KI-Anwendungsfälle im Unternehmen finden und bewerten

Ein KI-Projekt braucht ein konkretes Geschäftsproblem: Rechnungen bleiben liegen, Fachwissen ist schwer auffindbar oder Anfragen müssen aufwendig von Hand zugeordnet werden. Um KI-Potenziale im Unternehmen zu bewerten, müssen Nutzen, Datenlage und Fehlerfolgen für solche Aufgaben bekannt sein.

Die veröffentlichten Ergebnisse zeigen, warum sich diese Prüfung lohnt. KI kann bestimmte Aufgaben deutlich beschleunigen und bei anderen zu mehr Fehlern führen. Dieser Leitfaden beschreibt, wie Sie passende Anwendungsfälle finden, mit klassischen Lösungen vergleichen und für ein Pilotprojekt priorisieren.

Die Verbreitung wächst schneller als die Wirkung

2025 setzten 20 % der EU-Unternehmen mit mindestens 10 Beschäftigten KI-Technologien ein, ein Jahr davor waren es 13,5 % (Eurostat). Am häufigsten ging es um die Auswertung geschriebener Sprache.

Der finanzielle Nutzen hält damit nicht Schritt. In McKinseys Erhebung «The State of AI 2026» führten 37 % der Befragten überhaupt eine Wirkung auf das Betriebsergebnis auf KI zurück, und rund 6 % zählten zu den Unternehmen, die McKinsey als High Performer bezeichnet. Etwa 20 % gaben an, dass die Betriebskosten der KI ihren Einsatz bereits begrenzen.

Auf Aufgabenebene ist das Bild ebenso zweigeteilt. Eine Feldstudie mit 5'172 Mitarbeitenden im Kundendienst, veröffentlicht im Quarterly Journal of Economics, ergab, dass ein generativer KI-Assistent die pro Stunde gelösten Fälle um durchschnittlich 15 % erhöhte, wobei weniger erfahrene Mitarbeitende am stärksten profitierten (Brynjolfsson, Li und Raymond). Ein Feldexperiment mit 758 Beratenden, veröffentlicht in Organization Science, zeigte innerhalb der Leistungsgrenze des Modells 12,2 % mehr erledigte Aufgaben und eine um 25,1 % kürzere Bearbeitungszeit. Bei einer Aufgabe, die absichtlich jenseits dieser Grenze lag, kamen dieselben Teilnehmenden mit einer um 19 Prozentpunkte geringeren Wahrscheinlichkeit zur richtigen Lösung (Dell'Acqua und Kollegen).

Für die eigene Investitionsentscheidung ergibt sich daraus eine konkrete Prüffrage:

Welche Aufgabe lässt sich mit unseren Daten in ausreichender Qualität bearbeiten, und übersteigt der Nutzen die Kosten für Umsetzung, Prüfung und Betrieb?

Eine Fähigkeit ist noch kein Anwendungsfall

«Zusammenfassen» ist eine Fähigkeit. «Die Zeit verkürzen, die Kundenbetreuende brauchen, um Gespräche in CRM-Einträge zu überführen, bei gleichbleibenden Pflichtfeldern und einer Freigabe vor dem Speichern» ist ein Anwendungsfall.

Der CRM-Ablauf hat eine messbare Menge, Kosten, eine verantwortliche Person und klare Abnahmekriterien. Allgemeine Ziele wie «ein LLM einführen» oder «Agenten einsetzen» müssen zuerst auf diese Ebene heruntergebrochen werden, bevor sich Aufwand und Nutzen beurteilen lassen.

Eine brauchbare Problembeschreibung nennt den heutigen Zustand, die beobachteten Kosten oder Verzögerungen, den betroffenen Prozess und das gewünschte Ergebnis. Ein Beispiel: Die Buchhaltung verarbeitet Lieferantenrechnungen in hunderten Layouts. Dadurch entstehen zwei Tage Rückstand und viel Nachbearbeitung. Das Ziel ist, Bearbeitungszeit und manuelle Eingriffe zu senken, ohne die Finanzkontrolle zu schwächen.

Halten Sie vor dem Technikgespräch Geschäftsziel und Verantwortung fest. Dokumentieren Sie den Ablauf, Menge und Häufigkeit, Durchlaufzeit, Personalkosten, Nachbearbeitung und Fehlerquoten. Dazu kommen Fehlerkosten, beteiligte Systeme, Datenquellen und Schutzklassen, regulatorische Vorgaben und nötiges Fachurteil. Diese Angaben bilden den geschäftlichen Kontext, auf dem die technische Bewertung aufbaut.

