Die meisten Unternehmen haben Dashboards, CRM-Exporte, Finanzübersichten und so viele Berichte, dass das Auffinden des nützlichen Berichts zu einer eigenen Aufgabe wird. 

Aber Unternehmen brauchen jemanden (oder etwas), der die Zahlen überprüft, sie mit dem letzten Quartal vergleicht, erklärt, warum sie sich verändert haben, und entscheidet, ob diese Veränderung relevant ist. 

Diese Lücke ist der Grund, warum fast 80 % der Unternehmen generative KI eingesetzt haben in irgendeiner Form, während ein ähnlicher Anteil keinen wesentlichen Einfluss auf das Geschäftsergebnis meldet. Tools gibt es inzwischen überall, aber Entscheidungen sind immer noch langsam.

An diesem Punkt werden KI-Agenten für Business Intelligence interessant. Ihr Wert liegt in der kürzeren Distanz zwischen einem Geschäftssignal und einer Geschäftsaktion. Dieser Wert hängt davon ab, was dem Agenten zugrunde liegt, wie zum Beispiel die Kennzahlen, denen das Unternehmen vertraut, die Systeme, in denen diese Kennzahlen existieren, die Eigentümerstruktur um sie herum und die Regeln, was der Agent tun darf.

Dieser Artikel richtet sich an Führungsteams, die abwägen, ob sie einen solchen Agenten entwickeln sollen. Er beleuchtet Fälle, in denen BI-Agenten echte Geschäftsergebnisse erzielt haben, die operativen Risiken, die die meisten Projekte vor der Implementierung scheitern lassen, und die architektonischen Kompromisse, die darüber entscheiden, ob das System überhaupt beibehalten werden sollte. 

Was KI-Agenten für Business Intelligence tatsächlich verbessern sollten

Ein nützlicher BI-Agent unterstützt die traditionelle BI, indem er den Kreislauf zwischen Daten und Entscheidung verkürzt. Er kann aufzeigen, was sich diese Woche geändert hat, warum es sich geändert hat, ob es relevant ist und was als Nächstes zu tun ist. Aus der Sicht der Führungsebene läuft das auf sechs Geschäftsfaktoren hinaus:

Der falsche Ansatz

Die meisten Präsentationen für BI-Agenten bleiben an der Oberfläche, indem sie Fragen beantworten, Dashboards automatisieren, Berichte erstellen und Analysten ersetzen. Diese Formulierungen sind nicht falsch, aber sie reichen einfach nicht aus für einen CEO, der entscheiden muss, ob er das Projekt finanzieren soll.

Der relevante Ansatz

Stattdessen lautet die Frage für CEOs: "Welche wiederkehrende Entscheidung werden KI-Agenten für BI verbessern?" Wöchentliche Umsatzprüfung, Überprüfung des Abwanderungsrisikos, Überprüfung der Produktakzeptanz, Finanzabweichungsanalyse, Überprüfung operativer Engpässe: Jeder dieser Bereiche ist ein Ort, an dem ein schnelleres und präziseres Signal ändern würde, was das Unternehmen als Nächstes tut. 

Ein Agent, der an eine dieser Überprüfungen gebunden ist, ist leichter zu rechtfertigen als ein Agent, der darauf ausgelegt ist, "Menschen mit Daten chatten zu lassen".

Wo BI-Agenten echten Geschäftswert schaffen

Nach der Arbeit an Hunderten von Analyse-, BI- und KI-Projekten stellten wir fest, dass die stärksten Anwendungsfälle für BI-Agenten typischerweise dort auftreten, wo das Unternehmen bereits einen Berichtsrhythmus hat, dieser Rhythmus jedoch zu langsam für die unterstützte Entscheidung ist.

Dies ist wichtig, da viele operative und finanzielle Probleme spät entdeckt werden. Schließlich ist das Signal in Berichten oder Team-Updates vergraben, die jemand manuell interpretieren muss.

Operative Leistung

Im operativen Bereich kann dies die Art und Weise verändern, wie Führungskräfte Ausführungsprobleme wahrnehmen. Ein Support-Rückstand, eine Onboarding-Verzögerung, ein Warteschlangenaufbau oder ein wiederholter Übergabefehler mag innerhalb eines Teams klein erscheinen. Unternehmensweit kann es erklären, warum Kunden länger warten oder warum ein Umsatzprozess immer wieder ins Stocken gerät.

