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
Ana Simic
Foto: Studio F - Yvonne Fetz / Ascannio - stock.adobe.com (Hintergrund)

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:
12.11.2026

530 Mio. US-Dollar: Investments für zwei Münchner Startups

Agile Robots holt sich 500 Millionen US-Dollar Kapital. Währenddessen schließt das Deeptech-Startup SE3 eine Finanzierungsrunde von 30 Millionen US-Dollar ab.
/artikel/530-mio-us-dollar-investments-fuer-zwei-muenchner-startups
12.11.2026

530 Mio. US-Dollar: Investments für zwei Münchner Startups

Agile Robots holt sich 500 Millionen US-Dollar Kapital. Währenddessen schließt das Deeptech-Startup SE3 eine Finanzierungsrunde von 30 Millionen US-Dollar ab.
/artikel/530-mio-us-dollar-investments-fuer-zwei-muenchner-startups
Links Agile-Robots-CEO Zhaopeng Chen mit einem Humanoiden und rechts die SE3-Technologie im Einsatz | (c) Agile Robotics / SE3 / Canva

„Unsere Vision ist, dass intelligente Roboter überall auf der Welt in Fabriken und Lagern mit Menschen zusammenarbeiten“, mit diesen Worten verkündet Zhaopeng Chen, Gründer und CEO von Agile Robots, eine Finanzierungsrunde von 500 Millionen US-Dollar. Angeführt wurde die Serie-F-Runde von der SoftBank Group. Weitere Investoren kommen aus der Automobilindustrie, der künstlichen Intelligenz sowie der Digital- und Industrietechnologie, darunter etwa Nvidia, die Hitachi Group und T.Capital. Insgesamt steigt das eingeworbene Kapital des Münchner Scaleups auf zwei Milliarden US-Dollar. Die Bewertung des Unternehmens beträgt nun 8,5 Milliarden US-Dollar.

Kapital für internationales Wachstum

„Wir bringen Physical AI aus dem Labor in die Industrie, sei es in der Logistik, der Automobil- und Elektronikbranche oder der Fertigung. Mit der neuen Finanzierung können wir schneller international wachsen, unsere Präsenz in wichtigen Märkten ausbauen und unsere Produktionskapazitäten erweitern“, sagt Chen. Man wolle vor allem seine Präsenz in den USA stärken und die Entwicklung neuer Robotikanwendungen beschleunigen.

Agile Robots entwickelt humanoide und mobile Roboter, Roboterarme und -hände sowie die Software und KI-Modelle, die sie steuern. Dadurch können Industrieunternehmen auch Aufgaben automatisieren, für die bisher menschliches Fingerspitzengefühl und Urteilsvermögen nötig waren. 

30 Millionen US-Dollar für Europas Verteidigung

Ebenfalls eine Finanzierungsrunde in Millionenhöhe, wenn auch nicht in der Größenordnung von Agile Robots, sicherte sich das Münchner Startup SE3. In einer Serie-A-Finanzierungsrunde lukrierte die Deeptech-Firma 30 Millionen US-Dollar. Accel führte die Runde an, mit Beteiligung von Keen, Lakestar und Seedcamp.

„Die Finanzierung dient dem Ausbau der Entwicklungs-, Vertriebs- und Betriebsteams von SE3, um für die Erfüllung weiterer Aufträge im Zuge des Unternehmenswachstums gerüstet zu sein“, schreibt das Unternehmen auf seiner Webseite. Neben der Stärkung der Präsenz in Deutschland und der Ukraine eröffnet SE3 auch ein Büro in Großbritannien und plant die weitere Expansion in Europa.

Das Münchner Unternehmen arbeitet daran, Sensordaten in räumliches Verständnis umzuwandeln, sodass Maschinen autonom arbeiten können. SE3 entwickelt seine Technologie für komplexe Umgebungen, in denen Systeme zuverlässig funktionieren müssen, auch bei Störungen der Satellitennavigation. Das Startup konzentriert sich primär auf die europäische Verteidigung. Dieser Sektor bleibt vorerst der Schwerpunkt. Ab 2027 sollen Robotik, Katastrophenschutz und andere zivile Anwendungen für anspruchsvolle Umgebungen erforscht werden.

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

ChatGPT: Diese Fragen müssen sich Unternehmen vor dem Einsatz stellen

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

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

ChatGPT: Diese Fragen müssen sich Unternehmen vor dem Einsatz stellen

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

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

ChatGPT: Diese Fragen müssen sich Unternehmen vor dem Einsatz stellen

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 …

ChatGPT: Diese Fragen müssen sich Unternehmen vor dem Einsatz stellen

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 …

ChatGPT: Diese Fragen müssen sich Unternehmen vor dem Einsatz stellen

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 …

ChatGPT: Diese Fragen müssen sich Unternehmen vor dem Einsatz stellen

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 …

ChatGPT: Diese Fragen müssen sich Unternehmen vor dem Einsatz stellen

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

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

ChatGPT: Diese Fragen müssen sich Unternehmen vor dem Einsatz stellen

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

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

ChatGPT: Diese Fragen müssen sich Unternehmen vor dem Einsatz stellen