Wie stellt man sicher, dass Künstliche Intelligenz das tut, was sie soll? Sei es im Auto, im Krankenhaus, in der eigenen Wohnung oder in der Fabrik – KI-Anwendungen, die aus sicherheits- oder finanzkritischen Gründen Verlässlichkeit nachweisen müssen, brauchen ein entsprechend stichfestes Gütesiegel. Dieser Aufgabe widmet sich der TÜV Austria seit 2021.
Unter dem Namen „Trusted AI“ hat man in Kooperation mit der Johannes Kepler Universität Linz (JKU) und dem Software Competence Center Hagenberg (SCCH) ein Machine-Learning-Zertifizierungsschema entwickelt. Dieses beurteilt KI-Anwendungen und im Gegensatz zu anderen Prüfungsinstituten nicht lediglich die Entwicklungsprozesse. Das Schema beschränkt sich aktuell auf Supervised-Learning-Modelle. Weitere sollen nach und nach folgen.
Die richtige Prüfung für das Zertifikat
Doch wie prüft man? „Es ist wichtig, dass man KI-Anwendungen so trainiert, dass sie zu einem statistischen Maß dort funktionieren, wo man möchte“, erklärt Bernhard Nessler, Research Manager für Deep Learning und Certification beim Software Competence Center Hagenberg, im Gespräch mit brutkasten. Seit vier Jahren ist er an der Konzipierung des Zertifizierungsprozesses beteiligt.
In einem Entwurf eines Positionspapier von Nessler, Sepp Hochreiter (JKU) und Thomas Doms, Sicherheits- und KI-Experte des TÜV Austria, betonen diese die Notwendigkeit der statistischen Prüfung. Man stelle sich ein neues Küchenmesser vor. Wie beim Machine Learning wird es trainiert: An reifen Wassermelonen, Äpfeln, grünem Brokkoli und anderem Gemüse. Ist das Training abgeschlossen, versucht man es zu nutzen. Zwar klappe es bei den genannten Objekten, bei anderen tauchen aber Probleme auf: Es schneidet bei Äpfel der Boskop-Sorte nicht durch, Gurken werden zerquetscht, auch die Anwendung bei unreifen Melonen oder außerhalb der Küche ist nicht einwandfrei möglich.
„Wenn ich die Anwendung trainiert habe, mit etwas zu funktionieren, dann ist sie dafür optimiert“, erklärt Nessler. Wichtig sei zu wissen, wie gut sie bei anderen Fällen arbeitet, die wir erwarten würden. Daher sei die Definition entscheidend für die Beurteilung der Funktionalität, die auch Risiken bzw. Aspekte wie Sicherheit und Fairness umfasst.
Anwendungsweck genau definieren
„Wir können nicht sagen: Das Messer ist zum Gemüse schneiden.“ Das wäre laut Nessler zu vage und daraus würden „schlechte und unzuverlässige Modelle“ werden, die unvorhersehbar sind. Besser wäre beispielsweise zu fragen, wie zuverlässig funktioniert das Messer, wenn ich in einer europäischen Haushaltsküche Gemüse schneide, das zur Zubereitung einer Mahlzeit vorgesehen und im Supermarkt erhältlich ist.
Alle möglichen Fälle wären unmöglich zu prüfen. Man müsse etwas definieren, wo einzelne Samples gezogen werden können. Also in diesem Fall zufällige Testobjekte in Haushaltsküchen in Europa. „Das macht man dann 10.000 Mal – dann kann ich eine Prozentzahl ermitteln und ein statistisches Maß definieren.“ Alle anderen Messmethoden seien eine „Illusion“. Bei Anwendungen wie einem KI-Bildgenerator sei das nicht so tragisch. „Jetzt stelle man sich statt dem Messer aber einen Küchenroboter vor, der den Nutzer:innen schaden kann“, sagt Nessler.
