Angesichts des langsamen Wirtschaftswachstums, anhaltender Inflation und zurückhaltender Konsum- sowie Investitionsbereitschaft suchen Unternehmen verstärkt nach Effizienzsteigerungen. Die Konsolidierung von Tools und Technologien im Martech-Stack optimiert Abläufe und verbessert Kundenerlebnisse. Während früher Marketingteams eigenständig Software von verschiedenen Anbietern auswählten, erfordert die Martech-Konsolidierung heute eine enge Abstimmung mit anderen Abteilungen. Insbesondere Vertrieb und Kundenservice müssen in Bezug auf Anforderungen, Funktionen und Budgets einbezogen werden, um eine ganzheitliche Lösung zu schaffen.
Obwohl sich die Martech-Stacks von Unternehmen zu Unternehmen stark unterscheiden, gibt es einige zentrale Komponenten, die fast überall zum Einsatz kommen. Dazu gehören Marketing Automation, Analytics, Content-Management-Systeme (CMS), Customer Relationship Management (CRM) und Digital Asset Management (DAM). Während DAMs früher hauptsächlich als Repositorien für Dokumente und Bilder dienten, setzen Unternehmen heute auf skalierbare Lösungen, die verschiedene DAM-Systeme integrieren und eine breite Palette von Asset-Typen – von Bildern über Audio hin zu Video – über den gesamten Lebenszyklus unterstützen.
Daneben sollten Unternehmen bei der Evaluierung neuer DAMs auch folgende Aspekte berücksichtigen:
Unterstützung von Videos in großem Umfang
Ältere DAM-Systeme bieten oft nur begrenzte Unterstützung für Videoinhalte, was angesichts der zunehmenden Bedeutung von Videos im Marketing eine erhebliche Einschränkung darstellt. In einer immer visuelleren und weniger textorientierten Welt wird dies zunehmend problematisch. Eine globale Umfrage zu Videos, die mein Unternehmen Anfang dieses Jahres in 15 Ländern durchführte, zeigte, dass Unternehmen verstärkt Videos nutzen, um Vertrauen zu schaffen (78 Prozent), die Markenbekanntheit zu steigern (65 Prozent) und den Umsatz zu fördern (54 Prozent). Für 37 Prozent der Verbraucher waren benutzergenerierte Videos entscheidend für ihre Kaufentscheidung, während über ein Viertel Unternehmensvideos bevorzugte. Diese Entwicklung erfordert ein modernes DAM, das Automatisierung und Optimierung bietet, um eine Vielzahl von Assets, einschließlich Videos, effizient zu verwalten.
Tagging automatisieren, um den Verlust von Assets zu vermeiden
Die automatische Kennzeichnung von visuellen Inhalten wie Bildern und Videos ist eine entscheidende, aber oft unterschätzte Funktion, die der Marketingabteilung erhebliche Kostenersparnisse bringen kann. Zwar kann Tagging auch manuell erfolgen, doch bei umfangreichen Operationen ist dies oft unpraktisch, subjektiv und fehleranfällig. KI-gestützte automatische Tagging-Verfahren arbeiten effizienter und genauer, indem sie Inhalte analysieren und den im DAM gespeicherten Assets automatisch Tags zuweisen. Ohne eine solche einzige Quelle der Wahrheit ist es schwierig, die richtigen Assets zu finden – insbesondere für globale Unternehmen, die mit mehreren Partnern zusammenarbeiten. Bilder und Videos ganzer Kampagnen können schnell verloren gehen, wenn Mitarbeiter und Auftragnehmer das Unternehmen verlassen, ohne den Speicherort oder Status wichtiger digitaler Assets zu dokumentieren. Auch das versehentliche Löschen von Dateien, Festplattenfehler, verlorene oder gestohlene Handys und Laptops stellen ein Risiko dar. Die Kosten für die Neuerstellung dieser Inhalte, von der Planung über die Aufnahme bis zur Postproduktion, können leicht Millionen betragen. Durch die Automatisierung des Taggings wird sichergestellt, dass Inhalte jederzeit schnell auffindbar sind, und das Risiko von Verlusten wird erheblich verringert.
Kontrolle und Moderation von benutzergenerierten Inhalten
Moderne DAM-Systeme unterstützen auch die Moderation und Kontrolle von User Generated Content (UGC) wie Bildern und Videos. Dies wird immer wichtiger, da vor allem die jüngere Generation zunehmend auf UGC-Videos zurückgreift, um die Authentizität, das Vertrauen und den sozialen Beweis einer Marke zu beurteilen. Unsere Umfrage ergab, dass 69 Prozent der Unternehmen UGC-Videos nutzen, um ihr Publikum besser anzusprechen (79 Prozent), eine authentische Nutzererfahrung zu bieten (63 Prozent) und die Suchmaschinenoptimierung zu verbessern (44 Prozent). Unternehmen, die UGC-Videos nicht zulassen, äußerten vor allem Bedenken hinsichtlich der Markenkonsistenz (56 Prozent), rechtlicher Risiken (51 Prozent) und der Angst vor unangemessenen Inhalten (41 Prozent). Glücklicherweise ermöglichen KI-basierte Funktionen in DAM-Systemen die Erstellung und Automatisierung von Arbeitsabläufen für die Moderation von UGC-Videos. Beispielsweise kann durch die Erkennung von Logos in Videobildern oder durch Tonerkennung sichergestellt werden, dass keine konkurrierenden Unternehmen erwähnt werden oder der Inhalt unangemessen ist.
Zuschneiden, Formate und Dateigröße
Bei visuellen Inhalten haben Unternehmen häufig größere Schwierigkeiten mit dem Zeit- und Personalaufwand für die Anpassung von Assets an verschiedene Kanäle und Geräte (58 Prozent) als mit der eigentlichen Erstellung der Inhalte (46 Prozent). Besonders aufwendig ist die Transformationsphase, in der Bilder und Videos zugeschnitten oder skaliert werden müssen, um dem Design und der Größe der verschiedenen Endgeräte zu entsprechen. Gleiches gilt für die Bereitstellung, bei der die Assets im richtigen Format ausgewählt, kodiert und in der Größe angepasst werden müssen. Ohne Automatisierung können diese Prozesse zeitaufwendig und fehleranfällig sein. Wenn sie nicht korrekt ausgeführt werden, kann dies die Ladegeschwindigkeit der Seiten beeinträchtigen und das Nutzererlebnis negativ beeinflussen. Programmgesteuerte und KI-basierte Automatisierungsfunktionen in modernen DAM-Systemen können diese Herausforderungen in der Postproduktion bewältigen und Unternehmen dabei unterstützen, ihre Inhalte rechtzeitig online zu stellen.
