Angewandte KI statt Zukunftsmusik. Hier siehst du, was in der Industrie heute schon funktioniert.

Begleiten Sie uns unter die Haube von Googles Physical AI Stack. Wir tauchen in die Frage ein, wie generative Weltmodelle (Genie 4) Text- und Videoprompts in Echtzeit in spielbare 3D-Trainingsarenen verwandeln, ohne monatelanges manuelles CAD-Rigging. Wir erklären, wie die Kombination mit DeepMinds MuJoCo-Warp 100-mal schnellere Physiksimulationen ermöglicht und riesige Mengen synthetischer Daten in Vision-Language-Action-Modelle einspeist. Schließlich zeigen wir, wie Gemini Robotics ER 2 als ultimativer robotischer Co-Pilot agiert: Koordination von Teamarbeit mehrerer Roboter, Live-Verfolgung von Aufgaben und zuverlässige Sicherheit für Menschen. Wenn Sie die nächste Generation von Robotik, intelligente Fabriken oder autonome Systeme entwickeln, ist dies das moderne Handbuch, um Ihre Modelle von Pixeln in physische Aktionen zu überführen.

Softwareagenten in SAP-Landschaften arbeiten mit Datensätzen. Ihr Input ist ein Dokument oder eine Transaktion, ihr Output eine Buchung. Beobachtungen aus der physischen Umgebung, wie der Zustand einer Anlage, gelangen in diese Datensätze nur, nachdem eine Person sie transkribiert hat. In den von uns untersuchten Inspektions- und Kontrollgängen ist dieser Transkriptionsschritt der Punkt, an dem die meisten Beobachtungen verzögert oder verloren gehen.

Die Session berichtet über eine Implementierung, die einen mobilen Roboter als Agenten desselben Typs integriert statt als separates System. Sie nutzt einen Plan-and-Execute-Agenten, die Orchestrierungs-, Autorisierungs- und Governance-Dienste der SAP BTP sowie eine vierbeinige Roboterplattform mit ROS 2. Der Unterschied zu einem Softwareagenten liegt ausschließlich im Eingabekanal, der sensorisch statt dokumentarisch ist. Der Ausgabepfad bleibt unverändert: eine Meldung zum Equipment in S/4HANA, mit demselben Audit-Trail und derselben Regel, was automatisch gebucht wird und was menschliche Genehmigung erfordert.

Wir trennen, was bereits im Betrieb ist, von dem, was erst konzipiert ist. Kommandoeingaben, Missionsplanung, Navigation und Wahrnehmung laufen heute auf der Plattform; das cloudseitige Wahrnehmungsmodell und Teile des Backend-Pfads befinden sich in der Entwicklung.

Das offene Problem ist weder Fortbewegung noch Objekterkennung, die beide als Standardkomponenten verfügbar sind. Es geht um die Zuordnung eines wahrgenommenen Objekts zu seiner Darstellung in den Stammdaten, das heißt, um Symbol Grounding gegenüber einem Unternehmensdatenmodell. Wir argumentieren, dass es sich um dasselbe Integrationsproblem handelt wie in Softwareagenten-Projekten, und untersuchen, was sich ändert, wenn die Referenz ein Sensormesswert statt eines Dokuments ist.

Auf der AICon Heidelberg im April fragte ich das Publikum, ob sie sich wohl dabei fühlen, Modelle zu verwenden, die sie nicht verstehen. Heute verlangen mehr Menschen Erklärungen – von Entwicklern, die auf LLMs und Agenten aufbauen, bis hin zu Prüfern und Regulierungsbehörden. Die Erklärungen selbst haben sich verändert, und manche Menschen fragen überhaupt nicht mehr. Wie kann erklärbare KI all diese Anforderungen erfüllen? Dieser Vortrag ist ein tiefgehender Einblick in die neue Welt der erklärbaren KI: aktuelle Forschung zu agentischen Systemen und Foundation Models für Tabellendaten, was Erklärbarkeit zur KI-Sicherheit beiträgt, und was das für Teams bedeutet, die heute KI-Produkte entwickeln, von der Prüfung bis zu Kundensystemen.

