Im Herbst 2025 hat die Kampagnenorganisation Campact eine einstweilige Verfügung gegen das Unternehmen X.AI erwirkt, weil der KI-Chatbot Grok behauptet hatte, Campact werde mit Steuergeldern finanziert. Das Landgericht Hamburg stellte klar, dass es sich um eine unwahre Tatsachenbehauptung handelt (Campact, Pressemitteilung vom 10. Oktober 2025); bei Verstößen gegen eine solche Verfügung droht nach Paragraf 890 der Zivilprozessordnung ein Ordnungsgeld von bis zu 250.000 Euro. Der Fall zeigt, wie schnell KI-Halluzinationen zum Rechtsrisiko werden.
Damit ist angekommen, was Praktiker seit zwei Jahren erleben: Halluzinationen sind kein technisches Detail, sondern ein Geschäftsrisiko. Sie kosten Geld, wie im Fall Air Canada, wo das zuständige Tribunal in British Columbia 2024 einem Kunden Schadenersatz zusprach, weil der Chatbot eine Rückerstattungsregel erfunden hatte. Sie kosten Ansehen, wie beim Paketdienst DPD, dessen Bot im Januar 2024 Kunden beschimpfte.
Gleichzeitig gilt: Halluzinationen sind nicht lösbar wie ein Programmierfehler. Sie sind eine Eigenschaft generativer Modelle. Das Ziel ist nicht null Prozent, sondern ein vorhersagbares, dokumentiertes und kontrolliertes Risiko. Dieser Leitfaden zeigt, was Halluzinationen wirklich sind, was die KI-Verordnung nach dem Digital Omnibus verlangt und welche sieben Hebel Unternehmen einsetzen können, ohne KI zu verbieten.
Das Wichtigste in Kürze
- Falsche KI-Aussagen über Dritte können Sie teuer zu stehen kommen. Das Landgericht Hamburg untersagte X.AI im Herbst 2025 die Verbreitung einer Grok-Falschbehauptung; Air Canada musste 2024 für eine erfundene Tarifregel seines Chatbots einstehen.
- Halluzinationen lassen sich nicht abschalten. Eine Forschungsarbeit von Adam Tauman Kalai und Kollegen (September 2025) führt sie darauf zurück, dass Training und Bewertungsverfahren Raten belohnen und Unsicherheit bestrafen.
- Mehr Denken heißt nicht weniger Fehler, aber der Trend zeigt nach unten. OpenAIs o3 und o4-mini lagen 2025 auf dem eigenen Test PersonQA bei 33 % und 48 % gegenüber 16 % beim Vorgänger o1; für die GPT-5-Generation weist OpenAI deutlich niedrigere Raten aus.
- Auch aktuelle Modelle halluzinieren messbar. Auf dem Vectara-Leaderboard für das Zusammenfassen vorgegebener Texte liegen große Modelle bei rund 7 bis 14 %, der Bestwert bei 1,8 % (Stand 11. Mai 2026).
- Wirksam sind Kontrollen, nicht Hoffnung: eigene Dokumente als Grundlage, Quellenpflicht, Werkzeuge statt Schätzung, Guardrails, mehrere Modelle und eine dokumentierte Freigabe durch Menschen.
Was ist eine KI-Halluzination?
Eine KI-Halluzination ist eine flüssig formulierte Ausgabe, die sachlich falsch oder nicht belegt ist, aber überzeugend klingt.
Im Unternehmen wird der Begriff oft für alles benutzt, was schiefgeht. Sauberer ist die Unterscheidung in drei Kategorien:
Faktische Halluzination
Das Modell erfindet konkrete Angaben: Namen, Datumsangaben, Paragrafen, Studien, Urteile, Produkteigenschaften. Das ist die klassische Erfindung, die in Anwaltsfällen und Chatbot-Vorfällen auftritt.
Kontext-Halluzination
Das Modell weicht von den Quellen ab, die es bekommen hat. Zahlen werden geglättet, Bedingungen weggelassen, Aussagen über den Beleg hinaus verallgemeinert.
Selbstüberschätzung
Das Modell behauptet, etwas getan zu haben, was nicht geschehen ist: ein Dokument geprüft, ein Werkzeug aufgerufen, eine Rechnung ausgeführt.