Untertitel und automatische Übersetzungen für Barrierefreiheit
Der European Accessibility Act (EAA), der im Juni 2025 in Kraft tritt, verpflichtet alle in der EU tätigen Unternehmen, die Barrierefreiheit ihrer Produkte und Dienstleistungen, einschließlich visueller Inhalte in Apps und auf Websites, sicherzustellen. Um diese Anforderungen zu erfüllen, müssen Unternehmen beispielsweise Textalternativen für visuelle Inhalte bereitstellen. Eine Möglichkeit ist die Bereitstellung von Transkripten, Bildunterschriften oder Untertiteln. Glücklicherweise bieten moderne DAM-Systeme bereits Funktionen zur automatischen Erstellung von Bildunterschriften und Transkripten für Bilder und Videos, was die Postproduktionskosten zusätzlich senken kann. Fortgeschrittene KI-Technologien ermöglichen es sogar, Videotranskripte zu erstellen, zu übersetzen und in Videos einzufügen, sodass sie für verschiedene Regionen verwendet werden können. Dies ist besonders vorteilhaft bei jüngeren Zielgruppen, da diese ohnehin Videos häufiger ohne Ton und mit Untertiteln abspielen.
Videos für soziale Plattformen zusammenfassen und kürzen
Moderne DAM-Systeme können die Postproduktion beschleunigen, indem sie drei- bis vierminütige Videos automatisch auf die bei TikTok, Instagram, Snapchat und YouTube beliebten 30-Sekunden-Clips zuschneiden. Mithilfe definierter Posen, Bewegungen und KI-gesteuerter Automatisierung verwandeln Unternehmen lange Inhalte in optimierte Kurzformate. Das senkt die Postproduktionskosten und vereinfacht den gesamten Prozess erheblich.
Integrierbarkeit
Wie bereits erwähnt, sind DAM-Systeme nur eine Komponente des Martech-Stacks. Unabhängig davon, für welches moderne DAM sich eine Organisation im Rahmen ihrer Konsolidierungsbemühungen entscheidet, muss sichergestellt werden, dass es gut mit den anderen Komponenten des Stacks zusammenarbeitet. Hier kommt die branchenübergreifende MACH Alliance ins Spiel, die aufzeigt, wie MACH (Microservices, API-first, Cloud-native SaaS und Headless Architecture) die Grundlage für eine moderne Webarchitektur bildet. Dieser modulare Ansatz, der auf nahtlose Integration ausgelegt ist, ermöglicht es Unternehmen, ergänzende Funktionen zu ihrem Martech-Stack flexibel hinzuzufügen oder zu entfernen, wie z. B. ein neues CMS oder eben ein modernes DAM. Der modulare Charakter unterstützt zudem eine Best-of-Breed-Strategie und fördert kontinuierliche Innovationen im Martech-Stack. DAM-Systeme, die dem MACH-Ansatz folgen, sind langfristig besser aufgestellt. So überrascht es nicht, dass in einer kürzlich durchgeführten Umfrage 86 Prozent von über 400 DAM-Anwendern aus Marketing, IT und Management angaben, dass die Integration mit anderen Lösungen im Technologie-Stack für sie „äußerst“ oder „sehr wichtig“ ist.
Weitere KI-Funktionen werden folgen
DAM-Systeme werden zunehmend KI nutzen, um praktische Anwendungen zu ermöglichen, die Automatisierung voranzutreiben, Zeit und Kosten zu sparen und die Rentabilität von Inhalten zu maximieren. Von einer verstärkten Integration von KI, Automatisierung und Interoperabilität mit einem wachsenden Ökosystem digitaler Tools werden alle Organisationen profitieren – weit über den Marketingbereich hinaus. Um relevant zu bleiben, müssen sich moderne DAM-Systeme kontinuierlich an neue Inhaltstypen und Kanäle anpassen. Kurzfristig gehören dazu beispielsweise skalierbare Lösungen für die Bereitstellung von Assets in Echtzeit und die Schaffung hyperpersonalisierter Erlebnisse auf der Grundlage von AR, VR und hochauflösendem 3D.
Angesichts des raschen technologischen Wandels kann die Konsolidierung auf ein einziges modernes DAM-System eine Herausforderung darstellen. Doch KI und Automatisierung, die Unterstützung einer Vielzahl von Asset-Typen (insbesondere Video), umfassende Postproduktionsfunktionen und die nahtlose Integration in Technologie-Stacks werden Marken dabei helfen, ihre Marketingaktivitäten zukunftssicher zu gestalten.
Das wichtigste Asset eines jeden Unternehmens sind gute Kunden. Nicht x-beliebige Kunden, sondern solche, die einen hohen Customer Lifetime Value bei möglichst geringer Betreuungsintensität ausweisen. Kunden, die über Zeit überproportional zum Erfolg des Unternehmens beitragen. Gerade in Zeiten, in denen in Deutschland eine Rezession das Wirtschaftsklima drückt und zugleich immer neue Sanktionen und Zölle die Exporte belasten, hat für viele B2B-Unternehmen kaum ein Thema höhere Priorität, als gute neue Kunden in neuen Märkten zu finden.
Nun ist das Gewinnen neuer Firmenkunden per se schon mit einigen Anstrengungen verbunden. Aus der Fülle möglicher Betriebe jedoch diejenigen zu identifizieren und zu priorisieren, die den größten Erfolg versprechen, erfordert hohe Daten- und Statistikkompetenz und viel Arbeitszeit. Denn dazu müssen wir erst einmal diejenigen Werttreiber kennen, die wirklich – und nicht nur gefühlt – einen Top-Kunden ausmachen, und sich objektiv erheben lassen, also nicht erst in zeitintensiven Erstgesprächen in Erfahrung gebracht werden können.