Der praktische Wert besteht darin, dass ein Agent das Betriebssystem des Unternehmens in einer Frequenz überwachen kann, die Menschen normalerweise nicht aufrechterhalten können. Das bedeutet nicht, dass jede Anomalie einen Alarm verdient. Ein guter BI-Agent sollte Rauschen von geschäftsrelevanten Bewegungen trennen: Verzögerungen, die Kunden betreffen, Engpässe, die Kosten verursachen, oder Prozessfehler, die sich teamübergreifend wiederholen.

Finanz- und Planungsintelligenz

Im Finanzbereich gibt es das gleiche Problem, nur in einer anderen Sprache. Viele CFO-Organisationen arbeiten immer noch mit vierteljährlichen Abweichungsanalysen und Prognoseüberprüfungen, wenn eine Zahl bereits Anlass zur Sorge gibt. Ein BI-Agent kann diesen Zyklus verkürzen, indem er Ist-Werte häufiger mit Planannahmen abgleicht, ungewöhnliche Kostenbewegungen aufdeckt und erklärt, wo sich Prognoserisiken aufbauen.

IBMs Arbeit im Bereich Enterprise Performance Management zeigt, was möglich wird, wenn die Architektur dieses Maß an Transparenz unterstützt. IBM berichtet, dass sie über 500 Finanzanwendungen auf weniger als 20 reduziert, mehr als 30.000 Mitarbeitern Echtzeit-KI-gesteuerte Dashboards zur Verfügung gestellt und KI-gesteuerte Prognosen mit einer Modellgenauigkeit von etwa 95 % eingesetzt haben. Die wichtige Erkenntnis ist nicht nur die KI-Ebene. IBM hat zunächst die Fragmentierung ausreichend reduziert, damit KI-gestützte Planung glaubwürdig werden konnte.

Viele Unternehmen übersehen es, aber es ist entscheidend zu verstehen, dass KI-gestütztes BI selten einen fragmentierten Finanz-Stack behebt. Es legt ihn meistens offen. Wenn Umsatz, Kosten, Auslastung und Marge in getrennten Systemen mit unterschiedlichen Definitionen existieren, kann der Agent zwar schnellere Erklärungen liefern, aber das Unternehmen wird immer noch darüber streiten, ob die Erklärung vertrauenswürdig ist.

Berichtsautomatisierung

Die Berichtsautomatisierung ist oft der einfachste Ausgangspunkt, da das Problem offensichtlich ist. Jemand erstellt bereits manuell einen wöchentlichen Kampagnenbericht oder ein operatives Update. Der Business Case wird stärker, wenn dieser Bericht eine tatsächliche Entscheidung beeinflusst.

Natura Cosméticos ist ein guter Maßstab. Die Databricks GenAI-gestützte CRM-Berichterstattung führte zu 64 % schnelleren Berichtszyklen, einem Anstieg des CRM-gesteuerten Umsatzes um 23,5 % und über 20 automatisierten Berichten in sechs Ländern auf Portugiesisch und Spanisch. Databricks merkt außerdem an, dass das System den Planern half, auf tägliche Kampagnenergebnisse zu reagieren, während die Kampagnen noch aktiv waren, anstatt zu warten, bis der Berichtszyklus beendet war.

In diesem Fall lag der Wert nicht nur in automatisierten Berichten. Der Wert war eine kürzere kommerzielle Feedbackschleife. Wenn Kampagnenteams früh genug erkennen können, was passiert, um Segmentierung, Botschaften, Kanäle oder Ausgaben anzupassen, hört die Berichterstattung auf, administrative Arbeit zu sein, und wird Teil der Umsatzrealisierung.

Für Gründer und CTOs ergibt sich daraus ein einfacher Filter:

• Beginnen Sie mit Reporting-Workflows, bei denen Geschwindigkeit das Verhalten ändert.
• Vermeiden Sie die Automatisierung von Berichten, die niemand für Entscheidungen nutzt.
• Betrachten Sie Finanz- und operative BI-Agenten als Vertrauenssysteme, nicht nur als Produktivitätstools.
• Messen Sie den Wert durch kürzere Entscheidungszyklen, weniger manuelle Arbeitsstunden, weniger Berichtsfehler, frühere Risikoerkennung und eine bessere Geschäftsreaktion.

