from dbarray(3) {
[0]=>
array(2) {
["deepdive"]=>
array(3) {
[0]=>
object(Content)#893 (15) {
["_e":"CComponent":private]=>
NULL
["_m":"CComponent":private]=>
NULL
["_errors":"CModel":private]=>
array(0) {
}
["_validators":"CModel":private]=>
NULL
["_scenario":"CModel":private]=>
string(6) "update"
["_new":"CActiveRecord":private]=>
bool(false)
["_attributes":"CActiveRecord":private]=>
array(17) {
["cID"]=>
int(199449)
["cPID"]=>
string(4) "mabo"
["cUID"]=>
string(10) "0000107547"
["cScenario"]=>
string(11) "fachartikel"
["cPublished"]=>
int(1)
["cPublishedUID"]=>
NULL
["cDeleted"]=>
int(0)
["cReferenceId"]=>
NULL
["cDate"]=>
string(19) "2025-02-17 04:06:02"
["cLastUpdate"]=>
string(19) "2025-02-11 11:31:50"
["cTitle"]=>
string(50) "Wie KI hilft, die richtigen B2B-Kunden zu gewinnen"
["cTeaser"]=>
string(151) "Analytische KI identifiziert mit Big Data und digitalen Zwillingen automatisch interessante Zielkunden und liefert Vertriebsteams präzise Lead-Listen."
["cText"]=>
string(12958) "
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.
Mit seinem neuen Modell, das kostengünstiger arbeiten soll als das Konkurrenz-Tool ChatGPT, hat das Unternehmen historische Kursverluste bei Nvidia und Meta ausgelöst. Doch der Erfolg von DeepSeek R1 wirft auch kritische Fragen auf: Wie steht es um den Datenschutz? Inwieweit treffen die Vorwürfe zu, dass das Modell China-kritische Inhalte zensiert? Und basiert es möglicherweise auf bereits existierenden Large Language Models?
DeepSeek bietet mit DeepSeek R1 ein sogenanntes Reasoning-Modell an. Es wird als Open-Source-Modell unter einer MIT-Lizenz angeboten und darf damit frei für private und kommerzielle Zwecke verwendet, weiterentwickelt und in die eigene Software integriert werden. Das Modell wird in unterschiedlichen Größen angeboten, die kleineren Versionen des Modells funktionieren auf handelsüblichen Desktop-PCs oder Notebooks.
Aber wie schneidet DeepSeek im Vergleich zu anderen Large Language Models (LLMs) ab? Laut der unabhängigen Plattform Chatbot-Arena erreicht DeepSeek in Rankings Ergebnisse, die leicht hinter den neuesten Versionen von Gemini und ChatGPT liegen. Interne Tests des Unternehmens DeepSeek zeigen, dass das Modell bei Mathematikaufgaben etwas besser abschneidet als ChatGPT, jedoch geringfügig schlechter bei Tests zum Allgemeinwissen. Diese Ergebnisse sind allerdings nicht unabhängig überprüft. Insgesamt positioniert sich DeepSeek als konkurrenzfähige, jedoch nicht überlegene Alternative.
Was kann DeepSeek – und wie können Unternehmen davon profitieren?
DeepSeek R1 ist ein sogenanntes Reasoning-Modell, das auf logischem Denken, Problemlösung und Argumentation spezialisiert ist. Es löst Aufgaben, indem es diese in kleinere Teilprobleme zerlegt und nacheinander bearbeitet. Diese Herangehensweise ermöglicht es, komplexe Fragestellungen wie Datenanalysen, Codeentwicklung, Marktanalysen, Optimierungsprobleme und intelligente Chatbots effizient zu bewältigen.
Unternehmen können DeepSeek entweder über eine Cloud-Schnittstelle nutzen oder das Modell lokal auf eigenen Servern betreiben. Dabei fällt die Cloud-Variante durch ihren günstigen Preis im Vergleich mit anderen Lösungen auf: Während 1 Million Output-Tokens bei OpenAI-Modellen etwa 60 US-Dollar kosten, verlangt DeepSeek nur 2,19 US-Dollar. Dieser enorme Preisvorteil macht das Modell trotz kleinerer Schwächen bei der Leistung zu einer attraktiven Option für Unternehmen, die ihre Kosten im Bereich KI deutlich reduzieren möchten. Die lokale Variante ist grundsätzlich kostenfrei, hier fallen lediglich die Kosten für die eigene Serverstruktur an.
