In vielen Unternehmen sind Informationen verstreut: Projekte laufen in Jira, Dokumentation liegt in Confluence, Support-Tickets leben in JSM, während Dateien und Diskussionen irgendwo in SharePoint oder Microsoft Teams verschwinden. Das Ergebnis: eine fragmentierte Informationslandschaft, in der Wissen schwer auffindbar ist. Moderne Wissensarbeit braucht jedoch etwas anderes: eine strukturierte, durchsuchbare und kontextreiche Grundlage für alle Arbeitsinhalte. Atlassian schafft mit dem Teamwork Graph genau das: eine vernetzte Datenbasis für Menschen, Prozesse und KI.

Ob auf der Straße, auf dem Wasser oder in der Luft - die Offenheit für autonome Verkehrsmittel in Deutschland ist groß. Mit 99 Prozent wären faktisch nahezu alle Deutschen bereit, das eine oder andere autonome Verkehrsmittel zu benutzen. Das ist das Ergebnis einer repräsentativen Befragung im Auftrag des Digitalverbands Bitkom unter 1.004 Personen ab 16 Jahren anlässlich der Automobilmesse IAA. "Den Deutschen wird oft Technikskepsis vorgeworfen, bei autonomen Verkehrsmitteln kann davon keine Rede sein. Autonomen Autos, Bahnen und selbst Flugzeugen stehen viele Deutsche erstaunlich offen gegenüber", so Bitkom-Präsident Dr. Ralf Wintergerst.

Unternehmen sehen sich heute mit einer Flut von Daten konfrontiert, deren strategischer Wert sich nur durch gezielte Auswertung erschließt. Moderne Analyseplattformen wie Microsoft Fabric vereinfachen den Zugang zu datenbasierten Erkenntnissen und stärken so die Marktposition. Der Wert dieser Technologien entfaltet sich jedoch erst durch eine durchdachte Implementierung und strategische Ausrichtung.

Digitale Innovationen wie KI-gestützte Einkaufsassistenten, virtuelle Anproben oder Self-Checkout-Kassen bieten dem Einzelhandel neue Möglichkeiten. Doch wie offen sind deutsche Konsument:innen dafür? Eine neue europaweite Studie von Shopfully, Europas größtes Netzwerk für digitales Handelsmarketing, zeigt: Nur 16?Prozent der Deutschen nutzen solche Technologien beim Einkauf - das liegt deutlich unter dem europäischen Durchschnitt von 22?Prozent.

Steigender Wettbewerbsdruck, sich wandelnde Märkte, kürzere Produktzyklen - Unternehmen sind heute mehr denn je gefordert, auf neue Situationen gezielt zu reagieren. Hierzu gehört etwa die Einführung oder Migration von Software-Lösungen, die beide in der Regel zahlreiche Veränderungen der bisherigen Arbeitsweise mit sich bringen. Stößt dieser Wandel bei den Betroffenen auf Widerstand, so ist das Projekt zum Scheitern verurteilt: Schließlich entfaltet selbst die beste Technologie nur dann ihren Nutzen, wenn sie auch angewendet wird. Ein aktives Change-Management ist daher über alle Projektphasen hinweg unabdingbar, wird von Unternehmen jedoch häufig unterschätzt.

Neue Technologien wie Künstliche Intelligenz (KI), Maschinelles Lernen (ML) und Digitale Zwillinge verändern das Enterprise Asset Management (EAM) in rasantem Tempo. Das geht aus dem aktuellen EAM-Trendbericht für die industrielle Instandhaltung von Ultimo hervor, einem Anbieter von EAM-Software. Trotz des rapiden technologischen Fortschritts zeigt die Umfrage deutlich: Effektives Asset Management bleibt im Kern eine menschliche Aufgabe.

Die Anwendung von künstlicher Intelligenz (KI) in der Finanzbranche hat eine lange Historie - vom algorithmischen Handel in den 1980er Jahren bis zu heutigen Anwendungen in der Betrugserkennung oder Kundensegmentierung. Mit generativer KI beginnt nun eine neue Phase. Für viele Banken stellt sich dabei nicht mehr die Frage, ob KI genutzt werden sollte, sondern wie sie sicher und wirksam integriert werden kann. In Zeiten des Wettbewerbs um Talente, steigender Kundenerwartungen und des Drucks auf der Regulatorik- und Kostenseite, kann generative KI zu einer zentralen strategischen Säule in der digitalen Transformation für Banken werden. Kurzfristig als Co-Pilot für mehr Automatisierung, Prozessoptimierung und Personalisierung, langfristig als Motor für adaptive Betriebsmodelle hin zu mehr organisatorischer Resilienz, schnellerer Entscheidungsfähigkeit und konsequenter Datenorientierung. Doch wie strategisch muss die Integration von generativer KI geplant werden? Und was bedeutet das konkret für Banken? Zumal sich die Implementierung von KI für Banken in einem stark regulierten Umfeld deutlich herausfordernder gestaltet als in vielen anderen Branchen.