Birgit Fischer zeigt, wie KI-Agenten Wissen aus unterschiedlichen Quellen erschließen. Sina Ferfers-Heinold berichtet aus dem laufenden Projekt bei Glen Dimplex Deutschland: Wie wird aus einer technischen Lösung ein Werkzeug, das Mitarbeitende täglich nutzen, und wie sieht der Weg zum digitalen Service-Assistenten aus?

– Welche Anwendungsfälle im Service bereits heute erfolgreich unterstützt werden können

– Welche Voraussetzungen für Akzeptanz, Vertrauen und nachhaltige Nutzung geschaffen werden müssen

– Wie sich KI-Assistenten in den kommenden Jahren vom Antwortsystem zur aktiven Prozessunterstützung entwickeln

Ob neues Produktangebot, Recruiting-Kampagne oder Veränderungsprozess: Unternehmen treffen täglich Entscheidungen, die bei Kunden, Mitarbeitenden, Bewerber:innen oder Partnern Wirkung entfalten müssen. Häufig basieren diese Entscheidungen jedoch auf internen Annahmen – oder auf Zielgruppenbildern, die zwar dokumentiert sind, aber im Alltag kaum als echte Entscheidungsgrundlage dienen.

Genau hier setzt Persona Insights an – ein gemeinsames Entwicklungsprojekt von Fraunhofer IAO und Commha Consulting. Diese interaktive Masterclass zeigt, wie aus klassischen Persona-Profilen realitätsnahe, dialogfähige KI-Simulationen werden. Teams können mit diesen KI-Personas in den Austausch treten: Botschaften testen, Einwände verstehen, Anforderungen hinterfragen, Akzeptanzrisiken erkennen und Ideen aus Zielgruppenperspektive reflektieren.

Der Ansatz verbindet Praxiswissen aus Kommunikation, Change, Marketing und Zielgruppenarbeit mit wissenschaftlich fundierter Technologie und Evaluation. Ziel ist nicht eine weitere generische KI-Anwendung, sondern ein belastbarer Simulationsansatz, der Organisationen hilft, Entscheidungen früher und fundierter an den Perspektiven relevanter Zielgruppen auszurichten.

Die Teilnehmenden erhalten Einblick in die Erstellung von KI-Personas. In einer Live-Demo erleben sie, wie eine Persona auf konkrete Fragen, Angebote, Argumente oder Veränderungsszenarien reagiert – und wie daraus bessere Entscheidungen für strategische Kommunikation, HR und Changeszenarien entstehen können.

Die Masterclass richtet sich an Entscheider:innen aus Industrie, Mittelstand und technologieorientierten Organisationen, die KI nicht nur als Effizienzwerkzeug, sondern als Sparringspartner für bessere Entscheidungen nutzen möchten.

Eine praktische Einführung in Angriff und Abwehr bei KI-Anwendungen auf Basis großer Sprachmodelle, aus dem ERNW-Training „Hacking AI“. Direkte und indirekte Prompt Injection; das Auslesen von System-Prompts und vertraulichen Daten; Guardrails und wie sie umgangen werden; das Model Context Protocol (MCP) und seine Vertrauensannahmen; klassische Schwachstellen wie SQL Injection und Remote Code Execution in KI-Systemen.

Im zweiten Teil geht es um die Infrastruktur selbst betriebener LLMs: Model Serving, Chat-Oberflächen, RAG-Pipelines und API-Gateways – welche Standardeinstellungen Angreifer ausnutzen und wie man sie härtet. Für Penetrationstester, Application-Security-Engineers, Entwickler und Architekten; Vorkenntnisse in KI-Sicherheit sind nicht nötig.

Lange Zeit war Intelligenz für die meisten Unternehmen der entscheidende Engpass. Talente zu gewinnen, die zunehmend komplexe Probleme mit Intuition, Intelligenz und Wissen lösen konnten, unterschied großartige Unternehmen von lediglich guten.

Mit Frontier-Modellen wird Intelligenz zur Massenware, verfügbar für jeden mit einer Kreditkarte. Sie wird wie Wasser oder Strom bepreist, und ihre Kosten halbieren sich alle 18 Monate. Was wird also wertvoll?