Bevor Unternehmen jedoch voreilig von einem proprietären Modell auf DeepSeek wechseln, sollten sie das Modell gründlich durch die eigenen KI-Experten testen und die Anbieter sorgfältig auswählen. Der Wechsel von einem LLM zu einem anderen ist mit erheblichem Aufwand verbunden. Um diese Herausforderung zu minimieren, können Unternehmen ihre Modelle und deren Ansprache so modular aufbauen, dass das zugrunde liegende Modell mit geringem Aufwandausgetauscht werden kann, so dass eine kurzfristige Reaktion auf veränderte gesetzliche Regulierungen möglich ist.
Welche Risiken birgt DeepSeek?
Ein wesentlicher Kritikpunkt des neuen LLMs ist mögliche Zensur. Tests zeigen, dass bei der Nutzung der Cloud-Version von DeepSeek China-kritische Inhalte teilweise zensiert werden. In einigen Fällen werden entsprechende Antworten zunächst angezeigt, jedoch nach wenigen Sekunden wieder gelöscht. Diese Einschränkungen treten bei der lokalen Nutzung des Modells nicht auf.
Wie bei allen LLMs besteht allerdings auch bei DeepSeek das Risiko, dass generell Verzerrungen oder Vorurteile in den Antworten auftreten. Dass Modell beruht verstärkt auf chinesischen Daten und wird dementsprechend andere Verzerrungen aufweisen als Modelle aus dem US-amerikanischen oder europäischen Raum. Mithilfe von Tools wie „StereoSet“ oder „CrowS-Pairs“ können solche Verzerrungen aufgedeckt werden, beispielsweise rassistische oder geschlechtsspezifische Stereotype. In der lokalen Variante von DeepSeek R1 sind diese Risiken jedoch nicht größer als bei westlichen Modellen. Nutzer:innen sollten dennoch insbesondere bei geopolitischen Fragen weitere unabhängige Tests abwarten und selbst eigene Use Cases überprüfen.
Bei der Nutzung der Cloud-Variante von DeepSeek müssen sich User:innen wie bei allen anderen LLMS darüber im Klaren sein, dass sie unter Umständen sensible Daten teilen, deren Verwendung sie nicht vollkommen nachvollziehen können. Unternehmen sollten daher klare Richtlinien aufstellen, welche Informationen mit der KI geteilt werden dürfen und welche nicht.
Fazit: Eine vielversprechende, aber nicht revolutionäre Entwicklung
DeepSeek R1 ist aktuell die vielversprechendste Open-Source-Option für Reasoning-Modelle auf dem Markt. Es stellt eine starke Alternative zu bisherigen Lösungen wie den LLama-Modellen von Meta dar, die bei Vergleichstests schlechter abschneiden und nicht speziell auf Reasoning ausgelegt sind.Eine persönliche Einschätzung: Der „Hype“ um Deepseek ist für mich nicht ganz nachvollziehbar. Deepseek-R1 beweist zwar, dass leistungsfähige Reasoning-Modelle auch mit deutlich geringeren Ressourcen entwickelt werden können, ist aber nicht das einzige Modell in diese Richtung. Kleine Modelle, die mit wenig Grafikkartenspeicher auskommen und trotzdem leistungsfähig sind, gibt es auch von anderen Anbietern, z. B. die Phi-Reihe von Microsoft oder die kleinen Modelle der LLama-Familie. Die mediale Aufmerksamkeit verdankt das Modell vor allem seiner Kombination aus hoher Performance und Ressourcenschonung.
Dennoch bleibt spannend, wie das Modell angenommen wird – sowohl in der Cloud-Variante über API als auch als lokal installierbare Version. Besonders entscheidend wird sein, wie stark die Open-Source-Community das Modell adaptiert und weiterentwickelt. Denn genau darin liegt der zentrale Vorteil quelloffener KI-Modelle: ihre kontinuierliche Verbesserung durch eine engagierte Entwicklergemeinschaft.
