Top 125 Generative-KI-Anwendungen

Basierend auf unserer Analyse von über 30 Fallstudien und 10 Benchmarks, in deren Rahmen wir über 40 Produkte getestet und verglichen haben, haben wir 125 generative KI-Anwendungsfälle in den folgenden Kategorien identifiziert:

• Allgemeine GenAI-Anwendungen
• Branchenspezifische GenAI-Anwendungen
• Geschäftsfunktionsspezifische GenAI-Anwendungen

Für andere KI-Anwendungen bei Anfragen, bei denen es eine einzige richtige Antwort gibt (z. B. Vorhersage oder Klassifizierung), siehe KI-Anwendungen.

Sie können auch generative KI-Anwendungen, Anwendungsfälle und Beispiele aus der Praxis in einer Liste sehen, die Sie nach verschiedenen Kriterien wie Geschäftsfunktion oder Branche filtern können.

Allgemeine GenAI-Anwendungen

> Videoanwendungen

1. Videogenerierung

KI-gestützte Videoproduktionstools, einschließlich KI-Videogeneratoren, Plattformen zur Inhaltserstellung und Bearbeitungslösungen, ermöglichen es Unternehmen, hochwertige Videos zu produzieren, Inhalte zu personalisieren und die Leistung zu optimieren. Diese Tools tragen dazu bei, Kosten zu senken, die Produktion zu verwalten und innerhalb von Minuten dynamische, abstrakte visuelle Darstellungen zu erstellen.

Wir haben führende KI-Videogenerierungstools bewertet, um ihre Effektivität bei der Erstellung hochwertiger Produktdemonstrationsvideos für den E-Commerce zu bestimmen.

Jedes KI-Tool wurde mit Stockbildern getestet und mit 10 Punkten bewertet, basierend auf Prompt-Compliance (Genauigkeit bei der Befolgung von Anweisungen), physikalischer Genauigkeit (realistische Physik und Interaktionen) und Produktintegrität (Konsistenz von Erscheinungsbild und Details). Hier sind einige unserer Beobachtungen:

• Häufige Probleme: Viele KI-Tools hatten Schwierigkeiten, Produktdetails präzise wiederzugeben, markenspezifische Merkmale beizubehalten und die Prompt-Kompatibilität sicherzustellen.
• Wichtigste Erkenntnisse: KI-generierte Videos sind ohne weitere Verfeinerung noch nicht vollständig zuverlässig für die Produktvisualisierung im E-Commerce. Die Verbesserung von Prompts und das Fine-Tuning von KI-Modellen können die Ergebnisse verbessern.

Praxisbeispiel: Netflix setzte generative KI zum ersten Mal in einer Fernsehserie ein und fügte der argentinischen Science-Fiction-Serie „El Eternauta“ KI-generiertes Filmmaterial hinzu. Co-CEO Ted Sarandos sagte, KI habe den VFX-Teams geholfen, komplexe Szenen wie ein einstürzendes Gebäude schneller und kostengünstiger als mit herkömmlichen Methoden zu erstellen, wodurch die Produktion finanziell möglich wurde.

Obwohl dieser Schritt Bedenken hinsichtlich des Arbeitsplatzverlusts in der Unterhaltungsbranche ausgelöst hat, sagte Sarandos, KI solle menschliche Kreative unterstützen und nicht ersetzen.¹

Weitere Informationen zu aktuellen Prognosen darüber, wie KI den Arbeitsmarkt beeinflussen wird, finden Sie unter KI-Arbeitsplatzverlust.

2. Videovorhersage

Ein GAN-basiertes Videovorhersagesystem:

• erfasst sowohl zeitliche als auch räumliche Elemente eines Videos
• generiert die nächste Sequenz auf der Grundlage dieses Wissens (siehe Abbildung unten)
• unterscheidet zwischen wahrscheinlichen und unwahrscheinlichen Sequenzen

GAN-basierte Videovorhersagen können helfen, Anomalien zu erkennen, die in vielen Sektoren wie Sicherheit und Überwachung von entscheidender Bedeutung sind.

Praxisbeispiel: Lucid Dream Network verbesserte seine Videoproduktion durch den Einsatz des Skript-zu-Video-Tools von Pictory, das vorgefertigte Vorlagen und eine reibungslose Integration von Musik und visuellen Elementen bot.

Diese Innovation half dem Unternehmen, seine Produktivität um 350 % zu steigern, und erhöhte die Reichweite und das Engagement in den sozialen Medien um 500 %.²

3. KI-Videobearbeitung und -animation

Über die Generierung hinaus kann generative KI bei Bearbeitung, Storyboarding und Animation helfen. Diese Tools automatisieren Kamerabewegungen, Lippensynchronisation und Szenenübergänge.

Zu den Anwendungen gehören:

• Automatisierte Unternehmensschulungsvideos
• Zusammenfassung von Social-Media-Videos
• Stilübertragung für animiertes Storytelling

Praxisbeispiel: Runway Gen-3 ermöglicht textgesteuerte Videobearbeitung mit Szenenkonsistenz und Bewegungskontrolle und reduziert die Postproduktionszeit für Marketingteams um über 70 %.³

> Bildanwendungen

4. Bildgenerierung

Mit generativer KI können Nutzer Text in Bilder umwandeln und realistische Bilder auf der Grundlage eines festgelegten Schauplatzes, Motivs, Stils oder Ortes generieren. Dadurch kann das benötigte visuelle Material schnell erzeugt werden.

Es ist auch möglich, diese visuellen Materialien für kommerzielle Zwecke zu nutzen, was die Erstellung KI-generierter Bilder zu einem wertvollen Element in Medien, Design, Werbung, Marketing, Bildung und anderen Bereichen macht. Ein Bildgenerator kann beispielsweise einem Grafikdesigner helfen, jedes gewünschte Bild zu erstellen (siehe Abbildung unten).

Abbildung 1: Dieses KI-generierte Bild wurde auf Grundlage der Textbeschreibung „Teddybären kaufen in Ukiyo-e-Stil Lebensmittel ein“ erstellt.⁴

Praxisbeispiel: Coca-Cola hat zusammen mit OpenAI und Bain & Company die Plattform „Create Real Magic“ gestartet.

Durch den Einsatz der Modelle GPT-4 und DALL-E von OpenAI für die kreative Generierung ermöglichte dieses Projekt den Nutzern, individuelle Kunstwerke mit ikonischen Coca-Cola-Bildmotiven wie der Konturflasche und dem Weihnachtsmann zu erstellen.⁵

5. Semantische Bild-zu-Foto-Übersetzung

Basierend auf einem semantischen Bild oder einer Skizze ist es möglich, eine realistische Version eines Bildes zu erzeugen. Aufgrund ihrer unterstützenden Rolle bei der Diagnosestellung ist diese Anwendung für den Gesundheitssektor nützlich.

Abbildung 2: Erzeugung synthetischer Raumzuweisungs-Wahrscheinlichkeitslayouts auf der Grundlage trainierter Conditional-GANs.⁶

6. Bild-zu-Bild-Konvertierung

Dabei werden die äußeren Elemente eines Bildes wie Farbe, Medium oder Form verändert, während die konstitutiven Elemente erhalten bleiben.

Ein Beispiel für eine solche Konvertierung wäre die Umwandlung eines Tagesbildes in ein Nachtbild. Diese Art der Konvertierung kann auch verwendet werden, um grundlegende Attribute eines Bildes zu manipulieren, es einzufärben oder seinen Stil zu ändern.

7. Erhöhung der Bildauflösung (Super-Resolution)

Generative KI verwendet verschiedene Methoden, um basierend auf vorhandenen Inhalten neue Inhalte zu erzeugen. Generative Adversarial Networks (GANs) sind eine dieser Methoden. Ein GAN besteht aus einem Generator und einem Diskriminator, der neue Daten erstellt und sicherstellt, dass sie realistisch sind.

Mit der GAN-basierten Methode können Sie mithilfe von Super-Resolution-GANs eine hochauflösende Version eines Bildes erstellen. Diese Methode eignet sich zur Erzeugung hochwertiger Versionen von Archivmaterial und/oder medizinischen Materialien, deren Speicherung in hoher Auflösung unwirtschaftlich ist. Ein weiterer Anwendungsfall ist die Überwachung.

8. KI-Design-Co-Piloten

Kreative generative KI-Designtools können Layout, Farbabstimmung und Vorlagenerstellung automatisieren und gleichzeitig die Markenkonsistenz wahren.

Zu den Anwendungen gehören:

• Text-zu-Vorlage für Präsentationen und soziale Medien
• Generierung von Markenidentität
• Dynamisches A/B-Design für Kampagnen

Praxisbeispiel: Figma KI generiert automatisch-Layouts und Typografie-Paarungen auf der Grundlage von Text-Prompts und verkürzt so die Designzeit für Marketingteams.⁷

9. 3D-Formgenerierung

In diesem Bereich wird derzeit daran geforscht, hochwertige 3D-Versionen von Objekten zu erstellen. Mit GAN-basierter Formgenerierung lassen sich Formen erzielen, die der Vorlage ähnlicher sind. Außerdem können detaillierte Formen generiert und manipuliert werden, um die gewünschte Form zu erzeugen.

Zu den Anwendungen gehören:

• Immobilienvisualisierung
• Produktdesign und Fertigung mit digitalen Zwillingen
• Virtueller Tourismus und Simulationstraining

Praxisbeispiel: Luma KI nutzt Gaussian Splatting, um fotorealistische 3D-Räume für digitales Marketing und Spielumgebungen zu rekonstruieren.⁸

Abbildung 3: SP-GAN: Sphere-geführte 3D-Formgenerierung und -manipulation.⁹

> Audioanwendungen

10. Text-to-Speech-Generator

GANs ermöglichen die Erzeugung realistischer Sprachaufnahmen. Um realistische Ergebnisse zu erzielen, dienen die Diskriminatoren als Trainer, der die Stimme betont, tönt und/oder moduliert.

Die TTS-Generierung hat zahlreiche geschäftliche Anwendungen wie Bildung, Marketing, Podcasting und Werbung. Ein Pädagoge kann beispielsweise seine Vorlesungsnotizen in Audiomaterial umwandeln, um sie attraktiver zu machen, und dieselbe Methode kann auch hilfreich sein, um Lernmaterialien für sehbehinderte Menschen zu erstellen. Neben dem Wegfall der Kosten für Synchronsprecher und Ausrüstung bietet TTS Unternehmen auch viele Optionen hinsichtlich Sprache und Stimmrepertoire.

Mit dieser Technologie wurden Tausende von Büchern in Hörbücher umgewandelt.¹⁰

Erfahren Sie mehr über die Fähigkeiten von Large Language Models bei der Textgenerierung.

Praxisbeispiel: Twilio verbesserte seine Sprachsynthesefunktionen durch die Zusammenarbeit mit Amazon Polly, einem cloudbasierten Text-to-Speech-Dienst.

Diese Partnerschaft brachte mehr als 50 Stimmen in 25 Sprachen auf die Plattform von Twilio und stellte Entwicklern neue APIs für eine erweiterte Steuerung der Sprachsynthese in ihren Sprachanwendungen zur Verfügung.¹¹

11. Sprach-zu-Sprache-Konvertierung

Eine audio-bezogene Anwendung generativer KI besteht darin, Stimmen aus vorhandenen Audioquellen zu generieren. Mit STS-Konvertierung können Voiceovers einfach und schnell erstellt werden, was für Branchen wie Gaming und Film vorteilhaft ist.

Mit diesen Tools lassen sich Voiceovers für eine Dokumentation, einen Werbespot oder ein Spiel ohne die Beauftragung eines Synchronsprechers erstellen.

12. Musikgenerierung

Generative KI ist auch bei der Musikproduktion nützlich. Tools zur Musikgenerierung können verwendet werden, um neuartiges Musikmaterial für Werbung oder andere kreative Zwecke zu erzeugen.

In diesem Zusammenhang bleibt jedoch ein wichtiges Hindernis zu überwinden, nämlich Urheberrechtsverletzungen durch die Aufnahme urheberrechtlich geschützter Werke in die Trainingsdaten. Erfahren Sie mehr über KI-Ethik.

> Textbasierte Anwendungen

13. Ideengenerierung

LLM-Ausgabe ist möglicherweise nicht zur Veröffentlichung geeignet, da Probleme wie Halluzination, Urheberrechte usw. auftreten können. Die Ideengenerierung ist jedoch wahrscheinlich der häufigste Anwendungsfall für die Textgenerierung. Die Zusammenarbeit mit Maschinen bei der Ideenfindung ermöglicht es Nutzern, den Lösungsraum schnell zu durchsuchen.

Es ist überraschend, die Hilfe einer Maschine zu bekommen, um als Mensch kreativer zu werden. Dies ist möglich, weil die Fähigkeiten generativer KI ganz anders sind (z. B. flexibler, weniger zuverlässig) als das, was wir üblicherweise über die Fähigkeiten von Maschinen denken.¹²

14. Textgenerierung

Forscher griffen auf GANs zurück, um Alternativen zu den Defiziten modernster ML-Algorithmen zu bieten. GANs werden auch für Textgenerierung trainiert, zusätzlich zu ihrer ursprünglichen Verwendung für visuelle Zwecke.

Das Erstellen von Dialogen, Überschriften oder Anzeigen durch generative KI ist in den Branchen Marketing, Gaming und Kommunikation gängige Praxis.

Ein klares Beispiel für generative KI in der Praxis ist der Einsatz von KI-E-Mail-Assistenten zur Erzeugung von E-Mail-Texten. KI-E-Mail-Assistenten helfen Nutzern, Zeit zu sparen, indem sie vollständige, ausgefeilte E-Mails aus kurzen Prompts erstellen und dabei Ton und Qualität konsistent halten.