Keine Halluzination ist dagegen eine bewusst kreative Antwort oder ein ehrliches „Das weiß ich nicht“. Genau diese Fähigkeit, Unsicherheit auszusprechen, ist im Unternehmenseinsatz ein zentrales Qualitätsmerkmal.
Warum das Verhalten überhaupt entsteht, beschreibt eine Arbeit von Adam Tauman Kalai und Kollegen aus dem September 2025: Training und gängige Bewertungsverfahren belohnen eine geratene Antwort stärker als ein Eingeständnis von Unsicherheit. Modelle lernen also, plausibel zu antworten, auch wenn die Grundlage dünn ist. Wie sich diese Lücke mit eigenen Dokumenten schließen lässt, erklärt unser Leitfaden zu Retrieval Augmented Generation.
Halluzinieren Reasoning-Modelle mehr? Warum Versionssprünge zählen
Nicht grundsätzlich, aber es kommt auf die Version an: 2025 halluzinierten einzelne Reasoning-Modelle deutlich häufiger als ihr Vorgänger, die nächste Generation wieder deutlich seltener.
Die intuitive Annahme, dass längeres Nachdenken zu weniger Fehlern führt, hat sich 2025 nicht bestätigt. In OpenAIs eigener Systemkarte lagen die Halluzinationsraten auf dem internen Test PersonQA wie folgt (zusammengefasst bei TechCrunch):
| Modell (Stand April 2025) | Halluzinationsrate auf PersonQA | Einordnung |
|---|---|---|
| OpenAI o1 | rund 16 % | Erste Reasoning-Generation, vergleichsweise zurückhaltend |
| OpenAI o3-mini | rund 14,8 % | Kleineres Modell, weniger Behauptungen pro Antwort |
| OpenAI o3 | rund 33 % | Mehr aktive Aussagen, damit mehr Fehler in absoluter Zahl |
| OpenAI o4-mini | rund 48 % | Höchster Wert, besonders wenn nichts gefunden wird |
Diese Werte beschreiben die Modellgeneration vom Frühjahr 2025. Für die GPT-5-Generation weist OpenAI in der Systemkarte vom August 2025 deutlich bessere Werte aus: Das Denkmodell gpt-5-thinking halluzinierte im realen Betrieb rund 65 % seltener als o3, und auf dem Test SimpleQA lag das kleinere gpt-5-thinking-mini bei 26 % gegenüber 75 % bei o4-mini. Der Trend zeigt also nach unten, verläuft aber nicht gleichmäßig.
Für Unternehmen folgt daraus eine einfache Regel: Verlassen Sie sich nicht auf den Ruf einer Modellfamilie, sondern messen Sie jede neue Version auf Ihren eigenen Aufgaben. Was die Denkmodi im Einzelnen leisten, behandelt unser Beitrag zu Thinking Models im Unternehmen.
Was das für Ihre Plattform-Entscheidung bedeutet
- Reasoning-Modelle gezielt einsetzen, dort wo mehrere Schritte und eigene Recherche wirklich helfen: Analysen, Code, Strategiearbeit. Nicht als Standard für einfache Faktenfragen.
- Wissensfragen von Denkaufgaben trennen. Für Wissensfragen ist ein Modell mit Zugriff auf die eigenen Dokumente fast immer die bessere Wahl.
- Werkzeugaufrufe protokollieren. Behauptet ein Modell, ein Werkzeug genutzt zu haben, muss das im Protokoll nachvollziehbar sein.
- Modell-Lock-in vermeiden. Wer nur ein Modell einsetzt, hat keine Wahl, wenn dessen Fehlerquote steigt.
Vier reale Fälle, die jedes Unternehmen kennen sollte
Halluzinationen wirken abstrakt, bis sie vor Gericht landen. Die folgenden Fälle sind öffentlich dokumentiert und zeigen, wo die Verantwortung liegt.