Abgesehen von der Funktionalität, müsse man Nessler nach auch die Definition selbst prüfen. Dabei beachtet man unter anderem auch den ethischen Aspekt. „Wenn eine Anwendung bis auf 2 Prozent bei allen Menschen in Europa funktioniert, aber jene 2 Prozent eine bestimmte Ethnie betreffen, dann haben wir ein Problem mit der Gleichbehandlung.“
Lücke im AI Act
Der AI Act ist das weltweit erste Gesetz für KI-Regulierung. Nessler sieht das Gesetzespaket kritisch: „Es fehlt die echte Prüfung der Funktion nach mathematischen Machine-Learning-Methoden, die seit 40 Jahren wohlbekannt sind.“ Den verantwortlichen EU-Beamt:innen mangle es an Verständnis. Zwar habe man Expert:innen zugezogen, allerdings sei es laut Nessler schon allein nicht einfach zu bestimmen, wer tatsächlich die entsprechende Expertise aufweist. Von jenen „absolut höchst gefragten“ Wissenschafter:innen gäbe es auch „ganz Wenige“.
Gut abgedeckt sei hingegen die Dokumentation und transparente Einsicht. Nessler befürchtet allerdings, dass dafür von kleineren Startups viel Arbeitszeit und Arbeitskraft gefordert wird, die wiederum beim Nachweis der funktionalen Vertrauenswürdigkeit fehlen könnte.
Langwierige Verbesserungen
Nach dem sich das EU-Parlament am 14. Juni über seine Verhandlungsposition entschieden hat, hat der Trilog unmittelbar begonnen. „Die Grundrichtung und die Grundprinzipien des AI Acts, nämlich der risikobasierte Ansatz, die Anknüpfung an eine KI-Definition und die Ausrichtung auf Elemente von vertrauenswürdige KI werden bleiben. Im Detail können und werden sich sehr wahrscheinlich noch Aspekte und Weichenstellungen im AI Act ändern“, erklärt Jeannette Gorzala, Rechtsanwältin und Vizepräsidentin des Europäischen KI-Forums.
Laut Gorzala wird erwartet, dass der AI Act Ende des Jahres beschlossen wird und etwa 2025 voll anwendbar ist. Danach dürfte es dauern bis etwaige Verbesserungen vorgenommen werden. „Die Effekte und die Umsetzung des AI Acts wird von den europäischen Gesetzgebern für einen Zeitraum von rund 5 Jahren beobachtet, damit wären wir ab Inkrafttreten schon bei 2030.“ Wie schnell Anpassungen hänge aber von den angedachten Änderungen ab. „Je umstrittener, desto länger wird der Prozess dauern“, sagt Gorzala.
Große Nachfrage, aber noch keine Zertifikate
Laut Nessler stehen für das TÜV-Austria-Zertifikat schon einige Klienten in der Pipeline. Von Startups oder Produktentwickler:innen, die vor der Gründung stehen bis hin zu größeren Unternehmen aus dem Medizin- und Automobilbereich sowie anderen größeren Industrien. Namen dürfe er noch nicht nennen.
Im TÜV-Austria-Prüfkatalog werden unterschiedliche Ebenen behandelt von der Datenquelle, Zuverlässigkeit bis hin zu ethischen Fragen. Pilotprojekte werden aktuell schon untersucht. Zertifikate wurden bis jetzt noch nicht erteilt. Laut Nessler seien auch viele Anwendungen noch nicht soweit, um ein Zertifikat zu erhalten.
Vom Editor zur KI: Wie Neuron Automation aus St. Pölten durch vier Jahrzehnte Tech-Wandel navigierte
Aus einer kleinen Softwareschmiede ist in den vergangenen vier Jahrzehnten ein international tätiges Unternehmen für Industrieautomatisierung entstanden. Mit Fokus auf funktionale Sicherheit, KI und wiederkehrende Softwareerlöse will Neuron Automation nun die nächste Wachstumsphase einläuten. Die drei Gründer erzählen von diversen Wandlungsphasen der vier Dekaden, Krisen und hybrid-basierten Plänen zur weiteren Steigerung der Profitabilität.
Vom Editor zur KI: Wie Neuron Automation aus St. Pölten durch vier Jahrzehnte Tech-Wandel navigierte
Aus einer kleinen Softwareschmiede ist in den vergangenen vier Jahrzehnten ein international tätiges Unternehmen für Industrieautomatisierung entstanden. Mit Fokus auf funktionale Sicherheit, KI und wiederkehrende Softwareerlöse will Neuron Automation nun die nächste Wachstumsphase einläuten. Die drei Gründer erzählen von diversen Wandlungsphasen der vier Dekaden, Krisen und hybrid-basierten Plänen zur weiteren Steigerung der Profitabilität.