Sie bieten außerdem kontextbezogene Antwortvorschläge für eingehende E-Mails, die schnelle und effiziente Antworten auf Routineanfragen ermöglichen.

In einer Studie aus dem Jahr 2025 wurde beispielsweise untersucht, ob Menschen zwischen Therapieantworten, die von erfahrenen Therapeuten geschrieben wurden, und solchen, die von ChatGPT generiert wurden, unterscheiden können, wie diese Antworten mit therapeutischen Grundprinzipien übereinstimmen und welche sprachlichen Unterschiede bestehen.

In einer großen Stichprobe zeigten die Ergebnisse, dass die Teilnehmer selten zwischen KI-generierten Antworten und denen von Therapeuten unterscheiden konnten, und die Antworten von ChatGPT wurden hinsichtlich der therapeutischen Qualität höher bewertet. Die linguistische Analyse legt nahe, dass die überlegene Kontextualisierung der KI zu ihrer Wirksamkeit beitragen kann.

Diese Ergebnisse unterstreichen zwar das Potenzial generativer KI zur Verbesserung der Psychotherapie, doch ethische Bedenken wie Technophobie und das Gleichgewicht zwischen Kreativität und evidenzbasierter Praxis müssen sorgfältig berücksichtigt werden, da sich die Rolle der KI in der psychischen Gesundheit weiterentwickelt.¹³

Praxisbeispiel: Meta AIs Brain2Qwerty dekodiert Sätze aus der Hirnaktivität beim Tippen unter Verwendung nicht-invasiver Elektroenzephalographie- (EEG) und Magnetenzephalographiesignale (MEG).

Im Gegensatz zu früheren Methoden, bei denen Nutzer sich Bewegungen vorstellen oder auf äußere Reize konzentrieren mussten, interpretiert Brain2Qwerty natürliche Tippbewegungen, wodurch die Dekodierung von Gehirnströmen intuitiver wird. Das Modell besteht aus drei Schlüsselmodulen:

• Faltungsmodul: Extrahiert räumliche und zeitliche Merkmale aus EEG- und MEG-Signalen.
• Transformer-Modul: Verarbeitet Eingabesequenzen, um Verständnis und Ausdruck zu verbessern.
• Sprachmodell-Modul: Verwendet ein vortrainiertes zeichenbasiertes Sprachmodell, um die Textgenauigkeit zu verfeinern und zu verbessern.

In den Evaluierungen erreichte Brain2Qwerty eine Zeichenfehlerrate (CER) von 67 % bei Verwendung von EEG und 32 % mit MEG, während der beste Teilnehmer unter optimalen Bedingungen eine 19 % CER erreichte.

Der Ansatz ist zwar vielversprechend, steht jedoch vor Herausforderungen, darunter die Notwendigkeit der Echtzeit-Dekodierung, die begrenzte Portabilität und Verfügbarkeit von MEG-Geräten sowie weitere Tests für Personen mit motorischen oder sprachlichen Beeinträchtigungen.¹⁴

Entdecken Sie weitere Large Language Model-Beispiele und Anwendungen wie die Textgenerierung.

15. Personalisierte Inhaltserstellung

Sie kann verwendet werden, um personalisierte Inhalte für Einzelpersonen auf der Grundlage ihrer persönlichen Vorlieben, Interessen oder Erinnerungen zu erstellen. Diese Inhalte können in Form von Text, Bildern, Musik oder anderen Medien vorliegen und eingesetzt werden für:

• Social-Media-Beiträge
• Blogartikel
• Produktempfehlungen

Die Erstellung persönlicher Inhalte mit generativer KI hat das Potenzial, hochgradig individuelle und relevante Inhalte bereitzustellen.

16. Sentimentanalyse/Textklassifizierung

Sentimentanalyse, auch als Opinion Mining bekannt, nutzt Natural Language Processing und Text Mining, um den emotionalen Kontext von schriftlichen Materialien zu entschlüsseln.

Generative KI kann bei der Sentimentanalyse eingesetzt werden, indem synthetische Textdaten erzeugt werden, die mit verschiedenen Stimmungen gekennzeichnet sind (z. B. positiv, negativ, neutral). Diese synthetischen Daten können dann verwendet werden, um Deep-Learning-Modelle für die Sentimentanalyse realer Textdaten zu trainieren.

Sie kann auch verwendet werden, um Text zu generieren, der speziell darauf ausgelegt ist, eine bestimmte Stimmung zu vermitteln. Ein System generativer KI könnte beispielsweise genutzt werden, um Social-Media-Beiträge zu erstellen, die absichtlich positiv oder negativ sind, um die öffentliche Meinung zu beeinflussen oder die Stimmung einer bestimmten Konversation zu prägen.

Diese können nützlich sein, um das Problem des Datenungleichgewichts bei der Stimmungsanalyse von Nutzermeinungen (wie in der Abbildung unten) in vielen Kontexten wie Bildung und Kundenservice zu mildern.

Abbildung 4: Der Einfluss synthetischer Textgenerierung auf die Sentimentanalyse mithilfe GAN-basierter Modelle.

17. Intelligente Suche

Die intelligente Suche nutzt Natural Language Processing und maschinelles Lernen, um präzise und kontextbezogene Ergebnisse zu liefern. Anders als herkömmliche Stichwortsuchen versteht sie die Absicht des Nutzers, verarbeitet Anfragen in natürlicher Sprache und liefert Ergebnisse auf der Grundlage der Bedeutung statt exakter Wortübereinstimmungen.

Funktionen wie Autovervollständigung, Echtzeitvorschläge und Facettenfilter ermöglichen es Nutzern, Suchen zu verfeinern. Darüber hinaus können Sprach- und visuelle Eingaben unterstützt werden.

Die intelligente Suche ist branchenübergreifend weit verbreitet. Im E-Commerce kann die intelligente Suche Kunden helfen, Produkte effizient zu finden, während sie in Unternehmen das einfache Auffinden von Dokumenten und Ressourcen ermöglicht.

Praxisbeispiel: Booking.com hat Smart Filters eingeführt, ein Tool, mit dem Nutzer ihre Präferenzen direkt in einem Suchfeld in natürlicher Sprache formulieren können.

Ein Reisender, der einen Wochenendausflug nach Amsterdam plant, könnte beispielsweise nach „Hotels mit einem großartigen Fitnessstudio und Blick auf die Grachten vom Zimmer aus“ suchen. Smart Filters analysieren dann die Eingabe, erkennen die Absicht des Nutzers und wenden die relevantesten Filter aus dem Inventar von Booking.com an.¹⁵

> Codebasierte Anwendungen

18. Codegenerierung

Ancileo, ein Softwareanbieter für Versicherungsunternehmen, nutzte Amazon Q, um die Effizienz seiner Entwickler zu verbessern. Amazon Q half Entwicklern, Code-Probleme schneller zu lösen, und reduzierte die Fehlerbehebungszeit um 30 %.

Darüber hinaus integrierte Ancileo Ticketing und Dokumentation, um Onboarding-Prozesse zu verbessern und die interne Kommunikation zu optimieren.

Generative KI verbessert die Softwareentwicklung, indem sie automatisch Code generiert und so den Bedarf an manueller Programmierung reduziert.

Abbildung 5: Erzeugung eines HTML-Formulars und JavaScript-Submit-Codes mit OpenAIs ChatGPT.

Praxisbeispiel: Amazon hat Amazon Q eingeführt, ein KI-gestütztes Tool, das den Zeit- und Arbeitsaufwand für die Aktualisierung grundlegender Software wie Java erheblich reduziert.

Das Tool automatisiert Codetransformationen und reduziert die Upgrade-Zeit von 50 Entwicklertagen auf wenige Stunden, wodurch geschätzte 4.500 Entwicklerjahre Arbeit eingespart werden.

Innerhalb von sechs Monaten modernisierte Amazon mehr als die Hälfte seiner Java-Systeme, verbesserte die Sicherheit und senkte die Infrastrukturkosten, was zu jährlichen Effizienzgewinnen von 260 Millionen US-Dollar führte. Dies zeigt, wie KI große Produktivitätsverbesserungen bei der Softwarewartung für Großunternehmen ermöglichen kann.¹⁶

19. Code-Vervollständigung

Eine der einfachsten Anwendungen generativer KI beim Programmieren besteht darin, Code-Vervollständigungen vorzuschlagen, während Entwickler tippen. Dies kann Zeit sparen und Fehler reduzieren, insbesondere bei sich wiederholenden oder mühsamen Aufgaben.

20. Code-Review

Generative KI kann auch zur Qualitätsprüfung des vorhandenen Codes eingesetzt und optimiert werden, indem sie Verbesserungen vorschlägt oder alternative Implementierungen generiert, die effizienter oder leichter lesbar sind.

21. Bugfixing

Sie kann dabei helfen, Fehler im generierten Code zu identifizieren und zu beheben, indem sie Code-Muster analysiert, potenzielle Probleme erkennt und Korrekturen vorschlägt.

22. Code-Refactoring

Generative KI kann verwendet werden, um den Prozess des Refactorings von Code zu automatisieren, wodurch dieser leichter zu warten und zu aktualisieren ist.

23. Code-Stilprüfung

Generative KI kann Code auf Einhaltung von Richtlinien für den Programmierstil analysieren und so Konsistenz und Lesbarkeit in einer Codebasis sicherstellen.

24. Generierung von Testfällen

Generative Tools wie ChatGPT können helfen, Testfälle auf der Grundlage von Benutzeranforderungen oder User Stories zu generieren, eine klare Beschreibung der Funktionalität der Anwendung zu liefern und mehrere Szenarien und Testfälle zu erstellen, um verschiedene Aspekte der Anwendung abzudecken.

Praxisbeispiel: Teams von Anthropic setzen Claude Code in vielen Funktionen ein, darunter Entwicklung, Produktdesign, Marketing, Recht und Data Science, um die Effizienz zu steigern, die manuelle Arbeitslast zu reduzieren und die eigenständige Ausführung von Aufgaben zu unterstützen.

Technische Teams nutzen es für schnelles Prototyping, Debugging, Testgenerierung, Infrastrukturautomatisierung und die Navigation in komplexen Codebasen, wodurch Entwicklungszyklen oft beschleunigt und die Codequalität verbessert werden.

Nicht-technische Teams wie Rechts- und Marketingabteilungen nutzen es, um interne Tools zu erstellen, sich wiederholende Prozesse zu automatisieren und Experimente ohne Softwareentwicklungskenntnisse durchzuführen.¹⁷

25. Generierung von Testcode

Tools wie ChatGPT können Beschreibungen in natürlicher Sprache in Testautomatisierungsskripte umwandeln. Wenn sie die in einfacher Sprache beschriebenen Anforderungen verstehen, können sie diese in spezifische Befehle oder Code-Snippets in der gewünschten Programmiersprache oder im gewünschten Testautomatisierungs-Framework übersetzen.

Abbildung 6: NLP zu Testskripten via ChatGPT-4.

26. Wartung von Testskripten

ChatGPT kann bei der Verwaltung von Testskripten helfen, indem es veralteten oder duplizierten Code erkennt, Verbesserungen anbietet und diese automatisch auf der Grundlage neuer Anforderungen aktualisiert.

27. Testdokumentation

Generative KI-Modelle können realistische Testdaten auf der Grundlage der Eingabeparameter erstellen, z. B. gültige E-Mail-Adressen, Namen, Standorte und andere Testdaten, die bestimmten Mustern oder Anforderungen entsprechen.

28. Analyse von Testergebnissen

ChatGPT und andere ähnliche Tools können Testergebnisse analysieren und eine Zusammenfassung liefern, einschließlich der Anzahl bestandener/fehlgeschlagener Tests, der Testabdeckung und potenzieller Probleme.

> Weitere Anwendungen

29. Conversational KI

Ein weiterer Anwendungsfall generativer KI besteht darin, Antworten auf Nutzereingaben in Form natürlicher Sprache zu generieren. Diese Art wird häufig in Chatbots und virtuellen Assistenten eingesetzt, die darauf ausgelegt sind, Informationen bereitzustellen, Fragen zu beantworten oder Aufgaben für Nutzer über konversationelle Schnittstellen wie Chatfenster oder Sprachassistenten auszuführen.

ChatGPT ist ein beliebtes Beispiel für Conversational KI. Es bietet Nutzern eine sehr informative und integrierte Konversation, wie philosophische Diskussionen. Sie können beispielsweise einen Chat mit ChatGPT unten ansehen.

Abbildung 7: Eine Konversation mit ChatGPT.

Praxisbeispiel: O2, ein britischer Telekommunikationsdienstleister, und die KI-Kreativagentur Faith von VCCP starteten eine innovative Kampagne zur Bekämpfung von Telefonbetrügern mit Daisy, einer lebensechten Conversational KI. Daisy ist darauf ausgelegt, Betrüger in lange Gespräche zu verwickeln und so die Öffentlichkeit vor Betrug zu schützen.

Inspiriert von einer echten Großmutter und modelliert nach den Stereotypen, die Betrüger von älteren Opfern haben, interagiert Daisy in Echtzeit mit Betrügern, erzählt erfundene Geschichten, gibt gefälschte Bankdaten und Hobbys wie Stricken an. Indem Daisy Betrüger glauben lässt, sie hätten eine echte Person ins Visier genommen, stört sie deren Aktivitäten und macht gängige Taktiken sichtbar, um die Öffentlichkeit über Betrugsprävention aufzuklären.

