KI Archive - DENKE DIGITAL

Die beschleunigte Welt: Wie KI Innovation in drastisch SCHNELLEREN Zeiträumen ermöglicht

Josef Dietl — Fri, 02 May 2025 04:35:07 +0000

2. Mai 2025

Aktuelle Nachrichten über KI

Die beschleunigte Welt: Wie KI Innovation in drastisch SCHNELLEREN Zeiträumen ermöglicht

KI-Systeme revolutionieren unsere Innovationszyklen, indem sie Forschung und Entwicklung dramatisch beschleunigen. Während wir einerseits eine exponentielle Verbesserung der KI-Systeme selbst beobachten, erleben wir gleichzeitig, wie diese Technologien Durchbrüche in traditionellen Forschungsfeldern in Tagen statt Jahren ermöglichen. Diese Beschleunigung resultiert aus der Fähigkeit von KI, das gesamte menschliche Wissen zu durchsuchen, Muster zu erkennen und Verbindungen herzustellen, die für Menschen nicht offensichtlich sind – was zu einer völlig neuen Innovationslandschaft führt.

Die Singularität: Das Konzept des beschleunigten Wandels

Die Idee der technologischen Singularität beschreibt einen hypothetischen Wendepunkt, an dem der technologische Fortschritt so rasant wird, dass er unser Leben fundamental und unvorhersehbar verändert. Der Begriff wurde maßgeblich von Mathematiker Vernor Vinge und später von Futurist Ray Kurzweil geprägt, der prognostizierte, dass durchsuperintelligente KI einen selbstverstärkenden Zyklus technologischer Entwicklung auslösen könnte. An diesem Punkt würde Innovation nicht mehr linear, sondern exponentiell verlaufen – jede neue Technologie beschleunigt die Entwicklung der nächsten in immer kürzeren Zeitabständen.

Der doppelte Beschleunigungseffekt

Was früher ein theoretisches Konzept für die ferne Zukunft war, manifestiert sich heute bereits in zwei parallel verlaufenden Phänomenen:

1. Die Selbstbeschleunigung der KI-Entwicklung

Die Entwicklungsgeschwindigkeit neuer KI-Modelle nimmt stetig zu. Zwischen GPT-3 und GPT-4 lagen noch rund drei Jahre; von Claude 2 zu Claude 3 nur noch etwa acht Monate. Gleichzeitig explodiert das Ökosystem aus Varianten, Anpassungen und spezialisierten Anwendungen:

„Ich erinnere mich gut, wie ich 2023 wochenlang auf den Zugang zu Claude 2 gewartet habe,“ erzählte mir kürzlich ein KI-Entwickler. „Heute werden manchmal mehrere bedeutende Modelle in einer einzigen Woche veröffentlicht, und ich komme kaum noch mit dem Testen hinterher.“

Diese Entwicklung ähnelt einem Schneeballeffekt: Bestehende KI-Systeme werden eingesetzt, um das Design neuer Modelle zu optimieren, die wiederum leistungsfähiger sind und noch bessere KI-Systeme hervorbringen können.

2. Die Beschleunigung aller anderen Wissenschaftsfelder

Noch beeindruckender ist, wie KI die Innovationszyklen in traditionellen Forschungsgebieten revolutioniert:

Fall 1: Medizinische Forschung in Echtzeit

Der im obigen Text erwähnte Fall um Professor José R. Penadés vom Imperial College London ist geradezu schockierend. Ein Jahrzehnt intensive Forschung zu Superbugs und antimikrobiellen Resistenzen – komprimiert auf 48 Stunden durch Googles KI-Tool Co-Scientist. Das System lieferte nicht nur dieselbe Hypothese, an der das Team jahrelang gearbeitet hatte, sondern schlug vier weitere plausible Erklärungen vor, von denen eine völlig neu war und jetzt untersucht wird.

Penadés fasst es treffend zusammen: „Das wird die Wissenschaft verändern!“

Fall 2: Ingenieurwesen im Zeitraffer

Der Fall von LEAP 71 aus Dubai verdeutlicht diese Revolution im Ingenieurwesen: Ihr „Noyron“ Computational Engineering Model ermöglichte die Entwicklung eines funktionsfähigen Raketentriebwerks in nur zwei Wochen. Vom finalen Entwurf bis zur Fertigung – ein Prozess, der normalerweise Monate oder Jahre in Anspruch nimmt. Das vollständig KI-generierte Design wurde in Kupfer 3D-gedruckt und bestand seinen ersten Testlauf problemlos.

Die Geschäftsführerin Josefine Lissner beschreibt dies als „wichtigen Meilenstein für uns, aber auch für die gesamte Industrie.“

Der entscheidende Mechanismus: Auf den Schultern der richtigen Riesen

Wie ist diese dramatische Beschleunigung möglich? Der Schlüssel liegt in einem fundamentalen Prinzip wissenschaftlicher Entwicklung: Jede Innovation baut auf vorangegangenen Erkenntnissen auf – wir stehen, wie Newton es formulierte, „auf den Schultern von Riesen“.

Das Problem: Die Menge an wissenschaftlichen Publikationen und Forschungsergebnissen ist in den letzten Jahrzehnten geradezu explodiert. Allein 2023 wurden über 5 Millionen wissenschaftliche Artikel veröffentlicht. Kein Mensch kann auch nur annähernd den Überblick über ein ganzes Fachgebiet behalten, geschweige denn interdisziplinäre Verbindungen erkennen.

KI-Systeme können jedoch:

Den gesamten Wissenskorpus durchsuchen – nicht nur die bekanntesten Publikationen
Unkonventionelle Verbindungen herstellen zwischen scheinbar unzusammenhängenden Fachgebieten
Muster erkennen, die für Menschen nicht offensichtlich sind
Hypothesen generieren und bewerten in Sekundenschnelle

Ein Beispiel: Die bahnbrechende CRISPR-Technologie entstand durch die Verbindung von Erkenntnissen aus Mikrobiologie, Genetik und Molekularbiologie. Heute könnte ein System wie Google’s Co-Scientist solche Querverbindungen systematisch aufdecken.

Ich musste an einen indischen Taxifahrer denken, der mich einmal vom Flughafen abholte. „Die Navigation ist ausgefallen,“ sagte er entschuldigend, „aber ich kenne alle Straßen.“ Als wir in einen massiven Stau gerieten, schaltete er plötzlich und nahm eine Abkürzung durch schmale Gassen, die auf keiner Karte verzeichnet waren. KI-Systeme sind wie dieser Fahrer – sie kennen nicht nur die Hauptstraßen des Wissens, sondern auch die versteckten Abkürzungen.

Die neuen Werkzeuge der beschleunigten Innovation

Für Unternehmen und Forscher stehen bereits heute mehrere leistungsfähige Werkzeuge zur Verfügung, um von dieser Beschleunigung zu profitieren:

Google Co-Scientist: Ein Multi-Agenten-System, das wissenschaftliche Hypothesen generiert, bewertet und verfeinert
ChatGPT Deep Research: Durchsucht wissenschaftliche Literatur und extrahiert relevante Erkenntnisse
Elicit.com: Fokussiert auf die Analyse akademischer Forschung und Literaturrecherche
Perplexity: Kombiniert Echtzeitsuche mit KI-gestützter Analyse und Zusammenfassung

Jedes dieser Tools hat seine Stärken, und gemeinsam bilden sie ein Ökosystem, das wissenschaftliche und technologische Entwicklung in bisher undenkbaren Zeiträumen ermöglicht.

Was bedeutet diese Beschleunigung für uns?

Die Implikationen dieser Entwicklung sind tiefgreifend:

Wettbewerbsvorteile verschieben sich von Ressourcen und Größe hin zu intelligentem KI-Einsatz
Kleinere Teams und Unternehmen können Durchbrüche erzielen, die früher nur Großkonzernen möglich waren
Die Halbwertszeit von Wissen sinkt dramatisch – lebenslanges Lernen wird noch wichtiger
Ethische Fragen gewinnen an Dringlichkeit, da potentiell risikoreiche Technologien schneller entwickelt werden

Für KMUs im DACH-Raum bietet diese Entwicklung einzigartige Chancen, wenn sie bereit sind, diese neuen Werkzeuge konsequent einzusetzen. Die Kunst wird darin bestehen, die richtigen Fragen zu stellen und die menschliche Kreativität mit der analytischen Kraft der KI zu verbinden.

Der Blick nach vorn

Wir stehen erst am Anfang dieser Entwicklung. Die Systeme werden immer leistungsfähiger, der Zugang demokratischer, und die Anwendungsmöglichkeiten vielfältiger. Was heute noch als beeindruckend gilt – ein Raketentriebwerk in zwei Wochen oder eine medizinische Hypothese in 48 Stunden – könnte morgen bereits der Standard sein.

Wie Ray Kurzweil es ausdrückt: „Wir unterschätzen tendenziell, was in 10 Jahren möglich sein wird, und überschätzen, was in 2 Jahren möglich sein wird.“ Die Beschleunigung ist real, aber nicht immer linear oder vorhersehbar.

Eines ist jedoch sicher: Wer diese Werkzeuge ignoriert, wird in einer Welt der beschleunigten Innovation schnell zurückfallen.

Häufig gestellte Fragen

Kann KI wirklich bessere Hypothesen generieren als erfahrene Wissenschaftler?

Die Stärke liegt nicht unbedingt in „besseren“ Hypothesen, sondern in der Fähigkeit, eine größere Vielfalt an Hypothesen schneller zu generieren und zu bewerten. Im Fall von Professor Penadés hat das KI-System dieselbe Hypothese wie die Forscher entwickelt, aber zusätzlich weitere plausible Erklärungen vorgeschlagen.

Ersetzt diese Beschleunigung experimentelle Forschung?

Nein. KI-Systeme können den Stand der Forschung analysieren und Hypothesen aufstellen, aber die experimentelle Validierung bleibt unerlässlich. Sie beschleunigen den Prozess, ersetzen aber nicht das Labor.

Was bedeutet diese Entwicklung für Arbeitsplätze in Forschung und Entwicklung?

