Die Entwicklung der Künstlichen Intelligenz (KI) schreitet unaufhaltsam voran und wandelt sich zunehmend vom Experiment zur praktischen Anwendung. Für 2025 ergeben sich zwei zentrale Fragen: Welche KI-Lösungen funktionieren in der Praxis, und wo lohnt sich deren Einsatz?
Während einige bereits an der nächsten KI-Revolution arbeiten, kämpfen andere Unternehmen noch mit der Integration. Experten von Neo4j, einem Anbieter von Graphdatenbanken, beleuchten neue KI-Ansätze, die Rolle von Graphtechnologien und zukünftige Erfolgsfaktoren.
1. KI-Adoption zwischen Vision und Realität
KI scheint oft wie ein riskantes Experiment mit ungewissem Ausgang. Dennoch sind die Investitionen auch 2024 weiter gestiegen: Cloud-Anbieter erweitern ihre Rechenzentren, KI-Anbieter verbessern Modelle, und Superchip-Hersteller Nvidia eilt von einem Rekord zum nächsten. Im Arbeitsalltag ist Generative AI (GenAI) bereits weit verbreitet – Entwickler nutzen sie routinemäßig. In Deutschland greifen sogar 49 % der Arbeitnehmer trotz möglicher Verbote weiterhin auf KI-Lösungen wie ChatGPT zurück.
Gleichzeitig bleibt die Integration von KI in Unternehmen eine Herausforderung, insbesondere in Europa. Regulatorische Unsicherheiten, fehlende Strategien und unklare Anwendungsfälle bremsen den Fortschritt. Obwohl die Ausgaben für KI steigen, bleibt der erwartete Nutzen oft aus.
Der Hype um GenAI ist laut Gartner Hype Cycle bereits im Abflachen, und 2025 muss sich zeigen, ob diese Technologie ihre Versprechen halten kann.
2. Agentic AI: Die neuen Workflow-Agenten
Während viele Unternehmen noch an der Umsetzung bestehender KI arbeiten, gehen die Entwicklungen weiter. 2023 plauderten Anwender mit Chatbots. 2024 übernehmen KI-Agenten gleich komplette Workflows und Routineaufgaben. Diese „Agentic AI“ nutzt Werkzeuge wie Datenbanken, Schnittstellen oder Service-Integrationen.
Die agentenbasierte KI verfügt über „Chaining“-Fähigkeit und kann so eine Abfrage in einzelne Schritte aufteilen und sie der Reihe nach und zudem iterativ abarbeiten. Dabei agiert sie dynamisch, plant und ändert Aktionen kontextbedingt und delegiert Teilaufgaben an diverse Tools.
Agentic AI ist nicht neu. Im nächsten Jahr könnte die KI jedoch eine ähnliche Erfolgsstory wie GenAI hinlegen.
Anthropic präsentierte im Herbst KI-Agenten in Claude, die den Computer nahezu wie ein Mensch bedienen und dabei eigenständig tippen, klicken und im Internet recherchieren können. Auch Microsoft arbeitet an eigenen Agenten, die künftig Aufgaben in Bereichen wie Vertrieb, Kundensupport und Buchhaltung übernehmen sollen.
Das Outsourcen von Routineaufgaben an KI wirkt zwar verlockend, wirft aber auch Bedenken auf. Wie können die Agenten kontrolliert und im Notfall gestoppt werden? Wer trägt die Verantwortung, wenn etwas schiefläuft? Einen Chatbot um Vorschläge für eine E-Mail zu bitten, ist das eine – aber eine ganz andere Sache, wenn die KI eine Nachricht eigenmächtig an einen Geschäftspartner verfasst und verschickt.
Hinzu kommt, dass die Agenten Fehler machen oder sich sogar ablenken lassen können. In einer Demo legte Anthropics Claude beispielsweise plötzlich eine Pause ein und begann, im Internet nach Bildern des Yellowstone-Nationalparks zu suchen. Es bedarf klarer Kriterien, um die korrekte Ausführung zu überprüfen und angemessen auf Fehler zu reagieren.
3. Reasoning AI: Mehr Qualität durch „Nachdenken“
Reasoning AI ist ebenfalls nicht neu, aber äußerst interessant. Ähnlich wie bei GenAI generieren Large Language Models (LLMs) hier Antworten, nehmen sich jedoch spürbar mehr Zeit, um über die gestellte Frage quasi „laut nachzudenken“. Die Modelle wägen Optionen ab, entwerfen Lösungen und verwerfen diese wieder, bevor sie einen Vorschlag präsentieren.
Dieser Prozess dauert zwar länger, sorgt aber für eine deutlich höhere Qualität der Ergebnisse. OpenAIs KI-Modell o1 erreichte mit diesen logisch ausgelegten, mathematischen Fähigkeiten sogar die Top 500 der US-Mathematik-Olympiade (AIME).
