Philipp Klöckner: Wo wir wirklich stehen und was uns erwartet

Philipp Klöckner ist einer der profiliertesten Tech-Analysten und Investoren im deutschsprachigen Raum und zählt zu den prägenden Köpfen der deutschen Digitalwirtschaft. Ein Highlight ist jedes Jahr seine Keynote auf der OMR. Auch 2026 war das Festival in Hamburg wieder der wichtigste Treffpunkt der Digital- und Marketingbranche. Rund 70.000 Besucher kamen zusammen, um über Technologie, Plattformen, Medien, Marketing und die Zukunft der digitalen Wirtschaft zu diskutieren. Klöckners Vortrag „Beyond the AI hype: Wo wir wirklich stehen und was uns erwartet“ war dabei eine der zentralen Einordnungen zum Stand der künstlichen Intelligenz.

Im Kern ging es um eine nüchterne Bestandsaufnahme. Vor einem Jahr wurde noch viel darüber diskutiert, ob generative KI nach der ersten Euphorie in ein Tal der Enttäuschung rutscht. Viele fragten sich, ob die Entwicklung der Modelle gegen eine technische Wand fährt, ob zu viel Kapital in den Markt fließt und ob die wirtschaftliche Wirkung überschätzt wird. Klöckners Antwort darauf fällt eindeutig aus: Die Entwicklung ist nicht stehen geblieben, sondern hat sich im vergangenen Jahr deutlich beschleunigt. In nahezu allen relevanten Bereichen – Sprache, Bildgenerierung, Programmierung, Agenten, Kosten und Unternehmensanwendungen – sind große Fortschritte sichtbar.

1. KI entwickelt sich weiter – und zwar schneller als viele erwartet haben

Eine der wichtigsten Aussagen des Vortrags lautet: Künstliche Intelligenz fährt derzeit nicht gegen eine Wand. Die Leistungsfähigkeit der Modelle nimmt weiter zu. Das zeigen unterschiedliche Benchmarks, aber auch sehr praktische Beispiele aus der Anwendung. Besonders deutlich wird das bei Bildmodellen. Während KI-generierte Bilder vor einiger Zeit noch häufig an fehlerhaften Schriften, verwaschenen Details oder typischen Artefakten zu erkennen waren, liefern neuere Modelle inzwischen Ergebnisse, die deutlich präziser, kontrollierbarer und vielseitiger sind. Historische Poster, touristische Karten, Präsentationsfolien oder Illustrationen für Kinder lassen sich inzwischen in einer Qualität erzeugen, die vor kurzer Zeit noch kaum vorstellbar war.

Auch bei Sprach- und Coding-Modellen ist die Entwicklung deutlich. Früher konnten KI-Systeme vor allem kurze Aufgaben erledigen: einen Text schreiben, eine kleine Excel-Automatisierung erstellen oder ein überschaubares Stück Software erzeugen. Heute können Modelle über einen wesentlich längeren Zeitraum autonom arbeiten. Klöckner beschreibt, dass KI inzwischen mit einem System aus Agenten über Stunden an Aufgaben arbeiten kann und dabei mit relevanter Erfolgswahrscheinlichkeit brauchbare Ergebnisse liefert. Das bedeutet nicht, dass KI schon zuverlässig komplexe Verantwortung übernehmen kann. Es zeigt aber, dass sich die Zeithorizonte verschieben: Aus dem Chatbot, der nur auf eine Frage antwortet, wird schrittweise ein System, das Aufgaben plant, ausführt, prüft und weiterbearbeitet.

Diese Entwicklung wird durch mehrere Faktoren begünstigt. Neben besserer Software und leistungsfähigerer Hardware spielt die Qualität der Trainingsdaten eine immer größere Rolle. Es entstehen eigene Märkte für Datenaufbereitung, Datenanreicherung und synthetische Trainingsdaten. Hinzu kommt, dass KI-Systeme zunehmend zur Verbesserung von KI-Systemen eingesetzt werden. Auch Reinforcement Learning spielt eine größere Rolle: Modelle werden durch Feedback, Nutzungsmuster und Erfolgssignale weiter optimiert. Wenn Nutzer Ergebnisse übernehmen, teilen oder weiterverwenden, kann daraus ein Signal für die Qualität des Outputs entstehen. Umgekehrt zeigen wiederholte Rückfragen, dass eine Antwort offenbar nicht ausgereicht hat. Dadurch entsteht ein permanenter Verbesserungsprozess.

