Der künstliche Intelligenz Podcast

Martin Benes

Wie verändert Künstliche Intelligenz unser Leben – heute und morgen? Im künstliche Intelligenz Podcast tauchst du ein in die spannende Welt von KI, maschinellem Lernen, Deep Learning und neuronalen Netzen. Wir zeigen, wie intelligente Systeme Entscheidungen treffen, Unternehmen effizienter machen und unseren Alltag revolutionieren – verständlich, praxisnah und immer aktuell.  Von Sprachmodellen wie ChatGPT über Robotik und Smart Factories bis zu KI in Medizin, Forschung, Bildung und kreativen Projekten – jede Folge liefert Einblicke in Trends, Chancen, Risiken und die Technologien der Zukunft. Gleichzeitig beleuchten wir gesellschaftliche, ethische und politische Fragen: Datenschutz, Deepfakes, KI-Regulierung und globale Wettläufe im Bereich künstlicher Intelligenz.  Ob Einsteiger oder Profi: Begleite uns auf einer Reise durch die digitale Transformation und entdecke, wie KI unsere Arbeitswelt, Wirtschaft und Gesellschaft nachhaltig verändert. Jede Episode inspiriert, informiert und macht die Welt der künstlichen Intelligenz greifbar.

  1. 5d ago

    KI-Assistenz bei psychischen Erkrankungen: Zwischen digitaler Unterstützung und klinischer Verantwortung

    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀 👉 https://podcast-mit-ki.systeme.io/home ---werbung--- Künstliche Intelligenz erreicht die psychische Gesundheitsversorgung  Künstliche Intelligenz entwickelt sich zunehmend von einer Technologie für Datenanalyse und Automatisierung zu einem Werkzeug, das direkt mit Menschen kommuniziert. Besonders sichtbar ist diese Entwicklung im Bereich der psychischen Gesundheit. Chatbots und generative KI-Systeme können Gespräche führen, Informationen vermitteln, Übungen aus der kognitiven Verhaltenstherapie begleiten, Symptome strukturieren oder Menschen bei der Selbstreflexion unterstützen. Gleichzeitig wächst die Zahl der Menschen, die allgemein zugängliche Large Language Models für emotionale Unterstützung und psychische Probleme verwenden, obwohl diese Systeme ursprünglich häufig nicht für medizinische oder psychotherapeutische Anwendungen entwickelt wurden. Die Weltgesundheitsorganisation warnt deshalb davor, die schnelle Verbreitung generativer KI mit einer bereits ausreichend belegten klinischen Wirksamkeit gleichzusetzen.  Der Begriff „KI-Assistenz“ beschreibt dabei ein breites Spektrum. Dazu gehören speziell entwickelte digitale Gesundheitsanwendungen ebenso wie KI-gestützte Systeme für Psychoedukation, Symptommonitoring oder therapeutische Übungen. Davon zu unterscheiden sind allgemeine Chatbots, die zwar sehr überzeugend kommunizieren können, aber nicht automatisch als medizinische oder psychotherapeutische Systeme zugelassen, klinisch validiert oder für die Behandlung einer psychischen Erkrankung vorgesehen sind.  Diese Unterscheidung gewinnt an Bedeutung, weil sprachlich leistungsfähige KI leicht den Eindruck einer menschlichen therapeutischen Beziehung erzeugen kann. Ein Large Language Model kann empathisch formulierte Antworten generieren, Zusammenhänge erklären und auf vorherige Gesprächsinhalte Bezug nehmen. Daraus folgt jedoch nicht, dass das System menschliches Erleben versteht oder über die klinische Urteilsfähigkeit einer Psychotherapeutin, eines Psychotherapeuten oder einer Ärztin beziehungsweise eines Arztes verfügt.  Was KI heute bei psychischen Erkrankungen leisten kann  Eine der etabliertesten Anwendungen liegt in der digitalen Begleitung von Interventionen. KI kann beispielsweise Informationen über psychische Gesundheit vermitteln und Nutzer durch strukturierte Übungen führen. Besonders häufig wird dabei auf Prinzipien der kognitiven Verhaltenstherapie zurückgegriffen. Systeme können dabei helfen, Gedanken zu dokumentieren, Verhaltensmuster zu reflektieren oder Übungen zwischen professionellen Behandlungsterminen zu unterstützen.  Ein Beispiel für eine kommerzielle Anwendung ist Wysa, eine KI-gestützte Plattform für psychische Gesundheit. Das Unternehmen verweist auf klinische Studien und wissenschaftliche Kooperationen und beschreibt Anwendungen unter anderem für Depression, Angst und chronische Schmerzen. Die Existenz wissenschaftlicher Untersuchungen bedeutet allerdings nicht, dass jede Funktion einer solchen Plattform für jede psychische Erkrankung gleichermaßen wirksam oder geeignet ist.  Auch Forschungsgruppen untersuchen zunehmend generative KI als Bestandteil digitaler psychologischer Interventionen. Eine 2025 veröffentlichte randomisierte kontrollierte Studie mit 540 Erwachsenen untersuchte beispielsweise eine generative-KI-gestützte Anwendung mit Elementen der kognitiven Verhaltenstherapie. Gegenüber einem digitalen Arbeitsbuch erhöhte das KI-System die Häufigkeit und Dauer der Nutzung deutlich. Bei Angst- und Depressionssymptomen wurden dagegen vergleichbare Ergebnisse zwischen den beiden Gruppen beobachtet. Das Ergebnis ist deshalb besonders interessant: KI kann die Interaktion mit einer digitalen Intervention deutlich steigern, ohne dass daraus automatisch eine stärkere therapeutische Wirkung folgt.  Weitere Untersuchungen kommen zu ähnlichen, aber nicht vollständig einheitlichen Ergebnissen. Eine 2026 veröffentlichte systematische Übersichtsarbeit und Metaanalyse zu kommerziellen KI-Chatbots analysierte 52 Studien, darunter 22 randomisierte kontrollierte Studien mit insgesamt mehr als 110.000 Studienteilnahmen. Für depressive Symptome zeigte sich gegenüber Kontrollgruppen ein kleiner bis moderater statistischer Effekt. Die Autoren weisen zugleich darauf hin, dass die klinische Bedeutung des durchschnittlichen Effekts begrenzt sein kann und die Ergebnisse für Angststörungen wesentlich unsicherer ausfallen.  Damit zeichnet sich ein wichtiges Muster ab: Die Forschung liefert zunehmend Hinweise darauf, dass bestimmte KI-basierte digitale Interventionen psychische Symptome beeinflussen können. Gleichzeitig ist die wissenschaftliche Datenlage sehr unterschiedlich und hängt stark vom konkreten System, der Zielgruppe, der Intervention, der Studiendauer und dem Vergleichsmaßstab ab.  Von regelbasierten Chatbots zu Large Language Models  Technisch hat sich die Entwicklung innerhalb weniger Jahre erheblich verändert. Frühere Chatbots arbeiteten häufig mit vorgegebenen Dialogstrukturen, Regeln oder einer begrenzten Zahl möglicher Antworten. Moderne Systeme können dagegen mithilfe großer Sprachmodelle flexible Antworten generieren und Gespräche über längere Zeiträume kontextbezogen führen.  Eine systematische Übersichtsarbeit aus dem Jahr 2025 untersuchte 160 Studien zu KI-Chatbots im Bereich psychischer Gesundheit und unterscheidet dabei unter anderem regelbasierte Systeme, Machine-Learning-basierte Systeme und Large-Language-Model-Anwendungen. Die Autoren betonen zugleich, dass sich die wissenschaftliche Bewertung nicht auf technische Leistungsfähigkeit beschränken darf. Entscheidend ist, ob ein System tatsächlich einen gesundheitlichen Nutzen erzielt und unter realen Bedingungen sicher eingesetzt werden kann.  Gerade Large Language Models verändern die Situation, weil sie nicht nur vorprogrammierte Antworten wiedergeben. Sie können Sprache in einer Weise verarbeiten und erzeugen, die für Nutzer häufig deutlich natürlicher wirkt. Dadurch werden individualisierte Gespräche möglich, gleichzeitig entstehen neue Risiken. Ein Modell kann eine plausibel klingende, aber falsche Antwort formulieren. In einem alltäglichen Informationsgespräch mag dies bereits problematisch sein; bei einer Person mit einer schweren Depression, einer Psychose oder akuter Suizidalität können die Konsequenzen wesentlich gravierender sein.  Die Weltgesundheitsorganisation weist deshalb ausdrücklich darauf hin, dass generative KI-Systeme falsche, unvollständige oder verzerrte Informationen erzeugen können. Besonders problematisch ist, dass solche Antworten aufgrund der überzeugenden sprachlichen Darstellung für Nutzer trotzdem glaubwürdig erscheinen können.  Die Grenze zwischen Assistenz und Therapie  Eine der zentralen Fragen lautet deshalb, wo die Grenze zwischen digitaler Unterstützung und einer tatsächlichen Behandlung verläuft. Ein System, das allgemeine Informationen über Stress oder Schlaf vermittelt, stellt eine andere Risikoklasse dar als ein System, das eine Depression diagnostizieren oder eine Therapie ersetzen soll.  Psychische Erkrankungen sind zudem häufig komplex. Symptome können verschiedene Ursachen haben, gleichzeitig auftreten oder sich im Verlauf verändern. Depressionen können beispielsweise mit Angst, Suchterkrankungen, körperlichen Erkrankungen oder anderen psychischen Störungen verbunden sein. Eine professionelle Behandlung berücksichtigt deshalb nicht nur einzelne Aussagen, sondern die gesamte Situation eines Menschen, seine Vorgeschichte, sein Umfeld, seine Ressourcen und mögliche akute Gefährdungen.  Ein KI-System verfügt dagegen nur über die Informationen, die ihm innerhalb seines jeweiligen technischen und datenschutzrechtlichen Rahmens zur Verfügung stehen. Es kann außerdem nicht auf dieselbe Weise wie ein Mensch Verantwortung übernehmen, eine körperliche Untersuchung durchführen oder die gesamte klinische Situation beurteilen.  Die aktuelle Forschung bestätigt diese Einschränkung. Eine Übersichtsarbeit zu KI-Chatbots bei Angst und Depression kommt zu dem Schluss, dass zwar viele Studien Symptomverbesserungen berichten, die Evidenz für einen sicheren und wirksamen Einsatz in der klinischen Praxis aber weiterhin nicht ausreichend ist. Häufig fehlten geeignete aktive Kontrollgruppen, die Stichproben waren teilweise klein oder demografisch eingeschränkt, und unerwünschte Ereignisse wurden nicht konsequent dokumentiert.  Ein besonders sensibles Problem: Krisensituationen  Besonders hohe Anforderungen entstehen bei akuten Krisen. Dazu zählen beispielsweise Suizidgedanken, Selbstverletzungsabsichten, schwere psychotische Symptome oder Situationen, in denen eine Person unmittelbar gefährdet sein könnte.  In solchen Situationen reicht es nicht aus, eine sprachlich einfühlsame Antwort zu produzieren. Ein zuverlässiges System müsste eine Krisensituation erkennen, angemessen reagieren, die Grenzen seiner eigenen Kompetenz berücksichtigen und gegebenenfalls eine Eskalation zu menschlicher professioneller Hilfe unterstützen.  Eine aktuelle Untersuchung der Sicherheitsmechanismen generativer KI-Chatbots für psychische Gesundheit zeigt, dass verschiedene technische Schutzmaßnahmen eingesetzt werden, darunter Prompt-Engineering, zusätzliche Klassifikatoren, Inhaltsfilter und regelbasierte Sicherheitssysteme. Gleichzeitig betonen die Autoren, dass technische Schutzmechanismen allein nicht ausreichen und bereits bei Entwicklung und Einführung klinische Expertise, Nutzerbeteiligung, Datenschutz und systematische Sicherheitsprüfungen berücksichtigt werden müssen.  Auch die US-amerikanische Food and Drug Administration beschäftigt sich inzwischen ausdrücklich mit generat

