KI für Unternehmen
KI-Systeme für Unternehmen, Einführungsentscheidungen, Kunden-Workflows und messbare Ergebnisse.
34 Beiträge (17 Artikel · 17 Videos)
Hier beginnen
Einige gute Beiträge für den Einstieg, bevor Sie die vollständige Übersicht durchsuchen.
11 Min. LesezeitEin Playbook für die KI-Einführung im Team entwickeln
Ein praxisnahes Playbook für die KI-Einführung: Wählen Sie klar begrenzte Anwendungsfälle, beteiligen Sie die betroffenen Beschäftigten, legen Sie Daten- und Entscheidungsregeln fest, schulen Sie anhand realer Arbeit und vergleichen Sie die Wirkung mit einem Ausgangswert.
Mittelstufe
9 Min. LesezeitKI-ROI und Reifegrad: So messen Sie eine Einführung, die tatsächlich funktioniert
Der Erfolg einer KI-Einführung bemisst sich nicht daran, wie viele Personen ChatGPT ausprobiert haben. Ein praxisnaher Rahmen zur Messung von Workflow-ROI, Qualität, Risiko, Reifegrad und Skalierungsbereitschaft.
Fortgeschritten
9 Min. LesezeitKI-Systeme entwickeln oder kaufen: ein praktischer Entscheidungsrahmen
Vergleichen Sie Kauf, Konfiguration, Erweiterung, Eigenentwicklung und Selbsthosting anhand derselben Anforderungen, verbindlichen Ausschlusskriterien, eines repräsentativen Tests und eines einheitlichen Gesamtkostenmodells.
FortgeschrittenWeitere in diesem Thema
9 Min. LesezeitDGX Spark: was es ist, für wen es gedacht ist und was sich für lokale Agenten geändert hat
Eine sachliche Einordnung von NVIDIA DGX Spark: die Grace-Blackwell-GB10-Spezifikationen von NVIDIA, kohärenter Unified Memory, ConnectX-7-Clustering und die Frage, wann ein Agentenrechner am Schreibtisch die richtige Wahl für private KI ist.
Fortgeschritten
12 Min. LesezeitCodex, Claude Code und Cursor als ein CLI-Team nutzen
Nutzen Sie AGENTS.md, CLAUDE.md, Cursor-Regeln und nicht interaktive CLI-Modi, damit Codex entwirft, Claude prüft und Cursor implementiert, ganz ohne eigene Orchestrierungsplattform.
Fortgeschritten
15 Min. LesezeitMulti-Agent-Projektmanagement mit Linear: Claude, Cursor und Codex mit gemeinsamem Backlog
Lassen Sie Claude Code, Cursor und Codex wie ein echtes Entwicklungsteam am selben Linear-Projekt arbeiten: Aufgaben übernehmen, Fortschritt dokumentieren, Prüfungen übergeben, Befunde beheben und Issues schließen, ohne einander in die Quere zu kommen.
Fortgeschritten
8 Min. LesezeitDie Würde der Arbeit, wenn Maschinen mehr davon übernehmen können
Eine praktische Bewertung der Arbeitsgestaltung für Führungskräfte in KMU: Prüfen Sie Mitsprache, verbleibenden Entscheidungsspielraum, Lern- und Entwicklungspfade, Arbeitsbelastung, Überwachung und Einspruchsmöglichkeiten, bevor Sie eine Automatisierung als Erfolg verbuchen.
Mittelstufe
8 Min. LesezeitWas Sie Ihrem Team sagen sollten, wenn Sie einen Teil der Teamarbeit automatisieren
Eine praktische Kommunikationsabfolge für Automatisierungsprojekte: Was Sie sagen sollten, bevor die Entscheidung feststeht, welche Zusagen Vertrauen schaffen und welche Versprechen Führungskräfte nicht geben sollten.
Mittelstufe
32 MinutenWie man menschenzentrierte KI-Workflows in der Lokalisierung erstellt – mit Shashi Bhushan
Crowdin. Shashi Bhushan beginnt mit der Erfassung des Workflows statt mit der Tool-Auswahl. Anschließend behandelt er die Qualität des Ausgangstexts, menschliche Prüfung, KI-Lektorat, Glossarprüfungen, die Einbindung des Produktteams, Pilotprojekte und Datenschutzbeschränkungen. Das entspricht nahezu genau dem Betriebsmodell, das der Artikel estnischen Teams für die Arbeit auf Estnisch, Englisch, Russisch, Finnisch und mit kundenspezifischer Terminologie empfiehlt.