Die Rolle von Forschern und Entwicklern wird sich verschieben – von der reinen Literaturrecherche und Hypothesenbildung hin zur Experiment-Gestaltung, Validierung und strategischen Fragestellung. Nicht weniger Arbeitsplätze, aber andere Anforderungen.

Wie können kleine Unternehmen von diesen Entwicklungen profitieren?

Durch den gezielten Einsatz öffentlich zugänglicher Tools wie Perplexity oder Elicit können auch kleine Unternehmen Forschungsfragen bearbeiten, die früher ein ganzes Team erfordert hätten. Der Schlüssel liegt im intelligenten Framing der Fragen und der Kombination von KI-Analysen mit menschlicher Expertise.

Beitrag von

Josef Dietl

Co-Founder, Innovation Enabler

Josef Dietl ist ein visionärer Technologie-Unternehmer und KI-Experte und zeichnet sich durch seine pragmatische Herangehensweise bei der Implementierung von KI-Lösungen aus. Als Mitgründer von Denke Digital verbindet er fundiertes technisches Know-how mit einem ausgeprägten Verständnis für die Bedürfnisse mittelständischer Unternehmen. Mit seinem Fokus auf der praktischen Umsetzung innovativer Ideen im Bereich der Künstlichen Intelligenz treibt er mit Christian Jarolim die digitale Transformation voran.

Adventkalender 2024

Bevorzugt informiert

Sie werden über DENKE DIGITAL UPDATE mit aktuellen Einblicken in KI-Entwicklungen, Interviews mit führenden Experten, praxisnahen Analysen technologischer Trends und kritischen Reflexionen über die Auswirkungen künstlicher Intelligenz bevorzugt informiert.

Wir verstehen KI nicht als abstraktes technisches Konzept, sondern als lebendige Technologie, die konkrete Lösungen für gesellschaftliche Herausforderungen bietet. Unsere Meldungen gehen über bloße technische Daten hinaus – wir beleuchten menschliche Geschichten hinter den Algorithmen, analysieren ethische Dimensionen und zeigen praktische Anwendungen für unser berufliches und privates Leben.

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

Melden Sie sich hier an

Link ⟩ zur Anmeldeseite

Wir verwenden für unsere Updates den in Deutschland beheimateten Newsletter-Dienstanbieter Rapidmail. Sehen Sie dazu auch unsere Datenschutzerklärung.

Allgemein, Most Recent

Der Beitrag Die beschleunigte Welt: Wie KI Innovation in drastisch SCHNELLEREN Zeiträumen ermöglicht erschien zuerst auf DENKE DIGITAL.

Künstliche Intelligenz

Christian Jarolim — Mon, 14 Apr 2025 05:16:39 +0000

14. April 2025

Künstliche Intelligenz (KI)

Was ist Künstliche Intelligenz?

Künstliche Intelligenz (KI) bezeichnet Computersysteme, die menschliche Fähigkeiten wie Lernen, Problemlösen und Sprachverständnis nachahmen.

Im Kern ist KI der Versuch, Maschinen zu entwickeln, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern. Diese Systeme können aus großen Datenmengen lernen, Muster erkennen, Probleme lösen und Entscheidungen treffen.

In der der Informatik konzentriert sich die wissenschaftliche Disziplin auf die Erforschung von Algorithmen, Datenstrukturen und Berechnungsmethoden, die es Computern ermöglichen, intelligentes Verhalten zu simulieren. Sie verbindet dabei Erkenntnisse aus verschiedenen Fachbereichen wie Mathematik, Logik, Linguistik, Neurowissenschaften und Psychologie.

Die moderne KI-Forschung unterscheidet zwei Richtungen:
– Die Symbolische KI, sie basiert auf logischen Regeln und symbolischer Wissensrepräsentation, und
– Die Subsymbolische KI, welche statistische Modelle und neuronale Netze zum maschinellen Lernen nutzt.

Im Informatikkontext stellt KI eine Erweiterung der traditionellen Algorithmen dar, indem sie nicht nur deterministische, sondern auch probabilistische und adaptive Problemlösungen ermöglicht. Anders als klassische Programme, die genau das tun, was ihnen explizit vorgegeben wurde, können KI-Systeme aus Daten lernen und ihre Leistung im Laufe der Zeit verbessern, ohne dass jeder Schritt explizit programmiert werden muss.

Untrainierte vs. vortrainierte KI-Systeme

Untrainierte KI-Systeme erfordern oft tausende GPU-Stunden für ein vollständiges Training, während vortrainierte Modelle mit einem Bruchteil davon feinabgestimmt werden können. Der Datenbedarf für beispielsweise ein untrainiertes Bilderkennungsmodell benötigt möglicherweise Millionen von Bildern, während ein vortrainiertes Modell mit wenigen hundert aufgabenspezifischen Beispielen angepasst werden kann. In der modernen KI-Entwicklung werden zunehmend vortrainierte Modelle bevorzugt, mit großen Foundation Models wie BERT, GPT oder CLIP als Grundlage für spezialisierte Anwendungen. Ein Grund dafür sind wirtschaftliche Faktoren. Die Vortrainingsphase ist auch der kostenintensivste Teil der KI-Entwicklung, was kleineren Akteuren den Zugang erschwert und zu einer Konzentration bei großen Technologieunternehmen führt.

Untrainierte KI

Untrainierte KI-Systeme werden zur Gänze von Grund auf trainiert und oft für spezialisierte Aufgaben ohne verfügbare vortrainierte Modelle, in Szenarien mit einzigartigen Datentypen oder -strukturen, für Forschungsprojekte zur Entwicklung neuer Architekturen und für Anwendungen mit sehr spezifischen Datenschutz- oder Sicherheitsanforderungen verwendet. Sie bieten die vollständige Kontrolle über den Lernprozess und sind oft für eine einzelne spezifische Anwendung maßgeschneidert.

Vor dem Einsatz sollte man bedenken, dass untrainierte KI-Systeme deutlich mehr Aufwand und Resourcen und bei begrenzten Trainingsdaten das Risiko schlechterer Resultate bedeuten können.

Vortrainierte KI

Vortrainierte KI-Systeme stehen ohne Vorlauf für den produktiven Einsatz zur Verfügung, haben große Datenmengen und bereits etablierte Architekturen und Parameter als Basis und sind normalerweise von Beginn an deutlich preiswerter.

Das bereits erfolgte Training birgt allerdings auch Nachteile. Neben Anderem sind das weniger Kontrolle, Abhängigkeit von der Qualität des Vortrainings, weniger Anpassungsfähigkeit bei stark abweichenden Aufgaben.

Schwache KI gegenüber theoretischer Starker KI

Der zentrale Unterschied zwischen Schwacher KI und Starker KI ist, dass schwache KI auf spezifische Anwendungen beschränkt ist und kein eigenständiges Verständnis besitzt, während starke KI – sollte sie jemals entwickelt werden – eine umfassende, menschenähnliche Intelligenz mit Bewusstsein und Verständnisfähigkeit besäße.

Schwache KI

Narrow KI oder ANI (Artificial Narrow Intelligence, auf Deutsch schwache KI) stellt die aktuell dominierende Form künstlicher Intelligenz dar. Im Gegensatz zu hypothetischen allgemeinen KI-Systemen (AGI) ist Narrow KI auf spezifische Aufgaben oder Anwendungsbereiche spezialisiert.

Das fundamentale Merkmal von Narrow KI ist ihre Spezialisierung. Diese Systeme werden entwickelt und trainiert, um in einem klar definierten Bereich Leistungen zu erbringen. Sie können innerhalb ihres Einsatzbereichs Menschen übertreffen, sind jedoch unfähig, ihr Wissen oder ihre Fähigkeiten auf andere Bereiche zu übertragen.

ist auf spezifische Aufgaben oder Problemstellungen spezialisiert,
simuliert intelligentes Verhalten in einem eng begrenzten Bereich,
besitzt kein eigenes Bewusstsein oder Selbstverständnis, und
funktioniert nach vorgegebenen Mustern und Algorithmen.

Starke KI

General AI oder AGI (Artificial General Intelligence) sind hypothetische KI-Systeme mit menschenähnlicher kognitiver Leistungsfähigkeit, geeignet für über ein breites Spektrum von Aufgaben. AGI existiert bisher nur als theoretisches Konzept.

. kann beliebige intellektuelle Aufgaben lösen, nicht nur spezialisierte,
. besäße die Fähigkeit zu abstraktem Denken, Kreativität und Selbstreflexion,
. würde möglicherweise ein eigenes Bewusstsein oder eine Form von Selbstwahrnehmung entwickeln, und
ist derzeit nur theoretisches Konzept, AGI existiert noch nicht als reale Technologie.

Die grundlegenden KI-Funktionskonzepte

– Maschinelles Lernen

Maschinelles Lernen bildet das Fundament moderner KI-Systeme. Anders als bei konventioneller Programmierung, bei der explizite Regeln vorgegeben werden, können diese Systeme aus Daten lernen und Muster erkennen.

– überwachtes Lernen

Das System wird mit gekennzeichneten Beispielen (Input-Output-Paaren) trainiert. Es lernt, die Beziehung zwischen Eingaben und gewünschten Ausgaben zu modellieren. Beispiele sind Klassifikation (E-Mails als Spam oder kein Spam einstufen) und Regression (Vorhersage kontinuierlicher Werte wie Immobilienpreise).

– Unüberwachtes Lernen

Das System entdeckt eigenständig Muster in unmarkierten Daten. Typische Methoden sind Clustering (Gruppierung ähnlicher Datenpunkte) und Dimensionsreduktion (Vereinfachung komplexer Datenstrukturen).

– Verstärkendes Lernen

Das System erlernt optimale Handlungsstrategien durch Interaktion mit einer Umgebung. Es erhält Belohnungen oder Bestrafungen für seine Aktionen und optimiert sein Verhalten, um langfristige Belohnungen zu maximieren.

– Neuronale Netze

Neuronale Netze sind vom menschlichen Gehirn inspirierte, trainierbare Berechnungsmodelle. Sie bestehen aus verbundenen Schichten künstlicher Neuronen: die Eingabeschicht nimmt Daten auf, vielfache, von außen nicht sichtbare Schichten verarbeiten die über die Eingabeschicht gewonnene Information. Die in die Schichten verbundenen Neuronen erhalten gewichtete Eingaben, addiert diese, wenden eine Aktivierungsfunktion an und geben das Ergebnis weiter. Die Ausgabeschicht schließlich liefert das vom Nutzer angefragte oder in einem Prozess definierte Ergebnis.