  2. Oct 12

    Gesundheitsdatenbanken: Chancen für die Forschung

    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀 👉 https://podcast-mit-ki.systeme.io/home ---werbung--- Gesundheitsdaten werden zur Forschungsinfrastruktur  Gesundheitsdatenbanken gehören inzwischen zu den wichtigsten digitalen Infrastrukturen der modernen medizinischen Forschung. Sie sammeln, strukturieren und verknüpfen Informationen, die unter anderem aus elektronischen Patientenakten, Registern, klinischen Studien, Laboruntersuchungen, Bildgebung, Genomsequenzierungen oder epidemiologischen Erhebungen stammen können. Dadurch entsteht eine Datenbasis, mit der wissenschaftliche Fragestellungen untersucht werden können, die mit einzelnen Studien oder kleinen Patientengruppen nur schwer zu beantworten wären.  Die Weltgesundheitsorganisation betrachtet Daten ausdrücklich als Grundlage fundierter Maßnahmen im öffentlichen Gesundheitswesen und betont den wissenschaftlichen und gesundheitspolitischen Nutzen des Datenaustauschs. Gleichzeitig betreibt die WHO zahlreiche Datenbanken, die Informationen zu Krankheiten, Impfungen, Arzneimitteln, medizinischen Technologien, Gesundheitssystemen und Forschung bereitstellen. (Weltgesundheitsorganisation)  Die Bedeutung solcher Systeme wächst insbesondere deshalb, weil Gesundheitsversorgung zunehmend digital stattfindet. Elektronische Gesundheitsakten erzeugen kontinuierlich strukturierte und teilweise longitudinal verfügbare Informationen. Für die Forschung kann dadurch ein Perspektivwechsel entstehen: Nicht nur speziell für eine Studie erhobene Daten werden ausgewertet, sondern zunehmend auch Daten, die ursprünglich im Rahmen der medizinischen Versorgung oder anderer Prozesse entstanden sind.  Dabei muss zwischen der primären und der sekundären Nutzung von Gesundheitsdaten unterschieden werden. Die primäre Nutzung betrifft beispielsweise die Behandlung eines Patienten. Die sekundäre Nutzung bezeichnet dagegen die spätere Verwendung bereits vorhandener Daten für andere Zwecke, etwa wissenschaftliche Forschung, Gesundheitspolitik oder Innovation. Genau diese sekundäre Nutzung steht im Zentrum zahlreicher aktueller Initiativen.  Von einzelnen Datensätzen zu vernetzten Datenräumen  Der wissenschaftliche Wert einer Gesundheitsdatenbank hängt nicht allein von der Menge der gespeicherten Informationen ab. Entscheidend ist auch, ob Daten aus unterschiedlichen Quellen miteinander vergleichbar und technisch nutzbar sind. Unterschiedliche Formate, medizinische Begriffssysteme, Dokumentationsstandards und nationale Regelungen können die Zusammenführung erheblich erschweren.  Die Europäische Kommission beschreibt die fehlende Interoperabilität als eine zentrale Herausforderung der digitalen Gesundheitsversorgung. Gesundheitsdaten werden in unterschiedlichen Einrichtungen und Formaten gespeichert, wodurch der Austausch zwischen Systemen erschwert wird. Das betrifft nicht nur Patienten und medizinisches Personal, sondern auch Forscher, die für wissenschaftliche Untersuchungen auf qualitativ hochwertige und möglichst vergleichbare Daten angewiesen sind. (Public Health)  Eine wichtige Entwicklung besteht deshalb in der Standardisierung. Internationale Initiativen wie die Global Alliance for Genomics and Health, kurz GA4GH, arbeiten an technischen Standards und Governance-Modellen für den verantwortungsvollen Austausch genomischer und gesundheitsbezogener Daten. Dazu gehören unter anderem standardisierte Datenmodelle, Schnittstellen, Zugriffsmechanismen und Verfahren für die Beschreibung genetischer Varianten. (ga4gh.org)  Die Standardisierung ist besonders bei genomischen Daten relevant. Genetische Informationen können in Verbindung mit klinischen Daten wichtige Erkenntnisse über Krankheiten, Krankheitsrisiken oder mögliche Therapieansätze liefern. Damit solche Daten jedoch institutions- und länderübergreifend analysiert werden können, müssen Computer die verwendeten Begriffe und Strukturen eindeutig interpretieren können. Standards wie die von GA4GH entwickelten Spezifikationen sollen genau diese technische Interoperabilität verbessern. (ga4gh.org)  Der European Health Data Space als wichtiger Schritt  In Europa ist der European Health Data Space, kurz EHDS, eine der bedeutendsten aktuellen Entwicklungen. Die entsprechende EU-Verordnung wurde am 5. März 2025 im Amtsblatt der Europäischen Union veröffentlicht und trat am 26. März 2025 in Kraft. Sie schafft einen gemeinsamen rechtlichen und technischen Rahmen für die Nutzung und den Austausch elektronischer Gesundheitsdaten innerhalb der Europäischen Union. (Public Health)  Der EHDS verfolgt dabei zwei miteinander verbundene Ziele. Zum einen soll der Zugang von Menschen zu ihren eigenen elektronischen Gesundheitsdaten verbessert und der Austausch dieser Daten über Grenzen hinweg erleichtert werden. Zum anderen soll die sichere Weiterverwendung bestimmter Gesundheitsdaten für Forschung, Innovation, Politikgestaltung und regulatorische Zwecke ermöglicht werden. (Public Health)  Für die Forschung ist insbesondere die geplante Infrastruktur für die sekundäre Nutzung relevant. Der EHDS soll einen stärker harmonisierten Rahmen schaffen, in dem Forscher unter definierten Voraussetzungen auf geeignete Gesundheitsdaten zugreifen können. Dabei geht es nicht um eine frei zugängliche zentrale Datenbank mit sämtlichen europäischen Patientendaten, sondern um ein reguliertes System für den kontrollierten Zugang und die Nutzung von Gesundheitsdaten.  Die praktische Umsetzung des EHDS erfolgt schrittweise. Die Europäische Kommission entwickelt dafür unter anderem die EHDS-Plattform und weitere technische Komponenten. Die Entwicklung befindet sich damit im Übergang von der rechtlichen Grundlage hin zu einer umfangreichen praktischen Umsetzung. (Public Health)  Auch die allgemeine Digitalisierung der elektronischen Gesundheitsakten schreitet in Europa voran. Nach dem Digital Decade eHealth Indicator Study 2026 erreichte der durchschnittliche zusammengesetzte eHealth-Wert der EU-27 für 2025 insgesamt 87 Prozent und lag damit vier Prozentpunkte über dem Wert von 2024. Die Studie zeigt zugleich, dass sich die Mitgliedstaaten weiterhin hinsichtlich Reifegrad und Umfang der verfügbaren digitalen Gesundheitsdaten unterscheiden. (Digitale Strategie Europas)  Gesundheitsdatenbanken als Grundlage für epidemiologische Forschung  Eine der wichtigsten Anwendungen großer Gesundheitsdatenbestände liegt in der Epidemiologie. Wissenschaftler können untersuchen, wie häufig bestimmte Erkrankungen auftreten, wie sich Krankheitsverläufe entwickeln und welche Faktoren mit bestimmten gesundheitlichen Ergebnissen verbunden sind.  Besonders wertvoll sind dabei langfristig erhobene Daten. Wenn Informationen über einen längeren Zeitraum verfügbar sind, können Forscher Veränderungen beobachten und Zusammenhänge zwischen unterschiedlichen Faktoren untersuchen. Gesundheitsregister können beispielsweise Informationen über Diagnosen, Behandlungen oder Krankheitsverläufe systematisch dokumentieren.  Solche Daten können zudem helfen, seltene Ereignisse oder seltene Erkrankungen wissenschaftlich zu untersuchen. Einzelne Kliniken verfügen möglicherweise nur über wenige entsprechende Fälle. Werden Daten aus mehreren Einrichtungen zusammengeführt, kann die verfügbare Fallzahl erheblich größer werden. Dadurch können wissenschaftliche Analysen möglich werden, die auf lokaler Ebene kaum durchführbar wären.  Allerdings bedeutet eine große Datenmenge nicht automatisch eine hohe wissenschaftliche Aussagekraft. Gesundheitsdaten entstehen häufig unter unterschiedlichen Bedingungen und mit unterschiedlichen Dokumentationsstandards. Außerdem können bestimmte Bevölkerungsgruppen in Datenbeständen unterrepräsentiert sein. Deshalb müssen Forscher die Herkunft, Qualität und Zusammensetzung eines Datensatzes sorgfältig berücksichtigen.  Unterstützung bei der Entwicklung neuer Therapien  Gesundheitsdatenbanken können auch die Entwicklung von Medikamenten und anderen medizinischen Verfahren unterstützen. Forschungsgruppen können beispielsweise vorhandene Daten nutzen, um Krankheitsverläufe zu analysieren, Patientengruppen zu charakterisieren oder Zusammenhänge zwischen Behandlung und Behandlungsergebnis zu untersuchen.  Besonders interessant ist die Verbindung verschiedener Datenarten. Klinische Informationen können beispielsweise mit Laborwerten, Bilddaten oder genetischen Informationen kombiniert werden. Dadurch entstehen komplexere Datensätze, die eine differenziertere Untersuchung biologischer und medizinischer Zusammenhänge ermöglichen.  Die WHO führt Datenbanken und Informationsquellen, die unter anderem Forschungsaktivitäten, klinische Studien, Patente und gesundheitliche Produkte abbilden. Solche Datenbanken schaffen eine zusätzliche Ebene der Forschungsinfrastruktur, weil sie nicht nur Patientendaten, sondern auch Informationen über den Forschungsprozess selbst zugänglich machen können. (Weltgesundheitsorganisation)  Dabei ersetzen Gesundheitsdatenbanken keine klinischen Studien. Beobachtungsdaten und experimentelle Studien beantworten unterschiedliche wissenschaftliche Fragen und unterliegen unterschiedlichen methodischen Voraussetzungen. Gesundheitsdaten aus der Versorgung können Zusammenhänge sichtbar machen, während kontrollierte Studien beispielsweise wesentlich für die Bewertung der Wirksamkeit und Sicherheit neuer Therapien sind.  Das Potenzial für personalisierte Medizin  Eine weitere Chance liegt in der personalisierten Medizin. Menschen unterscheiden sich hinsichtlich genetischer Eigenschaften, Vorerkrankungen, Lebensumständen und Reaktionen auf medizinische Behandlungen. Große, gut strukturierte Datenbestände können dazu beitragen, solche Unterschiede wissenschaftlich besser zu verstehen.  Besonders die

