Nikolaus Schauersberger über KI-Automatisierung, Agenten-Architekturen und warum der deutsche Mittelstand jetzt handeln muss.
Einstieg
Nikolaus, du sagst: „Ich baue keine Prototypen für Demos, sondern Systeme für den Betrieb.“ Was ist der häufigste Fehler, den Unternehmen beim Sprung vom KI-Hype zur echten Produktivität machen?
Da gibt es einige Fehler, aber der größte ist, KI nicht als das zu begreifen, was sie tatsächlich ist: eine transformative Technologie. Viele Unternehmen behandeln KI wie ein klassisches IT-Projekt. Sie kaufen ein Tool, lassen es in einer Abteilung laufen und erwarten Ergebnisse. Dabei übersehen sie, dass KI sich durch die gesamte Organisation zieht. Das heißt konkret: Alle Prozesse in allen Abteilungen müssen neu evaluiert werden, mit dem Ziel, sie mittels KI zu automatisieren und zu verbessern. Marketing, Vertrieb, HR, Produktion, Einkauf, Buchhaltung, Kundensupport: kein Bereich ist davon ausgenommen. Und ganz entscheidend ist, dass diese Abteilungen dabei zusammenarbeiten. KI-Automatisierung funktioniert nicht in Silos. Wenn der Vertrieb automatisiert arbeitet, aber die Erkenntnisse nicht in die Produktentwicklung oder den Kundensupport fließen, verschenkt man das Potenzial.
Der zweite große Fehler betrifft die Mitarbeiter. KI wird nur dann erfolgreich implementiert, wenn die Menschen mitgenommen werden. In jeder Organisation gibt es KI-Interessierte und KI-Skeptiker. Die Interessierten gehören aktiv gefördert. Sie sind die internen Multiplikatoren, die KI-Kompetenz ins Team tragen. Den Skeptikern hingegen muss man konkret zeigen, wie KI ihre tägliche Arbeit erleichtert und verbessert. Nicht abstrakt, sondern an ihren eigenen Prozessen. Wenn allein diese zwei Dinge beachtet und richtig umgesetzt werden (KI als organisationsweite Transformation begreifen und die Mitarbeiter aktiv einbinden), hat ein Unternehmen bereits einen immensen Wettbewerbsvorteil und schafft die Basis für eine nachhaltige KI-Implementierung.
Thema Kontextfenster
Du hast jüngst aufgezeigt, dass ein 1-Million-Token-Fenster nicht automatisch Qualität bedeutet. Warum ist „mehr Kontext“ oft sogar gefährlich für die Präzision von KI-Antworten?
Die besten Ergebnisse mit KI erzielt man, wenn sie exakte Anweisungen bekommt und genau die Information, die sie für den aktuellen Task braucht. Nicht mehr und nicht weniger. Alles andere ist unnötiger Ballast, der das Ergebnis verschlechtert, die Performance reduziert und zu Halluzinationen führt.
Warum ist das so? Große Sprachmodelle arbeiten mit Aufmerksamkeitsmechanismen (Attention), die entscheiden, welche Teile des Inputs für die Generierung der Antwort relevant sind. Je mehr irrelevante oder widersprüchliche Information im Kontext steckt, desto höher ist die Wahrscheinlichkeit, dass das Modell auf falsche Signale reagiert. Die Aufmerksamkeit wird quasi verwässert. Dazu kommt: Ab einer gewissen Kontextlänge wird der Input intern komprimiert, was zwangsläufig Informationsverlust bedeutet. Und es gibt das gut dokumentierte „Lost in the Middle“-Phänomen: Informationen, die sich in der Mitte eines langen Kontexts befinden, werden vom Modell signifikant schlechter verarbeitet als Inhalte am Anfang oder Ende.
Im Zeitalter der KI-Agenten lässt sich dieses Problem elegant lösen. Anstatt einem einzelnen Modell einen riesigen Kontext zu übergeben, unterteilt man ein komplexes Problem in kleine, klar definierte Lösungsschritte. Für jeden Task wird ein spezialisierter KI-Agent eingesetzt, der nur die Information erhält, die er für genau seinen Arbeitsschritt benötigt. Diese spezialisierten Agenten werden von einem Hauptagenten (Orchestrator) gesteuert. Mit dieser Arbeitsweise verhindert man, dass der Kontext zu groß wird und widersprüchliche oder nicht zielführende Informationen und Anweisungen enthält. Das Ergebnis: präzisere Ausgaben, weniger Halluzinationen und eine deutlich bessere Performance.