Die Reise beginnt dabei in der Regel mit der Analyse der bestehenden Kundenbasis: Kennen wir die Firmen, die über Jahre hinweg kontinuierlich Wert stiften für unser Unternehmen, können wir uns auf die Suche nach potenziellen Kunden mit einem ähnlichen Profil machen. Anstatt den Vertrieb weiterhin damit zu beschäftigen, generische Listen mit allen Unternehmen einer bestimmten Branche oder Größe durchzuackern, lässt man die vergleichsweise teuren Vertriebsmitarbeiter diejenigen Firmen priorisieren, die auf gesicherter Basis das höchste Erfolgspotenzial versprechen – in Bezug auf die Abschlusswahrscheinlichkeit und den Kundenwert (Customer Lifetime Value).
Dass dieser Schritt sinnvoll ist, steht außer Frage. Doch bisher scheiterte er meist am hohen Personalaufwand und der benötigten Data Science Skills: Schließlich darf eine Maßnahme zur Optimierung der Vertriebseffizienz nicht mehr Aufwand binden, als sie letztlich herausoptimiert. Künstliche Intelligenz schickt sich hier aktuell an, zum Gamechanger zu werden: Denn gerade die Automatisierung anspruchsvoller, aber standardisierbarer Tätigkeiten ist eine Paradedisziplin für analytische KI. Erste Lösungen füllen hier erfolgreich die entscheidende Lücke: Denn während es seit geraumer Zeit Data Analytics-Software gibt, die Unternehmen darin unterstützen, ABC-Analysen der Bestandskunden zu erstellen, hat bisher eine Lösung gefehlt, die aus den bisherigen Kunden und Kriterien des Unternehmens lernt, um neue Zielkunden für die Akquise zu finden und zu priorisieren.
Die Challenge für die KI: Die Perle in Sand finden
Unter Millionen Firmen diejenigen zu identifizieren, die zum eigenen Unternehmen passen – ob als Kunden, Lieferanten, Vertriebspartner oder Übernahmekandidaten – ist eine sehr komplexe und arbeitsintensive Aufgabe: Nicht nur gilt es überhaupt Unternehmen zu identifizieren, die aufgrund ihrer Branche, Geschäftstätigkeit und Region in Frage kommen – wofür diverse Register und Datendienste zeitraubend durchforstet werden müssen. Die eigentliche Arbeit ist es, diese zigtausenden Unternehmen einzeln zu untersuchen um festzustellen, wer davon wirklich ins Profil passt: Haben die Firmen passende Produkte oder Dienstleistungen im Angebot? Erfüllen sie relevante Normen? Halten sie passende Qualifikationen im Team vor? Sind sie wirtschaftlich vernünftig aufgestellt? Und sind ihre Kunden zufrieden?
Um diese Fragen zu beantworten, müssen viele verschiedene Datenquellen durchforstet werden: die Websites der Unternehmen, ihre Profile und Bewertungen im Netz, Register für Jahresabschlüsse und Geschäftsberichte, Stellenmärkte sowie je nach Bedarf auch Drittanbieterdaten zu Werbeverhalten und Websitebesuchen. Branchenzugehörigkeit und Wirtschaftsdaten können teils noch aus Kaufdatenbanken fertig erworben werden – doch verrät dieser teure Schritt nichts darüber, wer von ihnen tatsächlich passt. Die anderen Daten indes sind so oder so bisher Domäne enorm zeitaufwändiger manueller Desktop Researchs und manueller Exporte gewesen.
Und mit der reinen Sammlung der Informationen beginnt die eigentliche Arbeit erst: Denn die völlig unterschiedlich formatierten Daten aus all den unterschiedlichen Systemen müssen zusammengeführt und vergleichbar gemacht werden, damit man dann mit komplexen Datenanalysen die Erfolgstreiber bewertet und die Listen priorisiert.
So löst analytische KI diese Herausforderung
Genau hier kann analytische KI ihre drei Kern-Stärken ausspielen:
Komplexe Datenintegration:Wer schon einmal versucht hat, Daten aus sehr unterschiedlichen Systemen zu erheben und zusammenzuführen, weiß wie schnell man daran verzweifeln kann. Vermeintlich einfache Dinge wie Orte, Zeiten oder Unternehmensnamen sind in jeder Quelle wieder anders aufgeschlüsselt und beim Zusammenführen können sich tausend Flüchtigkeits- und Datenfehler einschleichen. Analytische KI hingegen ist genau darauf spezialisiert, solche Nüsse in Rekordtempo zu knacken und dabei akkurat zu bleiben.
Inhalts- und Kontextverständnis:Language Models heißen so nicht aus Zufall – die KI-Algorithmen verstehen unsere Sprache nicht nur Wort für Wort, sondern auch im Kontext. So kommen intelligente Algorithmen automatisch an das heran, worum es wirklich geht: Die inhaltlichen Aspekte, die man von einer Webseite oder einer Stellenanzeige wirklich wissen will. Etwa: Erfüllt dieses Unternehmen ISO-Norm XYZ? Werden Mitarbeitenden Diensträder geboten? Hat der Händler schlechte Kritiken wegen Fälschungen? Diese Informationen zusammenzusuchen, indem man alle Webseiten und Angebote selbst durchforstet, ist allenfalls machbar, wenn das Universum potenzieller Firmen sehr klein ist. KI-seitig braucht es hierfür dagegen nicht einmal Large Language Models (LLMs). Kleine bis mittlere Language Models, die wesentlich günstiger zu erstellen und anzupassen sind und deutlich weniger Energie verbrauchen, erledigen den Job bereits brillant.
Automatische Modellierung: Daten sind das neue Gold, heißt es. Doch anders als bei dem Edelmetall stellen erst die daraus gewonnenen Erkenntnisse den wahren Wert dar, nur sie bringen uns voran. Dafür müssen Zusammenhänge und Erfolgstreiber darin identifiziert werden. Zum Beispiel: Was von den zahllosen Merkmalen, die ich erheben kann, macht ein Unternehmen mit höherer Wahrscheinlichkeit zu einem A-Kunden? Wie erkenne ich mit größerer Sicherheit, welcher Lieferant nicht seriös ist? Firmendatenbanken können hier bestenfalls generische Antworten geben und die Modellierung mit Business Intelligence Tools setzt hohe Data Science Kompetenz voraus. Die KI hingegen erledigt solche Aufgaben in Blitzesschnelle. Denn in Abermillionen möglichen Kombinationen die besten Modelle zu finden, das ist das Heimatland der Algorithmen. Macht man Analytic AI zudem „explainable“, sprich: erklärbar, kann sie dabei jederzeit Rechenschaft darüber ablegen, weshalb und auf welcher Datengrundlage sie zu einer Einschätzung gelangt.