Ein BI-Agent ist es wert, entwickelt zu werden, wenn das Unternehmen auf eine bestimmte Verzögerung verweisen und sagen kann: Hätten wir das früher verstanden, hätten wir anders gehandelt.

Die Geschäftsrisiken vor der Entwicklung eines BI-Agenten

Die größten Risiken bei BI-Agenten-Projekten treten meist auf, bevor überhaupt ein Modell, Framework oder Datenkonnektor ausgewählt wird. 

Sie sind eingebettet in bereits bestehende, unklare Metriken, inkonsistente Verantwortlichkeiten, geringes Vertrauen in Berichte, fragmentierte Berechtigungen und die Art und Weise, wie die Führungsebene Entscheidungen trifft. Ein BI-Agent macht diese Probleme sichtbarer, schneller und manchmal auch teurer.

Deshalb sollte die erste Risikobewertung mit einer unbequemen Frage beginnen: Vertrauen die Leute bereits den Zahlen, die dieser Agent verwenden wird?

Wenn die Antwort Nein lautet, wird der Agent kein Vertrauen schaffen. Er wird selbstbewusste Zusammenfassungen eines Berichtssystems erstellen, das die Leute bereits anzweifeln.

Risiko 1: Automatisierung von Zahlen, denen niemand vertraut

Wenn drei Teams „aktiver Kunde“ bereits auf drei verschiedene Arten definieren, löst ein BI-Agent die Meinungsverschiedenheit nicht auf. Er erstellt schnellere, ausgefeiltere Versionen aller drei. Dasselbe gilt für „qualifizierter Lead“, „Pipeline“, „Umsatz“, „Marge“, „Kundenbindung“ und „Nutzung“ – Begriffe, die für CRM, Finanzen, Produkt und das Reporting der Führungsebene unterschiedliche Bedeutungen haben.

Vor der Implementierung wählen die operativen Bereiche die zehn bis fünfzehn Metriken aus, die die Führungsebene zur Steuerung des Geschäfts verwendet, und dokumentieren für jede Metrik den Verantwortlichen, die Formel, das Quellsystem, die Aktualisierungshäufigkeit, die zulässige Interpretation und bekannte Einschränkungen. 

Dies ist keine Dokumentation um der Dokumentation willen. Es ist die Betriebsvereinbarung, auf die sich der BI-Agent verlassen wird. Der Data-Governance-Rahmen von Google Cloud unterstützt dieselbe Idee, indem er besagt, dass KI-bereite Daten genau, sicher, verfügbar und verwaltet sein müssen, bevor sie zuverlässige KI-Systeme unterstützen können. 

Risiko 2: Neugiergetriebener ROI

„Wäre es nicht nützlich, unsere Datenfragen in natürlicher Sprache zu stellen?“ ist kein Business Case. Es ist die Frage, die BI-Agent-Projekte genehmigt und dann ein Jahr später wieder eingestellt werden lässt, wenn sich die Antwort als „nett, aber nicht messbar“ herausstellt.

Ein stärkerer Ausgangspunkt ist spezifischer:

• Welche wiederkehrende Entscheidung ist zu langsam?
• Welcher Bericht ist zu teuer, um ihn manuell zu erstellen?
• Welches Geschäftsrisiko wird erst erkannt, nachdem der Schaden bereits sichtbar ist?
• Welches Team verbringt zu viele Stunden mit dem Abgleich von Zahlen?
• Welche Metrikbewegung sollte bereits eine Handlung auslösen?

Dies ändert die ROI-Diskussion, da das Ziel nun nicht mehr darin besteht, mehr KI-Abfragen zu haben, sondern eine messbare Verbesserung der Geschäftsabläufe.

Nützliche ROI-Signale umfassen eingesparte Berichtszeiten, verkürzte Berichtszykluszeiten, weniger Berichtsfehler, schnellere Kampagnenanpassung, frühere Abwanderungserkennung, bessere Prognosegenauigkeit, kürzere operative Zykluszeiten und weniger Besprechungen, in denen darüber diskutiert wird, welche Tabelle korrekt ist.

Wenn ein BI-Agent interessante Fragen beantwortet, aber keine Entscheidung ändert, kann er zu einem beliebten internen Spielzeug werden, aber nicht zu einer Geschäftsinfrastruktur.