- 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.
- KI ermöglicht sofortige, datenbasierte Entscheidungen ohne Wartezeit - Predictive Analytics hilft, Kundenverhalten frühzeitig zu erkennen - AI-Chat-Tools ersetzen Dashboards und liefern direkte Antworten
Künstliche Intelligenz verändert das datengetriebene Marketing, indem sie Analysen beschleunigt und Entscheidungsprozesse optimiert, berichtet MarTech. Statt auf manuelle Berichte und verzögerte Analysen angewiesen zu sein, können Marketingteams mit KI-gestützten Tools sofort datenbasierte Entscheidungen treffen.
Ein zentraler Vorteil liegt in Predictive Analytics, das nicht nur vergangene Kampagnen auswertet, sondern zukünftige Entwicklungen vorhersagt. Unternehmen können dadurch proaktiv auf Kundenverhalten reagieren, personalisierte Ansprache optimieren und Budget effizienter einsetzen. KI-Modelle erkennen beispielsweise potenzielle Abwanderungskunden oder den besten Zeitpunkt für Kampagnen. Ein weiteres wichtiges Element sind AI-Chat-Tools, die komplexe Dashboards und manuelle Analysen ersetzen. Marketer können per einfacher Anfrage Echtzeit-Insights erhalten und so ihre Kampagnen schnell anpassen.
Damit KI ihr volles Potenzial entfalten kann, ist jedoch eine solide Datenbasis erforderlich. Einheitliche, strukturierte und aktuelle Daten sind essenziell, damit KI-Modelle zuverlässige Ergebnisse liefern. Zudem müssen Marketingteams eng mit Datenexperten zusammenarbeiten, um die richtigen Fragen an die KI zu stellen.
- 57 % der KI-Texte landen in den Top 10 – fast gleichauf mit Menschen - Menschliche Inhalte haben eine höhere Chance, in die Top 5 zu kommen - 39 % der Befragten berichten von mehr organischem Traffic durch KI
Können KI-generierte Blogartikel mit menschlich geschriebenen Inhalten im Google-Ranking mithalten? Eine Studie von Semrush hat 20.000 Blogposts untersucht und 700 Marketing- und SEO-Experten befragt, berichtet MarketingProfs.
Die Analyse zeigt, dass KI- und menschlich geschriebene Inhalte ähnlich gut in den Suchergebnissen abschneiden. 57 % der KI-generierten Texte und 58 % der menschlichen Artikel schafften es unter die Top 10. Allerdings haben von Menschen geschriebene Texte eine höhere Wahrscheinlichkeit, in die Top 5 zu kommen. Auch die Einschätzungen der Marketing- und SEO-Experten bestätigen diese Ergebnisse: 31 % sagen, dass ihre KI-Texte genauso gut abschneiden wie menschliche Inhalte, während 33 % sogar bessere Ergebnisse beobachten. Interessanterweise berichtet ein Drittel der Befragten von keiner Veränderung des organischen Website-Traffics durch KI-Inhalte, während 39 % eine Steigerung feststellen.
Fazit: KI kann hochwertige, suchmaschinenfreundliche Inhalte erstellen, aber menschliche Texte haben noch leichte Vorteile bei den Top-Rankings.