Die passenden Unternehmen finden und klassifizieren – durch Automatisierung mit KI eine Sache weniger Mausklicks. Screenshot aus einem Analytic AI-System.
Ein reales Fallbeispiel aus der Industrie
Ein großer Mittelständler liefert industrielle Vorprodukte an Fertigungsunternehmen in verschiedensten Ländern und Branchen. Seit etwa einem Jahr stellt er fest, dass bei etlichen Kunden die Bestellmengen abnehmen. Er muss das wegfallende Geschäft kompensieren. Doch aus den Daten ist nicht ohne weiteres ablesbar, welchen Mustern der Rückgang folgt und welche Art von Kunden man gewinnen muss, um ihn nachhaltig auszugleichen und weiter zu wachsen – geschweige denn, wo man diese Kunden findet.
Mit einem Analytic AI-System beantwortet das Unternehmen diese drei Fragen automatisch, und das mit 95 Prozent weniger Arbeitsstunden bis zur fertigen Lead-Liste und 99 Prozent geringeren Kosten als beim Erwerb von Lead-Daten über Kaufdatenbanken. Dabei geht die KI in zwei Schritten vor:
Zunächst reichern die Algorithmen die Kundendaten aus dem CRM-System automatisch an: Auf Basis der Unternehmenswebseiten ermittelt das Language Model, welchen Branchen und Unterbranchen die Kunden zuzuordnen sind und welche Produkte sie für welche Use Cases anbieten. Zu den Unternehmen werden aus offiziellen Datenbanken Umsatz- und Mitarbeiterdaten erhoben. Aus ihren Online-Profilen wird zudem ermittelt, wie die Kundenbewertungen ausfallen, und über entsprechende Plattformen, welche Stellen das Unternehmen aufbaut, wie viele Website-Besucher es woher bekommt und was es mit welchem Budget wo an (Online-)Werbung treibt. Für die Länder, in denen das Unternehmen primär aktiv ist, wird zudem erhoben, wie sich die Online-Nachfrage nach den Produkten entwickelt hat. Automatisch findet das System im neuronalen Netz das beste Modell, das Kundenwert zuverlässig vorhersagt.
Mit diesem Profil gehen die Algorithmen in einem zweiten Schritt nun selbstständig auf die Pirsch: In den Zielländern, in denen das Unternehmen wachsen möchte, werden aus verschiedenen Datenbanken und Suchmaschinen diejenigen Firmen ermittelt, die aufgrund von Branche oder Produktangebot auf das Profil passen könnten. Für sie werden automatisch jene Daten erhoben, die im Modell einen hohen Kundenwert vorhersagen. Mit diesen Informationen klassifiziert das System die gefundenen Kandidaten. Vollautomatisch erhält das Unternehmen so eine priorisierte Liste der Firmen, die sie als Kunden gewinnen sollten, mitsamt den vertriebsrelevanten Informationen: vom besten Use Case über den Produkt-Fit bis zu den auf der Webseite genannten Ansprechpartnern und Kontaktinformationen. Mit der gewonnenen Zeit und Präzision kann der Vertrieb seine Akquiseleistung binnen weniger Wochen im deutlich zweistelligen Prozentbereich steigern.
Beim Fenster- und Türenhersteller Oknoplast, der ein Analytic AI-System nutzt, um sein starkes Wachstum durch die laufende Identifikation und Gewinnung passender Handwerkspartner weiter zu ermöglichen, konstatiert Deutschlandgeschäftsführer Jens Eberhard vor dem Hintergrund des Effizienz- und Qualitätsgewinns gar, der KI-Einsatz im Lead Scouting und Scoring habe „die Akquise des Unternehmens revolutioniert“.
Durch die KI erstellte Liste qualifizierter Leads, sortiert nach Firmen mit dem höchsten A-Kunden-Potenzial auf Basis empirisch ermittelter Werttreiber. Screenshot aus einem Analytic AI-System
KI da einsetzen, wo sie am schnellsten Wertschöpfung bringt
In der Anfangszeit von ChatGPT und Co. schlug allem, was KI ist, zunächst eine hohe Euphorie entgegen und die Frage „setzt Du schon KI ein“ wurde teils zum Selbstweck. Inzwischen reift der Markt und Unternehmen fragen genauer nach klaren Use Cases und messbarem Nutzen – insbesondere dort, wo sich die wirtschaftlichen Umstände herausfordernder gestalten. So schärft sich der Blick dafür, dass sich die Investition in KI – wie jede Investition – lohnen muss. Im Lead-Scouting und Lead-Scoring für die Gewinnung von Neukunden führen die enorme Zeit- und Kostenersparnis sowie die deutlich reduzierten Streuverluste dazu, dass sich Investitionen in KI-Lösungen binnen sehr kurzer Zeit amortisieren, weil man mit derselben Mitarbeiterschaft in kürzerer Zeit mit zuverlässiger Trefferquote mehr Kunden mit einem aussichtsreichen Customer Lifetime Value akquirieren kann. Es kann daher nicht verwundern, dass gerade dieses Feld abseits der Spotlights und Fernsehkameras seit gut einem Jahr besonders stark wächst.
Roundtable mit Markus Wuebben, Julia Skrobek, Ozan Tuerker, Lisa Hütteroth & Krzysztof Szymanski
Das sind die Themen:
Transformation der CRM-Rolle Die Integration von KI verändert das Aufgabenspektrum im CRM fundamental. Der Fokus verschiebt sich von operativen Tätigkeiten zu strategischer Analyse und Prozessoptimierung.
Effizienzsteigerung durch Automatisierung KI-Tools rationalisieren Routineaufgaben und verbessern die Kampagnenanalyse. Die Abhängigkeit von technischen Teams wird reduziert, während die Personalisierung zunimmt.