Tobias Wasle hat zwei Rollen. Als Solutions Architect bei AWS setzt er Intelligenz jeden Tag für reale Probleme ein. Als Gründer von Wildschytz entscheidet er, welche Probleme es wert sind, gelöst zu werden. In dieser Keynote zeigt er, wie dieser tektonische Wandel verändert, was wertvoll ist, und stellt ein Framework vor, entstanden aus der Führung eines Erlebnisunternehmens bei täglicher Arbeit mit KI: wie man menschliche Verbindung mit Intelligenz skaliert, statt sie an sie zu verlieren. Das Publikum erfährt, wie KI die Jobs der Zukunft prägen wird, wie sich menschliche Verbindung und Fähigkeiten mit KI skalieren lassen und wie man einen dauerhaften Wettbewerbsvorteil für Karriere oder Unternehmen aufbaut.

Während generative KI den Schritt vom Experiment in den Unternehmenseinsatz macht, entscheidet nicht mehr nur das Modell selbst, sondern die Qualität, Struktur und Verfügbarkeit des Kontexts, auf den es zugreifen kann. Dieses Panel untersucht, wie Wissensgraphen, Vektorsuche und neue Kontextarchitekturen KI-Systemen ermöglichen, komplexe Zusammenhänge zu verstehen, relevantere Antworten zu liefern und sinnvolle Geschäftsaufgaben auszuführen. Die Diskussion bringt Perspektiven aus dem gesamten KI-Ökosystem zusammen und beleuchtet die Ökonomie von Enterprise-KI, von Retrieval-Strategien und Token-Effizienz bis zu skalierbaren Systemarchitekturen. Schließlich geht es darum, wie Organisationen über isolierte KI-Proofs-of-Concept hinaus zu produktionsreifen Lösungen kommen, die messbaren geschäftlichen Nutzen schaffen – und wie die nächste Generation kontextbewusster KI aussehen wird.

Was muss eine Erklärung leisten, und für wen? In dieser interaktiven Masterclass schlüpfen die Teilnehmenden in die Rollen verschiedener Zielgruppen, die mit derselben KI-Pipeline arbeiten: KI-Wissenschaftler prüfen, was ein Modell gelernt hat, Entwickler integrieren es in ein Produkt, Auditoren und Regulierer verfolgen Entscheidungen nach, und Endbenutzer entscheiden, was als Nächstes zu tun ist. Gemeinsam erkunden wir, welche Erklärungen für jede Zielgruppe geeignet sind, wo sie zu kurz greifen und welche bewährten Praktiken hilfreich sind, um erklärbare KI für reale Systeme zu entwerfen.

Kein Skript, keine Vorab-Absprachen: Unser Voicebot steigt live mit Ihnen in den Ring, schlagfertig, spontan und überraschend konkret. In dieser interaktiven Session führen wir einen echten Dialog mit dem Voicebot und dem Auditorium. Mit echten Fragen, spontanen Antworten und überraschenden Momenten erleben Sie, wie gut er Gespräche versteht, Zusammenhänge erkennt und natürlich reagiert.

Erleben Sie live, welche Möglichkeiten intelligente Sprachlösungen bieten und wie KI schon heute Teams unterstützen kann, indem sie die Kommunikation vereinfacht und wiederkehrende Aufgaben übernimmt. Auch für Unternehmen aus dem Industriebereich zeigen sich dabei konkrete Einsatzmöglichkeiten.

Zusammenspiel von Daten, Technologie und KI auf der einen Seite sowie Erfahrung, Intuition und Bauchgefühl aber auch Leidenschaft auf der anderen Seite

Generative KI hat gezeigt, wie leistungsfähig Sprachmodelle sein können. Doch in der Industrie entscheidet nicht Sprache über den Erfolg, sondern das Verständnis der realen Welt. Maschinen, Roboter und KI-Agenten müssen wissen, wo sich Menschen, Material, Fahrzeuge und Betriebsmittel befinden und wie sie sich bewegen.

Der Vortrag zeigt anhand praxisnaher Beispiele aus Produktion und Intralogistik, warum räumliche Daten die fehlende Dimension moderner Industrial AI sind. Dabei wird erläutert, welche Rolle der offene Standard omlox spielt, wie Unternehmen herstellerunabhängig Positionsdaten nutzen können und wie daraus neue Anwendungen von Materialflussoptimierung bis zur Zusammenarbeit zwischen Mensch und Roboter entstehen.