Daisys Entwicklung umfasste fortschrittliche KI-Technologie, darunter ein Large Language Model für ihre Persönlichkeit, ein Diffusionsmodell für fotorealistische Bilder und Stimmmodellierung auf der Grundlage der Großmutter einer VCCP-Mitarbeiterin.¹⁸

30. Datensynthese

Generative KI kann synthetische Daten erzeugen, die reale Statistiken nachahmen, ohne auf tatsächliche Datenpunkte angewiesen zu sein. Dies ist nützlich für Modelltraining, Datenschutz und NLP-Aufgaben.

31. Datenvisualisierung

Einige generative Modelle wie ChatGPT können Datenvisualisierungen durchführen, was in vielen Bereichen nützlich ist. Sie können verwendet werden, um Datensätze zu laden, Transformationen durchzuführen und Daten mit Python-Bibliotheken wie pandas, numpy und matplotlib zu analysieren.

Sie können den ChatGPT Code Interpreter bitten, bestimmte Analyseaufgaben auszuführen, und er wird den entsprechenden Python-Code schreiben und ausführen. Außerdem können Sie das Modell bitten, Ihre Daten in einem bevorzugten Format zu visualisieren.

Abbildung 8: Datenanalyse mit dem ChatGPT Code Interpreter.

32. Dateikonvertierung

Der ChatGPT Code Interpreter kann Dateien zwischen verschiedenen Formaten konvertieren, sofern die erforderlichen Bibliotheken verfügbar sind und der Vorgang mit Python-Code durchgeführt werden kann.

33. Lösen mathematischer Probleme

Large Language Models sind in der Lage, mathematische Fragen zu verstehen und zu lösen. Dazu gehören je nach Modell sowohl grundlegende als auch komplexe Probleme.

34. Multimodale KI-Assistenten

Fortschritte wie OpenAIs GPT-5, Google Gemini 3.6 und Anthropic Claude Opus 5 haben das Verstehen von Text, Bild und Audio in einem einzigen Modell vereint. Diese multimodalen Assistenten verarbeiten und generieren mehrere Formate gleichzeitig.

Zu den Anwendungen gehören:

• Echtzeit-Sprach- und Videochat mit kontextbezogenem Denken
• Visuelle Beantwortung von Fragen und Diagramminterpretation
• „Sehen, hören, antworten“-Kundenservicesysteme

Praxisbeispiel: OpenAIs GPT-5 führt integriertes Reasoning ein und bietet erhebliche Verbesserungen bei Genauigkeit, Zuverlässigkeit, Befolgen von Anweisungen und komplexer Problemlösung. Zu seinen Fähigkeiten gehören das Interpretieren von Text und Bildern, die Durchführung von Recherchen und Analysen, das Verfassen ausgefeilter Texte, das Generieren und Debuggen von verwendbarem Code sowie das Erledigen mehrstufiger Aufgaben über verbundene Tools. Es halluziniert außerdem seltener, was es für berufliche und alltägliche Anwendungen zuverlässiger macht.¹⁹

Branchenspezifische GenAI-Anwendungen

> Anwendungen im Gesundheitswesen

35. Arzneimittelforschung und -entwicklung

Die Nutzung generativer KI-Algorithmen zur Identifizierung potenzieller Arzneimittelkandidaten und die Prüfung ihrer Wirksamkeit durch Computersimulationen könnte den Prozess der Entdeckung neuer Medikamente erheblich beschleunigen – von präklinischen Studien an Tieren bis hin zu klinischen Tests am Menschen.

Praxisbeispiel: LeewayHertz²⁰ entwickelt kundenspezifische KI-Agenten und Copiloten, um die Arzneimittelforschung zu optimieren und Unternehmen zu helfen, in verschiedenen Phasen Zeit und Ressourcen zu sparen:

• Zielidentifizierung: Analysiert biologische Daten, um vielversprechende Wirkstoffziele zu identifizieren und zu priorisieren.
• Leitstrukturoptimierung: Durchsucht chemische Bibliotheken, generiert neue Moleküle und optimiert molekulare Eigenschaften.
• Präklinische Bewertung: Prognostiziert das Verhalten von Arzneimitteln und potenzielle Wechselwirkungen und gewährleistet Sicherheit und Wirksamkeit.
• Arzneimittel-Repurposing: Findet neue Anwendungen für bestehende Medikamente durch Analyse von Datenbanken und Krankheitspfaden.
• Design klinischer Studien: Analysiert Patientendaten für zielgerichtete Studiendesigns und verbessert Effizienz und Erfolgsquoten.

Software für generative KI hilft auch beim Design neuartiger Biomoleküle, Proteine und Therapeutika, indem sie biologisches Wissen und strukturierte biomedizinische Daten integriert (z. B. Knowledge-Graph-erweiterte generative Modelle für die gezielte Arzneimittelforschung).²¹

Zu den Anwendungen gehören:

• Maßgeschneiderte Molekülgenerierung mit erhöhter biologischer Relevanz.
• Design von Therapeutika gegen mehrere Ziele.
• Maßgeschneiderte Enzym- und Biomaterialgenerierung.

36. Personalisierte Medizin

Eine weitere Anwendung generativer KI in der personalisierten Medizin besteht darin, Modelle zu erstellen, die als medizinische Chatbots fungieren können, um die Symptome von Patienten zu verstehen und Diagnosen mit zunehmender Genauigkeit auf der Grundlage von Patientenangaben und Testergebnissen zu erstellen.²² Anschließend können diese Modelle individuelle Behandlungspläne erstellen, die speziell auf die Krankengeschichte, Symptome und mehr eines Patienten zugeschnitten sind.

Praxisbeispiel: AI4BetterHearts ist eine globale Initiative unter der Leitung der Novartis Foundation, Microsoft KI for Health und Partnern zur Verbesserung der Herz-Kreislauf-Gesundheit durch die Zusammenführung und Analyse von Herzgesundheitsdaten.

Die Zusammenarbeit zielt darauf ab, Datensilos aufzubrechen und maschinelles Lernen zu nutzen, um Gesundheitssysteme von der reaktiven zur präventiven Versorgung zu transformieren. In Zusammenarbeit mit dem Health Systems Innovation Lab von Harvard untersucht die Initiative die Leistungsfähigkeit von Gesundheitssystemen in 80 Ländern, wobei Erkenntnisse das AI4HealthyCities Health Equity Network ergänzen.²³

37. Verbesserte medizinische Bildgebung

Durch die Kombination von maschinellem Lernen mit medizinischen Bildgebungstechnologien wie CT- und MRT-Scans können Algorithmen der generativen KI die Präzision in der medizinischen Bildgebung verbessern und bessere Ergebnisse erzielen.

38. Gesundheitsmanagement auf Bevölkerungsebene

Der Einsatz generativer KI im Gesundheitswesen kann auch zu einem besseren Gesundheitsmanagement auf Bevölkerungsebene führen, indem politische Entscheidungsträger:

• Zugriff auf detailliertere demografische Informationen erhalten
• gezielte Initiativen im öffentlichen Gesundheitswesen entwerfen, die unterversorgten Gemeinschaften zugutekommen.

Praxisbeispiel: BCG und Zeiss entwickelten eine generative KI-Anwendung, um medizinischem Fachpersonal zu helfen, präzise und zeitnahe Antworten auf Patientenanfragen zu geben.

Dieses KI-Tool generiert Antworten auf der Grundlage vorab genehmigter Materialien und stellt sicher, dass den Patienten korrekte Informationen übermittelt werden. Ersten Rückmeldungen zufolge sind 79 % der KI-generierten Antworten ohne Bearbeitung versandbereit.

Die Anwendung zielt darauf ab, die Patienteneinbindung zu verbessern und Ärzten zu ermöglichen, sich stärker auf die Patientenversorgung zu konzentrieren, während sie potenziell die Nachfrage nach Behandlungen steigert.²⁴

39. KI-Chatbots zur Symptomprüfung

Chatbots zur Symptombewertung sind darauf ausgelegt, Einzelpersonen zu helfen, ihre Gesundheit zu verstehen und zu managen, indem sie Fragen stellen, Empfehlungen geben und Nutzer bei Bedarf mit medizinischem Fachpersonal verbinden.

Diese Chatbots bieten sofortige medizinische Anleitung und vorläufige Informationen, damit Patienten einen proaktiven Ansatz für ihre Gesundheit verfolgen können. Durch die Analyse von Symptomen können sie auch helfen, potenzielle Gesundheitsprobleme frühzeitig zu erkennen und maßgeschneiderte Ratschläge zu geben.

Die Nutzung dieser Tools ist jedoch mit erheblichen Einschränkungen verbunden:

• Begrenzte Diagnosegenauigkeit: Symptom-Checker verfügen möglicherweise nicht über das Fachwissen von medizinischem Personal, wodurch ihre Diagnosegenauigkeit bei schwerwiegenden Erkrankungen unzuverlässig ist. Nutzer sollten sie mit Vorsicht verwenden und nicht als Ersatz für professionellen Rat.
• Mangel an Empathie: Diese Tools können nicht die emotionale Unterstützung, Beruhigung oder persönliche Anleitung bieten, die medizinische Fachkräfte bieten, was ihre Fähigkeit einschränkt, die emotionalen Bedürfnisse der Patienten zu erfüllen.
• Übermäßiges Vertrauen in Chatbots: Die Abhängigkeit von Chatbots für medizinische Ratschläge kann durch allgemeine oder ungenaue Informationen zu Ängsten führen und davon abhalten, bei Bedarf angemessene medizinische Hilfe in Anspruch zu nehmen.
• Rechtliche und datenschutzrechtliche Bedenken: Fehler bei der Beratung oder im Umgang mit personenbezogenen Daten können rechtliche Probleme verursachen, insbesondere in Regionen mit strengen Datenschutzgesetzen wie HIPAA. Ein ordnungsgemäßes Design muss Compliance und Datensicherheit priorisieren.

40. KI-Agenten im Gesundheitswesen

KI-Agenten im Gesundheitswesen können Termine planen, Patienteninformationen dokumentieren, Diagnosen durch medizinische Bildgebung unterstützen, Behandlungspläne personalisieren, bei der Arzneimittelforschung helfen und Prozesse wie Abrechnung, Schadenbearbeitung und Vorabgenehmigungen automatisieren.

Diese Agenten verbessern außerdem die Patienteneinbindung durch konversationelle Unterstützung, ermöglichen Echtzeit-Gesundheitsüberwachung, bieten Unterstützung bei psychischen Problemen, erkennen Abrechnungsanomalien und integrieren sich mit Systemen wie elektronischen Gesundheitsakten (EHRs), um die Versorgungskoordination zu unterstützen und die Entscheidungsfindung zu verbessern.

41. Automatisierung regulatorischer Dokumentation

Die Automatisierung regulatorischer Dokumentation bezeichnet den Einsatz KI-gesteuerter Tools zur Erstellung, Überprüfung und Verwaltung von Compliance-bezogenen Dokumenten in regulierten Branchen wie Gesundheitswesen und Pharmazie.

Durch diese Automatisierung können Unternehmen den manuellen Aufwand reduzieren, die Konsistenz mit freigegebenen Inhalten sicherstellen und die Erstellung klinischer Studienberichte, regulatorischer Einreichungen und Compliance-Dokumente beschleunigen.

Praxisbeispiel: Novo Nordisk hat Anthropics Claude eingeführt, um die Erstellung klinischer Studienberichte zu unterstützen und den Prozess von Wochen auf Minuten zu verkürzen.

Durch die Reduzierung der Zahl der Autoren von über 50 auf drei erzielte das Unternehmen eine Reduzierung des Personalbestands um 94 % und Kosteneinsparungen von 92 %, während die Genauigkeit durch menschliche Überwachung erhalten blieb.

Das Unternehmen setzt Retrieval-Augmented Generation (RAG) ein, um KI-Halluzinationen zu verringern und sicherzustellen, dass zuvor genehmigte Inhalte konsistent wiederverwendet werden. Dieser Ansatz trug zur Steigerung der Effizienz in der regulatorischen Dokumentation bei und zeigt, wie die Zusammenarbeit von KI und Mensch schnellere und kostengünstigere Compliance-Prozesse ermöglichen kann.²⁵

42. Synthetische Datengenerierung im Gesundheitswesen

Statt generische synthetische Daten zu erzeugen, generiert KI heute multimodale synthetische Datensätze für die medizinische Forschung, das Training und die Validierung klinischer KI-Systeme, wodurch Datenschutzbeschränkungen wirksam umgangen werden, während der klinische Realismus erhalten bleibt.

Zu den Anwendungsfällen gehören:

• KI-gestützte Entwicklung synthetischer Krankheitssimulationen.
• Synthetische Bildgebungs-, Zeitreihen-EHR- und Signaldaten.

> Bildungsanwendungen

43. Personalisierte Unterrichtspläne

Durch den Einsatz generativer KI im Bildungswesen können personalisierte Unterrichtspläne den Schüler:innen die effektivste und individuellste Bildung ermöglichen.

Diese Pläne werden durch die Analyse von Schülerdaten wie bisherigen Leistungen, Kompetenzen und Rückmeldungen zum Lehrplaninhalt erstellt. Dadurch wird sichergestellt, dass jede Schülerin und jeder Schüler, insbesondere solche mit Behinderungen, eine individuelle Erfahrung erhält, die auf maximalen Erfolg ausgerichtet ist.

44. Kursdesign

Vom Entwurf von Lehrplänen und Prüfungen bis zur Personalisierung von Kursmaterialien auf der Grundlage der individuellen Bedürfnisse der Studierenden kann generative KI den Unterricht effizienter und effektiver machen.