2. Die Nutzung von KI wird billiger, während die Entwicklung teurer wird

Ein zentraler Punkt ist die gegenläufige Kostenentwicklung. Die Nutzung von KI wird für Anwender immer günstiger. Wer mit der Leistungsfähigkeit früherer Modelle zufrieden ist, bekommt vergleichbare Ergebnisse heute oft um den Faktor zehn oder sogar hundert günstiger. Das betrifft vor allem die Anwendung von KI: Texte generieren, Informationen zusammenfassen, Daten klassifizieren, Code schreiben oder Bilder erzeugen. Die Grenzkosten digitaler Produktion sinken dadurch erheblich. Was früher Stunden menschlicher Arbeit erforderte, kann heute in Sekunden oder Minuten erstellt werden.

Gleichzeitig steigen die Kosten für das Training und den Betrieb der leistungsfähigsten Modelle massiv. Wer ein führendes KI-Modell entwickeln will, braucht enorme Mengen an Rechenleistung, Spezialchips, Rechenzentren, Strom, Kühlung und Kapital. Klöckner macht deutlich, dass die Investitionen in Rechenzentren inzwischen Größenordnungen erreicht haben, die mit historischen Großprojekten vergleichbar sind. Die großen Technologieunternehmen investieren Hunderte Milliarden Dollar in Infrastruktur, um im KI-Wettbewerb nicht zurückzufallen. Für die Anbieter bedeutet das: Die Entwicklung der besten Modelle wird immer kapitalintensiver, während die Nutzung für Kunden immer günstiger erscheint.

Diese Spannung prägt den gesamten Markt. Auf der einen Seite entsteht der Eindruck, KI werde zum Massenprodukt. Auf der anderen Seite konzentriert sich die eigentliche Infrastruktur auf wenige globale Unternehmen mit enormer Finanzkraft. Google, Microsoft, Amazon, Meta, OpenAI, Anthropic und einige chinesische Anbieter bestimmen die Geschwindigkeit. Kleinere Anbieter können einzelne Anwendungen oder Speziallösungen bauen, aber der Wettbewerb um die leistungsfähigsten Basismodelle ist extrem teuer geworden.

3. KI-Content nimmt zu – und Qualität wird wichtiger

Durch die sinkenden Nutzungskosten entsteht ein neues Problem: Das Internet wird mit KI-generierten Inhalten geflutet. Texte, Bilder, Produktbeschreibungen, Social-Media-Posts, Präsentationen, Stellenanzeigen und sogar Reden werden immer häufiger mit KI erstellt. Klöckner weist darauf hin, dass bestimmte sprachliche Muster inzwischen leicht erkennbar sind. Dazu gehören künstliche Gegensätze, überglatte Formulierungen und typische Phrasen, die in vielen generischen KI-Texten auftauchen. Besonders auf LinkedIn fällt auf, wie ähnlich viele Beiträge inzwischen klingen.

Das Problem ist nicht, dass KI beim Schreiben unterstützt. Für viele Anwendungsfälle ist das sinnvoll und produktiv. Problematisch wird es, wenn Nutzer den Standardstil der Modelle ungeprüft übernehmen. Dann entstehen Texte, die zwar korrekt und professionell wirken, aber austauschbar bleiben. Gerade Führungskräfte, Unternehmer und Politiker laufen dadurch Gefahr, an eigener Stimme zu verlieren. Wer KI nutzt, sollte deshalb eigene Tonalität, eigene Argumente und eigene Perspektiven bewusst einbringen. KI kann beim Strukturieren, Verdichten und Formulieren helfen, sollte aber nicht die inhaltliche Verantwortung übernehmen.