  3. Oct 5

    KI-gestützte Diagnosen: Validierung und Vertrauen

    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀 👉 https://podcast-mit-ki.systeme.io/home ---werbung--- Von der Mustererkennung zur klinischen Entscheidung  Künstliche Intelligenz entwickelt sich zu einem zunehmend wichtigen Werkzeug in der medizinischen Diagnostik. Systeme auf Basis von Machine Learning und Deep Learning können medizinische Bilder analysieren, Labor- und Patientendaten auswerten, diagnostische Wahrscheinlichkeiten berechnen oder Ärzte bei der Erstellung von Differenzialdiagnosen unterstützen. Mit dem Aufkommen leistungsfähiger Large Language Models hat sich das Anwendungsspektrum zusätzlich erweitert. Moderne Systeme können medizinische Informationen in natürlicher Sprache verarbeiten und daraus diagnostische Hypothesen oder Entscheidungshilfen ableiten. Die Weltgesundheitsorganisation (WHO) sieht bereits heute Anwendungen von KI unter anderem in Diagnostik und klinischer Versorgung. (Weltgesundheitsorganisation)  Dabei ist zwischen verschiedenen Formen medizinischer KI zu unterscheiden. Ein spezialisiertes System zur Erkennung auffälliger Strukturen in einer Röntgenaufnahme erfüllt eine andere Aufgabe als ein Sprachmodell, das aus einer Krankengeschichte mögliche Diagnosen ableitet. Ebenso unterscheiden sich Systeme zur Früherkennung, Triage, Risikobewertung, Prognose und Therapieunterstützung erheblich. Die FDA weist deshalb darauf hin, dass unterschiedliche medizinische Anwendungen unterschiedliche Bewertungsmaßstäbe und Referenzstandards erfordern. (U.S. Food and Drug Administration)  Die zentrale Frage lautet daher nicht mehr ausschließlich, ob eine KI eine Diagnose erstellen kann. Entscheidend ist vielmehr, ob ihre Ergebnisse unter realen klinischen Bedingungen zuverlässig, nachvollziehbar und sicher genug sind, um in medizinische Entscheidungen einbezogen zu werden.  Die Validierung beginnt mit der richtigen Fragestellung  Die Leistungsfähigkeit eines KI-Systems lässt sich nicht sinnvoll anhand einer einzigen Kennzahl beurteilen. Ein Modell kann beispielsweise bei der Erkennung einer bestimmten Erkrankung eine hohe Trefferquote erreichen, gleichzeitig aber bei bestimmten Patientengruppen deutlich schlechter funktionieren. Auch die klinische Bedeutung eines Fehlers hängt von der jeweiligen Anwendung ab. Ein System, das Patienten mit hoher Wahrscheinlichkeit einer weiteren Untersuchung zuführt, stellt andere Anforderungen als ein System, das eine lebenswichtige Diagnose ausschließt.  Deshalb muss zunächst präzise definiert werden, wofür ein System eingesetzt werden soll. Die sogenannte Intended Use beschreibt den vorgesehenen Zweck und bildet eine wesentliche Grundlage für die spätere Bewertung. Die WHO nennt die klare Festlegung des vorgesehenen Einsatzes, externe Validierung, Datenqualität, Dokumentation und Risikomanagement ausdrücklich als wichtige Elemente einer verantwortungsvollen Regulierung von KI im Gesundheitswesen. (Weltgesundheitsorganisation)  Besonders wichtig ist die Trennung zwischen Entwicklung und Validierung. Ein Modell kann auf einem großen Datensatz hervorragende Ergebnisse erzielen, ohne deshalb automatisch in einer anderen Klinik oder bei einer anderen Bevölkerungsgruppe ebenso zuverlässig zu funktionieren. Unterschiede bei Geräten, Untersuchungsbedingungen, Patientengruppen, Dokumentationsweisen oder Versorgungssystemen können die Ergebnisse beeinflussen.  Externe Validierung ist deshalb ein wesentlicher Bestandteil der Vertrauensbildung. Sie untersucht, ob die Leistungsfähigkeit eines Modells auch außerhalb der Daten gegeben ist, mit denen es entwickelt oder optimiert wurde. Gerade bei medizinischer KI ist diese Übertragbarkeit entscheidend, weil ein System nicht nur unter idealisierten Forschungsbedingungen funktionieren muss, sondern in einer heterogenen klinischen Realität.  Genauigkeit ist nicht dasselbe wie klinischer Nutzen  Die Diskussion über KI-Diagnostik konzentriert sich häufig auf die Frage, ob ein Algorithmus besser als ein Mensch diagnostizieren kann. Diese Betrachtung greift jedoch zu kurz. In der Medizin zählt nicht allein die diagnostische Genauigkeit eines einzelnen Systems, sondern die Frage, ob seine Verwendung tatsächlich zu besseren Entscheidungen und besseren Ergebnissen für Patienten führt.  Ein Modell kann beispielsweise eine Krankheit auf Bildern sehr zuverlässig erkennen, ohne dadurch automatisch die Behandlung zu verbessern. Umgekehrt kann eine KI mit einer Ärztin oder einem Arzt besonders wertvoll sein, obwohl sie selbst nicht in jedem Fall die beste Diagnose liefert. Sie kann beispielsweise zusätzliche Differenzialdiagnosen vorschlagen, relevante Informationen hervorheben oder auf Zusammenhänge aufmerksam machen, die andernfalls übersehen werden könnten.  Eine 2025 in Nature Medicine veröffentlichte randomisierte Studie untersuchte den Einsatz von GPT-4 zur Unterstützung von Ärzten bei komplexen klinischen Managemententscheidungen. In der simulierten Untersuchung erzielten Ärzte mit GPT-4-Unterstützung höhere Ergebnisse als Ärzte, die ausschließlich konventionelle Informationsquellen verwendeten. Die Autoren betonten zugleich, dass eine Validierung unter realen klinischen Bedingungen erforderlich ist. (Nature)  Das Ergebnis verdeutlicht ein grundsätzliches Problem der KI-Evaluation: Ein System kann in einem kontrollierten Test sehr leistungsfähig sein, während sein tatsächlicher Nutzen im klinischen Alltag von der Zusammenarbeit zwischen Mensch und Maschine abhängt. Die Qualität dieser Zusammenarbeit kann wiederum davon beeinflusst werden, wie Informationen präsentiert werden, wie sicher Ärzte im Umgang mit dem System sind und ob sie seine Ergebnisse kritisch überprüfen.  Warum Tests mit Fallbeispielen nicht genügen  Viele Untersuchungen medizinischer KI basieren auf historischen Patientendaten oder standardisierten Fallbeschreibungen. Solche Tests sind wichtig, bilden aber die klinische Realität nur teilweise ab. Im medizinischen Alltag entstehen Diagnosen häufig schrittweise. Ärzte erhalten Informationen nacheinander, stellen Rückfragen, entscheiden über weitere Untersuchungen und verändern ihre Hypothesen auf Grundlage neuer Befunde.  Large Language Models können bei solchen Aufgaben beeindruckende Leistungen zeigen. Forschungsarbeiten zu diagnostischen Dialogsystemen haben beispielsweise untersucht, wie Sprachmodelle Anamnesegespräche führen und daraus diagnostische Hypothesen entwickeln. Die Ergebnisse solcher Studien sind wissenschaftlich interessant, müssen jedoch vorsichtig interpretiert werden, wenn die Untersuchungsbedingungen nicht vollständig der tatsächlichen Versorgung entsprechen. (arXiv)  Eine weitere Herausforderung besteht darin, dass eine richtige Antwort auf eine Fallfrage nicht automatisch beweist, dass ein System im klinischen Alltag zuverlässig arbeitet. Ein reales medizinisches Umfeld umfasst unvollständige Informationen, widersprüchliche Befunde, Kommunikationsprobleme, Zeitdruck und Situationen, die im Trainingsmaterial möglicherweise nur unzureichend vertreten sind.  Aus diesem Grund gewinnt die Entwicklung besserer Evaluationsmethoden an Bedeutung. Die 2024 veröffentlichte TRIPOD+AI-Leitlinie aktualisierte die Standards für die transparente Berichterstattung über klinische Vorhersagemodelle, die sowohl klassische statistische Methoden als auch Machine-Learning-Verfahren verwenden. Sie soll unter anderem eine bessere Beurteilung von Qualität, Verzerrungen und Übertragbarkeit ermöglichen. (BMJ)  Das Problem der Daten  Die Qualität medizinischer KI hängt wesentlich von den Daten ab, mit denen sie entwickelt und überprüft wird. Medizinische Datensätze sind jedoch nicht neutral. Sie können regionale Unterschiede, unterschiedliche Behandlungspfade, Veränderungen in der Dokumentation oder eine ungleiche Repräsentation bestimmter Patientengruppen enthalten.  Ein Algorithmus kann solche Muster übernehmen, ohne dass sie medizinisch sinnvoll sind. Besonders problematisch wird dies, wenn ein Modell mit Merkmalen arbeitet, die in den Entwicklungsdaten indirekt mit einer Diagnose verbunden waren, im klinischen Alltag aber keine zuverlässige Ursache-Wirkungs-Beziehung darstellen.  Auch die Datenverteilung kann sich im Laufe der Zeit verändern. Neue Untersuchungsverfahren, andere Geräte, veränderte Therapieempfehlungen oder demografische Veränderungen können dazu führen, dass die Bedingungen nach der Einführung eines Systems nicht mehr denen entsprechen, unter denen es ursprünglich trainiert wurde.  Damit endet die Validierung eines KI-Systems nicht zwangsläufig mit seiner Zulassung oder Einführung. Eine verantwortungsvolle Nutzung erfordert vielmehr eine kontinuierliche Beobachtung der tatsächlichen Leistung. Die FDA beschäftigt sich deshalb ausdrücklich mit Methoden zur Bewertung von KI-Systemen über deren Lebenszyklus hinweg und arbeitet unter anderem an Fragen der Leistungsbewertung und Unsicherheitsquantifizierung. (U.S. Food and Drug Administration)  Bias und unterschiedliche Patientengruppen  Ein besonders sensibles Thema ist die Frage, ob KI-Systeme für verschiedene Bevölkerungsgruppen gleichermaßen zuverlässig funktionieren. Wenn bestimmte Gruppen in den Entwicklungsdaten unterrepräsentiert sind oder sich die medizinischen Rahmenbedingungen zwischen den Datensätzen und der späteren Anwendung unterscheiden, kann die Leistungsfähigkeit eines Modells variieren.  Das Problem ist nicht ausschließlich technischer Natur. Verzerrungen können bereits in der medizinischen Datenerfassung entstehen. Wenn bestimmte Krankheiten bei bestimmten Gruppen historisch häufiger oder seltener diagnostiziert wurden, können entsprechende Muster in den Daten landen und anschließend von einem Algorithmus reproduziert werden.  Die WHO betrachtet Datenqu