Allerdings bringt Reasoning AI auch Herausforderungen mit sich: Der „Denkprozess“ (Chain of Thought) bleibt innerhalb des LLM verborgen und ist von außen nicht nachvollziehbar. Das „laute Nachdenken“ der KI geschieht somit tatsächlich im Verborgenen, was die Vertrauenswürdigkeit beeinträchtigt. Zudem machen die längere Laufzeit und die höheren Kosten diese Technologie eher für individuelle Forschungsprojekte geeignet als für Endanwender.
4. Artificial General Intelligence (AGI): Noch Zukunftsmusik
Während sich Agentic AI und Reasoning AI bereits in der Realität wiederfinden, bleibt Artificial General Intelligence (AGI) zumindest vorerst Science-Fiction. Es ist noch ein langer und größtenteils hypothetischer Weg, bis Künstliche Intelligenz mit der generischen menschlichen Intelligenz gleichzieht oder sie sogar übertrifft. So beeindruckend der KI-Sprung der letzten Jahre erscheint, gibt es immer noch sehr einfache Aufgaben, bei denen die KI dramatisch versagt (z. B. Scrollen und Drag-Drop-Funktionen).
Zudem ist ungewiss, ob der aktuelle Entwicklungsweg der KI überhaupt zu AGI führen wird – und vielleicht noch wichtiger, ob eine solche generelle höhere Intelligenz tatsächlich notwendig oder gewünscht ist. In den meisten Fällen dürfte der Fokus vielmehr auf der Spezialisierung der KI liegen.
5. Small Language Models (SLM): Effiziente Alternativen
Statt Science-Fiction wird es im Jahr 2025 für Unternehmen vornehmlich darum gehen, bestehende KI-Technologien effektiv in der Praxis zu nutzen. Dabei ist die Integration nicht nur eine Frage von Compliance und Expertise, sondern auch der Kosten. Sobald KI in großem Maßstab genutzt wird, ist sie – ähnlich wie die Cloud – alles andere als günstig.
Auf öffentlich verfügbaren Daten trainierte LLMs bieten zudem wenig Möglichkeiten, sich von anderen Anwendern und Wettbewerbern abzuheben. Deshalb fokussieren sich Unternehmen zunehmend auf vertikale KIs, die gezielt auf individuelle Use Cases und Bedürfnisse zugeschnitten sind und kontinuierlich verfeinert, optimiert und angepasst werden (Post Training).
Immer häufiger entscheiden sich Unternehmen für Small Language Models (SLMs) statt Large Language Models. Diese kleineren Modelle können in domänen- und branchenspezifischen Bereichen durchaus mit den Großen konkurrieren. Ihr Vorteil: Sie sind leichter zu kontrollieren und zu validieren (z. B. mithilfe von Knowledge Graphen), ihr Training mit hochqualitativen Daten ist schneller, und sie benötigen weniger als 5 % des Energieverbrauchs von LLMs.
Gerade angesichts des EU Green Deal und ESG-Reportings ist dies für Unternehmen ein wichtiger Aspekt. Zudem können hochwertige synthetische Trainingsdaten, die mit leistungsfähigen LLMs generiert werden, SLMs effizient „anlernen“.
6. All you need is Data: Daten als Erfolgsfaktor
Während KI-Anbietern wie OpenAI, Anthropic, IBM oder Google langsam die öffentlichen Daten ausgehen, beschäftigt Unternehmen vor allem die Verwendung ihrer eigenen Daten. Die Leistungsfähigkeit von KI hängt maßgeblich davon ab, wie gut Verantwortliche die Modelle mit eigenen Datensätzen verknüpfen und anreichern können – sei es durch Retrieval Augmented Generation (RAG), Fine-Tuning oder das Training eigener Modelle.
Datenqualität spielt dabei eine entscheidende Rolle. Zwar verfügen Organisationen meist über ausreichend strukturierte Daten, die bereits die Essenz ihres Geschäftsbetriebs abbilden, doch diese machen lediglich 10 % der verfügbaren Daten aus. Die übrigen 90 % bestehen aus unstrukturierten Daten wie Dokumenten, Videos oder Bildern.
Technologien wie GenAI, Natural Language Processing und Graphtechnologie tragen dazu bei, diese unstrukturierten Daten nutzbar zu machen. Knowledge Graphen beispielsweise repräsentieren unstrukturierte Daten so, dass LLMs sie als Kontext „verstehen“ können. Dabei erhalten sie dank der Graphstruktur ihre Reichhaltigkeit.
7. Graphtechnologie als Schlüssel
Graphen bieten als Netzwerk von Informationen eine ideale Repräsentation von Daten – unabhängig davon, ob diese strukturiert oder unstrukturiert sind. Ein Beispiel dafür ist GraphRAG: Der RAG-Ansatz kombiniert in GenAI-Anwendungen Knowledge Graphen als zusätzliche Quelle für domänenspezifische Daten.