| Fall | Was passierte | Konsequenz | Lehre |
|---|---|---|---|
| Campact gegen X.AI, Herbst 2025 | Grok behauptete, die Organisation werde mit Steuergeldern finanziert. | Einstweilige Verfügung des Landgerichts Hamburg; das Gericht wertete die Aussage als unwahre Tatsachenbehauptung. | Wer eine KI öffentlich über Dritte sprechen lässt, muss damit rechnen, dafür einzustehen. |
| Air Canada, Februar 2024 | Der Chatbot erfand eine Rückerstattungsregel für Trauerfälle, die es nicht gab. | Schadenersatz von 812,02 kanadischen Dollar vor dem B.C. Civil Resolution Tribunal; das Argument, der Bot sei eine eigene Rechtsperson, wurde verworfen. | Ihr Chatbot ist Teil Ihres Unternehmens. Was er sagt, ist Ihre Aussage. |
| Mata gegen Avianca, Juni 2023 | Ein Anwalt reichte einen Schriftsatz mit sechs erfundenen Präzedenzfällen ein. | Sanktion von 5.000 US-Dollar durch das Gericht im Southern District of New York. | Jede KI-Ausgabe gehört geprüft, bevor sie nach außen geht. |
| DPD, Januar 2024 | Nach einer Aktualisierung beschimpfte der Support-Bot Kunden und schmähte das eigene Unternehmen. | Sofortige Abschaltung des KI-Teils, erhebliche Berichterstattung. | Regelmäßige Stresstests und Guardrails sind Pflicht, nicht Kür. |
Die juristische Faustregel
Der Forscher Damien Charlotin pflegt eine öffentliche Datenbank von Gerichtsverfahren, in denen KI-Halluzinationen in Schriftsätzen aufgetaucht sind; die Sammlung wächst laufend. Die Sanktionen in den USA reichen von einigen hundert bis zu mehreren tausend US-Dollar, dazu kommen berufsrechtliche Folgen. Für Unternehmen heißt das: In den dokumentierten Fällen trugen die Menschen die Folgen, die eine KI-Ausgabe ungeprüft in ein offizielles Dokument übernommen hatten, nicht der KI-Anbieter.
Was verlangt die KI-Verordnung zu Halluzinationen?
Die KI-Verordnung schreibt keine Halluzinationsrate vor, macht das Thema aber zu einer Frage von Dokumentation und menschlicher Aufsicht.
Drei Artikel sind relevant. Die Pflichten für Hochrisiko-Systeme greifen nach dem Digital Omnibus allerdings erst ab Dezember 2027 beziehungsweise August 2028 (Stand September 2026).
Genauigkeit und Robustheit
Hochrisiko-Systeme müssen eine angemessene Genauigkeit über den Lebenszyklus erreichen; der Wert gehört in die Betriebsanleitung. Geltung ab 2. Dezember 2027 für Systeme nach Anhang III, ab 2. August 2028 für Produkte nach Anhang I.
Menschliche Aufsicht
Hochrisiko-Systeme müssen so gestaltet sein, dass Menschen sie wirksam beaufsichtigen können, Empfehlungen hinterfragen und Entscheidungen überschreiben können.
Transparenz
Nutzer müssen verstehen können, wie ein System arbeitet, welche Grenzen es hat und unter welchen Bedingungen es zuverlässig ist. Hinweise auf Fehlerrisiken gehören dazu.
Wer nicht im Hochrisiko-Bereich arbeitet, und das ist im Mittelstand der Regelfall, wird von Artikel 15 nicht unmittelbar getroffen.
Die Pflicht zur KI-Kompetenz aus Artikel 4 gilt dagegen für alle: Anbieter und Betreiber müssen Maßnahmen ergreifen, um die KI-Kompetenz ihrer Beschäftigten zu fördern. Ein bestimmtes Niveau, ein Pflichtkurs oder ein Zertifikat sind seit dem Digital Omnibus nicht vorgeschrieben. Wissen über Halluzinationen und Quellenprüfung ist eine naheliegende Maßnahme. Diese Einordnung ersetzt keine Rechtsberatung.
Was hilft gegen KI-Halluzinationen? Die sieben Hebel
Am wirksamsten sind eigene Dokumente als Grundlage, eine Quellenpflicht, Werkzeuge statt Schätzung und eine dokumentierte Freigabe durch Menschen. Selbstprüfung, Guardrails und mehrere Modelle ergänzen diese Hebel.
Die folgenden sieben Hebel sind durch Studien oder Praxisberichte belegt. Die Kunst liegt nicht darin, alle einzusetzen, sondern die richtigen je Anwendungsfall zu kombinieren.
Hebel 1: Antworten auf eigene Dokumente stützen
Statt aus dem Gedächtnis zu antworten, bekommt das Modell Ihre Unterlagen als Grundlage: Wiki, Handbücher, Verträge, Servicefälle. Die Antwort entsteht dann auf Basis dieser Quellen, idealerweise mit Fundstellen.
