OECD-Bericht zu Künstlicher Intelligenz in Deutschland

Report

11 Juni 2024

Available in:

English
Deutsch

4. KI-Transfer, -Anwendungen und -Recheninfrastruktur

Abstract

Dieses Kapitel untersucht den Einsatz von Künstlicher Intelligenz (KI) in der deutschen Wirtschaft, die Hindernisse für eine weitere Verbreitung sowie die KI-Recheninfrastruktur. Deutschland treibt seine KI-Fähigkeiten durch die Modernisierung seiner KI-Infrastruktur voran. Außerdem florieren vor allem diejenigen deutschen Unternehmen, die eine solide Grundlage in der akademischen Forschung aufweisen. Die Einführung von KI in deutschen Unternehmen verläuft im Allgemeinen allerdings nur langsam, wenngleich zunehmend, und steht vor einigen Herausforderungen, wie z. B. Fachkräftemangel, begrenztes Bewusstsein für potenzielle KI‑Anwendungsfälle, regulatorische Unsicherheiten und schleppende Digitalisierung. Eine Reihe von Maßnahmen könnte die Diffusion von KI in Deutschland unterstützen, darunter die Schaffung von Vertrauen in die Implementierung von KI-Lösungen durch klare regulatorische Vorgaben, die Verbesserung des Zugangs zu offenen und industriellen Datensätzen, die Nutzung verschiedener Kanäle zur Erhöhung der Verfügbarkeit von Risikokapital und die Vereinfachung von Beschaffungsverfahren. Die Bewertung des aktuellen und zukünftigen KI-Rechenangebots und -bedarfs in Deutschland und die gleichzeitige Erleichterung des Zugangs zu den vorhandenen Kapazitäten für KI-Start-ups und kleine- und mittelständische Unternehmen (KMU) würden ferner dazu beitragen, fundierte Investitionsentscheidungen zu treffen und eine inklusive Infrastruktur für das KI-Ökosystem in Deutschland zu fördern.

Für eine effektive und breite Nutzung von KI müssen Forschungsergebnisse und Anwendungen mit Potenzial für die reale Welt nahtlos aus der Wissenschaft in den privaten Sektor übertragen werden und dort weiterentwickelt und vermarktet werden. Dies macht deutlich, wie wichtig es ist, die Kluft zwischen wissenschaftlichen Erkenntnissen und gewerblichen Anwendungen zum Nutzen der Wirtschaft insgesamt zu überbrücken. Die Verbreitung von KI in Unternehmen wird durch die Komplexität der Integration neuer Technologien in bestehende Arbeitsabläufe und die Anpassung von Organisationsstrukturen zur Ausschöpfung ihres vollen Potenzials erschwert. Die Bundesregierung ergreift in ihrer nationalen KI‑Strategie 2018 und deren Fortschreibung 2020 gezielte Maßnahmen, um den Transfer zu stärken, die Wettbewerbsfähigkeit der deutschen und europäischen Wirtschaft aufrechtzuerhalten und durch den breiten Einsatz innovativer Technologien auszuweiten (Die Bundesregierung, 2020[1]).

Kasten 4.1. Transfer und Anwendungen: Ergebnisse und Empfehlungen

Transfer zu KMU und Start-ups

Ergebnisse

Während der Einsatz von KI in Deutschland bislang nur mäßig an Fahrt aufnimmt, haben Faktoren wie der zunehmende Arbeitskräftemangel und der rasante technische Fortschritt (insbesondere im Hinblick auf die Generative KI und ihr produktivitätssteigerndes Potenzial) ein erhöhtes Interesse an KI ausgelöst. Jüngste Daten deuten darauf hin, dass sich Deutschland an einem Wendepunkt bei der Einführung von KI befinden könnte.
Eine breitere Verbreitung von KI in Unternehmen wird durch schleppende Digitalisierung, unzureichende Konnektivität und ein geringes Verständnis für die möglichen Vorteile von KI behindert. Unternehmen verfügen nicht über die Datenströme, um KI-Anwendungen zu trainieren, zu testen und einzuführen. Unsicherheit über die Einhaltung von Vorschriften für personenbezogene Daten und Bedenken in Bezug auf Geschäftsgeheimnisse halten die Unternehmen zudem davon ab, in KI-Lösungen zu investieren. Ein weiteres Hindernis stellt der Mangel an ausgebildetem Personal dar, das KI-Lösungen identifiziert, entwickelt und wartet. Da erfolgreiche Fälle kaum bekannt sind, können KMU ihre Rendite aus KI-Investitionen nur schwer schätzen.
Deutschland unterstützt die Verbreitung von KI in Unternehmen durch mehrere Programme und verschiedene Instrumente, darunter Zuschüsse, Zusammenarbeit mit Forschungsinstituten, Beratungsleistungen, Sensibilisierungsformate/-veranstaltungen und Schulungen.
Die Zahl der aktiven KI-Start-ups in Deutschland ist in den vergangenen 15 Jahren deutlich gestiegen. Der hohe Anteil von KI-Start-ups, die Ausgründungen von Hochschulen sind, unterstreicht die starke Beziehung zwischen KI-Start-ups und der Wissenschaft. Die Transfereinheiten an den Hochschulen sind jedoch unterbesetzt und Publikationen sind nach wie vor die wichtigsten Leistungsindikatoren.
Der Betrag an in deutsche KI-Start-ups investiertem Wagniskapital ist seit 2018 gestiegen, bleibt aber nach wie vor geringer als in den USA, China, dem Vereinigten Königreich, Indien und Israel. Während öffentliche Unterstützung in den Anfangsphasen zur Verfügung steht - insbesondere durch das EXIST-Programm -, haben KI-Start-ups keinen Zugang zu Finanzmitteln für die nachfolgenden Wachstumsphasen, die auch als „Tal des Todes“ bezeichnet werden.

Empfehlungen

Verbesserung der Visibilität von Programmen zur Unterstützung von KI-Anwendungen durch KMU.
Ausarbeitung von Datenschutzleitlinien und von Bestimmungen für als Geschäftsgeheimnisse eingestufte Daten.
Erleichterung des Zugangs zu hochwertigen Daten für KMU durch Erhöhung der Verfügbarkeit offener Verwaltungsdaten sowie durch Unterstützung von Unternehmen bei der Verbesserung ihrer Datenreife.
Überarbeitung von Steueranreizen, Stärkung von Forschungs- und Entwicklungszuschüssen und Erwägung zusätzlicher finanzieller Unterstützung (z. B. kleinere Gutscheine für die Umsetzung Generativer KI-Lösungen), um die KI-Einführung in KMU zu fördern.
Verbesserung des Zugangs zu Finanzmitteln für KI-Start-ups.
Überarbeitung und Vereinfachung der Beschaffungsverfahren, um sicherzustellen, dass Start-ups und etablierte Unternehmen die gleichen Chancen haben.

KI-Infrastruktur

Ergebnisse

Deutschland nimmt eine führende Position bei der Recheninfrastruktur für Forschung und Wissenschaft ein, die in den drei nationalen Zentren des Gauss Centre for Supercomputing verankert ist.
Auch wenn Partner:innen aus der Privatwirtschaft (Start-ups, KMU, Großunternehmen) die Systeme des Gauss Centre für einige Projekte allein oder als Teil von Forschungskonsortien nutzen können, werden die Systeme in erster Linie für vorkommerzielle Forschungszwecke eingesetzt.
Die Vision für Gaia-X besteht darin, einen dezentralen und interoperablen Datenaustausch für Geschäfts- und Forschungspartner:innen zu etablieren, um Daten und Zugangsdienste in großem Maßstab zu teilen.
Obwohl die Bundesregierung relevante KI-Projekte im Rahmen von Gaia-X fördert und der deutsche Gaia-X Hub aktiv ist, ist er nur wenig bekannt und hat nur wenige Verbindungen zum deutschen KI-Ökosystem. Informationen über die Arten von Datensätzen und Nutzer:innen in Bezug auf KI werden nicht erfasst, was eine Lücke bei den KPIs aufzeigt, die für die KI-Politik hilfreich sein könnten.
Viele Befragte haben auf einen Fachkräftemangel für den effizienten und effektiven Betrieb der KI-Infrastruktur hingewiesen. Einige gaben an, dass der Zugang zu qualifizierten Arbeitskräften mit dem Zugang zu Rechenzeit einhergehen muss.
Eine Fortschreibung der KI-Strategie könnte einen KI-Recheninfrastrukturplan beinhalten, der auf den KI-Bedarf und die KI-Bereitschaft verschiedener Akteur:innen in Deutschland, wie Privatwirtschaft, öffentlicher Sektor, KMU, Start-ups, Forscher:innen und andere, eingeht.

Empfehlungen

Beurteilung der aktuellen und zukünftigen Landschaft der KI-Recheninfrastruktur, um bestehende Kapazitäten und potenzielle Lücken in Bezug auf die Erfüllung der Anforderungen der Interessenträger:innen zu ermitteln.
Zuweisung eines Teils der KI-Recheninfrastruktur für Start-ups und KMU mit einem vereinfachten Antragsverfahren und weniger administrativen Hürden.
Erweiterung der Unterstützungsleistungen um Zeit für Rechenressourcen, technische Unterstützung und Beratung zur effektiven und effizienten Nutzung der KI-Recheninfrastruktur.
Entwicklung eines speziellen Programms, das Know-how und Schulungen für die effektive und effiziente Nutzung der KI-Recheninfrastruktur bietet.
Beteiligung an Aktivitäten, um das Bewusstsein für Gaia-X im KI-Ökosystem zu erhöhen.
Durchführung einer Bewertung der Gaia-X-Datensätze, die für KI besonders wertvoll sind, und entsprechende Kennzeichnung dieser Datensätze.

Verbreitung von KI in Unternehmen

Während größere Unternehmen bei der KI-Integration vorne liegen, nehmen das Interesse und die Nutzung bei KMU langsam zu, wie jüngste Umfragen zeigen. Dies ist teilweise auf Faktoren wie Arbeitskräftemangel und Generative KI zurückzuführen. In Schlüsselsektoren wie Informations- und Kommunikationstechnologien (IKT) und wissensintensiven Dienstleistungen wurde KI bereits in signifikantem Umfang eingeführt. Zu den Herausforderungen für Unternehmen zählen Kompetenzmangel, Datenschutzbedenken, geringe Digitalisierung und ein begrenztes Bewusstsein für KI-Anwendungsfälle. Die Bundesregierung fördert die Einführung von KI durch finanzielle Unterstützung, die sowohl auf den Forschungstransfer als auch auf die praktische Umsetzung in KMU abzielt, Bildungsinitiativen und die Schaffung von Plattformen zum Datenaustausch.

Deutsche Firmen gehen bei der Einführung von KI-Lösungen vorsichtig vor, wobei einige in ihren Branchen führend sind

Nach den neuesten vergleichbaren Daten auf EU-Ebene nutzten 2023 12 % der deutschen Unternehmen mindestens ein KI-System (Abbildung 4.1). Dieser Wert stellt einen Anstieg gegenüber dem Stand von 2021 (10,6 %) dar und lag über dem EU-Durchschnitt (8 %). Mehr als ein Drittel der deutschen Großunternehmen nutzte KI, wobei die Nutzungsquote bei kleinen Unternehmen bei 10 % und bei mittleren Unternehmen bei 16 % lag. Diese Werte entsprachen zwar dem EU-Durchschnitt, waren aber niedriger als die entsprechenden Werte der EU-Länder, die bei der Einführung künstlicher Intelligenz an der Spitze stehen. Dies gilt auch für Großunternehmen. Die deutschen Unternehmen lagen in allen Branchen über dem EU-Durchschnitt, wobei allerdings erhebliche Unterschiede bei der Einführung der KI zu verzeichnen waren (Abbildung 4.2).

Jüngste Daten aus nationalen Umfragen zeigen auch eine Zunahme der Nutzung von KI-Lösungen und des Interesses daran in Deutschland. Im Juni 2023 nutzten bereits 13,3 % der befragten Unternehmen KI, 9,2 % beabsichtigten dies (ifo, 2023[2]). Darüber hinaus haben 36,7 % Gespräche über potenzielle KI‑Anwendungsfälle geführt (Abbildung 4.3, Schaubild A). Eine zweite nationale Umfrage ergab eine ähnliche Gesamteinführungsquote von KI-Anwendungen über alle Unternehmen hinweg von 14 %, während 23 % Pläne für eine künftige Einführung angaben (Abbildung 4.3, Schaubild B) (DIHK, 2023[3]). Eine dritte nationale Umfrage ergab, dass 15 % der deutschen Unternehmen KI nutzen, was einen Anstieg um 6 Prozentpunkte gegenüber dem Vorjahr darstellt (bitkom, 2023[4]). Die Einführungsquoten nach Branchen unterschieden sich von denen aus der EU-Umfrage, insbesondere was die relative Nutzung im verarbeitenden Gewerbe anbelangt. Es ist jedoch hervorzuheben, dass den beiden hier genannten nationalen Erhebungen detaillierte Informationen auf Unternehmensebene fehlen, etwa ob KI zur Verbesserung interner Prozesse, zur Verbesserung der Kundenbeziehungen oder zur Entwicklung neuer Produkte und Dienstleistungen eingesetzt wird. Auch gibt es keine Aufschlüsselung der KI-Nutzung nach Unternehmensgröße.

Vergleiche mit Nicht-EU-Ländern sind aufgrund von Unterschieden in der Fragestellung und der Abdeckung problematisch (Montagnier and Ek, 2021[5]). Neueste Erkenntnisse aus dem Business Trends and Outlook Survey (BTOS) liefern jedoch einige Erkenntnisse für die Vereinigten Staaten. Im Jahr 2023 nutzten nur 3,9 % der US-Unternehmen KI, um Waren herzustellen und Dienstleistungen zu erbringen. Der Informationssektor nutzte KI mit 13,8 % am meisten. Weitere 6,5 % und 22 % der Unternehmen berichteten über Pläne für eine Einführung innerhalb der nächsten sechs Monate (US Census Bureau, 2023[6]). Diese Daten beziehen sich auf den Einsatz künstlicher Intelligenz zur Entwicklung neuer Produkte und Waren, während neuere Daten über den breiteren Einsatz und die Nutzung aufgeschlüsselt nach Wirtschaftssektoren fehlen. McElheran u. a. (2023[7]) stellten eine geringe durchschnittliche Verbreitung bei US-Unternehmen (6 %) fest, wenn auch eine höhere Konzentration in bestimmten Sektoren und einer geringeren Anzahl sehr großer Unternehmen (über 5.000 Beschäftigte). Gewichtet nach Arbeitsplätzen lag die durchschnittliche Nutzung in US-Unternehmen etwas über 18 %. Die Analyse stützt sich jedoch auf Daten aus der Annual Business Survey 2018 (ABS), und die aktuellen Quoten dürften, insbesondere angesichts der jüngsten Entwicklungen im Bereich der KI, höher sein.