RAG vs. Long Context
Viele dachten, RAG (Retrieval-Augmented Generation) sei durch riesige Kontextfenster tot. Warum ist das Gegenteil der Fall und warum wird RAG jetzt erst richtig präzise?
Zunächst kurz zur Erklärung: RAG steht für Retrieval-Augmented Generation. Das Prinzip ist, dass ein KI-Modell nicht ausschließlich auf sein trainiertes Wissen zurückgreift, sondern vor der Antwortgenerierung gezielt relevante Informationen aus einer externen Wissensdatenbank abruft. Das können Unternehmensdokumente, Produktdaten, Kundendaten oder jede andere strukturierte und unstrukturierte Datenquelle sein.
Mit RAG kann ich präzise steuern, welche relevante Information das Sprachmodell für die Erledigung einer Anfrage bekommt, ohne irrelevante oder zu viel Information verarbeiten zu müssen. Das ist der entscheidende Punkt: gezielte Informationsbereitstellung statt blindes Vollstopfen des Kontextfensters.
Leider nutzen die meisten RAG nicht optimal, und deshalb gab und gibt es sehr viele Stimmen, die behaupten, RAG funktioniere nicht. Das stimmt so nicht. Wenn die Information in einem RAG-System sauber aufbereitet ist, in einem maschinenlesbaren Format verarbeitet wird und alle verfügbaren Optimierungen eingesetzt werden, lässt sich eine hohe Performance und Genauigkeit erreichen.
Zu diesen Optimierungen gehören unter anderem: Reranking (die Suchergebnisse werden nach Relevanz neu sortiert, bevor sie an das Modell übergeben werden), Hybrid Search (eine Kombination aus semantischer Suche und klassischer Keyword-Suche), Chunking-Strategien (die intelligente Aufteilung von Dokumenten in sinnvolle Abschnitte mit ausreichend Kontext), Metadata-Filtering (Vorfilterung nach Dokumenttyp, Datum oder Abteilung), Query Transformation (die Umformulierung oder Erweiterung der Nutzeranfrage für bessere Suchergebnisse) und Evaluation-Pipelines (die systematische Messung der Retrieval-Qualität). Wenn diese Stellschrauben richtig eingesetzt werden, liefert RAG präzise, nachvollziehbare und aktuelle Ergebnisse, die ein reines Kontextfenster nicht leisten kann.
KI-Agenten
Du hast das „Auto Research“-Framework von Karpathy erwähnt. Wo siehst du das größte Potenzial für autonome Agenten im deutschen Mittelstand, abseits von einfachen Chatbots?
Ja, das Potenzial liegt tatsächlich im Konzept des Auto-Research-Frameworks. Aber um das zu verstehen, müssen wir zuerst einen Schritt zurückgehen und uns Agenten selbst anschauen.
Der Begriff „autonome Agenten“ ist vielleicht etwas irreführend, denn so autonom sind sie gar nicht. Ein KI-Agent muss sich an ein festes Regelwerk und an klare Prozessdefinitionen halten. Was er aber innerhalb dieses Rahmens kann: seine verfügbaren Tools autonom einsetzen und eigenständig entscheiden, wann welche Teil-Agenten erstellt werden oder wann welches Tool zum Einsatz kommt. Der Prozess selbst, also der Eingabe- und Ausgabe-Mechanismus, muss aber vorher klar definiert sein. Ein Agent ist also kein freidenkender Mitarbeiter, sondern ein hocheffizienter Spezialist, der innerhalb definierter Grenzen selbstständig arbeitet.
Sobald nun ein Prozess regelmäßig von Agenten abgearbeitet wird, kann das Auto-Research-Framework in Aktion treten. Auch hier ist die Namensgebung etwas irreführend, da es nicht um klassische Recherche geht, sondern im Kern um systematische Prozessoptimierung. Andrej Karpathy hat dieses Framework als Open-Source-Projekt veröffentlicht: Ein KI-Agent führt autonom Experimente durch, bewertet die Ergebnisse und iteriert, um eine definierte Metrik kontinuierlich zu verbessern. In seiner Demonstration ließ er den Agenten über Nacht 50 Experimente laufen, ohne jegliches menschliches Eingreifen. Shopify-CEO Tobi Lütke hat das Framework auf ein internes Modell angewandt und nach 37 Experimenten über Nacht eine 19-prozentige Qualitätsverbesserung erzielt.
