Jitterbits Top-Ten-KI- & Automatisierungsprognosen für 2023

Von Bill Conner, Präsident & CEO von Jitterbit

Bestehende und neu entstehende KI-Technologien standen auch im Jahr 2025 weiterhin im Mittelpunkt unserer Aufmerksamkeit und brachten die Einführung mehrerer neuer KI-Assistenten sowie eine Reihe leistungsstarker neuer KI-Agenten zur Verbesserung von Automatisierung, Integration und Orchestrierung mit sich.

In diesem Jahr führen wir unser Engagement fort, Kunden dabei zu helfen, die neuesten Entwicklungen im Bereich der KI zu nutzen und aufkommende Gegenwindfaktoren zu bewältigen. Hier sind die zehn wichtigsten Trends und Veränderungen, die unserer Prognose nach im Jahr 2026 auf uns zukommen könnten:

1. Integration wird das Fundament des Enterprise-KI-Stacks

Da sich KI-Agenten rasant verbreiten, wird die größte Hürde für die Einführung in Unternehmen nicht länger die Modellqualität sein – sondern die Konnektivität. KI-Systeme schaffen nur dann einen Wert, wenn sie in Geschäftsanwendungen lesen, schreiben, aktualisieren und Aktionen auslösen können. Mit anderen Worten: KI ohne Integration liefert Erkenntnisse; KI mit Integration liefert Ergebnisse.

Infolgedessen wird Integration zur Fundamentschicht der KI-Ära werden, so wie es die Cloud-Infrastruktur in den 2010er Jahren war.

Unternehmen werden Plattformen fordern, die Folgendes bieten:

• Sicherer Zugriff auf Systeme durch APIs, Ereignisse und Datenpivots
• Einheitliche Authentifizierung und Autorisierung über alle Agenten hinweg
• Vollständige Governance und Observability für KI-gesteuerte Aktionen
• Die Fähigkeit, mehrstufige Prozesse von Anfang bis Ende zu orchestrieren

Im KI-getriebenen Unternehmen ist Middleware nicht länger nur die Rohrleitung – sie ist zum Kern des Betriebsmodells geworden.

2. NLP wird zur wichtigsten Schnittstelle für die Entwicklung einfacher KI-Agenten

Im Jahr 2026 wird NLP (Natural Language Programming) neben traditionellen Low-Code-Tools für die alltägliche Automatisierung und die Erstellung von Agenten stehen. Anstatt Kästchen zu ziehen oder Skript-Logik zu schreiben, werden Geschäftsanwender einfach Ergebnisse beschreiben: “Wenn ein neuer Lead eingeht, qualifiziere ihn, angereichert ihn und benachrichtige den Vertriebsmitarbeiter.”

KI-Agenten werden die Absicht interpretieren, Arbeitsabläufe zusammenstellen und sich automatisch an verändernde Systeme anpassen. Low-Code wird zwar weiterhin die komplexe Orchestrierung vorantreiben, aber NLP wird zur Standard-Schnittstelle für Routineaufgaben.

Es ist derselbe Wandel, den wir bereits beobachtet haben, als die Suche die Verzeichnisse verdrängte und Touch-Bedienung die physischen Tasten ersetzte: NLP entwickelt sich zur neuen Abstraktionsebene für die Automatisierung.

3. Der Marktwert einfacher “Task-Bots’ bricht auf nahezu null ein

Einfache Automatisierungsfunktionen – wie das Verschieben von Dateien, das Versenden von Benachrichtigungen oder die Synchronisierung von Datensätzen zwischen Apps – werden keine eigene Marktkategorie mehr rechtfertigen. Einfache Bots werden still und leise in den Hintergrund treten.

Alle großen Plattformen – von Microsoft und Google bis hin zu Salesforce, ServiceNow und Slack – werden diese KI-gesteuerten Aufgaben direkt in ihre Kernprodukte integrieren. Infolgedessen werden ‘Mikrobots’ zu einer Massenware, und Anbieter, deren Geschäftsmodell auf einfacher Workflow-Automatisierung basiert, verlieren ihre Preissetzungsmacht.