In Kombination mit verschiedenen Arten virtueller Realität kann sie auch realistische Simulationen erstellen, die Lernenden stärker in den Prozess einbinden.

45. Inhaltserstellung für Kurse

Generative KI ermöglicht die schnelle Erstellung vielfältiger Lehrmaterialien, darunter Quizze und Konzeptübersichten. Dies hilft Pädagog:innen, schnell einzigartige Inhalte zu erstellen.

Außerdem kann KI Skripte für Videovorlesungen oder Podcasts generieren und so die Erstellung multimedialer Inhalte für Online-Kurse optimieren (siehe Abbildung unten).

Abbildung 9: Ein Beispiel für KI-generierten Kursinhalt von NOLEJ.

46. Nachhilfe

KI-gestützte Nachhilfe ermöglicht es Schüler:innen, mit einem virtuellen Tutor zu interagieren und in den eigenen vier Wänden Echtzeit-Feedback zu erhalten. Dies macht sie zu einer idealen Lösung für Kinder, die möglicherweise keinen Zugang zu traditionellem Präsenzunterricht haben.

Praxisbeispiel: Die Khan Academy nutzt GPT-4 in ihrem KI-Assistenten Khanmigo; er dient als virtueller Tutor für Schüler:innen und als Unterstützung für Lehrkräfte, indem er unterschiedliche Bildungsbedürfnisse adressiert.

Khanmigo fördert tieferes Lernen durch individuelle Fragen und die Kontextualisierung der Relevanz von Inhalten. Erste Ergebnisse zeigen vielversprechende Verbesserungen bei Engagement und Lernergebnissen. Khanmigo hilft Lehrkräften außerdem, Unterrichtsmaterialien zu erstellen und Lernerfahrungen individuell anzupassen (siehe Abbildung unten).

Abbildung 10: Personalisierte Fragengenerierung von Khan Academy Khanmigo für tieferes Lernen.²⁶

Praxisbeispiel: In einer in Nigeria durchgeführten Studie wurde der Einfluss generativer KI auf die Lernergebnisse von Schüler:innen in der Sekundarstufe untersucht. Die Intervention umfasste den Einsatz von Microsoft Copilot auf Basis von GPT-4 als virtuellen Tutor für den Englischunterricht in einem sechswöchigen außerschulischen Programm. Die Studie verwendete eine randomisierte kontrollierte Studie an neun öffentlichen Schulen.

Die Ergebnisse zeigen, dass die teilnehmenden Schüler:innen statistisch signifikante Verbesserungen in Englischkenntnissen, digitaler Kompetenz und Wissen über künstliche Intelligenz erzielten.

Der Ansatz kombinierte KI-gestützte Nachhilfe mit Lehreraufsicht und Lehrplanabstimmung. Die Studie stellte außerdem fest, dass das Programm im Vergleich zu traditionellen Interventionen kosteneffektiv war.

Diese Ergebnisse deuten darauf hin, dass generative KI, wenn sie in strukturierte Bildungsprogramme integriert wird, eine tragfähige Methode zur Unterstützung des Lernens in Kontexten mit begrenzten Bildungsressourcen sein kann.²⁷

47. Schutz der Datenprivatsphäre für Analysemodelle

Ein Vorteil der Nutzung generativer KI zur Erstellung von Trainingsdatensätzen besteht darin, dass sie zum Schutz der Privatsphäre von Schüler:innen beitragen kann. Eine Datenpanne oder ein Hackerangriff kann reale Daten mit personenbezogenen Informationen von Kindern im Schulalter offenlegen.

KI-generierte synthetische Daten, die aus dem Lernen realer Muster abgeleitet werden, tragen dazu bei, Anonymität zu gewährleisten und die Privatsphäre der Schüler:innen zu schützen. Von generativen Modellen erzeugte synthetische Datensätze sind effektiv und nützlich für das Training anderer Algorithmen und zugleich sicher in der Verwendung.

48. Wiederherstellung alter Lernmaterialien

Generative KI kann die Qualität veralteter oder minderwertiger Lernmaterialien wie historischer Dokumente, Fotografien und Filme verbessern.

Durch den Einsatz von KI zur Verbesserung der Auflösung dieser Materialien können sie auf moderne Standards gebracht und für Schüler:innen, die an hochwertige Medien gewöhnt sind, ansprechender gestaltet werden.

> Modeanwendungen

49. Kreatives Design für Modedesigner

Von der Kreation innovativer Stile bis hin zur Verfeinerung und Optimierung bestehender Looks ermöglicht die Technologie Designer:innen, mit den neuesten Trends Schritt zu halten und gleichzeitig ihre Kreativität zu bewahren. Dies kann durch eine Vielzahl von Techniken wie einzigartiges generatives Design oder Stilübertragung aus anderen Quellen erfolgen.

Praxisbeispiel: ClothingGAN ist ein KI-Tool zur Erstellung kreativer Kleidungsdesigns. Die Plattform nutzt die Ressourcen von GitHub und ermöglicht Designer:innen, innovative und einzigartige Designs effizient zu erstellen (siehe Abbildung unten).

Abbildung 11: Von ClothingGAN generierte Kleidungsstücke.

50. Skizzen in Farbbilder umwandeln

Mithilfe generativer KI kann die Modebranche wertvolle Zeit und Ressourcen sparen, indem Skizzen schnell in lebendige Bilder umgewandelt werden.

51. Repräsentative Modemodelle generieren

Durch den Einsatz generativer KI zur Erstellung verschiedener Modemodelle können Modeunternehmen ihre vielfältige Kundenbasis besser bedienen und ihre Produkte authentischer darstellen. Sie können solche Modelle für virtuelle Anprobeoptionen für Kund:innen oder für das 3D-Rendering eines Kleidungsstücks verwenden.

Praxisbeispiel: Die in Miami lebende Fotografin Dahlia Dreszer integriert generative KI in ihre künstlerische Praxis und behandelt sie als zusätzliches Medium neben der Fotografie. Für ihre Ausstellung „Bringing the Outside In“ trainierte sie KI-Modelle auf ihren visuellen Stil, produzierte ein KI-generiertes Werk und erstellte einen KI-Klon, der Besucher führt und Fragen beantwortet.

Sie betrachtet KI als Werkzeug, das die Ideenfindung beschleunigen, kreative Möglichkeiten erweitern und Experimente unterstützen kann, wobei sie auch deren Grenzen wie unvorhersehbare Ergebnisse und reduzierte künstlerische Kontrolle anerkennt.

Dreszer argumentiert, dass KI erhebliche Arbeit erfordert und als Teil eines langen kreativen Prozesses verstanden werden sollte und nicht als Abkürzung. Sie sieht den aktuellen Moment als frühes Stadium der breiteren Integration von KI in künstlerische Arbeitsabläufe, wobei Künstler:innen entscheiden, wie sie sich an sich schnell weiterentwickelnde Werkzeuge anpassen.²⁸

52. Marketing- und Trendanalyse für Modemarken

Generative KI kann die Trendanalyse in der Mode unterstützen, indem sie:

• eine Vielzahl von Techniken wie maschinelles Lernen und probabilistische Programmierung zusammenführt. Diese Techniken ermöglichen leistungsstarke generative Modelle, die Wünsche der Kund:innen im Modegeschäft berücksichtigen.
• tiefgreifend personalisierte Optionen für spezifische Konsumentenwünsche generiert, die über das hinausgehen, was traditionelle Analysen und Algorithmen zur Kundennachfrage leisten können.

Sie verbessert außerdem die Mode-Marketingfähigkeiten durch:

• die Nutzung von Datenanalyse, Natural Language Processing und maschinellem Lernen, um eine hochgradig maßgeschneiderte und personalisierte Produktpalette für die Zielgruppe zu erstellen
• das Entwerfen von E-Mails, Webseiten, Bildunterschriften und Anzeigen, die auf die Interessen und Vorlieben einer bestimmten Person zugeschnitten sind, um sie zu engagieren
• das Erstellen kreativer und authentischer Marketing- und Werbeinhalte, die wahrscheinlich die Suchergebnisse dominieren

53. Kosmetik mit generativer KI

Viele Unternehmen der Kosmetikbranche nutzen generative KI; ein Unternehmen veränderte die Parfümentwicklung durch die Automatisierung der Formulierung, die Verkürzung der Produktionszeit und die Veränderung der Art und Weise, wie Düfte entworfen und bewertet werden.

Praxisbeispiel: Unternehmen wie Osmo nutzen maschinelles Lernen, um Geruchsmoleküle zu analysieren und individuelle Düfte in weniger als 48 Stunden zu erzeugen, wodurch der traditionelle, monatelange Prozess umgangen wird, der die Alterung von Rohstoffen und manuelle Komposition umfasst.

Große Branchenakteure wie Givaudan, DSM-Firmenich, IFF und Symrise integrieren KI in regulatorische Prüfungen, die Auswahl von Inhaltsstoffen und die Duftoptimierung.²⁹

> Bankanwendungen

54. Betrugserkennung

Generative KI bietet Banken ein leistungsstarkes Instrument zur Erkennung verdächtiger oder betrügerischer Transaktionen und verbessert so ihre Fähigkeit, Finanzkriminalität zu bekämpfen. Das Training von GANs für die Betrugserkennung mit einem Trainingssatz betrügerischer Transaktionen hilft, unterrepräsentierte Transaktionen zu identifizieren.

Praxisbeispiel: Stripe integrierte OpenAIs GPT-4, um seine Fähigkeit zu verbessern, bösartige Aktivitäten zu erkennen und die Bedürfnisse der Nutzer zu verstehen, indem große Datenmengen analysiert werden, was zu passgenaueren und präziseren Antworten auf Kundenanfragen führte.

Durch die Analyse der Syntax von Discord-Beiträgen kennzeichnet GPT-4 verdächtige Konten für das Betrugsteam von Stripe zur Untersuchung. GPT-4 scannt außerdem eingehende Kommunikation, um koordinierte bösartige Aktivitäten zu identifizieren und die Fähigkeit von Stripe im Umgang mit Betrug zu unterstützen.

Die Integration von GPT-4 hat die operative Effizienz von Stripe mit persönlicherem Kundensupport und fortschrittlichen Betrugserkennungsfunktionen verbessert, um eine sichere Plattform zu gewährleisten.³⁰

55. Risikomanagement

Durch den Einsatz von GANs ist es möglich, Value-at-Risk-Schätzungen zu berechnen, die den potenziellen Verlust in bestimmten Zeiträumen anzeigen, oder wirtschaftliche Szenarien für die Prognose von Finanzmärkten zu erstellen.

GANs helfen auch beim Verständnis von Volatilität, indem sie neue, annahmen-kostenlos Situationen auf der Grundlage historischer Datentrends generieren.

56. Erstellung benutzerfreundlicher Erklärungen für Kreditablehnungen

Entscheidungsträger und Kreditantragsteller müssen die Erklärungen KI-basierter Entscheidungen verstehen, einschließlich der Gründe für die Ablehnung von Kreditanträgen. Ein konditionales GAN ist ein nützliches Werkzeug, um antragstellerfreundliche Ablehnungserklärungen zu erstellen, wie in der Abbildung unten dargestellt.

Abbildung 12: Erstellung benutzerfreundlicher Erklärungen für Kreditablehnungen mithilfe generativer gegnerischer Netzwerke.³¹

57. Schutz der Datenprivatsphäre

Synthetische KI-generierte Daten können Banken helfen, Datenschutzherausforderungen zu bewältigen, indem sie gemeinsam nutzbare und datenschutzkonforme Datensätze erstellen, die sich ideal für das Training von Modellen zur Kreditwürdigkeitsprüfung eignen.

Weitere Informationen finden Sie unter:

• Generative KI-Anwendungen im Finanzdienstleistungssektor

> Gaming-Anwendungen

58. Prozedurale Inhaltsgenerierung

Generative KI kann Spielinhalte wie Level, Karten und Quests auf der Grundlage vordefinierter Regeln und Kriterien generieren. Dies kann Spieleentwicklern helfen, abwechslungsreichere und interessantere Spielerlebnisse zu schaffen.

Praxisbeispiel: Ubisoft nutzte generative KI, um die Nicht-Spieler-Charaktere (NPCs) in Watch Dogs: Legion zu erstellen.

Jede Figur im Spiel wurde einzigartig mit unterschiedlichen Erscheinungsbildern, Verhaltensweisen und Hintergrundgeschichten gestaltet. Dieser Prozess erhöhte den Realismus und die Immersion des Spiels und machte das Spielerlebnis dynamischer und fesselnder.

59. Analyse des Spielerverhaltens

Sie kann verwendet werden, um Spielerdaten wie Spielmuster und Vorlieben zu analysieren, um personalisierte Spielerlebnisse zu bieten. Dies kann Spieleentwicklern helfen, das Engagement und die Bindung der Spieler zu erhöhen.

60. Verhalten von Nicht-Spieler-Charakteren (NPCs)

Generative KI kann realistisches und dynamisches NPC-Verhalten erzeugen, wie z. B. Gegner-KI und NPC-Interaktionen. Dies kann Spieleentwicklern helfen, immersivere und herausforderndere Spielwelten zu schaffen.

61. Design der Benutzeroberfläche

Generative KI kann Benutzeroberflächen entwerfen, die intuitiv und benutzerfreundlich sind. Dies kann Spieleentwicklern helfen, das Spielerlebnis zu verbessern und das Engagement der Spieler zu steigern.

62. Spieletests

Generative Programmiertools können zur Automatisierung von Spieletests eingesetzt werden, z. B. zur Identifizierung von Bugs und Glitches und zur Rückmeldung zur Spielbalance. Dies kann Spieleentwicklern helfen, Testzeit und -kosten zu reduzieren und die Gesamtqualität ihrer Spiele zu verbessern.

