Big Data in der Logistik bezieht sich auf die großen und vielfältigen Datensätze, die entlang der Lieferkette generiert werden. Diese Daten, wie GPS- und Sensordaten, ermöglichen eine verbesserte Routenplanung, Bestandsverwaltung und vorausschauende Wartung. Die Implementierung von Big Data erfordert eine sorgfältige Integration bestehender Systeme und eine hohe Datenqualität, um die gewünschten Effekte zu erzielen. Unternehmen, die Big Data effektiv nutzen, können ihre Logistikkosten um 5–20% senken und die Genauigkeit der Nachfrageprognosen erheblich verbessern.
Das neue Modell, SL2T, ermöglicht es Nutzern, Gebärdensprache in Text umzuwandeln, was die Interaktion mit Smartphones erleichtert. Es wurde mit über 100.000 Stunden Daten aus mehr als 50 Gebärdensprachen trainiert und bietet eine hohe Übersetzungsqualität. Die Technologie zielt darauf ab, die Barriere zwischen gehörlosen und hörenden Gemeinschaften zu verringern und die Zugänglichkeit zu verbessern. Durch die Zusammenarbeit mit der Gehörlosengemeinschaft wird sichergestellt, dass die Entwicklung den Bedürfnissen der Nutzer entspricht.
Die Versicherungsbranche wird durch Insurtechs, die moderne Technologien wie KI, maschinelles Lernen und Automatisierung nutzen, grundlegend verändert. Insurtechs bieten innovative Lösungen zur Betrugserkennung, Risikobewertung und automatisierten Schadensbearbeitung. Diese Unternehmen sind in der Lage, personalisierte Versicherungsprodukte anzubieten, die auf den spezifischen Bedürfnissen der Kunden basieren. Die Zusammenarbeit zwischen traditionellen Versicherern und Insurtechs ermöglicht es, die Stärken beider Seiten zu kombinieren und so effizientere Dienstleistungen anzubieten. Trotz der Herausforderungen beim Skalieren von KI-Anwendungen in der Branche zeigen aktuelle Trends, dass Insurtechs auf dem Weg sind, die nächste Wachstumswelle im Versicherungssektor einzuleiten.
Computer Vision ist ein Teilbereich der künstlichen Intelligenz, der es Computern ermöglicht, visuelle Daten zu erkennen und zu interpretieren. Die Systeme identifizieren Objekte, kategorisieren sie und verstehen den Kontext der Szene. Im Jahr 2026 nutzen die meisten Produktionssysteme vortrainierte Modelle, um spezifische Aufgaben effizient zu erfüllen. Anwendungen reichen von der Objekterkennung über die Bild- und Videoverarbeitung bis hin zur automatischen Inhaltsindizierung, was die Effizienz in verschiedenen Branchen erheblich steigert.
Reckitt hatte über sein Programm zum Umsatzwachstum bereits Preise, Aktionen und Sortiment datengestützt verfeinert. Die Umsetzung am Verkaufsort blieb jedoch die Schwachstelle: In den USA läuft sie überwiegend über externe Vertriebs- und Regalbetreuungspartner, die je Filiale nur 30 bis 60 Minuten Zeit haben und lange Prüflisten abarbeiten mussten. Wertvolle Zeit floss in nachrangige Punkte, während der Rückfluss der Ausgaben kaum nachweisbar war. Smart Execution wurde gemeinsam mit McKinsey aufgebaut und führt Kassendaten, Bestandssignale, Aktionskalender, Artikelmerkmale, Regalpläne, Filialleistung und Rückmeldungen aus den Besuchen zusammen. Die Modelle erkennen Muster über Filialen hinweg – Standorte in Massachusetts, Texas und Seattle können sich bei einem bestimmten Artikel ähnlich verhalten, was einer herkömmlichen Auswertung entgeht. Statt statischer Prüflisten und verspäteter Berichte erhalten die Teams gezielte Empfehlungen nach Filiale, Artikel, Problem und Maßnahme. Eine Auswertung, die früher vier Tage dauerte und danach überholt war, läuft nun vor Arbeitsbeginn für Tausende Filialen und Artikel. Ergebnisse: Die Regalumsetzung stieg in den USA von etwa 50 bis 55 Prozent auf über 70 Prozent, die Fehlbestandsquote sank über zwei Monate von 2,5 auf 1,5 Prozent. Der Umsatz wuchs um rund 2 Prozent in den vom modernen Handel geprägten Märkten wie den USA und um 5 bis 6 Prozent in traditionell geprägten Märkten wie Brasilien. Prüflisten schrumpften in manchen Filialen von 40 auf 15 Aufgaben, was die Kosten für die Vertriebspartner senkte. Die Einführung erfolgte in gespiegelten Teams mit zweiwöchigen Arbeitszyklen; die Ausbreitung in Großbritannien trugen Reckitts eigene Teams allein.
