11.05.2021

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

Jan Nössner gilt als herausragender Experte für Künstliche Intelligenz (KI) und Machine Learning und arbeitet am Standort Wien für den internationalen IT-Dienstleister Nagarro. Im Brutkasten-Talk erläutert der Experte, warum wir in unserer Gesellschaft und Wirtschaft die Künstliche Intelligenz entmystifizieren müssen.
/artikel/3-mythen-rund-um-kuenstliche-intelligenz-entmystifiziert

Die erwarteten Wachstumszahlen in Bezug auf künstliche Intelligenz (KI) sind beachtlich: Bis 2027 soll der globale Markt für künstliche Intelligenz mit einer durchschnittlichen Wachstumsrate von rund 43 Prozent wachsen und im Jahr 2027 einen Wert von 733,6 Milliarden Euro betragen.

Die größten Branchengewinne werden im Einzelhandel, bei Finanzdienstleistungen und im Gesundheitswesen zu verzeichnen sein, da KI die Produktivität, die Produktqualität und den Konsum steigert.

Dennoch gibt es in der Gesellschaft und Wirtschaft noch immer Vorbehalte und falsche Erwartungen gegenüber der KI – angefangen von Datenschutz bis hin zum vermeintlichen Wegfall von Arbeitsplätzen.

Künstliche Intelligenz ist kein Mysterium mehr

Künstliche Intelligenz und Machine Learning müssen allerdings kein Mysterium sein. Bereits seit mehrere Jahren beschäftigt sich der internationale IT- und Software-Dienstleister Nagarro nicht nur in konkreten Kundenprojekten mit KI, sondern auch mit den Erwartungshalten, die in der Gesellschaft und Wirtschaft vorherrschen.

Bis lang hat Nagarro 100 KI bezogene Projekte realisiert. Das Trendthema ist mittlerweile ein eigener Kompetenz-Bereich und Teil des Portfolios geworden. Mehr als 500 Daten-Spezialisten sind für die KI-Projekte global verfügbar. Zudem beschäftigen sich rund 100 Data Scientists intensiv mit Gestaltungs- und Orchestrierungsfragen. Mit Jan Nössner war einer von ihnen am Montag zu Gast im Brutkasten-Talk und erläuterte, warum wir in unserer Gesellschaft und Wirtschaft die Künstliche Intelligenz entmystifizieren müssen.

Über den Experten:
Jan Nössner gilt als herausragender Experte für Künstliche Intelligenz (KI) und Machine Learning und absolvierte seinen PhD in Computer Science. Nössner sammelte in Australien mehrere Jahre Erfahrung in führenden IT-Unternehmen, die sich unter anderem auf Software-Entwicklung für Bergbau-Minen spezialisierten. 2020 fasste Nössner den Entschluss mit seinem gesammelten Wissen zurück nach Europa zu kommen, um am Standort Wien für den internationalen Software- und IT-Dienstleister Nagarro zu arbeiten. In seiner Arbeit für Nagarro beschäftigte er sich beispielsweise mit Fragestellungen, wie KI & Machine Learning im Bereich Software-Testing eingesetzt werden können.

1. Mythos: KI ersetzt den Menschen

Wichtige Einsatzgebiete für Machine Learning sieht Nagarro überall dort, wo automatisierte KI-Lösungen den Mitarbeitern langweilige und ständig wiederkehrende Aufgaben abnehmen können, sodass ihnen mehr Zeit für spannendere Themen bleibt. Auf diese Weise führt die KI zu einer Veränderung der Jobs, übernimmt frustrierende und fehleranfällige Tätigkeiten, erhöht die Mitarbeiterzufriedenheit und somit indirekt auch die Kundenzufriedenheit. Im Unternehmen entstehen mit der KI gleichzeitig neue Wege für Wissensmanagement, im Kundenservice und in der Prognose. „Die KI wird, soll und kann den Menschen nicht ersetzen, sondern uns dafür Zeit geben, worauf wir wirklich Spaß haben“, so Jan Nössner im Talk.

2. Mythos: KI Systeme speichern alle unsere Daten 

Tatsächlich speichern Machine Learning Modelle keine exakten persönlichen Daten bzw. nicht in einer Form, die missbräuchlich verwendbar ist. Sobald ein KI-Modell angewandt wird, werden alle Daten gewissermaßen anonymisiert eingesetzt. 

Zum Beispiel: Speichert das KI-System ein Bild einer Person, so ist dieses in dem Maße abstrahiert das einzelne Charakteristika zwar gespeichert werden, aber im gesamten ein abstrahiertes Bild ergeben.  Würde das Modell das Bild im Original nutzen, wären die Einzelinformationen zu spezifisch, also „overfitted“, d.h. das Modell könnte keine generellen Aussagen ableiten. 