Für den Mittelstand übersetzt sich das folgendermaßen: Durch Agenten werden Prozesse zunächst automatisiert, was aber nur die halbe Miete ist. Denn Automatisierung allein schafft noch keinen idealen Prozess. Hier kommt das Auto-Research-Prinzip ins Spiel. Man definiert im Prozess eine oder mehrere Variablen, die optimiert werden sollen, und lässt den Agenten systematisch verschiedene Varianten testen. Ein konkretes Beispiel aus dem Vertrieb: Wenn ein Unternehmen automatisiert Angebote erstellt, könnte das Framework verschiedene Angebotsstrukturen, Preisgestaltungen oder Follow-up-Zeitpunkte testen und messen, welche Variante den höchsten Umsatz generiert. Über Nacht laufen hunderte Varianten durch, am nächsten Morgen liegt ein datenbasiertes Ergebnis vor, das zeigt, welche Konfiguration den besten ROI liefert. Das ist die eigentliche Revolution: nicht nur Automatisierung, sondern automatisierte, kontinuierliche Optimierung.
Regulierung & Sicherheit
Mit deiner Erfahrung im Banking-Umfeld und bei der Corona-Warn-App: Wie kriegt man KI-Systeme „compliant“, ohne die Innovationsgeschwindigkeit komplett zu verlieren?
Das ist gar nicht so schwer, wie viele denken. Es gibt heute mehrere erprobte Wege, KI DSGVO-konform und sicher zu betreiben.
Die erste Option sind lokale KI-Modelle. Open-Source-Modelle können über Tools wie Ollama, LM Studio oder vLLM direkt auf eigener Hardware betrieben werden. Die Daten verlassen nie das Unternehmen, es gibt keine Abhängigkeit von externen Anbietern, und die Nutzung ist neben den Strom- und Hardwarekosten kostenlos. Das biete ich derzeit KMUs aktiv an. Die initiale Investition in Hardware ist zwar notwendig, amortisiert sich aber schnell, wenn man die laufenden API-Kosten dagegenhält.
Die zweite Option betrifft die großen Flaggschiff-Modelle wie GPT-4o/5 oder Claude Opus und Sonnet 4.6 für Anwendungsfälle, die maximale Leistung erfordern. Diese können DSGVO-konform über europäische Cloud-Regionen genutzt werden. Über AWS Bedrock steht in Frankfurt (eu-central-1) eine Region bereit, die Claude-Modelle über Cross-Region-Inference anbietet, mit entsprechenden Datenschutzvereinbarungen. Google Vertex AI bietet ebenfalls eine Frankfurt-Region (europe-west3) mit genuiner In-Region-Verarbeitung an. Und über Azure ist die Region Sweden Central verfügbar, die Claude-Modelle innerhalb der EU hostet. Damit lassen sich auch leistungsstarke Modelle betreiben, ohne gegen europäische Datenschutzrichtlinien zu verstoßen.
Der Schlüssel liegt darin, beides intelligent zu kombinieren: Lokale Modelle für sensible, wiederkehrende Aufgaben. Cloud-gehostete Flaggschiff-Modelle für komplexe Reasoning-Tasks, bei denen maximale Qualität entscheidend ist. So behält man die Innovationsgeschwindigkeit, ohne Compliance-Risiken einzugehen.
Architektur
Was unterscheidet eine „robuste“ KI-Architektur von einer, die bei der ersten realen Komplexität zusammenbricht?
Bevor ich zur eigentlichen Antwort komme, zunächst zur technischen Seite: Eine produktionsreife KI-Architektur (zum Beispiel in n8n) braucht bestimmte Mechanismen, ohne die sie im Betrieb sofort Probleme macht. Dazu gehört ein zentrales Error-Handling: ein globaler Error-Workflow, der bei jedem Fehler in jedem Workflow greift und sofort Benachrichtigungen auslöst, sei es per Slack, E-Mail oder ein Ticketsystem. Dann braucht es Retry-Logik mit Exponential Backoff: Wenn ein externer API-Call fehlschlägt (und das passiert regelmäßig), darf der Workflow nicht sofort aufgeben, sondern muss intelligent wiederholen, mit steigenden Wartezeiten (1s, 2s, 4s, 8s), um den externen Service nicht zu überlasten. Monitoring und Logging sind ebenfalls Pflicht: Execution-Zeiten, Fehlerquoten pro Workflow, Ressourcenverbrauch, alles muss sichtbar sein, idealerweise über externe Observability-Tools wie Grafana oder Datadog. Dazu kommen Circuit-Breaker-Pattern (wenn ein externer Service dauerhaft ausfällt, werden Anfragen temporär pausiert, statt das System zu überlasten) und Versionierung aller Workflows über Git.