Wir schreiben das Jahr 2006. Irgendwo über den Wolken sitzt Michael Kübeck in einem Flugzeug. Der Private-Equity-Investor, der nach Jahrzehnten bei Philips in Wien eine eigene Firma gegründet hat, sucht nach spannenden Zielen für seine Privatinvestoren. Eine Startup-Szene, wie wir sie heute kennen, existiert in Österreich noch nicht. Im Flieger schlägt das Schicksal zu und er kommt mit einem Bekannten ins Gespräch. Der erzählt ihm von einer kleinen, hochspezialisierten Wiener Softwarefirma im Bereich der Industrieautomatisierung.
Zwei der Gründer wollen aussteigen, ein anderer – Heinrich Steininger – will weitermachen. Kübeck wird hellhörig. Er ahnt damals noch nicht, dass dieser Flug der Startschuss für eine bemerkenswerte Transformationsgeschichte der österreichischen Tech-Industrie werden wird: die Evolution eines stillen Hidden Champions zum international vernetzten Unternehmen.
Die Anfänge von Neuron Automation
Die Wurzeln des 2025 auf Neuron Automation (bis vor kurzem noch als logi.cals firmierend) umbenannten Unternehmens reichen tief in die 80er Jahre hinein. Heinrich Steininger, damals Student der technischen Mathematik, programmiert nebenbei Steuerungen für Kläranlagen und Mischfutterwerke. Als 1986 die Anfrage kommt, ein Programm zu schreiben, das aus, in einem CAD-Programm gezeichneten, Funktionsplänen den Code für eine Steuerung generiert, weigert er sich im „jugendlichen Übermut“, wie er erzählt. „Das kann man schon so tun, aber ich halte das für keine gute Idee“ war seine damalige Antwort. „Wenn, dann sollte man das ordentlich machen.“ So entwickelte über den Sommer einen kompletten Editor.
Ein mutiger Schritt, der sich auszahlt. Ein großer Kunde wird aufmerksam, gibt Geld, und die Firma wird gegründet. Das Unternehmen (Anm.: damals noch Kirchner Soft, ab 2007 logi.cals) wächst organisch, stets nah am Kunden. Ohne Venture Capital, aus dem eigenen Cash Flow heraus, etabliert sich die Firma als Hidden Champion.
Ein Drittel aller globalen Wasserkraftwerke wird bald mit ihrer Software laufen – ebenso wie ein Großteil der Tachos und Zentralsteuergeräte in Autobussen weltweit. Ein interessantes Detail am Rande ist die Marktstellung eines führenden internationalen Anbieters von Fahrzeugelektronik. Das Unternehmen hält bei Tachos und Zentralsteuergeräten in Bussen einen Marktanteil von 80 Prozent. In der Praxis bedeutet dies: Wer in Wien mit einem Bus fährt und den Haltewunsch Knopf drückt, löst mit sehr hoher Wahrscheinlichkeit eine Funktion aus, die mit dem Editor von logi.cals programmiert wurde.
„Ganz wichtig war, dass wir relativ rasch erkannt haben, dass wir das System öffnen mussten“, erinnert sich Steininger. „Uns war klar, dass wir anderen Steuerungsherstellern die technische Anbindung ihrer Steuerungen erleichtern müssen. Das war damals nicht unbedingt üblich. Deshalb haben wir uns überlegt, wie wir das umsetzen können, welches Framework dafür geeignet ist, und dabei einige spannende Dinge entwickelt. Das hat uns ermöglicht, über die nächsten Jahre und Jahrzehnte zwar moderat, aber kontinuierlich gut zu wachsen. Und auch mehr als 20 Jahre später ist das Unternehmen nach wie vor profitabel.“
2007: Das Jahr der Weichenstellung
Mit dem Einstieg von Michael Kübecks Investorennetzwerk 2007 werden somit die Weichen auf Wachstum gestellt – doch dann schlägt 2008 die globale Finanzkrise ein. Von einem Tag auf den anderen brechen zwei Drittel des Umsatzes weg.
Zusperren ist in dieser Situation dennoch keine Option. Stattdessen nutzt das Team die Krise für einen radikalen Schnitt. Das Kernprodukt wird technologisch komplett neu aufgesetzt (Re-Engineering), erneut gestemmt durch die finanzielle Rückendeckung von Privatinvestoren, die an die Substanz der Firma glauben.