Seit 2022 sind die durchschnittlichen operativen Margen der Distributoren von 8,7 auf etwa 8,0 Prozent gefallen, während das jährliche Volumen von Zusammenschlüssen von rund 55 auf etwa 100 Milliarden Dollar gestiegen ist. Da der Vertrieb ein Fixkostengeschäft ist, schlägt ein zusätzlicher Prozentpunkt Rohertrag mit rund 12 Prozent auf die Gewinnmarge durch. Analysen, die früher Wochen dauerten, lassen sich mit KI in Tagen oder Stunden erledigen. Fünf Anwendungen mit hoher Wirkung werden beschrieben. Erstens die nahezu laufende Sicht auf Lieferantenverhalten und Kostentreiber: Modelle koppeln sich an Rohstoff- und Kostenindizes und melden Preiserhöhungen, die sachlich nicht gedeckt sind. Bei der Prüfung eines Übernahmekandidaten ordnete ein Werkzeug binnen Tagen die umsatzstärksten Artikel Tausenden Indizes zu und fand Preiserhöhungen, die nach dem Abklingen von Rohstoffspitzen nie zurückgenommen wurden. Zweitens Datenbereinigung und -anreicherung: Ein Distributor führte mit generativer KI Daten aus mehreren Systemen zusammen und ergänzte sie aus externen Quellen, was die Auffindbarkeit im Online-Katalog und die Abschlussquote hob. Drittens die Verhandlungsvorbereitung, mit der ein großer Distributor in einer seiner größten Warengruppen rund 10 Prozent Kosteneinsparung erzielte. Viertens die Suche nach Ersatzlieferanten: In zollbelasteten Warengruppen fand ein Werkzeug über zehn geeignete Anbieter in weniger betroffenen Regionen, was zu mehr als 10 Prozent Einsparung führte. Fünftens Sortimentssteuerung und Eigenmarken; hier deckte angereicherte Datenauswertung in einer Warengruppe knapp 30 Prozent Artikeldopplungen auf und erschloss Kostenverbesserungen auf über 500 Millionen Dollar zuvor nicht adressierbares Volumen. Zur Umsetzung nennt der Beitrag fünf Voraussetzungen: ein klares Mandat der Unternehmensleitung mit messbaren Zielen, eine Priorisierung der Anwendungsfälle nach Wert und Machbarkeit innerhalb einer Domäne, tragfähige Daten- und Technikgrundlagen mit bewusster Eigenbau-oder-Kauf-Entscheidung, Qualifizierung der Warengruppenverantwortlichen sowie eine klare Aufteilung der Entscheidungsrechte zwischen Mensch und Agent.
Sam Burd von Dell beschreibt den Auslöser: Michael Dell stellte der Führungsmannschaft vor drei Jahren die Frage, wie man verhindert, dass ein schnellerer und günstigerer Wettbewerber das Unternehmen verdrängt – die Antwort war, selbst dieses Unternehmen zu werden. Statt einzelner Machbarkeitsnachweise setzte Dell an den eigenen Kernfeldern an: Produkte, Dienstleistungen, Lieferkette und Vertrieb. In zwei Jahren gelang es dadurch, Umsatz und Kosten zu entkoppeln. Sein häufigster Fehlerbefund: Der Machbarkeitsnachweis wird als Ziellinie missverstanden, statt beharrlich weiterentwickelt zu werden. Magnus Östberg von Mercedes-Benz berichtet von der Entkopplung von Fahrzeug und Software, die einen eigenen Lebenszyklus für die Software ermöglicht. Die Einbindung von ChatGPT ins Fahrzeug wurde zunächst belächelt, von Kunden aber angenommen: Sie sprechen mit dem Wagen und holen sich Rat. Künftig soll die Anzeigefläche nicht mehr statisch gestaltet, sondern anhand der Gewohnheiten des einzelnen Kunden erzeugt werden. Weil das Markenversprechen auch digitale Sicherheit umfasst, verlagert Mercedes-Benz Modelle von der Cloud ins Fahrzeug, damit Daten es nicht verlassen. Ruth Cotter von AMD schildert die Gratwanderung zwischen Steuerung und Tempo: Verantwortungsgrundsätze früh im Ablauf statt schwerer Verfahren im Nachhinein, mit Verantwortung in den Fachbereichen. AMD macht Schulungen für alle Beschäftigten verbindlich und gab ihnen zuvor neun Monate freien Umgang zum Ausprobieren; Praktikanten werden gezielt mit erfahrenen Entwicklern zusammengespannt. Ihr aktuelles Problem ist die Zersplitterung durch zu viele Werkzeuge. Ramin Hasani von Liquid AI setzt auf Modelle, die auf vorhandenen Prozessoren in Fahrzeugen, Geräten und Fabriken laufen, statt im Rechenzentrum.
