Künstliche Intelligenz markiert den Beginn einer neuen Ära des Fortschritts. Sie öffnet uns die Tür zu einer Fülle von Möglichkeiten, von denen wir vor wenigen Jahrzehnten nur träumen konnten. Sie erweitert die Grenzen dessen, was wir für möglich halten, und ebnet den Weg für zukünftige Entwicklungen und Innovationen. Längst benutzen wir ChatGPT als Suchmaschine für alle Fragen des Alltags, automatisieren repetitive Aufgaben, kreieren Bilder, Grafiken und mehr. Aber Künstliche Intelligenz ist nicht erst seit diesem eindrucksvollen Tool Teil unseres Alltags. Künstliche Intelligenz ist mittlerweile oft weniger prominent sichtbar, aber stetig ein integrierter Bestandteil unserer Lebenswelt geworden – ob als hilfreicher digitaler Assistent in unserem Smartphone oder als effiziente automatisierte Maschine in Fertigungsanlagen. Doch was verbirgt sich hinter dem Konzept der Künstlichen Intelligenz? Dieser Beitrag soll Dir eine grundlegende Idee davon vermitteln.

Definition von Künstlicher Intelligenz

Die Definition von Künstlicher Intelligenz (KI) kann vielfältig sein, je nachdem aus welcher Perspektive man sie betrachtet. In den Augen von Computerwissenschaftler:innen, Philosoph:innen, Geschäftsleuten und der breiten Öffentlichkeit kann sie unterschiedliche Nuancen annehmen. Eines ist der gemeinsame Nenner: Künstliche Intelligenz ist eine Technologie, die darauf abzielt, Maschinen das Denken und Lernen zu ermöglichen, ähnlich wie der menschliche Verstand.

Laut der Association for the Advancement of Artificial Intelligence (AAAI) bezieht sich Künstliche Intelligenz auf „das wissenschaftliche Verständnis der Mechanismen, die intelligentes Verhalten erzeugen, und ihre Verkörperung in Maschinen“. Hierbei geht es darum, Maschinen zu entwickeln, die Aufgaben erledigen können, die normalerweise menschliches Denken erfordern – wie zum Beispiel das Erkennen von Sprache, das Lösen von Problemen oder das Lernen aus Erfahrungen.

Ein weiterer wichtiger Aspekt der KI ist das maschinelle Lernen. Dieser Bereich der KI gibt Maschinen die Fähigkeit, aus Daten und Erfahrungen zu lernen, ohne explizit programmiert zu werden. Es ist, als ob die Maschine die Fähigkeit erhält, ihre eigene Intuition zu entwickeln und auf der Grundlage ihrer Erfahrungen Entscheidungen zu treffen.

Diese Definition ist präziser als die häufig verwendete Vorstellung, KI würde wie ein Mensch denken. Moderne KI besitzt kein menschliches Bewusstsein und kein eigenes Verständnis der Welt. Sie verarbeitet Daten, erkennt statistische Muster und berechnet wahrscheinliche Ergebnisse.

Das kann dennoch erstaunlich intelligent wirken. Ein Sprachmodell formuliert verständliche Texte. Eine Bilderkennung identifiziert Objekte. Ein Empfehlungssystem schlägt passende Produkte vor. Ein Prognosemodell erkennt Auffälligkeiten in Verkaufszahlen. Hinter diesen Leistungen stehen jedoch mathematische Verfahren, Trainingsdaten und technische Regeln.

Der Begriff Künstliche Intelligenz dient damit als Oberbegriff für verschiedene Technologien. Dazu gehören maschinelles Lernen, neuronale Netze, Sprachverarbeitung, Bilderkennung, Robotik, generative Modelle und KI-Agenten.

Die Historische Entwicklung der Künstlichen Intelligenz

Die Reise der Künstlichen Intelligenz (KI) ist ein faszinierendes Kapitel in der Geschichte menschlicher Vorstellungskraft. Sie ist geprägt von visionären Ideen, technologischen Durchbrüchen und kontinuierlicher Forschung, die das Verständnis und die Anwendung von KI ständig weiterentwickelt haben.

Alan Turing und die Frage nach intelligenten Maschinen

Die Grundsteine für die Künstliche Intelligenz wurden bereits im frühen 20. Jahrhundert gelegt. Ein bemerkenswertes Ereignis dieser Zeit war die Veröffentlichung von Alan Turing’s bahnbrechender Arbeit „On Computable Numbers“ im Jahr 1936. Darin beschäftigte sich der britische Mathematiker mit der Frage, ob Maschinen intelligentes Verhalten zeigen können.

Turing schlug das sogenannte Imitationsspiel vor, das später als Turing-Test bekannt wurde. Eine Person kommuniziert dabei schriftlich mit einem Menschen und einer Maschine. Kann sie anhand der Antworten nicht zuverlässig erkennen, welcher Gesprächspartner die Maschine ist, hat das System den Test im vorgesehenen Sinne bestanden. Turing wollte damit weniger eine endgültige Definition von Intelligenz liefern. Er schlug ein beobachtbares Kriterium für maschinelles Verhalten vor.

Die zweite Hälfte des 20. Jahrhunderts

Die offizielle Geburt der Künstlichen Intelligenz als eigenständiges Forschungsfeld lässt sich auf das Jahr 1956 zurückführen. In diesem Jahr wurde die Dartmouth-Konferenz abgehalten, die als die erste große Versammlung von Forscher:innen auf dem Gebiet der KI gilt. Bei diesem Treffen prägte der Informatiker John McCarthy den Begriff „Künstliche Intelligenz“ und formulierte das Ziel der KI als „das Herstellen einer Maschine, die sich so verhält, als ob sie Intelligenz besitzt“.

Die 1960er und 1970er Jahre waren von erheblichen Fortschritten in der KI-Forschung geprägt, darunter die Entwicklung erster KI-Sprachen wie LISP und PROLOG und der Aufstieg von Expertensystemen – Computerprogrammen, die menschenähnliche Expertise in bestimmten Bereichen simulieren (Hayes, 1980). Diese Zeit war auch geprägt von hohen Erwartungen an die KI, die jedoch oft nicht erfüllt wurden, was zu Perioden der Enttäuschung und reduzierten Investitionen führte, die als „KI-Winter“ bekannt sind.

In den 1980er und 1990er Jahren erlebte die KI-Forschung eine Wiederbelebung dank der Entwicklung neuer Ansätze wie der neuronalen Netze, die das Lernen aus Daten ermöglichen, und der steigenden Rechenleistung der Computer. Diese Zeit war auch geprägt von der Etablierung des maschinellen Lernens als eigenständiges Feld innerhalb der KI, das sich auf die Entwicklung von Algorithmen konzentriert, welche es Maschinen ermöglichen, aus Daten zu lernen.

Das 21. Jahrhundert

Im 21. Jahrhundert erlebte die KI-Forschung eine neue Blütezeit, getrieben durch den Aufstieg von Big Data und fortgeschrittenen Algorithmen wie Deep Learning. Die Fähigkeiten der KI erreichten neue Höhen, wie zum Beispiel die Errungenschaft von IBM’s Watson, der 2011 die menschlichen Champions im Quizspiel Jeopardy besiegte, oder die Leistung von AlphaGo, einem KI-Programm von Google DeepMind, das 2016 den menschlichen Weltmeister im Brettspiel Go besiegte – eine Aufgabe, die als wesentlich komplexer als Schach angesehen wurde.

Heute steht die KI-Forschung auf vielen Standbeinen über den gesamten Globus verteilt, mit einer Fülle von Technologien und Methoden, die auf einem halben Jahrhundert kontinuierlicher Forschung und Entwicklung aufbauen. Mit der Weiterentwicklung von Technologien wie Cloud Computing, Big Data und fortschrittlichen Algorithmen wird die KI künftig noch stärker in unser tägliches Leben integriert werden und das Potenzial haben, zahlreiche Aspekte unserer Gesellschaft zu transformieren.

Transformer und generative KI

Ein weiterer wichtiger Schritt folgte 2017 mit der Transformer-Architektur. Sie machte es möglich, sprachliche Zusammenhänge effizienter zu verarbeiten und Modelle mit sehr großen Textmengen zu trainieren.

Auf dieser Grundlage entstanden Large Language Models, kurz LLMs. Der öffentliche Start von ChatGPT im November 2022 zeigte einem breiten Publikum, wie flexibel solche Modelle eingesetzt werden können. Generative KI entwickelte sich danach in kurzer Zeit weiter. Moderne Systeme verarbeiten Texte, Bilder, Audiodateien, Videos und strukturierte Daten. Einige Modelle können Software bedienen, externe Werkzeuge aufrufen und komplexe Aufgaben in mehrere Arbeitsschritte aufteilen.

Wie funktioniert Künstliche Intelligenz?

Die genaue Funktionsweise hängt von der Art des Systems ab. Dennoch lassen sich einige grundlegende Schritte beschreiben.

Am Anfang stehen Daten. Das können Texte, Bilder, Messwerte, Audiodateien, Transaktionen oder Sensordaten sein. Ein Algorithmus untersucht diese Daten und versucht, relevante Muster zu erkennen.

Während des Trainings werden die internen Parameter des Modells wiederholt angepasst. Das System erzeugt eine Ausgabe, vergleicht sie mit dem gewünschten Ergebnis und reduziert schrittweise den Fehler. Bei einem Bildmodell könnte die Aufgabe darin bestehen, Katzen und Hunde zu unterscheiden. Ein Sprachmodell lernt unter anderem, welches Wort oder Textelement in einem bestimmten Zusammenhang wahrscheinlich folgt.