Abbildung 4.1. Deutsche Unternehmen liegen bei der Einführung von KI in Unternehmen über dem EU-Durchschnitt, aber hinter den EU-Spitzenreitern

In Prozent der Unternehmen mit zehn oder mehr Beschäftigten, 2023

Die branchenübergreifende Einführung von KI wird durch die KI-bezogenen Aktivitäten großer deutscher Unternehmen veranschaulicht. 2017 hat Siemens ein KI-Labor mit derzeit 250 Forscher:innen eröffnet. KI war 2022 einer der elf zentralen technologischen Forschungs- und Entwicklungsschwerpunkte von Siemens (Siemens, 2023[9]). Darüber hinaus gab das Unternehmen für 2023 eine Erhöhung der Forschung und Entwicklung in Bezug auf KI und das industrielle Metaverse um rund 0,5 Mrd. EUR bekannt (Siemens, 2023[10]). Auch Bosch richtete 2017 ein KI-Zentrum (das Bosch Center for Artificial Intelligence, BCAI) ein, um innovative KI-Technologien zu entwickeln. SAP hat 2016 ebenfalls ein zentrales KI-Team eingerichtet. Einige der Produktionswerke von Siemens, Bosch und BMW gehören zum Global Lighthouse Network des Weltwirtschaftsforums mit den fortschrittlichsten Produktionsstätten der Industrie 4.0 weltweit (WEF, 2023[11]).

Deutsche Unternehmen belegten 2019 im Automobilsektor den dritten Platz unter den Vergleichsländern beim Einsatz von KI in großem Maßstab (Capgemini, 2019[12]). KI wird in dieser Branche hauptsächlich für i) Design- und Anpassungszwecke zur Beschleunigung der Umsetzung von Ideen und zur Reduktion von Innovationszyklen, ii) die Optimierung der Entwicklung autonomer Fahrzeuge und iii) die Entwicklung von Fahr- und Kundenassistenten wirksam genutzt (Capgemini, 2023[13]).

Abbildung 4.2. Unternehmen in IKT und wissensintensiven Branchen sind führend bei der Nutzung von KI

In Prozent der Unternehmen mit zehn oder mehr Beschäftigten, 2023

Mercedes-Benz erhielt als erster Automobilhersteller von der US-Regierung die Zulassung für eine autonome Fahrfunktion nach SAE-Level 3. Das Unternehmen ließ seine Drive-Pilot-Funktion in Nevada zertifizieren, sodass das Auto alle Fahraufgaben erledigen kann, wobei der:die Fahrer:in allerdings jederzeit bereit sein muss, die Kontrolle zu übernehmen (The Verge, 2023[14]). Der Volkswagen-Konzern nutzt bei seiner Tochtermarke Audi auch die Software FelGAN als Designinspiration. Diese Eigenentwicklung der unternehmensinternen IT-Abteilung und Audi Design schlägt fotorealistische Designs vor oder kombiniert bestehende Designs gezielt neu. In der Produktion wird KI eingesetzt, um Anomalien durch Schall oder bestimmte Muster zu entdecken und fehlerhafte Teile zu erkennen. Maschinelles Lernen und digitale Kopien von Modellen, sogenannte digitale Zwillinge, tragen dazu bei, die Produktion energie- und kosteneffizienter zu gestalten.

Abbildung 4.3. Jüngste nationale Umfragen zeigen eine verstärkte Nutzung und ein gesteigertes Interesse deutscher Unternehmen im Hinblick auf KI

Generative KI kann die Wettbewerbsfähigkeit deutscher Unternehmen erhöhen

Der vermehrte Einsatz und das gestiegene Interesse an KI-Lösungen ist offenbar vom Aufkommen Generativer KI beeinflusst (ifo, 2023[2]). Der Arbeitskräftemangel hat Unternehmen auch gezwungen, nach die Kosten senkenden und die Prozesseffizienz steigernden Lösungen zu suchen. Dies steht im Einklang mit Ergebnissen, die zeigen, dass Arbeitgeber:innen in Deutschland mit größerer Wahrscheinlichkeit Kompetenzmangel als Grund für die Einführung von KI im Fertigungs- und im Finanzsektor angeben als Arbeitgeber:innen in anderen OECD-Ländern (Österreich, Kanada, Frankreich, Irland, Vereinigtes Königreich und Vereinigte Staaten) und dass die Verbesserung der Arbeitsleistung und der Kosteneffizienz bei deutschen Arbeitgebern sogar noch häufigere Gründe für die Einführung von KI sind (Lane, Williams and Broecke, 2023[15]).

Der Zusammenhang zwischen KI-Einsatz und Unternehmensproduktivität wird noch untersucht, da die vorhandene Literatur nicht eindeutig ist (Calvino and Fontanelli, 2023[16]). Empirische Belege deuten jedoch auf positive und signifikante Auswirkungen auf die Produktivität für Deutschland hin. Eine Studie ergab, dass der Einsatz von KI bei deutschen Unternehmen 2019 rund 6 % zu den gesamten jährlichen Kosteneinsparungen für die deutsche Wirtschaft beitrug (Rammer, Fernandez and Czarnitzki, 2022[17]). Die Studie stellte außerdem fest, dass die Einführung künstlicher Intelligenz das jährliche Wachstum der Mitarbeiterproduktivität innerhalb des Unternehmens steigert. Calvino und Fontanelli (2023[16]) stellten bei einer Stichprobe deutscher KI-Nutzer:innen mit Online-Präsenz ebenfalls positive und signifikante Auswirkungen von KI auf die Produktivität fest.

Jüngste Forschungsergebnisse deuten darauf hin, dass die Einführung generativer KI in verschiedenen Branchen zu erheblichen Produktivitätszuwächsen führen könnte. Schätzungen reichen von 0,1 bis 0,6 Prozent jährlich über die nächsten zehn bis zwanzig Jahre (McKinsey Global Institute, 2023[18]) und bis zu 1,4 Prozent über einen Zeitraum von zehn Jahren (Briggs and Kodnani, 2023[19]). Die Nutzung von ChatGPT durch die Arbeitnehmer:innen war auch mit einer Erhöhung des Firmenwerts (Eisfeldt et al., 2023[20]) und des Umsatzwachstums bei KMU (Soni, 2023[21]) verbunden.

Verschiedene Studien haben die Produktivitätseffekte Generativer KI-Tools in experimentellen Umgebungen untersucht. Dell’Acqua u. a. (2023[22]) haben festgestellt, dass der Einsatz generativer KI die Leistung hoch qualifizierter Arbeitskräfte, insbesondere von Berater:innen, im Vergleich zu denen, die sie nicht nutzen, um bis zu 40 % verbessern kann. Bei Aufgaben, die über die aktuellen Fähigkeiten von KI hinausgehen, war es jedoch 19 % weniger wahrscheinlich, dass KI verwendende Berater:innen richtige Lösungen erzielen. Bei der Programmierung erledigten Entwickler:innen mit GitHub Copilot – einem KI‑Programmierassistenten, der relevanten Code und Funktionen bereitstellt – Aufgaben 55,8 % schneller als ohne das Tool (Peng, Kalliamvakou and Cihon, 2023[23]). Weniger erfahrene oder ältere Programmierer:innen und diejenigen mit langen Arbeitszeiten profitierten am meisten von der Verwendung des KI-Tools. In gleicher Weise stellten (Brynjolfsson, Li and Ray, 2023[24]) fest, dass Call-Center-Agent:innen mit Zugang zu einem Gesprächsassistenten einen Produktivitätsschub von 14 % verzeichneten. Laut (Noy and Zhang, 2023[25]) wurden die größten Zuwächse bei neuen oder geringqualifizierten Arbeitskräften beobachtet. Die Forschung zu den Arbeitsmarkteffekten generativer KI ist jedoch noch relativ jung, und weitere von Expert:innen begutachtete Forschung ist erforderlich, um endgültige Schlussfolgerungen ziehen zu können.

Generative KI bietet eine breite Palette möglicher Anwendungen auf Unternehmensebene. Potenzielle Anwendungsfälle mit dem höchsten geschätzten Wert sind Software-Engineering, Kundenbeziehungen, Marketing und Vertrieb sowie Forschung und Entwicklung (McKinsey Global Institute, 2023[18]). In KMU kann die Nutzung vielfältig sein, von der Erstellung von Inhalten und der Automatisierung von Büroarbeiten bis hin zu Prototyping und Kundensupport und Interaktion (Tabelle 4.1).

Generative KI kann auch in der Robotik eingesetzt werden, wo große Sprachmodelle (LLMs) die Roboterintelligenz verbessern, die Interaktion zwischen Mensch und Roboter begünstigen und die Autonomie erhöhen können (Zenga et al., 2023[26]). Robotik kann auch mit Bild-, Audio- und Videogenerierungsmodellen kombiniert werden, um fortschrittliche Systeme mit multimodalen Fähigkeiten zu entwickeln, die diese Funktionen kombinieren (Lorenz, Perset and Berryhill, 2023[27]). Mit 397 Industrierobotern pro 10.000 Beschäftigten im Jahr 2021 hat die deutsche Fertigungsindustrie die höchste Roboterdichte pro Mitarbeiter:in (The Robot Report, 2022[28]). Deutschland gehört mit einem Marktanteil von 36 % innerhalb der EU zu den fünf größten Nutzern weltweit (IFR, 2023[29]). Deutschland ist gut positioniert, um die Chancen von LLMs zu nutzen, die Leistungsfähigkeit von Robotern weiter zu verbessern und in der Intelligenzrobotik eine führende Rolle zu übernehmen. Ziel des Aktionsplans Robotikforschung, den das BMBF im November 2023 gestartet hat (BMBF, 2023[30]), ist es, die Position Deutschlands in der KI-basierten Robotik zu stärken, unter anderem durch den Aufbau eines „Robotics Institute Germany“.

Große deutsche Unternehmen erkunden zunehmend potenzielle Anwendungen generativer KI in ihren Produkten. Siemens ist vor Kurzem eine Partnerschaft mit Microsoft eingegangen, um die Codegenerierung für die Automatisierung in der Industrie mithilfe von ChatGPT zu beschleunigen (Siemens, 2023[10]). Die Unternehmenssoftwarefirma SAP hat in drei Unternehmen für generative KI in Deutschland (Aleph Alpha) und im Ausland (Anthropic in den USA und Cohere, ein US-amerikanisch-kanadisches Unternehmen) investiert. BMW hat sich mit Zapata und dem Center for Quantum Engineering des MIT zusammengetan, um die Herausforderung der Optimierung seiner Anlagenplanung mit Techniken generativer KI anzugehen (Markets and Markets, 2023[31]). Mercedes-Benz testet derzeit in den USA ein GPT-basiertes Sprachsteuerungssystem in seinen Fahrzeugen. Der Assistent soll Informationen über die Zielorte bereitstellen oder wissensbasierte Fragen beantworten. Basierend auf den Ergebnissen dieses Betatests wird Mercedes prüfen, ob in Zukunft ein großes Sprachmodell für das „dialogische Kommunizieren“ in seinen Fahrzeugen angeboten werden soll (Handelsblatt, 2023[32]).

Die im Rahmen dieser Studie konsultierten Akteur:innen haben festgestellt, dass die Unternehmen trotz des wachsenden Interesses die spezifischen Anwendungen generativer KI in ihrem Betrieb noch nicht vollständig verstehen. Darüber hinaus befinden sich Anwendungen generativer KI im industriellen Umfeld (z. B. für prädiktive Wartung) noch im Forschungsstadium. Es wurde jedoch weithin anerkannt, dass die Verfügbarkeit standardisierter KI-Lösungen, einschließlich generativer KI, die Integration in den Geschäftsbetrieb erleichtern wird. Dies könnte insbesondere bei KMU zu einer hohen Einführungsquote führen. Insbesondere Branchen wie Einzelhandel und Gewerbe setzen KI wirksam ein, um die Marketinganstrengungen zu verbessern, während sich der Sektor für professionelle Aktivitäten auf die Automatisierung von Produktionsprozessen konzentriert (Eurostat, 2023[8]). Folglich liegen hier potenzielle Anwendungsfälle generativer KI für diese spezifischen Zwecke.

Anwendungsfall	Beschreibung
Inhaltserstellung	Marketinginhalte: Generierung von Text für Anzeigen, soziale Medien und Kampagnen, Blogging und Suchmaschinenoptimierung
Personalisierte Kundenkommunikation	Generieren von personalisierten E-Mails und Inhalten auf der Grundlage von Kundendaten
Kundensupport	Bereitstellung von First-Level-Support durch KI-Chatbots
Produktdesign und -entwicklung	Erstellung neuer oder Änderung vorhandener Produktdesigns
Grafikdesign	Gestaltung von Logos, Marketingmaterialien und anderen Materialien
Prototyping und 3D-Modellierung	Unterstützung bei der Erstellung von Designs für schnelle Iteration und Prüfung
Automatisierung von Schreibarbeiten und Berichten	Entwerfen von Berichten, Erstellung von Rechnungen und Bearbeitung von Routine-Schreibarbeiten
Sprachübersetzung	Übersetzung von Inhalten in mehrere Sprachen

Quelle: Soni, V. (2023[21]), “Impact of generative AI on small and medium enterprises’ revenue growth: The moderating role of human, technological, and market factors”, https://researchberg.com/index.php/rcba/article/view/169.

Die Befragten haben auch darauf hingewiesen, dass die derzeit auf dem Markt befindlichen großen Sprachmodelle nur in geringem Umfang mit deutschen Texten trainiert wurden, was zu ungenaueren Ergebnissen führt. Die begrenzte Verfügbarkeit offener Daten für das Trainieren deutscher LLMs wurde als aktuelle Einschränkung identifiziert, verbunden mit dem Bedarf an erheblicher Rechenkapazität. Sowohl aus der Wissenschaft als auch aus der Wirtschaft hieß es, Deutschland müsse dringend ein eigenes großes Sprachmodell entwickeln, um sowohl die Genauigkeit zu erhöhen als auch die Einhaltung der EU-Rechtsvorschriften, insbesondere in Bezug auf den Datenschutz, sicherzustellen (Löser et al., 2023[33]; AKI, 2023[34]).