Risiko 3: Vertrauen schneller als Genauigkeit

Ein schlechter BI-Agent beeinflusst Einstellungsentscheidungen, Budgetkürzungen, Verkaufsziele, Preisgestaltung, Produktprioritäten und welche Kunden Aufmerksamkeit erhalten. Dieselbe Sprachgewandtheit, die ihn nützlich macht, erschwert es, seine falschen Antworten zu erkennen.

Die bekannten Fehlerquellen:

• Vergleich falscher Zeiträume
• Ignorieren von Saisonalität
• Verpassen einmaliger Ereignisse wie einer Vertragsneuverhandlung oder Produkteinführung
• Vermischen von Buchungen mit realisierten Umsätzen
• Korrelation als Kausalität behandeln
• Arbeiten mit unvollständigen Daten
• Erklärung einer echten Geschäftsänderung mit generischer Begründung

Für aussagekräftige Antworten sollte der Agent die Quelldaten, den Zeitraum, die Metrikdefinition, das Konfidenzniveau, die Annahmen, bekannte Einschränkungen und einen Weg zur menschlichen Überprüfung offenlegen. 

Das Generative AI Profile des NIST formuliert dieselbe Erwartung über den gesamten KI-Lebenszyklus hinweg: Vertrauenswürdige KI erfordert Risikomanagement bei Design, Entwicklung, Nutzung und Bewertung. (NIST)

Risiko 4: Offenlegung sensibler Informationen

BI-Agenten greifen oft auf die sensibelsten Informationen im Unternehmen zu, wie Umsatz, Margen, Gehälter, Patientenakten, Kundendaten oder regulierte Betriebsdaten.

Eine natürlichsprachliche Schnittstelle macht diese Informationen nicht weniger sensibel, kann aber die Offenlegung erleichtern. Denn Nutzer erkennen möglicherweise nicht, was ihre Frage das System offenbaren lässt.

Ein Vertriebsleiter, der nach „Hochrisikokonten“ fragt, könnte versehentlich Margendaten erhalten. Ein Produktmanager, der nach der Unternehmensnutzung fragt, könnte den Vertragswert sehen. Ein Support-Manager, der nach Kundenbeschwerden fragt, könnte eingeschränkte Kunden- oder Patienteninformationen aufdecken.

OWASP listet die Offenlegung sensibler Informationen als ein großes LLM-Risiko auf, da Fehler in diesem Bereich zu rechtlichen Risiken, Datenschutzverletzungen und dem Verlust von Wettbewerbsvorteilen führen können. 

Die Lösung besteht nicht darin, bestehende Dashboard-Berechtigungen zu kopieren und zu hoffen, dass sie funktionieren. BI-Agenten-Berechtigungen sollten auf Geschäftsrollen, Entscheidungsbedürfnisse und Datensensibilität zugeschnitten sein. 

Ein CFO, Vertriebsleiter, Produktmanager, Supportleiter und Customer Success Manager sollten nicht automatisch dieselbe Antwort auf dieselbe Frage erhalten.

Risiko 5: Übermäßige Autonomie

Es gibt einen echten Unterschied zwischen einem Agenten, der eine Metrik erklärt, und einem, der ein CRM-Feld aktualisiert oder einen operativen Workflow auslöst. Ersterer riskiert eine selbstbewusste falsche Antwort. Letzterer riskiert eine selbstbewusste falsche Aktion, die ohne menschliche Überprüfung durchgeführt wird.

Unterscheiden Sie die drei Fähigkeitsstufen im Design:

• Erläutern. Der Agent fasst zusammen, vergleicht und deckt Ursachen auf.
• Empfehlen. Der Agent schlägt eine Aktion vor und überlässt die Entscheidung einem Menschen.
• Handeln. Der Agent aktualisiert Geschäftsdaten, erstellt Aufgaben und ändert den Betriebsstatus.

Beginnen Sie mit einer Erläuterung. Wechseln Sie zur Empfehlung, sobald die Genauigkeit einer Überprüfung standhält. Fügen Sie das Handeln zuletzt hinzu, nach Prüfung, Genehmigung und Rollback. Die AWS Bedrock AgentCore-Richtlinien beschreiben dieselbe Grenze: Die Flexibilität von Agenten schafft Sicherheitsprobleme, wenn Systeme Geschäftsregeln falsch interpretieren oder außerhalb der beabsichtigten Befugnisse handeln. 