Diese Überlebensfähigkeit in Krisenzeiten zieht sich wie ein roter Faden durch die Unternehmensgeschichte – getragen von Vertrauen und Beziehungspflege. Als das Unternehmen später Kredite benötigt, verzichtet man auf vage Versprechungen und legt den Banken stattdessen 15-seitige, schonungslos transparente Sanierungs- und Entwicklungspläne vor. Das Resultat: Die Banken vertrauen dem Team, die Kreditlinien fließen und Transparenz schlägt Pitch-Deck-Geschwaffel.
2016 folgt der nächste essentielle Schritt des Unternehmen: Es kommt Michael Plankensteiner als neuer CEO an Bord. Und bringt frischen Wind mit sich: Nach Stationen bei Boston Consulting Group (BCG) und als Sanierer der Industriegruppe Industrie Holding Operations suchte Plankensteiner Anfang 2016 eine neue unternehmerische Herausforderung. „Ich habe gemerkt: Nach all den Jahren Beratung und Sanierung habe ich keine Lust, dauernd als Söldner in Projekte rein- und dann wieder rauszugehen“, sagt er. Der Unternehmergeist war für ihn nicht neu: Sein Großvater führte einen Greißler-Betrieb in der Südsteiermark, zudem gründete er bereits vor seiner Zeit bei BCG gemeinsam mit Partnern das Karriereservice der Universität Wien.
Das Abhängigkeitsproblem
So tat er sich mit Steiniger und Kübeck zusammen und hatte eine strategische Antwort auf das Abhängigkeitsproblem der beiden: Fokussierung durch M&A (Mergers & Acquisitions). Der erfahrene Berater und Sanierungsexperte analysiert die Lage schonungslos: Das Unternehmen hat zwar eine technologisch brillante Basis, macht aber einen Großteil des Umsatzes mit wenigen großen Kunden. Eine gefährliche Abhängigkeit. Zudem drückt ein deutscher Mitbewerber auf den Markt, der zehnmal so groß ist.
„Das Spannende war, die logi.cals hatte zu dem Zeitpunkt fünf Kunden, mit denen sie 80 Prozent ihres Umsatzes gemacht hat – und alle fünf waren Weltmarktführer“, sagt Plankensteiner. Darunter sehr prominente Unternehmen, deren Namen jedoch ungenannt bleiben sollen. „Alle haben auf unseren Engineering-Editor geschworen. Und trotzdem hatten wir knapp über zwei Millionen Euro Umsatz und waren so am Rande der Profitabilität. Die Frage war: Wo ist eigentlich der Hebel?“
Der Grund für diese Situation lag u.a. in der damaligen Entwicklungsstruktur. Der Editor war zwar ab 2011 durch die gemeinsame Initiative von Steininger und Kübeck neu entwickelt worden, aber 2016 fehlte es an Ressourcen, um das Produkt weiter zu skalieren.
„Wir hatten zehn Entwickler, aber eigentlich keine Investitionen, um die Entwicklung zu pushen. Vieles ist mit den fünf Kunden passiert, dadurch ist relativ viel in die Kundenarbeit geflossen und wenig ins Produkt“, so Plankensteiner. Gleichzeitig war klar, dass ein direkter Wettbewerb mit dem größeren Konkurrenten Codesys nicht sinnvoll war. „Die waren damals ungefähr zehnmal so groß wie logi.cals und hatten rund 100 Entwickler. Hinter denen herzufahren, machte keinen Sinn. Deswegen habe ich gesagt: Wir brauchen eine Fokussierung. Wir brauchen eine Nische in der Nische, damit wir mit weniger Firepower schneller zeigen können, dass wir mehr draufhaben als der Mitbewerber.“ Diese Nische wurde folglich 2017 in Deutschland gefunden.
Die Firma ISH, 1989 gegründet von Axel Helmert, hatte sich auf auf Funktionale Sicherheit (Functional Safety) spezialisiert. Helmert war auf der Suche nach einem Nachfolger – und fand ihn in dem österreichischen Team. 2019 wurde die ISH gekauft und gilt bis heute firmenintern als ein strategisches Masterpiece: Das Engineering-Know-how der Österreicher verschmilzt mit der Safety- und TÜV-Kompetenz der Deutschen. Und so wurde das Unternehmen plötzlich Experte für „Functional Safety“.
Functional Safety
Zur Erklärung: funktionale Sicherheit ist der Teil der Automatisierung, der dafür sorgt, dass eine Maschine abschaltet, bevor Menschen oder die Umwelt zu Schaden kommen. Ein japanischer Automatisierungs-Chef formulierte es bei einem Abendessen in Siegen, Deutschland, gegenüber Investor Kübeck einst so, wie er erzählt: „Safety is a pain in the ass“, hatte jener salopp formuliert.