– Deep Learning

Deep Learning ist ein Teilbereich des maschinellen Lernens, der auf besonders tiefen neuronalen Netzen basiert:

– Deep Architecture

Viele versteckte Schichten ermöglichen hierarchische Merkmalsextraktion

– Automatische Merkmalsextraktion

Im Gegensatz zu traditionellem maschinellen Lernen werden Merkmale nicht manuell definiert, sondern vom Netzwerk selbst gelernt

– Zielgerichtete Architekturen

Convolutional Neural Networks (CNNs): Bilderkennung durch lokale Filteroperationen
Recurrent Neural Networks (RNNs): verarbeiten sequentielle Daten mit Gedächtnismechanismen
Transformer: Architektur für Sprachverarbeitung mit Aufmerksamkeitsmechanismen
Generative Adversarial Networks (GANs): erzeugen realistische synthetische Daten durch konkurrierende Netzwerke

Die Datenbasis ist die Grundlage der KI-Systeme

Bedeutung der Datenbasis

Lerngrundlage: Moderne KI-Systeme, insbesondere solche, die auf maschinellem Lernen basieren, können nur das „wissen“, was in ihren Trainingsdaten enthalten ist. Sie lernen, indem sie Muster und Zusammenhänge in diesen Daten erkennen.
Qualität bestimmt Leistung: Nach dem Prinzip „Garbage In, Garbage Out“ bestimmt die Qualität der Trainingsdaten direkt die Qualität der KI-Leistung. Selbst die fortschrittlichsten Algorithmen können aus schlechten oder unzureichenden Daten keine guten Ergebnisse erzeugen.
Generalisierungsfähigkeit: Die Vielfalt und Repräsentativität der Daten bestimmt, wie gut ein KI-System auf neue, ungesehene Fälle generalisieren kann. Eingeschränkte Datensätze führen zu KI-Systemen mit eingeschränktem Anwendungsbereich.

Konzeption von KI-Datenbasen

Für das Erkennen und Nutzen komplexer Muster müssen KI-Daten in ausreichend großer Menge und in der zum Verwendungszweck passenden Genauigkeit und Aktualität vorliegen. Sie müssen vielfältiger, unterschiedlicher Szenarien und Randfeldsituationen abdecken und zur Vermeidung von Verzerrungen durch ungleiche Verteilung ausreichend ausgewogen sein.

Herausforderungen bei der Erstellung der KI-Datenbasis

Der Aufbau der Datenbasis eines KI-Systems ist nicht nur ein technischer Aspekt, sondern hat weitreichende ethische, rechtliche und gesellschaftliche Implikationen wie beispielsweise

Datenschutz und Ethik: Balanceakt zwischen Datennutzung und Privatsphäre
Bias: Ungleichgewichte in den Daten führen zu ungerechten Systemen
Datenknappheit: In spezialisierten Domänen oft zu wenig verfügbare Daten Datenqualitätssicherung: Aufwändige Prozesse zur Sicherstellung hochwertiger Daten
Datenqualitätssicherung: Aufwändige Prozesse zur Sicherstellung hochwertiger Daten

Kurzer historischer Abriss der KI-Entwicklung

1940 – 1960

Warren McCulloch und Walter Pitts entwickeln das erste mathematische Modell eines künstlichen Neurons, Alan Turing veröffentlicht seinen berühmten Aufsatz „Computing Machinery and Intelligence“ mit dem Turing-Test, und der Begriff „Künstliche Intelligenz“ wird auf der Dartmouth Conference von John McCarthy geprägt.

Erste Erfolge mit Problemlösungsprogrammen wie Logic Theorist und General Problem Solver, erste frühe Programmiersprachen für KI wie, z.B., LISP werden entwickelt.

1960 – 1970

1970 – 1980

Ernüchterung nach übertriebenen Erwartungen an KI, Erkenntnis der Komplexität natürlicher Sprache und Wissensrepräsentation, Kürzung von Forschungsgeldern aufgrund ausbleibender praktischer Erfolge.

Aufstieg regelbasierter Systeme für spezifische Fachgebiete, Kommerzieller Erfolg dieser Systeme in Wirtschaft und Medizin, Japan startet „Fifth Generation Computer“-Projekt.

1980 – 1990

1990 – 2000

Erneute Ernüchterung bei regelbasierten Systemen, Durchbruch bei maschinellem Lernen und statistischen Ansätzen, Deep Blue besiegt Schachweltmeister Kasparov.

Verfügbarkeit großer Datenmengen, Fortschritte bei Rechenleistung und Algorithmen, Praktische Anwendungen in Bilderkennung, Sprachverarbeitung.

2000 – 2010

2010 – 2020

AlexNet revolutioniert Bilderkennung mit tiefem neuronalen Netz, AlphaGo besiegt Go-Weltmeister Lee Sedol, Entwicklung transformationsbasierter Modelle wie BERT und GPT.

Durchbruch bei generativen KI-Modellen (DALL-E, Stable Diffusion), Massentaugliche Sprachmodelle wie ChatGPT/GPT-4 und multimodale Modelle, die Text, Bild und andere Modalitäten kombinieren, werden entwickelt, und ethische und regulatorische Fragen werden zunehmend diskutiert.

seit 2020

Aktuelle KI-Technologien

Große Sprachmodelle (LLMs) – Fortschrittliche KI-Systeme wie GPT-4, Claude oder LLaMA, die menschenähnlichen Text verstehen und generieren können
Computer Vision – Systeme zur Bilderkennung, Objektidentifikation und visuellen Analyse in Echtzeit
Generative Adversarial Networks (GANs) – Erzeugen realistische Bilder, Videos und andere Medien durch konkurrierende Netzwerke
Multimodale KI – Verarbeitet und verbindet verschiedene Eingabeformen wie Text, Bild, Audio und Video
Reinforcement Learning from Human Feedback (RLHF) – Trainingsmethode, bei der KI-Modelle durch menschliches Feedback verbessert werden
Text-to-Image-Generierung – Erstellt Bilder aus Textbeschreibungen (z.B. DALL-E, Midjourney, Stable Diffusion)
Text-to-Video-Generierung – Erzeugt Videosequenzen aus Textbeschreibungen (z.B. Sora, Runway)
Neurosymbolische KI – Verbindet neuronale Netze mit symbolischer Logik für besseres Schlussfolgern
Federated Learning – Verteiltes Lernen auf Endgeräten ohne zentrale Datenspeicherung zum Schutz der Privatsphäre
Konversations-KI – Systeme für natürliche Dialoge mit Menschen in Kundenservice und persönlichen Assistenten
Selbstfahrende Fahrzeuge – Autonome Fahrsysteme mit Sensorfusion und KI-basierter Entscheidungsfindung
Kontinuierliches Lernen – Fähigkeit von KI-Systemen, ständig neue Informationen zu lernen ohne früheres Wissen zu vergessen
Low-Code/No-Code KI-Plattformen – Ermöglichen KI-Anwendungsentwicklung ohne tiefe Programmierkenntnisse
KI für Gesundheitsdiagnostik – Spezialisierte Bildanalyse für medizinische Bilder wie MRT, CT oder Röntgenaufnahmen
Empfehlungssysteme – Personalisierte Vorschläge für Produkte, Inhalte oder Dienstleistungen basierend auf Nutzerverhalten
KI-gestützte Robotik – Integration von KI in physische Robotersysteme für komplexe Interaktionen
Quantenmaschinelles Lernen – Kombination von Quantencomputing mit KI-Algorithmen für erhöhte Rechenleistung
Neuromorphic Computing – Hardware, die die Struktur des menschlichen Gehirns nachahmt für effizientere KI
Spracherkennung und -synthese – Umwandlung gesprochener Sprache in Text und umgekehrt mit hoher Genauigkeit
Anomalieerkennung – Identifizierung ungewöhnlicher Muster in Daten für Sicherheits- und Überwachungsanwendungen
Edge AI – KI-Verarbeitung direkt auf Endgeräten statt in der Cloud für schnellere Reaktionszeiten und mehr Datenschutz
Sentiment-Analyse – Erkennung und Interpretation von Emotionen und Meinungen in Texten
Prozessautomatisierung (IPA) – Intelligente Automatisierung von Geschäftsprozessen mit KI-gestützter Entscheidungsfindung
Augmented Analytics – KI-unterstützte Datenanalyse für automatische Musteridentifikation und -erklärung
Transformer-Architekturen – Grundlegende KI-Modellstruktur, die Aufmerksamkeitsmechanismen verwendet und moderne Sprachmodelle antreibt
Graph Neural Networks – Verarbeiten Beziehungen zwischen Entitäten in netzwerkartigen Daten für Anwendungen wie soziale Netzwerkanalyse oder Molekülmodellierung
Erklärbare KI (XAI) – Technologien, die die Entscheidungsprozesse von KI-Systemen transparent und nachvollziehbar machen

Der Beitrag Künstliche Intelligenz erschien zuerst auf DENKE DIGITAL.

KI Co-Kreativität in der Praxis

Josef Dietl — Fri, 11 Apr 2025 18:08:51 +0000

11. April 2025

KI Co-Kreativität in der Praxis

Wie Content bei Denke Digital entsteht

Bei „Denke Digital“ entstehen alle Inhalte in dreistufiger Zusammenarbeit zwischen Team und KI: Wir definieren die Kernbotschaften, die KI unterstützt bei der Ausformulierung, und wir übernehmen Lektorat und Endredaktion. Die inhaltliche Verantwortung liegt dabei zu jedem Zeitpunkt beim Menschen. Die KI ist weder Autor noch bloßes Werkzeug – sie ist ein Sparringspartner im kreativen Prozess. Wir nennen das „nicht mit und nicht ohne KI erstellt“.