Das führt zu präziseren, aktuelleren und besser erklärbaren Ergebnissen. Dabei gewinnen Graph Patterns zunehmend an Bedeutung. Diese Muster repräsentieren komplexe Informationen und können spezifische Arten anspruchsvoller Fragen beantworten.
Auch Graph Neural Networks (GNN) zeigen das Potenzial der Verbindung von KI und Graphen. Diese neuronalen Netze werden eingesetzt, um besonders schwierige Probleme zu lösen. Google DeepMind nutzt GNNs seit Jahren in verschiedenen Projekten, etwa für intelligente Wettervorhersagen (GraphCast) oder das KI-gestützte Design von Halbleitern (AlphaChip). Im November 2024 brachte Google die dritte Version von AlphaFold heraus, ein KI-System, das die Struktur von Proteinen und ihre Interaktionen mit Biomolekülen präzise vorhersagen kann.
Der Austausch zwischen Graphen und KI erfolgt auch in umgekehrter Richtung. LLMs unterstützen beispielsweise die Graph-Modellierung, fördern das Verständnis von Domain- und Modellstrukturen, interagieren mit den im Graphen gespeicherten Daten und helfen, neue Verknüpfungen zu identifizieren und zu erstellen.
8. KI prüft KI
Der Startpunkt, um KI-Anwendungen zu entwickeln, ist angesichts solcher Technologien mittlerweile recht einfach. Die Validierung und zuverlässige Integration in die Produktion hingegen erfordert jedoch erheblichen Aufwand. LLMs arbeiten probabilistisch, was bedeutet, dass sie Aussagen nur mit einer bestimmten Wahrscheinlichkeit generieren.
Im Jahr 2025 wird die Evaluation daher im Mittelpunkt stehen. Es werden Kontroll- und Feedbackmechanismen benötigt, um Fehlerfortpflanzung zu vermeiden, die Datenqualität zu prüfen und regulatorische Anforderungen zu erfüllen.
Traditionelle Methoden reichen oft nicht aus, weshalb auch KI zur Kontrolle eingesetzt wird. Schiedsrichter-LLMs können die Ergebnisse anderer LLMs überprüfen, auf ihre Korrektheit und Angemessenheit achten und unangemessene oder illegale Inhalte identifizieren. KI-basierte Fairness-Toolkits testen auf Data Bias.
Anthropic forscht im Moment an sogenannten Interpretable Features, die in den Modellen selbst enthalten sind und GenAI-Resultate in eine gewisse Richtung beeinflussen. Richtig umgesetzt, könnten diese Tendenzen gesteuert und als Sicherheitsmechanismen genutzt werden.
9. Einheitliche Kommunikation in der KI-Welt
KI interagiert mit Menschen, Maschinen und anderen KI-Modellen. In Chatbots antwortet die KI in natürlicher Sprache, doch die Tech-Welt ist mehrsprachig – andere Systeme verwenden z.B. Abfragesprachen oder API-Code. Zukünftig werden KI-Modelle auch verstärkt untereinander kommunizieren. Je mehr KI in bestehende IT-Infrastrukturen integriert wird, desto wichtiger wird es, entsprechende „Sprach“-Schnittstellen zu entwickeln.
Im Graph-Umfeld dienen LLMs als Dolmetscher, die Fragen in natürlicher Sprache in die Abfragesprache Cypher übersetzen (Text2Cypher). Langfristig stellt sich die Frage, ob eine einheitliche Verkehrssprache nötig ist, um eine dauerhafte Verständigung sicherzustellen und ein Sprachchaos á la Turm von Babel zu vermeiden. Oder ob gerade die Flexibilität der natürlichen und technischen Sprachen einen großen Vorteil in der Verwendung von LLMs darstellt.
10. Integration statt Neubau
In den letzten zwei Jahren war viel die Rede davon, GenAI-Systeme gänzlich neu zu bauen und quasi auf der grünen Wiese anzufangen. Die Realität sieht jedoch anders aus: Unternehmen blicken auf eine bestehende und komplexe IT-Infrastruktur, die sich nicht einfach auswechseln lässt. In der Praxis wird es daher hauptsächlich darum gehen, KI-Komponenten sinnvoll einzubinden bzw. bestehende Lösungen und Systeme mit KI-Fähigkeiten zu versehen.
Operativ braucht es ein Basis-Framework, in dem Richtlinien festgelegt, Prozesse vereinheitlicht und Ziele definiert werden – idealerweise unter Einbeziehung aller KI-Stakeholder (z. B. C-Level, Entwickler, IT, Compliance, Fachabteilungen).
Auf technischer Ebene muss KI in modulare, integrierbare Komponenten verpackt und diese an ausgesuchten Stellen (z. B. Nutzerinteraktion, Datenanalyse) integriert werden. Die Bewältigung der wachsenden Komplexität der Architekturen wird eine der zentralen Herausforderungen der kommenden Jahre sein – wobei KI möglicherweise auch hier unterstützend wirken kann.
(vp/Neo4j)