Engpässe könnten eine breitere Einführung von KI behindern

Trotz des gestiegenen Interesses deutscher Unternehmen an KI wiesen die befragten Expert:innen auf Herausforderungen hin, die die KI-Verbreitung in deutschen Unternehmen, insbesondere bei KMU, verzögern oder sogar behindern können.

Das Haupthindernis, das von Arbeitgeber:innen für die Verbreitung von KI in Unternehmen genannt wird, ist der Mangel an KI-Kompetenzen. KMU können häufig die benötigten KI-Talente nicht erhalten, um KI-Anwendungen zu ermitteln, zu entwickeln, umzusetzen und zu warten.

Unternehmen sehen oft nicht den Vorteil, den die KI für ihre Geschäftsmodelle bringen könnte. Die Expert:innen beschrieben traditionelle deutsche Unternehmen, insbesondere KMU, als „zu erfolgreich, um innovativ zu sein“. Diese Unternehmen mögen in der Vergangenheit überaus erfolgreich gewesen sein, aber ihr Erfolg hat zu Selbstgefälligkeit geführt. Dies senkt ihre Bereitschaft, in neue und möglicherweise disruptive Innovationen zu investieren und sich an sie anzupassen, wodurch die Wettbewerbsfähigkeit und das Wachstum langfristig beschränkt werden könnten. Darüber hinaus stellt es eine Herausforderung dar, die Investitionsrendite (ROI) für KI-Anwendungen zu schätzen, da die meisten von ihnen Anpassungen erforderlich machen, um sie auf die individuellen Arbeitsumgebungen und -prozesse jedes Unternehmens abzustimmen. Die Befragten gaben an, dass Unternehmen, die KI-Investitionen in Betracht ziehen, mit Entscheidungsproblemen konfrontiert sind, da kaum erfolgreiche Anwendungsfälle bekannt sind.

Erhebliche Bedenken ergeben sich aus Unsicherheiten in Bezug auf die Einhaltung der Vorschriften. Die größte Herausforderung für Unternehmen, die KI aktiv nutzen, ist in diesem Zusammenhang die Unsicherheit in Bezug auf die Einhaltung der Datenschutzvorschriften für KI-Anwendungen. In einer Umfrage des Leibnitz-Zentrums für Europäische Wirtschaftsforschung (ZEW) gaben 76 % der teilnehmenden Unternehmen an, dass dieses Thema sehr oder relativ wichtig sei (Rammer, 2021[35]). Die befragten Expert:innen bestätigten, dass deutsche Unternehmen, insbesondere KMU und Start-ups, mit Herausforderungen durch die Datenschutz-Grundverordnung (DSGVO) konfrontiert sind, da ihnen oft die notwendigen personellen Ressourcen fehlen, die mit der Verordnung vertraut sind und die Einhaltung der Rechtsvorschriften sicherstellen können. Ebenso erwarten sie, dass die Verabschiedung der Verordnung der Europäischen Union zu Künstlicher Intelligenz („KI-Verordnung der EU“, siehe Kapitel 6) (EU, 2024[36]) für die meisten KMU eine Herausforderung darstellt und dass die Einhaltung der Anforderungen des Gesetzes die Kosten der KI-Nutzung erhöhen wird.

Es besteht eine Pfadabhängigkeit zwischen dem Grad der Digitalisierung und dem Einsatz von KI. Deutschland hinkt bei der Konnektivität hinterher, mit weniger schnellen Internetverbindungen und einem sehr geringen Anteil an Hochgeschwindigkeits-Glasfaseranschlüssen, die zwar ausgebaut werden, aber nur langsam (Abbildung A A.7). Auch die deutschen Mobilfunkbreitband-Abonnenten verbrauchen aus Kostengründen weniger Daten als im OECD-Durchschnitt. Der Digitalisierungsindex 2022 der Bundesregierung zeigt, dass die Digitalisierung in kleinen deutschen Unternehmen mit 1 bis 49 Beschäftigten am wenigsten vorangeschritten ist und für alle Größenklassen deutlich unter dem EU‑Durchschnitt liegt. Auch wenn mittelgroße Unternehmen mit 50 bis 249 Beschäftigten Fortschritte bei der Digitalisierung machen, liegt ihr Indexwert immer noch unter dem Bezugswert von 2020 (Die Bundesregierung, 2023[37]). Laut Eurostat-Daten zum Digitalisierungsgrad von Unternehmen nehmen die deutschen KMU den siebten Rang in der EU ein und liegen hinter den EU-Spitzenreitern, d. h. Finnland, Dänemark, Schweden, Irland, den Niederlanden und Malta (Eurostat, 2023[38]). Dieses Ergebnis steht auch im Zusammenhang damit, dass deutsche KMU aufgrund von Bedenken hinsichtlich der Vertraulichkeit häufig kein Vertrauen in KI-Lösungen haben. Den befragten Expert:innen zufolge befürchten KMU, die sich auf bestimmte Nischenprodukte bzw. -märkte spezialisiert haben, dass konkurrierende Unternehmen durch den Einsatz neuer Technologien Zugang zu ihrem Fachwissen erhalten, und sie dadurch ihren Wettbewerbsvorteil auf dem Markt verlieren.

Der niedrige Digitalisierungsgrad und die geringe Bereitschaft zur Datennutzung in Unternehmen erschweren es diesen, KI-Lösungen einzuführen, da diese komplementären Vermögenswerte maßgeblich mit der KI-Nutzung verbunden sind (Calvino and Fontanelli, 2023[16]). Die Entwicklung von KI-Systemen hängt davon ab, dass jedes Unternehmen und jede Branche über eine digitale Datenstrategie verfügen, da Daten zum Trainieren, Testen, Validieren und Bewerten von KI-Modellen benötigt werden. KMU verfügen jedoch häufig nicht über ausreichende quantitative und qualitative Daten in einem strukturierten Format und die Kompetenz, Daten aus verschiedenen Datenquellen zu integrieren. Der Zugang zu Rechenressourcen und Cloud-Diensten, die für rechenintensive Aufgaben wie Deep Learning unerlässlich sind, stellt ebenfalls ein Hindernis dar.

Einführung von KI im verarbeitenden Gewerbe

Die Einführung von KI im verarbeitenden Gewerbe verläuft in Deutschland bislang relativ langsam, obwohl KI eine der entscheidenden Grundlagentechnologien von Industrie 4.0 ist, d. h. dem Paradigmenwechsel in den Fertigungsprozessen, den Deutschland seit 2011 verfolgt. Zu den primären KI-Anwendungen im industriellen Umfeld zählen prädiktive Wartung, Qualitätskontrolle, Prozessoptimierung und die Zusammenarbeit zwischen Mensch und Roboter (Emerj, 2022[39]; Peres et al., 2020[40]). Die Vielfalt industrieller Systeme und Anwendungen macht es erforderlich, über maßgeschneiderte, unternehmensspezifische KI-Anwendungen zu verfügen. In der EU setzt die Mehrheit der Sektoren auf „AI as a Service“, mit Ausnahme des IKT-Sektors, in dem kommerzielle Software oder gebrauchsfertige Systeme zum Einsatz kommen. Dennoch entwickelt mehr als ein Drittel der Gerätehersteller entweder eigene KI-Systeme oder passt handelsübliche Systeme an (Abbildung 4.4).

Die Integration von KI in Unternehmensstrukturen und Wertschöpfungsketten erfordert erhebliche Investitionen und organisatorische Veränderungen. Aufgrund unzureichender Belege für erfolgreiche industrielle KI-Anwendungen sehen viele Fertigungsunternehmen jedoch keine Rendite. Interviews mit einer führenden Transfereinrichtung zeigten, dass die meisten Projekte auf der Ebene des „Konzeptnachweises“ stehen bleiben. Herausforderungen wie mangelnde Kompetenzen zur Aufrechterhaltung von Lösungen (z. B. für Umschulung und Umverteilung von Personal), fehlende eindeutige Rendite und ein Mangel an substanziellen Belegen für einen industriellen Erfolg behindern Fortschritte bei der Markteinführung über diese Phase hinaus. Ein Anbieter von KI-Lösungen betonte, dass die verzögerte Einführung industrieller KI auch mit kulturellen und kompetenzbezogenen Fragen auf Unternehmensebene verbunden sei. Die vorherrschende Konzentration auf die Technik behindert umfassendere organisatorische Veränderungen.

Die Integration von KI in industrielle Geschäftsmodelle und Prozesse erfordert große Mengen an hochwertigen Daten aus verschiedenen Quellen, um ML- und Deep-Learning-Modelle effektiv zu trainieren. Die Befragten betonten jedoch, dass sowohl die Verfügbarkeit als auch die Qualität der Daten erhebliche Engpässe darstellen. Größere Datenmengen zu beschaffen, stellt insbesondere in Fertigungsumgebungen mit unterschiedlichen Datenquellen, wie eingebetteten Maschinensensoren und digitalisierten Prozessen wie Bestandsmanagement, eine Herausforderung dar. Die Digitalisierung von Daten ist daher eine Voraussetzung dafür, dass KMU industrielle KI nutzen können.

Die Umsetzung einer Datenstrategie und die Vornahme organisatorischer Änderungen zur Ausrichtung von Geschäftsmodellen an industrieller KI können die Erfassung, Kuration und Speicherung von Daten verbessern. Die aktuelle Forschung beschäftigt sich mit der Frage, wie anfängliche Herausforderungen im Zusammenhang mit Datenknappheit bewältigt werden können, indem die Nutzung synthetischer Daten untersucht wird, wozu auch die Erstellung von Daten gehört, die einer realen Betriebsumgebung ähneln. Sie befasst sich auch mit Lerntransfer oder der Anwendung von Wissen aus einem Quellbereich, um das Lernen in einem neuen Bereich mit begrenzten Daten zu verbessern (Peres et al., 2020[40]).

Abbildung 4.4. In den meisten Branchen sind Unternehmen Käufer von KI-Lösungen, während einige auch eigene Lösungen entwickeln müssen

In Prozent der Unternehmen mit zehn oder mehr Beschäftigten in den 27 Mitgliedstaaten der EU, die mindestens eine KI-Technologie verwenden, 2021

Um die Verfügbarkeit von Daten für bestimmte Branchen zu erhöhen, haben die EU und Deutschland branchenbezogene Datenräume finanziert. „Datenräume“ bezeichnen sichere und kontrollierte virtuelle Umgebungen, in denen Daten gespeichert, gemeinsam genutzt und verarbeitet werden. Diese Räume sollen den nahtlosen und vertrauenswürdigen Datenaustausch zwischen den Beteiligten erleichtern und so Zusammenarbeit, Innovation und die Entwicklung neuer Dienste und Anwendungen fördern. Im Mai 2023 veröffentlichte das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) das Förderkonzept für Manufacturing-X mit einer Mittelausstattung von 152 Mio. Euro (Plattform Industrie 4.0, 2023[41]). Die Erschließung des ungenutzten Potenzials von Industriedaten gehört zu den zentralen Zielen der 2023 veröffentlichten aktualisierten Nationalen Datenstrategie (Kasten 4.2). Die Schaffung branchenbezogener Datenräume, einschließlich Manufacturing-X, ist Teil der in der Strategie vorgesehenen Maßnahmen. Manufacturing-X soll ein offener, dezentraler und kollaborativer Datenraum für Industrie 4.0 werden, indem anwendungsorientierte Forschungs- und Entwicklungsprojekte zur Umsetzung branchenübergreifender Anwendungsfälle finanziert werden.

Kasten 4.2. Die Nationale Datenstrategie steht im Einklang mit dem europäischen und nationalen Recht

Die Nationale Datenstrategie steht im Einklang mit dem europäischen und nationalen Recht und umfasst verschiedene Initiativen zur Förderung einer verantwortungsvollen und effektiven branchenübergreifenden Datennutzung

Die im Februar 2020 eingeführte Europäische Datenstrategie zielt darauf ab, einen einheitlichen Markt für Daten zu schaffen, um Europas globale Wettbewerbsfähigkeit und Datensouveränität zu stärken. Sie umfasst Maßnahmen wie die Schaffung gemeinsamer europäischer Datenräume, die EU‑weite Erleichterung des Zugangs zu Daten sowie Investitionen in Infrastruktur und Governance-Mechanismen. Zwei wichtige Gesetzgebungsakte, der europäische Daten-Governance-Rechtsakt und der Data Act (Datenverordnung), sind für die Erreichung der Ziele der Strategie von wesentlicher Bedeutung, indem sie den Datenaustausch erleichtern, die Datenverfügbarkeit erhöhen und die Bedingungen für die Datennutzung klarstellen.

Der im Juni 2022 in Kraft getretene und seit September 2023 geltende europäische Daten-Governance-Rechtsakt zielt darauf ab, das Vertrauen in die gemeinsame Datennutzung zu stärken, Mechanismen zur Erhöhung der Datenverfügbarkeit zu fördern und technische Hindernisse für die Weiterverwendung von Daten zu überwinden. Der Rechtsakt unterstützt außerdem die Einrichtung und Entwicklung gemeinsamer europäischer Datenräume in strategischen Bereichen wie Gesundheit, Umwelt, Energie, Produktion oder öffentlicher Verwaltung. Der Rechtsakt enthält vier Maßnahmenpakete, um i) die Weiterverwendung bestimmter Daten des öffentlichen Sektors zu erleichtern, ii) vertrauenswürdige Datenvermittler:innen zu gewährleisten, iii) die gemeinsame Nutzung von Bürger- und Geschäftsdaten zu fördern und iv) die sektorübergreifende und grenzüberschreitende Datennutzung zu erleichtern.

