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.
- KI-Modelle beeinflussen Kaufentscheidungen durch Produktempfehlungen - Unternehmen können ihre KI-Wahrnehmung gezielt steuern und optimieren - KI kann als virtuelle Fokusgruppe zur Werbewirkung genutzt werden
Künstliche Intelligenz verändert die Art und Weise, wie Verbraucher Produkte entdecken und Kaufentscheidungen treffen. Unternehmen müssen sich darauf einstellen, dass KI-Modelle ihre Marken unterschiedlich wahrnehmen – und das kann direkten Einfluss auf die Sichtbarkeit und den Erfolg haben, berichtet t3n. Eine präzise Positionierung wird daher immer wichtiger. Erste Tools analysieren bereits, wie KI-Systeme Marken interpretieren und welche Faktoren ihre Empfehlungen beeinflussen. Unternehmen wie Jellyfish entwickeln Methoden, um diese Wahrnehmung zu messen und gezielt zu steuern.
Ein entscheidender Aspekt ist die Anpassung von Markenbotschaften an die Logik der KI. Das Beispiel von Ballantine’s zeigt, dass eine unklare Positionierung dazu führen kann, dass ein Produkt in die falsche Kategorie eingeordnet wird. Durch gezielte Maßnahmen, etwa die Optimierung von Werbematerialien, lässt sich das Markenbild anpassen. Ein weiteres Schlüsselelement ist die Formulierung von Prompts – schon geringfügige Änderungen können die Ergebnisse von KI-gestützten Produktempfehlungen erheblich beeinflussen. Unternehmen beginnen daher, aktiv Einfluss auf die Eingaben und Inhalte zu nehmen, die Nutzer für ihre KI-Abfragen verwenden.
Gleichzeitig stehen Marken vor neuen Herausforderungen: KI-Modelle sind nicht nur schwer zu beeinflussen, sondern unterliegen auch systemischen Verzerrungen. Sie bevorzugen oft global bekannte Marken und können regionale Anbieter benachteiligen. Zudem entwickeln KI-Unternehmen Mechanismen, um Manipulationen zu verhindern. Langfristig müssen Marken ihre Kommunikation konsistent gestalten und die KI als eine neue Zielgruppe betrachten. Wer frühzeitig lernt, wie KI-Systeme funktionieren, kann sich einen Vorteil sichern und sicherstellen, dass die eigene Marke von digitalen Assistenten positiv dargestellt wird.
- Helix verbindet Sprache und Sehen für smartere Robotersteuerung - Der humanoide Roboter Figure 02 lernt neue Aufgaben durch Training - Hausroboter stehen vor hohen technischen und finanziellen Hürden
Figure stellt mit Helix ein innovatives KI-Modell für humanoide Roboter vor, das Spracheingaben mit visueller Wahrnehmung kombiniert, berichtet TechCrunch. Das System erlaubt Robotern, auf natürliche Sprachbefehle zu reagieren und eigenständig Aufgaben im Haushalt zu übernehmen.
Aktuelle Herausforderungen für Haushaltsroboter sind hohe Kosten, komplexe Umgebungen und aufwändige Programmierung. Helix soll diese Hürden überwinden, indem es Roboter in die Lage versetzt, neue Objekte und Aufgaben selbstständig zu erkennen und auszuführen. Dabei nutzt das System maschinelles Lernen, um aus Erfahrungen zu lernen, statt auf manuelle Programmierung angewiesen zu sein.
Ein besonderes Merkmal von Helix ist die Fähigkeit, zwei Roboter gleichzeitig zu koordinieren. Dies könnte den Einsatz in Haushalten effizienter machen. Trotz vielversprechender Fortschritte befindet sich die Technologie noch in einem frühen Entwicklungsstadium. Aktuell wird sie primär zur Rekrutierung neuer Talente genutzt, um die Forschung und Entwicklung voranzutreiben. Langfristig könnte Helix einen Durchbruch in der Haushaltsrobotik bedeuten, indem es menschenähnliche Maschinen intelligenter und alltagstauglicher macht.
- 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.
Ein echtes Erfolgsmodell seit 2004. Das ist der INNOVATIONSPREIS-IT: Bereits zum neunten Mal wurde der begehrte Preis heute auf der CeBIT für die besten mittelstandsgeeigneten IT-Lösungen in insgesamt 40 Kategorien verliehen, und bereits seit Langem gilt er in IT-Kreisen als das Gütesiegel schlechthin.