> Reiseanwendungen

63. Identitätsprüfung

Generative KI in Gesichtserkennungs- und Verifikationssystemen an Flughäfen kann bei der Identifizierung und Authentifizierung von Passagieren helfen. Dies geschieht durch die Erstellung eines umfassenden Bildes des Gesichts eines Passagiers aus Fotos, die aus verschiedenen Blickwinkeln aufgenommen wurden, wodurch der Prozess der Identifizierung und Bestätigung der Identität von Reisenden optimiert wird.

Praxisbeispiel: Allpass.ai entwickelte ein mobiles Tool, das Smartphones in kontaktlose ID-Scanner verwandelt, um Check-ins zu beschleunigen und Reiseprozesse bequemer zu machen.

Diese Lösung integriert außerdem biometrische Verifikation und Betrugserkennung und verbessert die Sicherheit durch die Nutzung einer globalen Datenbank von Ausweisdokumenten.

64. Personalisierte Reise- und Reisezielempfehlungen

Generative KI kann Kundendaten wie frühere Buchungen und Präferenzen analysieren, um personalisierte Empfehlungen für Reiseziele, Unterkünfte und Aktivitäten zu geben.

> Einzelhandelsanwendungen

65. Produktempfehlungen

Mithilfe generativer Modelle können Einzelhandelstools Kund:innen neue oder alternative Produkte vorschlagen, die für sie interessant sein könnten, basierend auf ihrer Kaufhistorie und ihren Vorlieben. Sie prognostizieren außerdem zukünftige Kundenbedürfnisse und -präferenzen und verbessern so die gesamte Einkaufsreise.

Praxisbeispiel: Adoric bietet ein Tool, das Websites hilft, Produktempfehlungen an verschiedenen Punkten der Customer Journey anzuzeigen, z. B. auf der Startseite oder während des Checkouts.

Das Tool nutzt erweiterte Funktionen wie Audience Targeting und Kampagnen-Trigger, um das Kundenengagement auf der Grundlage von Faktoren wie Standort und Traffic-Quelle zu optimieren.

66. Produkt- und Displaydesign

Generative KI kann neue Produktdesigns auf der Grundlage der Analyse aktueller Markttrends, Verbraucherpräferenzen und historischer Verkaufsdaten erstellen.

Beispielsweise kann die Erstellung von Designs für Kleidung, Möbel oder Elektronik eine Option sein. Eine andere Option ist die Personalisierung der Anzeigeoptionen nach Kundenwunsch.

67. Automatisierte Generierung von Einzelhandelsinhalten

Einzelhändler können KI nutzen, um Produktbeschreibungen, Werbeinhalte für soziale Medien, Blogbeiträge und andere Inhalte zu erstellen, die SEO verbessern und das Kundenengagement fördern.

68. Bestandsverwaltung und Optimierung der Lieferkette

Generative KI kann helfen, die Nachfrage nach Produkten vorherzusagen, indem sie Prognosen auf der Grundlage historischer Verkaufsdaten, Trends, Saisonalität und anderer Faktoren erstellt. Dies verbessert die Bestandskontrolle, indem sowohl Überbestände als auch Engpässe minimiert werden.

69. Virtuelle Einkaufsassistenten

Generative KI kann konversationelle virtuelle Assistenten antreiben, die Kund:innen auf ihrer Einkaufsreise helfen, Antworten auf ihre Anfragen generieren und sie durch den Kaufprozess führen.

> Versicherungsanwendungen

70. Policendokumentation

Generative KI-Tools für Versicherungen können helfen, Policendokumente auf der Grundlage nutzerspezifischer Angaben zu erstellen. Sie können die benötigten Informationen automatisch ausfüllen und so die Erstellung dieser Dokumente beschleunigen.

Praxisbeispiel: Lemonade Insurance implementierte KI- und Chatbot-Technologie namens Maya, um ihre Versicherungsangebote zu verwalten.

Maya von Lemonade interagiert in Echtzeit mit Kund:innen, sammelt Informationen und erstellt sofort Policendokumente, um den Prozess für Anträge auf Miet- und Eigenheimversicherungen zu verwalten.

71. Risikobewertung und Prämienberechnung

Generative KI kann verwendet werden, um auf der Grundlage historischer Daten verschiedene Risikoszenarien zu simulieren und die Prämie entsprechend zu berechnen.

Generative Modelle können historische Kundendaten untersuchen, um zukünftige Szenarien und damit verbundene Risiken zu simulieren. Solche Simulationen unterstützen das Training prädiktiver Modelle zur Verbesserung der Risikoeinschätzung und zur Festlegung angemessener Versicherungsprämien.

72. Betrugserkennung

Generative KI kann Beispiele für betrügerische und nicht betrügerische Ansprüche generieren, die zum Training von Machine-Learning-Modellen zur Betrugserkennung verwendet werden können. Diese Systeme helfen, potenziell betrügerische Ansprüche frühzeitig zu erkennen und tragen zu Kosteneinsparungen für Versicherer bei.

73. Kundenprofilierung

Generative KI kann verwendet werden, um synthetische Kundenprofile zu erstellen, die bei der Entwicklung und dem Testen von Modellen für die Kundensegmentierung, Verhaltensvorhersage und personalisiertes Marketing helfen, ohne Datenschutznormen zu verletzen.

74. Schadenbearbeitung

Modelle generativer KI können eingesetzt werden, um den oft komplexen Prozess des Schadenmanagements zu vereinfachen. Sie können automatisierte Antworten auf grundlegende Schadenanfragen generieren, wodurch der gesamte Schadenregulierungsprozess beschleunigt und die Bearbeitungszeit von Versicherungsansprüchen verkürzt wird.

75. Policengenerierung

Generative KI-Modelle können personalisierte Versicherungspolicen auf der Grundlage der spezifischen Bedürfnisse und Umstände jedes Kunden erstellen.

Basierend auf Daten über den Kunden wie Alter, Krankengeschichte, Standort und mehr kann das KI-System eine Police erstellen, die zu diesen individuellen Merkmalen passt, anstatt eine Einheitspolice anzubieten.

76. Prädiktive Analyse und Szenariomodellierung

Generative KI-Modelle können Tausende potenzieller Szenarien aus historischen Trends und Daten generieren. Versicherungsunternehmen können diese Szenarien nutzen, um potenzielle zukünftige Entwicklungen zu verstehen und bessere Entscheidungen zu treffen.

> Fertigungsanwendungen

77. Vorausschauende Wartung

Durch den Einsatz von Deep-Learning-Algorithmen können Hersteller Geräteausfälle vorhersagen und ihre Anlagen proaktiv warten. Diese Modelle können mit Daten von den Maschinen selbst trainiert werden, wie Temperatur, Vibration, Geräusch usw.

Wenn diese Modelle dieses Datenmanagement lernen, können sie Vorhersagen über potenzielle Ausfälle treffen, wodurch vorbeugende Wartung ermöglicht und Ausfallzeiten reduziert werden.

Praxisbeispiel: BlueScope arbeitete mit Siemens zusammen, um die Predictive-Maintenance-Plattform Senseye zur Bewältigung von Betriebsunterbrechungen in seinen Produktionslinien zu nutzen.

Durch IoT-basierte Überwachung der Maschinen erkannte BlueScope Geräteausfälle früher, was zur Reduzierung von Ressourcenverschwendung und zur Verbesserung der Produktionseffizienz beitrug.

78. Qualitätskontrolle

KI kann helfen, Qualitätskontrollprozesse in der Fertigung zu verbessern. Indem generative KI-Tools aus Bildern vergangener Produkte lernen und fehlerhafte Produkte identifizieren, können sie ein Modell generieren, um vorherzusagen, ob ein neu hergestelltes Produkt wahrscheinlich fehlerhaft ist.

79. Produktionsplanung und Bestandsverwaltung

Generative KI-Modelle können verschiedene Produktionsszenarien simulieren, die Nachfrage vorhersagen und helfen, Lagerbestände zu optimieren. Sie können historische Kundendaten zur Nachfrageprognose nutzen und so genauere Produktionspläne und optimale Lagerbestände ermöglichen.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Geschäftsfunktionsspezifische GenAI-Anwendungen

> Kundenservice-Anwendungen

80. Personalisierte Kundenantworten

Konversationelle generative KI-Tools können mit Kundendaten wie früheren Käufen, Chat-Verlauf und Kundenfeedback trainiert werden, um für jeden Kunden ein personalisiertes Profil zu erstellen. Wenn ein Kunde eine Nachricht sendet, können ChatGPT oder ähnliche Tools dieses Profil nutzen, um relevante Antworten zu geben, die auf die spezifischen Bedürfnisse und Vorlieben des Kunden zugeschnitten sind.

Praxisbeispiel: Während der COVID-19-Pandemie arbeitete Banc Sabadell mit Zendesk zusammen, um ein KI-gestütztes Chatsystem einzuführen.

Dieser virtuelle Assistent half, die zunehmende Flut von Kundenanfragen zu bewältigen, indem er Selbstbedienungsoptionen für häufige Fragen bereitstellte und komplexere Probleme an menschliche Mitarbeiter weiterleitete.

81. Mehrsprachiger Kundensupport

Der mehrsprachige Support durch generative KI-Tools wie ChatGPT für den Kundenservice basiert auf den Large-Language-Model-Fähigkeiten des Systems, um Kunden zu unterstützen, die verschiedene Sprachen sprechen. Konversationelle KI-Tools können in verschiedenen Sprachen trainiert werden und Nachrichten in Echtzeit von einer Sprache in eine andere übersetzen.

Abbildung 13: Eine beispielhafte mehrsprachige Kundenantwort, generiert von ChatGPT.

82. Schnelle Antworten auf Kundenanfragen und Beschwerden

Konversationelle Tools können trainiert werden, häufige Kundenbeschwerden wie Probleme mit der Produktqualität, Lieferverzögerungen oder Abrechnungsfehler zu erkennen und darauf zu antworten.

Wenn ein Kunde eine Beschwerde sendet, kann das Tool die Nachricht analysieren und eine Antwort geben, die auf die Anliegen des Kunden eingeht und mögliche Lösungen anbietet.

Praxisbeispiel: Die GenAI von ServiceNow hat die Selbstbedienung der Mitarbeiter um 14 % und die Selbstbedienung der Kunden um 10 % erhöht, indem sie es Nutzern ermöglicht, mit der Self-Service-Funktion intuitiv selbst Antworten zu finden. Diese Verlagerung reduziert die Belastung der Helpdesks, sodass sich die Agenten stärker auf anspruchsvollere Aufgaben konzentrieren und den Nutzern zeitnahe Lösungen bieten können.

Das ServiceNow-DT-Team hat mit dieser Methode jährlich 5,5 Millionen US-Dollar eingespart, mit einer ITSM-Problemablenkungsrate von 54 % und einer Fallvermeidung von fast 20 % bei Now Support. Dieser Ansatz gewährleistet schnelle Lösungen und steigert die Zufriedenheit, da 56 % der Kunden positive Erfahrungen mit KI-zusammengefassten Lösungen melden.³²

83. Erstellung von Kunden-E-Mails

Tools wie ChatGPT können personalisierte E-Mail-Vorlagen für einzelne Kunden mit den bereitgestellten Kundeninformationen erstellen. Beim Verfassen von Kunden-E-Mails kann ChatGPT Vorlagen nutzen, um Nachrichten zu erstellen, die auf die Vorlieben und Anforderungen des Empfängers zugeschnitten sind.

Abbildung 14: ChatGPT stellt eine E-Mail-Vorlage für ein bestimmtes Kundenproblem bereit.

84. Beantwortung von Kundenbewertungen

Wenn ein Kunde auf Online-Bewertungsplattformen oder auf Ihrer Website eine Bewertung oder einen Kommentar hinterlässt, können ChatGPT oder andere Tools eine Antwort generieren, die auf die Anliegen des Kunden eingeht und mögliche Lösungen oder Unterstützung anbietet.

85. Beantwortung von FAQs

ChatGPT kann beispielsweise mit der FAQ-Seite oder Wissensdatenbank eines Unternehmens trainiert werden, um häufige Kundenfragen zu erkennen und zu beantworten.

> Finanzanwendungen

86. Personalisierte Finanz- und Anlageberatung

KI-Systeme können Finanzberatung, Risikoprofile und Anlagestrategien mithilfe generativer Modelle anpassen, die finanzielle Ergebnisse personalisiert auf die Ziele und Risikotoleranz eines Nutzers simulieren.

87. AP-automation/Rechnungsverarbeitung

Generative-KI-Lösungen gehen über das Extrahieren von Schlüssel-Wert-Paaren aus Dokumenten hinaus und ermöglichen es Nutzern, Dokumente flexibel abzufragen, wodurch die Automatisierung für komplexere Dokumente erschlossen wird.

Abbildung 15: Rechnungsverarbeitung mit generativer KI.³³

Praxisbeispiel: BBVA, die zweitgrößte Bank Spaniens, arbeitete mit OpenAI zusammen, um 3.000 ChatGPT-Enterprise-Lizenzen zu erwerben. ChatGPT Enterprise, eine geschäftsorientierte Version von ChatGPT, ermöglicht es Mitarbeitern, maßgeschneiderte „GPTs“ für bestimmte Aufgaben oder Workflows zu erstellen.

BBVA-Mitarbeiter aus verschiedenen Abteilungen, darunter Recht, Risiko, Marketing, Talent und Finanzen, haben über 2.900 GPTs entwickelt. Diese Tools erfüllen verschiedene Funktionen, von der Interpretation risikobezogener Begriffe wie „write-off“ bis zur Erstellung von Antworten auf Anfragen von Privatkunden.