Wie entsteht eigentlich der Content bei „Denke Digital“? Diese Frage wird uns häufig gestellt – und sie ist gerade bei einem KI-Projekt von besonderer Bedeutung. Die Antwort mag überraschen: Alle Inhalte stammen vom Denke-Digital-Team, ob namentlich gekennzeichnet oder als Teamleistung präsentiert. Und ja, wir nutzen dabei künstliche Intelligenz intensiv. Doch wie genau funktioniert diese Zusammenarbeit zwischen Mensch und Maschine?

Der dreistufige Entstehungsprozess

Phase 1: Die inhaltliche Konzeption

Am Anfang steht immer der Mensch. Das Denke-Digital-Team definiert die Kernbotschaften und legt die inhaltliche Ausrichtung fest. Natürlich experimentieren wir auch damit, uns von der KI Vorschläge machen zu lassen – doch die Entscheidung, welche Aspekte relevant sind und transportiert werden sollen, liegt ausschließlich bei uns. Die inhaltliche Verantwortung bleibt zu jedem Zeitpunkt beim Team.

Phase 2: Die kreative Ausformulierung

In dieser Phase setzen wir KI gezielt als Werkzeug ein – vergleichbar mit einem Ghostwriter, der unsere Gedanken in Worte fasst. Die KI hilft uns dabei, die definierten Kernbotschaften auszuformulieren und in einen schlüssigen Kontext zu setzen. Sie unterstützt uns beim Übersetzen unserer Expertise in verständliche und ansprechende Texte.

Phase 3: Qualitätssicherung und Finalisierung

Der letzte Schritt liegt wieder vollständig in menschlicher Hand. Jeder Text durchläuft ein sorgfältiges Lektorat und eine finale redaktionelle Prüfung durch unser Team. Die Bandbreite der Überarbeitung variiert dabei erheblich: Manchmal übernehmen wir Texte fast unverändert, häufiger nehmen wir noch den „letzten Schliff“ vor. In einigen Fällen entscheiden wir uns für eine umfassende Neuformulierung – dann hat die KI primär dabei geholfen, die initiale Schreibblockade zu überwinden.

Verantwortung und Qualitätsanspruch

Ein zentraler Grundsatz unserer Arbeit lautet: Wir veröffentlichen ausschließlich Inhalte, die wir uns vollständig zu eigen gemacht haben. Das bedeutet, dass wir jeden Text intensiv prüfen und gegebenenfalls überarbeiten, bis er unseren hohen Qualitätsansprüchen genügt. Natürlich können auch in diesem Prozess Fehler passieren – doch diese sind dann menschlicher Natur und nicht der KI anzulasten.

Die Zeitersparnis durch den KI-Einsatz ist dabei beträchtlich. Selbst wenn ein Text später noch einmal grundlegend überarbeitet wird, haben wir durch die KI-Unterstützung wertvolle Stunden gewonnen, die sonst vor dem sprichwörtlichen leeren Blatt verloren gegangen wären.

Fazit: Nicht mit und nicht ohne KI erstellt. KI Co-Kreativität in der Praxis

Dieser Ansatz bei „Denke Digital“ zeigt exemplarisch, wie eine produktive Zusammenarbeit zwischen Menschen und KI, wie KI Co-Kreativität aussehen kann. Die KI ist dabei weder Autor noch bloßes Werkzeug – sie ist ein intelligenter Sparringspartner im kreativen Prozess. Wir nennen das „nicht mit und nicht ohne KI erstellt“. Die KI unterstützt in jeder Phase, und die inhaltliche Verantwortung und finale Entscheidungsgewalt bleibt stets beim Menschen. Diese Herangehensweise ermöglicht es uns, die Stärken beider Seiten optimal zu nutzen: die analytische und kreative Kraft der KI sowie die fachliche Expertise und das Urteilsvermögen des Menschen.

Allgemein

Der Beitrag KI Co-Kreativität in der Praxis erschien zuerst auf DENKE DIGITAL.

EU-Regulierung schneidet uns vom Fortschritt ab

Josef Dietl — Mon, 07 Apr 2025 15:10:50 +0000

7. April 2025

Aktuelle Nachrichten über KI

EU-Regulierung schneidet uns vom Fortschritt ab

TL;DR: Meta hat die Nutzung multimodaler Funktionen von Llama 4 für Entwickler in der EU eingeschränkt – eine direkte Folge der EU-Regulierung (vor allem AI Act und DSGVO). Während der Rest der Welt auf dieser Technologie aufbauen kann, bleiben europäische Innovatoren außen vor. Diese Regulierungspolitik schwächt Europas Position im globalen KI-Wettlauf weiter.

Die Einschränkung im Detail

Wie schon bei früheren Modellen hat Meta auch bei Llama 4 signifikante Lizenzeinschränkungen für die EU festgelegt:

„With respect to any multimodal models included in Llama 4, the rights granted under Section 1(a) of the Llama 4 Community License Agreement are not being granted to you if you are an individual domiciled in, or a company with a principal place of business in, the European Union. This restriction does not apply to end users of a product or service that incorporates any such multimodal models.“

Die Konsequenz ist eindeutig: Während der Rest der Welt – selbst China – auf Basis von Llama 4 neue KI-Lösungen entwickeln kann, bleibt dieser Innovationspfad für Europa bei multimodalen Anwendungen verschlossen.

Die ganze Welt spricht über die Bedeutung von „Open Source“ Modellen wie Llama 4 für die Entwicklung dieser Technologie – und Europa hat sich an dieser Stelle selbst aus dem Rennen genommen.

Bürokratie statt Innovation

Warum diese Einschränkung? Einerseits gab es im Vorfeld der Entwicklung der Meta-KI-Modelle Kontroversen zwischen Meta und den europäischen Datenschützern über die Nutzung von Daten des Meta-Konzerns (vor allem Facebook und Instagram) für das Training der KI. Facebook hatte einen Opt-Out-Mechanismus angeboten, die EU-Datenschützer hatten das für unzureichend gehalten. Im Ergebnis hält Meta die Interpretation der DSGVO für zu unvorhersehbar. Und wenn Europa keine Daten zum Training beiträgt, bekommt Europa eben auch das fertige Produkt nicht.

Andererseits „schützt“ der EU AI Act uns angeblich, indem er leistungsstarke KI-Modelle mit bürokratischen Hürden belegt. Schutzkonzepte, umfangreiche Dokumentationen und zahlreiche weitere Anforderungen machen es für Unternehmen wie Meta überlegenswert, den europäischen Markt für bestimmte Entwicklungszwecke auszuschließen, als sich den regulatorischen Anforderungen zu stellen. Andere Anbieter haben bisher die Bürokratie akzeptiert, Meta nicht.

Als ob diese Bürokratie einen wirksamen Schutz bieten würde, wenn im Rest der Welt ein Modell problematische Entwicklungen nimmt.

Ein neuer technologischer Kalter Krieg

An dieser Stelle lohnt sich ein Rückblick auf ein passendes Zitat:

„Einst überließen Menschen ihr Denken den Maschinen, in der Hoffnung, dass dies sie befreien würde. Doch das erlaubte nur anderen Menschen mit Maschinen, sie zu versklaven.“

— Frank Herbert, „Dune“

Während sich USA und China einen neuen Kalten Krieg um die Vorherrschaft bei KI und Robotik liefern, hat Europa seine Relevanz in diesem Wettlauf bereits eingebüßt. Und nun binden wir uns durch überbordende Regulierung noch zusätzlich die Hände.

Der Selbstbetrug der europäischen Regulierung

Wir sollten den Selbstbetrug beenden: Europa wird die Nutzung von KI nicht beeinflussen. Ethische Nutzung, militärische Nutzung oder Missbrauch – all diese Fragen werden einfach nicht in der EU entschieden.

Die EU qualifiziert sich mit dieser Art von Regulierungspolitik für einen Darwin-Award – sie eliminiert sich selbst aus dem globalen Wettbewerb um zukunftsweisende Technologien, und auch aus der Diskussion über ihre ethische Verwendung.

Die wichtigsten Fragen und Antworten

Frage: Warum schränkt Meta die Nutzung von Llama 4 in der EU ein?
Antwort: Die Lizenzeinschränkungen sind eine direkte Reaktion auf die regulatorischen Anforderungen der EU, die für Meta einen zu hohen Compliance-Aufwand bedeuten würden.

Frage: Bedeutet der EU AI Act tatsächlich einen Innovationsnachteil?
Antwort: Ja, die überbordende Regulierung führt dazu, dass Technologieunternehmen den europäischen Markt für bestimmte Entwicklungszwecke ausschließen, während sie in anderen Regionen ohne diese Einschränkungen innovieren können. Ein anderes Beispiel war Apple. Abgesehen davon, dass Apple mit seiner Apple-KI ganz eigene Probleme hat, war auch der Roll-out der Apple-KI für Europa zunächst mit Verzögerungen geplant, um die Compliance-Anforderungen erfüllen zu können.

Frage: Können Endnutzer in der EU trotzdem Produkte nutzen, die auf Llama 4 basieren?
Antwort: Ja, die Einschränkung betrifft nur Entwickler und Unternehmen mit Sitz in der EU, nicht aber Endnutzer von Produkten, die diese Technologie integrieren.

Disclaimer: Dieser Artikel wurde „nicht mit und nicht ohne KI“ geschrieben: Die KI, konkret Claude Sonnet 3.7, hat anhand meiner Notizen zu den ersten Experimenten und den offiziellen Informationen einen Entwurf erstellt, ich habe die Endredaktion übernommen.

Beitrag von

Josef Dietl

Co-Founder, Innovation Enabler

Adventkalender 2024

Bevorzugt informiert

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

Melden Sie sich hier an

Link ⟩ zur Anmeldeseite

Wir verwenden für unsere Updates den in Deutschland beheimateten Newsletter-Dienstanbieter Rapidmail. Sehen Sie dazu auch unsere Datenschutzerklärung.

Allgemein, Most Recent

Der Beitrag EU-Regulierung schneidet uns vom Fortschritt ab erschien zuerst auf DENKE DIGITAL.

Eilmeldung: ChatGPT 4.5 ist da!

