Wie die Salzburg AG mit einer neuen Crowdinvesting-Plattform die Energiewende vorantreibt

17.02.2023

ChatGPT: Diese Fragen müssen sich Unternehmen vor dem Einsatz stellen

Gastbeitrag. Lohnt es sich für Unternehmen, den auf künstlicher Intelligenz basierenden Chatbot ChatGPT einzusetzen? Dazu muss man erst ein paar grundlegende Fragen klären, argumentiert Ana Simic in diesem brutkasten-Beitrag.

/artikel/chatgpt-fuer-unternehmen

✨ AI Kontextualisierung

Die aktuelle Debatte rund um ChatGPT dreht sich häufig um die Schule oder die Erstellung von Texten mit dieser mächtigen Lösung, die auf künstlicher Intelligenz (KI) basiert. Aber schon bald wird sich uns allen die Frage stellen: Soll ich als Unternehmen auch in ChatGPT oder ähnliche Lösungen investieren? Und wenn ja wieviel? Dabei gilt es sowohl unternehmerische Aspekte zu berücksichtigen, technische Fragen zu beantworten und sich auch ein paar Grundsatzfragen zum Einsatz von AI im unternehmerischen Umfeld stellen.

Business Aspekte

Was ist mein Use Case mit ChatGPT?

Wenn ich beispielsweise Journalistin bin und am Tag drei statt einem Artikel recherchieren und schreiben kann, weil mich die Maschine dabei unterstützt, und es für diese zusätzlichen Artikel tatsächlich einen Markt gibt, dann bin ich effizienter und effektiver.

Wenn ich im Kundenkontakt stehe und mich besser auf meine Termine vorbereiten kann, wird mein Kunde zufriedener. In jedem Fall muss der Anwendungsfall einen klaren und ausformulierten Wert haben. Und diese sollte in Summe die Kosten der Nutzung übersteigen.

Kann ich den Use Case wirklich besser mit dem Tool nutzen?

Was auf den ersten Blick beeindruckend aussieht, ist auf den Zweiten vielleicht weniger interessant. Wir schon wissen, die Maschine ist sehr gut im Vortäuschen ihrer Exzellenz. Daher sollte man eigene Use Cases gut abtesten.

Markt und Differenzierung

Gibt es Aspekte, mit denen ich mich vom Mitbewerb abheben kann und werden es auch meine Kunden schätzen? Innovation kann einen Mehrwert bieten.

Mitarbeiter:innen und Innovationsgeist

Werden meine Mitarbeiter:innen mehr Spaß an ihrer Arbeit haben und deshalb produktiver und kreativer sein und müssen weniger Routinetätigkeiten machen? Werde ich dadurch zu einem attraktiveren Arbeitgeber?

Technische Aspekte

• Wie sehen meine aktuelle Datenstruktur und Infrastruktur aus? Kann ich es gut integrieren?
• Anforderungen an Datenplattformen und Hardware werden mit der erhöhten Nutzung auch steigen, und damit weitere Kosten an sich ziehen.

Qualität, Ethik, Risken und einiges mehr

• Vertrauen ist gut, aber Kontrolle ist im Fall von künstlicher Intelligenz besser. Die sogenannte Data Governance wird immens wichtig, um sicher zu gehen, dass sich jemand in der Organisation um die Daten und ihre Qualität kümmert, und sicherstellt, dass alle ethischen Aspekte beim Input und Output berücksichtigt sind.
• Wie sind also meine Abläufe organisiert, damit es wirklich funktioniert und einen Mehrwert liefert?
• Mit der Qualität geht auch die Frage nach der Erklärbarkeit des Ergebnisses einher. Mittlerweile gibt es gute Tools für Explainable AI (XAI), die jedem Modell angehängt werden können, um sie für Menschen erklärbar zu machen. Was waren die wichtigsten Treiber, also was hat den größten Einfluss auf das Ergebnis?
• Es ist noch nicht klar, wie die rechtliche Frage des geistigen Eigentums der Trainingsdaten geklärt wird und wie sich das auf die Kosten auswirken wird. Sicher ist man nur wenn man die Herkunft der Daten erklären und nachweisen kann, dass man sie verarbeiten darf.

Was passiert in den nächsten Jahren?

„Geht es denn jetzt mit dem Fortschritt immer so weiter, und müssen wir wirklich nicht mehr selbst denken“? Das ist eher eine Frage unserer Erwartungshaltung an die Weiterentwicklung als eine technische Frage. Seit der Einführung des iPhones haben wir gelernt, dass es jedes Jahr neue Features gibt – und die Erwartung an die neue KI liegt nun bei vielen Menschen ähnlich hoch.

Wenn man sich allerdings ansieht, wie sich Machine-Learnung- und Natural-Languague-Processing-Modelle in den vergangenen zehn Jahren entwickelt haben, sieht man, dass die Fortschritte eher wellenartig waren: Lange Zeit scheinen sie zu stagnieren, dann auf einmal gibt es einen Sprung nach vorne, um wieder eine Zeitlang zu stagnieren.