Den Prozess verstehen, bevor man ihn automatisiert

Zeichnen Sie die Arbeit als Kette auf: Eingang, Tätigkeit, Entscheidung, Übergabe, System, Ausnahme, Ergebnis. Prüfen Sie anschliessend, wo sich Vorgänge stauen, Informationen doppelt erfasst werden oder Nacharbeit entsteht. Fragen Sie die Mitarbeitenden auch nach Behelfslösungen und Entscheidungen, die bisher nur auf Erfahrungswissen beruhen.

Die sichtbare Handarbeit und der eigentliche Engpass können an unterschiedlichen Stellen liegen.

Liegt eine Rechnung drei Tage wegen fünf aufeinanderfolgender Freigaben, verkürzt eine automatische Weiterleitung die Wartezeit womöglich kaum. Werden sechs bekannte Felder zwischen zwei Systemen kopiert, kann eine Schnittstelle genügen. Findet ein Wissensassistent keine Antwort, weil die Dokumentation veraltet ist, muss zuerst die Quelle verbessert werden. Solche Ursachen gehören in die Analyse, bevor eine KI-Anwendung beauftragt wird.

KI, klassische Automatisierung oder Prozessänderung?

Ähnliche Projektanfragen können unterschiedliche Ursachen haben. Die folgende Einteilung hilft, den ersten Arbeitsschritt festzulegen.

Klassische Software eignet sich für Aufgaben mit eindeutig festlegbaren Ergebnissen: Berechnungen, Prüfregeln, Berechtigungen, Datenbankoperationen, geplante Abläufe und feste Preisformeln. Hier lassen sich korrekte Ergebnisse direkt in Code beschreiben und testen.

KI kommt für variable Eingaben infrage, etwa unstrukturierte Dokumente, freie Texte, Sprachaufnahmen oder Bilder. Typische KI-Anwendungsfälle sind Klassifizierung, Datenextraktion, semantische Suche, Prognosen, Anomalieerkennung und Entwürfe. Häufig braucht nur ein einzelner Schritt ein Modell; Geschäftsregeln und nachfolgende Aktionen bleiben in klassischer Software.

Die Eignung an einzelnen Aufgaben prüfen

Das Experiment mit den 758 Beratenden zeigt, warum einzelne Aufgaben die richtige Betrachtungsebene sind. Zwei Tätigkeiten können für Menschen ähnlich anspruchsvoll sein und vom selben Modell sehr unterschiedlich bewältigt werden. Eine allgemeine Bewertung nach Abteilung oder Berufsrolle reicht deshalb nicht aus.

Prüfen Sie, ob KI diese Aufgabe mit Ihren Daten in ausreichender Qualität und zu tragbaren Kosten erledigt. Für einen Versuch sprechen eine ausreichende Häufigkeit, ein messbarer Nutzen, variable Eingaben, erreichbare Informationen und überprüfbare Ergebnisse. Können Fehler weder erkannt noch wirksam begrenzt werden, fehlt eine wesentliche Voraussetzung.

Datenreife für den Anwendungsfall beurteilen

Gartner befragte 1'203 Verantwortliche für Datenmanagement. 63 % verfügten nicht über die für KI nötigen Datenpraktiken oder wussten es nicht. Gartner erwartet zudem, dass Unternehmen bis 2026 60 % der KI-Projekte aufgeben, die nicht durch KI-taugliche Daten gestützt sind. Diese zweite Zahl ist eine Analystenprognose und keine gemessene Quote; sie beschreibt die Abhängigkeit, nicht einen belegten Anteil.

Die nötige Datenbasis hängt von der Aufgabe ab. Ein Prognosemodell braucht historische Beobachtungen, verlässliche Kennzeichnungen und genügend Beispiele seltener Ereignisse. Veränderungen gegenüber der Vergangenheit müssen berücksichtigt werden. Für Dokumentenverarbeitung werden repräsentative Layouts, erwartete Felder, Randfälle und Prüfregeln benötigt.

Ein Wissensassistent braucht verbindliche Quellen, wirksame Berechtigungen, Metadaten sowie Aktualisierungs- und Löschprozesse. Ein Agent benötigt ausserdem verlässliche Schnittstellen zu CRM, ERP, Ticketsystem oder Datenbanken und klar definierte Geschäftsregeln.