Josef Dietl — Thu, 27 Feb 2025 22:11:40 +0000

27. Februar 2025

Aktuelle Nachrichten über KI

ChatGPT 4.5 ist da – mit höherem EQ

OpenAI hat heute die Forschungsvorschau von GPT-4.5 veröffentlicht, dem nach eigenen Angaben bislang leistungsstärksten Sprachmodell des Unternehmens. Pro-Nutzer und Entwickler weltweit erhalten Zugang zum neuesten Modell, das durch umfangreiche Skalierung des unüberwachten Lernens entwickelt wurde.

Erste Erfahrungen mit GPT-4.5 über die API mittels AnythingLLM zeigen eine deutliche Verbesserung der Textqualität. Im Vergleich zu früheren Versionen, die oft durch viele Aufzählungen und überladene Darstellung auffielen, liefert GPT-4.5 spürbar flüssigere und angenehmer zu lesende Texte.

Die von OpenAI hervorgehobene Verbesserung des „emotionalen Quotienten“ (EQ) scheint sich in der Praxis zu bestätigen. Das Modell wirkt in der Kommunikation natürlicher und weniger detailverliebt als sein Vorgänger GPT-4o, was die Lesbarkeit erhöht. Ob dieser kompaktere Stil auf Kosten der inhaltlichen Genauigkeit geht, lässt sich nach ersten Tests noch nicht abschließend bewerten.

Laut OpenAI profitiert GPT-4.5 von mehreren Fortschritten:

Verbesserte Mustererkennung und Verbindungsherstellung
Breitere Wissensbasis
Besseres Verständnis der Nutzerintention
Reduzierte Halluzinationen und höhere Faktentreue

Als reines Sprachmodell ohne integrierten Reasoning-Prozess unterscheidet sich GPT-4.5 deutlich von anderen aktuellen OpenAI-Modellen wie o1 und o3-mini. Es bietet jedoch eine allgemeinere und intuitivere Intelligenz, die sich besonders für kreative Schreibaufgaben, Programmierung und die Lösung praktischer Probleme eignen soll.

Ein ausführlicher Test des neuen Modells sowie eine Anleitung zum Zugang über AnythingLLM folgen in Kürze.

Beitrag von

Josef Dietl

Co-Founder, Innovation Enabler

Adventkalender 2024

Bevorzugt informiert

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

Melden Sie sich hier an

Link ⟩ zur Anmeldeseite

Wir verwenden für unsere Updates den in Deutschland beheimateten Newsletter-Dienstanbieter Rapidmail. Sehen Sie dazu auch unsere Datenschutzerklärung.

Allgemein, Most Recent

Der Beitrag Eilmeldung: ChatGPT 4.5 ist da! erschien zuerst auf DENKE DIGITAL.

Eilmeldung: ChatGPT „DEEP RESEARCH“ ist da!

Josef Dietl — Wed, 26 Feb 2025 15:50:24 +0000

26. Februar 2025

Aktuelle Nachrichten über KI

ChatGPT Deep Research: Jetzt auch für Plus-Nutzer in Deutschland verfügbar

tl;dr

OpenAIs Deep Research ist ab sofort auch für Plus-Abonnenten in Deutschland zugänglich, nachdem es seit dem 5. Februar 2025 nur Pro-Nutzern vorbehalten war. Die KI-Funktion führt selbstständig umfassende Webrecherchen durch, analysiert bis zu Dutzende Quellen und erstellt detaillierte Berichte mit vollständigen Quellenangaben. Plus-Nutzer erhalten 10 Anfragen pro Monat, während Pro-Nutzer 120 Recherchen durchführen können.

Deep Research in der Praxis

So nutzen Sie die neue Funktion effektiv:

Prompt vorbereiten: Erstellen Sie Ihren Prompt vorab mit einer „normalen“ KI wie Claude Sonnet 3.7 oder ChatGPT 4o. Dies hilft, ausreichend Kontext abzubilden und die Fragen präzise zu formulieren. Da Ihr monatliches Kontingent begrenzt ist (10 Anfragen für Plus-Nutzer), lohnt sich diese Vorbereitung.
Funktion auswählen: Wählen Sie in ChatGPT „Deep Research“ in der Nachrichtenerstellung aus und geben Sie Ihre vorbereitete Anfrage ein.
Geduld mitbringen: Nach dem Start erscheint eine Seitenleiste mit Fortschrittsanzeige, durchgeführten Schritten und genutzten Quellen. Eine Recherche dauert je nach Komplexität zwischen 5 und 30 Minuten.
Rückfragen beachten: Deep Research stellt manchmal unaufgefordert Rückfragen, um die Suche zu präzisieren. Beantworten Sie diese, um bessere Ergebnisse zu erhalten.
Ergebnis prüfen: Das Endergebnis wird als strukturierter Bericht im Chat angezeigt, komplett mit Quellenangaben und Denkprozess-Dokumentation.

Erste Eindrücke aus eigenem Test

Wir haben Deep Research mit einer anspruchsvollen, zweiseitigen Anfrage an der Schnittstelle zwischen Technik, Wirtschaft und Politik auf die Probe gestellt. Das Ergebnis nach 23 Minuten Bearbeitungszeit war beeindruckend: Deep Research analysierte 35 Quellen und erstellte einen umfassenden Bericht von etwa 34 Seiten.

Während der Recherche zeigte die Fortschrittsanzeige transparent, wie viele Quellen bereits gefunden wurden und wie weit der Prozess fortgeschritten war. Nach etwa 10 Minuten waren bereits 23 Quellen gesichtet, der Fortschrittsbalken stand jedoch erst bei rund 50%. Dies verdeutlicht den Aufwand, den die KI betreibt, um die Informationen nicht nur zu finden, sondern auch zu analysieren und sinnvoll zusammenzuführen.

Die Qualität des Berichts übertraf Standard-ChatGPT-Antworten deutlich, mit klaren Quellenverweisen, strukturierten Abschnitten und einer logischen Argumentationsführung. Der Bericht bot einen guten Überblick über das komplexe Thema, auch wenn nicht alle angefragten Differenzierungen korrekt ausgeführt wurden. Dies lag vermutlich daran, dass die spezifische Fragestellung abseits des Mainstreams lag und entsprechend passende Quellen oder eine geeignete Segmentierung im Rohmaterial fehlten.

Bei der Überprüfung mehrerer Quellen konnten wir keine Halluzinationen feststellen – alle zitierten Informationen waren in den angegebenen Quellen tatsächlich vorhanden. Insgesamt lieferte Deep Research einen hervorragenden Einstieg auf einem völlig neuen Niveau – eine große Hilfe, wenn auch „nur“ ein Ausgangspunkt für weitere Recherchen.

Was ist Deep Research?

Deep Research ist OpenAIs fortschrittlichstes Recherchewerkzeug, das auf einer speziell optimierten Version des o3-Modells basiert. Es unterscheidet sich von herkömmlichen KI-Antworten und Suchmaschinen durch mehrere Kernfunktionen:

Autonome, mehrstufige Recherche: Die KI führt selbstständig Websuchen durch, wertet die Ergebnisse aus und passt ihre Suchstrategie basierend auf gefundenen Informationen an. Sie kann in die Tiefe gehen und Verbindungen zwischen verschiedenen Quellen herstellen.
Umfassende Quellenanalyse: Deep Research kann hunderte von Online-Quellen finden und analysieren, darunter Webseiten, wissenschaftliche Artikel, PDFs und Bilder. Es extrahiert relevante Informationen und integriert sie in einen kohärenten Bericht.
Transparente Dokumentation: Jede Information wird mit ihrer Quelle zitiert, und der Rechercheprozess wird transparent dokumentiert. Dies ermöglicht es Nutzern, die Informationen selbst zu überprüfen.
Kontextverständnis: Im Gegensatz zu einfachen Suchmaschinen versteht Deep Research den Kontext der Anfrage und kann komplexe Zusammenhänge erkennen und darstellen.

Diese Funktionen machen Deep Research besonders wertvoll für:

Fachleute in Bereichen wie Finanzen, Wissenschaft, Politik und Ingenieurwesen
Journalisten und Forscher, die fundierte Hintergrundinformationen benötigen
Verbraucher, die detaillierte Produktvergleiche oder Marktanalysen wünschen
Jeden, der komplexe Themen gründlich recherchieren möchte, ohne selbst stundenlang im Internet zu suchen

Fazit und Verfügbarkeit

Die Erweiterung von Deep Research auf Plus-Abonnenten markiert einen wichtigen Schritt in der Demokratisierung fortschrittlicher KI-Werkzeuge. Die Einführung erfolgte in mehreren Phasen, ab sofort ist Deep Research für alle zahlenden Nutzer (Plus, Team, Edu und Enterprise) verfügbar.

Die Nutzungskontingente unterscheiden sich je nach Abonnementtyp:

Pro-Nutzer: 120 Anfragen pro Monat
Plus-, Team-, Edu- und Enterprise-Nutzer: 10 Anfragen pro Monat

Die Funktion ist sowohl im Web als auch in der Windows-App verfügbar.

Mit nur 10 Anfragen pro Monat für Plus-Nutzer wird deutlich, dass die Technologie rechenintensiv ist. Umso wichtiger ist es, jeden Rechercheauftrag sorgfältig zu formulieren, um das Kontingent optimal zu nutzen. Wie oben erwähnt: Wir empfehlen, für die Formulierung des Rechercheauftrags selbst eine KI zu verwenden.

Deep Research stellt einen Quantensprung in der Art und Weise dar, wie wir KI für Recherchezwecke einsetzen können. Die Lösung gehört zu einer neuen Familie von Angebote, zusammen mit bsw. Google Co-Scientist und der Lösung „Elicit„. Es überbrückt die Lücke zwischen einfachen KI-Chatbots und professionellen Recherchedienstleistungen, indem es die Stärken beider Welten kombiniert: die Geschwindigkeit und Skalierbarkeit von KI mit der Gründlichkeit und dem Quellenreichtum menschlicher Recherche.

Für alle, die regelmäßig umfangreiche Recherchen durchführen müssen, könnte sich das Upgrade auf ChatGPT Plus – oder für Vielnutzer sogar auf Pro – allein für den Zugang zu dieser Funktion lohnen.

Beitrag von

Josef Dietl

Co-Founder, Innovation Enabler

Adventkalender 2024

Bevorzugt informiert

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

Melden Sie sich hier an

Link ⟩ zur Anmeldeseite

Wir verwenden für unsere Updates den in Deutschland beheimateten Newsletter-Dienstanbieter Rapidmail. Sehen Sie dazu auch unsere Datenschutzerklärung.