Architekturentscheidungen, die zu Geschäftsentscheidungen werden

Die meisten Architekturentscheidungen für einen BI-Agenten sind getarnte Geschäftsentscheidungen. An welchen Workflow wird der Agent angebunden? Welchen Zahlen darf vertraut werden? Wer darf welche Antworten sehen? Was darf er ohne menschliches Eingreifen tun? Sieben dieser Entscheidungen prägen jedes BI-Agenten-Projekt. Sie landen meist auf dem Schreibtisch des CTO, aber die Antworten hängen vom CEO, dem CFO und den Funktionsleitern ab, die die Arbeit verantworten.

Entscheidung 1: Welche Geschäftsentscheidung wird der Agent unterstützen?

Dies ist die Frage, die zuerst beantwortet werden muss, bevor die Modellwahl, die Entscheidung zwischen Eigenentwicklung und Kauf, oder der Integrationsumfang ansteht. Ein BI-Agent, der an eine wiederkehrende Führungsentscheidung gekoppelt ist, hat eine klare Budgetdiskussion und eine klare Erfolgskennzahl. Ein BI-Agent, der an nichts Bestimmtes gekoppelt ist, hat beides nicht.

Die potenziellen Entscheidungen sind dieselben wiederkehrenden Überprüfungen aus diesem Artikel: wöchentliche Umsatzprüfung, Abwanderungsrisikoprüfung, Produktakzeptanzprüfung, Kampagnenleistungsprüfung, Finanzabweichungsprüfung und Prüfung operativer Engpässe. Wählen Sie eine aus. Entwickeln Sie die erste Version dafür. Fügen Sie weitere hinzu, nachdem die erste ihren Platz im Workflow gefunden hat.

Die Falle ist die Verallgemeinerung. „Lassen Sie die Leute jede Frage zu jeder Zahl stellen“ klingt in einem Planungstreffen ehrgeizig und fühlt sich nach sechs Monaten wie ein Forschungsprojekt an. Spezifische Entscheidungen werden umgesetzt. Offene Ambitionen stagnieren.

Entscheidung 2: Eigenentwicklung, Kauf oder Erweiterung?

Eine kundenspezifische Lösung ist die richtige Antwort, wenn die Entscheidungslogik, Datenkomplexität, das Berechtigungsmodell oder die Workflow-Integration des Unternehmens nicht durch eine Standardlösung abgedeckt werden können. McKinseys Einschätzung dazu ist eindeutig: Wirkungsvolle Agenten sollten eng mit der Unternehmenslogik, den Datenflüssen und den Wertschöpfungshebeln abgestimmt sein. Generische Agenten liefern generische Antworten. (McKinsey)

Für Unternehmen mit proprietären Workflows, fragmentierten Systemen, regulierten Daten oder SaaS-Produktionsplattformen mit Tausenden von Benutzern ist eine kundenspezifische Lösung auch weniger optional, als es scheint. Die Arbeit geht über die Verbindung eines Modells mit einer Datenbank hinaus: Geschäftslogik, Produktarchitektur, Datenarchitektur, Berechtigungsdesign und Workflow-Integration rund um den Agenten. Nichts davon wird von einem Anbieter geliefert.

Entscheidung 3: Welche Fähigkeiten erhält der Agent am ersten Tag?

Risiko 7 führte die Unterscheidung zwischen Erklären/Empfehlen/Handeln ein. Entscheidung 3 ist der Punkt, an dem diese Unterscheidung zu einer Budgetdiskussion wird. Jede Fähigkeitsstufe birgt einen unterschiedlichen Geschäftswert und ein unterschiedliches Risikopotenzial.

Am unteren Ende der Tabelle hört das Projekt auf, eine Analyse-Diskussion zu sein, und wird zu einer Diskussion über das Betriebsmodell. Fügen Sie weitere Fähigkeiten nach unten hinzu, nachdem das Unternehmen das Verhalten des Agenten auf der darüber liegenden Ebene prüfen kann. Das Überspringen von Stufen führt dazu, dass ein BI-Agent Prognosen aktualisiert, die niemand genehmigt hat.

Entscheidung 4: Welchen Daten darf der Agent vertrauen?

Ein BI-Agent ohne eine Referenzkarte der Datenwahrheit kann nicht zwischen Quellen unterscheiden. Finanzen, CRM, Produktanalysen, Support, Personalwesen und das Data Warehouse beantworten alle die Frage „Wie hoch ist unsere aktive Kundenzahl?“ unterschiedlich. Welche Quelle der Agent zuletzt abgefragt hat, gewinnt, es sei denn, die Führungsebene hat ihm mitgeteilt, welche er bevorzugen soll.