„Sie betrifft vielleicht nur 15 Prozent einer Anlage, frisst aber dreimal so viel Aufwand. Alles muss redundant ausgelegt sein, jeder Fehler muss vorab überlegt, dokumentiert und beherrschbar gemacht werden. Für Techniker, die Maschinen eigentlich zum Laufen bringen wollen, ist die Programmierung von Not-Aus-Szenarien und Fehlerbeherrschung extrem frustrierend und teuer. Funktionale Sicherheit sagt man immer so leicht daher. Es ist ein Feature der Automatisierung, das eigentlich jeden nervt, aber total wichtig ist, weil es überall dort gebraucht wird, wo es um Menschenleben geht“, betont Kübeck.
Ein zentrales Prinzip dabei sei Redundanz: Steuerungen werden mehrfach ausgelegt, damit Ausfälle verhindert werden. Eine Besonderheit des Marktes: Die Zertifizierung funktionaler Sicherheit erfolgt weltweit über den deutschen TÜV. „Der Japaner muss sich mit dem deutschen TÜV auseinandersetzen, der Franzose und auch der Amerikaner. Das ist für viele die Hölle.“
Vorteil durch Netzwerk
Genau hier sieht Kübeck einen Wettbewerbsvorteil von logi.cals: Mit Helmert habe das Unternehmen nicht nur technisches Know-how, sondern auch ein tiefes Verständnis für die TÜV-Prozesse und ein gewachsenes Netzwerk aufgebaut. „Er kennt dort alle , ruft an und sagt, ‚wir haben die und die Idee‘. Das ist unglaublich viel wert.“
Funktionale Sicherheit stellt technisch besondere Anforderungen an die Entwicklung. „Für einen Programmierer ist es psychologisch gar nicht so einfach, sich da hineinzudenken“, erklärt Plankensteiner. „Während klassische Automatisierung darauf abzielt, Anlagen zuverlässig am Laufen zu halten, muss funktionale Sicherheit sicherstellen, dass Systeme im Gefahrenfall kontrolliert abschalten.“
Zwei zentrale Säulen
Die beiden zentralen Säulen seien dabei Fehlervermeidung und Fehlerbeherrschung. „Bei der Fehlervermeidung geht es darum, im Entwicklungsprozess sicherzustellen, dass möglichst wenige Softwarefehler entstehen. Die Anforderungen an Entwicklung und Tests sind dadurch deutlich höher.“ Gleichzeitig müsse ein System auch dann sicher bleiben, wenn Fehler auftreten – etwa durch technische Defekte oder unerwartete Ereignisse“, so der CEO weiter.
Mit der Übernahme der ISH 2019 baute logi.cals genau diese Kompetenz weiter aus und entwickelte daraus ein breiteres Angebot. Heute verbindet das Unternehmen Dienstleistungen mit eigenen Technologien und arbeitet an einer Transformation hin zu einem stärker lizenzbasierten Geschäftsmodell. „Unser Ziel ist, funktionale Sicherheit schneller, günstiger und investitionssicherer zu machen“, so Plankensteiner. Auch KI spielt dabei eine Rolle: Mit einem neuen Ansatz will das Trio die Entwicklung sicherer Automatisierungslösungen weiter vereinfachen und hat dafür bereits ein Patent beantragt.
Man muss wissen, dass Künstliche Intelligenz in der funktionalen Sicherheit lange als unmöglich galt, da KI von Natur aus indeterministisch (also in ihren exakten Ergebnissen schwer vorhersehbar) sei. Doch dem Team ist es gelungen, einen Ansatz zu entwickeln, der KI-gestütztes Programmieren in diesen starren Zertifizierungsrahmen presst.
Das Ende der Bewegung
„Denken wir an humanoide Roboter, wie sie derzeit von großen Tech-Visionären entwickelt werden. Damit so ein Roboter einem Menschen im Alltag nicht den Arm bricht, müssen seine Gelenke über Sensorik erkennen, wenn ein Mensch zu nah kommt. Das Gelenk muss die Bewegung verlangsamen und notfalls blockieren“, sagt Plankensteiner. „Ein Kunde in der Schweiz liefert für einen namhaften Humanoiden die Automatisierung im Gelenk. Die Entwicklung der Hardware dazu, die Firmware und die funktionale Sicherheit kommen von uns“, präzisiert er.