Nach dem Training folgt die Anwendung, die häufig als Inferenz bezeichnet wird. Das Modell erhält neue Eingaben und erzeugt auf Grundlage seiner gelernten Parameter eine Ausgabe.

Sprachmodelle rufen dabei keine fertig gespeicherten Antworten aus einer Datenbank ab. Sie berechnen schrittweise wahrscheinliche Fortsetzungen. Dadurch können sie flexibel formulieren. Diese Funktionsweise erklärt zugleich, weshalb plausible Fehler entstehen können.

Machine Learning

Eines dieser Konzepte ist das maschinelle Lernen (Machine Learning), ein Teilbereich der KI, der sich darauf konzentriert, Maschinen das Lernen aus Daten zu ermöglichen. Maschinelles Lernen ist ein dynamisches Feld, das eine Vielzahl von Methoden und Techniken umfasst, darunter überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen.

Im Rahmen des überwachten Lernens wird ein Modell auf einem Datensatz trainiert, der sowohl Eingabe- als auch Ausgabedaten umfasst, wobei das Modell lernt, eine Funktion zur Vorhersage der Ausgabe auf Basis der Eingabe zu bilden. Beispielsweise könnte ein Modell zur Spam-Erkennung trainiert werden, indem es E-Mails (die Eingabe) zusammen mit Informationen darüber, ob diese E-Mails Spam sind oder nicht (die Ausgabe), erhält.

Das unüberwachte Lernen hingegen beschäftigt sich mit dem Lernen aus Daten, bei denen keine Ausgabe gegeben ist. Ein häufiges Anwendungsgebiet des unüberwachten Lernens ist die Clusteranalyse, bei der das Ziel darin besteht, in den Daten vorhandene Gruppen oder Muster zu erkennen, beispielsweise Kundensegmentierung auf Basis von Kaufverhalten.

Im bestärkenden Lernen (Reinforcement Learning) wird ein Modell in einer Umgebung trainiert, in der es durch Interaktionen mit der Umgebung und Erhalt von Belohnungen oder Strafen lernt, eine Strategie oder Politik zu entwickeln, um ein bestimmtes Ziel zu erreichen.

Deep Learning und neuronale Netze

Deep Learning ist ein Teilbereich des maschinellen Lernens. Es verwendet künstliche neuronale Netze mit vielen Verarbeitungsebenen.

Der Begriff „neuronal“ verweist auf eine grobe Inspiration durch biologische Nervensysteme. Künstliche neuronale Netze sind jedoch mathematische Modelle und keine Nachbildungen eines menschlichen Gehirns.

Ein neuronales Netz besteht aus miteinander verbundenen Recheneinheiten. Jede Verbindung besitzt ein Gewicht. Während des Trainings werden diese Gewichte angepasst. Frühere Ebenen erkennen häufig einfache Merkmale, spätere Ebenen verarbeiten komplexere Strukturen.

Bei der Bilderkennung können erste Schichten Kanten und Farbunterschiede erfassen. Spätere Schichten erkennen Formen, Gesichter oder Gegenstände. In Sprachmodellen entstehen auf ähnliche Weise interne Darstellungen sprachlicher Beziehungen.

Deep Learning bildet heute die Grundlage vieler Anwendungen in den Bereichen Bildanalyse, Spracherkennung, Übersetzung, Robotik und generative KI.

Natural Language Processing und Sprachmodelle

Natural Language Processing, kurz NLP, beschäftigt sich mit der maschinellen Verarbeitung menschlicher Sprache. Klassische NLP-Systeme wurden für klar umrissene Aufgaben entwickelt. Sie erkannten beispielsweise Namen in Texten, klassifizierten Kundenanfragen oder bewerteten die Stimmung von Kommentaren.

Large Language Models erweitern diese Möglichkeiten. Sie werden mit großen Mengen an Text und weiteren Daten trainiert. Dadurch können sie Texte zusammenfassen, Fragen beantworten, Inhalte übersetzen, Informationen strukturieren und Formulierungen erzeugen. Ein Sprachmodell versteht einen Text jedoch nicht auf dieselbe Weise wie ein Mensch. Es arbeitet mit statistischen Repräsentationen. Das Ergebnis kann fachlich überzeugend klingen und trotzdem falsch sein.

Generative und multimodale KI

Generative KI erstellt neue Inhalte auf Grundlage erlernter Muster. Dazu zählen Texte, Bilder, Musik, Stimmen, Videos, Präsentationen und Programmcode.

Textmodelle berechnen wahrscheinliche sprachliche Fortsetzungen. Bildgeneratoren beginnen häufig mit einem verrauschten Ausgangszustand und entwickeln daraus schrittweise eine Darstellung, die zur Eingabe passt. Videomodelle müssen zusätzlich zeitliche Abläufe und Bewegungen berücksichtigen.

Multimodale Modelle können mehrere Arten von Informationen gemeinsam verarbeiten. Ein solches System kann beispielsweise ein Diagramm analysieren, Fragen zu einem Foto beantworten, eine Audioaufnahme zusammenfassen und daraus einen Text erstellen.

Diese Verbindung verschiedener Medien verändert viele Arbeitsprozesse. Ein Marketingteam kann ein Briefing aus Texten, Bildern, Tabellen und bisherigen Kampagnen zusammenstellen. Die KI analysiert die Materialien und schlägt passende Varianten vor. Die endgültige Auswahl, fachliche Prüfung und kreative Einordnung bleiben Aufgaben der verantwortlichen Mitarbeiter.

KI-Agenten: Vom Antworten zum Handeln

Klassische Chatbots reagieren auf eine Eingabe und liefern eine Antwort. KI-Agenten gehen einen Schritt weiter. Sie können ein Ziel interpretieren, Aufgaben planen, Werkzeuge auswählen und einzelne Schritte ausführen.

Ein Agent könnte beispielsweise Informationen aus verschiedenen Systemen sammeln, eine Tabelle aktualisieren, einen Bericht erstellen und einen Entwurf für eine E-Mail vorbereiten. Dazu benötigt er Zugriffe auf Software, Datenquellen oder Programmierschnittstellen.

Aktuelle Forschungsübersichten beschreiben agentische Sprachmodelle häufig anhand der Fähigkeiten Denken, Handeln und Interagieren. Planung, Gedächtnis, Werkzeugnutzung und Rückkopplung gehören zu den zentralen Bausteinen.

Sehr verbreitet sind die KI Agenten in Unternehmen allerdings noch nicht. Ein Grund liegt in der höheren Komplexität. Ein falscher Textentwurf lässt sich verwerfen. Ein Agent mit Schreibrechten kann dagegen Daten verändern, Nachrichten versenden oder Prozesse auslösen. Unternehmen brauchen klare Berechtigungen, Protokolle, Freigaben und Möglichkeiten zum Abbruch.

Quelle: Generiert mit KI

Die Künstliche Intelligenz in der Praxis

Die Auswirkungen der Künstlichen Intelligenz auf das tägliche Leben und die Arbeitswelt sind schon heute beachtlich. Von subtilen Anwendungen wie Suchalgorithmen und Empfehlungssystemen bis hin zu hochkomplexen Anwendungen wie autonomen Fahrzeugen und maschinellem Übersetzen – KI ist zu einem festen Bestandteil unserer Welt geworden.

In der Wirtschaft hat KI ebenfalls weitreichende Anwendungen. Ein herausragendes Beispiel ist das Gebiet unserer Disziplin: das digitale Marketing. Mit maschinellem Lernen können Unternehmen komplexe Datenmuster erkennen und so das Verhalten ihrer Kund:innen vorhersagen. Dies ermöglicht ihnen, gezielt auf die individuellen Bedürfnisse und Vorlieben der Verbraucher:innen einzugehen.

Hier ein paar Beispiele unterschiedlicher Anwendungsfälle:

Amazon & Co. nutzen zum Beispiel KI, um personalisierte Produktvorschläge zu machen und die Kundenbindung zu erhöhen. Auch im Bereich der Produktion findet KI selbstverständlich Anwendung, etwa KI-gesteuerte Roboter zur Automatisierung von Prozessen. So setzt Tesla auf KI-gesteuerte Roboter, um Autos effizienter und präziser zu bauen.

Auch im Gesundheitswesen hat KI enorme Fortschritte ermöglicht. Ein Beispiel dafür ist die Nutzung von KI zur Analyse von medizinischen Bildern. Google DeepMind hat zum Beispiel ein KI-System entwickelt, das Augenkrankheiten auf der Grundlage von Augenscans erkennen kann, was es zu einem wertvollen Werkzeug für Augenärzte macht. Ein weiteres Beispiel ist IBM Watson Health, ein System, das riesige Mengen medizinischer Daten analysiert, um Behandlungsempfehlungen abzugeben und das Patientenrisiko zu bewerten.

In der Logistik spielt KI eine wesentliche Rolle bei der Effizienzsteigerung. Ein Beispiel dafür ist die Verwendung von KI, um optimale Lieferwege zu ermitteln und die Effizienz ihrer Flotte zu maximieren. Ebenso sehen wir den zunehmenden Einsatz von autonomen Fahrzeugen im Güterverkehr.

Im Bereich der Bildung ermöglichen KI-Systeme individualisierte Lernwege. Ein Beispiel dafür sind KI-gestützte Systeme, die das Lernverhalten der Schüler:innen analysieren und personalisierte Lernpfade erstellen. Auch im Bereich der Bewertung und Feedbackgenerierung gibt es KI-basierte Lösungen, wie z.B. das Programm Turnitin, das Plagiate in Schülerarbeiten erkennt.