BBVA berichtete, dass Early Adopters eine Produktivitätssteigerung erfahren haben; 80 % der Nutzer geben an, dass die Tools ihnen mehr als zwei Stunden pro Woche sparen. Bedenken hinsichtlich messbarer Auswirkungen auf das Endergebnis und der Herausforderungen bei der Skalierung der Technologie bestehen jedoch weiterhin. Das Unternehmen hob die Schwierigkeiten bei der Integration von ChatGPT Enterprise in komplexe interne Systeme und Datenbanken hervor.

Die Bank hat inzwischen auf 3.300 Lizenzen erweitert und plant weiteres Wachstum im Jahr 2025.

Weitere Informationen finden Sie unter KI-Anwendungen in der Kreditorenbuchhaltung.

> Marketinganwendungen

88. Inhaltserstellung für das Marketing

Generative KI-Tools ermöglichen es Unternehmen, personalisierte Inhalte wie Produktbeschreibungen, Social-Media-Beiträge, Videoanzeigen und E-Mail-Kampagnen zu erstellen.

Eine über drei Jahre laufende Studie ergab, dass die Synergie zwischen Mensch und KI bei kreativen Aufgaben wahrscheinlicher ist als bei entscheidungsbasierten Aufgaben. Bei kreativer Arbeit wie der Inhaltserstellung ergänzt KI die menschliche Kreativität, indem sie sich wiederholende Aufgaben übernimmt, während Menschen die Einsicht und Originalität liefern.³⁴

Zum Beispiel können KI-Tools Schlagzeilen generieren, Artikel strukturieren und Handlungsaufforderungen vorschlagen, während Marketingfachleute die Botschaft verfeinern und die Markenkonsistenz sicherstellen. Diese Zusammenarbeit steigert die Effizienz, ohne den kreativen Touch zu verlieren, der das Publikum anspricht.

Da sich KI weiterentwickelt, sollten sich Unternehmen darauf konzentrieren, KI strategisch in Content-Workflows zu integrieren, statt kreative Prozesse vollständig zu automatisieren.

Abbildung 16: KI-generierter Inhalt zur Werbung für ein neues Elektroautomodell mithilfe von ChatGPT.

Praxisbeispiel: Site Smart Marketing³⁵ , eine Agentur für digitales Marketing und Webentwicklung, stand vor der Herausforderung, ihre Content-Produktion zu skalieren und gleichzeitig Qualität und Markenrichtlinien einzuhalten. Durch die Zusammenarbeit mit Narrato erreichten sie:

• Erhöhte Effizienz: Durch die Integration der KI-gesteuerten Content-Erstellungstools von Narrato reduzierte Site Smart seine Content-Produktionszeit um das Achtfache. Funktionen wie benutzerdefinierte KI-Vorlagen und Markenstimmen-Einstellungen ermöglichten die Erstellung markenkonformer Inhalte von Anfang an.
• Kostensenkung: Die Integration mit Narrato führte zu einem Rückgang der Content-Produktionskosten um 80 %. Diese Effizienz ermöglichte es Site Smart, Ressourcen effektiver umzuverteilen und sich auf Bereiche zu konzentrieren, die für die Kunden einen größeren Mehrwert schaffen.
• Verbesserte Qualitätskontrolle: Die Plattform von Narrato bot einen zentralisierten Arbeitsbereich mit verbesserter Zusammenarbeit und weniger Fehlern. Die Integration von KI stellte die Konsistenz der Inhalte und die Übereinstimmung mit dem Markenton sicher und minimierte den Bedarf an umfangreichen Überarbeitungen.

89. Personalisierte Kundenerfahrung

ChatGPT und ähnliche generative Tools können mit ihrem Natural Language Processing personalisierte Inhalte für Ihre Kunden auf der Grundlage ihrer Vorlieben, ihres bisherigen Verhaltens und ihrer Demografie erstellen. Dies kann Ihnen helfen, zielgerichtete Inhalte zu erstellen, die Ihre Zielgruppe ansprechen, was zu höherem Engagement und höheren Konversionsraten führt.

90. Zielgruppenforschung

Generative KI kann zur Analyse von Kundendaten verwendet werden, wie:

• Suchanfragen
• Social-Media-Interaktionen
• frühere Käufe, um Muster und Trends im Kundenverhalten zu identifizieren.

Durch die Analyse dieser Daten können generative KI-Tools Ihnen helfen, die Vorlieben, Interessen und Schmerzpunkte Ihrer Zielgruppe zu identifizieren. Diese Informationen können Ihre Marketingbotschaften, Inhalte und Produktentwicklung beeinflussen.

91. Produktbeschreibungen schreiben

Produktbeschreibungen spielen im Marketing eine entscheidende Rolle, da sie potenziellen Kunden detaillierte Informationen über die Merkmale, Vorteile und den Wert eines Produkts liefern. Generative Tools wie ChatGPT können helfen, überzeugende und informative Produktbeschreibungen zu erstellen, die bei Ihrer Zielgruppe Anklang finden.

92. Erstellung von Kundenumfragen

Vermarkter können Umfragen als wertvolles Instrument nutzen, um Kundenfeedback und Erkenntnisse zur Verbesserung von Produkten, Dienstleistungen und Werbetaktiken zu sammeln. Generative KI kann bei der Erstellung von Kundenumfragen auf folgende Weise helfen:

• Fragengenerierung
• Organisation der Umfragestruktur
• Umfragen mithilfe der Übersetzungsfunktion mehrsprachig machen
• Umfrageanalyse

93. Generierung von Videoanzeigen oder Produktdemos

Anwendungen der Videogenerierung in GenAI umfassen:

• Videoanzeigen: Mit generativer KI können Unternehmen hochwertige Videoanzeigen erstellen, die auf verschiedenen Plattformen eingesetzt werden können, darunter soziale Medien und Videoportale. Dies kann helfen, die Markenbekanntheit zu steigern und Conversions zu fördern.
• Produktdemos: Die Videogenerierung kann auch zur Erstellung von Produktdemovideos verwendet werden. Durch den Einsatz generativer KI können Unternehmen ihre Produkte visuell ansprechend präsentieren, was Engagement und Verkäufe steigern kann.

Praxisbeispiel: SimCorp, ein globaler Anbieter integrierter Investment-Management-Lösungen, arbeitete mit Synthesia zusammen, um die Effizienz und Konsistenz seines Videoproduktionsprozesses zu verbessern. Durch die Partnerschaft mit Synthesia erreichten sie:

• Beschleunigte Produktion: Mithilfe der KI-gesteuerten Videoerstellungsplattform von Synthesia steigerte SimCorp seine Videoproduktion um das Fünffache.
• Zeitersparnis: Die Zusammenarbeit ermöglichte die Erstellung von zwei 3-4-minütigen Videos an einem einzigen Tag und reduzierte so den zuvor erforderlichen Zeitaufwand.
• Konsistentes Branding: Die Plattform von Synthesia stellte sicher, dass alle Videos ein konsistentes, hochwertiges Markenerlebnis gemäß den Richtlinien von SimCorp aufrechterhalten.

94. E-Mail-Marketing-Kampagnen

Der Einsatz generativer KI für das E-Mail-Marketing unterstützt Marketingprozesse durch die Optimierung der Automatisierung und die Steigerung von Personalisierung und Kreativität bei der Erstellung ansprechender Inhalte.

Generative KI-Tools können zur Erstellung personalisierter Elemente genutzt werden:

• E-Mail-Text
• Betreffzeilen
• Bilder im E-Mail-Text
• Call-to-Actions (CTAs).

KI-Tools für E-Mail-Marketing können Unternehmen außerdem ermöglichen:

• E-Mail-Antworten automatisieren
• Zielgruppe auswählen
• E-Mail-Versandzeiten optimieren

SEO-Anwendungen

95. Themenideen für das Verfassen von Inhalten generieren

Generative Tools wie ChatGPT können für die Generierung von Themenideen für das SEO-Content-Schreiben verwendet werden, indem sie ihre Sprachverarbeitungsfähigkeiten nutzen, um:

• relevante Schlüsselwörter und Phrasen zu produzieren
• Inhalte der Wettbewerber zu analysieren, um Lücken in der Abdeckung zu identifizieren
• Themen auf der Grundlage aktueller Trends und Nutzersuchanfragen vorzuschlagen

96. Keyword-Recherche durchführen

Die Einbindung relevanter Schlüsselwörter in Inhalte ist entscheidend für eine erfolgreiche SEO-Strategie, da sie hilft, die Begriffe und Phrasen zu bestimmen, die potenzielle Kunden bei der Suche nach Produkten oder Dienstleistungen im Zusammenhang mit den Angeboten der Website verwenden.

Generative Tools wie ChatGPT können Funktionen bei der Optimierung der Keyword-Suche übernehmen, wie:

• Generierung von Keywords: Sie können eine Liste relevanter Keywords für ein Thema oder eine Thematik erstellen, indem sie den Kontext und die Sprache der bereitgestellten Informationen analysieren.
• Erkennen von Keyword-Trends: Sie können Suchdaten analysieren, um aktuelle Keyword-Trends zu erkennen und Begriffe vorzuschlagen, die in naher Zukunft wahrscheinlich beliebt sein werden.

Abbildung 17: Generierung von Keyword-Ideen für B2B-Marketinginhalte mit ChatGPT.

97. Die richtigen Titel finden

Generative Tools wie ChatGPT können SEO-freundliche Titel generieren, indem sie sicherstellen, dass die Titel:

• aussagekräftig sind und das Thema des Inhalts klar vermitteln
• relevante Keywords zum Thema enthalten können
• prägnant und auf den Punkt sind und in der Regel innerhalb der Zeichenbegrenzung von 60 bis 70 Zeichen für eine optimale Anzeige auf den Ergebnisseiten von Suchmaschinen liegen.
• auffällig sind und wahrscheinlich Klicks anziehen, was die Klickrate (CTR) und letztlich die SEO verbessern kann.

98. Suchintention gruppieren

Das Verständnis der Suchintention hinter einer Anfrage ist entscheidend für die Erstellung von Inhalten, die Kundenbedürfnisse präzise und effektiv erfüllen und so zu höherem Engagement und mehr Conversions führen.

Tools wie ChatGPT können bei der Gruppierung von Suchintentionen helfen, indem sie Suchanfragen analysieren und sie mithilfe von Natural Language Processing (NLP)-Methoden nach dem beabsichtigten Ziel oder Zweck der Nutzer kategorisieren. Dies ermöglicht es Unternehmen und Marketingfachleuten, den Zweck bestimmter Suchanfragen zu verstehen und ihre Inhalte und Strategien zu verfeinern, um die Bedürfnisse ihrer Zielgruppe besser zu erfüllen.

Praxisbeispiel: Der KI Search Grader von HubSpot³⁶ wurde entwickelt, um die Markensichtbarkeit und -stimmung in KI-gestützten Suchmaschinen wie ChatGPT und Perplexity zu bewerten. Die Analyse, wie diese Modelle die Marke referenzieren, liefert Einblicke in die aktuelle Leistung und identifiziert Verbesserungsbereiche. Zu den wichtigsten Funktionen gehören:

• Markenstimmungsanalyse: Bewertet Ton und Kontext, in denen KI-Modelle die Marke diskutieren, und liefert einen Stimmungswert zur Messung der öffentlichen Wahrnehmung.
• Share of Voice-Bewertung: Misst die Präsenz der Marke im Verhältnis zu Wettbewerbern in KI-generierten Suchergebnissen, um Nutzern zu helfen, ihre Marktposition zu verstehen.
• Berichterstattung: Liefert eine detaillierte Analyse, die Stärken und Schwächen der Marke in der KI-Suchlandschaft hervorhebt.

99. Erstellung einer Inhaltsstruktur

Tools wie ChatGPT können bei der Erstellung einer Inhaltsstruktur helfen, indem sie Gliederungen und Organisationsvorschläge für ein bestimmtes Thema generieren. Dies kann für die SEO-Maximierung nützlich sein, da gut strukturierte und organisierte Inhalte eine bessere Nutzererfahrung bieten und Suchmaschinen helfen, den Kontext und die Relevanz des Inhalts zu verstehen.

Abbildung 18: ChatGPT erstellt die Struktur von Inhalten.

100. Meta-Beschreibungen generieren

Eine Meta-Beschreibung ist ein HTML-Attribut, das eine kurze Zusammenfassung des Inhalts einer Webseite liefert. Die Meta-Beschreibung dient als Werbung für die Seite und ermutigt Nutzer, auf den Link zu klicken und die Seite zu besuchen. Daher sind Meta-Beschreibungen ein wichtiges Element der SEO.

ChatGPT kann verwendet werden, um effektive Meta-Beschreibungen zu erstellen, indem es Zusammenfassungen des Inhalts generiert, die das Hauptthema einer Seite präzise und knapp beschreiben.

101. Sitemap-Codes erstellen

Eine Sitemap ist eine strukturierte XML-Datei, die alle Seiten und Inhalte einer Website auflistet. Sie hilft Suchmaschinen, die Struktur und Organisation einer Website zu verstehen. Der Sitemap-Code enthält Informationen zu jeder Seite, wie ihre URL, das Datum der letzten Änderung und ihre Priorität im Verhältnis zu anderen Seiten der Website.

ChatGPT kann verwendet werden, um Sitemap-Codes zu generieren und eine XML-Datei zu erstellen, die alle Seiten und Inhalte einer Website auflistet.

> HR-Anwendungen

102. Erstellung von Stellenbeschreibungen

Generative KI kann verwendet werden, um Stellenbeschreibungen zu erstellen, die erforderlichen Fähigkeiten und Qualifikationen für eine bestimmte Position präzise widerspiegeln.