  4. Sep 28

    KI in der Fotografie: Bildbearbeitung auf Autopilot

    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀 👉 https://podcast-mit-ki.systeme.io/home ---werbung--- Von manueller Retusche zur intelligenten Bildbearbeitung  Die digitale Fotografie war schon immer eng mit automatisierter Bildverarbeitung verbunden. Belichtungsautomatik, Autofokus, automatische Weißabgleiche und kamerainterne Bildoptimierung haben viele Entscheidungen bereits vor Jahren von der Fotografin oder dem Fotografen auf die Software übertragen. Mit modernen Verfahren des Machine Learning und der generativen künstlichen Intelligenz erreicht diese Entwicklung jedoch eine neue Stufe. Software kann heute nicht mehr nur Helligkeit, Farbe oder Schärfe anhand vordefinierter Regeln verändern, sondern Bildinhalte erkennen, voneinander unterscheiden und teilweise neue Bildbestandteile erzeugen.  Damit verändert sich die Bedeutung von „Bildbearbeitung auf Autopilot“. Gemeint ist nicht eine vollständig selbstständige Maschine, die jedes Foto ohne menschliche Beteiligung perfekt fertigstellt. Vielmehr werden immer größere Teile des Bearbeitungsprozesses automatisiert. Programme erkennen Personen, Gesichter, Himmel, Gebäude oder andere Bildbereiche, erstellen daraus Masken und wenden darauf passende Korrekturen an. Generative Verfahren können zusätzlich störende Objekte entfernen oder Bildbereiche anhand des vorhandenen visuellen Kontextes neu erzeugen.  Diese Entwicklung ist inzwischen in professioneller Bildbearbeitungssoftware ebenso angekommen wie in Smartphone- und Cloud-Anwendungen. Adobe integriert beispielsweise generative Funktionen und automatische Auswahlverfahren in Lightroom und Photoshop. Auch andere Anbieter wie Capture One setzen auf KI-gestützte Maskierung, automatische Zuschnitte, Retusche und die Übertragung von Bildlooks. (Adobe)  Was KI bei einem Foto tatsächlich erkennt  Die Grundlage vieler heutiger KI-Funktionen bildet die automatische Analyse eines Bildes. Ein neuronales Netzwerk kann darauf trainiert werden, charakteristische Strukturen in Bildern zu erkennen und bestimmte Bildbereiche voneinander zu unterscheiden. Für die praktische Fotobearbeitung bedeutet das beispielsweise, dass eine Software nicht mehr darauf angewiesen ist, dass der Benutzer eine Person pixelgenau mit einem Pinsel markiert.  Stattdessen kann die Anwendung versuchen, die Person automatisch vom Hintergrund zu trennen. Moderne Systeme können dabei teilweise noch feiner unterscheiden und beispielsweise Haut, Haare, Augen oder andere Gesichtsbereiche separat erkennen. Capture One beschreibt entsprechende KI-gestützte Maskierungsfunktionen, mit denen sich unter anderem Personen, Haut, Haare und Gesichtselemente automatisch auswählen lassen. (Capture One)  Technisch handelt es sich dabei um eine Form der Bildsegmentierung beziehungsweise Objekterkennung. Das System analysiert nicht im menschlichen Sinn, was auf einem Foto „bedeutet“, sondern verarbeitet visuelle Muster und Wahrscheinlichkeiten, die es während des Trainings gelernt hat. Die Software entscheidet anhand dieser Modelle, welche Pixel wahrscheinlich zu einem bestimmten Objekt oder einer bestimmten Kategorie gehören.  Diese Unterscheidung ist wichtig. Eine KI „versteht“ ein Foto nicht zwangsläufig so, wie ein Mensch eine fotografische Szene versteht. Ihre Ergebnisse beruhen auf statistischen Mustern und Modellen. Deshalb können automatische Auswahlverfahren trotz erheblicher Fortschritte fehlerhaft sein, insbesondere bei ungewöhnlichen Perspektiven, schwierigen Lichtverhältnissen, Bewegungsunschärfe, sehr feinen Strukturen oder stark überlappenden Objekten.  Maskieren wird zur automatisierten Aufgabe  Eine der wichtigsten Veränderungen betrifft das Maskieren. In klassischen Bildbearbeitungsprogrammen war die präzise Auswahl eines Motivs häufig eine zeitaufwendige Arbeit. Haare, transparente Materialien, komplexe Konturen oder Personen vor unruhigen Hintergründen konnten eine erhebliche manuelle Nachbearbeitung erfordern.  KI-basierte Maskierung verschiebt diesen Aufwand. Die Software erstellt zunächst automatisch eine Auswahl, die anschließend weiterhin verändert werden kann. Der Fotograf muss dadurch nicht mehr jeden Bereich selbst markieren, sondern kontrolliert und korrigiert das Ergebnis.  Capture One ermöglicht beispielsweise KI-Auswahlen für verschiedene Bildbereiche und erlaubt es, mehrere Masken miteinander zu kombinieren. Masken können hinzugefügt, voneinander abgezogen oder miteinander geschnitten werden, während die Bearbeitung weiterhin editierbar bleibt. (Capture One)  Auch Adobe Lightroom setzt auf automatische Erkennung. Die Software kann unter anderem Personen und Objekte für lokale Bearbeitungen erkennen. Die aktuellen Funktionen umfassen darüber hinaus automatische Verbesserungen bestimmter Bildbereiche und generative Verfahren zur Entfernung von störenden Elementen. (lightroom.adobe.com)  Der entscheidende Vorteil liegt weniger darin, dass die KI eine Aufgabe übernimmt, die grundsätzlich unmöglich wäre. Vielmehr reduziert sie die Zeit, die für wiederkehrende und technisch anspruchsvolle Arbeitsschritte benötigt wird. Dadurch verschiebt sich der Schwerpunkt der menschlichen Arbeit von der manuellen Auswahl hin zur Kontrolle und gestalterischen Entscheidung.  Wenn die KI nicht nur korrigiert, sondern Bildinhalte erzeugt  Eine zweite Entwicklungsstufe beginnt dort, wo KI nicht mehr ausschließlich vorhandene Pixel verändert, sondern neue Bildinhalte erzeugt. Generative KI kann anhand eines Kontextes berechnen, wie ein Bildbereich plausibel aussehen könnte, wenn ein störendes Objekt entfernt oder ein Bereich erweitert wird.  Adobe hat mit Generative Remove in Lightroom beispielsweise eine Funktion eingeführt, die auf generativer KI basiert und unerwünschte Objekte aus Bildern entfernen kann. Die aktuelle Version kann unter anderem zusätzliche Personen erkennen, die nicht zum eigentlichen Motiv gehören, und deren Entfernung unterstützen. (lightroom.adobe.com)  Der Unterschied zu einer klassischen Retusche ist grundlegend. Bei einer herkömmlichen Reparaturfunktion werden Bildinformationen häufig aus benachbarten Bereichen übernommen oder interpoliert. Generative Systeme können dagegen einen entfernten Bereich neu berechnen und dabei Bildinformationen erzeugen, die in dieser Form zuvor nicht als Pixel im Ausgangsbild vorhanden waren.  Das Ergebnis kann bei einfachen Hintergründen sehr überzeugend sein. Gleichzeitig entsteht dadurch eine neue Kategorie von Fehlern. Die Software muss nicht zwingend rekonstruieren, was tatsächlich an der entfernten Stelle vorhanden war. Sie erzeugt vielmehr eine plausible Fortsetzung. „Plausibel“ und „historisch beziehungsweise fotografisch korrekt“ sind deshalb zwei unterschiedliche Kriterien.  Automatische Retusche verändert den Arbeitsaufwand  Auch die Porträtretusche wird zunehmend automatisiert. Moderne Programme können Gesichter erkennen und bestimmte Bearbeitungen gezielt auf Augen, Haut, Zähne oder andere Gesichtselemente anwenden. Capture One bietet beispielsweise automatische Retuschefunktionen für Haut, Augen und Zähne sowie weitere Gesichtsbereiche. (Capture One)  Für Fotografen kann dies bei großen Bildserien erhebliche Zeitersparnisse bringen. Bei Hochzeiten, Veranstaltungen, Porträts oder kommerziellen Produktionen entstehen häufig Hunderte oder Tausende Aufnahmen. Nicht jedes Bild benötigt dieselbe intensive Bearbeitung, doch viele Fotos benötigen ähnliche Korrekturen.  KI kann solche wiederkehrenden Aufgaben standardisieren. Das bedeutet allerdings nicht, dass eine automatische Retusche zwangsläufig besser ist. Gerade bei Hautbearbeitung besteht die Gefahr, dass ein natürlicher Charakter verloren geht, wenn die Software zu stark eingreift. Die technische Möglichkeit zur Automatisierung erhöht deshalb auch die Bedeutung angemessener Einstellungen und einer abschließenden Qualitätskontrolle.  Die Rolle des Fotografen verändert sich dadurch. Wo früher viele Minuten für eine einzelne technische Korrektur erforderlich waren, kann heute eine automatische Funktion einen Ausgangspunkt liefern. Die eigentliche gestalterische Entscheidung bleibt jedoch bestehen: Wie stark soll eine Hautstruktur verändert werden? Welche Details sollen erhalten bleiben? Welche Farbwirkung entspricht der beabsichtigten Bildsprache?  Einheitliche Bearbeitung ganzer Fotoserien  Besonders interessant wird KI dort, wo nicht mehr einzelne Bilder, sondern komplette Serien bearbeitet werden. In professionellen Workflows ist Konsistenz ein wichtiger Faktor. Wenn mehrere hundert Aufnahmen eines Shootings unterschiedliche Farben, Helligkeiten oder Bildausschnitte aufweisen, kann die Nachbearbeitung erheblichen Aufwand verursachen.  KI-gestützte Werkzeuge können bestimmte Bearbeitungsschritte auf viele Bilder übertragen. Capture One bietet beispielsweise eine AI-Crop-Funktion, mit der ein definierter Zuschnitt auf weitere Aufnahmen übertragen werden kann. Auch automatische Anpassungen und die Übertragung eines bestimmten Looks auf andere Bilder gehören inzwischen zum Funktionsumfang moderner Fotobearbeitungssoftware. (Capture One)  Damit wird aus der automatisierten Einzelbildbearbeitung zunehmend eine Workflow-Automatisierung. Das Ziel besteht nicht mehr ausschließlich darin, ein bestimmtes Foto schneller zu bearbeiten. Vielmehr soll die Software wiederkehrende Entscheidungen über eine gesamte Bildserie hinweg möglichst konsistent durchführen.  Für professionelle Fotografen kann das wirtschaftlich relevant sein. Wenn ein großer Teil der technischen Nachbearbeitung automatisiert werden kann, sinkt der Zeitaufwand pro Bild. Gleichzeitig steigt der Wert einer klar definierten Bildsprache, weil diese als Referenz für automatisierte Bearbeitungen dienen kann.  Vom