Das hängt mit den verfügbaren Daten zusammen, mit denen die Modelle trainiert werden können. Wenn die Daten für das Training in großer Menge verfügbar und gut klassifiziert sind, kann ein neues mächtiges Modell trainiert werden – und wir erleben es als einen Riesensprung und Fortschritt. Wenn die Daten jedoch schwer zu bekommen sind, dann dauert es sehr lange, bis wir den Fortschritt erleben.

Man kann also nicht die Sprünge, die bei anderen Datenmodellen erzielt worden sind, einfach auf andere Daten und Anwendungsfelder übertragen, weil es immer zuerst um die Daten geht, mit denen man das Modell trainieren muss. Dann erst kommen die Erfolge.

ChatGPT wiederrum wird besser werden, weil er schon gut, wenn auch nicht komplett, trainiert ist. Jedoch stellt sich auch hier die Frage: Was passiert, wenn ChatGPT alle Bücher und alle Texte der Welt gelesen hat? Woher kommen dann weitere Trainingsdaten? Und wie nutzen wir es dann, wenn alle Nutzer auf das gleiche Modell und die gleichen Daten zurückgreifen? Hat man dann immer noch die gleichen Vorteile?

Damit wären wir wieder bei den ersten Grundsatzfragen der Use Cases, technischer Aspekte und ethischer Bewertung. Wenn diese Fragen eindeutig und positiv beantwortet werden können, dann wird die (zukünftige) Standardisierung der AI kein Nachteil für ein einzelnes Unternehmen sein. Letztendes verwenden wir auf der ganzen Welt viele anderen technischen Standards, die in der Geschichte der Menschheit zu vielen Vorteilen für einzelne Unternehmen geführt haben.

Zur Autorin

Ana Simic ist Österreich-Geschäftsführerin der finnisch-deutschen Data & AI Beratung DAIN Studios. Die erfahrene Digitalisierungs- und Daten-Expertin setzt auf wertorientierte KI-Strategien und Machine-Learning-Lösungen für alle Branchen, und hilft Führungskräften und Experten, die KI zu verstehen und anzuwenden.

Deine ungelesenen Artikel:

Momcilo Nikolic

25.09.2026

Dreifacher Wiener Schulabbrecher forscht in Harvard an virtuellen KI-Fischen

Drei Mal brach Raphael Suchomel die Schule ab, bevor sich sein Weg plötzlich in eine ganz andere Richtung entwickelte. Heute sitzt der 27-jährige Wiener in Harvard und lässt virtuelle Fische lernen – auf der Suche nach Antworten darauf, was Künstliche Intelligenz von der Natur erfassen kann.

/artikel/dreifacher-wiener-schulabbrecher-forscht-in-harvard-an-virtuellen-ki-fischen

Momcilo Nikolic

25.09.2026

Dreifacher Wiener Schulabbrecher forscht in Harvard an virtuellen KI-Fischen

/artikel/dreifacher-wiener-schulabbrecher-forscht-in-harvard-an-virtuellen-ki-fischen

Manche Wege sind direkt und vorgezeichnet – Schule, Bildung, Ausbildung und ein Job in dem Bereich, den man beherrscht. Andere sind von Umwegen gezeichnet, Mühsal und Zeiten, in denen man nicht weiß, wie es genau weitergehen soll. Raphael Suchomels Vita ist eine von den nicht-linearen.

„Plötzlich Mitternacht“

Er hat mit 18 die Schule zum ersten Mal abgebrochen und sich eine Vollzeitstelle gesucht. Der gebürtige Wiener schrieb sich fortan in eine Abendschule ein, brach jene aber – ein mal mit 19 und einmal mit 21 Jahren – wiederholt ab. Doch der Gedanke des endgültigen Aufgebens war keiner und im jungen Mann schlicht nicht vorhanden. So war es dann mit 22 soweit: der vierte Versuch, die Matura nachzuholen, gelang.

„Ich war in einer Abendschule im 21. Bezirk“, erinnert sich der 27-Jährige. „Von neun bis 17 Uhr Vollzeitjob, dann Unterricht bis halb zehn und anschließend noch Training. Und plötzlich war es Mitternacht.“

Zwei Jahre lang bestimmte dieser straffe Rhythmus seinen Alltag. Trotz der Doppelbelastung hielt der heutige Wahl-Hagenberger durch – und schloss die Abendschule schließlich mit ausgezeichnetem Erfolg ab.

Studium in Hagenberg

Es folgte ein Umzug von Wien nach Oberösterreich und der Start des ersten Jahrgangs des damals neu geschaffenen Bachelorstudiums „Artificial Intelligence Solutions“ an der University of Applied Sciences Upper Austria in Hagenberg.