Klären Sie für jeden Kandidaten, ob die Daten vorhanden, aktuell, repräsentativ und rechtlich nutzbar sind. Benennen Sie die Verantwortlichen und prüfen Sie, ob Berechtigungen auch nach der Anbindung gelten. Aus den Daten muss sich ein geeigneter Testsatz zusammenstellen lassen. Offene Punkte gehören in einen Plan für die Datenaufbereitung.

Aus Zeitgewinn einen wirtschaftlichen Nutzen ableiten

Schätzen Sie Jahresmenge, Bearbeitungszeit, Personalkosten, Nachbearbeitung und Ausnahmebehandlung. Berücksichtigen Sie auch Fehler, Verzögerungen, entgangenen Umsatz und heutige Technikkosten. Daraus ergibt sich, welchen Nutzen eine Verbesserung höchstens erzielen kann.

Zehn freigewordene Stunden pro Woche sind noch keine entsprechende Kostenersparnis. Legen Sie fest, wie die Kapazität genutzt wird: für mehr Auftragsvolumen, besseren Service, weniger Überstunden oder anspruchsvollere Aufgaben. Auch geringere externe Ausgaben oder kürzere Zahlungszyklen können Wert schaffen. Erst mit diesen Annahmen lässt sich ein belastbarer Business Case rechnen.

Was ein Fehler kostet

Eine Angabe wie «95 % Genauigkeit» genügt für die Entscheidung nicht. Welche Fehler stecken in den übrigen 5 Prozent? Klären Sie die Folgen, Erkennbarkeit, Korrigierbarkeit und den nötigen Prüfaufwand für jede wesentliche Fehlerart.

Ein falscher interner Entwurf, den jemand vor dem Versand liest, hat andere Folgen als eine abgelehnte Bewerbung, eine ausgelöste Zahlung oder eine medizinische Empfehlung. Die menschliche Kontrolle muss zur Unsicherheit und zum möglichen Schaden passen.

Ein Bewertungsmodell, das sich anwenden lässt

Bewerten Sie alle Kandidaten nach denselben Kriterien, damit die Prioritäten über Abteilungen hinweg nachvollziehbar sind. Das folgende Modell von Alpine Edge dient der praktischen Vorauswahl. Es ist eine Heuristik zum Vergleichen, kein validierter Erfolgsindikator.

Vor der Punktebewertung müssen vier Voraussetzungen erfüllt sein: ein messbares Ergebnis, erreichbare und rechtlich nutzbare Daten, beherrschbare Fehlerfolgen und ein plausibler Vorteil von KI gegenüber einfacheren Lösungen. Scheitert ein Kandidat daran, wird zuerst die betreffende Lücke geklärt.

Kandidaten, die alle vier Hürden überstehen, werden auf zehn Dimensionen mit 1 bis 5 bewertet, jede mit einem eigenen Gewicht. Der Gesamtwert auf einer Skala bis 100 ist die Summe aus Bewertung ÷ 5 × Gewicht.

Das Ergebnis lesen

Ab 80 Punkten ist ein Fall nach dieser Heuristik ein starker Pilotkandidat. Bei 65 bis 79 Punkten sollte zuerst die grösste Unsicherheit geprüft werden. Bei 50 bis 64 Punkten fehlen noch wesentliche Grundlagen; unter 50 Punkten wird der Fall zurückgestellt oder anders gelöst. Diese Schwellen dienen der Priorisierung und sind keine Erfolgswahrscheinlichkeiten.

Ein Rechnungsablauf mit variablen Layouts erreicht beispielsweise 86 Punkte, wenn Geschäftswert, Aufgabenpassung und Häufigkeit jeweils mit 5 bewertet werden, die Anbindung mit 3 und alle übrigen Kriterien mit 4. Nach dem Modell wäre das ein geeigneter Kandidat für ein kontrolliertes Pilotprojekt. Datenlage, Integration und Kontrollen tragen dabei erheblich zur Bewertung bei.

Beispiele aus Dokumentenverarbeitung, Beratung und Industrie

Veröffentlichte Ergebnisse fallen in zwei Kategorien, die man nicht vermischen sollte: unabhängige Forschung und Zahlen, die ein Unternehmen über sich selbst berichtet.