Zugriff auf die bereitgestellten persönlichen Daten haben lediglich die Experten, welche das KI-Modell trainieren, somit ist ein vertraulicher Umgang mit den Daten sichergestellt. Bei Bedarf greift Nagarro auch auf Partnerlösungen zu, welche z.B. Video-Daten anonymisieren.

3. Mythos: Für KI-Lösungen brauchen wir bessere Daten? Falsch!

Viele Unternehmen denken, sie könnten keine KI-Lösungen einsetzen, weil die Datenlage nicht ausreichen würde. Nagarros KI-Experte Nössner widerspricht: Ausnahmslos jedes Unternehmen hat zahlreiche Daten und meist sind diese Daten erstaunlich gut zu nutzen. Für KI- Lösungen ist irrelevant, ob Daten aus einfachen Listen, oder aus einem aufwändigen Data Lake stammen. 

Die Vorteile von KI und Machine Learning kompakt zusammengefasst:

Schnelle Reaktionszeit: Häufig lassen sich ständig wiederkehrende Prozesse von der Maschine mindestens um Faktor 10 schneller ausführen.

Automatisierung von Prozessen: Eine wertvolle Hilfe für den intelligenten Kundenkontakt! KI kann schnelle Lösungen für Standardfälle oder auch persönliche Intervention in komplexen Fällen einleiten.

Verhalten analysieren: Nagarro setzt etwa für Chatbots Sentiment Analysen ein. Aus der natürlichen Sprache der Kunde erkennt das System, ob Personen verärgert oder unzufrieden reagieren. Der Bot fragt dann proaktiv, ob er die Kunden mit einem Servicemitarbeiter verbinden soll. So wird etwaiger Unzufriedenheit bereits sehr früh entgegengewirkt.

Verbessern der Machine Learning Modelle: Mitarbeiter interagieren laufend mit der KI, bestätigen z.B. vorgeschlagene Vorgangsweisen, oder korrigieren sie. Jeglicher Input fließt in das System ein und steht dem Nächsten durch kontinuierliches Lernen verbessert zur Verfügung.  

Kumulierte Wissensbasen: Speziell im Service Bereich ist es oft notwendig, Informationen aus verschiedensten Fachbereichen zu extrahieren und in einer Knowledge Base zusammenzufassen. Nagarro kombiniert hierfür AI Techniken mit intelligenten Datenstrukturen, wie Ontologien oder Graph Datenbanken.

Auswertungen: Nagarros Accelerator hat standardmäßig innovative, interaktive Dashboards integriert, welche die Performance kontinuierlich messen. Mögliche Auswertungen aus KI Tools sind: Zeitersparnis, Häufigkeiten von Anfragen nach Kategorien, Erfolgsraten, Felder für Verbesserungen, Qualitätsanalysen.
(c) Nagarro

Deine ungelesenen Artikel:
20.10.2026

Wiener Startup Prewave startet KI-Agenten für die finanzielle Bewertung von Lieferkettenrisiken

Das Wiener Startup Prewave will Unternehmen mit KI-Agenten helfen, Risiken nicht nur früher zu erkennen, sondern auch ihre finanziellen Folgen einzuschätzen und gezielter über Gegenmaßnahmen zu entscheiden.
/artikel/wiener-startup-prewave-startet-ki-agenten-fuer-die-finanzielle-bewertung-von-lieferkettenrisiken
20.10.2026

Wiener Startup Prewave startet KI-Agenten für die finanzielle Bewertung von Lieferkettenrisiken

Das Wiener Startup Prewave will Unternehmen mit KI-Agenten helfen, Risiken nicht nur früher zu erkennen, sondern auch ihre finanziellen Folgen einzuschätzen und gezielter über Gegenmaßnahmen zu entscheiden.
/artikel/wiener-startup-prewave-startet-ki-agenten-fuer-die-finanzielle-bewertung-von-lieferkettenrisiken
Prewave
Harald Nitschinger, Gründer von Prewave | (c) Prewave

Es nennt sich Quantified Resilience und soll zeigen, was Lieferkettenrisiken tatsächlich kosten. Das neue Portfolio des Wiener Startups adressiert die Risikolandschaft für globale Lieferketten, die sich seit Covid, der Chipknappheit sowie dem Krieg im Iran und in Russland verändert hat. Unternehmen haben in den vergangenen Jahren darauf reagiert und auf mehr Transparenz gesetzt, mehr Lieferanten überwacht und mehr Signale und Warnmeldungen verfolgt. Doch Einkaufsteams wollen nicht mehr Informationen, meint Co-Founder und seit Jänner alleiniger CEO Harald Nitschinger. „Sie wollen eine belastbare Entscheidungsgrundlage“, sagt er und bezieht sich auf eine Gartner-Studie aus 2026 mit dem Titel: „Market Overview for Supplier Risk Management Solutions.“ Teams, die ihre Zeit damit verbringen, schwer fassbare Risiken bei Sub-Tier-Lieferanten zu recherchieren und zu bewerten, hätten kaum Kapazitäten, um langfristige Resilienz aufzubauen.

