Liebe Leserinnen und Leser, willkommen zurück zu Ihrer zweiwöchentlichen Ausgabe des Artefact-Newsletters zur generativen KI, in dem wir mutig versuchen, den digitalen Wirbelwind der KI-Entwicklung einzuordnen. Die letzten Wochen waren … nun ja, sagen wir einfach, mein Kaffee hatte noch keine Zeit, kalt zu werden. Wir haben gesehen, wie KI-Modelle schneller aus dem Boden schossen als Memes an einem Montag, Googles Such-KI schreibt offenbar mittlerweile Fanfiction, und KI-Supercomputer konkurrieren in der Kategorie der „Kategorie der „stromfressendsten Geräte“. Schnallen Sie sich also an, denn wir tauchen gleich ein in die wilde, wunderbare und gelegentlich seltsame Welt der generativen KI. Mal sehen, welches neue Chaos uns die KI-Götter beschert haben!
GenAI News-Podcast
Haben Sie keine Zeit, diesen Newsletter zu lesen?
Wirtschaftsnachrichten und Markteinblicke
Die Modelle von Google, Meta und Anthropic zählen im Durchschnitt zu den sichersten Modellen (87,31 TP47T für Gemini 1.5 Pro, 82,71 TP47T für Claude 3.5 Haiku, 77,6 für Llama3 405B)Die Modelle von Anthropic schneiden hinsichtlich der Widerstandsfähigkeit gegen Halluzinationen insgesamt besser ab (Grok2 und DeepSeek belegen die letzten Plätze). Beliebte Modelle, die aufgrund der Nutzerzufriedenheit bevorzugt werden, können die sachliche Genauigkeit beeinträchtigen. Die Formulierung von Nutzeranfragen beeinflusst die Fähigkeit eines ModellsFähigkeit, falsche Behauptungen zu widerlegen, wobei selbstbewusste Aussagen die Wirksamkeit der Widerlegung um 15% verringern. Prägnante Systemanweisungen können die Halluzinationsrate um bis zu 20% erhöhen.
Die Modelle von Anthropic' schneiden insgesamt besser ab, was die Widerstandsfähigkeit gegenüber Halluzinationen angeht (Grok2 und DeepSeek belegen die letzten Plätze).
Beliebte Modelle, die aufgrund der hohen Nutzerzufriedenheit bevorzugt werden, können die sachliche Genauigkeit beeinträchtigen
Die Formulierung von Nutzeranfragen hat erheblichen Einfluss auf die Fähigkeit eines Modells, falsche Behauptungen zu widerlegen, wobei selbstbewusste Aussagen die Wirksamkeit der Widerlegung um 15% verringern.
Prägnante Systemanweisungen können die Halluzinationsrate um bis zu 20% erhöhen
> Bedeutende Geschäfte, Partnerschaften und Innovationen
Neue Modelle und Innovationen
> Multimodale Modelle (Bild, Video, Audio)
Gedanken der Woche von Hanan Ouazan
Managing Partner & Globaler Leiter für KI-Beschleunigung
Von Slideware zu Shipping: Der Aufstieg des Agentic Process Owner (APO)
Von Slideware zu Shipping: Der Aufstieg des Agentic Process Owner (APO)
Jahrzehntelang florierte die Beratungsbranche durch die Bereitstellung ausgefeilter Präsentationen voller Rahmenkonzepte und Benchmark-Werte. Heute generiert generative KI diese generischen Erkenntnisse im Handumdrehen, wodurch eine bloße Neuaufbereitung irrelevant wird. Kunden verlangen nun mehr: greifbare Produkte, messbare Ergebnisse und operative Verbesserungen, die sie tatsächlich nutzen können. Hier kommt der Agentic Process Owner (APO) ins Spiel – eine Weiterentwicklung der Rolle des Product Owners, die über die rein funktionale Umsetzung hinausgeht und die Verantwortung für die zugrunde liegenden Geschäftsprozesse übernimmt. Der APO liefert nicht nur Funktionen aus; er versteht, was das Produkt ermöglicht, wo es in den End-to-End-Prozess passt und wie dieser Prozess im Laufe der Zeit verbessert werden kann. Seine Arbeit beginnt mit einer gründlichen Nutzeranalyse – durch aktives Zuhören, sorgfältige Befragung und echte Auseinandersetzung mit der Praxis. Doch damit ist es noch nicht getan. APOs nehmen sich auch die Zeit, die Funktionsweise des übergeordneten Prozesses zu analysieren: nicht nur, um KI darüber zu stülpen, sondern um zu überdenken, wie dieser Prozess anders gestaltet werden könnte. Das Ziel besteht nicht darin, fehlerhafte Schritte zu automatisieren – sondern den Ablauf unter Berücksichtigung von Intelligenz, Effizienz und Wertschöpfung neu zu gestalten. Wichtig ist, dass sie an der Schnittstelle zwischen Business und Technik agieren: Sie stimmen strategische Ziele und KPIs mit realen Einschränkungen ab – wie data-Verfügbarkeit, Systemlatenz und Integrationskomplexität. Zudem benötigen sie ein grundlegendes Verständnis von Observabilität und Überwachung: nicht, um diese selbst zu entwickeln, sondern um zu verstehen, wie die Leistung von Agenten gemessen und verbessert wird und wie sich dies in Prioritäten für das Team umsetzen lässt. Kenntnisse im Bereich GenAI werden rasch zur Grundvoraussetzung – und dazu gehört auch das Verständnis dafür, wie agentenbasierte Systeme funktionieren. Ein APO muss Modelle nicht eigenständig feinabstimmen, sollte jedoch die wesentlichen Aspekte verstehen: wann „Retrieval-Augmented Generation“ eingesetzt werden sollte, wie die Orchestrierung von Agenten die Prozessgestaltung verändert, welche Auswirkungen Latenz oder Token-Kosten auf den ROI haben und welche Sicherheitsvorkehrungen unverzichtbar sind. Dies ermöglicht es ihnen, technische Teams klar zu briefen, die richtigen Fragen zu stellen und eine Demo oder einen Prototyp zu erstellen, der die Auswirkungen konkret veranschaulicht. Eine klare Umsetzung, nicht ausgefeilte Rhetorik, gewinnt die Zustimmung der Stakeholder. Kurz gesagt: Der Wandel ist tiefgreifend: Berater, die rein beschreibend bleiben, ohne die Fähigkeit, Prototypen zu erstellen oder reale Ergebnisse zu messen, laufen Gefahr, überflüssig zu werden. APOs, die Strategie mit greifbaren, nachweisbaren Ergebnissen verbinden, werden unverzichtbar.