Im Januar 2024 trat die Verordnung über harmonisierte Regeln für den fairen Datenzugang und eine faire Datennutzung – der Data Act (Datenverordnung) – in Kraft, die den europäischen Daten-Governance-Rechtsakt ergänzt. Während der Daten-Governance-Rechtsakt Prozesse und Strukturen regelt, die die freiwillige gemeinsame Datennutzung erleichtern, stellt der Data Act (Datenverordnung) klar, wer unter welchen Bedingungen aus Daten Wert schaffen kann. Diese Verordnung zielt darauf ab, die Verfügbarkeit von Daten zum Nutzen von Unternehmen, Bürger:innen und öffentlichen Verwaltungen zu verbessern, indem i) klare Regeln für die Datennutzung und die damit verbundenen Bedingungen für Unternehmen und Verbraucher:innen festgelegt werden, die an der Datenerzeugung beteiligt sind, insbesondere im Zusammenhang mit dem Internet der Dinge, ii) vertragliche Ungleichgewichte beseitigt werden, um faire Praktiken für die Datenweitergabe zu fördern, iii) öffentlichen Stellen der Zugang zu Daten des Privatsektors und deren Nutzung für spezifische Zwecke des öffentlichen Interesses ermöglicht werden und iv) Vorschriften eingeführt werden, die den Kund:innen einen einfachen Wechsel zwischen verschiedenen Anbieter:innen von Datenverarbeitungsdiensten ermöglichen.

Die Nationale Datenstrategie für Deutschland basiert auf europäischem und nationalem Recht und ist mit verschiedenen nationalen Initiativen verknüpft. Sie skizziert einen umfassenden Ansatz zur verantwortungsvollen, effektiven und nachhaltigen Nutzung von Daten. Sie richtet sich an verschiedene Sektoren, darunter den öffentlichen Sektor, die Forschung, Unternehmen und Einzelpersonen. Die wichtigsten Punkte der Strategie sind:

1. Mehr Daten: Initiativen zur Generierung von mehr Daten, zur Erleichterung des Zugangs zu Datensätzen der öffentlichen Verwaltung und zur Förderung der gemeinwohlorientierten Datennutzung.

2. Bessere Daten: Einführung standardisierter Datenbeschreibungen, von Kennzeichnungsmechanismen und Qualitätssicherung zur Gewährleistung der Einheitlichkeit und Vertrauenswürdigkeit der Daten.

3. Förderung der Datennutzung und Datenkultur: Förderung datenbasierter staatlicher Maßnahmen, Unterstützung der Entwicklung sektoraler Datenräume und Förderung umfassender Datenkompetenzen in der Bevölkerung, um eine verantwortungsvolle Datenkultur zu pflegen.

4. Roadmap: Eine Roadmap skizziert den Umsetzungsplan bis zum vierten Quartal 2024 unter Berücksichtigung von EU-Rechtsvorschriften, Bundesgesetzen, relevanten Strukturen und Vernetzungsinitiativen.

Quelle: EC (2020[42]), A European Strategy for Data, https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:52020DC0066; EC (2022[43]), European Data Governance Act, https://digital-strategy.ec.europa.eu/en/policies/data-governance-act; EC (2024[44]), Data Act, https://digital-strategy.ec.europa.eu/en/policies/data-act; Die Bundesregierung (2023[45]), Fortschritt durch Datennutzung [Progress through Data Utilisation], https://www.bmi.bund.de/SharedDocs/downloads/DE/veroeffentlichungen/2023/datenstrategie.pdf.

Datenräume können KMU die Implementierung von KI erleichtern, indem sie eine Plattform für den Zugriff auf und die Integration von Daten aus verschiedenen Quellen, einschließlich öffentlicher Datenbanken, Forschungseinrichtungen und anderer Unternehmen, bieten. KMU können ihre Daten auch monetarisieren, indem sie sie auf der Plattform teilen und zur Innovation entlang der Lieferkette beitragen. Die geringe Datenreife und fehlendes Personal können jedoch einige KMU daran hindern, an Datenräumen teilzunehmen.

Deutsche Institutionen verfügen über viele Programme, um den Einsatz von KI in Unternehmen, insbesondere KMU, zu fördern

In Deutschland unterstützen mehrere Programme und Institutionen den Transfer von KI‑Forschungsergebnissen aus der Wissenschaft in die gewerbliche Nutzung im Privatsektor (Abbildung 4.5). Die nationale KI-Strategie stellte insbesondere für diesen Aktionsbereich 166 Mio. EUR bereit, d. h. 8 % der bisher im Rahmen der Strategie insgesamt bereitgestellten Mittel.

Das 2020 ins Leben gerufene Programm Künstliche Intelligenz für KMU (KI4KMU) ist ein Förderprogramm des BMBF. Es richtet sich speziell an KMU mit maximal 249 Mitarbeiter:innen und einem Jahresumsatz von 50 Mio. EUR oder einer Jahresbilanzsumme von 43 Mio. EUR (BMBF, 2020[46]). Das Programm kofinanziert innovative Projekte, die von KMU in Zusammenarbeit mit Einrichtungen wie Hochschulen und Start-ups, die als Technologieanbieter:innen oder Testanwender:innen dienen, geleitet und koordiniert werden. Es wird erwartet, dass diese Projekte ein beträchtliches Maß an Innovation im Vergleich zum internationalen Stand der Technik im Bereich der KI-bezogenen Wissenschaft und Technologie aufweisen.

Das Programm umfasst verschiedene Themen, darunter automatisierte Informationsverarbeitung, digitale Assistenten, Computer Vision/Bildverstehen, Sprach- und Textverständnis, Privacy-by-Design-Ansätze, datengesteuerte Systeme, Data Engineering, Rückverfolgbarkeit und Erklärbarkeit von Prozessen und Systemen zur automatisierten Entscheidungsunterstützung und Entscheidungsfindung. Außerdem fördert es neue Ansätze zur Schaffung von Transparenz in KI-Systemen. Jedes Projekt sollte sich auf einen bestimmten Bereich, wie erneuerbare Energien, Ökologie, Umweltschutz, Logistik, Mobilität, Automobilindustrie, Produktionstechnologien, Prozesssteuerung und -automatisierung, innovative nutzerorientierte Dienstleistungen und die Daten- und IKT-Wirtschaft, konzentrieren.

Abbildung 4.5. Programme und Transferinstitutionen in Deutschland unterstützen den KI‑Forschungstransfer vom Labor hin zum Unternehmen

Mit Zuschüssen in Höhe von bis zu 1 Mio. EUR, die rund 50 % der Kosten decken, werden die Fördermittel im Rahmen eines Auswahlverfahrens vergeben, wobei zweimal jährlich Anträge angenommen werden. Im Rahmen des Programms wurden bereits 61 Projekte unterstützt, an denen 107 KMU beteiligt waren. Der Förderzeitraum erstreckt sich in der Regel über zwei bis drei Jahre. Das Programm hat bei den KMU großes Interesse ausgelöst, wobei die Anträge das in jeder Runde verfügbare Fördervermögen um das Sechs- bis Achtfache überschritten. Da die ersten Projekte im Jahr 2020 starteten, sind erst wenige von ihnen abgeschlossen und die Ergebnisse der meisten Projekte sind noch in Arbeit und noch nicht verfügbar.

Im November 2022 hat das BMBF die Einrichtung von vier KI-Servicezentren in ganz Deutschland gefördert. Diese Zentren sollen den Zugang zur Recheninfrastruktur verbessern, KI-Expertise bereitstellen und den umfassenden Transfer von KI durch einen Katalog von Dienstleistungen, einschließlich Hardware, Software, Daten und Modellen, Lösungsentwicklung, Anpassung von KI-Modellen an spezifische Anforderungen, Beratung und Schulung, unterstützen (BMBF, 2022[47]). Diese Zentren, die zunächst mit jeweils mindestens 10 Mio. EUR für einen Zeitraum von 60 Monaten ausgestattet wurden, bieten KMU und Start-ups kostenlose Computing- und Beratungsdienste an. Es wird erwartet, dass sie sich nach dem Ende der Erstfinanzierung selbst tragen werden. Die vier Zentren sind:

WestAI (Dortmund/Bonn/Jülich/Aachen/Paderborn) verbindet die großen Rechenkapazitäten des Jülich Super Computing Centre (JSC) und der RWTH Aachen mit der KI-Expertise des Lamarr Institute for Machine Learning and Artificial Intelligence und der Universität Paderborn.
KISSKI (Hannover/Göttingen/Kassel) konzentriert sich auf KI für sensible und kritische Infrastrukturen, insbesondere im Gesundheitswesen und in der Energiewirtschaft.
Das hessian AI Service Center (Darmstadt) konzentriert sich auf die sogenannte dritte Welle der KI, z. B. große generalisierbare Modelle oder datenintensive Anwendungen.
Das KI-Servicezentrum Berlin-Brandenburg (Hasso-Plattner-Institut) widmet sich den Herausforderungen und Chancen der KI in vom Strukturwandel betroffenen Regionen.

Die „Digitale Strategie 2025“ des BMWK zielt darauf ab, die innovative Digitalisierung in Wirtschaft und Gesellschaft voranzutreiben (BMWi, 2016[48]), indem insgesamt 26 regionale „Mittelstand 4.0 Kompetenzzentren“1 eingerichtet werden, (BMWi, 2020[49]), um KMU durch Verbindungen zwischen Unternehmen, Wissenstransfer und digitale Transformation zu unterstützen. Im Jahr 2019 hat die Einführung von „KI-Trainer:innen“ ihre Rolle bei der Aufklärung von KMU über KI gestärkt (BMWK, 2023[50]). Derzeit sind 80 solcher KI-Trainer:innen auf nationaler Ebene tätig und ihre Zahl dürfte sich 2024 noch erhöhen. Die Förderung für diese Zentren endete 2020, das BMWK führte jedoch die Förderung von Mittelstand-Digital Zentren ein, die sich auf Plattformwirtschaft und KI konzentriert. Im Jahr 2023 unterstützen 30 solcher Zentren KMU, mit einer Schwerpunktverlagerung in Richtung der KI im Jahr 2024 (BMWK, 2023[51]). Das zunächst allgemein auf Digitalisierungsunternehmen ausgerichtete Netzwerk der Mittelstand-Digital Zentren hat 2024 sein Hauptaugenmerk auf die KI gerichtet. Dieser Schwerpunkt wird auf der Förderung der Nutzung von KI-Anwendungen in KMU und der Sicherstellung des Zugangs zu hochwertigen Daten und von deren Aufbereitung liegen (Mittelstand-Digital, 2023[52]).

In Zusammenarbeit mit der Deutschen Industrie- und Handelskammer (DIHK) organisieren die Mittelstand-Digital Zentren Veranstaltungen, um Unternehmen bei der Einführung von KI zu unterstützen. Zu diesen Veranstaltungen gehören individuelle Beratungsgespräche und Seminare zu einer Reihe von KI-Themen, wie KI-Nutzung im Büromanagement und KI-basiertes Monitoring von Bürogebäuden (DIHK, 2023[3]).

Die Zukunftszentren sind ein Projekt, das 2019 vom Europäischen Sozialfonds (ESF) und vom BMAS sowie zum Teil von verschiedenen Bundesländern gefördert wurde. Die Zentren sind essenziell für Unternehmen, die Beratung, Vermittlung und Informationen zu Digitalisierung und KI-Anwendungen suchen. Sie unterstützen KMU dabei, mit minimalen Hindernissen Beratung und Schulung zu erhalten. Derzeit sind in Deutschland 12 regionale Zentren aktiv. Das Programm verfügt über einen Finanzierungspool von rund 125 Mio. EUR aus Mitteln des ESF, des Bundes und zusätzlich auch der Länder (BMAS, 2022[53]).

Die KI Lern- und Experimentierräume, die Teil der Initiative Neue Qualität der Arbeit (INQA) sind und vom BMAS finanziert werden, bieten Räume zur Entwicklung von KI-Kompetenzen. Das Programm, das von September 2019 bis September 2024 läuft, gibt KMU die Möglichkeit, KI in einem operativen Kontext zu erkunden. Die Projektergebnisse zeigen auf, wie KI die Arbeitswelt verändern kann und welche Chancen und Vorteile KI für KMU bietet (KOMKI, 2023[54]).

Die Stiftung Mittelstand – Gesellschaft – Verantwortung steht an der Spitze des Projekts en[AI]ble, das den Transfer von der Forschung in die Wirtschaft fördern und die breite und profitable Einführung von KI-Technologie im Mittelstand unterstützen soll (Stiftung Mittelstand-Gesellschaft-Verantwortung, 2023[55]). Es wurde ebenfalls vom BMAS im Rahmen der INQA gefördert und lief von September 2020 bis September 2023. Die Initiative zielte darauf ab, die gemeinsamen Herausforderungen anzugehen, mit denen Unternehmen und insbesondere KMU konfrontiert sind, die mit dem Mangel an Kompetenzen und Ressourcen zu kämpfen haben, die für die Bewertung und Umsetzung von auf ihre spezifischen Bedürfnisse zugeschnittenen KI-Lösungen erforderlich sind. Um diese Lücke zu schließen, hat en[AI]ble ein maßgeschneidertes KI-Qualifizierungsprogramm entwickelt, das speziell auf die Anforderungen des Mittelstands abgestimmt ist. Mit dieser Qualifikation sollen Mitarbeiter:innen, Betriebsräte, Führungskräfte in KMU und Berater:innen in die Lage versetzt werden, KI-Anwendungen effektiv zu bewerten.

Die Fraunhofer-Gesellschaft stellt einen besonderen Aspekt der deutschen Forschungstransferlandschaft dar. Sie konzentriert sich auf wesentliche, zukunftsrelevante Technologien für Ergebnisse in Wirtschaft und Industrie und spielt eine zentrale Rolle im Innovationsprozess. Sie betreibt 76 Institute und Forschungseinrichtungen in Deutschland und verfügt über ein jährliches Forschungsvolumen von 3 Mrd. EUR (Fraunhofer-Gesellschaft, 2023[56]). Drei Fraunhofer-Institute sind für den Transfer von KI-Forschung besonders relevant: i) Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme (IAIS), ii) Fraunhofer-Institut für Produktionstechnik und Automatisierung (IPA) und iii) Fraunhofer-Institut für Arbeitswirtschaft und Organisation (IAO).