Eine Befragung von über 10.000 Versorgerkunden aus dem Jahr 2025 zeigt: Der Anteil der sehr zufriedenen Kunden ist seit 2018 um 11 Prozentpunkte gefallen, der Anteil der Unzufriedenen von 18 auf 29 Prozent gestiegen. 70 Prozent sorgen sich um die Bezahlbarkeit. Zugleich nimmt die Kontaktaufnahme zu – je nach Kanal um 3 bis 16 Prozent seit 2023 -, wobei die digitalen Kanäle inzwischen bessere Zufriedenheitswerte erreichen als die herkömmlichen. Über Branchen hinweg werden Kostensenkungen von 30 bis 50 Prozent bei gleichzeitig bis zu 20 Prozent höherer Zufriedenheit berichtet. Als Beispiel dient E.ON Next: Das Unternehmen erhielt jährlich über sieben Millionen Serviceanrufe, kannte deren Anlass aber nur aus anekdotischen Angaben und verzerrter Verschlagwortung. Eine agentische Sprachauswertung ordnete die Gespräche im großen Maßstab, daraus entstand eine Kanalstrategie mit einer Zuordnung des bevorzugten Kanals je Kontaktanlass. Als erste Maßnahme ersetzte ein Sprachassistent das tastengesteuerte Menü für Abrechnungsfragen. Ergebnis: rund 50 Prozent weniger eingehende Anrufe und sechs Punkte mehr Zufriedenheit. Vier Ansatzpunkte werden mit Zahlen unterlegt. Abrechnung und Zahlung machen 40 bis 50 Prozent aller Anrufe aus; agentische Lösungen für Ausnahmebearbeitung, Rechnungsfragen und Datenabgleich senkten diese um 20 bis 50 Prozent. Beim Störungsmanagement speist sich 54 Prozent der Zufriedenheit aus der Kommunikation, nicht aus der Störung selbst; vorausschauende Benachrichtigung senkt die Anrufe um bis zu 50 Prozent. Bei Außendienst- und Zähleraufträgen wurden 20 bis 25 Prozent Produktivitätsgewinn erreicht. Im Forderungsmanagement, wo die Rückstände von 8,05 Milliarden Dollar (2019) auf 20,7 Milliarden (2025) gestiegen sind, sanken die Außenstände um 15 bis 20 Prozent. Empfohlen wird ein dreistufiges Vorgehen: wertgestützter Fahrplan, schnelle Erfolge parallel zum Aufbau der Datengrundlage, dann Ausweitung Kundenreise für Kundenreise.
