Best of LinkedIn: Artificial Intelligence KW 23/ 24

Die KI-Aktivität der vergangenen zwei Wochen macht einen deutlichen Wandel sichtbar: Nicht mehr die Begeisterung über neue Fähigkeiten steht im Vordergrund, sondern die Kontrolle über die Umsetzung. Im Mittelpunkt stehen Regulierung, der Einsatz von Agenten, Infrastrukturkosten, der Reifegrad der Governance und jene Änderungen am Operating Model, die einen sicheren Ausbau von KI ermöglichen.

Datum

June 18, 2026

Artificial Intelligence

Thomas Allgeyer

Methodik: Alle zwei Wochen sammeln wir die relevantesten LinkedIn-Beiträge zu ausgewählten Themen und verdichten sie zu einem Gesamtüberblick, ausschließlich auf Basis dieser Beiträge. Die einzelnen Beiträge dahinter finden sich hier: https://linktr.ee/thomasallgeyer. Viel Freude beim Lesen.

‍

Unseren Podcast anhören

Wer lieber zuhört: Unser Podcast fasst die wichtigsten Erkenntnisse zu Artificial Intelligence KW 23/ 24 zusammen:

‍

KI-Governance & Compliance

Die EU-AI-Act-Bereitschaft wird kurzfristig zur Priorität in der Umsetzung. Im Fokus stehen KI-Inventare, Risikoklassifizierung, Pflichten für Betreiber und Dokumentation.
Unternehmen, die Tools wie Copilot einsetzen, tragen Governance-Pflichten, die über die Beschaffung hinausgehen. Das gilt besonders dort, wo KI regulierte Abläufe berührt.
Die Aufsicht über KI bewegt sich hin zu strukturierten Board-Unterlagen mit Inventar, Überwachung der Ergebnisse, Quoten übersteuerter Entscheidungen, Vorfällen und jährlichen Stresstests.
Der Reifegrad der Governance hängt zunehmend an praktischen Ebenen: vom Inventar und den Datenkontrollen bis zu menschlicher Aufsicht, Prüfbarkeit und der Zuordnung regulatorischer Anforderungen.

‍

Souveränität & Modellkontrolle

Die Abhängigkeit von KI zeigt sich als strategisches Risiko, weil Unternehmen prüfen, wie stark sie der Störung eines einzelnen Modells oder Anbieters ausgesetzt sind.
Die US-Exportkontrollen für KI unterstreichen, wie sehr technologische Souveränität, vertrauenswürdige Anbieter und ein belastbarer Zugang zu Modellen geschäftlich zählen.
Modellportfolios gewinnen an Bedeutung, weil Unternehmen Kontinuität, Flexibilität und weniger Abhängigkeit von einem einzigen Anbieter suchen.
Nationale und regionale Regulierungsansätze für KI driften auseinander. Für den weltweiten Einsatz von KI entsteht damit ein stärker zersplittertes Umfeld.

‍

Agentenbasierte KI & Sicherheit

Agentenbasierte KI verlässt das Experimentierstadium und erreicht die Arbeitsabläufe der Unternehmen. Damit stellen sich neue Fragen zu Zugriff, Autonomie und sensiblen Daten.
Weit gefasste Berechtigungen für Agenten schaffen unnötige Sicherheitsrisiken, wenn Agenten nur einen kleinen Teil der erteilten Zugriffe tatsächlich nutzen.
Prompt Injection wird zu einem konkreten Risiko für Unternehmen, vor allem dort, wo versteckte Anweisungen das Verhalten von KI-Agenten manipulieren können.
Die jüngsten Arbeiten von OWASP zur Sicherheit agentenbasierter KI bestätigen: Bedrohungen durch KI-Agenten, die zuvor erwartet wurden, sind inzwischen beobachtbare Risiken im laufenden Einsatz.