Allgemein, Most Recent

Der Beitrag Eilmeldung: ChatGPT „DEEP RESEARCH“ ist da! erschien zuerst auf DENKE DIGITAL.

Most Recent

Josef Dietl — Tue, 25 Feb 2025 15:32:28 +0000

25. Februar 2025

Aktuelle Nachrichten über KI

Claude 3.7 Sonnet mit erweitertem Denkvermögen und „Claude Code“

Anthropic hat gestern Nacht Claude 3.7 Sonnet vorgestellt, das erste hybride Reasoning-Modell auf dem Markt. Das neue KI-System kann wahlweise schnelle Antworten liefern oder in einen erweiterten Denkmodus wechseln, bei dem der Nutzer den Denkprozess der KI in Echtzeit verfolgen kann.

Mein erster Test zeigt: WOW! Mit dem neuen „Thinking Mode“ kann Claude heute beispielsweise besser programmieren als gestern. Das System löst nun Programmieraufgaben, die für frühere Versionen zu komplex waren.

Unified Intelligence statt separater Modelle

Anders als bei anderen Anbietern, die bisher separate Modelle für unterschiedliche Aufgaben entwickeln, verfolgt Anthropic einen integrierten Ansatz. Wie sie erklären: „So wie Menschen ein einziges Gehirn für schnelle Reaktionen und tiefes Nachdenken nutzen, sollte auch bei KI-Modellen das Denkvermögen integriert sein.“

Wer Claude in selbstgebauten KI-Anwendungen nutzt, kann mit Claude 3.7 Sonnet zudem ein genaues „Denkbudget“ bestimmen – der Anwender kann festlegen, wie viel Zeit und Rechenleistung für eine Aufgabe aufgewendet werden soll.

Claude Code: KI-Unterstützung für Entwickler

Zusammen mit dem neuen Modell startet Anthropic auch „Claude Code“ – ein Kommandozeilentool für Entwickler. Diese Anwendung kann Code durchsuchen, Dateien bearbeiten, Tests schreiben und ausführen sowie Änderungen an GitHub übertragen.

Nach den ersten Tests mit Claude Code bin ich begeistert. Dies ist genau die Art von Entwicklungswerkzeug, die ich mir seit einem Jahr gewünscht habe. Allerdings: Bisher war Programmieren eine billige Aufgabe, es kostete „nur“ Zeit. Bei den Experimenten bisher, kam dann doch relativ schnell die Meldung, dass ich 5$ verbraucht habe.

Verfügbarkeit und Preise

Claude 3.7 Sonnet ist ab sofort in allen Claude-Abonnements verfügbar – einschließlich Free, Pro, Team und Enterprise – sowie über die Anthropic API, Amazon Bedrock und Google Cloud Vertex AI. Der erweiterte Denkmodus steht auf allen Plattformen außer in der kostenlosen Claude-Version zur Verfügung.

Die Preise bleiben unverändert: 3 $ pro Million Eingabe-Token und 15 $ pro Million Ausgabe-Token, einschließlich der Tokens für den Denkprozess.

Ausblick

Ein ausführlicher Erfahrungsbericht zu Claude 3.7 Sonnet und Claude Code folgt in den kommenden Tagen. Erste Tests deuten darauf hin, dass Anthropic einen bedeutenden Schritt nach vorne gemacht hat – insbesondere für Entwickler und technisch versierte Nutzer.

Während Wettbewerber wie OpenAI angeblich an ähnlichen Funktionen arbeiten (die vermutlich mit GPT-3o kommen sollen), hat Anthropic bereits heute eine praktische Lösung geliefert.

Links:

Beitrag von

Josef Dietl

Co-Founder, Innovation Enabler

Adventkalender 2024

Bevorzugt informiert

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

Melden Sie sich hier an

Link ⟩ zur Anmeldeseite

Wir verwenden für unsere Updates den in Deutschland beheimateten Newsletter-Dienstanbieter Rapidmail. Sehen Sie dazu auch unsere Datenschutzerklärung.

Allgemein, Most Recent

Der Beitrag Most Recent erschien zuerst auf DENKE DIGITAL.

DeepSeek R1 nachgebaut!

Josef Dietl — Mon, 03 Feb 2025 17:25:58 +0000

3. Februar 2025

DeepSeek R1 nachgebaut!

DeepSeek R1 an der Uni Berkeley nachgebaut!

Eilmeldung: Forscherteam rekonstruiert zentrale Eigenschaften von DeepSeek R1

tl;dr: Ein Forschungsteam unter der Leitung des Doktoranden Jiayi Pan von der renommierten University of California, Berkeley, behauptet, die zentralen Eigenschaften von DeepSeek R1 erfolgreich nachgebaut zu haben. Sollte sich diese Behauptung bestätigen, könnte dies den Markt für KI-Modelle grundlegend verändern. Anwender dürfen sich auf eine wachsende Zahl kostengünstiger Alternativen zu den bisher dominierenden Anbietern wie OpenAI freuen. Gleichzeitig könnten die Turbulenzen an den Aktienmärkten anhalten, da die bisherigen Marktführer – darunter OpenAI und Nvidia – zunehmend unter Druck geraten. Die bisherige Annahme, dass gerade quasi-Monopole entstehen, gerät zunehmend ins Wanken.

Was hat Jiayi Pan / die Uni Berkeley genau gemacht?

Natürlich kann man nicht innerhalb weniger Tage ein komplettes KI-Modell wie DeepSeek R1 nachbauen. Stattdessen hat das Team einen gezielten Ansatz gewählt: Sie untersuchten die zentrale Behauptung von DeepSeek, dass eine alternative Trainingsmethode drastisch weniger Ressourcen erfordert als herkömmliche Verfahren.

Hierfür verwendete das Team eine stark vereinfachte Umgebung: das „Countdown Game“, ein Zahlenspiel, das sich gut für Experimente mit KI-Trainingsmethoden eignet. Als Ausgangspunkt diente eine frei verfügbare, konventionell trainierte KI.

Der entscheidende Schritt war der Unterschied in der Optimierung: Während OpenAI seine Modelle mit menschlichem Feedback weiter verbessert (Reinforcement Learning from Human Feedback, RLHF), setzte das Berkeley-Team auf eine automatisierte Kontrolle der Antworten – eine Methode, die als Reinforcement Learning with Proximal Policy Optimization (RL PPO) bekannt ist. Der „teuere“ Arbeitsschritt beim Training, das Einbinden der menschlichen Urteilskraft, wurde auf diese Weise umgangen.

Die Behauptung von DeepSeek ist: RL-PPO (also automatische Bewertung) liefert ähnlich gute Ergebnisse wie RLHF (menschliche Bewertung der Ergebnisse). Dass das Ganze für ein einfaches Zahlenspiel gut funktioniert, wie die U Berkeley gezeigt hat, ist theoretisch jedenfalls interessant.

Ob es eine Verallgemeinerung auf allgemeine Sprach-KI-Anwendungen zulässt, ist noch nicht klar.

Bisher wurden über R1 aus der Praxis gemischte Ergebnisse gemeldet. Es bleibt spannend.

Beitrag von

Josef Dietl

Co-Founder, Innovation Enabler

Adventkalender 2024

Bevorzugt informiert

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

Melden Sie sich hier an

Link ⟩ zur Anmeldeseite

Wir verwenden für unsere Updates den in Deutschland beheimateten Newsletter-Dienstanbieter Rapidmail. Sehen Sie dazu auch unsere Datenschutzerklärung.

Allgemein, Most Recent

Der Beitrag DeepSeek R1 nachgebaut! erschien zuerst auf DENKE DIGITAL.

Grenzland – Sandhed/Wahrheit | DENKE DIGITAL-Adventkalenderfenster #25

Josef Dietl — Wed, 25 Dec 2024 04:07:04 +0000

25. Dezember 2024

Grenzland: Sandhet / Wahrheit – die Konfrontation

ADVENTKALENDER 2024

Das alte Zollhaus ragte schwarz gegen die aufgehende Sonne. Karen Larsen kauerte hinter einem der verwitterten Grenzsteine, die Mappe fest an sich gedrückt. Das verschlungene Symbol schimmerte matt im frühen Morgenlicht.

„Alle enheder på plads,“ kam Mikkels Stimme über Funk. Alle Einheiten in Position.

Sie hatten das Gebäude über Nacht observiert. Zwei Personen waren im Inneren, eine davon bewegte sich mit der Autorität eines Hausherrn.

„Der Stempel muss noch da drin sein,“ flüsterte Karen ins Mikrofon. „Siebzig Jahre Macht, ein perfektes System – das wirft man nicht weg.“

„Og personen der bruger det.“ Mikkel klang angespannt. Und die Person, die ihn benutzt.

Karen überprüfte ihre Waffe, atmete tief durch. In ihrer Tasche lag ihre alte Bachelor-Arbeit. „Das System ist perfekt,“ hatte ihr Dozent damals gesagt. „Zu perfekt, um von außen zu kommen.“

Ein Licht ging im oberen Stockwerk an.

„Jetzt,“ sagte Karen. „Nu!“

Teams auf beiden Seiten der Grenze bewegten sich synchron auf das Gebäude zu. Das alte Holz knarrte unter ihren Schritten.

Die erste Tür war nicht verschlossen.

„Politi!“
„Polizei!“

Schritte über ihnen, hastig. Karen nahm die Treppe in schnellen, kontrollierten Schritten. Die Mappe unter ihrem Arm schien mit jedem Schritt schwerer zu werden.

Der obere Flur war leer. Nur eine Tür stand offen – das alte Dienstzimmer des Zollamtsleiters.

„Kommen Sie rein, Frau Larsen.“ Die Stimme war ruhig, kultiviert. „Sie auch, Herr Andersen. Lad os få det her overstået.“ Lassen Sie uns das zu Ende bringen.

Karen trat ein, Mikkel dicht hinter ihr. Der Raum war wie ein Museum: Alte Zollakten in Regalen, ein schwerer Schreibtisch, dahinter…

„Zollamtsdirektor Brandt,“ sagte Karen leise.

