Studierende

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 Custom GPTs

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 ist

Was uns ein Experiment an der Oregon State University über gutes Prompting verrät Am 9. April 2026 fand an der WU Wien mit Ladies that Lead unser erster Prompt Engineering Workshop statt. Im Vorfeld hatte ich die Gelegenheit, erneut mit Prof. Inhwa Kim zu sprechen — der Forscherin, deren Arbeit zu

Was echte Palantir-Consulting-Projekte über die Zukunft deines Einstiegsjobs verraten — und warum ein gut gebauter Masterprompt dieselbe Arbeit im Kleinen ist. Ezekiel Akinsanya studierte vier Jahre in Princeton mit einem klaren Ziel: McKinsey. Consulting-Club gegründet, Sommer-Praktika absolviert, Cases gedrillt. Im Frühjahr 2026 schloss er ab — und entschied sich gegen Consulting. Seine

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 Zeitalter

Bias, Metriken, Benchmarks, Performance-Tests – verständlich erklärt (Stand: 28.02.2026) KI-Modelle wirken in Demos oft beeindruckend: ein hoher Score, ein paar gute Beispiele – fertig. In der Praxis zeigt sich aber schnell: Ein Modell kann auf dem Papier stark sein und trotzdem im Alltag schwächeln. Gründe sind neue Daten, verändertes Nutzerverhalten