  5. Sep 21

    Künstliche Kreativität und Urheberrecht

    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀 👉 https://podcast-mit-ki.systeme.io/home ---werbung--- Wenn künstliche Intelligenz zur Kreativmaschine wird  Generative künstliche Intelligenz hat die Herstellung von Texten, Bildern, Musik, Videos und Software grundlegend verändert. Systeme auf Basis großer Sprachmodelle und anderer generativer Modelle können innerhalb weniger Sekunden Inhalte erzeugen, für deren Erstellung Menschen früher erheblich mehr Zeit und teilweise umfangreiche technische Kenntnisse benötigten. Damit wird künstliche Intelligenz zunehmend zu einem Werkzeug kreativer Arbeit. Gleichzeitig stellt sie das Urheberrecht vor Fragen, die in dieser Geschwindigkeit bislang kaum beantwortet werden mussten.  Der Begriff „künstliche Kreativität“ ist dabei zunächst eine technische und gesellschaftliche Beschreibung, kein eigenständiger Rechtsbegriff. KI-Systeme erzeugen Inhalte auf Grundlage erlernter statistischer Zusammenhänge in großen Datenmengen. Sie verfügen nicht über ein menschliches Urheberbewusstsein und sind nach gegenwärtigem Urheberrecht grundsätzlich nicht selbst als Urheber anzusehen. Rechtlich entscheidend ist daher häufig nicht allein, dass eine KI einen Inhalt erzeugt hat, sondern welchen menschlichen Beitrag es bei seiner Entstehung gab und welche geschützten Werke bei der Entwicklung und Nutzung des Systems eine Rolle gespielt haben.  Die zentrale Frage lautet damit nicht nur, ob ein bestimmtes KI-Bild, ein Text oder ein Musikstück kreativ wirkt. Es geht vielmehr um zwei voneinander zu unterscheidende Ebenen: Erstens um die rechtliche Zulässigkeit der Nutzung urheberrechtlich geschützter Inhalte für das Training von KI-Modellen und zweitens um die Frage, ob und unter welchen Voraussetzungen ein von einer KI erzeugtes Ergebnis selbst urheberrechtlich geschützt sein kann.  Diese beiden Fragen werden derzeit weltweit intensiv diskutiert. In der Europäischen Union sind inzwischen konkrete Regelungen für Anbieter sogenannter General-Purpose AI, also KI-Modelle für vielfältige Einsatzbereiche, in Kraft. Gleichzeitig beschäftigen Gerichte und Gesetzgeber in den USA, Großbritannien und anderen Ländern mit unterschiedlichen rechtlichen Ansätzen die Frage, wie bestehendes Urheberrecht auf generative KI angewendet werden kann. (Digitale Strategie Europa)  Das Grundproblem: Kreativität ohne klassischen menschlichen Schöpfungsprozess  Das klassische Urheberrecht ist historisch auf menschliche geistige Schöpfung ausgerichtet. Ein Mensch schreibt einen Roman, komponiert ein Musikstück, fotografiert ein Motiv oder gestaltet ein Bild. Die technische Unterstützung kann dabei sehr umfangreich sein, ohne dass dadurch automatisch die menschliche Urheberschaft verloren geht.  Generative KI verschiebt diese Grenze. Ein Nutzer kann beispielsweise eine Beschreibung eingeben und daraufhin ein vollständiges Bild oder einen längeren Text erhalten. In einem anderen Fall kann der Nutzer zahlreiche Anweisungen geben, Entwürfe auswählen, einzelne Bestandteile verändern, das Ergebnis mehrfach überarbeiten und schließlich eine eigene Fassung erstellen. Technisch können beide Prozesse als „KI-generiert“ bezeichnet werden. Urheberrechtlich können sie jedoch unterschiedlich zu bewerten sein.  Diese Unterscheidung ist besonders wichtig, weil Urheberrecht nicht einfach danach fragt, welches Werkzeug verwendet wurde. Entscheidend ist vielmehr, ob eine ausreichende menschliche schöpferische Leistung vorliegt. Ein Computerprogramm, eine Kamera oder ein digitales Grafikprogramm wird nicht deshalb selbst zum Urheber, weil es wesentlich an der Entstehung eines Werkes beteiligt war. Auch bei KI-Systemen steht deshalb zunehmend die Frage im Mittelpunkt, welchen Anteil die menschliche Gestaltung tatsächlich hatte.  Die US-amerikanische Copyright Office hat diese Problematik in ihrem Bericht zur künstlichen Intelligenz ausdrücklich untersucht. In Teil 2 des Berichts von Januar 2025 kommt die Behörde zu dem Ergebnis, dass generative KI die bestehenden Grundsätze des Urheberrechts grundsätzlich nicht überflüssig macht. KI-generierte Ergebnisse können demnach urheberrechtlich geschützt sein, wenn ein Mensch ausreichend bestimmte expressive Elemente des Werkes geschaffen oder bestimmt hat. Die bloße Eingabe eines Prompts reicht nach dieser Einschätzung grundsätzlich nicht aus. Zugleich kann der Einsatz von KI als Hilfsmittel oder die Einbindung KI-generierter Bestandteile in ein insgesamt menschlich geschaffenes Werk den Schutz des Gesamtwerks nicht automatisch ausschließen. (U.S. Copyright Office)  Der Prompt allein macht noch keinen Urheber  Besonders kontrovers ist die Bedeutung des sogenannten Promptings. Ein Prompt kann sehr detailliert sein und eine KI zu einer bestimmten Bildkomposition, einem bestimmten Schreibstil oder einer bestimmten musikalischen Struktur anweisen. Trotzdem folgt daraus nicht automatisch, dass das Ergebnis rechtlich als menschliches Werk gilt.  Das US Copyright Office unterscheidet hier zwischen der bloßen Anweisung an ein KI-System und einer menschlichen Kontrolle über die konkreten Ausdruckselemente eines Ergebnisses. Nach seiner veröffentlichten Einschätzung reicht allein die Bereitstellung eines Prompts grundsätzlich nicht aus, um die erforderliche menschliche Urheberschaft zu begründen. Dagegen können menschliche kreative Anordnungen, Bearbeitungen oder Veränderungen eines KI-Ergebnisses durchaus urheberrechtlich relevant sein. (U.S. Copyright Office)  Für die Praxis bedeutet das nicht, dass jedes KI-Ergebnis automatisch gemeinfrei wäre. Vielmehr muss im Einzelfall untersucht werden, welche Teile eines Werkes von Menschen geschaffen oder kreativ bestimmt wurden. Ein vollständig von einer KI erzeugtes Bild kann deshalb anders zu beurteilen sein als ein Bild, das ein Künstler mithilfe einer KI entwickelt, anschließend umfangreich bearbeitet und in eine eigene Gesamtkomposition integriert.  Diese Unterscheidung dürfte mit zunehmender Leistungsfähigkeit generativer Systeme noch wichtiger werden. Je stärker KI-Systeme in kreative Arbeitsprozesse eingebunden werden, desto schwieriger kann es werden, eine klare Grenze zwischen menschlicher Gestaltung und maschineller Erzeugung zu ziehen.  Noch grundsätzlicher ist die Frage nach den Trainingsdaten  Die zweite große urheberrechtliche Auseinandersetzung findet nicht erst beim fertigen KI-Ergebnis statt, sondern bereits bei dessen Entstehung.  Generative KI-Modelle werden mit sehr großen Datenmengen entwickelt. Diese Daten können Texte, Bilder, Audioaufnahmen, Videos, Softwarecode und andere digitale Inhalte umfassen. Ein Teil dieser Inhalte kann urheberrechtlich geschützt sein. Beim Training können technische Verarbeitungsschritte erforderlich sein, bei denen Inhalte kopiert, analysiert oder in anderer Form verarbeitet werden.  Damit entsteht eine grundlegende rechtliche Frage: Darf ein KI-Unternehmen urheberrechtlich geschützte Werke verwenden, um ein Modell zu trainieren?  Eine allgemeingültige Antwort für alle Länder gibt es derzeit nicht. Das Urheberrecht ist national beziehungsweise regional unterschiedlich ausgestaltet. Während die Europäische Union spezielle Regelungen für Text und Data Mining geschaffen hat, wird in den Vereinigten Staaten unter anderem darüber gestritten, in welchem Umfang die sogenannte Fair-Use-Doktrin die Nutzung geschützter Inhalte für KI-Training erlaubt. In Großbritannien wiederum wurde die Frage in den vergangenen Jahren politisch und gesetzgeberisch intensiv untersucht. (EUR-Lex)  Die Europäische Union setzt auf Text und Data Mining  Für die Europäische Union ist insbesondere die Richtlinie über das Urheberrecht im digitalen Binnenmarkt von Bedeutung. Sie enthält Regelungen zum sogenannten Text and Data Mining. Artikel 4 sieht unter bestimmten Voraussetzungen eine Ausnahme für Vervielfältigungen und Entnahmen vor, die für Text und Data Mining erforderlich sind.  Eine wesentliche Voraussetzung besteht darin, dass die betreffenden Werke rechtmäßig zugänglich sind und die Rechteinhaber die Nutzung für Text und Data Mining nicht in geeigneter Weise vorbehalten haben. Bei öffentlich online zugänglichen Inhalten kann ein solcher Vorbehalt insbesondere durch maschinenlesbare Mittel erfolgen. (EUR-Lex)  Diese Regelung ist für KI-Training von erheblicher Bedeutung, weil moderne KI-Modelle große Mengen digitaler Inhalte automatisiert analysieren. Sie bedeutet jedoch nicht, dass sämtliche urheberrechtlich geschützten Inhalte automatisch frei für jedes KI-Training verwendet werden dürfen. Die konkrete Anwendung hängt von den gesetzlichen Voraussetzungen, der Art des Zugangs zu den Inhalten und gegebenenfalls von erklärten Rechtevorbehalten ab.  Hinzu kommt, dass die europäische Regelung nicht alle urheberrechtlichen Fragen rund um generative KI abschließend beantwortet. Insbesondere die Beziehung zwischen Trainingsdaten, Modellparametern und späteren Ausgaben eines Modells kann rechtlich komplex sein.  Der EU AI Act bringt zusätzliche Transparenz  Eine wichtige Entwicklung ist der europäische AI Act. Für Anbieter von General-Purpose AI-Modellen gelten seit dem 2. August 2025 besondere Verpflichtungen. Dazu gehören eine Politik zur Einhaltung des EU-Urheberrechts und die Veröffentlichung einer ausreichend detaillierten Zusammenfassung der für das Training verwendeten Inhalte. (Digitale Strategie Europa)  Die Europäische Kommission hat dafür ein eigenes Template entwickelt. Die öffentliche Zusammenfassung soll unter anderem die wichtigsten Datensammlungen beziehungsweise Datenbestände nennen und weitere verwendete Datenquellen beschreiben. Ziel ist es, die Transparenz über die Trainingsgrundlagen zu erhöhen und insbesondere Rechteinhabern die

  6. Sep 14

    Kommunale KI-Projekte: Wie Städte Künstliche Intelligenz für Verwaltung, Mobilität und Bürgerservice einsetzen