Der Vortrag richtet sich an Entscheider und Innovationsverantwortliche aus dem Mittelstand und gibt konkrete Orientierung, wie der Einstieg in Physical AI ohne technologische Sackgassen gelingt.

LÄPPLE Automotive hat eine eigene KI-Plattform programmiert und erfolgreich in der Konzerngruppe veröffentlicht. Markus Rosenfelder zeigt, wie die eigene KI-Software im Unternehmen eingeführt wurde (rund 2000 Mitarbeitende, Verwaltung und Produktion).

Außerdem geht es um die Frage Make or Buy: Wie kann ein mittelständisches Unternehmen heute eigene Software-Plattformen programmieren? Das Pendel schlägt stark nach Make um.

Generative KI hat die Art und Weise verändert, wie Unternehmen über Künstliche Intelligenz denken. Gleichzeitig wird KI in vielen Diskussionen auf ChatGPT/Copilot/Claude und Content-Generierung reduziert. Das führt häufig zu falschen Erwartungen und nicht immer zu den besten technologischen Entscheidungen.

In diesem Vortrag wirft Maryam Arabshahi, Data Scientist bei Bosch AIG, einen praxisnahen Blick hinter den GenAI-Hype. Sie vergleicht klassische KI mit generativer KI, erklärt die Funktionsweise beider Ansätze, zeigt ihre jeweiligen Stärken und Grenzen auf und erläutert, warum die richtige Technologie immer von der konkreten Problemstellung abhängt und nicht vom aktuellen Trend.

Anhand praxisnaher Beispiele aus der Industrie zeigt sie, warum klassische KI in vielen Anwendungsfällen weiterhin die bessere Wahl ist, insbesondere wenn Zuverlässigkeit, Genauigkeit, geringe Latenz und strukturierte Entscheidungsprozesse im Vordergrund stehen. Gleichzeitig wird deutlich, in welchen Szenarien generative KI ihr volles Potenzial entfalten kann. Die Teilnehmenden erhalten einen praxisorientierten Entscheidungsrahmen, um für unterschiedliche Anwendungsfälle die passende KI-Technologie auszuwählen, statt automatisch auf den aktuellen Hype zu setzen.

AIBOM (AI Bill of Materials) adressiert eine zentrale Herausforderung beim Einsatz von KI-Systemen: das Verständnis darüber, was tatsächlich in diesen Systemen steckt. Während Wissenschaftler Transparenz für Reproduzierbarkeit und Validierung ihrer Forschung benötigen, brauchen Unternehmen sie für Risikomanagement und die Erfüllung gesetzlicher Vorgaben. Mit der aktuellen Regulierungslandschaft, insbesondere dem EU AI Act, der Transparenz und umfassende Dokumentation fordert, wird AIBOM zu einem praktischen Werkzeug, das Unternehmen tatsächlich implementieren müssen. Das Konzept lehnt sich dabei an die bereits etablierte Software-Lieferkettensicherheit (SBOM) an, hebt aber gleichzeitig neue KI-spezifische Risiken hervor wie Datenherkunft, Modellqualität oder Schwachstellen in Trainingsdatensätzen. Die Sicherheitsdimension von AIBOM ist dabei von besonderer Bedeutung: Sie ermöglicht die Identifikation von Schwachstellen entlang der gesamten KI-Lieferkette, von den Trainingsdaten über verwendete Modellkomponenten bis hin zu nachgelagerten Abhängigkeiten. Damit wird AIBOM zu einem unverzichtbaren Instrument für die Absicherung kritischer KI-Infrastrukturen gegen Manipulationen und Angriffe. Für Unternehmen übersetzt sich AIBOM in konkrete Anwendungsfälle im operativen Geschäft. Für die Forschung bedeutet es die Etablierung von Standards und Best Practices in einem noch jungen Feld. Der Vortrag zeigt, wie AIBOM die Lücke zwischen der Black-Box-Natur moderner KI-Systeme und dem Bedürfnis nach Kontrolle und Nachvollziehbarkeit schließt.