Suchomel gehörte zudem zu den Mitgründern der Young AI Leaders Linz, einer lokalen Community innerhalb der AI-for-Good-Initiative der International Telecommunication Union der Vereinten Nationen. Die Gruppe bringt junge Menschen aus Forschung und Technologie zusammen und organisiert unter anderem Hackathons und Diskussionsveranstaltungen rund um Künstliche Intelligenz.

© Harvard/zVg – Eine 3D-Simulation eines schwach elektrischen Fisches.

Nach rund 100 verschickten Mails – die meisten davon blieben unbeantwortet – gelang es Suchomel schließlich, einen Forschungsaufenthalt als Praktikant an der Harvard Medical School zu ergattern. Dort befindet er sich auch heute und forscht an der Schnittstelle von Künstlicher Intelligenz und Neurowissenschaften.

Im Mittelpunkt seiner Arbeit stehen biologisch fundierte künstliche Agenten. Vereinfacht gesagt, bauen die Forschenden in Harvard virtuelle Tiere im Computer. Diese Tiere bekommen künstliche neuronale Netze und bestimmte Sinneswahrnehmungen und Bewegungsmöglichkeiten, die sich an echten Tieren orientieren. Anschließend lernen sie mit einer Methode namens „Reinforcement Learning“. Dabei wird ihnen nicht jede Handlung vorgegeben. Sie probieren unterschiedliche Verhaltensweisen aus und lernen über Belohnungen und Nachteile selbst, welche Strategien erfolgreich sind.

„Schauen wie sich Agent verhält“

„Wir kennen aus der Biologie die körperlichen Einschränkungen von Fischen“, erklärt Suchomel. „Wir wissen, wie sich Augen im Winkel bewegen, wie schnell sie sind und welche anderen biologischen Einschränkungen es gibt. Und wir statten einen ‚Reinforcement-Learning‘-Agenten mit diesem Wissen aus: Wir simulieren den Körper eines Fisches, sodass er über diesen Körper mit der Umwelt und mit anderen Fischen kommuniziert. Das schicken wir durch eine ‚Reinforcement-Learning‘-Umgebung, simulieren Trajektorien und schauen, wie sich der Agent verhält.“

Die Simulation funktioniert wie ein virtuelles Labor. Forscher können einzelne Sinneskanäle ausschalten, Kommunikationssignale verändern oder die Umwelt der Agenten manipulieren und beobachten, wie sich ihr Verhalten verändert. Damit sollen Hypothesen darüber entwickelt werden, warum bestimmte Verhaltensweisen entstehen und welche Mechanismen dahinterstecken. Solche Hypothesen sollen anschließend gezielter in Experimenten mit echten Tieren überprüft werden können.

Der Vorteil hierbei sei, dass man nicht jedes Verhalten explizit programmieren müsse, sondern durch die Kombination aus Körper, biologischen Einschränkungen, Umwelt und „Reinforcement Learning“ Verhalten entstehen lassen könne, das möglicherweise dem Verhalten echter Fische ähnelt. So soll — und das ist das Ziel — Forschung günstiger und schneller werden, sagt Suchomel. Man könne zudem Variablen besser isolieren und kontrollieren und neuronale Netze viel genauer analysieren. Das wäre bei echten Fischen teilweise sogar viel schwieriger, vor allem wenn man ihr Zusammenspiel mit anderen Fischen untersuchen möchte.

Künstliche und natürliche Intelligenz

Die Harvard Medical School und andere Institute verfolgen seit Längerem das Ziel, KI zu nutzen, um natürliche Intelligenz besser zu verstehen – und umgekehrt auch natürliche Intelligenz für die Entwicklung von KI zu nutzen.

„Dafür gibt es im KI-Bereich viele verschiedene Methoden und Ansätze, die sich an Beobachtungen aus der Natur orientieren. Gleichzeitig gibt es immer mehr Forschung an der Schnittstelle von KI und Biologie, bei der KI-Forscher und Biologen zusammenarbeiten“, sagt Suchomel. „Wenn man beispielsweise genau weiß, wie die Umgebung aussieht, und gleichzeitig die Kommunikation eines Fisches beobachtet, könnte man künftig elektrische Signale interpretieren. So lässt sich etwa erkennen, dass ein bestimmtes Signal ausgesendet wird, weil sich der Fisch bedroht fühlt. Dadurch könnte man nicht nur einzelne Fische, sondern auch die Gruppendynamik analysieren – und besser verstehen, wie sich die Tiere untereinander und in ihrer Umwelt verhalten.“

Suchomels Praktikum in Harvard reicht noch bis Februar, danach führt ihn den Weg nach Belgien an die KU Leuven – eine, wie er sagt „der besten Unis in Europa wenn es um KI geht“. Anschließend möchte er in einen „starken Master“ reinkommen und weiter an KI forschen. Wo das sein wird, sei erstmal zweitrangig: „Hauptsache starke Labs.“

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