Praxisbeispiel: Um relevante Lebensläufe auf der Grundlage von Stellenbeschreibungen in natürlicher Sprache zu verarbeiten und abzurufen, entwickelte DataToBiz einen KI-gestützten Lebenslauf-Filter. Mithilfe semantischer Suche und Large Language Models (LLMs) ermöglichte die Lebenslauffilterung die Interpretation und Abstimmung von Stellenbeschreibungen mit Lebensläufen. Das System verbesserte Nutzeranfragen, indexierte Lebensläufe und lieferte kontextbezogen genaue Ergebnisse.

Die Lösung steigerte außerdem die Nutzerzufriedenheit, optimierte die operative Effizienz und ermöglichte eine strategische Talentgewinnung, was zu einer schnelleren und präziseren Kandidatenauswahl führen würde.³⁷

103. Erstellung von Interviewfragen

Personalabteilungen müssen oft eine Reihe von Fragen entwickeln, die sie Bewerbern im Vorstellungsgespräch stellen, was zeitaufwendig sein kann. KI kann Interviewfragen generieren, die für die Stelle relevant sind und die Qualifikationen, Fähigkeiten und Erfahrungen der Kandidaten bewerten.

Abbildung 19: ChatGPT erstellt eine Reihe von Interviewfragen für eine Stelle.

104. Erstellung von Onboarding-Materialien

KI kann Onboarding-Materialien für neue Mitarbeiter wie Schulungsvideos, Handbücher und andere Dokumentationen erstellen.

105. Mitarbeiterunterstützung mit KI-Chatbots

Der Einsatz von KI-Tools kann die Mitarbeiterzufriedenheit steigern, indem der Zugang zu Informationen vereinfacht und routinemäßige HR-Prozesse automatisiert werden. Diese Systeme unterstützen HR-Agenten bei der effizienten Verwaltung von Aufgaben wie:

• Beantwortung häufig gestellter Fragen,
• Bearbeitung von Freizeitanträgen,
• Verwaltung der Gehaltsabrechnung und
• Verwaltung von Leistungen wie Gesundheitsversorgung, Altersvorsorge und Karriereentwicklungsmöglichkeiten.

Praxisbeispiel: TheKey musste seinen Bewerbungsprozess verbessern, der zeitaufwendig war und zu niedrigeren Konversionsraten führte.³⁸ Manuelle Prozesse und Ineffizienzen bei der Einstellung verlangsamten die Entscheidungsfindung und die Integration in das breitere Einstellungssystem.

KI-gestützte HR-Chatbots und virtuelle Assistenten optimierten den Bewerbungsprozess, reduzierten die Bewerbungszeit um das 10-Fache und steigerten die Konversionsraten erheblich. Durch die Automatisierung wichtiger Aufgaben und die Bereitstellung wertvoller Erkenntnisse verbesserten diese KI-Tools die Entscheidungsfindung und die Integration in das Einstellungssystem.

Praxisbeispiel: IBM-HR-Agenten nutzen eine umfassende Bibliothek vorgefertigter konversationeller KI-Automatisierungen, die als „Skill-Flows“ bezeichnet werden. Diese Automatisierungen helfen, komplexe HR-Aufgaben zu verwalten und gleichzeitig die Einhaltung von Vorschriften und Unternehmensrichtlinien zu gewährleisten. Sie bieten Mitarbeitern außerdem ein Self-Service-Chat-Erlebnis auf der Grundlage natürlicher Sprache.³⁹

106. Produktivität am Arbeitsplatz steigern

Große Unternehmen stehen vor der anhaltenden Herausforderung, die Zeit von Wissensarbeitern zu optimieren, da ein erheblicher Teil des Aufwands für Routineaufgaben wie E-Mail- und Besprechungsvorbereitung aufgewendet wird und nicht für Kernaufgaben.

Ein sechsmonatiges Feldexperiment mit Microsoft 365 Copilot zeigte, dass generative KI die für E-Mails aufgewendete Zeit um 25 % reduzieren, die Fertigstellung von Dokumenten beschleunigen und die Fokuszeit erhöhen kann, ohne Team-Workflows oder Besprechungsstrukturen zu stören.

Die deutlichsten Verbesserungen traten bei Aufgaben auf, die Mitarbeiter unabhängig anpassen konnten, was frühe Produktivitätsgewinne verdeutlicht, aber auch die Notwendigkeit breiterer organisatorischer Veränderungen unterstreicht, um die volle KI-gesteuerte Transformation zu realisieren.⁴⁰

> Lieferketten- und Beschaffungsanwendungen

107. Nachfrageprognose und Lieferkettenmanagement

Generative KI kann Unternehmen helfen, die Nachfrage nach bestimmten Produkten und Dienstleistungen vorherzusagen, um ihre Lieferkettenabläufe entsprechend zu optimieren. Dies kann Unternehmen helfen, Lagerkosten zu senken, Auftragserfüllungszeiten zu verbessern und Abfall sowie Überbestände zu reduzieren.

Erfahren Sie, wie generative KI Lieferkettenabläufe durch die Vorhersage der Nachfrage und die Optimierung von Prozessen transformiert.

Praxisbeispiel: Ein führendes Apothekendienstleistungsunternehmen, das in Nord- und Südamerika, Europa und im asiatisch-pazifischen Raum tätig ist, sah sich wiederkehrenden Herausforderungen bei der Abstimmung von Kundennachfrage und Lieferantenzustellungen gegenüber. Die interne Prognose stützte sich auf statistische Modelle, die saisonale Nachfrageschwankungen oder Produkteinführungen nicht berücksichtigten. Diese eingeschränkte Transparenz führte zu Fehlbeständen an 25 Standorten und verringerte die Gesamtleistung der Lieferkette.

Innerhalb von drei Monaten nach der Einführung von Kinaxis Maestro stellte das Planungsteam von einem einwöchigen Prognosehorizont auf einen Planungshorizont von 18 Monaten um. Das System berücksichtigte Produkteinführungen, Änderungen des Versicherungsschutzes und Echtzeit-Signale für Angebot und Nachfrage. Zu den wichtigsten Ergebnissen gehörten:

• Steigerung der Prognosegenauigkeit um 47 %.
• Reduzierung des vorhandenen Lagerbestands um 14 %.
• Verbesserung des Lagerumschlags um 34 %.
• Deutliche Verringerung der Stornierungen von Patientenbestellungen aufgrund der Produktverfügbarkeit.⁴¹

108. Bestandsverwaltung mit KI-Chatbots

KI-Chatbots können Beschaffungsprozesse verwalten, indem sie Aufgaben wie die Überwachung von Lagerbeständen, die Nachbestellung von Waren und die Echtzeitverfolgung von Bestellungen automatisieren. Sie verbessern außerdem die Entscheidungsfindung durch Nachfrageprognosen, Produktkategorisierung und Echtzeit-Bestandsaktualisierungen. Hier sind die Vorteile des Einsatzes von KI-Chatbots für die Bestandsverwaltung:

• Automatisierte Beschaffung: KI-Chatbots können Artikel auf der Grundlage von Bestandsschwellenwerten automatisch nachbestellen.
• Bestandsverfolgung: Sie liefern Echtzeit-Updates zu Lagerbeständen und Bestellstatus.
• Kundensupport: Sie bearbeiten Anfragen zu Produktverfügbarkeit und Bestelldetails.
• Verbesserte Kategorisierung: Sie nutzen maschinelles Lernen, um Produkte besser zu klassifizieren und vorzuschlagen.

109. Transport und Routenplanung

Generative KI kann Transport und Routenplanung im Lieferkettenmanagement erheblich verbessern. Durch die Verarbeitung großer Datenmengen aus mehreren Quellen kann sie optimierte Transportpläne erstellen, Zeit sparen und die Logistikeffizienz steigern.

Zu den wichtigsten Vorteilen gehören:

• Kosteneffiziente Routenplanung und pünktliche Lieferungen.
• Intelligentere Fahrzeug- und Flottenverwaltung mit besserer Ressourcennutzung und weniger Verschleiß.
• Adaptive Routenführung, die auf Störungen und Verzögerungen reagiert.

Praxisbeispiele:

Das ORION-System von UPS hat jährlich über 10 Millionen Gallonen Kraftstoff eingespart und gleichzeitig die Pünktlichkeit der Lieferungen verbessert.⁴²

DHL verzeichnete mit seiner KI-gestützten Plattform MySupplyChain eine Steigerung der pünktlichen Lieferungen um 15 % und einen Rückgang der Lieferverzögerungen um 20 %.⁴³

> Rechtsanwendungen

110. Vertragsgenerierung

Generative KI kann Verträge auf der Grundlage vordefinierter Vorlagen und Kriterien erstellen. Dies kann Beschaffungsabteilungen Zeit und Aufwand sparen und dazu beitragen, Konsistenz und Genauigkeit der Vertragssprache zu gewährleisten.

Praxisbeispiel: Orangetheory arbeitete mit Ironclad zusammen, um seine Vertragsverwaltungsprozesse zu automatisieren und KI Assist zur Verwaltung von über 1.000 Vertragsvorlagen in seinem Franchise-Netzwerk zu nutzen.

Diese Zusammenarbeit verkürzte Projektlaufzeiten von sechs auf drei Monate und verbesserte das Kundenerlebnis durch digitale Vertragslösungen.

111. Vertragskonformität

Unternehmen verfügen über Tausende von Verträgen mit unterschiedlichen ausgehandelten Bedingungen. LLMs oder generative KI-Anwendungen mit Sprachverständnisfähigkeiten können:

• Verträge kategorisieren
• Häufige Bedingungen identifizieren
• Einzigartige oder seltene Bedingungen hervorheben

112. Rechts-Chatbots

Generative KI ermöglicht es Chatbots, grundlegende Rechtsberatung zu liefern, indem sie Nutzeranfragen interpretieren und klare, präzise Antworten geben. Diese Chatbots können bei häufigen Rechtsfragen wie Mieterrechten oder Vertragsgrundlagen helfen und Nutzer mithilfe geführter Prompts bei der Erstellung einfacher Rechtsdokumente unterstützen.

Sie können Nutzer auch an die richtigen Ressourcen wie Rechtsberatungsstellen oder Behördenportale verweisen, je nach vorliegendem Problem. Durch die Automatisierung früher Rechtsunterstützung machen KI-gestützte Chatbots Rechtshilfe zugänglicher, insbesondere für Menschen, die mit Kosten- oder Zugangsbarrieren konfrontiert sind.

113. KI-Governance und Compliance-Automatisierung

Organisationen setzen KI-Governance-Tools für regulatorische Berichterstattung, Modellprüfung und Erklärbarkeit ein.

Zu den Anwendungen gehören:

• Erstellung von Richtlinien- und Compliance-Dokumenten
• KI-Risikobewertung und Bias-Erkennung
• Audit-Trails und erklärbare Entscheidungszusammenfassungen

Praxisbeispiel: Credo KI bietet Funktionen wie das KI Registry für Systemtransparenz, Governance Workspaces für das Compliance-Management, Policy Intelligence für standardisierte Aufsicht und Guardrails zur Gewährleistung eines verantwortungsvollen Einsatzes generativer KI.

Die Plattform ist in öffentlichen Cloud-, privaten Cloud- und selbst gehosteten Konfigurationen verfügbar und ermöglicht es Organisationen, Transparenz, regulatorische Compliance und Rechenschaftspflicht über den gesamten KI-Lebenszyklus hinweg aufrechtzuerhalten.⁴⁴

> Vertriebsanwendungen

114. Generierung von Vertriebsvideos

Generative KI kann verwendet werden, um personalisierte Vertriebsvideos zu erstellen, die speziell auf die Bedürfnisse und Erwartungen des Kunden zugeschnitten sind. Diese personalisierten Vertriebsvideos ermöglichen es Vertriebsmitarbeitern, individuelle Vertriebsziele anzusprechen, persönliche Beziehungen zu Kunden zu stärken und mehr Leads zu generieren.

Praxisbeispiel: Xerox arbeitete mit der KI-Avatar-Videoplattform von Synthesia zusammen, um die Videoproduktionskosten um 50 % zu senken und die für die Erstellung von Schulungsinhalten benötigte Zeit um 30 % zu reduzieren.

Die Plattform ermöglichte es Xerox außerdem, Schulungsmaterialien für seine globale Belegschaft zu lokalisieren und gleichzeitig das Engagement und die Wissensspeicherung für über 1.000 Vertriebsmitarbeiter zu verbessern.

115. Vertriebscoaching

Generative KI kann verwendet werden, um einzelnen Vertriebsmitarbeitern personalisiertes Vertriebscoaching auf der Grundlage ihrer Leistungsdaten und ihres Lernstils zu bieten. Dies kann Vertriebsteams helfen, ihre Fähigkeiten und Leistung zu verbessern und die Vertriebsproduktivität zu steigern.

116. Vertriebsprognosen und Pipeline-Optimierung

Generative KI kann historische Vertriebsdaten analysieren und Prognosen für zukünftige Verkäufe erstellen. So können Vertriebsteams ihre Vertriebspipeline optimieren und Ressourcen effektiver zuweisen.

117. Lead-Identifizierung und -Qualifizierung

KI kann verwendet werden, um potenzielle Vertriebs-Leads auf der Grundlage von Kundendaten und -verhalten zu identifizieren und Leads nach ihrer Konversionswahrscheinlichkeit zu qualifizieren. Außerdem kann sie maßgeschneiderte Verkaufstaktiken und Kampagnen zur Lead-Generierung erstellen.