Insbesondere das Fraunhofer IPA und IAO bieten in ihrem gemeinsam geführten KI-Fortschrittszentrum Lernende Systeme und Kognitive Robotik drei kostenlose Programme an, um Unternehmen auf dem Weg zur potenziellen Nutzung von KI weiterzubringen. Erstens stellt das Programm „AI Explorer“ Unternehmen, die KI- oder Robotikanwendungen ohne spezifisches Konzept erkunden, Wissen bereit. In Workshops bewerten Fraunhofer-Mitarbeiter die KI- und Robotik-Landschaft des Unternehmens und geben Orientierungshilfe zur praktischen Umsetzung. Zweitens ermöglicht es das Programm „Quick Checks“ Unternehmen, die Machbarkeit einzelner KI- oder Robotikanwendungen zu bewerten. Fraunhofer-Mitarbeiter beurteilen die Durchführbarkeit des Projekts anhand des vorgestellten Anwendungsfalles. Drittens können Fraunhofer-Mitarbeiter im Rahmen des Programms „Exploring Projects“ Konzeptnachweise erarbeiten – eigenständige, voll funktionsfähige Systeme, die nicht in die Kernprozesse des Unternehmens integriert sind. Viertens konzentriert sich das Format „AI Innovation Seed“ auf die Erwägung und Entwicklung innovativer unternehmensübergreifender Lösungen im KI-Bereich. Bisher haben sich rund 250 Unternehmen an den Programmen beteiligt, darunter große Unternehmen und KMU aus dem verarbeitenden Gewerbe. Bei mehr als 30 % dieser Projekte war das Ergebnis eine Einführung einsatzfähiger KI-Systeme durch Unternehmen.

Eine der Hauptaktivitäten des vom BMBF geförderten Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) ist der Transfer von KI-Forschungsergebnissen in kommerzielle Anwendungen. Das Zentrum betreibt öffentlich-private Forschungspartnerschaften mit Software-, Automobil- und Fertigungsunternehmen mit einem jährlichen Projektvolumen von 82,6 Mio. EUR im Jahr 2022 (DFKI, 2023[57]).

Die Plattform Lernende Systeme ist ein Expertennetzwerk zum Thema KI. Ihr Ziel besteht darin, als unabhängige Vermittlerin den interdisziplinären Austausch und gesellschaftlichen Dialog über KI zu fördern. Das 2017 vom BMBF eingerichtete Netzwerk stützt sich auf rund 200 Mitglieder aus Wissenschaft, Wirtschaft und Gesellschaft, um in Arbeitsgruppen Positionen zu Chancen und Herausforderungen zu entwickeln und Handlungsoptionen für den verantwortungsvollen Einsatz von KI zu identifizieren. Ein Beispiel hierfür ist die „KI-Roadmap für KMU“ (Lernende Systeme, 2021[58]), die Anwendungsfälle und praktische Umsetzungspläne für KI in mittelständischen Unternehmen umfasst.

KMU und andere Unternehmen haben häufig keine Kenntnis von den zahlreichen verfügbaren Programmen

Die Plattform bietet auch einen Überblick über die aktuellen Programme und Aktivitäten der Bundesregierung auf dem Gebiet der KI (Lernende Systeme, 2023[59]). Trotz der Existenz der Plattform waren die Befragten der Ansicht, dass die finanzielle und nichtfinanzielle Unterstützung für die Umsetzung von KI-Lösungen in Unternehmen zu vereinzelt und fragmentiert ist. Dies erklärt, warum sie oft nicht wissen, welche Initiativen es gibt, und nicht in der Lage sind, diejenigen zu finden, die ihren Bedürfnissen am besten entsprechen. Die Plattform könnte verbessert werden, indem sie in ein interaktiveres Instrument umgewandelt wird, mit dem Unternehmen ihre KI-Bereitschaft selbst bewerten, ihre spezifischen Bedürfnisse verstehen und die für ihre Bedürfnisse am besten geeignete Unterstützung finden könnten. Auch Wirtschaftsverbände spielen eine Rolle bei der Sensibilisierung für aktuelle Initiativen im Zusammenhang mit KI-Transfers in Unternehmen.

Initiative	Gefördert durch	Jahr der Einführung/Etablierung	Jahr des Endes	Wichtigste Ziele
Zuschüsse für KI für KMU	BMBF	2020	Laufend	Kofinanzierung innovativer Projekte unter Leitung und Koordinierung von KMU in Zusammenarbeit mit Einrichtungen wie Hochschulen und Start-ups
Vier KI-Servicezentren: i) WestAI, ii) KISSKI, iii) hessian AI Service Center, iv) KI-Servicezentrum Berlin Brandenburg	BMBF	2022	Laufend	Verbesserung des Zugangs zu Recheninfrastruktur, Bereitstellung von KI-Expertise und Förderung des breiten Transfers von KI durch einen Katalog von Dienstleistungen
Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)	BMBF	1988	Laufend	Förderung von Transferforschung in Geschäftsanwendungen durch öffentlich-private Forschungspartnerschaften mit Software-, Automobil- und Fertigungsunternehmen
KI-Trainer:innen	BMWK	2019	Laufend	Stärkung der Mittelstand 4.0 Kompetenzzentren und Mittelstand-Digital Zentren, um KMU dabei zu unterstützen, Herausforderungen und Chancen von KI zu verstehen
Mittelstand-Digital Zentren	BMWK	2020	Laufend	Derzeit 30 Zentren, die KMU über Innovationstreiber informieren und ihren Fokus 2024 auf KI verlagern
Räume auf Unternehmensebene zum Lernen und Experimentieren mit KI	BMAS	2019	2023	Berät KMU, wie KI die Arbeitswelt verändern und welche Chancen und Vorteile KI für KMU bieten kann
Zukunftszentren	BMAS	2019	Bis 2026	Derzeit 12 regionale Zentren, die Unternehmen Beratung, Vermittlung, Training und Informationen zur Digitalisierung und Einführung von KI-Anwendungen bieten
en[AI]ble	BMAS	2020	2023	Förderung der breiten und rentablen Einführung von KI-Technologie in KMU durch individuelle KI-Qualifizierung
Fraunhofer Institut für Produktionstechnik und Automatisierung IPA	Industrie- und Dienstleistungsunternehmen, Bundes- und Länderregierungen	1959	Laufend	Unterstützung von Unternehmen mit Beratungs-, Finanzierungs- und Umsetzungsleistungen wie Machbarkeitsstudien, Schnellprüfungen und Workshops sowie der Entwicklung komplexer technischer Produktionsmodule auf Basis maschinellen Lernens
Fraunhofer Institut für Arbeitswirtschaft und Organisation IAO	Industrie- und Dienstleistungsunternehmen, Bundes- und Länderregierungen	1981	Laufend	Zusammenarbeit mit Unternehmen, um KI-basierte Systeme zu entwickeln, die nach ethischen Grundsätzen arbeiten und die neuesten Ergebnisse aus der KI-Forschung umsetzen, um Mitarbeiter:innen von komplexen Prozessen zu entlasten und neue Arten von Serviceangeboten für Kunden zu schaffen
Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS	Industrie- und Dienstleistungsunternehmen, Bundes- und Länderregierungen	2006	Laufend	Unterstützung von Unternehmen bei der Optimierung von Produkten, Dienstleistungen und Prozessen sowie bei der Entwicklung neuer digitaler Geschäftsmodelle in den Bereichen KI, maschinelles Lernen und Big Data
KI-Innovationszentrum Lernsystem und Robotik	Fraunhofer IPA und IAO	2019	Laufend	Unterstützung von Unternehmen bei der Erkundung potenzieller KI-Nutzung in ihren Unternehmen durch drei verschiedene Programme

KI-Start-ups

KI-Start-ups sind in Deutschland stark in der wissenschaftlichen Forschung verwurzelt und sind vorwiegend in den Bereichen Software und IT tätig. Sie stehen Herausforderungen bei der Finanzierung gegenüber und stützen sich mehr auf Cashflow und öffentliche Zuschüsse als auf Wagniskapital, das weniger verfügbar ist als in den Ländern, die auf dem Gebiet der KI führend sind. Programme der Bundesregierung wie EXIST unterstützen das Wachstum in der Frühphase und fördern Innovation und Unternehmertum.

KI-Start-ups sind Innovationsführer in Deutschland, und viele von ihnen wurden aus der wissenschaftlichen Forschung ausgegründet

Eine Möglichkeit der Markteinführung von KI-Forschung sind innovative Start-ups, die ein Konzept zu einer Lösung weiterentwickeln, die einen ungedeckten Bedarf deckt. Die Zahl der aktiv tätigen KI-Start-ups in Deutschland ist in den vergangenen 15 Jahren deutlich von rund 1.200 im Jahr 2007 auf rund 3.000 im Jahr 2021 gestiegen, wobei für 2022 und 2023 ein leichter Rückgang erwartet wird (Abbildung 4.6). Dieser Rückgang ist teilweise auf mehrere Faktoren zurückzuführen. Einige Start-ups haben ihre Aktivität während der wirtschaftlich schwierigen COVID-19-Pandemie und der Konjunkturflaute 2022 eingestellt. Positiv zu vermerken ist, dass einige starke Start-ups die 12-Jahres-Marke erreicht haben und nicht mehr als KI-Start-ups gelten. Das Interesse an der Gründung von KI-bezogenen Unternehmen stieg 2023 wieder an, insbesondere angesichts der raschen Einführung neuer KI-Anwendungen, die auf der Analyse riesiger Datenmengen basieren, wie ChatGPT (Rammer, 2023[60]).

Deutsche KI-Start-ups sind überwiegend (57 %) im Bereich Softwareprogrammierung und IT‑Dienstleistungen tätig. Dazu gehören Datenbank- und Datenanalysedienste, Hosting, Cloud-Computing-Dienste, Installation und Wartung von IT-Infrastruktur, Hardware-Design und Software-Architektur. 19 % entfallen auf Beratungsdienste (Wirtschafts-, Steuer-, Rechts-, Finanzberatung, Werbung), die restlichen KI-Start-ups verteilen sich auf verschiedene Sektoren (Rammer, 2023[60]).

Junge und kleine Unternehmen sind führend bei KI-Innovationen. In einer aktuellen Studie zu KI‑Nutzer:innen mit Online-Präsenz bezeichneten sich 40 % der deutschen KI-Unternehmen als Mikro-Start-ups, die nach 2015 gegründet wurden und 10 oder weniger Mitarbeiter:innen beschäftigen. Fast die Hälfte der KI-Unternehmen in Kanada wies ähnliche Merkmale auf, aber nur 28 % im Vereinigten Königreich und 27 % in den Vereinigten Staaten. Ältere und größere Unternehmen stellten dagegen 2,3 % der KI-Unternehmen in Deutschland dar (Dernis et al., 2023[61]).

KI-Start-ups und die Wissenschaftsgemeinde in Deutschland stehen in einem soliden, interdependenten Verhältnis. Das zeigt sich an der Entstehung seiner KI-Start-ups: 41,5 % der KI-bezogenen Start-ups gehen aus der akademischen Forschung hervor, während nur 2,4 % aller Start-ups aus wissenschaftlichen Einrichtungen stammen (KI Bundesverband, 2023[62]). Dies unterstreicht die starke und interdependente Beziehung zwischen KI-Start-ups und der Wissenschaftsgemeinde. Die Befragten betonten jedoch, dass Transferabteilungen an Hochschulen häufig unterbesetzt sind und Veröffentlichungen nach wie vor die wichtigsten Leistungsindikatoren (KPIs) für Hochschulen darstellen, was für einzelne Forscher:innen zu einem begrenzten Anreiz für die Beteiligung an Wissenstransferaktivitäten oder Transfer von Forschungsergebnissen an die Industrie führt. Tatsächlich besteht in Deutschland ein ungenutztes Potenzial für eine deutliche Erweiterung seiner Transferstrukturen innerhalb der Hochschulen.

Abbildung 4.6. . Die Zahl der KI-Start-ups in Deutschland ist in den vergangenen zehn Jahren gestiegen

Anzahl der wirtschaftlich aktiven KI-Start-ups in Deutschland

Die finanzielle Förderung für Wachstumsphasen ist begrenzt

Die Fähigkeit von Start-ups, dynamisch zu bleiben und im Markt zu wachsen, hängt erheblich von der Verfügbarkeit von Risikokapital ab. In Deutschland waren die Wagniskapital-Investitionen in KI-Start-ups 2018 besonders gering (758 Mio. USD), sind aber seither auf 3,7 Mrd. USD im Jahr 2022 gestiegen (Abbildung 4.7). Dies folgt dem weltweiten Trend, verstärkt in KI-Start-ups und insbesondere in Generative KI zu investieren. Weltweit stieg der jährliche Wert der Wagniskapital-Investitionen in KI-Start-ups zwischen 2015 und 2022 um über 300 % (über 31 Mrd. USD auf fast 125 Mrd. USD) (OECD.AI, 2023[63]). Der größte Anstieg erfolgte zwischen 2020 und 2021, als solche Investitionen um mehr als 130 % (von etwa 92 Mrd. USD auf 215 Mrd. USD) in die Höhe schossen, wobei der überwiegende Teil an KI Unternehmen in den Vereinigten Staaten und China floss.

Abbildung 4.7. Die Wagniskapital-Investitionen in deutsche KI-Start-ups sind gestiegen

Summe der Wagniskapital-Investitionen in KI in Deutschland

Wagniskapital-Investitionen in Deutschland unterstützen vor allem Start-ups, die KI-Lösungen für Geschäftsprozesse und unterstützende Dienstleistungen entwickeln, wie beispielsweise Celonis, eine KI‑basierte Datenverarbeitungsplattform, das InsureTech-Unternehmen Wefox sowie Forto Logistics, eine digitale Speditions- und Versandmanagementplattform. Mehrere vielversprechende Start-ups für Nachhaltigkeit, die Wagniskapital-Investitionen erhalten, wie Enpal und Twaice, haben KI in den Mittelpunkt gestellt (siehe Kapitel 8). In Deutschland sind auch sehr erfolgreiche durch Wagniskapital finanzierte Start-ups im Bereich der großen Sprachmodelle (Aleph Alpha) und der Sprachübersetzung (DeepL) entstanden.

Allerdings ist die Verfügbarkeit von Wagniskapital-Finanzierung in Deutschland immer noch deutlich geringer im Vergleich zu den in KI-Start-ups in den USA und China investierten Beträgen, wo die Wagniskapital-Investitionen 14-mal bzw. fünfmal höher sind. Wagniskapital-Finanzierung ist auch in geringem Umfang verfügbar als im Vereinigten Königreich, in Israel und Indien. Die meisten Wagniskapitalgeber, die KI-Start-ups in Deutschland finanzieren, sind ausländische Investoren. Dies verdeutlicht die Risikoaversion deutscher Investoren (Abbildung 4.8).