Microsoft beschreibt bei Concentrix einen Ablauf zur Dokumentenverarbeitung mit rund 100'000 Rechnungen pro Monat in über 300 Layouts, mit einer Extraktionsgenauigkeit über 96 %, die im Januar 2026 99 % erreichte. Morgan Stanley gibt an, dass der interne KI-Assistent von 98 % der Beraterteams genutzt wird und das System Debrief Gesprächszusammenfassungen und Aufgaben aus freigegebenen Kundenterminen erzeugt. Siemens berichtet, dass Pilotprojekte mit dem Industrial Copilot die reaktive Instandhaltungszeit um durchschnittlich 25 % senkten. DBS nannte im Geschäftsbericht 2025 mehr als 2'000 KI- und ML-Modelle in über 430 Anwendungsfällen und rechnete Datenanalyse und KI einen jährlichen wirtschaftlichen Wert von rund 1 Milliarde SGD zu.

Alle vier Beispiele beruhen auf Angaben der beteiligten Unternehmen. Ihre Ergebnisse sind keine Prognose für andere Projekte. Für die eigene Planung ist vor allem die Aufgabenteilung interessant: Das Modell bearbeitet variable Informationen, feste Regeln steuern den Prozess und verantwortliche Personen prüfen folgenreiche Schritte.

Auch Studien zur Softwareentwicklung lassen sich nur begrenzt übertragen. METR fand 2025 in einem randomisierten Versuch, dass erfahrene Open-Source-Entwickler mit den getesteten KI-Werkzeugen 19 Prozent länger brauchten. Im Februar 2026 berichtete METR über eine Folgeuntersuchung: Neuere Werkzeuge könnten stärker beschleunigen, doch Auswahleffekte verhinderten eine verlässliche Bezifferung. Für eine Entscheidung im eigenen Team müssen Repository, Aufgabenmix und tatsächliche Nutzung gemessen werden.

Welche Probleme nicht zu KI gehören

Die Vorauswahl sollte auch dokumentieren, welche Aufgaben derzeit ausscheiden und weshalb. Typische Gründe sind:

Eindeutige Rechen- und Prüfregeln. Steuern, Zinsen, Identifikatoren und Berechtigungen lassen sich mit klassischem Code berechnen oder prüfen. Ein Sprachmodell sollte diese Regeln nicht ersetzen.

Geringes Volumen. Eine Aufgabe von fünfzehn Minuten, die wenige Male im Jahr anfällt, rechtfertigt selten ein individuell angebundenes KI-System.

Ungeklärte Abläufe. Unnötige Freigaben, Doppelerfassung, unklare Zuständigkeiten und schlechte Stammdaten sollten zuerst bereinigt werden. Sonst übernimmt die Automatisierung dieselben Schwächen.

Fehlende Ziele. «KI-first werden» oder «Agenten einführen» beschreibt noch keine betriebliche Verbesserung. Ohne Messgrösse fehlen Kriterien für Erfolg, Budget und Abbruch.

Schwerwiegende, nicht überprüfbare Fehler. Bei unumkehrbaren Entscheidungen, möglichen Personenschäden oder fehlender fachlicher Kontrolle ist vollständige Automatisierung besonders kritisch. Eine unterstützende Anwendung für Recherche oder Vorbereitung kann gesondert geprüft werden.

Ungeeignete Daten. Veraltete Dokumentation, fehlende Ergebnisdaten, unzuverlässige Kennzeichnungen oder unklare Zugriffsrechte müssen vor einer belastbaren Implementierung geklärt werden.

Zu hoher Prüfaufwand. Muss jemand jede Antwort vollständig neu erarbeiten, um sie zu beurteilen, kann der Zeitgewinn entfallen. Diese Arbeit gehört in die Wirtschaftlichkeitsrechnung.

Unklarer Nutzen nach dem Pilotprojekt. Gartner berichtete im Januar 2026, dass bis Ende 2025 mindestens 50 Prozent der Projekte mit generativer KI nach dem Proof of Concept aufgegeben wurden. Genannt werden unter anderem Datenqualität, Risikokontrollen, steigende Kosten und unklarer Nutzen. Ein technisch funktionierender Prototyp allein rechtfertigt deshalb keine Ausweitung.