    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀 👉 https://podcast-mit-ki.systeme.io/home ---werbung---  Künstliche Intelligenz entwickelt sich zunehmend zu einem wichtigen Bestandteil der digitalen Transformation von Städten und Gemeinden. Während KI lange Zeit vor allem mit Industrie, Forschung oder großen Technologieunternehmen verbunden wurde, setzen heute auch kommunale Verwaltungen auf intelligente Systeme, um Verwaltungsprozesse effizienter zu gestalten, den Bürgerservice zu verbessern und städtische Infrastruktur besser zu steuern. Dabei reicht das Spektrum von digitalen Assistenten über Verkehrsmanagement bis hin zur Analyse großer Datenmengen für die Stadtplanung.  Kommunale KI-Projekte unterscheiden sich häufig von Anwendungen in der Privatwirtschaft. Städte müssen neben technischen Anforderungen auch rechtliche Vorgaben, Datenschutz, Transparenz und den gleichberechtigten Zugang zu öffentlichen Dienstleistungen berücksichtigen. Gleichzeitig stehen viele Kommunen unter erheblichem Druck, mit begrenzten personellen und finanziellen Ressourcen eine wachsende Zahl an Aufgaben zu bewältigen. KI wird deshalb vielfach als Werkzeug verstanden, das Mitarbeitende unterstützt, nicht jedoch als Ersatz für behördliche Entscheidungen.  Warum Kommunen auf Künstliche Intelligenz setzen  Städte erzeugen täglich große Mengen an Daten. Verkehrssysteme, Energieversorgung, öffentliche Gebäude, Bürgeranfragen, Umweltmessungen und Verwaltungsverfahren liefern kontinuierlich Informationen, die bislang oft nur begrenzt ausgewertet werden konnten. Moderne KI-Verfahren ermöglichen es, Muster in diesen Daten zu erkennen, Prognosen zu erstellen oder Routineaufgaben zu automatisieren.  Besonders attraktiv ist der Einsatz von KI dort, wo standardisierte Abläufe regelmäßig wiederkehren. Dazu gehören die Bearbeitung häufig gestellter Bürgerfragen, die Unterstützung bei Dokumentenmanagement, die Analyse von Verkehrsströmen oder die Optimierung kommunaler Dienstleistungen. Gleichzeitig wächst das Interesse an generativer KI, etwa zur Unterstützung bei der Erstellung von Verwaltungsentwürfen oder bei der internen Wissensverwaltung. In den meisten europäischen Kommunen befinden sich solche Anwendungen jedoch noch in Pilot- oder Testphasen.  Barcelona als Vorreiter datenbasierter Stadtentwicklung  Die spanische Metropole Barcelona zählt seit Jahren zu den international bekanntesten Smart-City-Standorten. Die Stadt verfolgt einen datenorientierten Ansatz, bei dem digitale Technologien zur Verbesserung kommunaler Dienstleistungen eingesetzt werden. Sensoren erfassen beispielsweise Informationen über Verkehr, Umwelt oder Energieverbrauch. Die gewonnenen Daten dienen als Grundlage für Analysen und Entscheidungen.  Barcelona legt dabei besonderen Wert auf Datenschutz und digitale Souveränität. Im Rahmen verschiedener Smart-City-Initiativen wurden offene Datenplattformen aufgebaut, auf denen zahlreiche kommunale Datensätze öffentlich verfügbar sind. KI wird unter anderem genutzt, um Verkehrsflüsse zu analysieren, den Energieeinsatz zu optimieren und kommunale Dienstleistungen effizienter zu gestalten. Dabei steht nicht allein die technische Innovation im Vordergrund, sondern auch die Frage, wie digitale Technologien im öffentlichen Interesse eingesetzt werden können.  Helsinki entwickelt KI mit Fokus auf Transparenz  Die finnische Hauptstadt Helsinki gehört ebenfalls zu den europäischen Städten, die digitale Verwaltung und KI früh miteinander verbunden haben. Gemeinsam mit der Universität Helsinki entstand unter anderem der weltweit bekannte Online-Kurs "Elements of AI", der das Verständnis von Künstlicher Intelligenz in der Bevölkerung fördern soll.  Im kommunalen Bereich setzt Helsinki auf datenbasierte Stadtentwicklung sowie digitale Verwaltungsprozesse. Die Stadt verfolgt das Ziel, KI-Anwendungen nachvollziehbar und transparent einzusetzen. Öffentliche Informationen über algorithmische Systeme sollen Bürgerinnen und Bürgern ermöglichen nachzuvollziehen, wo automatisierte Verfahren eingesetzt werden und welche Aufgaben sie übernehmen. Dieser Ansatz wird häufig als Bestandteil einer vertrauenswürdigen öffentlichen Digitalisierung betrachtet.  Amsterdam testet KI unter klaren ethischen Leitlinien  Amsterdam verfolgt bei der Einführung von KI einen vergleichsweise vorsichtigen Ansatz. Die Stadt veröffentlichte Leitlinien für den verantwortungsvollen Einsatz algorithmischer Systeme und beteiligt sich an europäischen Initiativen zur transparenten Nutzung von KI im öffentlichen Sektor.  Besondere Aufmerksamkeit gilt der Vermeidung von Diskriminierung sowie der Nachvollziehbarkeit automatisierter Entscheidungen. Amsterdam gehört außerdem zu den Städten, die öffentliche Register für eingesetzte Algorithmen unterstützen oder veröffentlichen. Dadurch soll sichtbar werden, welche digitalen Systeme in Behörden verwendet werden und welche Aufgaben sie erfüllen.  Wien setzt auf digitale Verwaltung und verantwortungsvolle KI  Auch Wien treibt die Digitalisierung der Stadtverwaltung kontinuierlich voran. Die österreichische Hauptstadt nutzt bereits zahlreiche digitale Verwaltungsdienste und beschäftigt sich intensiv mit dem zukünftigen Einsatz Künstlicher Intelligenz. Im Mittelpunkt stehen Anwendungen, die Verwaltungsabläufe vereinfachen, Mitarbeitende unterstützen und Bürgerinnen sowie Bürgern einen besseren Zugang zu öffentlichen Dienstleistungen ermöglichen.  Im Rahmen der Smart-City-Strategie spielen Datenanalysen, digitale Infrastruktur und nachhaltige Stadtentwicklung eine wichtige Rolle. Gleichzeitig betont die Stadt die Bedeutung von Datenschutz, Informationssicherheit und rechtskonformen KI-Anwendungen. Wie in vielen europäischen Kommunen befindet sich ein Teil der KI-Projekte noch im Erprobungsstadium.  Deutsche Städte bauen kommunale KI-Kompetenzen aus  Auch zahlreiche deutsche Städte arbeiten an KI-Projekten, häufig im Rahmen von Förderprogrammen des Bundes oder der Europäischen Union. Besonders sichtbar ist dies im Programm "Modellprojekte Smart Cities", das vom Bundesministerium für Wohnen, Stadtentwicklung und Bauwesen begleitet wird. Zahlreiche Kommunen entwickeln dort digitale Lösungen für Mobilität, Energie, Verwaltung oder Stadtplanung.  Hamburg nutzt bereits umfangreiche digitale Verkehrs- und Infrastrukturinformationen für die Steuerung städtischer Prozesse. München arbeitet an verschiedenen Projekten zur Digitalisierung der Verwaltung und zur Nutzung datenbasierter Entscheidungsgrundlagen. Andere Städte untersuchen den Einsatz generativer KI für interne Verwaltungsabläufe, wobei rechtliche und datenschutzrechtliche Anforderungen derzeit intensiv geprüft werden.  Ein gemeinsames Merkmal vieler deutscher Projekte besteht darin, dass KI nicht isoliert eingeführt wird. Stattdessen bildet sie einen Baustein umfassender Digitalisierungsstrategien, die Cloud-Technologien, offene Datenplattformen und moderne Verwaltungssoftware miteinander verbinden.  Digitale Assistenten verbessern den Bürgerservice  Eine der sichtbarsten Anwendungen kommunaler KI sind digitale Assistenten und Chatbots. Sie beantworten rund um die Uhr häufig gestellte Fragen zu Verwaltungsleistungen, Öffnungszeiten oder Anträgen. Dadurch können Servicecenter entlastet werden, während Bürgerinnen und Bürger schneller Informationen erhalten.  Mit dem Aufkommen leistungsfähiger Large Language Models erweitert sich das Einsatzspektrum solcher Systeme deutlich. Moderne KI-Assistenten können komplexere Anfragen verstehen, Informationen aus verschiedenen Quellen zusammenführen und natürlichsprachliche Antworten formulieren. Dennoch bleiben menschliche Mitarbeitende notwendig, insbesondere wenn individuelle Entscheidungen oder rechtliche Bewertungen erforderlich sind.  Viele Kommunen prüfen deshalb hybride Modelle, bei denen KI zunächst Informationen bereitstellt und schwierige Fälle anschließend an Beschäftigte weitergeleitet werden.  Verkehrsmanagement zählt zu den wichtigsten Einsatzgebieten  Ein besonders etabliertes Anwendungsfeld kommunaler KI ist die Verkehrssteuerung. Intelligente Systeme analysieren Verkehrsdaten nahezu in Echtzeit und unterstützen die Anpassung von Ampelschaltungen oder die Planung von Umleitungen. Ziel ist es, Staus zu reduzieren, den öffentlichen Nahverkehr zu verbessern und Emissionen zu senken.  Auch Parkraummanagement profitiert zunehmend von KI-gestützten Analysen. Sensoren und Kameras liefern Informationen über freie Stellplätze oder Verkehrsaufkommen. Algorithmen können daraus Prognosen ableiten und die Auslastung öffentlicher Parkflächen optimieren.  Im Bereich des öffentlichen Nahverkehrs werden KI-Verfahren genutzt, um Fahrgastströme besser vorherzusagen und Betriebsabläufe effizienter zu planen. Dadurch können Verkehrsunternehmen ihre Kapazitäten gezielter einsetzen.  KI unterstützt die Stadtplanung  Kommunale Planungsprozesse erzeugen große Mengen räumlicher Daten. Geoinformationssysteme, Satellitenbilder, Luftaufnahmen und Sensordaten bilden eine wertvolle Grundlage für moderne Stadtentwicklung.  KI kann diese Daten analysieren und beispielsweise Veränderungen von Grünflächen erkennen, Verkehrsbelastungen prognostizieren oder den Energiebedarf einzelner Stadtgebiete modellieren. Solche Analysen ersetzen keine politischen Entscheidungen, liefern jedoch zusätzliche Informationen für Planungsprozesse.  Auch beim Klimaschutz gewinnt KI an Bedeutung. Städte analysieren Temperaturentwicklungen, Starkregenereignisse oder Luftqualitätsdaten, um Maßnahmen zur Klimaanpassung gezielter planen zu können.  Datenschutz und Transparenz bleiben zentrale Voraussetzungen  Der Einsatz von KI im öffentlichen Sektor unterliegt besonders hohen

  7. Sep 7 ·  Bonus

    BONUSFOLGE: Robo-Guru: Wie professionelle Robotik zum strategischen Werkzeug für Unternehmen wird