Die wahren Gewinner werden diejenigen Plattformen sein, die anstelle von Einzelfunktions-Bots eine umfassende Orchestrierung bieten, Governance und Observability auf Unternehmensebene gewährleisten und sich tief in Geschäftssysteme integrieren, anstatt Apps nur oberflächlich miteinander zu verknüpfen.

Diese Entwicklung spiegelt wider, wie sich das E-Mail-Hosting von einem kostenpflichtigen Dienst zu einer selbstverständlichen Funktion gewandelt hat. Gartner untermauert dies mit der Prognose, dass bis 2026 80% der einfachen Workflow-Automatisierung als gebündelte Funktionen und nicht mehr als eigenständige Produkte angeboten werden.

4. Hardware-Kompetenz gewinnt wieder als strategischer Vorteil an Bedeutung

Wir treten in eine neue Ära ein, in der Hardware wieder wichtig ist. In den 90er Jahren lag der Wettbewerbsvorteil in Durchbrüchen bei CPUs, Speicher und Netzwerken. In den 2000er und 2010er Jahren verlagerte sich der Schwerpunkt auf Software wie SaaS, Cloud, APIs und Mobile. Jetzt zieht die KI die Branche wieder in Richtung Hardware-Dominanz.

Die Länder liefern sich ein Wettrennen um die Beschaffung von GPUs, als handele es sich um strategische Ressourcen. Unternehmen benötigen spezialisierte Chips für Inferenz und Feinabstimmung. Maßgeschneiderte Beschleuniger wie NPUs, TPUs und ASICs entwickeln sich zu echten Wettbewerbsvorteilen.

Selbst die Widerstandsfähigkeit der Lieferketten ist mittlerweile ein Thema auf Vorstandsebene. Regierungen investieren Milliarden in diesen Wandel: $52 Milliarden im Rahmen des US-amerikanischen CHIPS Act, $47 Milliarden im Rahmen des EU-Chips-Gesetzes und mehr als $140 Milliarden an Subventionen für Halbleiter in China. Das Training und der Betrieb von KI-Modellen in großem Maßstab verbrauchen enorme Mengen an Strom und Kühlenergie, und der Ausbau von Rechenzentren stößt an geografische, regulatorische und energieversorgungstechnische Grenzen.

Strom entwickelt sich zu einem entscheidenden Faktor für die Leistungsfähigkeit künstlicher Intelligenz, und Regionen mit einem Überschuss an erneuerbarer Energie entwickeln sich zu KI-Zentren. Betreiber von Rechenzentren konkurrieren mittlerweile um begrenzte Transformator- und Netzkapazitäten, und Unternehmen beginnen, ihre KI-Anwendungen auf der Grundlage einer kostenbewussten Planung zu optimieren – und nicht mehr nur unter dem Gesichtspunkt der Leistung.

Während des gesamten Jahres 2026 könnten Halbleiterengpässe weiterhin die Verfügbarkeit und den Wertverlust von KI-Hardware einschränken, aber die wahre Trennlinie zwischen Vorreitern und Nachzüglern wird eher durch Konnektivität als durch rohe Rechenleistung definiert. Unternehmen, die KI-Potenzial durch nahtlose Integration, APIs und Automatisierung in greifbaren Geschäftswert umsetzen können, werden diejenigen übertreffen, die sich ausschließlich auf Verarbeitungskapazität verlassen.

Da Fertigungsengpässe wahrscheinlich anhalten werden, wird es von entscheidender Bedeutung sein, praktische, skalierbare Lösungen dem Hype vorzuziehen. Selbst die fortgeschrittensten KI-Modelle werden durch die Systeme eingeschränkt, die sie speisen, weshalb Architektur, Konnektivität und integrierte Arbeitsabläufe die entscheidenden Faktoren sind, die bestimmen, welche Unternehmen eine dauerhafte Transformation und einen Wettbewerbsvorteil erzielen.

KI-Arbeitslasten wachsen alle 18 Monate um das Zehnfache und übertreffen damit das Mooresche Gesetz bei Weitem – und der Besitz oder Zugriff auf die richtige Rechenleistung zum richtigen Zeitpunkt wird ebenso entscheidend sein wie der Besitz von geistigem Eigentum. Hardware-Kapazität wird zum neuen Cloud-Lock-in, und jedes größere Unternehmen wird die Fähigkeit benötigen, KI-Hardware zu verstehen, zu beschaffen und zu optimieren.