Für Medien, Blogs und Fachautoren wird diese Entwicklung ambivalent. Einerseits wird es leichter, Inhalte zu erstellen. Andererseits steigt der Wert von echter Einordnung. Wenn einfache Informationsproduktion immer billiger wird, wird kuratierte, geprüfte und verantwortete Analyse wichtiger. Die Unterscheidung zwischen KI-generiertem und menschlichem Content wird langfristig schwerer. Deshalb könnte es wichtiger werden, menschlich verantwortete Inhalte positiv auszuzeichnen, statt KI-Inhalte technisch kennzeichnen zu wollen. Entscheidend ist am Ende nicht, ob ein Text mit KI-Unterstützung entstanden ist, sondern ob er fachlich belastbar, nachvollziehbar und eigenständig ist.

4. Der Markt wächst, aber die Nutzung ist noch lange nicht ausgereizt

Obwohl KI bereits als riesiger Markt gilt, steht die tatsächliche Nutzung noch am Anfang. Viele Menschen haben KI noch nie ausprobiert. Von denen, die KI getestet haben, nutzt ein erheblicher Teil die Systeme nur sporadisch. Viele führen weniger als zehn Konversationen pro Woche und nutzen damit nur einen sehr kleinen Teil des Potenzials. Wirkliche Heavy User, die KI täglich intensiv für Arbeit, Analyse, Programmierung, Recherche oder Automatisierung einsetzen, sind weiterhin eine Minderheit.

Auch in Unternehmen ist der Unterschied zwischen Experiment und produktiver Nutzung groß. Viele Unternehmen geben an, KI einzusetzen oder zumindest zu testen. Tatsächlich handelt es sich aber häufig um Pilotprojekte, einzelne Chatbot-Zugänge oder erste Versuche in Fachabteilungen. Die breite Skalierung in Kernprozesse steht oft noch aus. Genau hier sieht Klöckner einen großen Hebel. Der Markt ist nicht deshalb groß, weil KI bereits überall voll integriert ist, sondern weil die erwartete Integration in den nächsten Jahren gewaltig ist.

Interessant ist auch, wie KI-Anbieter versuchen, die Einführung in Unternehmen zu beschleunigen. Sie orientieren sich an Modellen, die aus der Enterprise-Software bekannt sind. Anbieter schicken eigene Entwickler, Projektmanager oder Implementierungsteams in Unternehmen, um konkrete Anwendungsfälle umzusetzen. Zudem arbeiten sie mit Beratungen und Private-Equity-Gesellschaften zusammen, weil deren Portfoliounternehmen oft schneller bereit sind, Produktivitätshebel zu nutzen. Das zeigt: KI verkauft sich in Unternehmen nicht automatisch. Viele Organisationen brauchen Hilfe, um Daten, Prozesse und Anwendungsfälle so vorzubereiten, dass KI tatsächlich Wirkung entfalten kann.

5. Anthropic, OpenAI, Google und China: Der KI-Markt differenziert sich

Ein weiterer wichtiger Punkt ist die Verschiebung im Wettbewerb. OpenAI hat mit ChatGPT den öffentlichen Durchbruch generativer KI geprägt. Im B2B-Bereich hat jedoch Anthropic mit Claude stark aufgeholt. Vor allem professionelle Nutzer, Entwickler und Unternehmen scheinen Claude in bestimmten Bereichen intensiv einzusetzen. Klöckner verweist darauf, dass Anthropic im Unternehmensmarkt besonders stark geworden ist, weil das Unternehmen früh auf B2B-Anwendungen, Coding und professionelle Workflows gesetzt hat.

Der Vorteil im B2B-Geschäft liegt in der höheren Kundenbindung. Verbraucher wechseln schnell zwischen Tools, probieren aus und kündigen Abos. Unternehmen sind träger, aber auch wertvoller. Wenn ein KI-System einmal in Prozesse, Datenstrukturen und Arbeitsabläufe integriert ist, wird ein Wechsel schwieriger. Zudem steigt die Nutzung innerhalb eines Unternehmens oft automatisch: Wenn erste Teams erfolgreich mit KI arbeiten, folgen weitere Abteilungen. Die Umsätze pro Unternehmenskunde können dadurch stark wachsen.