Abbildung 4.8. Die Verfügbarkeit von Wagniskapital-Finanzierung in Deutschland ist geringer als in den führenden Ländern

Summe der Wagniskapital-Investitionen in KI nach Ländern

Das Risikokapitalangebot in Deutschland ist zwar begrenzt, doch könnten es auch nachfrageseitige Faktoren geben, die erklären, warum sich KI-Start-ups weniger auf diese Finanzierungsquelle stützen. Rund die Hälfte der KI-Start-ups entscheidet sich bewusst gegen eine Wagniskapital-Finanzierung (Rammer, 2023[60]), und zwar vor allem, weil sie die vollständige Kontrolle über strategische Geschäftsentscheidungen behalten wollen und aus alternativen Quellen ausreichende Finanzmittel erhalten haben. Im Gegensatz zu anderen externen Investoren können Wagniskapitalgeber ein ureigenes Interesse daran haben, Einfluss auf die strategische Ausrichtung auszuüben, die Faktoren wie das Tempo der Expansion oder die zu erschließenden Märkte beinhaltet. Damit ist die primäre Finanzierungsquelle für KI-Start-ups in Deutschland der Cashflow, also die Einnahmen aus dem laufenden Betrieb (Abbildung 4.9). Im Vergleich zu allen Start-ups in Deutschland stützen sich KI-Start-ups, einschließlich solcher, die in weniger zukunftsweisenden Sektoren tätig sind, verstärkt auf Kapitaleinlagen von Eigentümern und öffentliche Fördermittel, wobei Wagniskapital an dritter Stelle steht. Die traditionelle Bankenfinanzierung ist weniger verbreitet. Angesichts der erheblichen technologischen und marktbedingten Unsicherheiten im Zusammenhang mit bahnbrechenden technologischen Fortschritten erweisen sich herkömmliche Bankkredite als weniger geeignet. Im Gegensatz dazu ist die Finanzierung durch öffentliche Zuschüsse und Wagniskapital für die Unterstützung dieser risikoreichen Investitionen umso geeigneter (Rammer, 2023[60]).

Diese Ergebnisse unterstreichen die Bedeutung unterschiedlicher Finanzierungskanäle für KI-Start-ups in Deutschland. Auch wenn sich etwa die Hälfte der deutschen KI-Start-ups gegen eine Wagniskapital-Finanzierung entscheidet, um die vollständige Kontrolle über ihre Geschäftsentscheidungen zu behalten, ist dieser Finanzierungsweg bedeutend. Im Vergleich zu anderen Ländern könnte die vergleichsweise begrenzte Verfügbarkeit von Wagniskapital-Finanzmitteln in Deutschland KI-Start-ups, die mit finanziellen Engpässen konfrontiert sind, veranlassen, diese Finanzierungsoption in Betracht zu ziehen oder sich andernorts niederzulassen. Mit ihren beträchtlichen Wagniskapital-Investitionen bieten sich insbesondere die Vereinigten Staaten als attraktiver Zielort für einen derartigen Schritt an (Rammer, 2021[35]). Angesichts der zentralen Rolle der öffentlichen Förderung für deutsche KI-Start-ups (Abbildung 4.9) ist es unerlässlich, dass Deutschland finanzielle Förderprogramme aufrechterhält.

In der Pre-Seed- und Seed-Finanzierungsphase unterstützt Deutschland KI-Start-ups vor allem durch das EXIST-Gründungsstipendium, ein durch das BMWK und den Europäischen Sozialfonds (ESF) kofinanziertes Programm. EXIST fördert eine Unternehmenskultur in akademischen Institutionen, fördert innovationsgetriebene Spin-offs und hilft Hochschulabsolvent:innen, Wissenschaftler:innen und Studierenden, technologiegetriebene, wissensbasierte Start-ups zu gründen. Im Rahmen der nationalen KI-Strategie hat Deutschland im aktuellen EXIST-Förderprogramm für Wissenschafts-Start-ups mit mehreren Einzelmaßnahmen einen neuen KI-Schwerpunkt etabliert.

Vier herausragende deutsche KI-Regionen (Berlin, München, Darmstadt und Hamburg) haben Modellprojekte initiiert, die durch die EXIST-Programme gefördert werden. Das primäre Ziel dieser EXIST-KI-Modellprojekte ist es, KI-Start-up-Konzepte in der Frühphase zu ermitteln und ihnen die notwendigen Ressourcen für die Skalierung zur Verfügung zu stellen. Diese Projekte konzentrieren sich auch auf Networking innerhalb des Start-up-Ökosystems, den Aufbau von Verbindungen zwischen Hochschulen, Start-up-Teams und Unternehmen und die Priorisierung von Skalierung und Internationalisierung. Ein neues Pilotprojekt ist das Künstliche Intelligenz Entrepreneurship Zentrum (K.I.E.Z.) des Berliner Forschungsverbundes „Science & Startups“. Das K.I.E.Z. bietet maßgeschneiderte Möglichkeiten für schnelles und nachhaltiges Wachstum für KI-Start-ups innerhalb eines prominenten europäischen und globalen Ökosystems. Sein Hauptziel ist es, den Erfolg wissenschaftsbasierter KI-Start-ups zu fördern und den Technologietransfer voranzutreiben.

UnternehmerTUM ist das Zentrum für Innovation und Gründung an der Technischen Universität München. Es bietet eine breite Palette von Programmen und Ressourcen zur Unterstützung von Unternehmern, Start-ups und Innovationsprojekten. Dazu gehören Inkubatoren, Accelerator-Programme, Beratungsleistungen sowie der Zugang zu Netzwerken und Ressourcen zur Förderung von Innovation und Unternehmertum im Raum München. Es spielt eine bedeutende Rolle in der bayerischen Start-up-Szene, wo es zur Förderung von Technologie, Innovation und Unternehmertum beiträgt (UnternehmerTUM, 2023[65]).

EXIST gilt als erfolgreiches Programm, aber das Antragsverfahren wird als langwierig, unflexibel und zu stark zentralisiert angesehen. Das Programm bietet zwei Antragsrunden pro Jahr an (im Januar und Juli). Die Befragten plädierten für einen stärker dezentralisierten Ansatz, der sich bei der Prüfung und Bewertung der Vorschläge auf Hochschulen stützen sollte. Auch EXIST ist auf die frühen Stadien des Wachstums von Start-ups beschränkt.

Wie in anderen Ländern gibt es die größten Lücken bei der finanziellen Förderung in späteren Wachstumsphasen – dem sogenannten „Tal des Todes“. Dies ist auf die begrenzte Entwicklung des Risikokapitalmarkts in Deutschland zurückzuführen. Darüber hinaus hoben die Befragten hervor, dass die Vorschriften für die öffentliche Auftragsvergabe für Start-ups nicht hilfreich sind, was dazu führt, dass sie weniger innovativen KI-Lösungen für den öffentlichen Sektor anbieten und keinen Zugang zu einem Markt haben, der ihr Wachstum unterstützen könnte.

Abbildung 4.9. Deutsche KI-Start-ups stützen sich eher auf Cashflows und Kapitaleinlagen von Eigentümer:innen als auf Wagniskapital

Bedeutung verschiedener Finanzierungsquellen für die Finanzierung von KI-Start-ups, Anteil an allen KI-Start-ups in %, 2023

Innovative Start-ups bieten zwar bereits Lösungen für den öffentlichen Sektor an (siehe Kapitel 8), aber es gibt noch ungenutztes Potenzial, wie auch in der Start-up-Strategie 2022 anerkannt wird (BMWK, 2022[66]). In der Strategie wird hervorgehoben, dass sowohl öffentliche Beschaffer stärker für die im Vergaberecht bestehenden Möglichkeiten innovativer Auftragsvergabe sensibilisiert als auch Start-ups ermutigt werden müssen, diese Möglichkeiten besser zu nutzen.

Deutschland hat die strategische Bedeutung der Innovationsbeschaffung in den nationalen politischen Rahmenbedingungen für die öffentliche Beschaffung, Innovation und Forschung und Entwicklung erkannt (PwC, 2020[67]). Im Jahr 2009 hat Deutschland eine Gesetzesänderung in den Rahmenbedingungen für Beschaffung umgesetzt, um es Regierungsstellen zu ermöglichen, innovative Aspekte der beschafften Produkte als Auswahlkriterien in Ausschreibungen anzugeben. Innovationsfördernde Instrumente sind jedoch in öffentlichen Beschaffungsstellen nur teilweise bekannt, und oft erschwert mangelnde Marktkenntnis die Vorbereitung von Ausschreibungen. Darüber hinaus sind die Anforderungen an die Eignung häufig hoch, was Umsatz, Referenzen, Anzahl der Mitarbeiter:innen und andere Kriterien betrifft (BMWK, 2023[68]). Das Kompetenzzentrum für innovative Beschaffung (KOINNO) ist der wichtigste Akteur auf nationaler Ebene, der die Umsetzung der Innovationspolitik im Beschaffungswesen unterstützt. KOINNO bietet öffentlichen Einrichtungen Werkzeuge und spezielle Beratungsleistungen für innovatives Management und innovative Produkte an. Während die Erstellung von Leitlinien für öffentliche Einrichtungen ein positiver Schritt zur Steigerung der öffentlichen Beschaffung KI-getriebener Innovationen ist, könnte es Potenzial für weitere Analysen der Faktoren, die Start-ups daran hindern, weiter an öffentlichen Ausschreibungen teilzunehmen, sowie für die Erkundung von Möglichkeiten zur Überarbeitung einiger Anforderungen geben.

Deutschland könnte eine Reihe von Kanälen wirksam nutzen, um die Verfügbarkeit von Wagniskapital im Land zu erhöhen, wie es im OECD-Bericht zur Innovationspolitik in Deutschland 2022 empfohlen wird (Kasten 4.3). Darüber hinaus könnte die Bundesregierung nach dem Vorbild des Deep-Tech-Plans in Frankreich einen eigenen Fonds zur Unterstützung wissenschaftsbasierter Start-ups einrichten, um den Bedürfnissen von Start-ups im KI-Bereich gerecht zu werden. Der Deep-Tech-Plan wurde 2019 mit einem Budget von 3 Mrd. EUR für den Zeitraum 2019 bis 2025 gestartet und von der französischen öffentlichen Investitionsbank (Banque publique d’Investissement, BPI) überwacht. Er fördert die Gründung und das Wachstum von Start-ups im Deep-Tech-Bereich sowie die regionalen und sektoralen Innovationsökosysteme. Bis 2022 ermöglichte der Plan die Gründung von 870 Deep-Tech-Start-ups mit einer Gesamtförderung von 2 Mrd. EUR. Im Jahr 2022 wurden die Mittel für den Deep-Tech-Plan durch das Programm France 2030 um 500 Mio. EUR erhöht. Weitere 100 Mio. EUR, die Deep Tech gewidmet sind, werden Start-ups in verschiedenen Entwicklungsphasen Eigenkapitalhilfe leisten (Bpifrance, 2023[69]; Ministre de l'Économie, des Finances et de la Souveraineté industrielle et numérique, 2023[70]).

Kasten 4.3. Wie können Finanzmärkte gefördert werden, die der Skalierung bahnbrechender Innovationen förderlich sind?

Empfehlungen aus dem OECD-Bericht zur Innovationspolitik 2022

Überarbeitung des Rechtsrahmens für deutsche Kapitalsammelstellen, um Investitionen in riskante Innovationen zu fördern. Die Bundesregierung sollte die Anforderung in Betracht ziehen, dass institutionelle Fonds einen bestimmten Prozentsatz in Wagniskapital- oder Private-Equity-Fonds für innovative Unternehmen investieren. So stellen etwa deutsche Pensionsfonds, Versicherungsunternehmen und öffentliche Finanzinstitutionen nur sehr wenig Risikokapital zur Verfügung, obwohl sie zu den wenigen Quellen gehören, die das für die Skalierung der vielversprechendsten Innovationen notwendige Finanzierungskapital bereitstellen könnten (einschließlich Investitionen in private Unternehmen durch Wagniskapitalfonds und Investitionen in börsennotierte Unternehmen). Ein anderer Ansatz könnte darin bestehen, Mitarbeiterbeteiligungsprogramme zu erleichtern.
Ausweitung von Steueranreizen, insbesondere jenen, die es privaten Investoren ermöglichen, Kapitalverluste mit sonstigen Erträgen zu verrechnen oder zukünftige Gewinne von der Steuer zu befreien, wenn sie der Anlagekategorie Wagniskapital entstammen. Solche Anreize sollten sowohl für das Wagniskapitalsegment (vorbörsliche Emissionen) als auch für Investitionen über den Aktienmarkt (Entwicklungs- und Wachstumsfinanzierung) gelten. Das Vereinigte Königreich und Frankreich beispielsweise bieten jeweils sechs unterschiedliche Steueranreize, um die Versorgung der Wagniskapitalmärkte mit privatem Kapital zu verbessern.
Die Bundesregierung sollte die Entwicklung von Finanzinstrumenten auf EU-Ebene fördern, die zur Skalierung innovativer Unternehmen beitragen und deren Abwanderung verhindern. Das zur Skalierung einiger der Unternehmen mit größtem Potenzial notwendige Finanzierungsvolumen steht häufig weder innerhalb Deutschlands noch innerhalb der Europäischen Union zur Verfügung, was zur Folge hat, dass Unternehmen regelmäßig in Länder abwandern, in denen Finanzmittel leichter verfügbar sind, wie etwa die Vereinigten Staaten oder das Vereinigte Königreich. Die Bundesregierung sollte darauf hinwirken, auf EU‑Ebene die Entwicklung von außerbörslichem Beteiligungskapital für Investitionen in noch nicht öffentlich verfügbare Technologien und digitale Innovationsträger zu etablieren. Die Bundesagentur für Sprunginnovationen (SPRIND) könnte eine stärkere Rolle bei der Entwicklung des inländischen Wagniskapitalmarkts für stärker risikobehaftete Investitionen einnehmen.

Quelle: OECD (2022[71]), OECD Reviews of Innovation Policy: Germany 2022: Building Agility for Successful Transitions, https://doi.org/10.1787/50b32331-en.