Mittelstufe
4 MinutenEinführung in EmbeddingGemma: Das beste Open-Model für On-Device-Embeddings
Google for Developers. Das Video stellt mehrsprachige Text-Embeddings vor, die lokal ausgeführt werden und semantische Suche sowie RAG ermöglichen, ohne jedes Dokument an eine gehostete API zu senden. Für estnische Unternehmen ist dies eine nützliche technische Ergänzung zum Muster des Artikels für die interne Wissenssuche: Mehrsprachiger Abruf ist nur dann wertvoll, wenn er auch Datenlokalität, Berechtigungen und die Verbindlichkeit der Quellen berücksichtigt.
Mittelstufe
17 MinutenConductor-CEO Charlie Holtz stellt sein KI-Coding-Setup vor
Y Combinator. Eine konkrete Demonstration eines Senior-Entwicklers statt einer Podiumsdiskussion: Holtz vergleicht Claude Code und Codex, koordiniert mehrere Coding-Agenten parallel und definiert „Slop-freie Zonen“, in denen generierter Code niemals ungeprüft landen darf. Der Aufbau verkörpert die Regeln des Artikels: Repository-Kontext, kleine prüfbare Patches und der Mensch als Architekt, während die Agenten die Tipparbeit übernehmen.
Fortgeschritten
56 MinutenKI-Agenten im Finanzwesen mit dem Finanzvorstand (CFO) von HPE
CXOTalk. HPE-CFO Marie Myers beschreibt die Einführung agentischer KI über die Plattform „Alfred“ in einer Finanzorganisation mit 3,600 Beschäftigten. Dabei folgt sie genau der vom Artikel geforderten Disziplin: ein Rahmen für direkten und indirekten ROI, Entscheidungsschleusen zur Fortsetzung oder Beendigung einzelner Anwendungsfälle, verpflichtende Qualitätskontrollen mit Menschen in der Prüfschleife und Workflowkennzahlen, etwa für einen wöchentlichen Prüfprozess, dessen manueller Aufwand um ungefähr 90% sank. Gemessen wird veränderte Arbeit, nicht die Zahl der Tool-Anmeldungen.
Fortgeschritten
41 MinutenPrivate KI vs. Cloud: Wie Führungskräfte bessere Make-or-Buy-Entscheidungen treffen
World Wide Technology. Das Video verknüpft Make-or-Buy-Entscheidungen mit Geschäftsergebnissen, der Platzierung von Workloads, Cloud-Wirtschaftlichkeit, Datensouveränität, Sicherheit, Infrastrukturreife und hybriden Betriebsmodellen. Damit unterstützt es die Entscheidung, wann ein Werkzeug gekauft, eine Plattform erweitert, eine schlanke individuelle Schicht entwickelt oder ein größerer Teil des Bereitstellungs-Stacks selbst verantwortet werden sollte.
Fortgeschritten
10 Min. LesezeitMehrsprachige KI-Workflows für estnische Unternehmen
Ein praktisches Workflow-Modell für estnische Unternehmen, die auf Estnisch, Englisch, Russisch, Finnisch und in weiteren Kundensprachen arbeiten – ohne Ton, Terminologie, Datenschutz oder Verantwortlichkeit zu verlieren.
Mittelstufe
9 Min. LesezeitKI-native IDEs und Repository-bewusste Entwicklungsworkflows
Cursor, Copilot, Claude Code und Repository-bewusste Agenten verändern die Softwareentwicklung nur, wenn Teams Grenzen setzen. Ein praktischer Workflow für Codebasis-Kontext, Planung, Tests, Code-Review, Geheimnisse und Produktsicherheit.
Fortgeschritten
9 Min. LesezeitEU AI Act for SMEs: a practical governance plan
The EU AI Act is not just a legal problem for large vendors. A practical SME plan for inventory, risk classification, human oversight, transparency, vendor records, and rollout discipline.
Fortgeschritten
10 Min. LesezeitBereitstellungsmuster für private KI: lokal, in der VPC, selbst gehostet und hybrid
Private KI ist keine einzelne Architektur. Ein praktischer Vergleich lokaler Modelle, Enterprise-SaaS, VPC-Bereitstellungen, selbst gehosteter Inferenz und hybrider Muster für KMU, denen Datenschutz und Kontrolle wichtig sind.
Fortgeschritten
12 Min. LesezeitInferenzkosten optimieren: Prompt-Caching, Routing und Ausgabe-Steuerung
Erstellen Sie anhand von Traces ein Kostenmodell für die Inferenz, optimieren Sie die größten gemessenen Kostenfaktoren und belegen Sie, dass jede Änderung die Aufgabenqualität erhält.
