Zwei Entwicklungen geben im diesjährigen Gartner Hype Cycle für künstliche Intelligenz besonders den Takt vor: KI-Agenten und KI-fähige Daten. Laut Gartner zählen sie zu den am schnellsten voranschreitenden Technologien im Jahr 2025, begleitet von großem Interesse, ambitionierten Prognosen und teils überhöhten Versprechen. Entsprechend befinden sie sich aktuell auf dem Höhepunkt der Phase »Überzogene Erwartungen«.

Gartner Hype Cycles bieten eine grafische Darstellung, wie weit Technologien und Anwendungen entwickelt und verbreitet sind – und wie relevant sie potenziell für die Lösung realer Geschäftsprobleme oder zur Erschließung neuer Chancen sein können. Die Hype-Cycle-Methodik von Gartner gibt einen Überblick über die Entwicklung einer Technologie oder Anwendung im Laufe der Zeit. Zusätzlich liefert die Methodik fundierte Erkenntnisse für deren Einsatz im Kontext spezifischer Geschäftsziele.

»Die Investitionsbereitschaft in KI bleibt hoch. Gleichzeitig verschiebt sich der Fokus zunehmend auf Anwendungen, die operative Skalierbarkeit und Echtzeitanalysen ermöglichen«, sagt Haritha Khandabattu, Senior Director Analyst bei Gartner. »Damit zeichnet sich eine allmähliche Abkehr von generativer KI (GenAI) als zentralem Thema ab und eine Hinwendung zu den grundlegenden Voraussetzungen für eine nachhaltige Umsetzung von KI, etwa KI-fähigen Daten und KI-Agenten.«

Zu den Technologien, die nach Einschätzung von Gartner innerhalb der nächsten fünf Jahre den Sprung in die breite Anwendung schaffen dürften, zählen unter anderem multimodale KI-Systeme sowie das Management von Vertrauen, Risiken und Sicherheit in KI-Anwendungen (TRiSM). Beide Entwicklungen stehen ebenfalls an der Spitze der aktuellen Erwartungskurve – und gelten als Schlüsselfaktoren für robustere, verantwortungsvollere und innovativere KI-Anwendungen, die Geschäftsprozesse fundamental verändern könnten.

Figure 1: Hype Cycle for Artificial Intelligence 2025

»Trotz des enormen potenziellen Geschäftswerts von KI wird dieser nicht spontan entstehen«, sagte Khandabattu. »Der Erfolg wird von eng mit dem Geschäft abgestimmten Pilotprojekten, proaktiven Infrastruktur-Benchmarks und der Koordination zwischen KI- und Geschäftsteams abhängen, um greifbaren Geschäftswert zu schaffen.«

KI-Agenten

KI-Agenten sind autonome oder halbautonome Softwareeinheiten, die KI-Techniken nutzen, um ihre Umgebung wahrzunehmen, Entscheidungen zu treffen, Maßnahmen zu ergreifen und Ziele in ihren digitalen oder physischen Umgebungen zu erreichen. Mithilfe von KI-Praktiken und -Techniken wie LLMs schaffen und implementieren Organisationen KI-Agenten, um komplexe Aufgaben zu bewältigen.

»Um die Vorteile von KI-Agenten zu nutzen, müssen Organisationen die relevantesten Geschäftskontexte und Anwendungsfälle bestimmen, was angesichts der Tatsache, dass kein KI-Agent dem anderen gleicht und jede Situation anders ist, eine Herausforderung darstellt«, sagte Khandabattu. »Obwohl KI-Agenten immer leistungsfähiger werden, können sie nicht in jedem Fall eingesetzt werden, sodass die Nutzung weitgehend von den Anforderungen der jeweiligen Situation abhängt.«

KI-bereite Daten

KI-bereite Daten stellen sicher, dass Datensätze für KI-Anwendungen optimiert sind, wodurch Genauigkeit und Effizienz verbessert werden. Die Bereitschaft wird durch die Fähigkeit der Daten bestimmt, ihre Eignung für spezifische KI-Anwendungsfälle nachzuweisen. Dies kann nur kontextbezogen zum KI-Anwendungsfall und zur verwendeten KI-Technik bestimmt werden, was neue Ansätze im Datenmanagement erzwingt.