    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀 👉 https://podcast-mit-ki.systeme.io/home ---werbung--- Professionelle Robotik erreicht den Unternehmensalltag  Robotik wird zunehmend zu einem praktischen Bestandteil betrieblicher Prozesse. Während Roboter lange Zeit vor allem mit industriellen Fertigungsanlagen verbunden waren, hat sich das Einsatzspektrum deutlich erweitert. Heute übernehmen autonome Systeme unter anderem Reinigungsaufgaben, transportieren Waren, unterstützen Serviceprozesse, navigieren durch Gebäude oder werden für Empfangs- und Kommunikationsaufgaben eingesetzt.  Die Plattform Robo-Guru positioniert sich in diesem Umfeld als herstellerunabhängige Vergleichs- und Beratungsplattform für professionelle Robotik im deutschsprachigen Raum. Nach eigenen Angaben richtet sich das Angebot insbesondere an Unternehmen, die Roboter nicht nur technisch bewerten, sondern auch hinsichtlich ihrer wirtschaftlichen Eignung für einen konkreten Anwendungsfall beurteilen möchten. Das Spektrum reicht von Reinigung und Logistik über Service und Inspektion bis hin zu humanoider Robotik.  Damit verschiebt sich auch die zentrale Frage bei der Einführung von Robotik. Entscheidend ist nicht mehr ausschließlich, ob eine Maschine technisch autonom arbeiten kann. Für Unternehmen wird vielmehr relevant, ob sie unter den konkreten Bedingungen eines Betriebs zuverlässig funktioniert, welche Aufgaben sie tatsächlich übernehmen kann, welche laufenden Kosten entstehen und wie sich die Investition über die Nutzungsdauer wirtschaftlich auswirkt.  Robo-Guru konzentriert sich auf den professionellen Robotikmarkt  Auf der Plattform werden derzeit 24 Robotermodelle in einem zentralen Verzeichnis geführt. Die verfügbaren Systeme lassen sich unter anderem nach Robotertyp, Einsatzbereich, Aufgabe, Bodenart, Hersteller, Anschaffungsart, Preis und möglicher Einsatzfläche filtern. Zu den erfassten Kategorien gehören Transportroboter, Empfangsroboter, Serviceroboter, Reinigungsroboter, Desinfektionsroboter, Roboterhunde und humanoide Roboter.  Die Auswahl zeigt zugleich, wie heterogen der Markt für professionelle Robotik inzwischen ist. Im Katalog finden sich beispielsweise Systeme von Gausium, Pudu, Keenon, LionsBot, Nexaro, OrionStar, Autoxing, Sparkoz, IKitbot und weiteren Herstellern. Die auf der Plattform ausgewiesenen Preise reichen je nach Modell und Kategorie von mehreren Tausend Euro bis in den höheren fünfstelligen Bereich.  Diese Bandbreite ist ein wichtiger Hinweis darauf, dass „der Roboter“ als allgemeine Produktkategorie für betriebliche Entscheidungen zu unspezifisch ist. Ein autonomer Saugroboter für ein Büro verfolgt andere technische und wirtschaftliche Ziele als ein Scheuersaugroboter für eine Produktionshalle oder ein Serviceroboter in einem Hotel.  Die Einsatzumgebung entscheidet daher wesentlich darüber, welche Technologie sinnvoll ist. Robo-Guru ordnet Systeme unter anderem den Bereichen Büro, Industrie und Logistik, Einzelhandel, Hotel und Gastronomie, Gesundheitswesen, Schulen und Universitäten sowie weiteren gewerblichen Einsatzfeldern zu.  Reinigungsrobotik ist derzeit besonders weit entwickelt  Ein großer Schwerpunkt des Angebots liegt auf autonomen Reinigungsrobotern. Das ist kein Zufall. Reinigungsaufgaben weisen mehrere Eigenschaften auf, die sie grundsätzlich für Automatisierung geeignet machen. Arbeitsabläufe wiederholen sich, Flächen lassen sich definieren und viele Tätigkeiten folgen vergleichbaren Prozessmustern.  Moderne professionelle Reinigungsroboter können je nach Modell saugen, wischen, kehren oder scheuersaugen. Entscheidend ist dabei nicht nur die eigentliche Reinigungsmechanik. Ein wesentlicher Teil der technologischen Entwicklung betrifft Navigation, Hinderniserkennung, Kartierung und autonome Routenplanung.  Der Nexaro NR 1700 beispielsweise wird auf Robo-Guru als professioneller Saugroboter beschrieben, der mit Lasernavigation, KI-gestützter Kartierung und umfangreicher Sensorik arbeitet. Das System kann laut Plattform Hindernisse und Personen erkennen und seine Route entsprechend anpassen. Eine integrierte Mobilfunkverbindung soll zudem einen Betrieb unabhängig von der lokalen WLAN-Infrastruktur ermöglichen.  Andere Systeme setzen auf noch umfangreichere Sensorik. Beim Gausium Mira wird beispielsweise eine Kombination aus 3D-LiDAR, 2D-Laser, 3D-Kameras und Millimeterwellenradar beschrieben. Diese Sensoren dienen dazu, die Umgebung zu erfassen, Hindernisse zu erkennen und die Navigation auch in belebten oder veränderten Umgebungen zu ermöglichen.  Beim LionsBot R5 steht wiederum die Fähigkeit im Mittelpunkt, auch in engen und verwinkelten Bereichen autonom zu navigieren. Das System verfügt laut Robo-Guru über eine 360-Grad-Wendemöglichkeit und eine KI-gestützte Navigation, die Hindernisse erkennen und Routen anpassen kann.  Diese Beispiele verdeutlichen, dass die eigentliche Innovation moderner Reinigungsrobotik nicht allein im Motor, in den Bürsten oder im Saugaggregat liegt. Ein erheblicher Teil der technologischen Leistungsfähigkeit entsteht durch die Verbindung von Sensorik, Software, Navigation und automatisierter Entscheidungslogik.  Mapping und Navigation als Grundlage autonomer Systeme  Damit sich ein Roboter selbstständig durch ein Gebäude bewegen kann, muss er seine Umgebung technisch erfassen. Ein wichtiger Bestandteil moderner Robotik ist deshalb das sogenannte Mapping. Dabei wird eine digitale Repräsentation der Umgebung erstellt, anhand derer der Roboter seine Position bestimmen und Bewegungen planen kann.  Technologien wie LiDAR, Kameras, Tiefensensoren, Ultraschall und weitere Sensoren können dabei unterschiedliche Informationen liefern. LiDAR-Systeme arbeiten beispielsweise mit Laserimpulsen, um Entfernungen zu bestimmen und räumliche Strukturen zu erfassen. Kameras liefern visuelle Informationen, während andere Sensoren ergänzende Daten über Abstände oder Hindernisse bereitstellen.  Die Herausforderung besteht darin, aus diesen Sensordaten eine verwertbare Umgebungskarte und eine zuverlässige Positionierung abzuleiten. In der Robotik werden dafür unter anderem Verfahren aus dem Bereich SLAM eingesetzt. Die Abkürzung steht für „Simultaneous Localization and Mapping“ und bezeichnet Verfahren, bei denen ein mobiles System gleichzeitig seine Position innerhalb einer unbekannten Umgebung bestimmt und eine Karte dieser Umgebung erstellt oder aktualisiert.  Robo-Guru beschreibt Mapping entsprechend als zentrale Grundlage für die autonome Navigation von Reinigungsrobotern. Die Plattform verweist dabei auf das Zusammenspiel von LiDAR, Tiefenkameras, Ultraschall, Bumpern und Algorithmen zur Umgebungserfassung.  Die technische Entwicklung geht dabei zunehmend in Richtung dynamischer Navigation. Ein Roboter muss nicht mehr nur eine einmal erstellte Karte abfahren. In realen Gebäuden verändern sich Umgebungen ständig. Menschen bewegen sich, Möbel werden verschoben, Türen können geschlossen sein und Gegenstände können vorübergehend Wege blockieren. Autonome Systeme müssen deshalb mit dynamischen Situationen umgehen können.  Künstliche Intelligenz ist Bestandteil eines größeren technischen Systems  Der Begriff „KI“ wird bei Robotern häufig verwendet, darf jedoch nicht mit einem menschenähnlichen Verständnis der Umgebung gleichgesetzt werden. In einem professionellen Robotersystem wirken verschiedene Technologien zusammen.  Machine-Learning-Verfahren können beispielsweise für Objekterkennung, Klassifizierung oder Entscheidungsprozesse eingesetzt werden. Deep-Learning-Modelle ermöglichen insbesondere bei Bild- und Sensordaten komplexe Mustererkennung. Gleichzeitig bleiben klassische Verfahren der Robotik, Sensorfusion, Regelungstechnik, Pfadplanung und Sicherheitslogik wesentliche Bestandteile eines autonomen Systems.  Ein Roboter, der eine Person erkennt und ihr ausweicht, benötigt deshalb nicht nur eine Kamera. Er muss die Sensordaten verarbeiten, die erkannte Umgebung interpretieren, seine aktuelle Position bestimmen, eine sichere Bewegungsstrategie berechnen und diese anschließend mechanisch umsetzen.  Die Bezeichnung „KI-Roboter“ beschreibt somit häufig ein Gesamtsystem, in dem künstliche Intelligenz mit klassischen Automatisierungs- und Robotikverfahren kombiniert wird.  Wirtschaftlichkeit entscheidet über den praktischen Nutzen  Für Unternehmen ist die technische Leistungsfähigkeit nur eine Seite der Entscheidung. Die zweite Seite ist die Wirtschaftlichkeit.  Robo-Guru stellt deshalb einen eigenen ROI-Rechner zur Verfügung, mit dem sich unter anderem Reinigungsfläche, Reinigungsfrequenz, Personalkosten, Anschaffungspreis, Stromverbrauch, Wartung und Verbrauchsmaterial berücksichtigen lassen. Die Berechnung kann sowohl für Kauf als auch für Leasing durchgeführt werden.  Das ist insbesondere deshalb relevant, weil ein Roboter nicht automatisch wirtschaftlich ist, nur weil er Arbeitsstunden einsparen kann. Entscheidend ist das Verhältnis zwischen eingespartem Aufwand und den Gesamtkosten des Roboters.  Neben dem Anschaffungspreis müssen unter anderem Wartung, Verschleißteile, Verbrauchsmaterial, Energie, Software beziehungsweise Dienstleistungen und gegebenenfalls Leasingkosten berücksichtigt werden. Hinzu kommen Kosten für Einführung, Schulung und die Anpassung betrieblicher Abläufe.  Robo-Guru nennt für gewerbliche Reinigungsroboter je nach Größenklasse unterschiedliche Preisbereiche. Auf der Plattform werden für 2026 beispielsweise kompakte Systeme ab etwa 18.500 Euro, Mittelklassegeräte ab etwa 20.000 Euro und Großflächenlösungen ab etwa 49.000 Euro genannt. Gleichzeitig weist die Plattform darauf hin, dass konkrete Preise je nach Modell und Angebot variieren können.  Auch Aussagen zur Amort

  8. Sep 7

    KI in der Sozialpolitik: Wer profitiert, wer verliert?