Der ältere Herr lächelte dünn. Vor ihm auf dem Schreibtisch lag ein alter Stempel. Das verschlungene Symbol war deutlich erkennbar.

„Wissen Sie,“ sagte er, „es war Ihre Bachelor-Arbeit, die mich beunruhigt hat. Sie kamen der Wahrheit zu nahe. Das System, die Strukturen… Sie haben es fast verstanden.“

„Das Symbol,“ sagte Karen und legte die Mappe auf den Tisch. „Es war nie eine Unterschrift. Es war immer das Zeichen der Institution.“

Brandt nickte anerkennend. „Die perfekte Tarnung. Ein offizieller Stempel, der inoffizielle Macht verleiht. Wer die Mappe trägt, handelt mit staatlicher Autorität – scheinbar.“

„Siden halvtredserne,“ sagte Mikkel. „Seit den Fünfzigern. Immer der jeweilige Zollamtsdirektor?“

„Eine Bruderschaft der Ordnung,“ Brandt klang fast stolz. „Wir haben die Grenze nie akzeptiert. Das Geschäft, die Kunst, die Menschen – alles sollte fließen. Unter unserer Kontrolle.“

Ein Schatten bewegte sich an der Tür. Die zweite Person.

„Nicht bewegen!“ Mikkels Stimme war scharf. „Fingerweg von der Waffe!“

Aber der Schatten hatte andere Pläne. Ein Schuss krachte, splitterte Holz neben Karens Kopf.

Was folgte, war Chaos.

Mikkel warf sich nach vorn, Karen rollte zur Seite. Brandt griff nach dem Stempel – und erstarrte, als Karens Waffe auf seine Brust zielte.

„Det er slut!“ rief sie. Es ist vorbei!

Draußen Schreie, Kampfgeräusche. Dann Mikkels Stimme: „Sikret! Gesichert!“

Brandt saß sehr aufrecht. „Sie können das System nicht zerstören. Es ist Teil dieser Region.“

„War es,“ sagte Karen und nahm den Stempel. „Das Grenzland hat sich verändert.“

Sie trat ans Fenster. Unten wurden Menschen aus dem Keller geführt – die letzten Geflüchteten, die hier zwischengelagert waren. Polizeiwagen auf beiden Seiten der Grenze, ein gemeinsames Team.

„Ihre Bachelor-Arbeit,“ sagte Brandt plötzlich müde. „War sie wenigstens eine Eins?“

Karen musste trotz allem lächeln. „Eine Zwei. Zu viele Theorien, zu wenig Beweise.“

Mikkel kam herein, ein blutendes Kratzer im Gesicht. „Der andere ist gesichert. Ein Zollbeamter, frisch befördert.“

„Der nächste in der Linie,“ nickte Karen. „Der das System fortführen sollte.“

Sie öffnete die Mappe ein letztes Mal. All die Dokumente, die Macht von Jahrzehnten, autorisiert durch einen simplen Stempel.

„Vi fandt dem,“ sagte Mikkel leise. Wir haben sie gefunden.

Draußen ging die Sonne über der Förde auf, tauchte das alte Zollhaus in goldenes Licht. Ein neuer Tag im Grenzland.

Aber die Schatten der Vergangenheit, das wusste Karen, würden sich nie wieder erheben.

Der Konferenzraum der deutsch-dänischen Polizeikommission war überfüllt. Karen stand am Fenster, beobachtete die Schiffe auf der Förde. Drei Tage waren seit dem Zugriff am Zollhaus vergangen.

„Sechzehn Verhaftungen insgesamt,“ fasste der Einsatzleiter zusammen. „Drei ehemalige Zolldirektoren, vier aktive Beamte, der Rest aus der Organisation.“

„Og kunstværkerne?“ fragte Mikkel von seinem Platz am Tisch. Die Kunstwerke?

„Wir haben einen Großteil lokalisiert,“ antwortete eine Kunsthistorikerin des BKA. „Der Stempel machte es möglich, die Transporte als offizielle Überführungen zu tarnen. Die perfekte Logistik für Kunst- und Menschenschmuggel.“

Karen drehte sich um. Vor ihr auf dem Tisch lag die Mappe, daneben der historische Stempel – jetzt Beweisstücke mit Asservatennummern.

„Eine Zwei,“ murmelte sie.

„Was?“ Mikkel sah auf.

„Meine Bachelor-Arbeit. Ich hatte die Struktur erkannt, das System – aber mir fehlten die Beweise.“ Sie lächelte schief. „Manchmal braucht die Wahrheit eben Zeit.“

Der Raum leerte sich langsam. Draußen zog Nebel auf, wie so oft hier im Grenzland.

„Der Polizeipräsident war beeindruckt,“ sagte Mikkel, während er seine Brille putzte. „Von uns beiden.“

Karen nickte. Sie wusste, worauf er hinauswollte. Der Vorschlag lag bereits auf ihrem Schreibtisch: Die Leitung einer neuen, gemeinsamen Ermittlungseinheit für grenzüberschreitende Kriminalität.

„Es würde Sinn machen,“ sagte sie langsam. „Et grænseoverskridende team…“

„Mit der richtigen Führung.“ Mikkel setzte seine Brille wieder auf. „Jemand, der beide Seiten kennt. Die Geschichte versteht.“

Karen trat ans Fenster. Unten wurde gerade ein neues Schild montiert: „Deutsch-Dänische Polizeikooperation / Tysk-Dansk Politisamarbejde“

„Wissen Sie,“ sagte sie, „als ich die Bachelor-Arbeit schrieb, dachte ich, ich untersuche die Vergangenheit. Aber eigentlich…“ Sie stockte.

„…war es die Zukunft?“ Mikkel stellte sich neben sie.

„Ja. Wie man es besser machen kann. Grenzen überwinden, aber diesmal…“ Sie suchte nach den richtigen Worten.

„…på den rigtige måde,“ beendete Mikkel ihren Satz. Auf die richtige Art.

Ein Klopfen an der Tür unterbrach sie. Ein junger Beamter brachte einen Brief. Von der Universität.

Karen öffnete ihn langsam. „Sie wollen die Arbeit noch einmal evaluieren. Mit den neuen Beweisen.“

„Eine Eins?“ Mikkel grinste.

„Wichtiger ist, was daraus geworden ist.“ Sie deutete auf das neue Schild unten, auf die gemeinsamen Teams, die ein- und ausgingen.

Sie packten ihre Sachen zusammen. Die Mappe und der Stempel würden ins Archiv wandern, Beweise einer dunklen Geschichte.

Aber die Region hatte sich verändert. Was einst eine Grenze war, wurde zur Brücke.

„Kaffe?“ fragte Mikkel an der Tür.

„Gerne.“ Karen griff nach ihrer Jacke. „Wir haben viel zu besprechen. Et nyt kapitel.“

Ein neues Kapitel. Im Grenzland, wo die Schatten der Vergangenheit endlich dem Licht der Wahrheit gewichen waren.

Drüben, jenseits der Förde, verzogen sich die letzten Nebelschwaden. Ein klarer Tag lag vor ihnen.

Und zum ersten Mal seit langem fühlte sich die Grenze nicht mehr wie eine Trennung an.

Sondern wie ein Anfang.

KI-GENERIERTE KRIMI-KURZGESCHICHTEN IM ADVENT

Was Sie im Advent 2024 erwartet:
Fünf spannende Krimi-Kurzgeschichten, jede in 5 Folgen aufgeteilt, die alle eines gemeinsam haben – sie wurden von Künstlicher Intelligenz geschrieben und nur minimal durch unser Team bei Denke Digital nachbearbeitet. Die Geschichten zeigen exemplarisch, wie schnell und einfach sich mit KI kreative Inhalte entwickeln lassen. Sie dürfen dabei ruhig über kleine Ungereimtheiten schmunzeln – wir haben bewusst auf Perfektion verzichtet, um die Unmittelbarkeit des KI-Schreibprozesses zu demonstrieren.

In einer ausführlichen Fallstudie werden wir Ihnen im Anschluss zeigen, wie sich durch systematischere Zusammenarbeit mit KI noch bessere Ergebnisse erzielen lassen.

Bis dahin laden wir Sie ein, sich von den überraschenden Möglichkeiten der KI-Co-Kreativität inspirieren zu lassen und unsere Begeisterung für diese Technologie zu teilen.

Adventkalender 2024

Bevorzugt informiert

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

Melden Sie sich hier an

Link ⟩ zur Anmeldeseite

Wir verwenden für unsere Updates den in Deutschland beheimateten Newsletter-Dienstanbieter Rapidmail. Sehen Sie dazu auch unsere Datenschutzerklärung.

Adventkalender

Der Beitrag Grenzland – Sandhed/Wahrheit | DENKE DIGITAL-Adventkalenderfenster #25 erschien zuerst auf DENKE DIGITAL.

Grenzland – Under Overfladen/Unter der Oberfläche | DENKE DIGITAL-Adventkalenderfenster #24

Josef Dietl — Tue, 24 Dec 2024 04:07:04 +0000

24. Dezember 2024

Grenzland: Under Overfladen/Unter der Oberfläche

ADVENTKALENDER 2024

Der Einsatzraum im Flensburger Präsidium summte vor Aktivität. Auf einem großen Bildschirm leuchteten die GPS-Signale der Polizeiboote auf beiden Seiten der Förde.