Gartner-Analysten sagten, dass Organisationen, die in KI im großen Maßstab investieren, ihre Datenmanagementpraktiken und -fähigkeiten weiterentwickeln müssen, um sie auf KI auszudehnen. Dies wird den bestehenden und zukünftigen Geschäftsanforderungen gerecht, Vertrauen sicherstellen, Risiken und Compliance-Probleme vermeiden, geistiges Eigentum schützen und Vorurteile sowie Halluzinationen reduzieren.

Multimodale KI

Multimodale KI-Modelle werden gleichzeitig mit mehreren Datentypen trainiert, wie zum Beispiel Bilder, Videos, Audio und Text. Durch die Integration und Analyse verschiedener Datenquellen können sie komplexe Situationen besser verstehen als Modelle, die nur einen Datentyp verwenden. Dies hilft den Nutzern, die Welt besser zu verstehen und eröffnet neue Möglichkeiten für KI-Anwendungen.

Gartner sagte, dass multimodale KI in den nächsten fünf Jahren zunehmend integraler Bestandteil der Weiterentwicklung von Fähigkeiten in jeder Anwendung und Softwareprodukt in allen Branchen werden wird.

AI TRiSM

AI TRiSM spielt eine entscheidende Rolle bei der Sicherstellung einer ethischen und sicheren KI-Einführung. Es umfasst vier Schichten technischer Fähigkeiten, die Unternehmensrichtlinien für alle KI-Anwendungsfälle unterstützen und die KI-Governance, Vertrauenswürdigkeit, Fairness, Sicherheit, Zuverlässigkeit, Datenschutz und den Schutz von Daten gewährleisten.

»KI bringt neue Herausforderungen im Bereich Vertrauen, Risiko- und Sicherheitsmanagement mit sich, die herkömmliche Kontrollen nicht abdecken«, sagte Khandabattu. »Organisationen müssen geschichtete AI TRiSM-Technologie evaluieren und implementieren, um kontinuierlich Richtlinien für alle eingesetzten KI-Entitäten zu unterstützen und durchzusetzen.«

Der Unterschied zwischen KI-Agenten und multimodaler KI

KI-Agenten

KI-Agenten sind autonome Softwareeinheiten, die eigenständig Aufgaben erledigen, Entscheidungen treffen und mit ihrer Umgebung interagieren können. Sie nutzen häufig große Sprachmodelle, Prompt-Engineering und Tool-Ketten, um komplexe Workflows abzubilden und dynamisch auf neue Anforderungen zu reagieren. Ein konkretes Beispiel ist Fujitsu, das KI-Agenten einsetzt, um Kundenanfragen zu beantworten und personalisierte Finanzierungsangebote zu erstellen.

Multimodale KI

Multimodale KI bezeichnet Modelle, die Daten aus verschiedenen Modalitäten wie Text, Bild, Audio und Video gleichzeitig verarbeiten und in einen ganzheitlichen Kontext setzen. Durch die Integration mehrerer Datentypen können sie Nuancen und Zusammenhänge besser erfassen, genauere Analysen liefern und menschlichere Interaktionen ermöglichen, beispielsweise durch synchronisierte Sprach- und Bildauswertung.

Kernunterschiede

Zusammenspiel und Ausblick

Moderne KI-Agenten integrieren zunehmend multimodale Modelle, um ihre Entscheidungen auf vielfältige Datenquellen zu stützen und komplexere Aufgaben zu bewältigen. Diese Kombination aus autonomem Handeln und multimodalem Verständnis eröffnet neue Anwendungsfelder wie interaktive Assistenzsysteme, adaptive Lernplattformen und erweiterte Analyse-Tools in Forschung und Industrie1.