Google wiederum hat andere Vorteile. Das Unternehmen verfügt über eigene KI-Chips, enorme Datenmengen und eine unvergleichliche Distribution. KI kann direkt in Suche, Gmail, Android, Chrome, Workspace, YouTube oder Maps integriert werden. Dadurch erreicht Google Milliarden Nutzer, ohne dass diese bewusst ein neues Tool auswählen müssen. Hinzu kommt, dass Google KI teilweise über sein bestehendes Werbemodell querfinanzieren kann. Das könnte insbesondere bei kostenlosen KI-Angeboten ein entscheidender Vorteil sein.

China spielt eine andere Rolle. Chinesische Modelle holen technologisch auf und sind oft deutlich günstiger. Sie orientieren sich teilweise an den führenden US-Modellen, destillieren deren Fähigkeiten und bieten ähnliche Leistungen zu niedrigeren Preisen an. Für Startups und Entwickler kann das attraktiv sein. Gleichzeitig entstehen neue Abhängigkeiten und politische Fragen. Für Europa stellt sich damit nicht nur die Frage, ob man amerikanische Plattformen nutzt, sondern auch, ob chinesische Open-Source- oder Open-Weight-Modelle eine Alternative sein können. Beide Wege sind aus Sicht digitaler Souveränität nicht unproblematisch.

6. Europa muss seine Daten besser nutzen

Für Deutschland und Europa fällt die Diagnose ernüchternd aus. Es gibt kein führendes europäisches Basismodell auf dem Niveau der großen US-Anbieter. Es gibt keine relevante eigene Produktion modernster KI-Chips. Auch bei globaler Distribution fehlen europäische Plattformen mit Milliarden Nutzern. Damit fehlen genau jene Faktoren, die im KI-Wettbewerb besonders wichtig sind: Hardware, Daten, Kapital, Forschungstempo und Reichweite.

Europa ist aber nicht chancenlos. Die wichtigste Ressource könnten die eigenen Daten sein. In Industrie, Maschinenbau, Verwaltung, Gesundheitswesen, Mobilität, Energie, Recht, Bildung und Mittelstand liegen riesige Datenbestände und Prozesskenntnisse. Der strategische Punkt ist, diese Daten sicher, strukturiert und souverän nutzbar zu machen. Europa muss nicht zwingend den nächsten globalen Consumer-Chatbot bauen. Viel relevanter könnte sein, spezialisierte KI-Anwendungen für industrielle und regulierte Umfelder zu entwickeln.

Das bedeutet aber auch: Europa darf KI nicht nur als Regulierungsaufgabe verstehen. Regulierung ist wichtig, reicht aber nicht. Wer nur Regeln schreibt, aber keine Infrastruktur aufbaut, wird abhängig bleiben. Digitale Souveränität entsteht nicht durch Appelle, sondern durch Rechenleistung, Datenräume, sichere Cloud-Infrastruktur, offene Schnittstellen, Fachanwendungen und Investitionen. Gerade für Deutschland liegt die Chance darin, KI nicht abstrakt zu betrachten, sondern tief in reale Wertschöpfung einzubetten.

7. KI verändert Suche, Sichtbarkeit und das offene Web

Eine der größten Veränderungen betrifft die Suche. Jahrzehntelang funktionierte das Internet nach dem Prinzip: Nutzer suchen bei Google, erhalten Trefferlisten und klicken auf Webseiten. Daraus entstanden SEO, Content-Marketing, Publisher-Geschäftsmodelle und ein großer Teil der digitalen Werbeökonomie. KI verschiebt dieses Modell. Wenn Suchmaschinen und Chatbots Antworten direkt ausgeben, wird der Klick auf die ursprüngliche Quelle seltener.

Für Webseitenbetreiber ist das ein ernstes Problem. Inhalte werden von KI-Systemen gelesen, zusammengefasst und weiterverarbeitet, ohne dass daraus automatisch Besucher entstehen. Sichtbarkeit in einer KI-Antwort bedeutet nicht zwingend Traffic. Für Medien, Blogs und Unternehmen stellt sich damit die Frage, wie Inhalte künftig wirtschaftlich tragfähig bleiben. Wenn das offene Web die Trainings- und Antwortbasis für KI liefert, aber keine angemessene Gegenleistung erhält, entsteht ein strukturelles Ungleichgewicht.