Sai Jasti, bei Bayer verantwortlich für Datenwissenschaft und KI, beschreibt den Übergang von gelegentlicher Nutzung zu verbindlicher Einbettung in die Arbeitsabläufe. Bis 2030 will das Unternehmen die Produktivität der Forschung und Entwicklung um mindestens 40 Prozent steigern – über den Entwurf von Molekülen und weniger Laborversuche in der frühen Phase sowie über niedrigere Studienkosten und höhere Erfolgswahrscheinlichkeit in der klinischen Entwicklung. Zwei belegte Ergebnisse: Die vor zwei Jahren gestärkte hauseigene Plattform zur Zielstrukturfindung führt Daten aus Proteomik, Genomik und Genetik zusammen und arbeitet mindestens 50 Prozent schneller als zuvor, bei zugleich neuartigen biologischen Erkenntnissen. Für ein Schlaganfallmedikament mit beschleunigtem Zulassungsverfahren entstanden die Unterlagen mit generativer KI in weniger als vier Wochen statt der üblichen vier bis fünf Monate, ohne Qualitätsverlust. In der Onkologie nutzt Bayer über eine Partnerschaft mit ConcertAI Behandlungsdaten aus der Versorgungswirklichkeit in fünf Programmen, unter anderem zur Auswahl der richtigen Patientengruppen und zum Aufbau von Vergleichsarmen, was Studiengrößen und -kosten senken kann. Agentische Systeme setzt Bayer erst in engen Abläufen ein: sogenannte Ko-Wissenschaftler durchsuchen selbstständig die Fachliteratur, im medizinischen Schreiben entstehen Agenten für Zulassungsunterlagen und deren Übersetzung. Als Voraussetzungen nennt Jasti drei Punkte: gemeinsame Entwicklung von Fach- und Technikleuten statt getrennter Silos, eine geordnete Datengrundlage, und ein Betriebsmodell mit selbstorganisierten Teams. Neu gesucht werden zwei Profile: Übersetzer zwischen Fach und Technik, etwa Ärzte mit datenwissenschaftlicher Ausbildung, sowie Fachleute für Veränderungsbegleitung. In drei bis vier Jahren erwartet er deutlich mehr rechnergestützte statt physische Versuche und entsprechend weniger Tierversuche.
Im Rahmen des Projekts ViKI pro entwickeln Forschende des Fraunhofer-Instituts ein KI-gestütztes Assistenzsystem, das Pflegefachpersonen bei der Planung und Durchführung von Pflegeprozessen unterstützt. Die Software erfasst umfassende Daten zu jedem Pflegefall und schlägt auf dieser Basis geeignete Pflegemaßnahmen vor. Ziel ist es, die Versorgungsqualität zu verbessern und die knappen Personalressourcen effizienter zu nutzen. Der erste Prototyp wird bereits in Pflegeeinrichtungen getestet.
CareVolutionAI ist ein innovatives Projekt, das im Alpenrhein-Bodensee-Hochrhein-Raum realisiert wird und auf die digitale Weiterentwicklung der Pflege abzielt. Durch den Einsatz von KI-Sensoren sollen Risiken wie Stürze und Schlafstörungen frühzeitig erkannt werden, um präventive Maßnahmen einzuleiten. Das Projekt wird von einem internationalen Konsortium aus Industrie, Forschung und Pflege getragen und zielt darauf ab, die Lebensqualität der Patienten zu steigern sowie die Effizienz in der Pflege zu erhöhen. Die Technologie wird in mehreren Pflegeeinrichtungen getestet, um wertvolle Daten für die Weiterentwicklung der digitalen Pflege zu sammeln.
Das ATL Saathi ist eine webbasierte Anwendung, die Lehrern in Atal Tinkering Labs rund um die Uhr Unterstützung bietet. Durch den Einsatz von KI wird der Zugang zu hochwertigen Schulungsmaterialien und Mentoring verbessert, was zu einer Steigerung der Lernleistungen führt. Die Initiative fördert die Integration von Robotik und Programmierung in den Lehrplan und unterstützt Lehrer dabei, innovative Lernumgebungen zu schaffen. Mit Funktionen wie mehrsprachiger Unterstützung und einem fortschrittlichen Projektgenerierungstool wird die Lehrtätigkeit erleichtert und die Kreativität der Schüler angeregt.
Die Null-Fehler-Fertigung (ZDM) wird als Strategie beschrieben, die über die bloße Fehlererkennung hinausgeht und auch Vorhersage, Prävention und Korrektur umfasst. Der Einsatz von KI in der visuellen Inspektion kann zwar die Erkennung sichtbarer Oberflächenfehler verbessern, jedoch ist dies nur ein Teil eines größeren Systems. Die Integration von KI in bestehende Arbeitsabläufe ist entscheidend, um die Vorteile der Technologie voll auszuschöpfen. Der Artikel hebt hervor, dass menschliche Inspektoren nicht vollständig ersetzt werden, sondern sich auf komplexere Aufgaben konzentrieren, während KI repetitive Aufgaben übernimmt.
Agentic Commerce beschreibt eine neue Form des E-Commerce, bei der autonome Agenten Kaufprozesse im Auftrag der Nutzer abwickeln. Diese Technologie verspricht, den Einkauf zu revolutionieren, indem sie Produkte analysiert, vergleicht und Transaktionen durchführt. Experten äußern jedoch gemischte Meinungen über die tatsächliche Relevanz und Umsetzbarkeit dieser Ansätze. Während einige das Potenzial von KI-gestützten Kaufempfehlungen hervorheben, zeigen andere Skepsis und warnen vor überzogenen Erwartungen. Die Diskussion über Agentic Commerce wird durch die Aktivitäten großer Unternehmen wie Amazon und Paypal geprägt, die versuchen, in diesem Bereich führend zu sein.