Viele Unternehmen testen KI erfolgreich in einzelnen Anwendungsfällen: Dokumente zusammenfassen, Anfragen beantworten, Prozesse automatisieren. Die nächste Herausforderung beginnt dort, wo diese Lösungen skalieren sollen: Wie wird aus vielen punktuellen KI-Initiativen ein integriertes Steuerungssystem für die gesamte Organisation?

Der Vortrag zeigt anhand von KARO, wie sich KI praktisch als Steuerungsschicht über bestehende Organisations-, Prozess- und Architekturinformationen legen lässt. Im Fokus stehen dabei die konkreten Bausteine: ein gemeinsames Metamodell für Capabilities, Prozesse, Organisation, Daten und IT; die Anbindung von Dokumenten, Kennzahlen und Ereignissen; KI-gestützte Abhängigkeits- und Impact-Analysen; sowie Governance-Mechanismen für nachvollziehbare Empfehlungen und menschliche Freigaben.

An konkreten Beispielen wird gezeigt, wie KARO Fragen beantwortet wie:

Welche Prozesse, Systeme und Verantwortlichkeiten sind von einer neuen regulatorischen Anforderung betroffen?

Wo entstehen Abhängigkeiten, Risiken oder unnötige Komplexität?

Welche KI- oder Automatisierungsmaßnahmen haben den größten Hebel für die Wertschöpfung?

Wie werden Erkenntnisse aus Betrieb und Umsetzung in Standards zurückgeführt?

KARO bleibt dabei nicht bei der Analyse des Bestehenden. Auf Basis des Organisationswissens kann die KI neue Handlungsoptionen, Prozessvarianten und Lösungsansätze entwickeln, Zusammenhänge über Domänen hinweg kombinieren und Hypothesen in einer Breite erzeugen, die in der täglichen Arbeit oft nicht leistbar ist. So wird KI nicht nur zum Effizienzwerkzeug, sondern auch zum Impulsgeber für Innovation und zur Unterstützung bei der Neugestaltung von Wertschöpfung.

Nicht jede Organisation braucht sofort autonome Agenten. Aber jede Organisation braucht ein belastbares Lagebild, klare Entscheidungsleitplanken — und die Fähigkeit, Veränderungen zielgerichtet und innovativ in Wertschöpfung zu übersetzen.

KI-Agenten im Unternehmen scheitern selten an der Intelligenz der Modelle, sondern an ihrem Gedächtnis und an der Rechnung dafür. Wer Agenten über viele Sessions mit Kundenhistorie, Prozesswissen oder ERP-Daten arbeiten lässt, schiebt bei jedem Aufruf riesige Kontexte durchs Modell. Die Folge sind steigende Token-Kosten, längere Antwortzeiten und Agenten, die trotzdem das Wesentliche vergessen.

In dieser Masterclass zeigt Michael Neuberger, CEO und Erfinder von Semvec, wie dieses Problem grundlegend anders gelöst wird. Statt immer mehr Text in den Kontext zu packen, verdichtet Semvec Wissen in einem adaptiven semantischen Kontextzustand, ohne einen einzigen LLM-Aufruf beim Einlesen. In Benchmarks wie LOCOMO und LongMemEval erreicht Semvec rund 87 % weniger Tokens bei etwa achtfach schnellerer Ingestion als etablierte Memory-Lösungen.

Die Teilnehmenden erfahren, wo im Enterprise-Alltag die Token-Kosten tatsächlich entstehen, wie sich Agent Memory in bestehende Architekturen einfügt (von SAP über MongoDB Atlas bis Neo4j), und wie man Einsparpotenziale für die eigenen Use Cases realistisch abschätzt. Mit Live-Demo, echten Zahlen und konkreten Architekturmustern zum Mitnehmen.

Viele Organisationen führen agentische KI in beispiellosem Tempo ein, und einige, die bereits einen Teil des Weges gegangen sind, stehen vor neuen Fragen. In der Vergangenheit lautete die Frage oft: Kann KI das lösen? Für immer mehr Workloads lautete die Antwort in den letzten Jahren: Ja.