Diese komplexe, sicherheitskritische Programmierung für das Gelenk übernimmt künftig (Anm.: ab nächsten Jahr am Markt) der „Neuro Transformer“ von Neuron Automation. Er nimmt, eigenen Angaben nach, dem Programmierer 90 Prozent der repetitiven, fehlervermeidenden Code-Arbeit ab. Der menschliche Ingenieur steige so in die Rolle des Architekten und Reviewers auf, während die KI zunehmend die Umsetzung übernimmt.
Der geplante Wandel von Neuron Auromation
Dass Technologie allein jedoch nicht reicht, das weiß das Team. Jahrzehntelang war das Unternehmen stark im Projektgeschäft tätig. Das bedeutet: 70 Prozent einmalige Dienstleistungsumsätze (Non-Recurring), 30 Prozent Lizenzen (Recurring). Der Plan bis 2030 sieht eine komplette Umkehrung vor.
Durch hardwareunabhängige Sicherheitslösungen und KI-Tools wie den „Neuro Transformer“ möchte sich das Unternehmen in ein hybrides Modell transformieren: Die Zielvorgabe lautet 70 Prozent Recurring Revenue (wiederkehrende Lizenzen) und 30 Prozent Dienstleistung. Die Projektarbeit bleibt dabei die Antenne zum Markt, um Innovationen überhaupt erst zu erkennen, während das Softwaregeschäft die Profitabilität jenseits der 20-Prozent-Marke treiben soll. So der Plan.
Die DNA des Erfolgs
Allgemein ist festzustellen, dass sich besonders ein Faktor durch die Historie von Neuron Automation zieht. Es ist eine DNA der Zusammenarbeit: Ob es der Einstieg von Kübeck war, die Übernahme von Axel Helmerts Lebenswerk oder das Halten von Schlüsselfiguren über Jahrzehnte hinweg: Alles basiert auf einem tiefen Verständnis von Beziehungen und Partnerschaften.
„Bei uns gibt es keine Schauspieler“, sagt Plankensteiner. „Wenn die Eigentümer, die Entwickler, die in St. Pölten sitzen und die Zukäufe in Deutschland nicht auf einer extrem vertrauensvollen, menschlichen Basis kommunizieren würden, wäre ein solcher Wandel unmöglich gewesen. Innovation entsteht hier oft im Joint-Development – Hand in Hand mit den Kunden, die wir nicht als reine Käufer, sondern als Entwicklungspartner sehen.“
Blick ins nächste Jahrzehnt
Heute steht Neuron Automation, bei 16 Millionen Euro Umsatz und 135 Mitarbeiterinnen und Mitarbeitern. Der Vorsprung der einst übermächtigen Konkurrenz sei drastisch geschmolzen. Durch M&A, sensibles Cash-Flow-Management, Branchenvertrauen und eine besondere KI-Lösung für funktionale Sicherheit .
„Der Wettbewerber ist – statt zehnmal – heute nur noch dreimal so groß. Und sein Vorsprung ist deutlich kleiner geworden. Wir sind technologisch aus unserer Sicht, und das bestätigen unsere Kunden (und auch die des Konkurrenten), deutlich voraus“, sagt Plankensteiner. „Wir haben nicht mehr ‚zehn Jahre Nachteil‘. Als ich 2016 zu Steiniger und Kübeck dazugestoßen bin, war er (Anm.: Der Konkurrent) seit 2006 mit seinem Engineering-Tool breit im Markt unterwegs. Jetzt hat er nur mehr ein Jahr Vorsprung. Schauen wir, was beim nächsten Sprung passiert.“
Die Pipeline von Neuron Automation sei zudem bereits gut gefüllt: Erste Kunden starten noch vor der geplanten Zertifizierung´, wie Planeksteiner mitteilt: „Der erste Schritt unserer Transformation passiert dann zwischen 2028 und 2030. In dieser Zeit wollen wir die 20-Millionen-Euro-Umsatz-Grenze deutlich überschreiten und uns auch klar über 20 Prozent Profitabilität bewegen. Mit dem zunehmenden Anteil des Lizenzgeschäfts soll dann die Marge auch weiter steigen.“
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.
Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?