Fortgeschritten
10 Min. LesezeitEvals für Nichttechniker: Erkennen Sie, ob Ihr KI-Workflow besser oder schlechter wird
Evals messen die Qualität von KI-Ausgaben systematisch und gelten meist als Aufgabe für Entwickler. Doch jedes Team mit KI-Workflows benötigt sie, und die Grundlagen kommen ohne Code aus. Eine praktische Anleitung.
Mittelstufe
12 Min. LesezeitMCP-Tools so entwerfen, dass LLMs sie zuverlässig verwenden
Die meisten MCP-Tools, die wir sehen, sind technisch korrekt, aber praktisch unbrauchbar. LLMs ignorieren sie, verwenden sie falsch oder rufen sie auf ungeeignete Weise auf. Diese Designprinzipien sorgen dafür, dass LLMs Tools zuverlässig einsetzen – mit konkreten Fehlerbildern und Korrekturen.
Fortgeschritten
12 Min. LesezeitObservability für LLM-Apps: Tracing, Kosten, Latenz und Qualitätsdrift
Erweitern Sie die übliche Observability um mehrstufige Traces, zurechenbare Kosten, Prompt- und Modellversionen, evaluierte Qualitätssignale, Datenschutzkontrollen und aus der jeweiligen Aufgabe abgeleitete Warnmeldungen.
Fortgeschritten
12 Min. LesezeitPrompting, RAG oder Fine-Tuning wählen — und wann Sie sie kombinieren sollten
Prompting, RAG und Fine-Tuning sind die drei großen Hebel, um große Sprachmodelle an Ihr Problem anzupassen. Jeder eignet sich für bestimmte Probleme und für andere nicht. Ein Entscheidungsrahmen, die realistischen Kosten jedes Ansatzes und erfolgreiche Kombinationsmuster für den Produktivbetrieb.
Fortgeschritten
19 MinutenIst das das Ende von RAG? Anthropics NEUES Prompt-Caching
Prompt Engineering. Das Video vergleicht Anthropics Prompt-Caching mit Geminis Context Caching und zeigt konkrete Latenz- und Kostensenkungen für Chats mit langen Dokumenten, Few-Shot- und Multi-Turn-Anwendungen. Die Gegenüberstellung des Aufpreises für Cache-Schreibvorgänge und des Rabatts für Cache-Lesevorgänge entspricht genau der Annahme des Artikels dazu, wann sich Caching auszahlt.
Fortgeschritten
56 MinutenBuild Hour: Prompt-Caching
OpenAI. OpenAIs eigene Build Hour zum Prompt-Caching behandelt die Schwelle von 1024 Tokens, die erforderliche Stabilität des Präfixes, hohe Rabatte für Echtzeit-Audio-Caching, deren genauen Satz Sie auf der aktuellen Preisseite finden, und die Auswirkung langer Eingaben auf die Zeit bis zum ersten Token. Das ist nützlich, wenn Sie den technischen Aufwand abschätzen, um den Cache mit produktiven Prompts zuverlässig zu treffen.
Fortgeschritten
107 MinutenWarum KI-Evals die gefragteste neue Fähigkeit für Produktentwickler sind | Hamel Husain & Shreya Shankar
Lenny's Podcast. Das Gespräch mit Husain und Shankar ergänzt die Forderung des Artikels nach einer verantworteten Prüffrequenz, die sich an Änderungen, Vorfällen und beobachteten Fehlern orientiert. Ermitteln Sie den Prüfaufwand für Ihren eigenen Workflow.
Mittelstufe
3 MinutenPrompts in der Anthropic Console bewerten
Anthropic. Eine dreiminütige Anthropic-Anleitung für eine reale Evaluierung in der Workbench — realistische Testfälle automatisch erzeugen, Ausgaben bewerten, den Prompt anpassen und dieselbe Testsuite anschließend nebeneinander erneut ausführen. Die Aufrufzahl liegt unter der üblichen Schwelle. Für die Frage „Wie setze ich das ohne Programmierung praktisch um?“ ist dies jedoch die klarste offizielle Demonstration und eine gute Ergänzung zum strategischeren Gespräch mit Husain und Shankar.