Die deutsche Wirtschaft setzt weiterhin stark auf den Klimaschutz und will zu großen Teilen die Ziele der Politik übertreffen. Fast die Hälfte der Unternehmen (45 Prozent) will bereits bis zum Jahr 2030 klimaneutral sein – weitere 37 Prozent bis 2040. Die Digitalisierung wird dabei eine große Rolle spielen: Jedes Unternehmen, das eine konkrete Nachhaltigkeitsstrategie verfolgt (52 Prozent) oder plant (37 Prozent), integriert darin digitale Technologien. Bei einem Viertel (24 Prozent) sind digitale Technologien für die Umsetzung der Nachhaltigkeitsziele sogar entscheidend. Bei 27 Prozent haben sie „große Bedeutung“ und bei 42 Prozent „eher große Bedeutung“ – das sind in Summe 93 Prozent. Lediglich bei 4 Prozent der Unternehmen haben digitale Technologien und Anwendungen eine „eher geringe Bedeutung“ für die Umsetzung der eigenen Nachhaltigkeitsstrategie. Ganz ohne Digitalisierung kommt kein einziges Unternehmen mit Nachhaltigkeitszielen aus. Das sind Ergebnisse einer repräsentativen Befragung von 506 Unternehmen ab 20 Beschäftigten in Deutschland im Auftrag des Bitkom. „Deutschland muss den Verbrauch von Öl, Gas und Kohle massiv senken – nur so können der CO2-Ausstoß gesenkt, die Klimaziele erfüllt und die Abhängigkeit von Russland beendet werden. Das wird ohne eine drastisch gesteigerte Energieeffizienz mithilfe digitaler Technologien nicht gelingen“, sagt Bitkom-Hauptgeschäftsführer Dr. Bernhard Rohleder. Die Bundesregierung hat für Deutschland das Ziel gesetzt, ab dem Jahr 2045 nicht mehr Treibhausgase auszustoßen, als an anderer Stelle gebunden werden. Der weit überwiegende Großteil der Unternehmen unterstützt dieses Ziel, lediglich 8 Prozent der Unternehmen in Deutschland können oder wollen Klimaneutralität bis 2045 nicht realisieren. Jedes hundertste Unternehmen sieht sich heute bereits als klimaneutral.
Technologien mit Klimaschutzpotenzial: Cloud Computing, IoT und KI
Die Klimaeffekte von Digitalisierungsmaßnahmen sind für die überwiegende Mehrheit der Unternehmen bereits sichtbar: Bei 77 Prozent ist der CO2-Ausstoß durch den Einsatz von Technologien und Anwendungen insgesamt gesunken. Gefragt danach, welche Technologien im eigenen Unternehmen einen Beitrag zu mehr Nachhaltigkeit und Klimaschutz leisten könnten, ganz unabhängig davon, ob sie bereits eingesetzt werden, nennt die Mehrheit (71 Prozent) Cloud Computing: Der Betrieb von Servern, Speichern und Anwendungen in einem großen Rechenzentrum ist in der Regel effizienter als der Betrieb dieser Infrastruktur vor Ort in jedem einzelnen Unternehmen. Die Hälfte (52 Prozent) sieht im Internet of Things (IoT) Potenzial für mehr Klimaschutz: Die Vernetzung von Geräten und Maschinen über das Internet hilft, die Energieeffizienz zu steigern. Ebenso viele heben Big Data und Analytics sowie die Automatisierung von Geschäftsprozessen hervor (je 51 Prozent). 47 Prozent betonen das Potenzial von Videokonferenzen, etwa um Dienstreisen oder Berufspendeln zu vermeiden. Ein Drittel (36 Prozent) bescheinigt Künstlicher Intelligenz Klimaschutzpotenzial im eigenen Unternehmen, z.B. durch ein intelligentes Gebäudemanagement oder eine sich selbst optimierende Steuerung von Produktionsprozessen. Zu den gängigen KI-Anwendungen zählt auch die so genannte Predictive Maintenance. Dabei werden Maschinen mithilfe von Algorithmen und Sensoren überwacht, so dass die KI schon vor einem drohenden Ausfall auf eine notwendige Wartung oder den Austausch von Teilen hinweist – damit werden der effiziente Betrieb und die Langlebigkeit der Maschine erhöht. „Die Einsatzbereiche sind vielfältig: Künstliche Intelligenz, Vernetzung und Datenanalyse können den Energieeinsatz in produzierenden Unternehmen stark reduzieren, im Handel Logistikprozesse optimieren oder mit einer smarten Verkehrssteuerung Abgase vermeiden“, so Bitkom-Hauptgeschäftsführer Dr. Bernhard Rohleder.
91 Prozent sagen: IT-Fachkräfte brauchen Klimakompetenz
Grundsätzlich sehen drei Viertel der Unternehmen der deutschen Wirtschaft (75 Prozent) in der Digitalisierung vor allem eine Chance für Nachhaltigkeit und Klimaschutz. 21 Prozent nehmen allerdings eine Risikoperspektive ein. Dabei lohnt sich der Einsatz digitaler Technologien nicht nur durch Effizienzgewinne: 89 Prozent meinen, dass Unternehmen, die in digitale Technologien investieren, langfristig im Vorteil seien. 91 Prozent fordern, die Ausbildung von IT-Fachkräften um Klima- und Nachhaltigkeitsaspekte zu ergänzen. 82 Prozent wünschen sich insgesamt mehr Beratungsangebote, wie digitale Technologien für mehr Nachhaltigkeit genutzt werden können.