Regulierung gehört in die Analyse

Bei Schweizer und europäischen Unternehmen gehört die rechtliche Einordnung in die frühe Bewertung. Sie beeinflusst unter anderem Datennutzung, Kontrollen und die Wahl des Betriebsmodells.

Die Schweiz hat noch kein allgemeines KI-Gesetz. Der Bundesrat hat die Bundesverwaltung beauftragt, eine Vorlage zur Umsetzung der KI-Konvention des Europarats vorzubereiten; ein Vernehmlassungsentwurf wird bis Ende 2026 erwartet (Bundeskanzlei). Das heisst nicht, dass KI unreguliert wäre. Das revidierte Datenschutzgesetz gilt seit dem 1. September 2023, und der EDÖB hält fest, dass das DSG für die KI-gestützte Bearbeitung von Personendaten gilt, mit besonderem Gewicht auf Transparenz und automatisierten Einzelentscheidungen. Fällt eine automatisierte Einzelentscheidung in den Anwendungsbereich von Artikel 21 DSG, muss der Verantwortliche die betroffene Person informieren und ihr ermöglichen, ihren Standpunkt darzulegen und eine Überprüfung durch einen Menschen zu verlangen, unter Vorbehalt der gesetzlichen Ausnahmen (EDÖB).

In der EU gilt die KI-Verordnung seit dem 2. August 2026 grundsätzlich. Für Hochrisikosysteme gelten gesonderte Fristen. Das KI-Omnibus-Paket trat am 27. Juli 2026 in Kraft und verschob die Anwendungstermine der wichtigsten Hochrisiko-Pflichten auf den 2. Dezember 2027 für Systeme nach Anhang III und auf den 2. August 2028 für Hochrisiko-KI in regulierten Produkten nach Anhang I (Verordnung (EU) 2026/1744 sowie die Umsetzungsseiten der Europäischen Kommission). Einzelne Transparenzregeln gelten bereits seit August 2026. Schweizer Organisationen sollten Artikel 2 zum räumlichen Anwendungsbereich genau lesen, denn er erfasst bestimmte Anbieter und Betreiber in Drittstaaten, wenn das Ergebnis in der Union verwendet wird. Wo die DSGVO greift, gibt Artikel 22 zusätzlich ein Recht, bestimmten ausschliesslich automatisierten Entscheidungen nicht unterworfen zu werden. Die Einordnung des konkreten Vorhabens sollte gemeinsam mit den Verantwortlichen für Recht und Datenschutz erfolgen.

Das Modell kaufen, den Prozess bauen

Ist ein Anwendungsfall priorisiert, prüfen Sie zuerst fertige Produkte. Sie eignen sich, wenn der Bedarf weitgehend standardisiert ist, die Anbindung überschaubar bleibt und Datenbearbeitung sowie Sicherheitskonzept zu den Anforderungen passen. Eine Anpassung oder Eigenentwicklung kommt bei besonderen Abläufen, eigenen Daten, tiefen ERP- oder CRM-Integrationen und speziellen Berechtigungen infrage.

Beide Ansätze lassen sich kombinieren: Modell oder Plattform werden eingekauft, während Ablauf, Datenanbindung, Berechtigungen und Qualitätsprüfung passend zum Unternehmen entwickelt werden. So kann vorhandene Technik genutzt werden, ohne die besonderen Anforderungen des Prozesses aufzugeben.

Für den Betrieb gilt dieselbe Logik.

Beim Vergleich von Cloud und Eigenbetrieb zählen konkrete Datenwege und Schutzmassnahmen. Ein selbst gehostetes Suchsystem kann vertrauliche Inhalte offenlegen, wenn die Dokumentberechtigungen falsch umgesetzt sind. Prüfen Sie Datenklassifizierung, Speicher- und Verarbeitungsorte, Aufbewahrung, Verträge, Verschlüsselung sowie Identitäten und Zugriffsrechte. Für den Betrieb kommen Volumen, Antwortzeit, Verfügbarkeit, Kosten, Modellpflege und Störungsbehandlung hinzu.

Die Prüfung endet nicht beim Start

Das AI Risk Management Framework des NIST sieht Tests vor dem Einsatz und die fortlaufende Überwachung als Teil des Risikomanagements vor. Das Verhalten eines KI-Systems kann sich mit Daten, Modellversionen und Nutzungsbedingungen ändern.