Mittelstufe
19 MinutenEffektivere KI-Agenten entwickeln
Anthropic. Anthropic-Entwickler zeigen, was sie tatsächlich änderten, als ihre Multi-Agenten-Systeme Werkzeuge falsch verwendeten: Endpunkte zusammenführen, Namen statt IDs zurückgeben und MCP sowie Agent Skills nutzen, statt immer mehr Werkzeuge in den System-Prompt zu packen. Das entspricht Punkt für Punkt der Checkliste des Artikels zu Werkzeugbeschreibungen und Rückgabeformaten.
Fortgeschritten
29 MinutenPrompting für Agenten | Programmieren mit Claude
Anthropic. Hannah Moran und Jeremy Hadfield aus dem Applied-AI-Team zeigen an einem realen Pokémon-Spielagenten, wie Werkzeugaufrufe und Agenten-Prompts formuliert werden: Wann gehört ein Verhalten in den System-Prompt, wann in die Werkzeugbeschreibung, und welche Vorbedingungen eines Werkzeugs muss das Modell kennen? Das ist besonders nützlich, nachdem Sie Ihren ersten MCP-Server gebaut haben und Claude ihn anders als erwartet aufruft.
Fortgeschritten
9 MinutenLangSmith in 10 Minuten
LangChain. Der Mitgründer von LangChain führt durch einen LLM-Trace, ein Projekt und einen Datensatz. Er zeigt Tokenkosten, Latenz, Fehlerrate, aggregiertes Feedback und die Detailansicht eines einzelnen Spans für einen Retrieval-Schritt. Das Video veranschaulicht am besten, was der Artikel mit „Jeder Aufruf ist ein Span“ meint und weshalb strukturierte Traces einfachen Print-Logs überlegen sind.
Fortgeschritten
154 MinutenLLMs instrumentieren und evaluieren
Hamel Husain. Hamel Husain, Eugene Yan, Brian Bischof, Harrison Chase und Shreya Shankar behandeln Tracing, Protokollanalyse, LLM-as-a-Judge und den Arbeitsablauf zur Untersuchung realer Produktionsdaten. Hören Sie die Sitzung wie einen langen Podcast. Sie ist die beste ausführliche Darstellung der Kernaussage „Sehen Sie sich Ihre Traces an“, die wir auf YouTube gefunden haben.
Fortgeschritten
9 MinutenRAG vs. Fine-Tuning
IBM Technology. Ein fokussierterer Vergleich der beiden Ansätze, die Teams am häufigsten verwechseln. Das Video vertieft Datenaktualität, Quellenzuordnung und den Geschwindigkeitsvorteil von Fine-Tuning zur Inferenzzeit. Es ist besonders nützlich, wenn Sie gegen ein unnötiges Fine-Tuning-Projekt argumentieren möchten.
Fortgeschritten
13 MinutenRAG vs. Fine-Tuning vs. Prompt-Engineering: KI-Modelle optimieren
IBM Technology. Eine klare Whiteboard-Darstellung aller drei Ansätze und ihrer jeweiligen Kosten: Retrieval-Latenz, Rechenaufwand für das Training und katastrophales Vergessen sowie die Grenzen reiner Prompt-Lösungen. Außerdem zeigt das Video, welche Kombinationen im Produktionseinsatz sinnvoll sind. Das abschließende Beispiel eines KI-Systems für den Rechtsbereich entspricht nahezu genau dem Argument des Artikels zur Kombination der Ansätze.
Fortgeschritten
8 MinutenWharton-Professor: 4 Szenarien für die Zukunft der KI | Ethan Mollick für Big Think+
Big Think. Eine kompakte, 8-minütige Darstellung von Mollicks Modell der „vier Szenarien“, statisch, linear, exponentiell und AGI, sowie der Gründe, aus denen Teams für Szenario zwei oder drei planen sollten, statt alles auf eines der Extreme zu setzen. Das Video hilft einem Führungsteam, sich vor dem Schreiben des Playbooks darauf zu verständigen, worauf es sich tatsächlich vorbereitet.
Mittelstufe
60 MinutenDiese KI-Strategie braucht jede Führungskraft | Ethan Mollick erklärt
Sana. Eine Stunde mit Mollick darüber, wie KI innerhalb von Organisationen tatsächlich eingesetzt wird, warum „Kosten senken“ der falsche Denkrahmen ist, warum sich traditionelle Organigramme verändern und was KI-native Teams anders machen. Die Aufrufzahl liegt unter der üblichen 100k-Marke. Dennoch ist dies das klarste Gespräch auf Praxisebene über Einführungsstrategien mit dem Forscher, der zu diesem Thema besonders häufig zitiert wird. Die Fragen des Artikels entsprechen nahezu 1:1 seiner Einordnung.
Mittelstufe