Natürlich setzt auch die Finanzbranche auf KI, zur Vorhersage von Aktienmarkttrends, zur Erkennung von betrügerischen Aktivitäten und zur Automatisierung von Kundendienstaufgaben. Robo-Advisor nutzen KI, um automatisierte Finanzberatung zu bieten und Investitionsportfolios basierend auf den individuellen Zielen und Risikotoleranzen der Nutzer:innen zu verwalten.

Wie es weitergeht:

In all diesen Anwendungen und noch vielen mehr ist die Künstliche Intelligenz eine treibende Kraft für Innovationen und Effizienzsteigerungen. Mit den stetigen Fortschritten in der KI-Forschung und -Entwicklung können wir erwarten, dass KI in der Zukunft noch tiefgreifendere Auswirkungen auf unsere Gesellschaft und unser Leben haben wird.

Grenzen und Risiken Künstlicher Intelligenz

Die Leistungsfähigkeit moderner Modelle darf nicht mit Fehlerfreiheit verwechselt werden.

Halluzinationen

Generative Modelle können Informationen erfinden. Dazu gehören falsche Quellen, erfundene Studien, unzutreffende Zahlen oder plausibel klingende Ereignisse.

Der Stanford AI Index 2026 verweist auf einen anspruchsvollen Genauigkeitstest, bei dem die Halluzinationsraten von 26 führenden Modellen je nach Modell zwischen 22 und 94 Prozent lagen. Diese Werte beziehen sich auf einen bestimmten Benchmark. Sie zeigen dennoch, wie stark die Ergebnisse von Aufgabe, Formulierung und Testverfahren abhängen können.

Fakten sollten daher anhand belastbarer Quellen geprüft werden. Quellenangaben eines Sprachmodells dürfen nicht ungeprüft übernommen werden.

Verzerrungen und Diskriminierung

KI-Systeme lernen aus vorhandenen Daten. Enthalten diese Daten gesellschaftliche Vorurteile oder historische Benachteiligungen, kann das Modell entsprechende Muster übernehmen.

Das ist besonders kritisch bei Bewerbungen, Kreditentscheidungen, Versicherungen, Bildung oder medizinischen Anwendungen. Regelmäßige Tests und eine vielfältige Datengrundlage helfen, Risiken zu erkennen. Vollständig beseitigen lassen sie sich häufig nicht.

Mangelnde Erklärbarkeit

Komplexe neuronale Netze verfügen über sehr viele Parameter. Ihre Ergebnisse lassen sich daher nicht immer einfach erklären.

Bei einer Produktempfehlung kann eine begrenzte Erklärbarkeit akzeptabel sein. Bei Entscheidungen mit erheblichen Folgen gelten höhere Anforderungen. Verantwortliche müssen nachvollziehen können, welche Daten verwendet wurden und wie ein Ergebnis zustande kam.

Automatisierungsfehler

Automatisierung erhöht die Geschwindigkeit. Fehler werden dadurch ebenfalls schneller verbreitet.

Ein fehlerhafter Entwurf betrifft zunächst einen einzelnen Text. Ein automatisierter Prozess kann denselben Fehler auf Tausende Datensätze, Produktseiten oder Kundennachrichten übertragen. Menschliche Freigaben sind besonders an kritischen Schnittstellen wichtig.

Datenschutz, Urheberrecht und Sicherheit

Unternehmen sollten vor der Einführung eines KI-Tools prüfen, welche Daten verarbeitet werden, wo die Verarbeitung stattfindet und ob Eingaben für Trainingszwecke genutzt werden.

Personenbezogene Daten, vertrauliche Geschäftsinformationen und unveröffentlichte Inhalte gehören nicht ohne Freigabe in frei zugängliche Systeme. Der Europäische Datenschutzausschuss betont, dass die Entwicklung und Nutzung von KI-Modellen erhebliche Auswirkungen auf betroffene Personen haben kann. Die Rechtmäßigkeit muss jeweils anhand des konkreten Einsatzes und der verwendeten Daten beurteilt werden.

Auch das Urheberrecht bleibt ein relevantes Thema. Generative Modelle werden mit großen Datenmengen trainiert, die urheberrechtlich geschützte Inhalte enthalten können. Zugleich stellt sich die Frage, wann ein KI-gestütztes Ergebnis ausreichend durch menschliche Kreativität geprägt ist. Die rechtliche Bewertung unterscheidet sich nach Land, Nutzung und Entstehungsprozess. Eine allgemeine Antwort für jeden Anwendungsfall gibt es nicht.

Sicherheitsrisiken entstehen ebenfalls durch manipulierte Eingaben, schädliche Trainingsdaten oder unzureichend geschützte Schnittstellen. Bei RAG-Systemen können Angreifer versuchen, Anweisungen in Dokumenten zu verstecken. Agenten könnten durch solche Inhalte dazu gebracht werden, unerwünschte Aktionen auszuführen.

Ein verantwortungsvoller Einsatz benötigt daher technische Schutzmaßnahmen, Zugriffsregeln, Tests, Protokollierung und klare Zuständigkeiten. Das NIST AI Risk Management Framework bietet Organisationen eine strukturierte Grundlage, um Risiken über den gesamten Lebenszyklus eines KI-Systems zu erfassen und zu behandeln.

Energieverbrauch und Nachhaltigkeit

Das Training und der Betrieb großer KI-Modelle benötigen Rechenzentren, leistungsfähige Chips und erhebliche Mengen an Strom.

Nach Angaben der Internationalen Energieagentur stieg der weltweite Strombedarf von Rechenzentren im Jahr 2025 um 17 Prozent. Der Verbrauch von Rechenzentren mit einem Schwerpunkt auf KI nahm im selben Zeitraum noch stärker zu. Gleichzeitig sinkt der Energiebedarf einzelner KI-Aufgaben durch technische Verbesserungen. Die wachsende Nutzung kann diese Effizienzgewinne jedoch übertreffen.

Unternehmen sollten deshalb prüfen, welche Modelle zur jeweiligen Aufgabe passen. Ein kleineres Modell kann bei klar abgegrenzten Prozessen ausreichend sein. Auch die Zahl der Anfragen, die Länge der Eingaben und unnötig rechenintensive Abläufe beeinflussen den Ressourcenverbrauch.

Der EU AI Act verändert den Umgang mit KI

Der europäische AI Act verfolgt einen risikobasierten Ansatz. Die Anforderungen richten sich danach, wie groß die möglichen Auswirkungen eines KI-Systems auf Sicherheit, Gesundheit und Grundrechte sind.

Die Verordnung trat am 1. August 2024 in Kraft. Verbote bestimmter KI-Praktiken und Verpflichtungen zur KI-Kompetenz gelten seit dem 2. Februar 2025. Regeln für Anbieter von General-Purpose-AI-Modellen gelten seit dem 2. August 2025. Weitere Teile werden ab dem 2. August 2026 anwendbar. Dazu gehören Transparenzpflichten für bestimmte KI-generierte Inhalte.

Nach der politischen Einigung vom 7. Mai 2026 sollen Regeln für bestimmte Hochrisikoanwendungen ab dem 2. Dezember 2027 gelten. Systeme, die in regulierte Produkte wie Aufzüge oder Spielzeug eingebettet sind, erhalten nach dem vereinbarten Zeitplan eine Übergangsfrist bis zum 2. August 2028.

Transparenz spielt im Marketing und in der Kommunikation eine besondere Rolle. Bestimmte KI-generierte oder manipulierte Inhalte müssen ab August 2026 maschinenlesbar gekennzeichnet werden. Deepfakes und bestimmte Texte zu Themen von öffentlichem Interesse benötigen eine erkennbare Kennzeichnung. Der im Juni 2026 veröffentlichte europäische Verhaltenskodex soll Anbieter und einsetzende Organisationen bei der Umsetzung unterstützen.

Die Pflicht zur KI-Kompetenz betrifft Organisationen schon heute. Mitarbeiter, die KI-Systeme einsetzen, benötigen ausreichende Kenntnisse über Funktionen, Grenzen und Risiken. Ein einzelnes allgemeines Seminar dürfte in vielen Fällen kaum genügen. Schulungen sollten zum jeweiligen Tool, Einsatzgebiet und Risikoniveau passen.

Unternehmen sollten ihre KI-Anwendungen dokumentieren, Verantwortliche benennen und Regeln für Daten, Freigaben und Qualitätskontrollen festlegen. Bei rechtlich sensiblen Einsatzfeldern ist eine individuelle fachliche Prüfung erforderlich.

Die Zukunft der Künstlichen Intelligenz

Prognosen zur weiteren Entwicklung bleiben unsicher. Einige Trends zeichnen sich dennoch ab.

Modelle werden vielseitiger

KI-Systeme verarbeiten zunehmend verschiedene Medien und längere Zusammenhänge. Text, Bild, Sprache, Video und strukturierte Daten wachsen in gemeinsamen Arbeitsumgebungen zusammen.

Dadurch werden natürlichere Benutzungsoberflächen möglich. Nutzer:innen können sprechen, Dokumente zeigen, Änderungen beschreiben und Ergebnisse direkt weiterbearbeiten.

Zuverlässigkeit gewinnt an Bedeutung

Leistungsunterschiede zwischen führenden Modellen werden bei vielen Aufgaben kleiner. Unternehmen werden ihre Auswahl daher stärker an Zuverlässigkeit, Datenschutz, Kosten, Geschwindigkeit und Integrationsfähigkeit ausrichten.

Auch spezialisierte Modelle gewinnen an Bedeutung. Ein kompaktes System, das auf eine klar definierte Aufgabe zugeschnitten ist, kann wirtschaftlicher und leichter kontrollierbar sein als ein sehr großes Universalmodell.