Studien aus dem Jahr 2025 zeigen messbare Effekte: Das Verfahren Finetune-RAG verbessert die Faktentreue um 21,2 % gegenüber dem Basismodell (arXiv 2505.10792), ein Anwendungsfall im Gesundheitswesen senkt Halluzinationen um mehr als 40 % (PubMed 41132171), und ein graphbasierter Ansatz im Finanzbereich erreicht 6 % weniger Halluzinationen bei 80 % geringerem Tokenverbrauch (ACL Anthology 2025.genaik-1.6).
In der Praxis ist das der wichtigste einzelne Hebel. Wer mit einer reinen Chat-Lizenz startet und sich wundert, warum die Ergebnisse dünn bleiben, hat häufig schlicht keine Anbindung an die eigenen Dokumente.
Hebel 2: Quellenpflicht
Eine Antwort ohne Quelle ist im Unternehmenskontext keine belastbare Antwort. Wer je Antwort die genutzten Dokumente ausweisen lässt, erreicht zweierlei: Nutzer prüfen häufiger nach, und das Modell formuliert vorsichtiger, weil es seine Aussagen belegen muss.
Eine pragmatische Regel genügt für den Anfang: Antworten ohne Quelle sind nicht für die externe Kommunikation freigegeben. Das verhindert einen großen Teil der unangenehmen Vorfälle.
Hebel 3: Selbstprüfung und Mehrfachantworten
Chain-of-Verification ist ein vierstufiges Verfahren (Meta AI Research, arXiv 2309.11495): Das Modell erzeugt eine Antwort, formuliert dazu Prüffragen, beantwortet diese unabhängig und korrigiert sich anschließend. Es wirkt besonders bei listenartigen Aussagen.
Self-Consistency lässt dieselbe Frage mehrfach beantworten und nimmt die häufigste Antwort. Auf Mathematikaufgaben verbesserte das in der ursprünglichen Untersuchung von Google Research die Genauigkeit um 17,9 % (GSM8K) beziehungsweise 11 % (SVAMP). Der Preis sind höhere Kosten je Anfrage, also lohnt es dort, wo Genauigkeit vor Geschwindigkeit geht.
Hebel 4: Werkzeuge statt Schätzung
Wenn das Modell ein Werkzeug aufrufen kann, muss es nicht raten. Statt zu fragen, wie hoch der Umsatz im ersten Quartal war, und auf eine plausible Zahl zu hoffen, ruft es die Datenbank auf und bekommt den echten Wert.
Für die Plattformauswahl heißt das: Achten Sie auf echte Werkzeugnutzung über mehrere Modelle hinweg und auf Protokolle, die zeigen, welches Werkzeug wann mit welchem Ergebnis aufgerufen wurde. Standardisiert wird diese Anbindung über das Model Context Protocol (MCP).
Hebel 5: Guardrails und Prüfung der Ausgabe
Werkzeuge wie NVIDIA NeMo Guardrails bieten eigene Kategorien für die Erkennung von Halluzinationen und für Faktenprüfungen. Sie analysieren die Ausgabe, bevor sie an den Nutzer geht, und können sie blockieren oder abschwächen. Meta stellt mit Llama Guard ein offenes Modell für die Prüfung von Ein- und Ausgaben bereit.
Für KI in externen Kanälen, also Chatbot, automatische Antwortmail oder Self-Service-Portal, sind Guardrails kein Luxus. Sie gehören zur Grundausstattung, zusammen mit den Maßnahmen gegen Prompt Injection.
Hebel 6: Mehrere Modelle als Absicherung
Jede Modellfamilie hat Stärken und Schwächen, und diese verschieben sich mit jeder Version. Eine belastbare Architektur nutzt deshalb mehrere Modelle: entweder im Abgleich, indem dieselbe Frage an zwei Modelle geht, oder über eine Zuordnung von Aufgabentyp zu Modell.
Das ist keine theoretische Übung, sondern eine Versicherung gegen Qualitätsschwankungen, Preisänderungen und die oben beschriebenen Sprünge zwischen Versionen.
Hebel 7: Freigabe durch Menschen, dokumentiert
Der wirkungsvollste Hebel ist der unscheinbarste: Menschen prüfen, bevor etwas herausgeht. Das heißt nicht, jede E-Mail zu lesen, sondern klare Eskalationsregeln, Pflichtfelder und das Vier-Augen-Prinzip bei kritischen Ausgaben.
