es, die kulturellen Rahmenbedingungen zu schaffen, damit Mitarbeitende ihr volles Potenzial entfalten können.

Wissenschaftler haben ein neues Konzept vorgestellt, das erklärt, warum ein bestimmtes Objekt einer Klasse angehört, während ein anderes nicht – ein sogenanntes kontrastives ABox‑Erklärungssystem.

Mehr als zwei Drittel der Geschäftsführung geben an, in den letzten drei Monaten gegen ihre eigenen KI‑Nutzungsrichtlinien verstoßen zu haben. Gleichzeitig bewerten über die Hälfte der Führungskräfte Sicherheit und Compliance als größte Herausforderung bei der Implementierung von KI. Diese Zahlen zeigen, dass die Angst, etwas zu verpassen, die Unternehmensführung stärker beeinflusst als die eigentlichen Governance‑Regeln.

In Barcelona hat die Beratungsfirma Gartner erneut die Frage aufgegriffen, warum ERP-Projekte so häufig scheitern. Die Analyse zeigt, dass fehlende Unterstützung durch die Geschäftsführung, unrealistische Zeitpläne und unklare Zielsetzungen die Hauptursachen sind.

Der Markt befindet sich nun offiziell drei Jahre nach dem Durchbruch von ChatGPT. Viele Experten und Analysten haben ihre Schlagzeilen inzwischen mit Begriffen wie „Blase“ gefüllt, um zu erklären, warum generative KI bislang nur bei wenigen Technologieanbietern greifbare Renditen erzielt.

Der Softwareriese SAP hat angekündigt, seine Lizenzierungsstruktur zu vereinfachen, doch die jüngsten Diskussionen auf der deutschsprachigen User‑Group‑Konferenz haben Zweifel aufkommen lassen. Experten betonen, dass die Änderungen zwar auf den ersten Blick klarer wirken, aber in der Praxis zu noch mehr Unsicherheit führen können.

Der neue Leitfaden liefert praxisnahe Ratschläge, um maschinelles Lernen von der Idee zur produktionsreifen Anwendung zu führen. Er richtet sich an Entwickler und Data Scientists, die ihre Modelle über den Proof‑of‑Concept hinaus skalieren wollen.

KI hat in den letzten Jahren die Art und Weise, wie Unternehmen arbeiten, grundlegend verändert. Viele CEOs sehen die Chance, ihre Prozesse zu optimieren und neue Geschäftsmodelle zu erschließen – ein klarer Gewinn.

Eine neue Studie von MIT NANDA zeigt, dass nur fünf Prozent der Unternehmen KI‑Tools in großem Umfang einsetzen. Trotz dieser geringen Nutzung haben US‑Unternehmen zwischen 35 und 40 Milliarden Dollar in generative‑KI‑Projekte investiert. Doch bislang gibt es kaum greifbare Ergebnisse. Die Investitionen wirken sich wie ein Feuer an, das kaum Wärme spendet. Unternehmen stehen vor der Herausforderung, die Technologie nicht nur zu kaufen, sondern auch effektiv zu implementieren, um echte Mehrwerte zu erzielen. Die Studie unterstreicht, dass FOMO (Fear of Missing Out) die Branche antreibt, aber gleichzeitig die Notwendigkeit einer strategischen Herangehensweise betont.

In der sich rasch entwickelnden Welt der künstlichen Intelligenz setzen neue Large‑Language‑Modelle (LLMs) auf dem Markt an, indem sie Aufgaben mit menschlicher Effizienz und Anpassungsfähigkeit ausführen. Ein besonders vielversprechender Ansatz ist die Zusammenarbeit mehrerer KI‑Agenten, die gemeinsam komplexe Probleme lösen können.

Entdecken Sie die Grundlagen von LangGraph anhand der Open‑Source‑Implementierung von Google. Der Beitrag, der erstmals auf Towards Data Science erschien, zeigt, wie Sie mit LangGraph einen tiefen Forschungsagenten aufbauen können.