Empfehlungen für den KI-Transfer zu KMU und Start-ups

Verbesserung der Visibilität staatlicher Programme zur Förderung der KI-Anwendung durch KMU

Deutschland setzt viele Programme zur Entwicklung und Integration von KI in die Wirtschaft um. Die zu unterstützenden Begünstigten kennen die Programme jedoch möglicherweise nicht oder finden es schwierig, die Möglichkeiten zu nutzen. Um ihre Bekanntheit und Benutzerfreundlichkeit zu erhöhen, könnte die Plattform Lernende Systeme, die staatliche Angebote zentralisiert, verbessert werden, um eine interaktivere Erfahrung zu bieten. So könnte sie beispielsweise ein Selbstbewertungsinstrument für Unternehmen enthalten, um ihre KI-Bereitschaft zu beurteilen, ihre Bedürfnisse zu definieren und zu der geeignetsten Unterstützungsinitiative geführt zu werden. Die Plattform könnte auch einen offenen und durchsuchbaren Katalog mit Erfolgsgeschichten, Anwendungen und Anwendungsfällen im Bereich der KI mit Informationen über die wirtschaftlichen Auswirkungen von KI führen, um Unternehmen dabei behilflich zu sein, zu verstehen, was sie erreichen können.

Erarbeitung von regulatorischen Leitlinien zur Förderung der KI-Umsetzung

Um das Vertrauen von KMU in die Einführung von KI zu erhöhen, sollten Datenschutzbehörden klare regulatorische Leitlinien und Ratschläge zu Technologien für die ethische und verantwortungsvolle Nutzung von Daten bereitstellen. In dieser Hinsicht sollte ihr Mandat die Unterstützung innovativer Akteur:innen bei der Einhaltung der DSGVO umfassen. Außerdem sollten regulatorische Leitlinien auch in Bezug auf Bestimmungen für Daten, die als Geschäftsgeheimnisse eingestuft werden, bereitgestellt werden. Die Bundesregierung sollte in Zusammenarbeit mit Wirtschaftsverbänden auch Programme einführen, die Orientierungshilfe zur Umsetzung der KI-Verordnung der EU geben.

Verbesserung der Verfügbarkeit offener Verwaltungsdaten, Unterstützung der Unternehmen bei der Verbesserung ihrer Datenreife und Förderung von Initiativen zum Datenaustausch, um KMU den Zugang zu hochwertigen Daten zu erleichtern

Die Verfügbarkeit von und der Zugang zu offenen und industriellen Daten haben sich als Engpässe für die KI-Entwicklung erwiesen. Die Bundesregierung könnte Gesetze einführen und durchsetzen, die Regierungsbehörden auf allen Ebenen verpflichten, nicht sensible Daten in offenen Formaten zu veröffentlichen. Dies würde ein breites Spektrum an Informationen für das Trainieren von KI-Modellen zu deutschen Inhalten verfügbar machen. Programme zur Förderung von KMU bei Transferaktivitäten könnten ihren Schwerpunkt auf die Verbesserung der Datenreife in Unternehmen legen. Die Förderung könnte durch eine Zusammenarbeit mit Forschungseinrichtungen oder staatlichen Stellen flankiert werden, um KMU beim Austausch von Daten aus sektoralen Datenräumen, beim Zugriff auf solche Daten sowie bei ihrer Nutzung zu unterstützen. Die Festlegung von Datenqualitätsstandards könnte KMU dabei helfen, sicherzustellen, dass gemeinsam genutzte Daten zuverlässig und zutreffend sind und den Rechtsvorschriften entsprechen.

Überarbeitung von Steueranreizen, Stärkung von Forschungs- und Entwicklungszuschüssen und Einführung von Gutschriften zur Unterstützung der KI-Einführung durch KMU

Deutschland setzt Programme zur Förderung der Entwicklung und Integration von KI in Unternehmen um. Diese Initiativen, insbesondere diejenigen, die Zuschüsse für Forschung und Entwicklung auf dem Gebiet der KI bereitstellen, stehen einer hohen Nachfrage gegenüber und können dem Bedarf vieler KMU nicht gerecht werden. Es besteht die Möglichkeit, zusätzliche Mittel bereitzustellen, um KMU, die in Zusammenarbeit mit Forschungspartner:innen oder Start-ups an der Forschung, Entwicklung und Umsetzung von KI beteiligt sind, stärker zu unterstützen. Finanzielle Förderung könnte im Rahmen der Steuerpolitik geleistet werden. Deutschland könnte eine Überarbeitung bestehender Steueranreize in Betracht ziehen, die speziell auf Unternehmen zugeschnitten sind, die in KI-Technologien investieren. Dazu könnten Steuervorteile für KI-Forschungsausgaben, Schulungen zur Verbesserung von KI und datenbezogenen Fertigkeiten oder Investitionen zur Verbesserung der Datenreife gehören. Angesichts des Potenzials generativer KI, die Produktivität zu erhöhen, könnte die Bundesregierung darüber hinaus die Einführung von Gutschriften in geringen Beträgen (z. B. 5.000-10.000 EUR) in Betracht ziehen, um die Zusammenarbeit von KMU mit Berater:innen zu unterstützen, um generative KI-Lösungen auf ihre Unternehmen zuschneiden zu können.

Verbesserung des Zugangs zu Finanzmitteln für KI-Start-ups

Während öffentliche Unterstützung für neue und kleine Unternehmen in Pre-Seed- und Seed-Runden verfügbar und effektiv ist, stehen KI-Start-ups vor Herausforderungen beim Zugang zu Kapital für ihre Expansion. Die Verfügbarkeit von Wagniskapital könnte durch eine Überarbeitung des Rechtsrahmens für Kapitalsammelinstitute erhöht werden. So könnte z. B. gefordert werden, dass institutionelle Fonds wie Pensionsfonds und Versicherungsgesellschaften einen bestimmten Prozentsatz in Wagniskapital oder Private-Equity-Fonds für innovative Unternehmen investieren. Um die Unternehmensfinanzierung zu mobilisieren, könnte die Bundesregierung Steueranreize einführen und ausweiten, die es privaten Investoren bei Investitionen in der Anlagekategorie Wagniskapital ermöglichen, Kapitalverluste mit sonstigen Erträgen zu verrechnen, oder Steuerbefreiungen für zukünftige Gewinne gewähren. Darüber hinaus könnte die öffentliche Unterstützung durch die Einrichtung eines gezielten Finanzierungsprogramms zur Förderung von KI-Start-ups in ihrer Wachstumsphase verstärkt werden. Ein derartiges Programm sollte wissenschaftsgestützten Projekten Vorrang einräumen, die Potenzial für bedeutende technologische Fortschritte und wirtschaftliche Vorteile aufweisen.

Überarbeitung und Vereinfachung der Beschaffungsverfahren, um sicherzustellen, dass Start-ups und etablierte Unternehmen die gleichen Chancen haben

Durch den Zugang zu öffentlichen Aufträgen könnten Start-ups im Bereich der KI einen Markt für ihre Produkte und Dienstleistungen erhalten. Die Vergabestellen setzen jedoch nur teilweise innovationsfördernde Instrumente ein und ihre Anforderungen sind häufig hoch, was Umsatz, Referenzen, Anzahl der Beschäftigten und andere Kriterien betrifft. Die Bundesregierung sollte Leitlinien vorgeben, die sicherstellen, dass Start-ups – insbesondere solche mit wissenschaftsbasierten Innovationen – neben etablierten Unternehmen gleichen Zugang zu Chancen aus öffentlicher Beschaffung haben. Darüber hinaus sollte die Bundesregierung analysieren, welche Faktoren Start-ups von der Teilnahme an öffentlichen Ausschreibungen abhalten, und Möglichkeiten erkunden, einige Anforderungen zu überarbeiten.

KI-Infrastruktur

Als zentraler Akteur in der KI-Forschung und -Entwicklung baut Deutschland seine KI-Fähigkeiten aus, indem es in die KI-Recheninfrastruktur mit spezialisierten Hardware- und Software-Stacks investiert. Die strategischen Investitionen des Landes in die Modernisierung der Recheninfrastruktur und die Teilnahme am Gaia-X-Projekt spiegeln sein Engagement für die Verbesserung von KI-Anwendungen und Datenaustausch wider.

Deutschlands nationale KI-Strategie ist auf die Stärkung der Recheninfrastruktur, insbesondere für Forschung und Wissenschaft, und die Förderung des Datenzugangs ausgerichtet

Neben Daten und Algorithmen ist die KI-Recheninfrastruktur ein wesentlicher Bestandteil der KI‑Entwicklung. Es wird erwartet, dass sie die Fähigkeiten der KI mit der Zeit vorantreiben und verbessern wird. Sie unterscheidet sich von anderen KI-Inputs wie Daten oder Algorithmen, da sie auf „Stacks“ oder Schichten physischer Infrastruktur und Hardware sowie KI-spezifischer Software basiert (OECD, 2023[72]). Fortschritte bei der KI-Recheninfrastruktur haben den Übergang von Allzweckprozessoren wie Hauptprozessoren (CPUs) zu spezialisierter Hardware ermöglicht, die weniger Energie für mehr Berechnungen pro Zeiteinheit benötigt. Fortschrittliche KI wird heute überwiegend auf spezialisierter Hardware trainiert, die für bestimmte Arten von Operationen optimiert ist, wie z. B. Grafikprozessoren (GPUs), Tensor-Prozessoren (TPUs) und andere. Fortschrittliche KI-Forschung wird rechenintensiver und teurer und viele Länder verfügen nicht über die KI-Rechenkapazität, um ihre nationalen KI-Strategien umzusetzen. Die Nachfrage nach KI-Rechenleistung ist drastisch gestiegen, insbesondere für neuronale Deep-Learning-Netzwerke. Die Sicherung spezieller Hardware, die speziell für KI entwickelt wurde, kann aufgrund komplexer Lieferketten eine Herausforderung darstellen, wie Engpässe in der Halbleiterindustrie zeigen (Khan, Mann and Peterson, 2021[73]).

Die deutsche KI-Strategie 2018 und die Fortschreibung 2020 beinhalten erhebliche Investitionen in die KI-Recheninfrastruktur. Konkret werden im Rahmen der Strategien erhebliche Investitionen in die Entwicklung einer fortschrittlichen KI-Infrastruktur zur Unterstützung nationaler Anwendungen in den Bereichen Wissenschaft, Forschung und Entwicklung und Lehre sowie zur Erleichterung des Datenaustauschs und der Datennutzung getätigt. Die Fortschreibung 2020 der Strategie schlägt einen KI‑Ansatz „Made in Europe“ vor und skizziert verschiedene Initiativen, darunter die Modernisierung der bestehenden Supercomputing-Infrastruktur und die Erhöhung der Rechenkapazität durch neue Initiativen. Im Rahmen der Strategie werden 512 Mio. EUR für die Entwicklung der Dateninfrastruktur und die Förderung des Gaia-X-Projekts bereitgestellt. Ziel dieser Investitionen ist es, mehr Daten aus bisher unzugänglichen Datenpools bereitzustellen, die deutschen KI-Kompetenzzentren zu stärken und sie mit regionalen KI-Anwendungszentren zu koordinieren (Die Bundesregierung, 2020[1]).

Laut der German Datacenter Association, dem Branchenverband der Betreiber und Eigentümer von Rechenzentren in Deutschland, steigt die Nachfrage nach Infrastruktur und Dienstleistungen im KI-Bereich in Deutschland, wobei viele KI-Anwendungen eine Infrastruktur mit hohen Sicherheits- und Datenschutzanforderungen erfordern. Entsprechend stellt der Branchenverband in seinem German Datacenter Outlook 2023-2024 fest, dass viele Unternehmen planen, in den kommenden Jahren entsprechende Kapazitäten in Deutschland einzurichten (GDA, 2023[74]).

Deutschlands strategischer Ansatz bei der KI-Recheninfrastruktur konzentriert sich auf den Aufbau einer modernen Infrastruktur zur Förderung der Forschungsexzellenz. Das Engagement für die Modernisierung der bestehenden deutschen KI-Infrastruktur umfasst den beschleunigten Ausbau des Gauss Centre for Supercomputing auf Exascale-Kapazität sowie Investitionen in Hochleistungsrechenkapazitäten gemeinsam mit den betreffenden Bundesländern, um Anwendungen in den Bereichen Wissenschaft, Forschung und Lehre zu fördern. Die nationale Rechenkapazität Deutschlands für KI wird zudem durch ein umfangreiches bundesweites Netzwerk von Hochschulen und Forschungseinrichtungen gestärkt, die in Recheninfrastruktur für ihre Studierenden und Forschenden investiert haben. Der strategische Ansatz Deutschlands umfasst auch Cloud-Initiativen, nämlich die Verpflichtung zum Aufbau einer leistungsfähigen und sicheren föderierte Dateninfrastruktur zur Unterstützung der interoperablen gemeinsamen Datennutzung im Rahmen des Projekts Gaia-X (Die Bundesregierung, 2020[1]).

Deutschland verfügt über eine weltweit erstklassige Recheninfrastruktur für Forschung und Wissenschaft

Deutschland hat eine führende Position in der Recheninfrastruktur für Forschung und Wissenschaft inne, die sich auf das Gauss Centre for Supercomputing (Kasten 4.3) und auf die in Forschungseinrichtungen und Hochschulen integrierte Infrastruktur stützt. Obwohl diese Infrastruktur nicht ausschließlich KI‑spezifisch ist, sind viele ihrer fortschrittlichen Fähigkeiten auf KI-Anwendungen übertragbar. Das Gauss Centre vereint die drei größten nationalen Supercomputing-Zentren Deutschlands zu einem Netzwerk führender Supercomputing-Infrastruktur, bestehend aus dem Höchstleistungsrechenzentrum Stuttgart (HLRS), dem Jülich Supercomputing Centre (JSC) und dem Leibniz-Rechenzentrum in München (LRZ). Ihre Finanzierung erfolgt durch Fördermittel des Bundes, insbesondere für die Modernisierung und den Ausbau der Infrastruktur, sowie der Länder für die Betriebskosten. Die deutsche KI-Strategie sieht vor, das Gauss Centre auf Exascale-Kapazität aufzurüsten, einschließlich der Bereitstellung von GPUs und Spezialhardware zum Trainieren von KI-Systemen.