> Audit-Anwendungen

118. Automatisierung der Auditberichterstattung

Manuelle Prozesse wie die Berichterstattung können zeitaufwendig und fehleranfällig sein. Generative Modelle wie ChatGPT können Prüfern helfen, sich wiederholende Aufgaben wie Papierkram und Berichte zu automatisieren. Insbesondere können sie standardisierte Berichte erstellen (wie in der Abbildung unten), die Konsistenz bei der Darstellung der Ergebnisse bieten.

Abbildung 20: Erstellung von Auditberichten mit OpenAIs ChatGPT.

Praxisbeispiel: KPMG arbeitete mit MindBridge zusammen, um KI für die Analyse von Finanzdaten und die Automatisierung von Auditprozessen zu nutzen.

Diese Partnerschaft erhöhte die Genauigkeit und Effizienz von Audits, indem KI zur Erkennung von Anomalien und zur Kennzeichnung riskanter Transaktionen eingesetzt wurde. Sie ermöglichte es KPMG, seinen Kunden zuverlässigere Finanzeinblicke zu bieten.

119. Datenanalyse von Dokumenten

Auditprozesse analysieren regelmäßig umfangreiche Finanz- und Betriebsdatensätze.

ChatGPT kann einige dieser Datenanalyseaufgaben automatisieren, z. B. bei:

• Durchführung von Berechnungen
• Aggregationen
• Datensatzvergleiche

120. Echtzeit-Risikoüberwachung

Generative KI-Tools können auch bei der Echtzeit-Risikoüberwachung hilfreich sein. Prüfer interagieren mit dem Modell, um die Abläufe, Kontrollmaßnahmen und den Geschäftskontext des Unternehmens zu untersuchen.

ChatGPT kann Prüfern beispielsweise dabei helfen, Risikoniveaus zu bewerten, Prioritätsbereiche für weitere Untersuchungen zu identifizieren und Einblicke in potenzielle Gefahren zu gewinnen.

121. Mustererkennung und Anomalieerkennung

Generative KI kann Prüfern helfen, Audit-Anomalien zur weiteren Untersuchung zu erkennen und zu kennzeichnen. Bei korrekter Einbindung menschlicher Bewertung können generative KI-Tools nützlich sein, um potenziellen Betrug zu identifizieren und interne Auditfunktionen zu verbessern.

Prüfer können die Natural-Language-Processing-Fähigkeiten generativer KI-Modelle nutzen, um potenzielle Risiken aufzudecken, die manuell schwer zu erkennen wären, indem sie relevante Daten einspeisen und das Modell bitten, nach ungewöhnlichen oder unerwarteten Mustern zu suchen.

122. Ausbildung von Prüfern

Im Auditbereich kann ChatGPT Prüfer schulen, indem es ihnen Fachwissen, Erklärungen und Beispiele bietet, die für ihre Aufgaben relevant sind. Es kann Schulungsmaterialien anbieten wie:

• Konzeptionelles Wissen
• Fallstudien

> Forschung & Entwicklung (F&E)-Anwendungen

123. Teamzusammenarbeit für F&E-Teams

Generative KI kann als kollaborativer Teamkollege bei Entscheidungsfindung und Problemlösung auf hoher Ebene fungieren. Durch Vorschläge, die Bewertung von Zielkonflikten und die Synthese von Wissen über verschiedene Bereiche hinweg können KI-Tools die interdisziplinäre Teamarbeit verbessern.

Praxisbeispiel: Es wurde eine Studie mit 776 Fachleuten bei Procter & Gamble durchgeführt, um die Auswirkungen von KI, insbesondere GPT-4, auf Teamarbeit und individuelle Leistung bei Produktentwicklungsaufgaben zu untersuchen.⁴⁵ Die wichtigsten Ergebnisse der Studie umfassen:

• Leistungssteigerung: Von KI unterstützte Personen schnitten genauso gut ab wie traditionelle Zweierteams ohne KI, was darauf hindeutet, dass KI die Vorteile menschlicher Zusammenarbeit replizieren kann. Teams, die KI nutzten, zeigten die höchsten Leistungsniveaus, insbesondere bei der Erstellung qualitativ hochwertiger Lösungen.​
• Expertise-Integration: Die KI-Unterstützung ermöglichte es sowohl kaufmännischen als auch F&E-Fachleuten, ausgewogene Lösungen zu entwickeln, die technische und marktbezogene Perspektiven integrierten und so traditionelle Expertisesilos überbrückten.​
• Effizienzgewinne: Teilnehmer, die KI nutzten, erledigten Aufgaben 12 bis 16 % schneller als solche ohne KI und generierten gleichzeitig detailliertere und umfangreichere Lösungen.​
• Emotionale Auswirkungen: KI-Nutzer berichteten über vermehrte positive Emotionen wie Aufregung und Begeisterung und über verringerte negative Gefühle wie Angst und Frustration im Vergleich zu ihren Kollegen ohne KI.​

124. Generative KI in der KI-Forschung

Da die Nachfrage nach generativen Fähigkeiten steigt, erforschen Forscher neue Architekturinnovationen und Trainingsmethoden, um Effizienz, Skalierbarkeit und Leistung zu verbessern.

Dazu gehört die Bewältigung von Herausforderungen wie Rechenkosten, Speicherbeschränkungen und der Fähigkeit, längere Kontextfenster zu verarbeiten, während die Ausgabequalität hoch bleibt.

Praxisbeispiel:

Laut Forschung wurde eine neue neuronale Architektur namens Retentive Network (ReN) als Alternative zu Transformern für Large Language Models vorgeschlagen.

ReN führt einen Retention-Mechanismus ein, der die traditionelle Aufmerksamkeit ersetzt und lineare Zeit- und Speicherkomplexität für mehr Effizienz bei langen Sequenzen bietet. Es kombiniert die Speichervorteile rekurrenter Modelle mit den Vorteilen des parallelen Trainings von Transformern durch eine Methode namens lineare rekurrente Dekomposition.

Experimentelle Ergebnisse zeigen, dass ReN die Leistung von Transformern bei wichtigen Benchmarks erreicht oder übertrifft und gleichzeitig schnellere Inferenz und einen geringeren Ressourcenverbrauch ermöglicht.⁴⁶

> Produktivitäts- und Automatisierungsanwendungen

125. KI-Workflow-Agenten

KI-Agenten können End-to-End-Aufgaben ausführen, indem sie Reasoning, Gedächtnis und Aktionen über Anwendungen wie CRM, Slack oder Jira verketten.

Zu den Anwendungen gehören:

• Dokumentgeneratoren und Zusammenfassungsassistenten
• Präsentationsersteller
• Webbrowser-Assistenten
• Automatisierte Besprechungsnachbereitung
• Workflow-Orchestrierung zwischen Unternehmenstools

Zum Beispiel haben wir KI-gestützte Excel-Tools bewertet, um ihre Genauigkeit, Funktionen und Preise zu prüfen. Hier sind einige der Ergebnisse:

• Claude Max: Bietet höchste Präzision und die benutzerfreundlichste Erfahrung.
• R2 Copilot: Funktioniert bei grundlegenden Aufgaben gut, hat aber Schwierigkeiten mit komplexeren Berechnungen.
• Quadratic: Hebt sich durch leistungsstarke Visualisierungsfunktionen und Programmierfähigkeiten in Python und PHP hervor.
• Tryshortcut: Bietet gründliche Erklärungen und Analysefunktionen und ist damit ideal für die Finanzmodellierung.
• GPTExcel: Unterstützt mehrere Sprachen und eignet sich daher für internationale Teams.

Übersicht zu generativen KI-Anwendungen mit Anwendungsfällen und Beispielen

*Eine Branche, eine Geschäftsfunktion oder ein anderer Anwendungsbereich

FAQs

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Top 125 Generative-KI-Anwendungen}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/generative-ai-applications}},
  note   = {AIMultiple. Abgerufen am 22. Juni 2026}
}

Referenzlinks

1.

Netflix uses generative AI in one of its shows for first time | Netflix | The Guardian

The Guardian

2.

Social Media Agency Gets Higher Engagement & Reach

Pictory.ai

3.

AI Video Research & Innovation | Runway AI

4.

DALL·E 2 | OpenAI

5.

Bain & Company announces services alliance with OpenAI to help enterprise clients identify and realize the full potential and maximum value of AI | Bain & Company

6.

Full article: Generating Synthetic Space Allocation Probability Layouts Based on Trained Conditional-GANs

Taylor & Francis

7.

Free AI Design Generator - Design Using AI | Figma

8.

Luma AI | AI Video Generation with Ray3 & Dream Machine | Luma AI

Luma

9.

[2108.04476] SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation

10.

[2309.03926] Large-Scale Automatic Audiobook Creation

11.

Twilio Help Center

12.

Resources and Insights for Enterprise L&D Leaders | Filtered

Filtered

13.

When ELIZA meets therapists: A Turing test for the heart and mind | PLOS Mental Health

14.

Brain-to-Text Decoding: A Non-invasive Approach via Typing | Research - AI at Meta

15.

#genai #llms #trip | Pranav Pathak | 125 comments

16.

How Amazon Q automates software development with GenAI | Andy Jassy posted on the topic | LinkedIn

17.

https://www-cdn.anthropic.com/58284b19e702b49db9302d5b6f135ad8871e7658.pdf

18.

After more than a year in secrecy, yesterday we revealed Daisy to the world. An AI pensioner who scams the scammers. She’s already wasted thousands of hours of scammers’ time. And while they’re… | David Masterman | 230 comments

19.

Ha llegado GPT-5 | OpenAI

20.

Generative AI in drug discovery: Use cases, benefits and implementation

21.

https://arxiv.org/pdf/2510.09914

22.

AMIE: A research AI system for diagnostic medical reasoning and conversations

23.

Accenture Joins AI4BetterHearts Data Collaborative

24.

Using GenAI to Understand Health Care Solutions | BCG

Boston Consulting Group

25.

How Novo Nordisk uses AI to draft clinical reports | Simon Smith posted on the topic | LinkedIn

26.

Powering virtual education for the classroom | OpenAI

27.

https://documents1.worldbank.org/curated/en/099548105192529324/pdf/IDU-c09f40d8-9ff8-42dc-b315-591157499be7.pdf

28.

Why This Artist Isn’t Afraid of AI’s Role in Art

Time

29.

How AI infiltrated perfume | The Verge

The Verge

30.

Streamlining financial solutions for safety and growth | OpenAI

31.

Your Sustainability Transformation Partner | Fujitsu Global

32.

Generative AI Use Cases - Workflow®

33.

Invoice Processing with IDP Generative AI - YouTube

34.

When combinations of humans and AI are useful: A systematic review and meta-analysis | Nature Human Behaviour

Nature Publishing Group UK

35.

Narrato Helps Site Smart Create Content 8x Faster & Save 80% in Content Production Costs

36.

AI Search Grader: Free One-Time AEO Brand Check, No Account Required

37.

Talent Acquisition for a Digital Partner Through AI

DataToBiz

38.

10x decrease in application time with TheKey | Humanly

39.

AI Agents for HR | IBM watsonx Orchestrate

40.

https://arxiv.org/pdf/2504.11436v1

41.

How a pharmacy care leader increased forecast accuracy and reduced stockouts

42.

Optimizing Delivery Routes - INFORMS

43.

How AI In Logistics Improves Deliveries - DHL Express MM | DHL Myanmar

DHL Myanmar

44.

Credo AI - The Leader in Responsible AI - Product

45.

The Cybernetic Teammate - by Ethan Mollick

One Useful Thing

46.

AlphaGo Moment for Model Architecture Discovery | alphaXiv

Master student at Shanghai Jiao Tong University

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 60% der Fortune 500.

Cems Arbeit wurde von führenden globalen Publikationen zitiert, darunter Business Insider, Forbes, Washington Post, globalen Unternehmen wie Deloitte, HPE und NGOs wie dem World Economic Forum sowie supranationalen Organisationen wie der European Commission.

Während seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen über ein Jahrzehnt lang bei McKinsey & Company und Altman Solon in Technologieentscheidungen. Er veröffentlichte auch einen McKinsey-Bericht zur Digitalisierung.

Er leitete die Technologiestrategie und Beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Zudem führte er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos an, das innerhalb von 2 Jahren von null auf einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung anwuchs. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er schloss sein Studium an der Bogazici University als Computer-Ingenieur ab und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple und befasst sich mit KI-Models, KI-Infrastruktur, KI-Governance und KI-Anwendungen für Unternehmen. Ihre Forschung konzentriert sich hauptsächlich auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit.
Zuvor arbeitete sie als Recruiterin in Projektmanagement- und Beratungsunternehmen. Sıla hat einen Master-of-Science-Abschluss in Sozialpsychologie und einen Bachelor-of-Arts-Abschluss in Internationalen Beziehungen.

Vollständiges Profil anzeigen

Kommentare 6

Teilen Sie Ihre Gedanken

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten

Eti Tiwari

Jul 22, 2024 at 09:05

thanks for these examples.

Antworten

Cem Dilmegani

Jul 28, 2024 at 10:25

Thank you!

Antworten

Arif Ahmed Mohammed

Jun 23, 2024 at 12:50

Real examples, thanks

Antworten

Ankit Bishnoi

Jan 31, 2024 at 09:34

The examples are real.

Antworten

Udugula Mohan

Sep 26, 2023 at 09:29

The examples were pretty realistic.

Antworten

Ishpal Chadha

Aug 25, 2023 at 01:43

This is comprehensive and useful Cem, thanks for documenting this.

Antworten

Shubham

Aug 21, 2023 at 02:29

The examples were pretty realistic

Antworten