Mit Kimchi und MiniMax M3 rückt ein neues Effizienzmodell in der KI-Programmierung in den Fokus: intelligente Modellwahl senkt Kosten drastisch, ohne die Code-Qualität zu opfern – und könnte Enterprise-Entwicklung grundlegend verändern.

Vier KI-Tools, ein Auftrag, nahezu identische Zukunftsszenarien: Ein Test aus der finnischen Zukunftsforschung zeigt, warum ChatGPT, Gemini, Claude und Co. bei Prognosen oft zum selben Ergebnis kommen, welches Verfahren wirklich dahintersteckt und was das für die Zukunftsplanung im Unternehmen bedeutet.

Eine präparierte Nachricht genügt: Persistente KI-Agenten können dazu gebracht werden, falsche Fakten dauerhaft in ihrem Gedächtnis zu speichern und in späteren Sitzungen als Wahrheit zu behandeln. Die Angriffstechnik MemGhost zeigt, wie real dieses Risiko bereits ist.

Die Fähigkeiten künstlicher Intelligenz entwickeln sich schneller als die dazugehörigen Sicherheitskonzepte.

RAG oder Fine-Tuning: Welcher Ansatz liefert für Unternehmens-KI wirklich mehr Wert? Ein erweiterter Entscheidungsrahmen mit Einschätzungen von Gartner, Forrester, IDC, KuppingerCole, Eckerson Group und BARC sowie einer Pro-und-Contra-Tabelle für die Praxis.

Wer darf auf welches KI-Modell zugreifen? Welche Unternehmensdaten fließen in eine RAG-Anwendung? Und was darf ein KI-Agent eigenständig ausführen? Mit generativer und agentischer KI wächst die Angriffsfläche um Modelle, Datenquellen, APIs sowie neue Berechtigungs- und Aktionspfade.

KI verändert nicht nur, wie Software entwickelt wird. Sie verändert auch, wie Entwicklerinnen und Entwickler ihren Beruf lernen.

Brauchen KI-Agenten dieselbe Führung wie ihre menschlichen Kolleginnen und Kollegen? Ja und nein, sagt Oliver Köth, Managing Director Technology & Innovation DACH bei NTT DATA.