Implementierungsherausforderungen Die erfolgreiche Integration von KI erfordert Transparenz, Teameinbindung und praktische Lösungsansätze. Besonders mittelständische Unternehmen stehen vor Herausforderungen.
Ethik und Datenschutz Die Einhaltung ethischer Richtlinien und Datenschutzbestimmungen ist zentral. Vertrauensbildung und menschliche Kontrolle bleiben trotz Automatisierung essentiell.
Strategische Neuausrichtung CRM entwickelt sich vom reinen Kontaktmanagement zum strategischen Tool für Kundenbeziehungen. KI ermöglicht präzisere Entscheidungen und verbesserte Produktempfehlungen.
Wenn Sie das nächste Mail live bei einem unserer Experten Roundtables dabei sein wollen, schauen Sie hier vorbei.
- OpenAI-o1 ist ideal für komplexe Aufgaben, bietet aber wenig Mehrwert bei einfachen Anwendungen - Claude eignet sich hervorragend für Dokumentenzusammenfassungen und Storytelling - Gemini bietet eine enorme Datenverarbeitungsleistung und eignet sich für große Datenmengen
Die Auswahl des richtigen Large Language Models (LLM) für das eigene Unternehmen kann eine Herausforderung darstellen, da es mittlerweile eine Vielzahl an Optionen gibt, berichtet HubSpot. Jedes Modell bietet unterschiedliche Stärken, die je nach Anforderungen und Anwendungsbereich variieren. Hier werden sechs prominente LLMs vorgestellt, die jeweils für spezifische Aufgabenbereiche besonders geeignet sind.
1. OpenAI-o1: Vielseitigkeit bei komplexen Aufgaben OpenAI-o1 glänzt mit seiner Fähigkeit zur logischen und schrittweisen Problemlösung, was es ideal für anspruchsvolle Aufgaben wie detailliertes Codieren oder Content-Editing macht. Es bietet erweiterte Funktionen wie maßgeschneiderte GPTs, die speziell an die Bedürfnisse eines Unternehmens angepasst werden können. Allerdings ist es für einfachere Aufgaben überdimensioniert, und die täglichen Verbesserungen sind nicht immer sofort erkennbar.
2. Claude von Anthropic: Perfekt für Zusammenfassungen und Storytelling Claude punktet besonders mit der Zusammenfassung großer Dokumente und der Fähigkeit, Geschichten klar und präzise zu erzählen. Es ist benutzerfreundlich und ermöglicht durch die „Projects“-Funktion eine einfache Anpassung an wiederkehrende Aufgaben. Ein Nachteil ist die Begrenzung der Dateigröße, da es bei sehr großen Dateien (über 20 MB) Probleme geben kann.
3. Google Gemini: Ideal für die Verarbeitung großer Datenmengen Gemini zeichnet sich durch seine Fähigkeit aus, enorme Datenmengen zu verarbeiten, was es besonders geeignet für die Arbeit mit umfangreichen Texten oder Dokumenten macht. Es bietet auch die innovative Funktion „Notebook LM“, die Texte in Podcasts umwandelt. Leider ist die Anpassungsfähigkeit eingeschränkt, da die „Gems“-Funktion weniger individuell gestaltet werden kann als bei anderen Modellen.
4. Llama von Meta: Sicherheit und Anpassungsfähigkeit Llama ist besonders hervorzuheben, wenn Privatsphäre und Datensicherheit wichtig sind. Es kann lokal auf einem Computer laufen, ohne dass Daten an Dritte weitergegeben werden. Dies macht es zu einer bevorzugten Wahl für sensible Anwendungen. Allerdings ist es in der Leistungsfähigkeit hinter anderen LLMs zurück, besonders bei komplexeren Aufgaben wie Content-Erstellung oder Problemlösung.
5. Grok von xAI: Social-Media- und Bildanalyse Grok ist speziell für die Analyse von Social-Media-Daten auf der Plattform Twitter geeignet und liefert Echtzeit-Einblicke zu aktuellen Trends. Es bietet auch die Funktion der Bilderstellung mit „Flux One“, einem Tool, das hochrealistische Bilder erzeugt. Für allgemeine Aufgaben wie Dokumentenzusammenfassungen oder kreatives Storytelling ist es jedoch weniger geeignet.
6. Perplexity: Eine Recherchehilfe der besonderen Art Perplexity ist ein KI-gestütztes Recherchetool, das die neuesten Informationen aus dem Internet durchsucht und organisiert. Es ist besonders nützlich für schnelle und präzise Recherchen. Dabei kann es verschiedene LLMs wie GPT-4 oder Claude zur Unterstützung nutzen. Es empfiehlt sich jedoch, die Informationen zu überprüfen, da Perplexity gelegentlich mit veralteten oder fehlerhaften Daten arbeitet.
- Das iPhone 16e bringt Apple Intelligence und läuft mit dem A18-Chip - Erstmals nutzt Apple sein eigenes Modem, den Apple C1 - Face ID ersetzt Touch ID, USB-C ersetzt Lightning-Port
Apple hat sein neues Budget-Smartphone vorgestellt, berichtet TechCrunch: das iPhone 16e, das für 599 Dollar erhältlich sein wird. Die Bezeichnung „SE“ entfällt, um das Gerät stärker an die Premium-Modelle anzugleichen. Technisch bringt das iPhone 16e einige bedeutende Neuerungen mit sich. Besonders hervorzuheben ist die Integration von Apple Intelligence, Apples hauseigener Künstlicher Intelligenz. Diese ermöglicht Funktionen wie automatische Texterstellung, Bildgenerierung und Zusammenfassungen direkt auf dem Gerät, ohne eine Internetverbindung zu benötigen. Möglich wird das durch den leistungsstarken A18-Prozessor, der auch in den anderen Modellen der iPhone-16-Serie steckt.
Ein weiteres Highlight ist der Apple C1-Modemchip, mit dem Apple erstmals auf eine eigene Lösung setzt, anstatt Komponenten von Qualcomm oder Intel zu verwenden. Auch in Sachen Design gibt es spürbare Veränderungen: Das klassische Touch ID-Home-Button-Design weicht Face ID, wodurch das Gerät moderner wirkt. Zudem verabschiedet sich Apple von seinem Lightning-Anschluss und setzt künftig auch in dieser Modellreihe auf USB-C, was die Kompatibilität mit anderen Geräten erleichtert. Das Display wächst auf 6,1 Zoll OLED, und Apple verspricht eine spürbar verbesserte Akkulaufzeit im Vergleich zum Vorgänger.