Der Inhalt des Artikels hat gesellschaftspolitische Auswirkungen, da er auf die Notwendigkeit von Zertifikaten für KI-Anwendungen hinweist, insbesondere für Anwendungen, die eine hohe Verlässlichkeit aufweisen müssen. Dies ist von Bedeutung für die Sicherheit und Funktionalität von KI-Anwendungen in verschiedenen Bereichen wie dem Gesundheitswesen, der Automobilindustrie, der Produktion und dem Alltag. Die Einführung von Zertifikaten und Prüfverfahren kann dazu beitragen, das Vertrauen in KI-Anwendungen zu stärken und die ethischen und rechtlichen Aspekte von KI zu berücksichtigen.
Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?
Das Machine-Learning-Zertifikat „Trusted AI“ des TÜV Austria hat das Potenzial, die Anwendung von KI-Anwendungen sicherer zu machen und das Vertrauen der Verbraucher und Unternehmen zu stärken. Unternehmen aus verschiedenen Branchen, darunter Medizin und Automobil, haben bereits Interesse an dem Zertifikat gezeigt. Eine erfolgreiche Zertifizierung könnte dazu beitragen, das Risiko potenzieller Schäden durch fehlerhafte KI-Anwendungen zu reduzieren und gleichzeitig die Akzeptanz von KI zu erhöhen.
Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?
Als Innovationsmanager:in sollten Sie sich mit den aktuellen Entwicklungen im Bereich der Künstlichen Intelligenz und der Zertifizierung von KI-Anwendungen auseinandersetzen. Das Trusted AI-Zertifikat vom TÜV Austria ermöglicht Unternehmen, die Verlässlichkeit von Machine-Learning-Anwendungen nachzuweisen und somit das Vertrauen der Kunden und der Öffentlichkeit zu stärken. Es ist wichtig, dass KI-Anwendungen ein entsprechendes Gütesiegel vorweisen können, insbesondere bei sicherheits- oder finanzkritischen Anwendungen. Daher sollten Sie sich über das Zertifizierungsschema informieren und gegebenenfalls prüfen, ob es für Ihre innovativen KI-Projekte relevant und nützlich sein könnte.
Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?
Als Investor:in ist es wichtig, KI-Anwendungen zu unterstützen, die über ein zuverlässiges Gütesiegel verfügen. Der TÜV Austria hat in Zusammenarbeit mit der Johannes Kepler Universität Linz und dem Software Competence Center Hagenberg ein Machine-Learning-Zertifizierungsschema namens „Trusted AI“ entwickelt, das eine statistische Prüfung der Funktionalität und Definition von KI-Anwendungen beinhaltet. Dies kann dazu beitragen, das Risiko unvorhersehbarer Probleme und ethischer Fragen bei der Verwendung von KI zu minimieren, was für Investitionen in diesem Bereich von Bedeutung sein kann.
Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?
Das Thema der Zertifizierung von Künstlicher Intelligenz (KI) wird in Zukunft immer wichtiger werden, wenn es um verlässliche KI-Anwendungen in verschiedenen Bereichen wie der Automobil- und Medizinindustrie geht. Dieser Artikel beschreibt eine neue Zertifizierungsmethode für KI-Anwendungen namens „Trusted AI“, die von TÜV Austria, der Johannes Kepler Universität Linz und dem Software Competence Center Hagenberg entwickelt wurde. Als Politiker:in ist es wichtig, sich über solche neuen Entwicklungen im KI-Bereich auf dem Laufenden zu halten und die Regulierung und Standards für KI-Anwendungen zu überwachen.
Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?
Der Artikel behandelt die Entwicklung eines Machine-Learning-Zertifizierungsschemas namens Trusted AI durch den TÜV Austria in Kooperation mit der Johannes Kepler Universität Linz und dem Software Competence Center Hagenberg. Die Zertifizierung beurteilt KI-Anwendungen auf ihre Funktionalität, Sicherheit und Fairness. Eine korrekte Definition des Anwendungswecks und die statistische Prüfung sind von wesentlicher Bedeutung. Experten äußern auch Bedenken hinsichtlich des AI Acts, des weltweit ersten Gesetzes für KI-Regulierung, aufgrund von fehlenden Prüfungsmethoden und möglichen Auswirkungen auf kleinere Start-ups. Das TÜV-Austria-Zertifikat stößt laut Experten auf eine hohe Nachfrage, aber es wurden noch keine Zertifikate erteilt.