    ---werbung---🎙️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste! 🚀 👉 https://podcast-mit-ki.systeme.io/home ---werbung---  Künstliche Intelligenz entwickelt sich zunehmend zu einem Werkzeug, das auch die Sozialpolitik verändert. Während KI lange vor allem mit Industrie, Forschung oder digitalen Geschäftsmodellen verbunden wurde, findet sie inzwischen immer häufiger Anwendung in Bereichen wie Arbeitsvermittlung, Verwaltung, Gesundheitsversorgung, Sozialberatung und der Analyse gesellschaftlicher Entwicklungen. Die zentrale Frage lautet dabei nicht nur, was KI technisch leisten kann, sondern auch, wie ihre Nutzung soziale Chancen verteilt und welche Gruppen möglicherweise benachteiligt werden.  Der Einsatz von KI in der Sozialpolitik steht im Spannungsfeld zwischen dem Versprechen einer effizienteren Verwaltung und der Sorge vor neuen Formen sozialer Ungleichheit. Befürworter sehen die Möglichkeit, staatliche Leistungen schneller, zielgerichteter und individueller bereitzustellen. Kritiker warnen hingegen davor, dass algorithmische Systeme bestehende Vorurteile aus Daten übernehmen können oder dass automatisierte Entscheidungen Menschen in besonders sensiblen Lebenssituationen nicht ausreichend berücksichtigen.  Die Bedeutung des Themas wächst, weil Regierungen weltweit digitale Verwaltungsprozesse ausbauen und gleichzeitig die Entwicklung leistungsfähiger generativer KI-Systeme voranschreitet. Sprachmodelle wie GPT-basierte Systeme, Anwendungen aus dem Bereich des maschinellen Lernens und automatisierte Datenanalysen eröffnen neue Möglichkeiten, werfen aber auch grundlegende Fragen nach Transparenz, Kontrolle und Verantwortung auf.  Wie KI heute in der Sozialpolitik eingesetzt wird  Der Einsatz von KI in sozialen Bereichen befindet sich in vielen Ländern noch in einer Entwicklungs- oder Erprobungsphase, dennoch gibt es bereits zahlreiche Anwendungen. Besonders häufig wird KI eingesetzt, um große Datenmengen zu analysieren, Verwaltungsprozesse zu automatisieren und Mitarbeiterinnen und Mitarbeiter öffentlicher Einrichtungen bei Entscheidungen zu unterstützen.  Ein wichtiger Anwendungsbereich ist die Arbeitsmarktpolitik. Arbeitsagenturen und Jobcenter nutzen zunehmend digitale Systeme, um Arbeitsuchende zu beraten, Weiterbildungsangebote vorzuschlagen oder Vermittlungsprozesse zu unterstützen. Dabei handelt es sich meist nicht um vollständig autonome Entscheidungen, sondern um Systeme, die Sachbearbeiterinnen und Sachbearbeiter mit Informationen versorgen oder bestimmte Muster in Daten erkennen sollen.  Auch im Bereich der sozialen Verwaltung spielt KI eine wachsende Rolle. Behörden prüfen Möglichkeiten, Anträge automatisierter zu bearbeiten, Dokumente mithilfe von Sprachverarbeitung auszuwerten oder Bürgerinnen und Bürger durch digitale Assistenten schneller mit Informationen zu versorgen. Gerade bei häufig wiederkehrenden Verwaltungsabläufen können solche Systeme Zeit sparen und Mitarbeitende entlasten.  Im Gesundheits- und Pflegebereich werden KI-Anwendungen ebenfalls zunehmend relevant. Sie können medizinische Daten analysieren, Risiken erkennen oder Pflegeprozesse unterstützen. Obwohl Gesundheitspolitik nicht ausschließlich zur klassischen Sozialpolitik zählt, überschneiden sich beide Bereiche stark, insbesondere wenn es um Versorgung, soziale Teilhabe und den Zugang zu Leistungen geht.  Internationale Organisationen wie die Europäische Union, die Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) und die Vereinten Nationen beschäftigen sich intensiv mit der Frage, wie KI verantwortungsvoll in öffentlichen Diensten eingesetzt werden kann. Gleichzeitig entwickeln Technologieunternehmen wie Microsoft, Google und IBM KI-Lösungen, die auch für öffentliche Institutionen relevant sind.  Wer von KI in der Sozialpolitik profitieren kann  Ein wesentlicher Vorteil von KI liegt in der Möglichkeit, Verwaltungsprozesse effizienter zu gestalten. Staatliche Einrichtungen stehen in vielen Ländern vor der Herausforderung, mit begrenzten Ressourcen eine wachsende Zahl komplexer sozialer Aufgaben zu bewältigen. Automatisierte Systeme können dabei helfen, Routineaufgaben schneller zu erledigen und Fachkräfte von zeitaufwendigen Tätigkeiten zu entlasten.  Für Bürgerinnen und Bürger kann KI vor allem dann Vorteile bringen, wenn sie den Zugang zu staatlichen Leistungen erleichtert. Digitale Assistenten können Informationen rund um die Uhr bereitstellen, Formulare verständlicher erklären oder Menschen durch komplizierte Verwaltungsverfahren führen. Besonders Personen, die Schwierigkeiten mit traditionellen Behördenwegen haben, könnten von niedrigschwelligen digitalen Angeboten profitieren.  Auch soziale Fachkräfte könnten durch KI Unterstützung erhalten. Wenn Systeme beispielsweise relevante Informationen schneller zusammenführen oder große Datenmengen analysieren, bleibt möglicherweise mehr Zeit für persönliche Beratung und individuelle Betreuung. Gerade in Bereichen wie Sozialarbeit oder Arbeitsvermittlung kann die menschliche Beziehung jedoch weiterhin eine zentrale Rolle behalten.  Darüber hinaus kann KI dazu beitragen, gesellschaftliche Entwicklungen besser zu verstehen. Durch die Analyse anonymisierter Daten können öffentliche Institutionen beispielsweise Veränderungen am Arbeitsmarkt, regionale Unterschiede oder Versorgungsengpässe früher erkennen. Solche Erkenntnisse könnten politische Entscheidungen verbessern, sofern die Datengrundlage zuverlässig und die Auswertung transparent erfolgt.  Warum KI neue soziale Risiken schaffen kann  Trotz der möglichen Vorteile entstehen durch den Einsatz von KI erhebliche Herausforderungen. Eine der wichtigsten Fragen betrifft die Gefahr diskriminierender Entscheidungen. KI-Systeme lernen aus vorhandenen Daten. Wenn diese Daten historische Benachteiligungen enthalten, besteht die Möglichkeit, dass algorithmische Modelle solche Muster übernehmen oder verstärken.  Dieses Problem ist insbesondere in der Sozialpolitik sensibel, weil Entscheidungen häufig direkte Auswirkungen auf Menschen in schwierigen Lebenslagen haben. Eine fehlerhafte Bewertung durch ein automatisiertes System kann beispielsweise beeinflussen, welche Unterstützungsangebote jemand erhält oder wie schnell ein Antrag bearbeitet wird. Deshalb verlangen Fachleute häufig, dass KI-Systeme in besonders wichtigen Bereichen nicht ohne menschliche Kontrolle eingesetzt werden.  Ein weiteres Problem ist die mangelnde Transparenz vieler KI-Anwendungen. Moderne Modelle, insbesondere komplexe neuronale Netze, können Entscheidungen erzeugen, deren genaue Entstehung für Außenstehende schwer nachvollziehbar ist. Diese sogenannte mangelnde Erklärbarkeit kann problematisch sein, wenn Bürgerinnen und Bürger nachvollziehen müssen, warum eine bestimmte Entscheidung getroffen wurde.  Auch der Datenschutz spielt eine zentrale Rolle. Sozialpolitische Entscheidungen betreffen häufig besonders sensible Informationen über Einkommen, Gesundheit, Familienverhältnisse oder persönliche Lebenssituationen. Der Einsatz von KI erfordert daher einen sorgfältigen Umgang mit personenbezogenen Daten und klare rechtliche Rahmenbedingungen.  Die Europäische Union hat mit dem KI-Gesetz, dem sogenannten EU AI Act, einen Rechtsrahmen geschaffen, der bestimmte KI-Anwendungen nach ihrem Risiko bewertet und für besonders kritische Einsatzbereiche strengere Anforderungen vorsieht. Die praktische Umsetzung dieser Regeln und ihre Auswirkungen auf öffentliche Einrichtungen werden sich in den kommenden Jahren weiter entwickeln.  Wer möglicherweise zu den Verlierern der KI-Entwicklung gehört  Ob Menschen durch KI benachteiligt werden, hängt weniger allein von der Technologie selbst ab, sondern davon, wie sie eingesetzt und kontrolliert wird. Besonders gefährdet könnten jedoch Gruppen sein, die ohnehin Schwierigkeiten beim Zugang zu digitalen Angeboten haben. Dazu gehören unter anderem Menschen mit geringer digitaler Erfahrung, Personen ohne ausreichenden Internetzugang oder Menschen, die komplexe Verwaltungssysteme nur schwer nutzen können.  Eine zunehmende Digitalisierung sozialer Dienstleistungen kann bestehende Unterschiede verstärken, wenn persönliche oder analoge Alternativen verschwinden. Der sogenannte digitale Graben beschreibt genau diese Ungleichheit beim Zugang zu digitalen Technologien und Kompetenzen. Politische Konzepte zur KI-Nutzung müssen daher berücksichtigen, dass nicht alle Menschen über dieselben technischen Möglichkeiten verfügen.  Auch Beschäftigte im öffentlichen Dienst könnten Veränderungen erleben. KI wird voraussichtlich bestimmte administrative Tätigkeiten automatisieren oder verändern. Nach Einschätzung vieler Experten bedeutet dies jedoch nicht automatisch einen vollständigen Ersatz menschlicher Arbeitskräfte. Wahrscheinlicher ist, dass sich Tätigkeitsprofile verschieben und neue Kompetenzen erforderlich werden.  Besonders kritisch ist die Frage, ob KI-Systeme soziale Entscheidungen zu stark vereinfachen. Menschliche Lebenssituationen lassen sich häufig nicht vollständig durch Datenpunkte erfassen. Armut, Arbeitslosigkeit oder soziale Ausgrenzung entstehen durch komplexe Zusammenhänge, die neben statistischen Informationen auch persönliche Erfahrungen und individuelle Umstände berücksichtigen müssen.  Die Rolle von Daten, Unternehmen und staatlicher Kontrolle  Die Qualität von KI-Systemen hängt wesentlich von den verwendeten Daten ab. Sozialpolitische Anwendungen benötigen häufig umfangreiche Informationen, um Muster erkennen zu können. Gleichzeitig müssen diese Daten korrekt, aktuell und repräsentativ sein. Fehlerhafte oder einseitige Datensätze können die Ergebnisse eines Systems erheblich beeinflussen.  Neben staatlichen Einrichtungen spielen priva

See All (23)

About

Wie verändert Künstliche Intelligenz unser Leben – heute und morgen? Im künstliche Intelligenz Podcast tauchst du ein in die spannende Welt von KI, maschinellem Lernen, Deep Learning und neuronalen Netzen. Wir zeigen, wie intelligente Systeme Entscheidungen treffen, Unternehmen effizienter machen und unseren Alltag revolutionieren – verständlich, praxisnah und immer aktuell.  Von Sprachmodellen wie ChatGPT über Robotik und Smart Factories bis zu KI in Medizin, Forschung, Bildung und kreativen Projekten – jede Folge liefert Einblicke in Trends, Chancen, Risiken und die Technologien der Zukunft. Gleichzeitig beleuchten wir gesellschaftliche, ethische und politische Fragen: Datenschutz, Deepfakes, KI-Regulierung und globale Wettläufe im Bereich künstlicher Intelligenz.  Ob Einsteiger oder Profi: Begleite uns auf einer Reise durch die digitale Transformation und entdecke, wie KI unsere Arbeitswelt, Wirtschaft und Gesellschaft nachhaltig verändert. Jede Episode inspiriert, informiert und macht die Welt der künstlichen Intelligenz greifbar.

Information

You Might Also Like