Fotografie-Enthusiasten erhalten eine 48-Megapixel-Hauptkamera mit 2-fach-Zoom, die auch Aufnahmen mit 24 Megapixeln ermöglicht. Mit der verbesserten TrueDepth-Frontkamera lassen sich nicht nur bessere Selfies aufnehmen, sondern auch Face ID nutzen. Während Apple mit dem iPhone 16e seine Marktstellung in Ländern wie China und Indien stärken möchte, bleibt Apple Intelligence in China vorerst nicht verfügbar. Dennoch könnte das verbesserte Preis-Leistungs-Verhältnis dafür sorgen, dass das iPhone 16e gerade in diesen Märkten gut ankommt. Die Vorbestellungen starten am 21. Februar, der Verkaufsstart folgt am 28. Februar.
Das Smartphone ist für die meisten Nutzerinnen und Nutzer unverzichtbar – und Künstliche Intelligenz ist bei vielen von ihnen bereits auf den Geräten im Einsatz. Der deutsche Markt für Smartphones, Apps und Mobilkommunikation profitiert davon stark und soll im Jahr 2025 erstmals auf 40,1 Milliarden Euro wachsen: erneut ein Höchststand. Im Vergleich zum Vorjahr (39,2 Milliarden Euro) beträgt die Steigerung 2,1 Prozent. Das zeigen aktuelle Berechnungen des Digitalverbands Bitkom anlässlich des am 3. März beginnenden Mobile World Congresses in Barcelona. Den größten Anteil am Umsatz machen Daten- und Sprachdienste mit 23,5 Milliarden Euro aus (+1,9 Prozent im Vergleich zum Vorjahr). Mit den Smartphones selbst werden 12,1 Milliarden Euro (+2,5 Prozent) umgesetzt. In die Netzinfrastruktur für mobile Kommunikation fließen 2,2 Milliarden Euro (+2,3 Prozent), wobei Kosten für Frequenzen, Gebäude und Bauarbeiten noch hinzukommen. Der App-Markt wächst auf 2,2 Milliarden Euro (+2,3 Prozent). „Rund um das Smartphone wächst das milliardenschwere, innovative Ökosystem aus Geräten, Apps, Diensten und Netzinfrastruktur immer weiter“, sagt Bitkom-Vizepräsident Markus Haas. „Auch der Netzausbau macht in Deutschland große Schritte nach vorn: 5G erreicht mittlerweile über 98 Prozent der Haushalte und über 90 Prozent der Fläche.“ Mit den Smartphones selbst sollen 12,1 Milliarden Euro umgesetzt werden (2024: 11,8 Mrd. Euro). Der Absatz bleibt stabil: 2025 sollen laut Prognose wie im Vorjahr rund 20 Millionen Geräte verkauft werden.
82 Prozent der Deutschen ab 16 Jahren nutzen ein Smartphone
Aktuell nutzen 82 Prozent der über 16-Jährigen in Deutschland ein Smartphone, das entspricht rund 56 Millionen Menschen. Neue Funktionen rund um Künstliche Intelligenz erobern dabei den Smartphone-Markt, wie eine aktuelle repräsentative Umfrage im Auftrag des Bitkom zeigt: 72 Prozent der derjenigen, die ein Smartphone privat nutzen, verwenden bereits mindestens eine KI-Funktion auf ihrem Gerät: 58 Prozent nutzen Sprachassistenten wie Siri, Alexa oder den Google Assistant auf ihrem Smartphone, 48 Prozent setzen einen Chatbot wie ChatGPT, Gemini oder Perplexity auf dem Gerät ein. 38 Prozent nutzen KI-Tools zur Fotobearbeitung wie etwa den „magischen Radierer“, der Personen oder Gegenstände auf Bildern verschwinden lassen kann. Nur ein Viertel (26 Prozent) gibt an, explizit keine dieser KI-Funktionen im Einsatz zu haben.
Die Offenheit gegenüber noch mehr KI ist dabei groß: Mehr als die Hälfte der Nutzerinnen und Nutzer eines Smartphones (56 Prozent) kann sich vorstellen, ein KI-Smartphone ganz ohne Apps zu nutzen, das allein über die Sprache gesteuert wird. Haas: „Ohne KI-Funktionen wird künftig kein Smartphone mehr auskommen. KI macht Smartphones noch intelligenter und effizienter, erleichtert die Kommunikation und steigert die Produktivität. Durch KI werden Smartphones erst richtig smart.“
Die Hälfte achtet beim Neukauf auf KI-Tools für die Bildbearbeitung
KI-Tools für die Bildbearbeitung wie ein „magischer Radierer“ sind beim Neukauf eines Smartphones zunehmend gefragt. Bereits mehr als der Hälfte der Nutzerinnen und Nutzer eines Smartphones (54 Prozent) ist dies bei der Wahl eines neuen Geräts wichtig. Robustheit und eine möglichst lange Nutzungsdauer spielen bei der Auswahl eines Smartphones aber die größte Rolle: 98 Prozent achten auf robustes Bildschirmglas und 96 Prozent auf eine lange Akkulaufzeit. 93 Prozent ist die Größe des Speicherplatzes wichtig und 92 Prozent die Bildschirmqualität. Eine langfristige Versorgung mit Updates (93 Prozent), die Kameraqualität (90 Prozent) sowie die Displaygröße (87 Prozent) haben ebenfalls für viele eine hohe Bedeutung. Fast zwei Drittel (62 Prozent) legen Wert auf die Möglichkeit zur Sprachsteuerung – und auch der Preis ist für drei Viertel (78 Prozent) ein wichtiges Kriterium bei der Smartphone-Wahl.