Messen Sie technische Qualität und Geschäftsergebnis getrennt. Zur Systemqualität gehören etwa Extraktionsfehler, unbelegte Antworten, Relevanz der Suche, erfolgreiche Werkzeugaufrufe, Korrekturen, Antwortzeit und Kosten pro erfolgreicher Aufgabe. Die fachlichen Kennzahlen betreffen das eigentliche Ziel: Durchsatz, Durchlaufzeit, Rückstand, Fehlerkosten, Umsatz oder Ausfallzeit.

Nach einer Änderung folgen Tests, Bereitstellung und Überwachung. Rückmeldungen aus dem Betrieb ergänzen den Testsatz für die nächste Version.

Wo Sie anfangen sollten

Beginnen Sie mit Prozessen, die hohe Kosten oder erkennbare Engpässe haben. Erfassen Sie Menge, Zeit, Qualität und Kosten, zeichnen Sie den Ablauf einschliesslich Ausnahmen auf und prüfen Sie einfachere Verbesserungen. Bewerten Sie anschliessend die verbleibenden KI-Anwendungsfälle mit den vier Voraussetzungen und dem Punktesystem. Der erste Pilot sollte einen vollständigen, kleinen Ablauf mit repräsentativen Daten und den nötigen Systemanbindungen abdecken.

Vergleichen Sie die Ergebnisse mit dem Ausgangszustand und entscheiden Sie über Fortsetzung, Nachbesserung oder Abbruch. Auch ein Pilot, der gegen den KI-Einsatz spricht, liefert eine nützliche Investitionsentscheidung.

Bei Alpine Edge verbinden wir diese Analyse mit technischer Planung. Sie erhalten priorisierte Anwendungsfälle, begründete Annahmen zum Nutzen, offene Daten- und Integrationsfragen sowie nachvollziehbare Abbruchkriterien. Eine fokussierte technische Einschätzung kann der erste Schritt sein. Geeignete Fälle begleiten wir von der Analyse über Architektur und Integration bis in den Betrieb.

Woher diese Zahlen kommen

• Eurostat, KI-Einsatz in EU-Unternehmen. Verbreitung 2025.
• McKinsey, The State of AI 2026. Wirkung auf das Betriebsergebnis, High Performer, Kostenbremse.
• Brynjolfsson, Li und Raymond, Generative AI at Work. Quarterly Journal of Economics; 5'172 Mitarbeitende im Kundendienst.
• Dell'Acqua et al., Navigating the Jagged Technological Frontier. Organization Science; 758 Beratende.
• Gartner, fehlende KI-taugliche Daten gefährden KI-Projekte. Befragung von 1'203 Verantwortlichen und die Prognose.
• Gartner, warum die Hälfte der GenAI-Projekte scheitert. Analyse vom Januar 2026.
• METR, Produktivitätsstudie Anfang 2025. Randomisierte Studie mit erfahrenen Entwicklern.
• METR, Aktualisierung Februar 2026. Warum das neuere Ergebnis nicht verlässlich zu beziffern ist.
• Microsoft, Dokumentenverarbeitung bei Concentrix. Vom Unternehmen berichtete Menge und Genauigkeit.
• Morgan Stanley, AI Assistant und Debrief. Vom Unternehmen berichtete Nutzung.
• Siemens, Industrial Copilot in der Instandhaltung. Vom Anbieter berichtetes Pilotergebnis.
• DBS, Geschäftsbericht 2025. Vom Unternehmen berichtetes Portfolio und zugerechneter Wert.
• Europäische Kommission, Regulierungsrahmen für KI. Anwendungstermine der KI-Verordnung.
• EUR-Lex, Verordnung (EU) 2026/1744. Das Omnibus-Paket und die neuen Hochrisiko-Termine.
• EUR-Lex, KI-Verordnung. Amtlicher Text, einschliesslich Artikel 2 zum räumlichen Anwendungsbereich.
• EUR-Lex, DSGVO. Artikel 22 zu automatisierten Einzelentscheidungen.
• EDÖB, KI und Datenschutz. Anwendbarkeit des DSG auf KI-Bearbeitungen.
• EDÖB, Informationspflicht. Artikel 21 DSG und automatisierte Einzelentscheidungen.
• Bundeskanzlei, Regulierung von KI. Stand der Schweizer Gesetzgebung und geplante Vernehmlassung.
• NIST, AI Risk Management Framework. Tests vor dem Einsatz und Überwachung im Betrieb.