Predictive Maintenance wird oft als Erfolgsgeschichte im Bereich maschinelles Lernen dargestellt, doch in der Praxis ist es eine der komplexesten KI-Lösungen in der Fertigungsindustrie. Die Effektivität hängt nicht nur vom Modell ab, sondern auch von zuverlässigen Sensoren, robusten Datenpipelines und der Bereitschaft der technischen Teams, den Empfehlungen zu vertrauen und zu handeln. Ungeplante Ausfallzeiten können enorme Kosten verursachen, die über die Reparaturkosten hinausgehen. Der Schlüssel zum Erfolg liegt in der Datenvorbereitung und der engen Zusammenarbeit zwischen Wartungs- und Datenteams, um eine vertrauenswürdige und effektive Implementierung zu gewährleisten.
Computer Vision war schon vor der Popularität von LLMs eine bewährte Technologie, die in der Industrie messbare Werte lieferte. In Bereichen wie Fertigung, Logistik und Gesundheitswesen hat Computer Vision Prozesse optimiert, indem es visuelle Inspektionen automatisierte und die Effizienz steigerte. Die Integration von LLMs ermöglicht es, diese visuellen Daten zu interpretieren und in verständliche Informationen umzuwandeln, was die Entscheidungsfindung in operativen Abläufen verbessert. Unternehmen sollten die Stärken beider Technologien kombinieren, um einen echten Mehrwert zu erzielen.
Mit dem neuen KI-Begleiter können Nutzer ihre KI-Kompetenzen strukturiert reflektieren und erhalten konkrete Handlungsempfehlungen. Das dialogbasierte Tool begleitet die Nutzer von der Standortbestimmung bis zur praktischen Anwendung im Arbeitsalltag. Dadurch wird die Fähigkeit zur Nutzung von KI in Organisationen verbessert und gefördert.
Die britische Regierung arbeitet mit Google DeepMind an einem KI-gestützten Planungstool, das die Effizienz bei der Bearbeitung von Bauanträgen steigern soll. Das Tool wird als hochqualifizierter Assistent für Planungsbeamte fungieren und Routineaufgaben wie Datenextraktion und Fallanalyse automatisieren. Durch die Reduzierung der Bearbeitungszeit für einfache Anträge können sich die Beamten auf komplexere Fälle konzentrieren. Das Ziel ist es, die Transparenz und Reaktionsfähigkeit im Planungsprozess zu verbessern und somit den Wohnungsbau in Großbritannien zu beschleunigen.
Agentic Workflows sind darauf ausgelegt, iterative Schleifen von Wahrnehmung, Überlegung und Handlung zu durchlaufen. Sie beobachten kontinuierlich den Kontext und die Daten, entwickeln Strategien und führen konkrete Operationen aus. Diese Systeme sind in der Lage, komplexe, mehrstufige Aufgaben autonom zu erledigen und dabei sich an veränderte Bedingungen anzupassen. Die Implementierung solcher Workflows erfordert eine strukturierte Governance, um Erklärbarkeit und regulatorische Compliance sicherzustellen. Die Agentic AI Systeme unterscheiden sich grundlegend von traditionellen Modellen, indem sie nicht nur Texte generieren, sondern auch aktiv Ziele verfolgen und dynamisch auf reale Ergebnisse reagieren.
Laut einer Analyse von McKinsey haben 78 % der Fertigungsunternehmen KI in mindestens einer operativen Funktion integriert, jedoch nur 2 % haben diese Tools vollständig in allen Funktionen implementiert. Die häufigsten Gründe für das Scheitern von KI-Initiativen sind Datenfragmentierung und veraltete Infrastruktur. Der Artikel hebt hervor, dass Unternehmen, die rigorose Datenpipelines etablieren und sich auf wertvolle Anwendungsfälle konzentrieren, einen erheblichen Leistungsvorteil erzielen können. Zu den Top-Anwendungsfällen gehören prädiktive Wartung und automatisierte Qualitätsinspektion, die beide signifikante Kosteneinsparungen und Effizienzgewinne bieten.