KI-Agenten automatisieren Prozessketten

Agenten werden zunehmend mit Unternehmenssoftware verbunden. Sie können Aufgaben über mehrere Systeme hinweg koordinieren.

Der Übergang von einzelnen Assistenzfunktionen zu teilautomatisierten Prozessen wird schrittweise erfolgen. Besonders sensible Aktionen benötigen weiterhin Freigaben. Vollständig autonome Systeme bleiben in vielen Unternehmensbereichen riskant.

Eigene Daten werden wichtiger

Allgemeine Modelle stehen vielen Wettbewerber zur Verfügung. Differenzierung entsteht daher stärker durch hochwertige Unternehmensdaten, klar definierte Prozesse und spezifisches Fachwissen.

RAG, Wissensgraphen und abgesicherte Datenplattformen können helfen, interne Informationen gezielt verfügbar zu machen. Eine gute Datenstruktur wird damit zu einer wichtigen Voraussetzung erfolgreicher KI-Projekte.

Menschliche Kompetenzen verändern sich

Routineaufgaben lassen sich stärker automatisieren. Gleichzeitig steigt die Bedeutung anderer Fähigkeiten: Ergebnisse beurteilen, gute Fragen formulieren, Quellen prüfen, Prozesse gestalten und Verantwortung übernehmen.

Fachwissen wird dadurch nicht überflüssig. Es wird wichtiger, weil qualifizierte Mitarbeiter:innen Fehler schneller erkennen und Ergebnisse besser einordnen können.

AGI bleibt ein offenes Forschungsziel

Artificial General Intelligence, kurz AGI, bezeichnet meist ein System, das viele intellektuelle Aufgaben flexibel auf menschlichem Niveau oder darüber bewältigen könnte.

Eine allgemein akzeptierte Definition oder ein eindeutiger Test existiert nicht. Führende Modelle erzielen auf manchen Benchmarks beeindruckende Ergebnisse und scheitern zugleich an einfachen Aufgaben, veränderten Bedingungen oder fehlendem Kontext.

Aussagen über einen konkreten Zeitpunkt für AGI bleiben daher spekulativ. Unabhängig davon sind Sicherheit, Kontrolle und gesellschaftliche Auswirkungen bereits bei heutigen Systemen relevante Themen.

Quelle: Generiert mit KI

KI im Marketing: Worauf es jetzt ankommt

Künstliche Intelligenz verändert das Marketing bereits deutlich. Sie beschleunigt Recherche, Analyse, Content-Produktion und Personalisierung. Der größte Nutzen entsteht jedoch nicht durch möglichst viele generierte Inhalte. Entscheidend ist ein klarer Prozess. Marketingteams sollten festlegen, bei welchen Aufgaben KI unterstützt, welche Daten verwendet werden dürfen und welche Ergebnisse geprüft werden müssen. Ebenso wichtig sind Regeln zur Kennzeichnung und Dokumentation.

Ein sinnvoller Ablauf beginnt mit einem konkreten Problem. Erst danach folgt die Auswahl eines Tools. Mögliche Pilotprojekte sind die Zusammenfassung von Kundenfeedback, die Strukturierung redaktioneller Recherchen oder die Erstellung erster Textvarianten.

Die Ergebnisse sollten anhand definierter Kriterien bewertet werden. Dazu gehören Qualität, Zeitersparnis, Fehlerquote, Akzeptanz im Team und tatsächlicher Nutzen für Kund:innen.

Auch die eigene Tonalität bleibt wichtig. Die Versuchung ist groß, Briefings vollständig in ein Sprachmodell zu kopieren und den erzeugten Text direkt zu veröffentlichen. Davon ist abzuraten. Allgemeine KI-Formulierungen wirken häufig glatt, austauschbar und wenig glaubwürdig. Ein redaktionell starker Beitrag benötigt Fachwissen, Haltung, Erfahrung und einen erkennbaren Absender. KI kann dabei unterstützen, Gedanken zu ordnen, Varianten zu entwickeln und repetitive Aufgaben zu reduzieren. Die inhaltliche Aussage und die Verantwortung liegen beim Menschen.

Fazit: Künstliche Intelligenz braucht klare Ziele und Verantwortung

Künstliche Intelligenz ist kein einzelnes Werkzeug. Sie umfasst eine Vielzahl von Methoden, Modellen und Anwendungsmöglichkeiten. Ihre Entwicklung reicht von symbolischen Systemen über maschinelles Lernen bis zu multimodalen Modellen und KI-Agenten. Moderne KI kann Arbeitsprozesse beschleunigen, große Datenmengen auswerten und kreative Arbeit unterstützen. Sie kann jedoch falsche Ergebnisse erzeugen, Vorurteile verstärken und neue Risiken für Datenschutz, Urheberrecht und Sicherheit schaffen.

Erfolgreiche KI-Projekte beginnen daher mit einem konkreten Ziel. Sie benötigen hochwertige Daten, geeignete Systeme, geschulte Mitarbeiter:innen und klare Verantwortlichkeiten. Eine kontinuierliche Qualitätskontrolle gehört ebenfalls dazu. Wer die Grundlagen der KI versteht, kann Chancen realistischer einschätzen und technische Entwicklungen besser in die eigene Strategie einordnen.

Der Beitrag Künstliche Intelligenz verstehen – Grundlagen, Anwendungen, Geschichte erschien zuerst auf contentmanager.de.

KI ist längst Alltag im Marketing

Die Zahlen aus dem Canva Report sind eindeutig:

• 97 Prozent der Marketingverantwortlichen nutzen KI inzwischen täglich in der kreativen Arbeit
• 99 Prozent planen höhere KI-Investitionen für 2026
• 89 Prozent berichten von deutlichen Zeitersparnissen
• 68 Prozent sagen, dass KI inzwischen mehr geschäftliche Entscheidungen beeinflusst

Damit endet laut Canva die Phase des „Ausprobierens“. KI wird nicht mehr als zusätzliches Tool im Stack betrachtet, sondern als integraler Bestandteil moderner Marketing-Workflows.

Besonders spannend: Viele Marketing-Leader beschreiben KI mittlerweile wie ein Teammitglied. Das zeigt, wie stark sich Rollenbilder im Marketing verändern. Kreative Teams entwickeln sich zunehmend von ausführenden Produzent:innen zu strategischen Steuernden. Die eigentliche Erstellung von Variationen, Assets oder ersten Entwürfen übernimmt immer häufiger die KI.

Geschwindigkeit wird zum Standard

Einer der wichtigsten Begriffe im Report lautet „Creative Velocity“. Gemeint ist die Fähigkeit, Inhalte extrem schnell zu erstellen, anzupassen, zu lokalisieren und auszuspielen. Darin liegt aktuell auch die größte Stärke von KI-Systemen. Kampagnen entstehen schneller, A/B-Tests werden einfacher und internationale Anpassungen kosten deutlich weniger Ressourcen.

Für Unternehmen klingt das zunächst ideal. Doch Canva macht klar: Geschwindigkeit allein wird künftig kein Wettbewerbsvorteil mehr sein. Denn wenn jede Marke theoretisch unbegrenzt Content produzieren kann, entsteht mit der Austauschbarkeit ein neues Problem. Nicht die Produktion selbst wird dann zum Differenzierungsmerkmal, sondern kreative Richtung, Geschmack und Markenverständnis.

Verbraucher:innen spüren, wenn etwas „fehlt“

Besonders interessant sind für Marketingverantwortliche wohl die Ergebnisse der Verbraucherbefragung. Denn trotz Skepsis lehnen Konsument:innen KI nicht grundsätzlich ab. Viele akzeptieren KI-generierte Werbung durchaus, jedoch nur unter bestimmten Bedingungen.

68 Prozent sagen laut Studie, dass sie KI in Werbung akzeptieren, wenn die Inhalte dadurch relevanter oder hilfreicher werden. Gleichzeitig bevorzugen aber 78 Prozent weiterhin von Menschen erstellte Werbung. 87 Prozent glauben sogar, dass gute Werbung immer menschliche Kreativität benötigt.

Noch deutlicher wird ein anderer Wert: 70 Prozent der Befragten sagen, dass KI-generierte Werbung „irgendwie leer“ wirkt oder dass „etwas fehlt“.

Das ist auch eine der wichtigsten Aussagen des gesamten Reports. Verbraucher:innen bewerten Inhalte offenbar weniger danach, wie sie produziert wurden. Entscheidend ist vielmehr, wie sie sich anfühlen. Emotionale Wirkung, kulturelle Relevanz und menschliche Nuancen bleiben damit zentrale Erfolgsfaktoren im Marketing.

„AI Slop“ wird zum echten Problem

Canva spricht im Report außerdem sehr offen über ein Phänomen, das aktuell viele Plattformen beschäftigt: „AI Slop“.

Gemeint sind massenhaft generierte Inhalte ohne kreative Substanz. Hochglanz-Visuals, generische Claims und austauschbare Werbebotschaften überschwemmen bereits heute Social Media, Suchmaschinen und Content-Plattformen. Laut Canva sehen bereits 41 Prozent der Marketing-Leader darin ein reales Problem.

Diese Entwicklung lässt sich inzwischen auch außerhalb des Reports beobachten. Diskussionen auf Reddit zeigen, dass vor allem viele Designer:innen KI-Elemente in Canva und auf anderen Plattformen kritisch sehen. Besonders häufig genannt werden fehlende Kennzeichnungen, generische Bildstile und sinkende kreative Qualität. Die Debatte erinnert stark an frühere Diskussionen rund um Stockfotos. Nur skaliert KI das Problem heute deutlich schneller.