Für Unternehmen bedeutet diese Entwicklung, dass klassische Suchmaschinenoptimierung ergänzt werden muss. Es reicht nicht mehr, nur auf Google-Rankings zu schauen. Inhalte müssen so aufgebaut sein, dass sie auch von KI-Systemen als relevante, vertrauenswürdige und eindeutige Quelle erkannt werden. Das erfordert klare Strukturen, fachliche Tiefe, konsistente Aussagen, Autorität und gut zugängliche Informationen. Dünne Marketingtexte werden weniger helfen. Substanz, Expertise und nachvollziehbare Einordnung werden wichtiger.

8. Die Jobdebatte ist komplexer als viele Schlagzeilen

Die Frage, ob KI Arbeitsplätze vernichtet, lässt sich nicht einfach mit Ja oder Nein beantworten. Klöckner weist darauf hin, dass viele aktuelle Entlassungen in der Techbranche nicht allein durch KI erklärbar sind. Zinssteigerungen, das Ende der Corona-Sonderkonjunktur, überhöhte Einstellungen während der Pandemie und der Kapitalbedarf für Rechenzentren spielen ebenfalls eine große Rolle. Viele Unternehmen haben in der Pandemie zu schnell zu viele Mitarbeiter eingestellt und korrigieren diese Entwicklung nun.

Trotzdem wird KI die Arbeitswelt verändern. Besonders Tätigkeiten, die standardisierbar, digital und datenbasiert sind, stehen unter Veränderungsdruck. Das betrifft Recherche, Textproduktion, einfache Analyse, Codegenerierung, Dokumentenprüfung, Kundenservice und administrative Routinen. Es bedeutet aber nicht, dass ganze Berufe sofort verschwinden. Wahrscheinlicher ist, dass einzelne Tätigkeiten automatisiert werden und sich Rollen neu zusammensetzen.

Besonders relevant ist die Frage nach Junior-Jobs. Einerseits kann KI einfache Einstiegsaufgaben übernehmen. Andererseits sind gerade junge Menschen häufig diejenigen, die KI am selbstverständlichsten nutzen. Unternehmen, die jetzt keine Nachwuchskräfte mehr einstellen, könnten sich langfristig selbst schaden. Sie verlieren den Zugang zu einer Generation, die mit KI-Werkzeugen aufwächst und neue Arbeitsweisen schneller adaptiert. Die richtige Schlussfolgerung kann daher nicht sein, keine Juniors mehr einzustellen. Vielmehr müssen Unternehmen Nachwuchskräfte gezielt mit KI-Kompetenz, Prozessverständnis und Qualitätskontrolle verbinden.

9. KI erhöht die Produktivität kleiner Teams

Eine absehbare Folge ist, dass kleinere Teams künftig mehr leisten können. Startups werden weniger Mitarbeiter benötigen, um Produkte zu entwickeln, Kunden zu bedienen oder interne Abläufe zu organisieren. KI-gestützte Entwicklung, automatisierte Analyse, schnellere Prototypen und einfachere Produktivsysteme senken die Hürde, neue Unternehmen zu bauen. Dadurch könnten sogenannte Unicorns mit deutlich weniger Personal entstehen als früher.

Für etablierte Unternehmen ist das eine Herausforderung. Sie müssen bestehende Strukturen umbauen, während neue Unternehmen von Anfang an KI-nativ arbeiten können. Diese Trennung könnte die Wirtschaft prägen: alte Organisationen, die KI mühsam in bestehende Prozesse integrieren, und neue Organisationen, die viele Prozesse gar nicht mehr manuell aufbauen. Der Unterschied liegt nicht nur in der Technologie, sondern in der Organisationslogik.