Eine funktionierende Referenzkarte der Datenwahrheit für die meisten Unternehmen sieht etwa so aus:

• Finanzsystem: erkannte Umsätze, Margen, Kosten
• CRM: Pipeline, Deal-Phase, Kundenverantwortung
• Produktanalysen: Nutzung, Aktivierung, Retentionssignale
• Supportsystem: Tickets, SLA-Risiko, Beschwerdethemen
• HR-System: Mitarbeiterzahl, Ressourcenallokation
• Data Warehouse: gesteuerte funktionsübergreifende Kennzahlen

Dies ist eine Vereinbarung der Führungsebene, kein Ergebnis des Data Engineering. Die Karte legt fest, welche Zahlen im Unternehmen maßgeblich sind. Wenn Finanzen und Revenue Operations sich über das Pipeline-Reporting uneinig sind, muss diese Uneinigkeit gelöst werden, bevor der Agent ausgeliefert wird.

Entscheidung 5: Wer sieht was?

Risiko 6 definierte Berechtigungen als Sicherheitsproblem. Entscheidung 5 ist die architektonische Antwort. Bei Dashboards sehen Benutzer nur das, was im Voraus bereitgestellt wurde. Mit einer natürlichsprachlichen Schnittstelle können Benutzer Fragen stellen, die Berechtigungsgrenzen überschreiten, von deren Existenz sie nichts wussten.

Ein Vertriebsleiter, der nach dem Abwanderungsrisiko fragt, sollte nicht die Kontomarge einsehen. Ein Produktmanager, der nach der Unternehmensnutzung fragt, sollte keine Vertragswerte angezeigt bekommen. Ein Supportleiter, der nach Beschwerdethemen fragt, sollte keine personenbezogenen Daten erhalten.

Das Designmuster: Zugriff nach Geschäftsrolle, Datenklassifizierung und Entscheidungsbedarf. Dashboard-Berechtigungen sind bestenfalls ein Ausgangspunkt. Sie wurden für ein anderes Zugriffsmodell entwickelt, und sie einfach zu übernehmen, führt dazu, dass regulierte Daten im falschen Posteingang landen.

Entscheidung 6: Wem gehört der Agent nach dem Start?

Die Technik kann das System verantworten. Das Business muss die Bedeutung der Zahlen verantworten. Ein Start ohne klare Aufteilung der Verantwortlichkeiten führt dazu, dass jede Meinungsverschiedenheit darüber, was eine Metrik aussagen sollte, zu einem Engineering-Ticket wird.

Ohne einen benannten Business-Verantwortlichen für jede Zeile wird der Agent Antworten liefern, die niemand verteidigen will. Das ist die Art von Misserfolg, die sich nicht in technischen Metriken zeigt, aber die Akzeptanz innerhalb eines Quartals zunichtemacht.

Entscheidung 7: Woher weiß das Unternehmen, dass es funktioniert?

Die meisten BI-Agenten bestehen eine technische Bewertung und scheitern an einer geschäftlichen. Latenz, Halluzinationsrate und Kosten pro Abfrage sind wichtig, entscheiden aber nicht darüber, ob das Projekt verlängert wird. Die vollständige Bewertung hat drei Ebenen:

Technisch: Antwortgenauigkeit, Metrikkorrektheit, Quellenfundierung, Halluzinationsrate, Latenz, Kosten pro Abfrage.

Verhaltensbezogen: Berechtigungsverhalten, Eskalationsmuster, Versuche unsicherer Aktionen, Ablehnungsgenauigkeit.

Geschäftlich: Akzeptanzrate, Reduzierung der Berichtszeit, Verbesserung des Entscheidungszyklus und messbares Ergebnis für den Workflow, für den er entwickelt wurde.

Das NIST AI RMF Generative AI Profil vertritt dieselbe Ansicht: Vertrauenswürdige KI erfordert ein Risikomanagement über den gesamten Lebenszyklus, wobei die Bewertung über den Start hinaus fortgesetzt wird. (NIST)

Die Version davon, die scheitert, ist diejenige, die ausgeliefert wird, eine ausreichende technische Bewertung erhält und niemals die dritte Ebene misst.

Checkliste für Gründer und CTOs vor der Entwicklung