Aber hier kommt der entscheidende Punkt: Die Technik ist selten das eigentliche Problem. Robuste KI-Architektur scheitert meistens nicht an fehlendem Error-Handling, sondern an der falschen Priorisierung.
Wenn wir eine robuste KI-Architektur aufbauen wollen, müssen wir zuerst die Prozesse automatisieren, in denen das eigentliche Bottleneck des Betriebs besteht. Passiert das nicht, können wir ziemlich schnell im Chaos enden. Ein Beispiel aus dem Vertrieb: Wenn ein Unternehmen keinen ordentlichen Prozess hat, um seine Bestandskunden zufriedenzustellen, zu begeistern und Upselling zu betreiben, dann sollte es sich zuerst darauf konzentrieren, genau dieses Problem zu lösen. Ich sehe aber sehr oft Firmen, die versuchen, die Neukundengewinnung zu optimieren und zu automatisieren. Die Folge: Sie generieren mehr Neukunden, können diese aber nicht ordentlich betreuen, weil sie den Bestandskundenprozess nicht im Griff haben. Das Ergebnis sind mehr unzufriedene Kunden, nicht mehr Umsatz. Eine robuste Architektur beginnt also nicht mit der Technologie, sondern mit der Frage: Wo liegt unser größtes operatives Problem?
Und es gibt noch eine dritte Ebene, die fast alle unterschätzen: das Fundament, auf dem überhaupt alles aufbaut. Ein zentraler KI-Wissensspeicher. Agenten und KI-Systeme sind nur so gut wie das Wissen, auf das sie zugreifen können. Und hier scheitern die meisten Architekturen, bevor sie überhaupt richtig loslegen. Das Unternehmenswissen liegt verteilt in PDFs (die für Menschen gemacht sind, nicht für Agenten), in E-Mail-Verläufen, in SharePoint-Ordnern, teilweise sogar noch physisch auf Papier. Niemand pflegt es, niemand strukturiert es, und wenn dann ein KI-Agent darauf zugreifen soll, kann er damit schlicht nichts anfangen.
Ein robustes System braucht deshalb einen zentralen Speicher, in dem das gesamte Unternehmenswissen in maschinenlesbaren Formaten (Markdown, JSON, strukturierte Datenbanken) aufbereitet ist. Das umfasst SOPs, Produktwissen, Kommunikationsrichtlinien, Kundendaten, Markt- und Wettbewerbsdaten, Supportwissen, alles. Dieser Speicher muss für zwei Dimensionen optimiert sein: einerseits für quantitative Abfragen (SQL-basiert, damit Controlling-Dashboards und Kennzahlen ohne Halluzinationen geliefert werden), andererseits für qualitative Anfragen (über RAG-Pipelines und MCPs, damit Agenten und Mitarbeiter kontextreiche Antworten zu Produkten, Prozessen und Strategien bekommen).
Das Entscheidende daran: Wenn dieses Fundament steht, wird alles, was darauf aufbaut (ob Chatbots, Voice Agents, Corporate LLMs, Agententeams oder Marketing-Automationen), sofort leistungsfähiger. Ohne dieses Fundament bleibt jede einzelne Lösung eine Insellösung. Die meisten Unternehmen wollen direkt mit dem schicken Chatbot oder dem Voice Agent starten, aber ihnen fehlt die Basis. Das ist, als würde man das höchste Gebäude der Welt bauen wollen, ohne vorher zwei Jahre ins Fundament zu investieren.
Genau aus dieser Erkenntnis heraus baue ich in meinen neuen Projekten diesen zentralen KI-Wissensspeicher standardmäßig für meine Kunden mit auf. Bevor wir über einzelne Automationen oder Agenten sprechen, stellen wir sicher, dass das Fundament steht. Erst strukturiertes Wissen, dann der Wissensspeicher, dann die Anwendungen darauf. In dieser Reihenfolge.