Trotz dieser beachtenswerten Bilanz ist er für den Veranstalter – die Initiative Mittelstand – alles andere als „Business as usual“. Das bestätigt auch Rainer Kölmel, Geschäftsführer und Gründer der Initiative: „Jedes Jahr treffen beim INNOVATIONSPREIS-IT neue Akteure mit neuen mittelstandsgeeigneten Innovationen aufeinander, und dieses Mal haben wir mit 2.580 Bewerbungen den absoluten Rekord aufgestellt. Das war für uns eine echte Herausforderung, und wir haben uns schon lange im Vorfeld auf die spannende und festliche Preisverleihung gefreut.“
Und diese war in der Tat wieder ein feierlicher Akt. In Halle 2, auf dem Stand der IBM, die – neben der Bundes-CIO Cornelia Rogall-Grothe – eine der Schirmherrinnen des Preises ist, herrschte Hochstimmung:
Welche IT-Lösung konnte die über 100-köpfige Expertenjury überzeugen, welche würde siegen, welche es unter die Nominierten schaffen? Nicht nur die Bewerber, auch die hochkarätigen Gäste aus Politik, Wirtschaft und der ITK-Branche warteten gespannt auf die Verkündung der Ergebnisse.
Prof. Dr. Alfred Wulff (Leiter des Instituts für Wirtschaftsinformatik am Fachbereich Management, Information, Technologie in Wilhelmshaven), Dr. Key Pousttchi (Leiter der Forschungsgruppe wi-mobile der Universität Augsburg) und Ralf Korb (Projektleiter der CRM-expo) waren als Jury-Vertreter anwesend und überreichten zusammen mit Stephan Wippermann (Vice President Geschäftspartnerorganisation und Mittelstand für IBM Deutschland), Reinhold Umminger (Vice President der CeBIT) sowie mit Bettina Kahlau (Manager of Strategy & Marketing for Channel and Midmarket bei IBM) und Bastian Karweg (Geschäftsführer der Echobot Media Technologies GmbH) die Auszeichnungen an die glücklichen Gewinner.
Der bekannte und beliebte Fernsehmoderator Markus Brock führte mit sichtlich viel Spaß an seiner Rolle als offizieller Innovationsbotschafter durch die Veranstaltung, die auf einer großen Leinwand auf dem IBM-Stand live übertragen wurde. Die Keynote sprach Stephan Wippermann, der ebenfalls Schirmherr des INNOVATIONSPREIS-IT 2012 ist. Rainer Kölmel über die Preisverleihung: „Wir gratulieren allen Kategorie- und Landessiegern und den Nominierten ganz herzlich zu ihrem Erfolg. Ein großes Dankeschön geht an die IBM, die die fantastische Location für die Preisverleihung gestellt hat.“
Mehr Informationen und Bilder zur Preisverleihung sowie die Siegerliste finden Sie unter:
Über die Initiative Mittelstand:
Die Initiative Mittelstand hat sich als Interessengemeinschaft aus Branchenkennern, Wissenschaftlern, IT-Experten und Fachredakteuren der kompetenten und tatkräftigen Unterstützung mittelständischer Unternehmen verschrieben. Die Kombination aus ihrer Plattform www.imittelstand.de, ihren Medien und dem Aktiv-Verzeichnis stellt ein Netzwerk für mittelständische Unternehmen dar. Mit dem INNOVATIONSPREIS-IT fördert sie mittelstandsgeeignete IT-Lösungen und Unternehmen.
Über den INNOVATIONSPREIS-IT:
Der begehrte INNOVATIONSPREIS-IT der Initiative Mittelstand fördert bereits seit 2004 mittelstandsgeeignete IT-Innovationen, die mittelständischen Unternehmen bei der Steigerung ihrer Wettbewerbsfähigkeit helfen. 2012 wird der INNOVATIONSPREIS-IT auf der CeBIT auf dem Stand der Schirmherrin IBM verliehen. Weitere Schirmherren sind die Bundes-CIO Cornelia Rogall-Grothe, die pfälzische Wirtschaftsministerin Eveline Lemke, der Wirtschaftssenator der Freien Hansestadt Bremen Martin Günthner, der brandenburgische Wirtschaftsminister Ralf Christoffers, der schleswigholsteinische Wirtschaftsminister Jost de Jager sowie Harry Glawe, der Wirtschaftsminister Mecklenburg-
Vorpommerns.