5. Rechenzentren und Strom werden zu den echten Engpässen

Mit der zunehmenden Verbreitung von KI verlagert sich der Engpass von den Algorithmen hin zur Wirtschaftlichkeit der Infrastruktur. Das Training und der Betrieb von KI-Modellen in großem Maßstab erfordern einen enormen Strom- und Kühlungsbedarf, und der Ausbau von Rechenzentren stößt an geografische, regulatorische und energieversorgungsbezogene Grenzen.

Bis 2028 wird Strom zu einem entscheidenden Faktor für die Leistungsfähigkeit künstlicher Intelligenz (KI) werden. Da sich Regionen mit einem Überschuss an erneuerbarer Energie zu KI-Zentren entwickeln, werden Betreiber von Rechenzentren um die begrenzten Kapazitäten von Transformatoren und Stromnetzen konkurrieren, und Unternehmen werden damit beginnen, KI-Anwendungen usage auf der Grundlage einer kostenbewussten Planung und nicht nur unter Leistungsgesichtspunkten zu optimieren.

Bei der nächsten Innovationswelle wird es ebenso sehr um Energiemanagement und nachhaltige Infrastruktur gehen wie um Modellarchitektur. Das Trainieren eines einzigen Modells im GPT-4-Maßstab verbrauchte schätzungsweise 5 bis 7 Gigawattstunden – genug, um 1.000 US-amerikanische home-Rechner ein Jahr lang mit Strom zu versorgen.

6. Sicherheit und ROI werden zu obersten Prioritäten für Enterprise-KI

Nach dem anfänglichen KI-Hype werden Unternehmen vom Experimentieren zur Operationalisierung übergehen, und die Diskussion wird sich verändern. Sicherheitsbedenken werden in den Mittelpunkt rücken: Risiken von Datenlecks durch große Sprachmodelle (LLMs), von Mitarbeitern genutzte „Schatten-KI“ (usage), rechtliche Risiken aufgrund unklarer Modellherkunft sowie Forderungen nach Transparenz seitens der Anbieter hinsichtlich Trainingsdaten und Modellherkunft. CISOs werden auf robusten KI-Governance-Rahmenwerken bestehen, bevor sie eine flächendeckende Einführung zulassen.

Der ROI wird zum entscheidenden Faktor werden. Unternehmen werden KI-Projekte nicht mehr allein deshalb genehmigen, weil sie sich dadurch “innovativ anfühlen”. Erfolg setzt messbare Produktivitätssteigerungen, betriebliche Einsparungen oder klare Umsatzsteigerungen voraus.

KI wird nur dann Erfolg haben, wenn sie mit verkürzten Prozesslaufzeiten, geringeren Personalkosten für sich wiederholende Aufgaben, einer höheren Kundenzufriedenheit und einer spürbaren Umsatzsteigerung einhergeht. Infolgedessen wird sich KI insgesamt endlich von “coolen Demos” hin zur Schaffung messbarer geschäftlicher Vorteile entwickeln.

7. Natürliche Sprache wird zur nächsten großen Benutzeroberfläche

Über die Programmierung von Agenten hinaus entwickelt sich die natürliche Sprache (NL) zur universellen Schnittstellenschicht für alle Anwendungen. Während im letzten Jahrzehnt „Mobile-First“ und „API-First“ im Vordergrund standen, wird das nächste Jahrzehnt von „NL-First“ geprägt sein. Sowohl Mitarbeiter als auch Bürger werden mit Systemen im dialogorientierten Austausch interagieren.

Sie könnten eine Plattform bitten, Dashboards zur monatlichen Abwanderungsrate nach Region zu erstellen, Vertragsänderungen aus den Vorlagen des letzten Jahres zu entwerfen oder Genehmigungsworkflows für neue Lieferantenanfragen einzurichten. Diese Schnittstellenverschiebung demokratisiert die Erstellung von Lösungen.

Menschen, die noch nie programmiert oder Low-Code-Tools verwendet haben, werden plötzlich in der Lage sein, sinnvolle Automatisierungen, Apps und Analysen zu erstellen, indem sie diese einfach beschreiben. Unternehmen, die sich diese Demokratisierung zu eigen machen, werden einen Anstieg an Bottom-up-Innovationen erleben.