Vertrauen wird zur wichtigsten Marketing-Währung

Der vielleicht wichtigste Teil des Reports beschäftigt sich deshalb mit Vertrauen. Viele Verbraucher:innen wünschen sich klarere Regeln für KI-generierte Werbung:

• 74 Prozent würden sich wohler fühlen, wenn Unternehmen klare KI-Richtlinien kommunizieren
• 80 Prozent wünschen sich mehr Kontrolle über personalisierte Werbung
• 52 Prozent fordern Transparenz beim Einsatz von KI
• 37 Prozent möchten KI-generierte Werbung komplett deaktivieren können

Besonders relevant ist dabei der Wunsch nach Transparenz. Nutzer:innen akzeptieren KI offenbar eher, wenn Marken offen mit ihrem Einsatz umgehen. Unternehmen, die transparent mit KI umgehen, haben also einen Wettbewerbsvorteil. Sie müssen zum Beispiel erklären können:

• Wo KI eingesetzt wird
• Welche Daten genutzt werden
• Welche Inhalte menschlich geprüft werden
• Wie kreative Qualität sichergestellt wird

Gerade in Europa dürfte das durch den EU AI Act zusätzlich an Bedeutung gewinnen.

Warum menschliche Kreativität wichtiger wird

Interessanterweise zeigt der Canva Report nicht, dass Kreative überflüssig werden. Eher das Gegenteil.

Drei Viertel der befragten Marketing-Leader erwarten sogar, dass kreative Rollen in den nächsten fünf Jahren wichtiger werden. Allerdings verändert sich ihre Aufgabe.

Gefragt sind künftig stärker:

• kreative Richtung
• strategisches Denken
• kulturelles Verständnis
• emotionale Intelligenz
• kreative Bewertungskompetenz

KI wird also weiterhin zur Produktion von Inhalten genutzt, doch ohne Menschen, die ihnen Bedeutung verleihen, funktionieren sie nicht.

Was Unternehmen aus dem Canva AI Report lernen sollten

Der Canva Report zeigt sehr klar, wohin sich Marketing entwickelt. KI wird zum Standard. Die reine Nutzung von KI wird deshalb kein Wettbewerbsvorteil mehr sein. Der Unterschied entsteht künftig an anderer Stelle:

Unternehmen müssen lernen, KI effizient einzusetzen, ohne dabei ihre kreative Identität zu verlieren.

Das bedeutet konkret:

• KI sollte repetitive Aufgaben beschleunigen
• Marken müssen trotzdem klare kreative Leitlinien entwickeln
• Qualitätssicherung wird wichtiger
• Transparenz schafft Vertrauen
• Menschliche Perspektiven bleiben unverzichtbar

Gerade im Content Marketing wird das entscheidend. Denn je mehr KI-generierter Content online erscheint, desto stärker gewinnen Originalität, Haltung und echte Perspektiven an Bedeutung. Die Technologie wird alltäglich. Genau deshalb werden menschliche Kreativität und Vertrauen zum eigentlichen Differenzierungsmerkmal.

Der Beitrag Canva AI Report 2026: Warum Vertrauen jetzt wichtiger wird als Geschwindigkeit erschien zuerst auf contentmanager.de.

Midjourney zählt zu den bekanntesten KI-Bildgeneratoren und überzeugt mit beeindruckender Qualität und kreativen Bildstilen. Doch das Tool hat auch Grenzen: Es ist nur über Discord nutzbar, die Nutzung ist kostenpflichtig und detaillierte Steuerungsmöglichkeiten fehlen. Zum Glück gibt es eine Vielzahl leistungsstarker Midjourney Alternativen. Je nach Einsatzzweck – sei es für Marketing, Social Media, E-Commerce oder kreative Projekte – bieten verschiedene KI-Tools unterschiedliche Stärken. In diesem Artikel stellen wir Dir die besten KI-Tools zur Bildgenerierung neben Midjourney vor.

Die besten Midjourney Alternativen im Überblick

Nicht jede KI generiert Bilder auf die gleiche Weise. Einige spezialisieren sich auf Fotorealismus, andere auf kreative Stile oder 3D-Renderings. Hier sind einige der spannendsten Alternativen zu Midjourney:

DALL·E 3 – Die KI von OpenAI für detailreiche Bilder

DALL·E 3 ist eine der bekanntesten Alternativen zu Midjourney. Die KI wurde von OpenAI entwickelt und ist direkt in ChatGPT Plus integriert. Sie bietet eine präzise Umsetzung von Prompts und eignet sich besonders gut für realistische Darstellungen oder Illustrationen. Wer bereits ChatGPT nutzt, kann DALL·E 3 bequem dort verwenden.

Stärken:

• Hohe Bildqualität und detailreiche Ergebnisse
• Nahtlose Integration in ChatGPT
• Sehr gute Verarbeitung von langen, komplexen Prompts
• Nachbearbeitung von Details im Editor

Schwächen:

• Keine kostenlose Nutzung
• Begrenzte Auflösung der Bilder

Quelle: DALL-E
DALL-E Prompt: Erstelle ein Bild im Querformat: Eine Person erstellt ein Bild per KI

Stable Diffusion – Open-Source-KI für maximale Kontrolle

Stable Diffusion ist ein Open-Source-Bildgenerator, der eine hohe Kontrolle über den Bildstil ermöglicht. Nutzer:innen können eigene Modelle trainieren, um bestimmte Stile oder Effekte zu erzielen. Für Kreative mit technischem Know-how ist Stable Diffusion eine der flexibelsten Lösungen, da es lokal oder über Plattformen wie DreamStudio genutzt werden kann.

Stärken:

• Kostenlos nutzbar
• Anpassbare Parameter für mehr Kontrolle
• Eigene KI-Modelle möglich

Schwächen:

• Erfordert technische Kenntnisse für tiefergehende Funktionen
• Hohe Rechenleistung notwendig

Quelle: Stable Diffusion          Quelle: Stable Diffusion
Stable Diffusion Prompt: Eine Person erstellt ein Bild per KI

Leonardo.Ai – Vielseitige KI für Designer und Künstler

Leonardo.Ai richtet sich besonders an Designer:innen und Illustrator:innen. Das Tool bietet vorgefertigte KI-Modelle, die sich für verschiedene Stile wie Concept Art, 3D-Design oder fotorealistische Bilder eignen. Besonders beliebt ist Leonardo.Ai für die Erstellung von Assets in der Gaming-Industrie oder für Werbekampagnen.

Stärken:

• Viele Stiloptionen
• Hochwertige Bilder, vergleichbar mit Midjourney
• Auch für Einsteiger:innen gut nutzbar

Schwächen:

• Begrenzte kostenlose Nutzung
• Teilweise Wartezeiten in der Free-Version

Quelle: LeonardoLeonardo Prompt: Eine Person erstellt ein Bild per KI in einem professionellen Umfeld

RunwayML – KI-gestützte Bild- und Video-Generierung

RunwayML ist eine innovative Plattform, die sich nicht nur auf Bilder beschränkt, sondern auch KI-generierte Videos ermöglicht. Nutzer:innen können hier aus einer Vielzahl von Tools wählen, darunter Bildbearbeitung, Animationen und Video-Generierung. Wer KI für dynamische Inhalte einsetzen möchte, findet in RunwayML eine spannende Alternative.

Stärken:

• Echtzeit-KI-Bearbeitung für Videos und Animationen
• Kombination aus Text-zu-Bild- und Video-Tools

Schwächen:

• Weniger auf reine Bildgenerierung spezialisiert
• Kostenpflichtige Pro-Funktionen

Fotor AI – Einsteigerfreundliche KI mit schnellen Ergebnissen

Fotor AI ist ein benutzerfreundlicher KI-Bildgenerator, der sich besonders für schnelle und unkomplizierte Bilder eignet. Nutzer:innen müssen keine komplexen Prompts eingeben – stattdessen bietet Fotor eine Vielzahl von Vorlagen, mit denen sich KI-Bilder mit wenigen Klicks erstellen lassen.

Stärken:

• Intuitive Bedienung
• Viele Vorlagen für schnelle Ergebnisse

Schwächen:

• Eingeschränkte Anpassungsmöglichkeiten
• Teilweise kostenpflichtig

Quelle: FotorAIFotorAI Prompt: A person creates an image using ai

Adobe Firefly – KI direkt in Photoshop und Illustrator

Adobe Firefly integriert generative KI-Funktionen direkt in die Adobe Creative Cloud. Besonders für Designer:innen und Fotograf:innen ist das ein Vorteil, da sie KI-generierte Inhalte nahtlos in bestehende Designs einfügen können. Mit Funktionen wie Text-zu-Bild und generativen Füllungen erleichtert Firefly die kreative Arbeit erheblich.

Stärken:

• Perfekte Integration in die Adobe-Umgebung
• Hohe Qualität für Grafiken und Fotomanipulation

Schwächen:

• Nur mit Adobe-Abo nutzbar

Deep Dream Generator – Kreative Kunstwerke mit KI

Der Deep Dream Generator wurde von Google entwickelt und spezialisiert sich auf künstlerische und abstrakte Bilder. Die KI erzeugt oft surreale, traumähnliche Bilder. Wer experimentelle Kunst erstellen möchte, sollte diesen Generator ausprobieren. Nutzer:innen können jedoch unter einer Vielzahl verschiedener Stilrichtungen wählen und so auch realistischere Bilder generieren.

