Professionals

Die Finanzindustrie entdeckt Künstliche Intelligenz nicht, sie kehrt zu ihr zurück. Während KI in der öffentlichen Wahrnehmung als Phänomen der letzten Jahre gilt, arbeiten Risikoabteilungen, Handelsdesks und Kreditinstitute seit Jahrzehnten mit lernenden Systemen. Der Unterschied zwischen einem Kreditscoring-Modell der 1990er Jahre und einem modernen Sprachmodell ist real aber er

Was sich aus Bains öffentlicher KI-Strategie über die Zukunft junger Berater:innen ableiten lässt, und warum das jeden Berufseinsteiger betrifft. Bain & Company, eine der drei größten Strategieberatungen weltweit, redet nicht nur über KI. Sie haben ihre mittlerweile über 17.000 Mitarbeitenden mit KI-Tools ausgestattet, über 19.000

Günstiger pro Token, teurer insgesamt. Das ist die Paradoxie, mit der KI-Verantwortliche im Finanzsektor gerade konfrontiert sind. Die Kosten pro Verarbeitungseinheit sinken kontinuierlich, aber die Gesamtrechnung steigt. Das klingt widersprüchlich, ist aber erklärbar — und wer den Mechanismus dahinter versteht, trifft bessere Architekturentscheidungen. Was Inference überhaupt bedeutet Bevor es um

Wer ein KI-Modell auswählt, verlässt sich auf eine einfache Annahme: Das Modell mit der höchsten Accuracy auf dem Testset ist das beste Modell für den Produktionseinsatz. Eine Studie vom MIT zeigt, dass diese Annahme systematisch falsch sein kann — und zwar nicht aufgrund von Overfitting oder schlechter Architektur, sondern wegen

Die KI-Branche debattiert Modellarchitekturen, Parametergrößen und Trainingsverfahren während das eigentliche Problem systematisch übersehen wird: die Qualität der Inputdaten. Wer schlechte Daten in ein leistungsstarkes Modell eingibt, bekommt schlechte Ergebnisse zurück. Das ist kein neues Prinzip. Unter dem Begriff Garbage In, Garbage Out ist es seit Jahrzehnten bekannt. Aber im

Wer die Daten hält, verschiebt die Macht Die Debatte über Künstliche Intelligenz wird meist technisch geführt: Modellgrößen, Rechenleistung, Algorithmen. Das greift zu kurz. In der Praxis entscheidet eine andere Frage über wirtschaftlichen und gesellschaftlichen Einfluss: Wer hat Zugang zu guten Daten – und wer nicht? „Gut“ meint hier nicht viel, sondern