Der durchschnittliche Preis für ein Smartphone steigt erstmals über 600 Euro
Der Durchschnittspreis pro Smartphone steigt in diesem Jahr leicht. Wurden 2024 im Schnitt 591 Euro je Smartphone ausgegeben, sind es in diesem Jahr erstmals mehr als 600 Euro (voraussichtlich 605 Euro). „Die Geräte werden robuster, langlebiger und hochwertiger. Dabei bleiben Premium-Smartphones bei bestimmten Kundengruppen sehr gefragt, die bereit sind, für hohe Qualität einen entsprechenden Preis zu zahlen“, betont Haas. Im Durchschnitt wollen Nutzerinnen und Nutzer für ihr nächstes Smartphone maximal 262 Euro ausgeben – 2024 waren es 241 Euro. Dabei handelt es sich allerdings um einen Durchschnittswert, der sich sowohl aus günstigen Smartphones mit Mobilfunkvertrag als auch aus Geräten ohne Vertrag zusammensetzt.
Smartphones werden nicht mehr so schnell ersetzt
Die Menschen in Deutschland haben ihre privat genutzten und selbstgekauften Smartphones immer länger in Gebrauch und ersetzen sie deutlich später durch Neugeräte als früher. Nur noch jeder und jede Dritte (35 Prozent) hat ein Gerät, das jünger als ein Jahr ist. 2024 waren es 43 und 2023 sogar 55 Prozent. Fast die Hälfte (47 Prozent) nutzt ihr Smartphone bereits länger als zwei Jahre. Im Vorjahr waren es noch 27 Prozent. Aktuell beläuft sich das Durchschnittsalter eines selbstgekauften Smartphones auf 24 Monate – 2024 waren es noch 17,5 Monate. Insgesamt haben 73 Prozent derjenigen, die ein Smartphone für private Belange nutzen, ihr Gerät selbst gekauft. 6 Prozent nutzen ein geschenktes Smartphone und 19 Prozent ihr dienstliches Gerät auch privat. Haas: „Je robuster und langlebiger ein Smartphone ist, desto besser ist auch der CO2-Fußabdruck der Geräte. Hier zahlt sich aus, dass die Hersteller oft sehr hochwertige Materialien benutzen, die Geräte besser als früher vor Wassereintritt oder Staub geschützt sind und länger mit Softwareupdates versorgt werden. Außerdem reduzieren effizientere Batterietechnologien und optimierte Software den Akkuverschleiß.“
Mehr als 2,5 Stunden tägliche Smartphone-Zeit
Im täglichen Gebrauch sind Smartphones mittlerweile deutlich länger im Einsatz als früher. Dabei zeigt sich: Je jünger die Nutzerinnen und Nutzer sind, desto mehr Zeit verbringen sie mit ihrem Gerät. Die 16- bis 29-Jährigen nutzen ihr Gerät im Durchschnitt fast 3,5 Stunden am Tag – insgesamt 212 Minuten. Vor zwei Jahren (2023) waren es noch 177 Minuten in dieser Altersgruppe. Die 30- bis 49-Jährigen schätzen ihre tägliche Nutzung auf durchschnittlich 158 Minuten (2023: 151 Minuten) und die 50- bis 64-Jährigen auf 148 Minuten (2023: 144 Minuten). Auch bei den Seniorinnen und Senioren über 65 Jahren ist die durchschnittliche Nutzungszeit kräftig gewachsen und liegt nun bei 103 Minuten – 23 Minuten mehr als noch im Jahr 2023 (80 Minuten). Über alle Altersgruppen hinweg beläuft sich die tägliche Smartphone-Zeit auf durchschnittlich 155 Minuten (2023: 143 Minuten).
82 Prozent der Nutzerinnen und Nutzer eines Smartphones können sich ein Leben ohne das Gerät nicht mehr vorstellen. 66 Prozent fühlen sich dadurch im Alltag sicherer. Es kommt allerdings auch immer wieder zu Störgefühlen oder Diskussionen, wenn das Smartphone aus Sicht anderer zu intensiv genutzt wird: 73 Prozent nervt es, wenn andere Personen während eines Treffens nur auf ihr Gerät schauen. 63 Prozent stören sich im Übrigen daran, wenn schon kleine Kinder ein Smartphone nutzen.
Guter Empfang, hohe Netzabdeckung, schnell surfen
Bei der Wahl ihres Mobilfunkanbieters sind sich die Nutzerinnen und Nutzer eines Mobiltelefons auch in diesem Jahr weitestgehend über die Kriterien einig. Praktisch alle wollen einen guten Empfang am Wohnort (96 Prozent). Ebenso vielen ist eine möglichst große Netzabdeckung (95 Prozent) wichtig und 90 Prozent eine möglichst hohe Surfgeschwindigkeit. Die Preise sollen für 76 Prozent möglichst niedrig sein und drei Vierteln (75 Prozent) ist ein guter Kundenservice bei der Wahl ihres Mobilfunkanbieters wichtig. Dahinter folgen flexible Kündigungsmöglichkeiten (71 Prozent). Eine große Rolle spielt auch die Nachhaltigkeit des Mobilfunkanbieters (68 Prozent) sowie das soziale Engagement des Unternehmens (52 Prozent).
Auch wenn ein guter Empfang und eine gute Netzabdeckung für praktisch alle wichtige Kriterien sind – die Akzeptanz neuer Funkmasten für den weiteren Netzausbau ist weniger hoch entwickelt, aber auch hier steigt der Zuspruch: 61 Prozent sind für die Errichtung weiterer Masten für den Netzausbau und 35 Prozent dagegen. Vor fünf Jahren lagen Gegner und Befürworter noch gleichauf: 2020 waren 48 Prozent gegen und 48 Prozent für die Errichtung weiterer Masten. 58 Prozent sagen aktuell, sie fühlen sich sicherer, wenn ihre Umgebung eine gute Netzabdeckung hat – und die Hälfte (49 Prozent) ist dafür, dass für eine flächendeckende Netzabdeckung auch in Naturschutzgebieten Funkmasten errichtet werden können.