Stärken:

• Besonders kreative und experimentelle Bildstile
• Einzigartige visuelle Effekte
• Wahl aus verschiedenen Bildstilen

Schwächen:

• Weniger Kontrolle über Details

Quelle: Deep Dream GeneratorDeep Dream Generator Prompt:a person creates an image using ai in a professional setting

Dream by Wombo – Mobile KI-Bildgenerierung für unterwegs

Dream by Wombo ist eine KI-Bildgenerator-App, die speziell für Smartphones entwickelt wurde. Nutzer:innen können schnell KI-Bilder auf ihrem Handy erstellen und mit verschiedenen Stilrichtungen experimentieren. Die App ist besonders für Social-Media-Inhalte oder schnelle kreative Skizzen geeignet.

Stärken:

• Kostenlose Nutzung möglich
• Ideal für schnelle Bilder unterwegs

Schwächen:

• Begrenzte Bildqualität
• Weniger detaillierte Ergebnisse als Midjourney

Tipps für bessere Ergebnisse beim KI Bilder Generieren

Ein leistungsstarker KI-Bildgenerator allein reicht nicht aus. Die Qualität der Bilder hängt maßgeblich vom Prompting ab – also davon, wie Du Deine Eingaben formulierst. Hier sind einige bewährte Methoden für bessere Ergebnisse:

1. Sei präzise mit Deinen Prompts

Vage Anweisungen wie „eine Stadt bei Nacht“ liefern oft unklare oder zufällige Ergebnisse. Besser ist eine detaillierte Beschreibung:

Guter Prompt:
„Eine futuristische Stadt bei Nacht, beleuchtet von Neonlichtern, Cyberpunk-Stil, Hochhäuser mit Hologramm-Werbung, reflektierender Asphalt, realistische Beleuchtung, 8K-Auflösung.“

2. Nutze Stil- und Qualitätsangaben

Je nach KI-Generator können bestimmte Keywords die Bildqualität beeinflussen. Hier einige Beispiele:

• „photorealistic“ (fotorealistisch)
• „hyper-detailed“ (sehr detailliert)
• „cinematic lighting“ (kinematografische Beleuchtung)
• „digital painting, concept art“ (künstlerischer Stil)

3. Verwende Negativ-Prompts

Viele KI-Tools unterstützen Negativ-Prompts, um unerwünschte Elemente zu vermeiden.

Beispiel:
Schlechter Prompt:„Ein Porträt einer Frau.“
Besser mit Negativ-Prompt: „Ein Porträt einer Frau, fotorealistisch, detailreich, weich beleuchtet. Negative Prompt: unscharf, verzerrt, überbelichtet, Artefakte.“

Mehr Hilfe zum Prompting erhältst Du in unseren Beiträgen zu Midjourney Prompts sowie zu den besten ChatGPT Prompts für das Marketing.

Fazit: Welche der Midjourney Alternativen ist die beste?

Die Wahl des richtigen KI-Bildgenerators hängt stark davon ab, welche Anforderungen Du an Deine Bilder stellst. Jedes der vorgestellten Tools hat seine eigenen Stärken und ist für bestimmte Anwendungsfälle besonders gut geeignet:

• Für realistische Bilder: DALL·E 3 oder Adobe Firefly
• Für kreative Stile: Leonardo.Ai oder Deep Dream Generator
• Für volle Kontrolle: Stable Diffusion
• Für Animationen und Videos: RunwayML

Midjourney ist stark – aber nicht alternativlos. Wer sich heute mit KI-gestützter Bildgenerierung beschäftigt und verschiedene Tools ausprobiert, kann sich einen klaren Wettbewerbsvorteil verschaffen. Die beste Strategie ist es, mehrere Tools zu testen und die richtige Kombination für Deine individuellen Bedürfnisse zu finden. Egal, ob für Marketing, E-Commerce, Content Creation oder künstlerische Projekte – mit den richtigen Prompts und den passenden KI-Tools kannst Du hochwertige und kreative Bilder erstellen, die Deine Zielgruppe beeindrucken.

Der Beitrag KI-Bildgeneratoren: Midjourney Alternativen im Vergleich erschien zuerst auf contentmanager.de.

Künstliche Intelligenz ist nützlich, keine Frage. Sie kann Aufgaben automatisieren und so effizienter gestalten und sogar menschliche Fehler vermeiden. Ihre Nutzung ist aber auch risikobehaftet. Nicht umsonst gibt es seit ihrem Einsatz zahlreiche Diskussionen rund um KI und Ethik und auch der Schutz vor Manipulation durch KI ist ein großes Thema. Umso mehr, je weiter die künstliche Intelligenz in unseren Alltag vorrückt. Auch Regierungen nehmen die Risiken des KI-Einsatzes ernst und geben gewisse Regeln im Umgang vor. Der EU AI Act, welcher ab dem 02. Februar 2025 gültig wird, erweitert diese. Was genau das Gesetz aussagt und was Unternehmen ab dem kommenden Jahr im Umgang im KI beachten müssen, erklären wir Dir im Artikel.

KI wurde von Menschen erschaffen, um Aufgaben effizienter zu gestalten und neue Möglichkeiten zu eröffnen. Nicht aber, um Menschen zu schaden. Da Künstliche Intelligenz aber grundsätzlich das Potenzial dazu hat, sei es durch die Verwendung von Daten aus vorurteilsbehafteten Quellen oder zum Beispiel durch die Nutzung oder Manipulation von urheberrechtlich geschützten Inhalten, braucht es Gesetze, die den Umgang mit ihr einschränken. Solche möchte die EU flächendeckend umsetzen und hat dazu schon im Juli dieses Jahres den EU AI Act veröffentlicht. Die darin enthaltenen Bestimmungen werden in verschiedenen Phasen mit unterschiedlichen Deadlines umgesetzt. Die erste Änderung tritt zum 2. Februar 2025 in Kraft. Den vollständigen Gesetzestext zum EU Artificial Intelligence Act findest Du auch auf einer eigenen Website. Hier kannst Du auch direkt in einem kurzen Selbsttest erfahren, inwieweit das Gesetz Dich und Dein Unternehmen betreffen wird.

Für wen gilt der EU AI Act?

Der EU AI Act gilt dabei für alle Unternehmen innerhalb der EU, die mit KI arbeiten. Trifft das auf Dein Unternehmen zu, solltest Du Dir die folgenden Bestimmungen einmal genauer ansehen. Eine gewisse Unterscheidung gibt es jedoch nach Art des Umgangs mit KI, zum Beispiel zwischen Anbieter, Betreiber, Importeur, Händler oder Anwender von Künstlicher Intelligenz. Den meisten Pflichten unterliegt etwa der Provider eines KI-Tools.

Nicht in den Geltungsbereich des Gesetzes fallen etwa KI-Systeme, die zur Forschung dienen und nicht für die kommerzielle oder operative Nutzung freigegeben werden, KI für militärische Zwecke oder KI-Systeme, die nur für persönliche Zwecke genutzt wird. KI-Software, die vor der Verordnung auf den Markt gebracht wurde fällt nur darunter, wenn sie wesentlich verändert wird.

Was besagt der EU AI Act?

Das EU-weite Gesetz folgt einem risikobasierten Ansatz. Es muss also bestimmt werden, welches Risiko einzelne KI-Tools in Zukunft für die Gesellschaft haben könnten. Es wird außerdem zwischen „KI mit spezifischem Verwendungszweck“ und „KI mit allgemeinem Verwendungszweck“ unterschieden. Letztere werden auf Basis ihrer Leistung und Reichweite in zwei Level aufgeteilt. Level 1, das Basismodell, unterliegt Transparenz- und Dokumentationspflichten über Vorgehensweise und Trainingsdaten. Level 2 Systeme, leistungsstarke Basismodelle, müssen strengere Regeln befolgen.

KI mit spezifischem Verwendungszweck lassen sich je nach Anwendung in vier Risikoklassen unterteilen:

Unakzeptables Risiko

In diese Klasse fallen KI-Systeme, die die europäischen Werte verletzen können, zum Beispiel durch die Bevor- oder Benachteiligung von Menschen aufgrund von Sozialverhalten oder anderer Merkmale. KI-Software, die in diese Risikoklasse fällt, ist nach dem EU AI Act verboten.

Hohes Risiko

Systeme, die in diese Klasse fallen, können zum Beispiel solche mit Zugriff auf medizinische Geräte oder biometrische Daten sein. Auch sie können potenziell eine Gefahr darstellen, daher müssen sie nach dem neuen Gesetz strenge Maßnahmen befolgen. Für sie muss es zum Beispiel ein Risikomanagement geben, ebenso wie eine automatische Aufzeichnung von Vorgängen. Diese müssen außerdem Nutzer:innen und Prüfenden transparent gemacht werden. Die Test- und Trainingsdaten für solche Hochrisiko-Systeme müssen außerdem den Qualitätskriterien des EU AI Acts entsprechen.

Mittleres Risiko

In diese Kategorie zählen zum Beispiel Chatbots wie ChatGPT. Hier müssen hauptsächlich umfangreiche Transparenzpflichten gegenüber den Nutzer:innen beachtet werden.

Minimales oder kein Risiko

Für diese Risikoklasse gibt es bisher keine speziellen Anforderungen. In ihr finden sich Systeme, die keine personenbezogenen Daten verarbeiten und auch keinen direkten Einfluss auf Personen haben. Dennoch ist natürlich auch bei diesen KI-Systemen ein verantwortungsvoller Umgang unerlässlich.

Wie sollte ich als Unternehmer:in handeln?