KI & Personal
Du sprichst davon, manuelle Workflows durch skalierbare Systeme zu ersetzen. Wie sieht die Rolle des Mitarbeiters in einem Prozess aus, der durch einen autonomen KI-Agenten optimiert wird?
Das ist eine Frage, die uns alle beschäftigen wird, und sie ist noch nicht abschließend zu beantworten. Aber die Richtung zeichnet sich klar ab.
Im Prinzip werden Prozesse automatisiert, die wiederkehrende Tätigkeiten abbilden. Wenn der Mensch von diesen repetitiven Aufgaben befreit ist, kann er sich wieder auf Tätigkeiten konzentrieren, für die sein Fachwissen und sein Urteilsvermögen wirklich gebraucht werden. Vor allem wird der Mensch wieder stärker planerisch und strategisch aktiv sein. Im Unternehmen werden sich Mitarbeiter darauf konzentrieren, neue Prozesse zu definieren und zu automatisieren, die zur Wertschöpfung beitragen. Ebenso auf die Analyse und Verbesserung bestehender Prozesse, die Weiterentwicklung aktueller Produkte und die Entwicklung neuer Produkte, die die Wertschöpfung des Unternehmens steigern.
Eine weitere zentrale Aufgabe ist die Kontrolle und Steuerung der KI-Agenten selbst: den Output prüfen, die Direktiven anpassen, die Ergebnisqualität kontinuierlich verbessern. Der Mensch wird also vom Ausführenden zum Supervisor und Strategen.
Das sehe ich sehr konkret in einem aktuellen Projekt: Im Vertrieb eines Unternehmens werden die Informationen, die bei Kundenmeetings entstehen, automatisiert erfasst und zusammen mit einer Wettbewerbsanalyse wöchentlich ausgewertet. Auf Basis der neuen Informationslage werden automatisch Vorschläge generiert, wie bestehende Produkte verbessert werden könnten, oder ob sich aus dem Kunden- und Wettbewerbs-Feedback Chancen für neue Produkte ergeben. Auf Basis dieser Reports muss dann der Mensch wieder aktiv werden: die plausiblen Vorschläge aufgreifen, bewerten und in die Produktentwicklung überführen. Die KI liefert die datenbasierte Grundlage. Der Mensch trifft die strategische Entscheidung.
Messbarkeit
In deinem Beitrag zu Mag. Feiler ging es um Umsatz statt Strategie-Papier. Welche Metriken nutzt du, um den Erfolg einer KI-Automation für deine Kunden nachzuweisen?
Die Aussage in diesem Beitrag war bewusst provokant: Es bringt nichts, ein 80-seitiges KI-Strategiepapier zu schreiben, wenn am Ende kein messbarer Geschäftserfolg daraus entsteht. Viele Unternehmen investieren Monate in Strategiephasen und Evaluierungen, ohne je einen Prozess tatsächlich zu automatisieren. Mein Ansatz ist umgekehrt: Schnell in die Umsetzung gehen, messbare Ergebnisse liefern, und auf dieser Basis die Strategie iterativ weiterentwickeln.
Die Hauptmetrik, die ich dabei nutze, ist der ROI, also welchen Return on Investment eine Automatisierung liefert. Aber der ROI ist nur die Zusammenfassung. Im Detail muss jeder Prozess zuerst analysiert werden, um die relevanten KPIs zu ermitteln. Das können je nach Bereich ganz unterschiedliche Kennzahlen sein: Durchlaufzeit, Fehlerquote, Kosten pro Vorgang, Kundenzufriedenheitswerte, Conversion-Rates oder Mitarbeiterauslastung. Dann wird geplant, inwieweit sich diese KPIs durch die Automatisierung verbessern sollen. Und schließlich muss die Automatisierung so weit gemonitort werden, dass sichtbar wird, ob sich diese KPIs auch tatsächlich verbessern. Wenn nicht, wird nachgesteuert. Automatisierung ohne Messung ist Blindflug.
Technologie-Stack
Du setzt stark auf n8n und Make. Warum sind No-Code/Low-Code-Tools für Enterprise-Lösungen heute oft sinnvoller als reine Eigenentwicklungen?
Mittlerweile sind in meiner Arbeit Automationsplattformen wie n8n und Make etwas in den Hintergrund geraten. Das ist auch der rasant schnellen Entwicklung von Agenten-Plattformen geschuldet.