37 Prozent befürworten zwar insgesamt den Mobilfunkausbau, wollen aber keinen Funkmast in der Nähe ihrer Wohnung. Haas: „Die aktuellen Überlegungen der Bundesnetzagentur zu den zukünftigen Versorgungsauflagen sehen vor, dass bis 2030 jeder der drei etablierten Netzbetreiber 99,5 Prozent der gesamten Fläche Deutschlands versorgt. Dafür müssen auch entlegene und schwer zu erschließende Gebiete wie bergige Regionen, Naturschutzgebiete oder Küsten mit schnellem Mobilfunk versorgt werden können.“ Wichtig sei deshalb, dass dem Netzausbau uneingeschränkt und unbefristet ein „überragendes öffentliches Interesse“ bescheinigt wird. „Durch das überragende öffentliche Interesse wird ein beschleunigter und flächendeckender Ausbau erst möglich. Dieser Zusatz erlaubt es den Genehmigungsbehörden, bei Abwägungen mit dem Natur- oder Denkmalschutz dem Ausbau der Telekommunikationsnetze den Vorrang zu geben“, erläutert Haas.
Mit jährlichen Investitionen von über 13 Mrd. Euro treiben die Netzbetreiber in Deutschland den eigenwirtschaftlichen Ausbau von Mobilfunk und auch Gigabit voran. 5G erreicht über 98 Prozent der Haushalte und versorgt fast 90 Prozent der Fläche, 76 Prozent haben Zugang zu einem Gigabit-Anschluss. „Die Telekommunikationsunternehmen haben beim Gigabitausbau ein hohes Tempo vorgelegt. Aber um die Vorgaben der Politik zu erfüllen, muss die nächste Bundesregierung die verbliebenen Ausbauhürden aus dem Weg räumen“, so Bitkom-Vizepräsident Haas. Dazu gehöre unter anderem die Schaffung eines echten europäischen Binnenmarktes für Telekommunikation. „Deutschland muss sich auf europäischer Ebene für mehr Harmonisierung einsetzen und nationale Unterschiede etwa bei Sicherheits- und Verbraucherschutz-Anforderungen abbauen.“ Auch brauche es innerhalb Deutschlands einen drastischen Abbau von Bürokratie und vereinfachte Genehmigungsverfahren für den Bau neuer Funkmasten. Zudem müsse Deutschland seine Innovationsfähigkeit massiv ausbauen, indem die Entwicklung von Schlüsseltechnologien wie 6G und Open RAN als Basis für die Mobilkommunikation der Zukunft unterstützt wird. Und schließlich müssten die staatlichen Investitionen in den Gigabitausbau reduziert werden – aus Bitkom-Sicht auf maximal 1 Mrd. Euro pro Jahr. Haas: „Deutschland muss die öffentliche Förderung des Netzausbaus auf Gebiete beschränken, die keine privatwirtschaftliche Ausbauperspektive haben. Wenn zu viele staatliche Mittel mit privaten Finanzmitteln in Wettbewerb treten, werden ohnehin knappe Bau- und Planungskapazitäten in Förderprojekten gebunden und stehen damit für den schnelleren eigenwirtschaftlichen Ausbau nicht mehr zur Verfügung. Die Netzbetreiber wollen kein weiteres Geld vom Staat, sie wollen weniger Bürokratie und mehr unternehmerische Freiheit.“
Microsoft baut sein Rechenzentrum in Dublin aus und investiert 130 Millionen US-Dollar
Mit der Erweiterung des Rechenzentrums adressiert Microsoft die europaweit stark zunehmende Nachfrage nach Cloud Services.
| 27.02.2012
130 Millionen US-Dollar investiert Microsoft in den Ausbau seines Rechenzentrums in Dublin und stockt damit die bisher geplanten Investitionen von 500 Millionen US-Dollar weiter auf. Der Ausbau erfolgt aufgrund der erhöhten Nachfrage nach cloudbasierten Lösungen von Microsoft. Das Unternehmen bietet seinen Kunden eine hochskalierbare, kosteneffiziente Cloud-Infrastruktur auch für zukünftiges Wachstum bei Cloud Computing. Bereits im Juli 2009 wurde das Rechenzentrum in Dublin gegründet und adressiert vor allem Kunden aus dem europäischen Raum.
„Cloud Computing ist nicht nur eine Frage der technischen Machbarkeit. Datenschutz und Compliance spielen hier eine ebenso wichtige Rolle. Mit unserem in Dublin angesiedelten Rechenzentrum erfüllen wir die europäischen Datenschutzregeln und bieten Kunden ein Höchstmaß an Datensicherheit. Das spiegelt sich auch in der hohen Nachfrage unserer Online Services wider“, sagt Ralph Haupter, Vorsitzender der Geschäftsführung Microsoft Deutschland.
Das Engagement von Microsoft für Cloud Computing geht weit über die Investitionen in Rechenzentren und die damit verbundenen Dienstleistungen hinaus. So investierte das Unternehmen erst kürzlich 5,3 Millionen Euro in ein europäisches Cloud & Interoperability Center in Brüssel, um Innovationen und das Wirtschaftswachstum in ganz Europa voranzutreiben.
„Die Investitionen in das Rechenzentrum in Dublin verdeutlichen, wie wir uns in Zukunft aufstellen und ausrichten“, kommentiert Ralph Haupter. „Da Kunden Microsoft Cloud Services wie Office 365, Windows Live, Xbox Live, Bing und die Windows Azure Plattform sehr stark annehmen, investieren wir in unsere regionale Cloud-Infrastruktur, um die Kundenanforderungen zu erfüllen.“
Allgemein prognostizieren die Experten Cloud Computing und der IT-Branche sehr gute Wachstumsaussichten. Aktuelle Zahlen des Centre for Economics and Business Research belegen, dass in den nächsten fünf Jahren durch die Cloud 763 Milliarden Euro in die europäische Wirtschaft fließen könnten. Einer Studie von Experton zufolge wird der Umsatz der IT-Branche mit Cloud Computing in Deutschland von 1,9 Mrd. 2012 auf 8,2 Mrd. in 2015 steigen, d.h. ein Umsatzwachstum von 48% und das nur in Deutschland.
„Cloud Computing verändert die Spielregeln in der Wirtschaft. Kleine Unternehmen und Start-ups erhalten über die Cloud Zugang zu IT-Infrastrukturen, über die bisher nur Großkonzerne verfügten. Das sorgt für eine starke Nachfrage cloudbasierter Services und eine entsprechende Dynamik im Markt “, sagt Axel Oppermann, Senior Advisor bei der Experton Group AG.
Weitere Informationen über die Investitionen in die Cloud und Kunden, die in Europa auf die Cloud umgestellt haben, sind verfügbar unter: www.microsoft.eu.