Für die Compliance-Sicht entscheidend ist die Dokumentation dieser Regeln. Wer nachweisen kann, dass eine kritische KI-Ausgabe vor der Veröffentlichung geprüft werden muss, steht in einer anderen Risikoklasse als ein Unternehmen ohne Regel. Die Vorlage dafür gehört in die KI-Richtlinie.
Welcher Hebel passt zu welchem Anwendungsfall?
Der wichtigste Hebel hängt vom Anwendungsfall ab: Wissenssuche braucht eigene Dokumente, Kunden-Chatbots brauchen Guardrails, Analysen brauchen Werkzeuge. Die Tabelle ordnet sechs typische Fälle zu.
| Anwendungsfall | Wichtigster Hebel | Sinnvolle Ergänzung | Verzichtbar |
|---|---|---|---|
| Interne Wissenssuche | Eigene Dokumente als Grundlage | Quellenpflicht, Wahl des passenden Modells | Reasoning-Modus, Mehrfachantworten |
| Externer Kunden-Chatbot | Guardrails und Prüfung der Ausgabe | Eigene Dokumente, Quellenpflicht, Eskalation an Menschen | Reasoning-Modus, zu teuer je Anfrage |
| Daten- und Excel-Analyse | Werkzeuge (Code-Ausführung, Datenbank) | Protokolle, Mehrfachantworten | Dokumentensuche, die Daten kommen aus Systemen |
| Vertragsanalyse und Recht | Freigabe durch Menschen, dokumentiert | Eigene Dokumente, Selbstprüfung, Abgleich über zwei Modelle | Antwort ohne Quellenangabe |
| Code-Erzeugung | Werkzeuge (Tests, Linter) | Mehrere Modelle, Prüfung der Paketnamen | Quellenpflicht |
| Recherche und Strategiepapiere | Reasoning-Modell mit Websuche | Quellenpflicht, Mehrfachantworten | Der schnellste und günstigste Modus |
Slopsquatting: die unterschätzte Code-Halluzination
Eine Untersuchung der Universitäten Texas San Antonio, Oklahoma und Virginia Tech (veröffentlicht auf der USENIX Security 2025) hat 16 Code-Modelle getestet, darunter GPT-4, GPT-3.5 und DeepSeek Coder. Bei 576.000 analysierten Code-Beispielen lag der Anteil erfundener Paketnamen bei 5,2 % für kommerzielle und 21,7 % für offene Modelle. 43 % der erfundenen Namen tauchten in allen zehn Wiederholungsläufen wieder auf, waren also kein Zufall.
Das ist Halluzination mit Sicherheitsfolge: Angreifer registrieren genau diese Namen und schleusen Schadcode ein. Wer Coding-Assistenten produktiv einsetzt, braucht eine Prüfung der Abhängigkeiten in der Auslieferungskette.
Praxis-Checkliste: Halluzinations-Governance in 90 Tagen
In 90 Tagen lässt sich eine belastbare Grundordnung aufbauen: Inventur, Regeln, Anbindung der Dokumente, Schulung und Messung. Die Checkliste führt durch die einzelnen Schritte.
Was Sie in den nächsten 90 Tagen tun sollten
- Inventur: Welche KI-Werkzeuge sind heute im Einsatz, auch inoffiziell?
- Einordnung: Welche Anwendungsfälle sind intern, welche extern, welche entscheidungsrelevant?
- Risiko je Anwendungsfall: Welche Halluzinationsart ist dort relevant, faktisch, kontextbezogen oder Selbstüberschätzung?
- Quellenpflicht festlegen: Für welche Kommunikation sind Antworten ohne Quelle nicht erlaubt?
- Eskalationsregeln: Welche Ausgaben gehen automatisch durch, welche brauchen ein zweites Augenpaar?
- Dokumente anbinden: Mindestens für die drei wichtigsten Wissensquellen, etwa Wiki, Dateiablage und Handbücher.
- Zwei Modellfamilien verfügbar halten, damit ein Wechsel ohne Migrationsprojekt möglich ist.
- Guardrails prüfen: Für alle Kanäle, die ohne menschliche Zwischenstufe nach außen gehen.
- Schulung: Module zu Halluzinationen, Quellenprüfung und Eskalation. Das dokumentiert zugleich Maßnahmen nach Artikel 4 der KI-Verordnung.