Während die Token-Preise bei vergleichbarer Intelligenz weiter fallen, hat sich der Ton verändert. Wenn Workloads von Proofs of Concept und Demos in die Produktion reifen, werden die Kosten zu einer echten Einschränkung. Statt „Funktioniert es?“ lautet die Frage nun: „Lohnt es sich?“

Um sie zu beantworten, müssen wir unser Verständnis von „es“ schärfen: der Arbeit, die agentische KI für uns erledigen soll. Auf dieser Grundlage lassen sich Workloads auf Kosten und Leistung optimieren.

Künstliche Intelligenz verändert nicht nur unsere Arbeitsweise, sondern definiert auch die Rolle der menschlichen Wertschöpfung neu. Andreas Loroch untersucht, warum technologischer Fortschritt sowohl persönliche als auch organisatorische Transformation erfordert. Der Schlüssel liegt in einem wirksamen Zusammenspiel zwischen Mensch und KI: Eigenverantwortung statt Kontrolle, Verbindung statt Hierarchie und Entscheidungen dort, wo Wert geschaffen wird. Diese Keynote bietet eine zum Nachdenken anregende Perspektive darauf, wie Organisationen die Zukunft der Arbeit aktiv gestalten und die immer schnellere Entwicklung der KI in mehr Wirkung und Wert umsetzen können.

Foundation Models verändern die Art und Weise, wie Roboter entwickelt und programmiert werden. Anstatt für jede Aufgabe eine separate Lösung zu entwerfen, ermöglichen diese Modelle Robotern eine bessere Wahrnehmung von Bildern, Sprache und ihrer Umgebung, was sie flexibler macht und in die Lage versetzt, ein breiteres Spektrum an Aufgaben in der realen Welt zu bewältigen.

Foundation Models gehören zu den spannendsten Entwicklungen in der Robotik. Sie ermöglichen es Robotern, Wahrnehmung, Sprachverständnis und Entscheidungsfindung auf eine Weise zu kombinieren, die mit traditionellen Ansätzen der Robotik nicht möglich war. In diesem Vortrag stellt Negin Schmidt die Kernkonzepte von Foundation Models für die Robotik vor, zeigt, was sie bereits leisten können, und diskutiert ihre aktuellen Grenzen.

In einer Zeit, in der sich KI-Tools schneller verbreiten als das Vertrauen, das nötig ist, um sich auf sie zu verlassen, liegt die eigentliche Herausforderung für operative Teams nicht im Zugang zur Technologie, sondern in ihrer sinnvollen Nutzung. Dieses Panel zeichnet den Weg von der Skepsis zum Vertrauen nach: wie der Schritt weg von generischen Chatbots von der Stange hin zu maßgeschneiderten Tools, die auf den Prozessen, dem Fachwissen und den Daten des eigenen Teams aufbauen, KI von einer Neuheit in einen vertrauenswürdigen Kollegen verwandelt.

Cansu Yapici liefert fachlichen Input zum Panel über KI-Integration in Unternehmen und im Public Sector, mit konkreten Use Cases, vor allem zu Avataren und autonomen Shuttles.

KI wird von Menschen genutzt – oder auch nicht, falls sie Angst davor haben. Wie können wir Innovation überzeugend kommunizieren, ohne zu technisch, unklar oder langweilig zu sein? Der Psychologe und Kommunikationsexperte Benedikt Held zeigt in dieser Masterclass, wie KI überzeugend kommuniziert werden kann.

Industrielle KI hat ein Jahrzehnt damit verbracht, zu optimieren, was Maschinen sehen und berechnen können: Vision-Systeme, Sensoren, Dashboards, Datenpipelines. Kaum verändert hat sie dagegen, wie die Menschen in der Halle tatsächlich mit alldem interagieren. Für jemanden mit vollen Händen oder Handschuhen ist ein Bildschirm auf fast jede Frage die falsche Antwort.

Diese Keynote argumentiert, dass Sprache die fehlende Interface-Ebene für industrielle KI ist: kein Nice-to-have, sondern die natürliche Art, wie Menschen bereits arbeiten. Und sie beweist es live: freihändige Meldungen in Echtzeit und ein Sicherheitscheck, vollständig per Sprache, mit modernster Sprachtechnologie, die heute schon in der Produktion läuft. Kein Konzept, keine Roadmap: was jetzt tatsächlich möglich ist.