Karen Larsen legte die wasserdichte Mappe vorsichtig auf den Konferenztisch. Das verschlungene Symbol auf dem Verschluss schien sie zu verhöhnen. „Acht Verhaftungen bisher,“ sagte sie zu Mikkel. „Aber keiner spricht.“

„De er bange,“ murmelte Mikkel, während er seine Brille putzte. „Sie haben Angst.“

„Vor wem?“ Karen öffnete die Mappe erneut, ging die sichergestellten Dokumente durch. Transport-Routen, Kontakte, Zahlungen – alles perfekt organisiert. „Thomsen hatte die Mappe, aber…“

„…aber er war nicht der Chef.“ Mikkel setzte seine Brille wieder auf. „Hør her – die Verhöre der ersten Festgenommenen sind interessant. Sie alle sagen das Gleiche über die Mappe.“

Der Bildschirm zeigte nun Verhörprotokolle. Karen las die markierten Stellen:
„Die Mappe zeigt, wer spricht.“
„Wer die Mappe hat, führt aus.“
„Ohne Mappe keine Autorität.“

„Ein Machtsymbol,“ sagte Karen. „Wer die Mappe trägt, ist der verlängerte Arm von…“ Sie stockte. „Von wem?“

Ein junger Polizist stürmte herein. „Der Frachter ‚Helsinki‘ macht sich startklar. Trotz Hafensperre!“

Mikkel war sofort am Funk: „Alle Einheiten: Frachter ‚Helsinki‘ nicht auslaufen lassen. Gentag: Stop det skib!“

Karen beugte sich über die Hafenkarte. „Der Kapitän muss wissen, dass er nicht durchkommt.“

„Außer…“ Mikkel deutete auf eine Stelle. „Der alte Tonnenleger-Kanal. Hvis de kender den gamle rute…“

„Den kennt niemand mehr,“ sagte Karen. Dann traf sie die Erkenntnis. „Niemand außer…“

„…jemandem, der die alten Routen kennt.“ Mikkel griff bereits nach seiner Jacke. „Jemandem, der schon lange im System ist.“

Der Einsatzraum explodierte in Aktivität. Befehle wurden auf Deutsch und Dänisch gefunkt. Auf dem Bildschirm bewegte sich der rote Punkt des Frachters.

„Ich will auf’s Wasser,“ sagte Karen. „Jetzt.“

Zehn Minuten später standen sie auf dem Deck eines Polizeiboots. Der Wind hatte aufgefrischt, peitschte ihnen Gischt ins Gesicht. Vor ihnen türmte sich der dunkle Rumpf der ‚Helsinki‘ auf.

„Letzte Warnung!“ Mikkels Stimme dröhnte über den Lautsprecher. „Stop skibet!“

Keine Reaktion. Der Frachter hielt auf die enge Durchfahrt zu.

„Er wird es versuchen,“ murmelte Karen. Sie hatte die Mappe mitgenommen, studierte die Dokumente im schwachen Licht der Kajüte. „Diese Unterschrift… sie taucht überall auf, aber nur als Gegenzeichnung.“

Ein Scheinwerfer erfasste das Polizeiboot. Auf der Brücke der ‚Helsinki‘ bewegte sich eine Gestalt.

„Kurs Nordost,“ bellte Mikkel Befehle. „Han vil…“ Er unterbrach sich. „Er will uns umgehen.“

Das Wasser zwischen den Schiffen schäumte. Karen klammerte sich fest, als ihr Boot eine scharfe Wende machte. Die ‚Helsinki‘ war jetzt so nah, dass sie die Nieten im Rumpf sehen konnte.

Dann ging alles sehr schnell.

Zwei dänische Polizeiboote schossen aus der Dunkelheit, schnitten dem Frachter den Weg ab. Masculine Enterkommandos schwärmten aus.

„Maschinenraum gesichert!“
„Brücke unter Kontrolle!“
„Kapitän festgesetzt!“

Karen und Mikkel kletterten als Letzte an Bord. Der Kapitän, ein hagerer Mann in den Sechzigern, saß bereits in Handschellen auf der Brücke.

„Sie hätten es fast geschafft,“ sagte Karen, die Mappe in den Händen. „Den alten Kanal zu nutzen – eine gute Idee. Aber woher kannten Sie die Route?“

Der Kapitän lächelte dünn. „Fragen Sie den, der die Mappe verteilt.“

„Wer ist das?“

Aber der Kapitän schwieg, starrte nur auf das verschlungene Symbol am Mappenverschluss.

Später, zurück im Präsidium, breitete Karen den Inhalt der Mappe wieder aus. „All diese Dokumente der letzten Jahre… perfekt organisiert, jedes kleinste Detail.“

„Aber keine Spur zum eigentlichen Kopf,“ sagte Mikkel.

„Doch.“ Karen deutete auf die Unterschriften. „Diese Gegenzeichnung – sie autorisiert alles. Der wahre Chef…“

„…behält die Kontrolle, aber bleibt im Schatten.“ Mikkel nickte. „Clever.“

„Und gefährlich.“ Karen rieb ihre Narbe. „Wer immer die Mappe vergibt, kontrolliert das ganze Netzwerk. Seit Jahrzehnten.“

Der Abend zog herauf, tauchte den Hafen in rotes Licht. Auf der ‚Helsinki‘ begannen die Spurensicherer ihre Arbeit.

Aber Karen wusste: Der wichtigste Beweis lag vor ihnen – in Form einer handgefertigten Mappe mit einem verschlungenen Symbol.

Sie mussten nur lernen, sie richtig zu lesen.

Der Verhörraum war kalt. Erik Thomsen saß entspannt da, als hätte er alle Zeit der Welt. Vor ihm auf dem Tisch lag die Mappe.

„Wissen Sie,“ sagte er zu Karen, „es ist eigentlich amüsant. Sie haben das Werkzeug, aber verstehen seine Bedeutung nicht.“

„Dann erklären Sie es mir.“ Karen hielt seinen Blick fest. Hinter dem Spiegel beobachtete Mikkel die Szene.

„Diese Mappe…“ Thomsen strich fast zärtlich über das verschlungene Symbol. „Sie wurde mir vor zwei Jahren übergeben. In einer Nacht auf See, zwischen den Ländern. Der Überbringer sagte nur einen Satz: ‚Die Mappe ist die Macht, aber die Macht ist nicht die Mappe.'“

Karen lehnte sich vor. „Wer war der Überbringer?“

Thomsen lachte leise. „Das Beste daran? Ich weiß es nicht. Alles lief über Mittelsmänner. Perfekt koordiniert, seit Jahrzehnten.“

„Siden halvtredserne,“ murmelte Mikkel hinter dem Spiegel. Seit den Fünfzigern.

Karen öffnete die Mappe, zog die Dokumente heraus. „Diese Gegenzeichnung. Bei jedem wichtigen Dokument, jeder Transaktion. Wer autorisiert das alles?“

„Die richtige Frage wäre: Woher kommt die Autorisierung?“ Thomsen beugte sich vor. „Haben Sie sich die Unterschrift genau angesehen?“

Karen starrte auf die geschwungenen Linien. Etwas daran…

Die Tür flog auf. Ein junger Beamter stand im Rahmen. „Kommissarin? Sie müssen das sehen.“

Im Konferenzraum hatte die Spurensicherung neue Bilder aufgebaut. „Wir haben den Tresor auf der ‚Helsinki‘ geöffnet,“ sagte der Techniker. „Darin war das hier.“

Fotos von alten Dokumenten. Frachtbriefe, Genehmigungen, Transitpapiere. Alle mit der gleichen Unterschrift wie in der Mappe.

„Das älteste ist von 1951,“ sagte der Techniker.

Karen fühlte, wie sich ihr Nacken verspannte. „Die gleiche Unterschrift. Über siebzig Jahre.“

„Umuligt,“ sagte Mikkel. Unmöglich.

„Nicht wenn…“ Karen griff nach ihrer Tasche, zog ihre alte Bachelor-Arbeit hervor. „Nicht wenn es keine echte Unterschrift ist.“

Sie blätterte hastig, fand die Stelle. Ein Foto von 1962, das alte Zollhaus. Und am Rand ein Symbol.

„Se her!“ Mikkel beugte sich über ihre Schulter. „Das Symbol am Zollhaus…“

„…ist das gleiche wie auf der Mappe.“ Karen spürte, wie ihr Herz schneller schlug. „Es ist kein persönliches Zeichen. Es ist ein Amtszeichen.“

Sie breiteten die Dokumente aus. Die Unterschrift, bei näherem Hinsehen, war zu perfekt, zu gleichmäßig.

„Ein Stempel,“ sagte Mikkel leise. „En embedsstempel.“

„Der Stempel eines hohen Zollbeamten,“ nickte Karen. „Jemand hat ihn all die Jahre aufbewahrt, benutzt, weitergegeben.“

Sie dachte an Jensens Worte in der alten Akte: ‚Die wahre Gefahr kommt nicht von außen. Sie sitzt im Herzen unserer eigenen Institutionen.‘

„Das alte Zollhaus…“ begann Mikkel.

„Ja.“ Karen war schon auf dem Weg zur Tür. „Dort hat alles angefangen. Und dort wird es enden.“

„Karen!“ Mikkel folgte ihr. „Es ist eine Falle. De venter på os.“

„Natürlich ist es eine Falle.“ Sie drehte sich zu ihm um. „Aber jetzt wissen wir, wonach wir suchen.“

Draußen heulte der Wind von der Förde herauf. Dunkle Wolken zogen auf.

„Vi skal forberede det ordentligt,“ sagte Mikkel bestimmt. Wir müssen das richtig vorbereiten.

Karen nickte. Er hatte Recht. Sie nahm die Mappe, strich über das Symbol. Nach siebzig Jahren würde das System heute Nacht sein Ende finden.

Aber zuerst mussten sie einen Plan machen. Einen guten Plan.

Denn im alten Zollhaus wartete nicht nur der Kopf der Organisation.

Dort wartete die Geschichte selbst.

KI-GENERIERTE KRIMI-KURZGESCHICHTEN IM ADVENT

In einer ausführlichen Fallstudie werden wir Ihnen im Anschluss zeigen, wie sich durch systematischere Zusammenarbeit mit KI noch bessere Ergebnisse erzielen lassen.

Bis dahin laden wir Sie ein, sich von den überraschenden Möglichkeiten der KI-Co-Kreativität inspirieren zu lassen und unsere Begeisterung für diese Technologie zu teilen.

Adventkalender 2024

Bevorzugt informiert

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

Melden Sie sich hier an

Link ⟩ zur Anmeldeseite

Wir verwenden für unsere Updates den in Deutschland beheimateten Newsletter-Dienstanbieter Rapidmail. Sehen Sie dazu auch unsere Datenschutzerklärung.

Adventkalender

Der Beitrag Grenzland – Under Overfladen/Unter der Oberfläche | DENKE DIGITAL-Adventkalenderfenster #24 erschien zuerst auf DENKE DIGITAL.