Prewave: KI-Agenten übernehmen Recherche

Hier soll Quantified Resilience helfen, die globalen Risikodaten von Prewave mit den eigenen Daten eines Unternehmens zu verbinden, darunter Stücklisten, Lagerbestände, alternative Bezugsquellen und Umsatzzahlen. Spezialisierte KI-Agenten würden dann die Recherche übernehmen, Risiken priorisieren und deren mögliche finanzielle Auswirkungen auf das Unternehmen bewerten.

Ein Bestandteil des neuen KI-Portfolios heißt Prewave Respond und beinhaltet KI-Agenten, die Signale aus der gesamten Plattform bündeln und Risikosituationen danach ordnen, wie dringend Handlungsbedarf besteht. Risikomanager würden so auf einen Blick sehen, welche Situationen jetzt Aufmerksamkeit erfordern und welche warten können. Die Agenten lassen sich an die eigenen Prozesse und Prioritäten des jeweiligen Unternehmens anpassen.

Plattform zeigt Betroffenheit

„Die Bewertung einer Störung hat unser Risikoteam früher einen halben Tag gekostet, plus Abstimmung mit den Konzerneinkäufern, um die Auswirkungen auf die Lieferanten zu verifizieren“, erklärt Verena Rausch, Group Risk Manager bei der Vaillant Group, wie Prewave den Aufwand bei der Bewertung einzelner Störungen reduziert. „Beim Erdbeben von Kumamoto hat Prewave rund 50 aufgezeigte Lieferanten auf 11 eingegrenzt, die geprüft werden mussten, und einen unmittelbaren Produktionsstopp aufgezeigt. Das verkürzt den Zeitaufwand für jede Bewertung.“

Der Schlüssel zu dieser Priorisierung liege darin zu verstehen, was eine Störung für das Geschäft bedeutet. Die Prewave-Plattform kombiniert Informationen zu globalen Ereignissen, Lieferantenstandorten, Tier-n-Beziehungen und Rohstoffabhängigkeiten mit den eigenen Lieferketten- und ERP-Daten des Unternehmens. Sie zeige so, welche Lieferanten, Materialien oder Produkte tatsächlich betroffen sind.

Für Nitschinger ist Quantified Resilience der nächste Schritt im Umgang mit zunehmend komplexen Lieferkettenrisiken: „Unseren Kunden fehlt es nicht an Informationen. Im Gegenteil, sie werden mit Warnmeldungen, Ratings und Lieferanten-Updates überflutet. Wir geben ihnen jetzt Werkzeuge an die Hand, die diese Signale in eine konkrete Entscheidungsgrundlage verwandeln: Was verdient meine Aufmerksamkeit? Wo bin ich tatsächlich exponiert? Was steht finanziell auf dem Spiel? Und wo sollten wir Resilienz aufbauen, um die größte Wirkung zu erzielen? Quantified Resilience macht diese Zusammenhänge messbar und damit steuerbar.“

Resilienz von Kostenfaktor soll zur Investitionsentscheidung werden

Über die Priorisierung hinaus berechnet Prewave die finanziellen Auswirkungen einer Störung anhand von Daten wie Lagerbeständen, Stücklisten und Umsatz, heißt es. Damit soll die Resilienz von einem Kostenfaktor zu einer Investitionsentscheidung werden. Unternehmen könnten Ausgaben dorthin lenken, wo sie am meisten bewirken, und sie gegenüber Geschäftsführung und Vorstand mit belastbaren Zahlen untermauern.

Künftig will Prewave diesen Ansatz nutzen, um die Lieferketten seiner Kunden ganzheitlich und proaktiv zu optimieren. Prewave Optimise, ein weiteres Tool aus der „Quantified Resilience“-Strategie, das sich derzeit in der Beta-Phase befindet, soll zeigen, wo Absicherungen über das notwendige Maß hinausgehen und wo gefährliche Lücken bestehen. Ziel ist ein Lieferantennetzwerk, das Kosten und Resilienz entsprechend der individuellen Risikobereitschaft eines Unternehmens ausbalanciert.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

3 Mythen rund um „Künstliche Intelligenz“ entmystifiziert