KI schreibt Code. Wir schreiben weiter Tickets, planen Sprints und arbeiten Backlogs ab. Ist das die Zukunft der Softwareentwicklung oder automatisieren wir nur die Vergangenheit?

Diese Keynote stellt nicht einzelne Tools, sondern die gesamte Wertschöpfungskette auf den Prüfstand: von der Erkennung eines Problems über Produktentscheidungen und Implementierung bis zum Betrieb und zur Messung des tatsächlichen Nutzens. Die These: KI in bestehende Abläufe einzubauen, greift zu kurz. Wir müssen hinterfragen, warum diese Abläufe überhaupt so aussehen.

Was wird zum Engpass, wenn Implementierung immer weniger begrenzt, was wir bauen können? Was unterscheidet ein Unternehmen noch vom Wettbewerb, wenn sich die Funktionalität seiner Software zunehmend leichter nachbauen lässt? Und welche Rolle spielen Tickets, Sprints und Releases, wenn Agenten aus Nutzungsdaten Verbesserungen ableiten, Änderungen umsetzen und zur Prüfung bereitstellen?

Der Vortrag beleuchtet drei Verschiebungen: vom Code zum Kontext, vom Backlog zum kontinuierlichen Lernkreislauf und vom Softwarebesitz zur echten Differenzierung. Dabei wird auch „Build vs. Buy“ neu verhandelt: Kaufe, was austauschbar ist, aber nicht das, was dich ausmacht. Wenn individuelle Lösungen leichter entstehen, müssen wir neu entscheiden, wo Standardsoftware sinnvoll ist und wo eigene Software strategischen Wert schafft.

Der größte Bruch könnte jedoch nicht im Code liegen, sondern in unseren Organisationen. Zwischen technischen Möglichkeiten und tatsächlicher Nutzung stehen Entscheidungswege, Rollenbilder und Prozesse, die für eine andere Realität entstanden sind. Was müssen wir verändern, damit aus technischer Geschwindigkeit tatsächlich mehr Wert wird?

Eine Keynote für alle, die nicht einfach mehr Software schneller bauen wollen. Sondern neu denken möchten, was wir bauen, wie wir lernen und welche Teile der bisherigen Softwareentwicklung wir morgen überhaupt noch brauchen.

Wie setzt die Stadt Heidelberg KI-Assistenten in der Verwaltung ein, um den Arbeitsalltag der Mitarbeitenden zu erleichtern? Philipp Lechleiter gibt Einblicke in die KI-Praxis der Stadt Heidelberg.

KI-Transformation verspricht Entlastung. Was in der Praxis passiert, ist oft das Gegenteil: Die Routinearbeit verschwindet, die Verantwortung bleibt — nur ohne das Prozesswissen, die Zeit oder das Mandat, sie noch wirklich zu tragen.

Mit Agentic AI verschärft sich das Problem. Ein Agent schlägt nicht mehr nur vor, er handelt. Wenn Menschen dann nur noch nominell „im Loop“ sind, weil sie täglich Dutzende Agenten-Entscheidungen abnicken sollen, wird aus einer abstrakten Frage eine akute: Wer haftet, wenn es schiefgeht?

Diese Keynote zeigt, warum das kein Trainingsproblem ist, sondern ein Architekturproblem. Aus der Begleitung von über 70 KI-Transformationsprojekten im Mittelstand entsteht ein klares Muster: Unternehmen bauen Automatisierungs- und KI-Strecken, ohne die Verantwortung neu zu verteilen — und wundern sich über Fehlerquoten, Vertrauensverlust und ausgebrannte Mitarbeitende, die zu Prüfern ohne Prüfmandat gemacht wurden.

Der Talk liefert eine Antwort jenseits von „mehr Schulung“: eine Verantwortungsarchitektur, die klar benennt, wo Automatisierung, wo GenAI und wo der Mensch die Kontrolle behält — und warum genau diese Klarheit über Erfolg oder Scheitern der nächsten KI-Welle entscheidet.