Der Unterschied zwischen KI-Agenten und KI-bereiten Daten

KI-Agenten:

KI-Agenten sind autonome oder halbautonome Softwareeinheiten, die KI-Techniken nutzen, um ihre Umgebung wahrzunehmen, Entscheidungen zu treffen, Maßnahmen zu ergreifen und Ziele in ihren digitalen oder physischen Umgebungen zu erreichen.

Organisationen schaffen und implementieren KI-Agenten mithilfe von KI-Praktiken und -Techniken wie LLMs (Large Language Models), um komplexe Aufgaben zu bewältigen.

Der Einsatz von KI-Agenten hängt stark von den spezifischen Anforderungen der jeweiligen Situation ab, da kein KI-Agent dem anderen gleicht und jede Situation anders ist.

KI-bereite Daten:

KI-bereite Daten stellen sicher, dass Datensätze für KI-Anwendungen optimiert sind, wodurch Genauigkeit und Effizienz verbessert werden.

Die Bereitschaft der Daten wird durch ihre Fähigkeit bestimmt, ihre Eignung für spezifische KI-Anwendungsfälle nachzuweisen.

Diese Eignung kann nur kontextbezogen zum KI-Anwendungsfall und zur verwendeten KI-Technik bestimmt werden, was neue Ansätze im Datenmanagement erzwingt.

Zusammengefasst: KI-Agenten sind Softwareeinheiten, die eigenständig handeln und Entscheidungen treffen, während KI-bereite Daten optimierte Datensätze sind, die für den Einsatz in KI-Anwendungen vorbereitet wurden.

Was ist AI TRiSM?

AI TRiSM steht für »Artificial Intelligence Trust, Risk and Security Management« und beschreibt ein integriertes Framework zur Governance, Vertrauenswürdigkeit, Risikobewertung und Sicherheit von KI-Modellen und den zugrundeliegenden Daten.

Ursprung und Entwicklung

AI TRiSM wurde erstmals von Gartner als Antwort auf das wachsende Bedürfnis nach einem einheitlichen Ansatz für KI-Governance, -Risiko und -Sicherheit vorgestellt. Ziel war es, die Vielzahl fragmentierter Frameworks zu einer ganzheitlichen Lösung zusammenzuführen und Unternehmen ein proaktives Management ihrer KI-Initiativen zu ermöglichen.

Kernkomponenten von AI TRiSM

• Governance: Etablierung von Prozessen, Standards und Leitplanken für ethisch verantwortbare KI-Systeme und transparentes Reporting
• Vertrauenswürdigkeit und Fairness: Sicherstellung, dass Modelle ohne unerwünschte Voreingenommenheit agieren und Entscheidungen nachvollziehbar bleiben
• Zuverlässigkeit und Robustheit: Überwachung der Modellperformance und Abwehr gegnerischer Angriffe (Adversarial Attacks) sowie verzerrungsfreier Outputs
• Datenschutz und Compliance: Schutz sensibler Daten durch Klassifikation, Zugangskontrollen und Verschlüsselung entlang des gesamten Modell-Lifecycles
• Interpretierbarkeit und Erklärbarkeit: Techniken und Tools, die es Anwendern erlauben, Modellentscheidungen nachzuvollziehen und zu validieren

Warum AI TRiSM wichtig ist

Viele Unternehmen realisieren Risiken und regulatorische Anforderungen erst, wenn KI-Anwendungen bereits produktiv im Einsatz sind. AI TRiSM setzt genau hier an, indem es Governance, Risiko- und Sicherheitsmaßnahmen bereits während der Entwicklung und Implementierung integriert und so potenzielle Ausfall- oder Haftungsrisiken deutlich reduziert.

Praxisbeispiel: BigID AI TRiSM-Plattform

BigID hat eine kommerzielle AI TRiSM-Lösung gelauncht, die folgende Funktionen vereint:

• Kontinuierliches Monitoring von Modell- und Datenrisiken
• Automatische Auslösung von Remediation-Workflows bei Policy-Verstößen
• Durchsetzung von Unternehmensrichtlinien basierend auf Sensitivität und Datenintegrität
• Echtzeit-Reporting und Audit-Fähigkeit für Security- und Compliance-Teams

Genki Absmeier