Das bedeutet auch, dass Produktivität stärker auseinanderlaufen kann. Unternehmen, die KI konsequent nutzen, werden schneller, schlanker und datengetriebener arbeiten. Unternehmen, die KI nur punktuell einsetzen, werden den Unterschied zunächst vielleicht kaum spüren, mittelfristig aber an Wettbewerbsfähigkeit verlieren. Gerade im Mittelstand wird es darauf ankommen, KI nicht als Spielerei zu behandeln, sondern als Werkzeug zur Prozessverbesserung.

10. Energie, Rechenzentren und Chips werden zur strategischen Frage

KI ist nicht nur Software. Hinter jeder Anfrage stehen Rechenzentren, Chips, Strom, Kühlung und Netze. Der Bedarf an Energie und Hardware steigt massiv. Klöckner verweist darauf, dass die geplanten Rechenzentrumskapazitäten enorme Strommengen benötigen werden. Damit wird KI auch zu einer energie- und industriepolitischen Frage.

Für Länder und Regionen bedeutet das: Wer KI-Infrastruktur ansiedeln will, braucht Energieverfügbarkeit, Netzkapazitäten, Genehmigungsgeschwindigkeit und Kühlungskonzepte. Gleichzeitig stellt sich die Frage, wie nachhaltig der Ausbau sein kann. Rechenzentren konkurrieren mit anderen Stromverbrauchern. Wenn KI-Anwendungen wirtschaftlich immer wichtiger werden, wird die Energieversorgung zum Standortfaktor.

Auch Chips sind strategisch. Ein Großteil der modernsten Halbleiterproduktion konzentriert sich auf wenige Regionen, insbesondere Taiwan. Das schafft geopolitische Risiken. Europa wird diese Abhängigkeit kurzfristig nicht vollständig auflösen können. Umso wichtiger ist es, realistisch zu definieren, auf welchen Ebenen eigene Souveränität möglich ist: bei Daten, Anwendungen, Infrastruktur, Standards, Sicherheit und industrieller Integration.

11. KI bringt neue Cyberrisiken

Mit der Leistungsfähigkeit von KI steigen auch die Sicherheitsrisiken. KI kann helfen, Schwachstellen schneller zu finden, Angriffe zu automatisieren, Phishing glaubwürdiger zu machen und große Datenmengen auszuwerten. Gleichzeitig kann KI auch Verteidiger unterstützen, etwa bei der Analyse von Logdaten, der Priorisierung von Risiken oder der Erkennung ungewöhnlicher Muster.

Die Geschwindigkeit ist entscheidend. Sicherheitslücken können schneller ausgenutzt werden, Angriffe werden personalisierter und skalierbarer. Unternehmen müssen deshalb KI und Cybersicherheit gemeinsam denken. Wer KI einführt, ohne Datenzugriffe, Tool-Freigaben, Berechtigungen und Schutzmechanismen zu klären, schafft neue Angriffsflächen. Besonders problematisch ist Schatten-KI: Mitarbeiter nutzen externe Tools, laden Dokumente hoch oder lassen vertrauliche Informationen verarbeiten, ohne dass es dafür klare Regeln gibt.

Eine professionelle KI-Strategie braucht daher Governance. Dazu gehören Regeln für erlaubte Tools, Datenklassen, Freigabeprozesse, menschliche Kontrolle, Dokumentation und Verantwortlichkeiten. Zu viele Regeln können Innovation bremsen, zu wenige Regeln schaffen Risiken. Unternehmen brauchen einen praktikablen Mittelweg, der Nutzung ermöglicht und gleichzeitig sensible Daten schützt.

12. Was Unternehmen jetzt konkret tun sollten

Für Unternehmen ist der wichtigste Schritt, von allgemeinen KI-Diskussionen zu konkreten Anwendungsfällen zu kommen. Nicht jede Organisation muss sofort eine große KI-Plattform einführen. Sinnvoller ist es, wiederkehrende wissensbasierte Prozesse zu identifizieren. Wo wird viel gelesen, geschrieben, geprüft, verglichen, sortiert, zusammengefasst oder entschieden? Genau dort kann KI Produktivität schaffen.