Welche Maßnahmen für mehr Klimaschutz und Nachhaltigkeit setzen die Unternehmen intern um? Die Hälfte (49 Prozent) verzichtet bereits weitestgehend auf Ausdrucke, um Papier zu sparen und andere Ressourcen zu schonen. 47 Prozent haben sich energieeffiziente Hardware angeschafft, z.B. entsprechende Monitore oder Drucker. 39 Prozent schicken Mitarbeiterinnen und Mitarbeiter ganz oder teilweise bei dafür geeigneten Tätigkeiten ins Home Office, um das Pendeln von und zur Arbeit zu verringern. Mehr als ein Viertel (28 Prozent) erlaubt im Sinne der Ressourcenschonung die private Nutzung von Dienstgeräten wie Smartphones oder Laptops. „Solche einfachen Maßnahmen können Arbeitgeber schnell umsetzen und so einen unmittelbaren Beitrag für mehr Nachhaltigkeit und Klimaschutz leisten, weil Geräte in den Haushalten nicht doppelt angeschafft werden müssen“, betont Rohleder.
Die Hälfte sieht in Refurbished-IT ein wichtiges Zukunftsthema
Der Trend zu so genannter Refurbished-IT, also zu gebrauchten, aber professionell aufbereiteten IT-Geräten erreicht die Wirtschaft allerdings nur langsam. Nicht einmal jedes zwanzigste Unternehmen (4 Prozent) nutzt Refurbished-Produkte – und das auch nur in Einzelfällen. Weitere 13 Prozent ziehen dies zumindest für die Zukunft in Erwägung. Ein Viertel (25 Prozent) hat sich damit beschäftigt, aber dagegen entschieden, 53 Prozent lehnen den Einsatz komplett ab. Gleichwohl betonen zwei Drittel aller Unternehmen (68 Prozent), die Nutzung von Refurbished-IT leiste einen wichtigen Beitrag, um Ressourcen und Rohstoffe zu sparen. Mehr als die Hälfte (56 Prozent) meint, es sollten möglichst viele Unternehmen den Einsatz von Refurbished-IT zumindest prüfen. 51 Prozent halten die Nutzung von Refurbished-IT für ein wichtiges Zukunftsthema. „Je länger IT-Geräte genutzt werden, desto kleiner ist ihr ökologischer Fußabdruck“, betont Rohleder. „Mit Refurbished-IT können Unternehmen ihren eigenen CO2-Abdruck senken, einen Schritt in Richtung Klimaneutralität gehen und dies positiv in ihrer Klimabilanz vermerken. Das sollte dieses Thema auch für Unternehmen interessant machen, die Nachhaltigkeitsinformationen in ihre Geschäftsberichte aufnehmen müssen.“
Ein Viertel misst CO2-Emissionen digital
Um den unternehmenseigenen ökologischen Footprint zu kennen, setzen bereits 28 Prozent aller Unternehmen auf eine digitale Messung ihrer CO2-Emissonen. Weitere 30 Prozent planen dies. „Den CO2-Fußabdruck eines Unternehmens zu berechnen, ist komplex. Unternehmen müssen dies jedoch zunehmend tun, um ihren Berichtspflichten nachzukommen. Mit einer digitalen Messung lassen sich die Emissionen verlässlich dokumentieren, das macht zielgerichtete CO2-Minderungsmaßnahmen leichter“, sagt Rohleder.