- Protokolle: Wer hat wann welche Antwort erhalten und freigegeben? Aufbewahrungsfrist mit Datenschutz und Betriebsrat festlegen; Betreiber von Hochrisiko-Systemen müssen Protokolle ab Geltung der Hochrisiko-Pflichten mindestens sechs Monate aufbewahren.
- Stresstests: Vierteljährlich versuchen, den eigenen Assistenten zu falschen Aussagen zu bringen, und die Lücken schließen.
- Messung: Stichproben durch den Fachbereich, etwa 50 Antworten je Anwendungsfall und Monat, ergänzt um feste Testfragen, die bei jeder Modelländerung erneut laufen.
- Verträge: Im Auftragsverarbeitungsvertrag klären, wer wofür einsteht.
- Neue Modellversion, neue Messung: Erscheint eine neue Version, planen Sie einen Tag für den erneuten Test auf Ihren eigenen Aufgaben ein.
Wie Plotdesk diese Hebel kombiniert
Plotdesk verbindet eine KI-Plattform mit einem Umsetzungsteam für den Mittelstand: dedizierte Instanz in der EU oder im eigenen Tenant, DSGVO-konformer Auftragsverarbeitungsvertrag, Rollen, Berechtigungen und Audit-Logs. Für die oben beschriebenen Hebel heißt das konkret:
Model Garden statt eines einzelnen Modells
Mehr als 100 Modellvarianten aus zehn Provider-Typen stehen über eine Oberfläche und eine API zur Verfügung und lassen sich je Team steuern. Zeigt eine Version Schwächen, schalten Sie für das betroffene Team auf ein anderes Modell um, ohne Änderung am Code.
Silos und Files mit OCR
Wissensspeicher nehmen Dokumentsammlungen auf, gescannte Unterlagen werden über Texterkennung lesbar. Die KI antwortet auf Basis der gefundenen Stellen statt aus dem Gedächtnis.
Instructions als feste Regeln
Verhaltensregeln je Organisation oder Team gelten automatisch, etwa die Quellenpflicht oder die Vorgabe, fehlende Informationen zu benennen statt zu ergänzen. Das ist Prävention durch Voreinstellung.
Protokolle und Auswertungen
Audit-Logs machen Anfragen nachvollziehbar, Nutzungs- und Kostenanalysen zeigen, welche Teams welche Modelle und Anwendungen nutzen. Das ist die Grundlage für Stichproben und für die Dokumentation von Maßnahmen nach Artikel 4.
Plotdesk ersetzt also nicht die Modelle, sondern ergänzt die Steuerungsebene darüber. Der Weg zur produktiven Lösung folgt vier Schritten: KI-Potenzialanalyse, Proof of Value, produktive Lösung, systematischer Ausbau. Welche Kontrollen ein Anwendungsfall braucht, leitet das Umsetzungsteam aus 1.200+ Use Cases in 15 Branchen ab.
Häufige Fragen zu KI-Halluzinationen
Werden Halluzinationen mit jeder Modellgeneration weniger?
Reicht ein guter Prompt, um Halluzinationen zu vermeiden?
Was passiert, wenn unsere KI eine falsche Aussage über einen Kunden trifft?
Müssen kleine Unternehmen sich darum kümmern?
Welches Modell halluziniert am wenigsten?
Wie messen wir Halluzinationen im laufenden Betrieb?
Fazit: Halluzinationen sind ein Führungsthema
KI-Halluzinationen verschwinden nicht mit besseren Modellen; steuerbar ist der Umgang damit.
Die Daten aus Modelltests, Gerichtsfällen und Leaderboards zeigen: Mit neuen Modellen ändern sich Häufigkeit und Art der Fehler, nicht ihre Existenz. Was Sie tun können:
- Antworten auf eigene Dokumente stützen, statt das Modell aus dem Gedächtnis reden zu lassen.
- Quellenpflicht durchsetzen, statt auf Vertrauen zu bauen.
- Mehrere Modelle verfügbar halten, statt sich an eine Version zu binden.
- Mitarbeitende befähigen, statt Bürokratie zu erzeugen.
- Messung und Freigaben etablieren, bevor ein Vorfall dazu zwingt.
Das ist der Unterschied zwischen Unternehmen, die KI zum Vorteil machen, und solchen, die in zwei Jahren erklären müssen, warum ihr Assistent etwas Falsches gesagt hat.