‍

Einführung im Unternehmen & Operating Model

Die größte Hürde für KI im Unternehmen liegt nicht mehr bei den Fähigkeiten der Modelle, sondern bei der Einbindung in Arbeitsabläufe, klaren Zuständigkeiten, der Geschwindigkeit von Freigaben und dem Neuzuschnitt von Prozessen.
Lange Wartezeiten beim Datenzugriff und stockende Freigaben gelten als Probleme des Operating Models und nicht als technische Probleme.
Unternehmen tun sich schwer, Produktivitätsgewinne zu heben, wenn KI auf kaputte Prozesse trifft und der zugrunde liegende Ablauf unverändert bleibt.
HR wird zu einem entscheidenden Träger der KI-Strategie, weil Einführung, Personalstruktur, Governance und Verantwortung inzwischen zusammenhängen.

‍

Daten, Architektur & KI-Stack

Verlässliche KI hängt zunehmend davon ab, Daten zu bereinigen, zu validieren, auf Halluzinationen zu testen und die Qualität zu sichern, nicht allein von der Wahl des Modells.
Die KI-Architektur im Unternehmen beginnt bei Datengrundlagen, Orchestrierung, Monitoring und Integration, erst danach steht die Wahl des Modells an.
Der KI-Stack reicht über die Modelle hinaus und umfasst Ebenen für Daten, Infrastruktur, Orchestrierung, Ausrollen, Governance und Monitoring.
Wiederverwendbare Kontextdateien und ein engerer Zuschnitt des Kontexts verbessern die Qualität der KI-Ausgaben, besonders dort, wo die Leistung der Agenten von fokussierten Eingaben abhängt.

‍

Kosten, Infrastruktur & Rechenleistung

Die Kosten der KI-Infrastruktur werden zum Thema für das Board, weil Rechnungen für Inferenz, Token-Ökonomie und die Nutzung im Unternehmensmaßstab steigen.
Anbieter, die unter Kosten anbieten, erzeugen ein Lock-in-Risiko; sind sie erst einmal fest eingeführt, sind spätere Preiserhöhungen möglich.
Der lokale Betrieb von Modellen gewinnt an Bedeutung, wenn es um Kostenkontrolle, Resilienz und die Optimierung von Workloads im Unternehmen geht.
Neue Aktivitäten bei Chips stellen die Abhängigkeit von GPUs infrage, vor allem bei physischer KI und Workloads am Edge.

‍

Produkte, Plattformen & Partnerschaften

Microsoft Azure AI Foundry tritt mit dem Anspruch an, die zentrale Betriebsebene für KI im Unternehmen zu sein, getragen von der breiteren Ökosystemstrategie von Microsoft.
Der Beitritt von Amazon Web Services zur EdgeAI Foundation verstärkt die Hinweise darauf, dass sich ein Ökosystem für Edge-KI entwickelt.
Der Fokus von Mistral auf Unternehmensverträge deutet darauf hin, dass sich das Unternehmen weniger als Frontier-Forschungslabor versteht und stärker auf kommerzielle Umsetzung und beratungsnahe Leistungen setzt.
Sonic 3.5 und Ink 2 von Cartesia werden als führende Voice-Modelle für KI-Agenten hervorgehoben, während SiMa.ai mit neuen Chips auf physische KI zielt.

‍

Arbeit, Ethik & Gesellschaft

Die Verdrängung von Arbeitsplätzen durch KI wird differenzierter diskutiert, einschließlich neuer Tätigkeiten in Aufsicht, Orchestrierung und Governance.
Menschliches Urteilsvermögen wird zur Quelle von Vorteilen, wo Organisationen wissen, wann eine Automatisierung zu übersteuern ist.
Die Einführung von KI im Gesundheitswesen bleibt begrenzt durch Ethik, Vertrauen, Altsysteme, Datenqualität, Haftung und Regulierung.
Die gesellschaftliche Debatte über KI verschärft sich, weil führende Labore über Mechanismen zur Verlangsamung sprechen und Fachleute auf Szenarien mit katastrophalen Risiken hinweisen.

‍

Newsletter abonnieren

Jede Woche die neuesten Beiträge direkt ins Postfach.