Die Seite Handelskraft bringt die nötigen Schritte mit einer kurzen Checkliste für Unternehmen zum EU AI Act auf den Punkt:

1. Risikoklassifizierung überprüfen
2. Transparenzpflicht einhalten
3. Bewusstsein schärfen
4. Datenschutz beachten
5. Überprüfungen durchführen

Und nicht nur Geschäftsführer:innen sollten sich der Risiken des KI-Einsatzes bewusst sein, auch regelmäßige Mitarbeiterschulungen sind sinnvoll.

EU AI Act beachten und für die Zukunft wappnen

Der Einsatz von KI ist für viele Unternehmen bereits nicht mehr wegzudenken. Fällt eines der verwendeten Systeme in ein verbotene Klasse oder müssen erst neue Strategien entwickelt werden, um dem EU AI Act Folge zu leisten, ist das erst einmal mit Aufwand verbunden. Im Gegensatz zu den empfindlichen Strafen, die Verstöße nach sich ziehen können – bis zu 30 Millionen Euro oder 6 % des weltweiten Vorjahresumsatzes – ist das jedoch ein kleines Übel. Zudem dienen die neuen Regelungen dem Wohle aller. Damit wir mit der KI auch in Zukunft neue Möglichkeiten, keine Hindernisse, schaffen können.

Der Beitrag EU AI Act – erste Regelungen ab Februar 2025 gültig erschien zuerst auf contentmanager.de.

Der neue AI-Index-Report ist da. Und er gibt spannende Aufschlüsse wie es um die weltweiten Entwicklungen im Bereich künstlicher Intelligenz steht. Das Ergebnis des Reports zeigt: China hat die Nase vorn und ist anderen Ländern im Praxiseinsatz von KI-Systemen entscheidend voraus. 

Was ist der Artificial-Intelligence-Index-Report?

Bei dem AI-Index-Report handelt es sich um einen jährlich publizierten Bericht der University of Standford, dem MIT und weiteren Organisationen. Auf rund 400 Seiten beschäftigt sich der Bericht mit den Entwicklungen zum Thema künstlicher Intelligenz im weltweiten Vergleich. Er gibt ein umfassendes Bildlieferz über aktuelle Forschungsstände, derzeitige Entwicklungen und rechtlichen Grundlagen. Auch ethische Fragestellungen werden beispielsweise in dem Report thematisiert.

AI Index Report: China geht als klarer Sieger hervor

Der Report ordnet den einzelnen Ländern ein Ranking zu, basierend auf dessen technologischen Fortschritt und deren Anwendung in der Praxis. Die Rangliste führt in diesem Jahr wieder China an. In diesem Land kommen die meisten Industrieroboter zum Einsatz. Auch unter den besten Forschungseinrichtungen befinden sich insgesamt neun chinesische Hochschulen. China ist also nicht nur im Praxiseinsatz von KI-Systemen, sondern auch in der Forschung Weltranglistenführer. Das liegt laut IPSOS Survey 2022 wohl auch daran, dass die chinesische Bevölkerung im Einsatz von Artficial Intelligence deutlich mehr Vor- als Nachteile sieht. Das Massachusetts Institute of Technology schafft es im Ranking der besten Forschungseinrichtungen immerhin auf den zehnten Platz. Allerdings ist die Bereitschaft der US-ameriakanischen Bevölkerung für KI-Systeme laut Befragung auch weitaus geringer, als die der chinesischen Bevölkerung. Der AI-Index-Report stellte außerdem fest, dass die meisten Entwicklungen im KI-Bereich nicht etwa von Forschungseinrichtungen stammen, sondern von Unternehmen. Zwar sind Hochschulen nach wie vor wichtig für die KI-Entwicklung, verlieren jedoch das Rennen gegen die Industrie.

USA: großzügige Investitionen in der KI-Entwicklung

Die USA sind weltweit der größte Geldgeber, wenn es um die KI-Entwicklung geht. Rund 47 Milliarden Dollar haben die Staaten in die Forschung und Entwicklung von künstlicher Intelligenz im vergangenen Jahr investiert. Den zweiten Platz in der Liste belegt China – allerdings mit einem deutlichen Abstand zu den USA. China investierte im Jahr 2022 etwa 13 Milliarden Dollar. Der Großteil der Investitionen, insgesamt 6,1 Millionen Dollar floss im Jahr 2022 in die Medizin und in das Gesundheitswesen. Data Management, Processing und Cloud kamen auf eine Investitionssumme von 5,9 Millionen Dollar dich gefolgt von FinTechs mit 5,5 Millionen Dollar.

Artificial Intelligence nimmt eine immer größere Bedeutung in unserer Gesellschaft ein und ist spätestens seit Chatbots wie ChatGPT und Google Bard nicht mehr wegzudenken. Wir sind gespannt welche neuen und innovativen Modelle die KI-Enwticklung noch in Zukunft für uns bereithält.

Der Beitrag AI-Index-Report 2023: diese Erkenntnisse liefert der Bericht erschien zuerst auf contentmanager.de.

Die neuen Entwicklungen des Content Management werden sich nicht mehr vorrangig auf einzelne Bereiche, wie in den letzten Jahren häufig auf den Sektor der neu entwickelten Technologien, beschränken. Die Trends für das Jahr 2019 umfassen fast jeden Bereich der Verwaltung und Distribution digitaler Inhalte. Worauf Sie sich in diesem Jahr einstellen müssen, erläutern wir Ihnen in unseren sechs Trends.

#1 Headless CMS & Digital-Experience-Plattformen

Headless CMS ist bereits seit geraumer Zeit ein wachsender Faktor im Content Management. Diese Entwicklung wird sich 2019 nicht nur fortsetzen, sondern noch verstärken: Durch den anhaltenden Wandel des Nutzerverhaltens hin zu mehr und unterschiedlicheren Devices können Headless CMS ihre Stärken noch effizienter ausspielen. Die Systeme ermöglichen mit geringem Aufwand die Content-Distribution auf neue Devices und integrieren diese in bestehende Prozessabläufe. Neue Anforderungen an Headless CMS, den Content nicht device-gebunden, sondern sogar angepasst und device-spezifisch auszugeben, wird zu einem der dominierenden Aspekte. Die Relevanz dieser Faktoren wird durch begleitende Entwicklungen der digitalen Transformation weiter gesteigert. Das Internet of Things (IoT), Virtual (VR) und Augmented Reality (AR) und die zunehmende Ausbreitung von Sprachassistenten sind hier bestimmende Elemente. Gleichzeitig führen sie dazu, dass die Headless-CM-Systeme mit Digital-Experience-Plattformen kombiniert bzw. integriert werden. So können Marketingkampagnen mit der größtmöglichen Anzahl an unterschiedlichen Touchpoints gestaltet werden.

#2 Kundenzentrierung

Die extreme Ausrichtung auf die neuen Anforderungen und Wünsche der User ist ein weiterer Trend: Die Zentrierung auf den Kunden wird sich zu einem der elementaren Punkte für das Content Management herausbilden. Zielgruppenorientierte Kampagnen mit einem hohen Grad an möglicher Personalisierung rücken in den Fokus, um den Kunden in den Mittelpunkt zu stellen, denn die Bedürfnisse der Kunden nach individueller Ansprache und angepassten Angeboten sind enorm: Eine Umfrage von Statista hat gezeigt, dass über 80 % der befragten Nutzer personalisierte Angebote bevorzugen. Marketer sollten daher verstärkt auf diesen Trend reagieren. Auch die Personalisierung wird das Content Management mit der Verschiebung des Konsumverhaltens hin zu einem stärker auditiv geprägten Nutzerverhalten, der Integration dynamischer Kundenprofile oder kontextbezogener Ansprache vor neue Herausforderungen stellen.

#3 Technologischer Fortschritt – AI, Automatisierung, Infrastruktur, Cloud, Voice Marketing

Die erhöhten Anforderungen durch individualisierte Kundenkommunikation erzwingt förmlich die Integration neuer Technologien und Lösungsstrategien. Die Automatisierung von Arbeitsprozessen durch künstliche Intelligenz wird hier eine der beherrschenden Thematiken sein. Eine realistische Perspektive zeigt sich beispielsweise bei der Content Creation: AI kann hier zur Unterstützung eingesetzt werden, in dem kleinere Content Pieces von ihr erstellt und gleichzeitig verwaltet werden. Gerade bei einheitlichen oder standardisierten Inhalten wie Börsenübersichten, Sportzusammenfassungen und Wettervorhersagen zeigt sich eine zukunftsnahe Umsetzung. Die Implementierung dieser Abläufe zieht eine Reihe weiterer technologischer Neuerungen mit sich. So werden neue Infrastrukturen, die die neue Verwaltung stützen und neue Cloudstrategien, beispielsweise um die Vorteile verschiedener Systeme und die Flexibilität von Multicloud-Services zu nutzen, benötigt. Dazu kommen auf Kundenseite die Nutzung neuer Technologien wie Voice Assistants und Smart Speakers, deren Nutzung ebenfalls durch den Technologie-Stack ermöglicht werden muss.

#4 Remote Work

Die steigende Flexibilität durch weiterentwickelte Technologien befeuert gerade in Bezug auf interne Kommunikation und Prozessabläufe einen anderen Trend 2019: Remote Work. In den letzten Jahren sind die Zahlen der Arbeitszeiten außerhalb des Büros immer weiter gewachsen und die Tendenz ist weiter steigend. Über tausend befragte Personalchefs gehen davon aus, dass in den nächsten zehn Jahren 38 % der Arbeit remote stattfinden wird. Die Gründe dafür sind eindeutig: Höhere Flexibilität, einfacherer Ausgleich der Work-Life-Balance und bessere Vereinbarkeit von Familie und Beruf sind nur einige der treibenden Faktoren. Die dezentrale Arbeitsorganisation hat hohe Anforderungen an Absprache, Kommunikation und Planung und kann nur mit den richtigen technischen Hilfsmitteln umgesetzt werden. Die Bandbreite an leistungsfähigen Tools umfasst dabei uneingeschränkten, ortsungebundenen Datenzugriff über Cloudspeicher, einfache Kommunikationstools oder effiziente Planungstools.

