Vom Durchbruch von DeepSeek R1 bis hin zum viralen Trend „Hummer züchten“ (Einführung von OpenClaw) – all dies innerhalb nur eines Jahres: AI wird AI China auf eine grundlegend andere Weise eingeführt und skaliert, was sich rasch in greifbaren wirtschaftlichen Nutzen niederschlägt.
Auf dem jüngsten TCG Retail Summit machte sich Edouard de Mézerac daran, den Wirbel um AI zu entmystifizieren. Seine Botschaft: Die Ära der vereinzelten Anwendungsfälle ist vorbei. Was nun folgt, ist etwas weitaus Strukturierteres und weitaus Anspruchsvolleres. Jahrelang haben Unternehmen mit AI isolierten Nischen experimentiert, die als „Farbpunkte“ im gesamten Unternehmen bezeichnet wurden. Nützlich, vielleicht. Transformativ? Nicht ganz. Jetzt verschiebt sich der Boden. Bei agentischer AI darum, eine weitere Technologieebene hinzuzufügen. Es geht darum, die Art und Weise, wie Arbeit erledigt wird, von Anfang bis Ende neu zu überdenken.
Stellen Sie sich vor, ein Finanzvorstand prüft die vierteljährlichen cloud . Das AI legt ein überzeugendes Diagramm vor: Die Kosten pro Token für Inferenz sind im Vergleich zum Vorjahr um 75 % gesunken. Die Modelle sind schneller, die APIs sind günstiger, und der Anbieter gewährt Mengenrabatte. Alles deutet auf Einsparungen hin. Dann trifft die eigentliche Rechnung ein, und der Gesamtbetrag ist höher als im letzten Quartal.
Das neue E-Book Artefactmit dem Titel „Scaling Data in AI untersucht, wie Unternehmen einen höheren Mehrwert erzielen können, indem data aufbrechen und eine nahtlose Zusammenarbeit zwischen den Teams ermöglichen. Angesichts AI zunehmenden AI hängt der Erfolg nicht nur von der Technologie ab, sondern auch von der Fähigkeit, data, Menschen und Prozesse effektiv miteinander zu verknüpfen. Das E-Book zeigt auf, wie moderne Ansätze zur data schnellere Erkenntnisse, eine stärkere Governance und wirkungsvollere AI Ergebnisse ermöglichen und data so data einem echten strategischen Kapital machen.
Die Personalabteilung durchläuft derzeit einen grundlegenden Wandel: Sie entwickelt sich von einer reaktiven Kostenstelle zu einem proaktiven Werttreiber. Dennoch halten viele Unternehmen weiterhin an einem minimalistischen Ansatz in der Personalanalyse fest. Während generative AI autonome Agenten im gesamten Unternehmen zunehmend an Bedeutung gewinnen, data in der Personalabteilung oft noch auf einfache Fluktuationsprognosen.
Seit Jahrzehnten wird die Stadtgestaltung in Großbritannien ebenso sehr von der Intuition wie von der Methodik bestimmt. Praktiker sprechen von „Charakter“, „Lebendigkeit“ und dem schwer fassbaren „Flair“ eines Straßenbildes – Eigenschaften, die eher durch Erfahrung, menschliche Nutzung und professionelles Gespür als durch formale Messgrößen geprägt werden. Der versierte Praktiker war oft derjenige, der genug Orte gesehen hatte, um zu erkennen, was funktionierte, auch wenn die ursächlichen Zusammenhänge teilweise nicht greifbar blieben.
AI die berufliche Praxis in der gesamten Bauwirtschaft, und der Beruf des Immobiliengutachters bildet da keine Ausnahme. Nachdem die Royal Institution of Chartered Surveyors (RICS) ihren ersten Berufsstandard zum „Verantwortungsvollen Einsatz Artificial Intelligence der Gutachterpraxis“ (gültig ab dem 9. März 2026) veröffentlicht hat, stellt sich für viele Unternehmen nicht mehr die Frage, ob sie AI einsetzen sollen, sondern wie sie dies auf eine Weise tun können, die vorschriftsmäßig, wohlüberlegt und fachlich vertretbar ist.
Red Hat baute auf Linux ein 34-Milliarden-Dollar-Geschäft auf. IBM kaufte das Unternehmen. Der Deal bestätigte eine Hypothese, die vier Jahrzehnte lang Bestand hatte: dass Unternehmen, die enormen Nutzen aus gemeinsam genutztem Code ziehen, im eigenen Interesse die Projekte, von denen sie abhängig sind, weiterhin finanzieren würden. Diese Hypothese steht nun auf dem Prüfstand. Nicht, weil jemand beschlossen hätte, die Finanzierung von Open Source einzustellen. Sondern weil die Branche, die Open Source am stärksten finanziert hat – SaaS –, gerade von der Branche, die am stärksten davon abhängig ist – AI –, verdrängt wird.
In einem früheren Beitrag habe ich untersucht, wie acht unabhängige Forschungsteams zu derselben Erkenntnis gelangten: Anstatt Speichersysteme um das Modell herum aufzubauen, sollte das Modell selbst darauf trainiert werden, den Speicher als erlernte Fähigkeit zu verwalten. Das Post-Memory-Training – also der Einsatz von bestärkendem Lernen in der Phase nach dem Training – bringt Agenten hervor, die entscheiden, was gespeichert, gelöscht, konsolidiert und abgerufen werden soll, wobei alle diese Vorgänge im Hinblick auf die Aufgabenerfüllung optimiert sind.