Plattformen wie Claude Code (Anthropics Terminal-basierter Coding-Agent, der autonom Code generiert, refactort und ganze Repositories versteht), OpenAI Codex (ein Cloud-basierter Coding-Agent, der in sicheren Sandboxes arbeitet und eng mit GitHub integriert ist), Cursor (ein KI-natives IDE mit tiefem Projekt-Verständnis), oder Windsurf (ein weiteres KI-IDE, das als Preis-Leistungs-Alternative zu Cursor positioniert ist) machen es heute sehr einfach, maßgeschneiderte KI-Software-Lösungen zu erstellen. Gleichzeitig werden diese Plattformen selbst stark zur Automation eingesetzt. Sie übernehmen damit zunehmend die Rolle der KI-Intelligenzschicht einer Organisation.
Vergangenes Jahr sah es noch stark danach aus, dass zum Beispiel n8n diese Intelligenzschicht übernehmen könnte, also nicht nur Systeme verbinden, sondern auch die KI-Logik zentral steuern. Doch durch die Agenten-Plattformen sind wir im Prinzip viel flexibler. n8n hat in diesem Kontext weiterhin seine Berechtigung und Wichtigkeit, aber seine Nutzung geht wieder stärker in die ursprüngliche Richtung zurück: als Verbindung zwischen Systemen, als Daten-Transport-Schicht. n8n bewegt Daten von A nach B, triggert Workflows auf Basis von Events und orchestriert Integrationen. Die Intelligenz (also die KI-gestützte Entscheidungsfindung, das Reasoning und die autonome Aufgabenerledigung) wird zunehmend von den Agenten-Plattformen übernommen.
Zukunftsblick
Wenn wir zwei Jahre vorausblicken: Was wird der Standard in der KI-Prozessautomatisierung sein, den heute noch fast jeder unterschätzt?
Drei Entwicklungen werden den Standard definieren, den die meisten heute noch unterschätzen.
KI wird keine isolierte Funktion mehr sein, sondern das operative Nervensystem eines Unternehmens. Wir stehen am Beginn der Ära der „Operational Intelligence“, in der KI nicht mehr beratend oder unterstützend auftritt, sondern direkt in Geschäftsabläufe integriert ist und dort operative Aufgaben übernimmt. Wichtig ist hier die Unterscheidung, die ich vorhin bei den Agenten getroffen habe: Diese Systeme arbeiten nicht „frei“, sondern innerhalb klar definierter Prozesse und Regelwerke. Was sich aber fundamental ändert, ist der Grad der Selbstständigkeit innerhalb dieser Grenzen. Heute muss ein Mitarbeiter noch jeden Einzelschritt anstoßen oder freigeben. In zwei Jahren werden agentenbasierte Systeme komplette End-to-End-Prozessketten eigenständig abarbeiten, solange sie sich innerhalb der definierten Parameter bewegen. In der Fertigung steuern KI-Agenten Lieferketten, im Finanzwesen erkennen sie Betrugsversuche in Echtzeit, im Vertrieb optimieren sie Angebote und Kundenansprache. Der Mensch definiert die Regeln, die Ziele und die Grenzen. Die Agenten erledigen die Ausführung. Das passiert nicht erst in fünf Jahren, es passiert jetzt. Der Markt für KI-Agenten wächst laut aktuellen Prognosen jährlich um rund 40 Prozent.
Die automatisierte, kontinuierliche Prozessoptimierung nach dem Auto-Research-Prinzip wird Standard. Heute automatisieren die meisten Unternehmen einen Prozess und lassen ihn dann statisch laufen. In zwei Jahren wird es selbstverständlich sein, dass KI-Agenten ihre eigenen Prozesse laufend testen, messen und verbessern. Das ist der Unterschied zwischen einmaliger Automatisierung und einem System, das sich selbst optimiert.
Die Compliance-Infrastruktur wird sich dramatisch vereinfachen. Der EU AI Act wird ab August 2026 vollständig in Kraft sein, einschließlich strenger Anforderungen an Hochrisiko-KI-Systeme. Gleichzeitig werden europäisch gehostete und lokale KI-Lösungen so ausgereift sein, dass DSGVO-Konformität kein Innovationshemmnis mehr darstellt, sondern ein Standardfeature ist. Unternehmen, die sich jetzt die Kompetenz aufbauen, KI systematisch, messbar und compliant zu implementieren, werden in zwei Jahren den entscheidenden Vorsprung haben. Alle anderen werden versuchen, aufzuholen.