#5 Marketing Integration

Eine neue Form der Zusammenarbeit zeigt sich auch in der Integration des Marketings in fast alle bestehenden Unternehmensabläufe. Durch die erhöhten Ansprüche der Kunden an eine verbesserte, personalisierte Customer Journey müssen IT-, Sales- und Marketingteams neue Strategien der Vernetzung, Kommunikation und Kollaboration entwickeln. Die Integration eines einheitliche Marketingplans für das gesamte Unternehmen ist daher wichtig für den Erfolg und die erfolgreiche Ansprache der Kunden über alle unterschiedlichen Kanäle und Touchpoints – und ist 2019 eine der relevantesten Veränderungen für Unternehmen. Alle Aspekte des Marketing und der Produktpromotion müssen hier zusammenfließen, um eine konsistente Customer Journey zu ermöglichen. Die funktionierende Implementierung der neuen Prozesse und die Errichtung einer intakten und effizienten Kommunikation sind so die wesentlichen Bestandteile und anstehenden Aufgaben für die Marketing Integration 2019.

#6 IT-Security

IT-Security wird 2019 eines der dringlichsten Themen sowohl auf Unternehmens- als auch auf Kundenseite sein. Für Unternehmen entsteht durch dezentrale Remote Work und den vermehrten Einsatz von Cloudsystemen eine erhöhte Nachfrage nach sicheren Arbeitsumgebungen. Datenspeicherung, automatisierte digitale Arbeitsprozesse und der Schutz vor Datendiebstahl sind hier die relevantesten Faktoren, die den Ausbau der Security-Teams und -Infrastrukturen vorantreiben werden. Für die Kunden dreht sich hier alles um Datenschutz und vertrauensvollen Umgang bei der Verarbeitung der Daten durch sichere Datentransporte und -speicher. Gerade in expandierenden Märkten mit neuen Devices im IoT und einer wachsenden Anzahl an Nutzern und damit mehr digitalen Angriffen steigt bei ihnen das Verlangen nach größerer IT-Sicherheit. Fraglich bei dieser Entwicklung ist die Rolle der KI: Einerseits wird sie mehr und mehr für Cyber- und Hackerangriffe missbraucht, stellt aber gleichzeitig auch eine der effektivsten Möglichkeiten zu deren Bekämpfung dar.

Sie interessieren sich für die Entwicklung von Content Management im digitalen Zeitalter? Im kostenlosen E-Book Content Management im Wandel von contentpepper erfahren Sie wie Kundenansprüche und neue Technologien das Feld verändern und die sieben Trends im Content Management der Zukunft.

Der Beitrag Die sechs wichtigsten Trends im Content Management 2019 erschien zuerst auf contentmanager.de.

1. KI sagt Lebenserwartung voraus

Forscher der University of Adelaide haben eine künstliche Intelligenz entwickelt, die computertomografische Bilder des Brustkorbs von Testpersonen analysiert und so künftige Erkrankungen erkennt. Dadurch kann das Programm die Sterbewahrscheinlichkeit der Person innerhalb der nächsten fünf Jahre mit 69-prozentiger Sicherheit und damit ähnlich präzise wie ein Mediziner vorhersagen. Das Erkennen von Krankheiten und das Erstellen von Prognosen war bislang Personen mit umfangreicher medizinischer Ausbildung vorbehalten.

2. Software ersetzt Bauchgefühl von Richtern

Der US-Bundesstaat New Jersey wendet seit Anfang 2017 eine Software an, die dabei helfen soll, zu entscheiden, ob ein Straftäter vor Prozessbeginn auf Kaution freigelassen werden soll. Statistiken beweisen, dass diese Entscheidungen oft auf das Bauchgefühl der zuständigen Richter zurückzuführen sind. Der Algorithmus „Public Safety Assessment“ bezieht die Daten von 1,5 Millionen Fällen in den USA ein, evaluiert das Risiko, das die jeweilige Person darstellt, und gibt Richtern eine Entscheidungshilfe an die Hand.

3. Vervoe führt Bewerbungsgespräche

Die Plattform des australischen Start-ups Vervoe ersetzt aufwendige Bewerbungsgespräche durch ein automatisiertes System und testet mehrere Bewerber gleichzeitig. Vervoe verfügt über vorgefertigte Interviewskripts in verschiedenen Formaten, etwa Video oder Audio, die die Unternehmen samt Stellenangebot veröffentlichen können. Nach Abschluss der Bewerbungsrunde, bei der ungeeignete Bewerber vorselektiert werden, erhält das Unternehmen unbegrenzten Zugriff auf alle Interviews und kann diese schnell und unkompliziert sichten.

4. „Doktor“ Watson diagnostiziert Herzklappenfehler

IBM bringt seine Watson-Technologie nun erstmals in Krankenhäusern bei der bildgebenden Diagnostik von Herzklappenfehlern zum Einsatz. Die Watson-Technologie soll die Ärzte bei der schwierigen Diagnose unterstützen, indem sie Arztberichte abruft, sie mit anderen relevanten medizinischen Daten vergleicht und schließlich die Aufnahmen vom Herzen des Patienten analysiert.

5. AUDREY überwacht die Feuerwehr

Das Jet Propulsion Laboratory der NASA und das Department of Homeland Security arbeiten an einem auf künstlicher Intelligenz basierenden System, das Informationen aus der Umgebung sammelt und in Echtzeit an Feuerwehrmänner übermittelt. „AUDREY“ ist mit dem Internet der Dinge vernetzt. So kann das System sich mit tragbaren Sensoren und mit an Schutzhelmen befestigten Bildschirmen verbinden. Dabei werden Daten wie die Temperatur, das Austreten gefährlicher Gase und die GPS-Standorte aller Feuerwehrleute in Echtzeit angezeigt. „AUDREY“ soll somit für mehr Sicherheit bei der gefährlichen Arbeit sorgen.

6. Software findet neue Medikamente

Das Start-up Atomwise hat die Software „AtomNet“ entworfen, die Molekularstrukturen mit Potenzial für medizinische Wirkstoffe analysieren kann. Die gewonnenen Daten helfen zu erkennen, wie verschiedene Moleküle miteinander reagieren und sich aneinanderbinden. Auf diese Weise könnte die initiale Phase des systematischen Ausprobierens neuer Medikamente drastisch verkürzt und Forschungskosten könnten gesenkt werden.

7. Flippy brät Burger

Die Fast-Food-Kette CaliBurger hat gemeinsam mit Miso Robotics den robotischen Küchenassistenten „Flippy“ entwickelt, der das Fleisch für Hamburger brät und aus seiner Erfahrung lernt. Das System besteht aus einem Wagen auf Rädern und einem sechsachsigen Arm. Dieser Arm verwendet abnehmbare Werkzeuge für die unterschiedlichen Arbeitsschritte. Mit Hilfe von Sensoren an der dem Grill zugewandten Seite erstellt der Roboter thermale Daten und 3D-Daten. Mehrere Kameras ermöglichen es ihm, seine Umgebung zu sehen. Wenn Soßen und Käse hinzuzugegeben werden und das fertige Produkt eingepackt wird, informiert der Roboter die CaliBurger-Mitarbeiter.

8. Butler Charley bedient Luxus-Bewohner

Das kalifornische Robotikunternehmen Savioke hat einen intelligenten Roboterbutler entwickelt, der jetzt unter dem Namen Charley erstmals auch in einem Luxuswohngebäude eingesetzt werden soll. Die Bewohner können über iPads ihre Bestellungen an Charley übermitteln. Trifft eine Lieferung am Empfang ein, übergibt ein Mitarbeiter die Ware an den Roboter und teilt ihm mit, wo er sie abliefern soll. Charley setzt sich dann in Bewegung und fährt eigenständig bis zur richtigen Wohnungstür.

9. VALCRI jagt Verbrecher

Ein Forscherteam der Middlesex University hat das System „VALCRI“ entwickelt, das die Kriminalpolizisten in Zukunft bei ihrer Arbeit unterstützt. Das System soll bei der Verbrechensaufklärung etwa die mühsame und zeitaufwendige Suche nach ähnlichen Fällen innerhalb weniger Sekunden durchführen und die Ergebnisse anschließend visualisieren. Um plausible Ermittlungsvorschläge machen zu können, scannt das System Millionen von Polizeiverhören, -bildern und -videos und sucht nach Verbindungen, die für den aktuellen Fall relevant sein könnten.

10. Coded Couture schneidert das perfekte Kleid

Google hat in Kooperation mit der Marke Ivyrevel des schwedischen Bekleidungshauses H & M die App „Coded Couture“ entwickelt. Diese erstellt anhand des Datenprofils der Nutzerin individuelle Kleidungsstücke. Dazu zeichnet die App zunächst sieben Tage lang Standorte, Wetterdaten und die körperliche Aktivität der Nutzerin auf. Unter Berücksichtigung dieser Daten wird dann ein Outfit erstellt, das am besten zum Leben der Nutzerin passt.

Alle 33 Anwendungszenarien im Futuregram „Artificial Co-Working“.

Der Beitrag 10 Beispiele, wie Künstliche Intelligenz die Arbeit erleichtert erschien zuerst auf contentmanager.de.