Typische Einsatzfelder liegen im Kundenservice, Vertrieb, Marketing, Wissensmanagement, Controlling, Recht, Compliance, Personal, Softwareentwicklung und Dokumentenmanagement. Wichtig ist, den Nutzen messbar zu machen. Spart die Anwendung Zeit? Verbessert sie Qualität? Reduziert sie Fehler? Erhöht sie Geschwindigkeit? Entlastet sie Mitarbeiter? Erst wenn solche Fragen beantwortet werden, wird aus KI ein betriebswirtschaftliches Werkzeug.

Ebenso wichtig ist die Datenbasis. Viele Unternehmen verfügen über wertvolles Wissen, aber es liegt verstreut in E-Mails, PDFs, Netzlaufwerken, Ticketsystemen, CRM-Datenbanken oder in den Köpfen der Mitarbeiter. KI kann nur dann sinnvoll arbeiten, wenn Informationen zugänglich, strukturiert und aktuell sind. Deshalb ist KI-Einführung oft auch Daten- und Prozessarbeit. Wer schlechte Daten hat, bekommt keine gute KI.

13. Fazit: Nach dem Hype beginnt die Umsetzung

Philipp Klöckners OMR-Keynote zeigt, dass wir uns nicht am Ende des KI-Hypes befinden, sondern am Übergang in eine professionellere Phase. Die Modelle werden leistungsfähiger, die Nutzung wird günstiger, die Infrastruktur wird teurer und der Markt differenziert sich aus. Gleichzeitig sind viele Unternehmen noch in der Experimentierphase. Die eigentliche Integration in Prozesse, Geschäftsmodelle und Organisationen steht vielerorts erst bevor.

Für Europa und Deutschland ist die Lage anspruchsvoll. Bei Basismodellen, Hardware und globaler Distribution dominieren andere. Die Chance liegt deshalb vor allem in den eigenen Daten, in industriellen Anwendungen, in vertrauenswürdiger Infrastruktur und in der Verbindung von KI mit realen Geschäftsprozessen. Wer KI nur reguliert, wird abhängig bleiben. Wer KI praktisch nutzbar macht, kann Wertschöpfung sichern.

Für Unternehmen lautet die Aufgabe: nicht abwarten, aber auch nicht jedem Hype hinterherlaufen. Entscheidend ist eine nüchterne Vorgehensweise: Anwendungsfälle identifizieren, Datenqualität verbessern, sichere Tools auswählen, Mitarbeiter befähigen, Ergebnisse messen und erfolgreiche Lösungen skalieren. KI wird nicht jede Arbeit ersetzen, aber sie wird sehr viele Tätigkeiten verändern. Der Unterschied wird künftig weniger darin liegen, ob ein Unternehmen KI nutzt, sondern wie gut es KI in seine Prozesse integriert.

Ja, am besten direkt nach der Einleitung vor der ersten Zwischenüberschrift:

Fünf zentrale Fakten aus der KI-Keynote

• KI entwickelt sich weiter – und nicht langsamer: Die Modelle sind im vergangenen Jahr in vielen Bereichen deutlich besser geworden, insbesondere bei Bildgenerierung, Coding, längeren Aufgabenketten und agentischen Anwendungen.
• Die Nutzung von KI wird billiger: Während das Training großer Modelle immer teurer wird, sinken die Kosten für die Anwendung stark. Viele Aufgaben lassen sich heute mit deutlich geringeren Kosten erledigen als noch vor einem Jahr.
• Unternehmen stehen noch am Anfang: Viele Firmen testen KI zwar bereits, aber die breite Integration in Prozesse, Datenstrukturen und Geschäftsmodelle steht vielerorts noch aus.
• Der KI-Markt teilt sich auf: Es gibt nicht den einen Gewinner. ChatGPT, Google Gemini, Anthropic Claude, Microsoft Copilot, Open-Source-Modelle und spezialisierte Anwendungen bedienen unterschiedliche Zielgruppen und Nutzungsszenarien.
• Europa muss seine Daten nutzen: Da Europa bei Basismodellen, Chips und globaler Plattformdistribution zurückliegt, liegt die größte Chance in sicheren, spezialisierten KI-Anwendungen auf Basis eigener Industrie-, Verwaltungs- und Unternehmensdaten.