Jedes dritte Unternehmen in Deutschland (35 Prozent) kompensiert bereits CO2-Emissionen – weitere 34 Prozent planen dies. Gefragt danach, aus welchen Gründen sie nachhaltiger werden wollen, betonen 6 von 10 Unternehmen (63 Prozent), die eine Nachhaltigkeitsstrategie verfolgen oder dies planen, in erster Linie das Klima schonen zu wollen. Darüber hinaus geht es aber auch um positive Auswirkungen auf die Reputation: 60 Prozent wollen mit gutem Beispiel vorangehen, 52 Prozent wollen ihr Image verbessern und jedes dritte Unternehmen will dadurch auch als Arbeitgeber attraktiver werden (32 Prozent). Die eigene Wettbewerbsfähigkeit zu erhalten, spielt ebenfalls eine Rolle: 39 Prozent der Unternehmen mit geplanter oder vorhandener Nachhaltigkeitsstrategie möchten damit den Erwartungen ihrer Kundschaft entsprechen, 28 Prozent gehen davon aus, auf diesem Wege Geld zu sparen und bei jedem vierten Unternehmen wird nachhaltiges Handeln von Geschäftspartnern verlangt (25 Prozent). Ein Drittel wird zudem nachhaltiger, weil es sich an entsprechende staatliche Vorgaben anpassen muss (33 Prozent).
Bitkom: Superabschreibungen auf digitale Technologien zügig umsetzen
Aus Sicht der Unternehmen ist die Politik gefordert, wenn es um den Ausbau erneuerbarer Energien geht (96 Prozent). 79 Prozent wünschen sich von der Politik mehr Beratungsangebote, wie sie mithilfe der Digitalisierung klimaneutral werden können. Mehr als die Hälfte (58 Prozent) fordert, dass der Staat mit gutem Beispiel vorangeht und auf Nachhaltigkeit bei der Beschaffung von IT-Dienstleistungen und digitalen Geräten im öffentlichen Sektor achtet. 52 Prozent fordern finanzielle Anreize zur Investition in digitale Technologien, die für mehr Nachhaltigkeit sorgen. „Energieeffizienz, Klimaschutz und die Dekarbonisierung hängen untrennbar mit der Digitalisierung zusammen. Superabschreibungen für Investitionen in digitale Technologien, die im Koalitionsvertrag festgehalten sind, müssen jetzt zügig umgesetzt werden. Je mehr Unternehmen grüne Technologien einsetzen, auf diese Weise Energie sparen und ihren CO2-Ausstoß reduzieren, desto größer ist der Beitrag, der für das Klima und auch die Abkehr von russischem Gas und Öl geleistet wird“, so Bitkom-Hauptgeschäftsführer Dr. Bernhard Rohleder. „Auch in anderen Bereichen wie der Landwirtschaft können mithilfe digitaler Tools Düngemittel eingespart und damit gleichzeitig der enorme Energieverbrauch bei der Düngerproduktion wie auch die Bodenbelastung massiv gesenkt werden. Superabschreibungen für Digital-Investitionen müssen dabei so gestaltet sein, dass sie einen direkten, verstärkenden Effekt auf den Digitalisierungsgrad der deutschen Wirtschaft, gerade auch bei kleinen und mittleren Unternehmen haben.“ Weitere Förderprogramme, die gezielt Digitalisierungsmaßnahmen mit positivem Nachhaltigkeitseffekt in den Blick nehmen, etwa den Einsatz digitaler Zwillinge oder das an KMUs gerichtete Programm „Digital Jetzt“ könnten die Superabschreibungen sinnvoll flankieren. Wichtig ist aus Bitkom-Sicht auch, die Bereitstellung von Green Data zu beschleunigen. Öffentlich verfügbare Daten, wie Umweltdaten, Energieverbrauche und Mobilitätsdaten, können Umweltinnovationen hervorbringen, nachhaltige Geschäftsmodelle ermöglichen und effektivere Klimaschutzmaßnahmen fördern. Rohleder: „Eine konsequente Digitalisierung ist der Schlüssel zu einer erfolgreichen Klimapolitik.“
Hinweis zur Methodik: Grundlage der Angaben ist eine Umfrage, die Bitkom Research im Auftrag des Digitalverband Bitkom durchgeführt hat. Dabei wurden 506 Unternehmen ab 20 Beschäftigten in Deutschland telefonisch befragt. Die Umfrage ist repräsentativ für die Gesamtwirtschaft.
Fast die Hälfte will bis 2030 klimaneutral sein © bitkom