8. KI-Governance wird für den Unternehmenseinsatz obligatorisch

Mit der Weiterentwicklung der rechtlichen Rahmenbedingungen und der zunehmenden Verbreitung von KI werden Unternehmen das Thema Governance nicht länger als optional betrachten. Organisationen werden Richtlinien und Systeme formalisieren, um sicherzustellen, dass KI sicher, ethisch und unter Einhaltung der Vorschriften eingesetzt wird – und dieser Wandel wird durch wachsende Bedenken hinsichtlich Datenschutz, Modelltransparenz, Entscheidungsverantwortung und regulatorischer Risiken vorangetrieben.

Governance-Frameworks werden:

• Überwachung und Prüfung von KI-Aktionen über Systeme hinweg
• den Zugriff auf sensible Daten und Eingabeaufforderungen kontrollieren
• Modellabstammung, Trainingsquellen und Versionsverlauf nachverfolgen
• die Einhaltung globaler und branchenspezifischer Vorschriften sicherstellen
• Aufsicht für risikoreiche oder folgenreiche Anwendungsfälle etablieren

KI-Governance wird zu einer Voraussetzung für die Skalierung von KI im gesamten Unternehmen, nicht nur zur Risikominderung, sondern um organisatorisches Vertrauen aufzubauen und eine breitere Akzeptanz zu ermöglichen.

9. Human-in-the-Loop wird zum Standardmodell für KI-Workflows in Unternehmen

Auch wenn KI-Systeme immer leistungsfähiger werden, werden Unternehmen hybride Arbeitsabläufe einführen, bei denen der Mensch bei der Überwachung und Entscheidungsfindung im Mittelpunkt bleibt. HITL-Prozesse (Human-in-the-Loop) werden zum Standard für die Überprüfung kritischer Ergebnisse, die Gewährleistung der Compliance, die Validierung der Korrektheit und die Aufrechterhaltung des Vertrauens in die Organisation.

HITL wird in eine Vielzahl von Arbeitsabläufen integriert werden:

• Kunden- und Mitarbeiterkommunikation
• Beschaffungs-, Rechts- und Finanzfreigaben
• Dokumentenerstellung
• Vertragsmanagement
• komplexe Entscheidungsfindung mit regulatorischen Konsequenzen
• KI-Agenten, die automatisierte Aktionen in Kernsystemen ausführen

Dieser Ansatz ermöglicht es Unternehmen, KI schneller und mit größerem Vertrauen einzusetzen, und stellt sicher, Fachwissen des Menschen durch KI erweitert statt ersetzt wird. Er sorgt zudem für Effizienz, ohne dass dabei Vertrauen, Kontrolle oder Rechenschaftspflicht geopfert werden.

10. Kleine Sprachmodelle werden für Unternehmens-KI unverzichtbar

Da Unternehmen nach Effizienz, Datenschutz und spezialisierten Fähigkeiten streben, werden SLMs (Small Language Models) an Dynamik gewinnen. Diese kompakten Modelle werden für spezifische Aufgaben, Domänen oder Branchen optimiert sein und im Vergleich zu ihren massiven Pendants eine schnellere Inferenz, geringere Kosten und eine größere Kontrollierbarkeit bieten.

SLMs werden besonders wertvoll sein für

• On-Device- und Edge-Anwendungen
• Streng regulierte Branchen, die eine lokale Verarbeitung erfordern
• Arbeitsabläufe, die vorhersehbare Leistung und minimale Halluzinationen erfordern
• Fein abgestimmtes Fachwissen in Bereichen wie Rechts-, Medizin- oder Finanzdienstleistungen
• Organisationen mit begrenzten Rechenbudgets

Anstatt sich auf ein einziges gigantisches Modell zu verlassen, das alles erledigt, werden Unternehmen Modellportfolios einführen: eine Kombination aus Allzweck-LLMs und hochgradig optimierten SLMs, die einen zielgerichteten Nutzen bei geringeren Kosten und Risiken bieten. Dies stellt einen klaren Wandel von “größer ist besser” hin zu “für die jeweilige Aufgabe angemessener Intelligenz” dar.”