Obwohl das Gauss Centre führende Supercomputing-Kapazitäten bietet, ist diese Infrastruktur nicht nur für KI-Arbeitslasten bestimmt. Zu den Nutzer:innen des Gauss Centre gehören Forschungskonsortien und Studierende sowie Unternehmen aus der Privatwirtschaft und Industriepartner:innen, die sich um die Nutzung solcher Infrastrukturen als Konsortium bewerben, wobei häufig eine Partnerschaft mit Forschungseinrichtungen oder Hochschulen, die die Projektanträge einreichen, erforderlich ist. Auch wenn Partner:innen aus der Privatwirtschaft, wie Start-ups, KMU, und Großunternehmen, die Systeme des Gauss Centre für einige Projekte allein oder als Teil von Forschungskonsortien nutzen können, werden die Systeme jedoch in erster Linie für vorkommerzielle Forschungszwecke eingesetzt. Derzeit können Forschungsergebnisse aus solchen Partnerschaften nicht für kommerzielle Zwecke genutzt werden, was auf Herausforderungen beim Transfer von Forschungsergebnissen aus dem Bereich der KI in kommerzielle Anwendungen hinweist. Der Zugang zur Infrastruktur des Gauss Centre kann ebenfalls eine Herausforderung darstellen, da für die Genehmigung eines Projekts ein hohes Maß an Dokumentation und Prüfung erforderlich ist, wie zum Beispiel das Erfordernis der Bildung eines Konsortiums. Zudem sind die Nutzer:innen oft mit langen Wartezeiten bei der Projektgenehmigung konfrontiert.

Das Gauss Centre ist auch ein wichtiger Partner im Gemeinsamen Unternehmen für europäisches Hochleistungsrechnen (EuroHPC), einer 2018 gegründeten Initiative der Europäischen Union mit einem Budget von etwa 7 Mrd. EUR für den Zeitraum 2021-2027. Deutschland beteiligt sich als wichtiger Partner am EuroHPC-Supercomputing-Netzwerk, aber das Netzwerk bietet deutschen Forscher:innen, Wissenschaftler:innen und Akademiker:innen auch die Möglichkeit, europaweit auf größere Rechenkapazitäten zuzugreifen und so zu den Spitzenleistungen Europas in Forschung und Wissenschaft beizutragen. Wie beim Gauss-Netzwerk wird die EuroHPC-Infrastruktur traditionell für Anwendungen in Wissenschaft, Forschung und Lehre genutzt, die nicht kommerzieller Natur sind.

Traditionell wird nur ein Teil der EuroHPC-Infrastruktur für KI-Anwendungen genutzt, obwohl die Nachfrage nach Infrastruktur zur Unterstützung von KI-Projekten in den letzten Jahren gestiegen ist. Dies hat zu einer Änderung der Anforderungen in Bezug auf die Berechtigung zur Nutzung der EuroHPC-Infrastruktur geführt. Im November 2023 sagte die Europäische Kommission zu, im Rahmen der EU-Initiative für KI Start-ups den Zugang zur EuroHPC-Infrastruktur auf europäische KI-Start-ups, KMU und die breitere KI‑Gemeinschaft auszuweiten. Dies hat zum Ziel, die Weiterentwicklung und Skalierbarkeit von KI Modellen in Europa zu fördern, indem der Zugang zu leistungsfähigen Supercomputern für KI-Training und -Tests erleichtert wird, um „die Trainingszeiten von Monaten oder Jahren auf Wochen zu verkürzen“ (EC, 2023[75]). Im Januar 2024 kündigte die Europäische Kommission außerdem mehrere Änderungen ihrer Politik an, die darauf abzielen, Unternehmen in ganz Europa, darunter Start-ups und KMU, die Nutzung von KI-Rechenkapazitäten zu erleichtern. Dazu gehört auch eine Änderung der EuroHPC-Verordnung, um zusätzlich zu anderen Initiativen „KI-Fabriken“, einem neuen Aspekt des Programms, einzurichten (EC, 2024[76]).

Die Ausweitung des Infrastrukturzugangs auf die breitere KI-Gemeinschaft könnte dazu beitragen, dass deutsche KI-Start-ups und KMU in der Lage sind, die vorhandene weltweit erstklassige Infrastruktur für KI-Forschung und kommerzielle Anwendungen in ganz Europa wirksam zu nutzen, einschließlich Infrastruktur, die für KI-Arbeitslasten geeignet ist, wie die des Gauss Centre. EuroHPC hat außerdem eine neue Forschungs- und Innovationsausschreibung gestartet, um ein europäisches Zentrum zur Unterstützung europäischer KI-Nutzer:innen bei der Suche nach Hochleistungsrechenkapazitäten einzurichten. Ein solches Unterstützungszentrum könnte auch helfen, eine Verbindung zwischen jenen im deutschen KI-Ökosystem, die nach KI-Rechenressourcen suchen, und relevanter Infrastruktur, relevanten Dienstleistungen und relevantem Support in ganz Europa herzustellen (EuroHPC, 2023[77]).

Deutschlands Spitzenleistungen in der KI-Forschung sind in öffentlichen Einrichtungen wie führenden Hochschulen und zugehörigen Forschungsinstituten verankert. Dies steht im Gegensatz zu anderen Ländern, insbesondere den Vereinigten Staaten, wo die führende KI-Forschung, angeführt von großen Technologieunternehmen, zunehmend vom privaten Sektor durchgeführt oder privat finanziert wird. Dies veranschaulicht, wie innerhalb von Ländern Klüfte in der Rechenkapazität auftreten oder sich ausweiten könnten, insbesondere zwischen dem öffentlichen und dem privaten Sektor. Dies ist im Zusammenhang damit zu betrachten, welche Gruppen Zugang zur Rechenkapazität und zu den umfangreicheren personellen und finanziellen Ressourcen haben, die für die fortgeschrittene KI-Forschung erforderlich sind (OECD, 2023[72]).

Kasten 4.4. Das Gauss Centre for Supercomputing

Die Exzellenz der deutschen Recheninfrastruktur stützt sich auf drei Supercomputing-Zentren

Das Gauss Centre for Supercomputing vereint die drei größten nationalen Supercomputing-Zentren Deutschlands zur führenden Supercomputing-Institution des Landes: das HLRS, das JSC und das LRZ.

Das HLRS in Stuttgart ist eine Forschungs- und Dienstleistungsinstitution der Universität Stuttgart, die wissenschaftlichen Nutzer:innen und der Industrie Dienstleistungen im Bereich der Systeme, Lehre und Ausbildung zum Hochleistungsrechnen sowie nationale und internationale Forschungszusammenarbeit anbietet.

Das JSC in Jülich ist eines der größten interdisziplinären Forschungszentren Europas und bietet Hochleistungskapazitäten für Wissenschaftler:innen nationaler und internationaler Hochschulen und Forschungslabore sowie für Industriepartner:innen. Das JSC bietet Dienstleistungen zur Unterstützung beim Betrieb von Hochleistungsrecheninfrastrukturen an, einschließlich Datenspeicherung, Visualisierungssystemen, Netzwerken und Software sowie Unterstützung und Schulung der Nutzer:innen an. Projektanträge auf Zugang zur Infrastruktur des JSC werden im Rahmen eines wissenschaftlichen Peer-Review-Verfahrens geprüft, das vom John von Neumann-Institut für Computing durchgeführt wird. Im Jahr 2024 soll JUPITER, einer der schnellsten Supercomputer der Welt, am JSC in Betrieb gehen. Er wird einer der leistungsfähigsten Supercomputer für KI‑Anwendungen sein und voraussichtlich KMU und Start-ups im Rahmen der neuen EuroHPC-Initiative zur Verbesserung des Zugangs zu Recheninfrastruktur im gesamten europäischen KI‑Ökosystem zugänglich gemacht werden.

Das LRZ in München stellt der Wissenschaftsgemeinde von den Biowissenschaften bis zur Astrophysik eine weltweit erstklassige Hochleistungsrecheninfrastruktur zur Verfügung. Es werden Anstrengungen unternommen, um den Betrieb des Zentrums so energieeffizient wie möglich zu gestalten. Das LRZ konzentriert sich auf die Entwicklung von Fähigkeiten für die nächste Computergeneration, einschließlich der Forschung zu neuen Technologien wie Quantencomputing und der Integration von KI in große Hochleistungsrechensysteme. Es bietet Bildungsprogramme für Hochleistungsrechnen, einschließlich maschinellen Lernens, an. Neben seiner Rolle als nationales Supercomputing-Zentrum ist das LRZ der IT-Dienstleister für alle Hochschulen in München sowie für Forschungseinrichtungen in ganz Bayern.

Quelle: GCS (2023[78]), Our Centres, Gauss Centre for Supercomputing, https://www.gauss-centre.eu/about-us/our-centres; EuroHPC (2023[79]), Discover EuroHPC JU, https://eurohpc-ju.europa.eu/about/discover-eurohpc-ju_en; JSC (2024[80]), JUPITER - The Arrival of Exascale in Europe, https://www.fz-juelich.de/en/ias/jsc/jupiter.

Im internationalen Vergleich nimmt Deutschland bei den nationalen Supercomputing-Kapazitäten, insbesondere bei Rechenanwendungen in Wissenschaft, Forschung und Lehre, eine führende Stellung ein. Nach der Top5002 -Liste vom November 2023, einer freiwilligen Weltrangliste von Supercomputern, liegt Deutschland bei der höchsten Anzahl von Supercomputern (mit 36 Supercomputern hinter den USA mit 161 und der Volksrepublik China (im Folgenden „China“) mit 104) an dritter Stelle von 35 Ländern, wobei fast alle nationalen Rechenkapazitäten Wissenschafts- und Forschungsanwendungen unterstützten (Abbildung 4.10). Obwohl Supercomputer zunehmend mit spezialisierter Infrastruktur aktualisiert werden, um die effiziente Ausführung KI-spezifischer Arbeitslasten zu ermöglichen, unterscheidet die Top500-Liste Supercomputer nicht nach der auf KI spezialisierten Arbeitslastkapazität. Daher kann die Analyse der Top500-Liste nur als stellvertretendes Maß für die nationale Rechenkapazität der Länder dienen, unter dem Vorbehalt, dass die Infrastruktur nicht unbedingt nur für KI-Zwecke genutzt wird und einige Länder in den letzten Jahren nicht konsequent Ergebnisse für das freiwillige Ranking vorgelegt haben.

Abbildung 4.10. Deutschland hat laut der Top500-Liste die drittmeisten Supercomputer, wobei fast alle nationalen Rechenkapazitäten Wissenschafts- und Forschungsanwendungen unterstützen

Nach Volkswirtschaft und Sektor, Top-10-Volkswirtschaften, November 2023

Eine einfache Zählung der Top500-Liste vermittelt kein vollständiges Bild davon, welche Volkswirtschaften über die größte Supercomputing-Kapazität verfügen, da verschiedene Supercomputer trotz erheblicher Unterschiede bei der Geschwindigkeit und Leistung behandelt werden, als ob sie gleich wären (OECD, 2023[72]). Die führende Position Deutschlands in der Recheninfrastruktur ist für Forschungs- und Wissenschaftsanwendungen sowohl in Bezug auf die Anzahl der Supercomputer als auch auf die Leistung bemerkenswert. So steht Deutschland beispielsweise bei der Zahl der Supercomputer für Wissenschaft und Forschung (33) an zweiter Stelle hinter den Vereinigten Staaten (69), gefolgt von Japan (28), Frankreich (13), dem Vereinigten Königreich (11), China (10), Italien (7), Kanada (5), Australien (5) und Schweden (5) (Abbildung 4.11). Bei der Leistung von Supercomputern für Wissenschafts- und Forschungsanwendungen, gemessen in „Rmax“ – der maximalen Leistung eines Computers – liegt Deutschland auf Platz fünf (Abbildung 4.12), vor China und hinter den Vereinigten Staaten und Finnland (wo der leistungsstarke LUMI-Supercomputer Teil des EuroHPC-Netzwerks ist). Dies zeigt, dass Deutschlands Supercomputer für Forschung und Wissenschaft eine vergleichsweise hohe Leistung (gemessen in Rmax) aufweisen.

Die Analyse der Top500-Liste verdeutlicht Deutschlands starke Position bei der Recheninfrastruktur für Wissenschafts- und Forschungsanwendungen und weist auf Lücken in der weltweit erstklassigen Recheninfrastruktur im staatlichen und industriellen Bereich hin. So verfügen sowohl die Vereinigten Staaten als auch China über beträchtliche industrielle und staatliche Kapazitäten, die zu ihrem hohen Rang unter den Top500 beitragen, während Deutschland fast keine industriellen Supercomputer auf der Liste und keine staatlichen Supercomputer im Ranking hat (Abbildung 4.10).

Abbildung 4.11. Deutschland nimmt bei der Anzahl an Supercomputern für Wissenschafts- und Forschungsanwendungen eine führende Stellung ein

Anzahl der Top-Supercomputer für Wissenschaft und Forschung nach Volkswirtschaft, November 2023

Abbildung 4.12. Deutschlands Supercomputer für Wissenschafts- und Forschungsanwendungen rangieren hinsichtlich ihrer Leistung auf Platz fünf

Top500-Supercomputer für Wissenschaft und Forschung nach Volkswirtschaften geordnet nach Gesamt-Rmax, der maximalen Leistung eines Computers, November 2023

Die Analyse globaler Wagniskapital-Investitionen in deutsche KI-Computing-Start-ups – gemessen an auf Preqin verfügbaren Informationen über Wagniskapital-Transaktionen, nach mehreren Stichwörtern3 – zeigt, dass die Wagniskapital-Investitionen in KI-Computing- und KI-Hardware-Start-ups in Deutschland in den letzten Jahren von etwa 11 Mio. USD im Jahr 2017 auf 222 Mio. USD im Jahr 2021 gestiegen sind und im Jahr 2023 rund 138 Mio. USD betrugen. Wie der globale Wagniskapital-Markt verzeichneten auch die gesamten Wagniskapital-Investitionen in deutsche KI-Computing-Start-ups seit 2021 einen deutlichen Rückgang, der allgemeinere Wagniskapital-Trends widerspiegelt, denen zufolge die Investoren nach dem Technologieboom der COVID-19-Pandemie, steigenden Zinssätzen und zunehmendem Inflationsdruck zurückhaltend bleiben.

Während die Wagniskapital-Investitionstrends bei KI-Computing-Start-ups die allgemeinen Trends in der globalen Wagniskapital-Branche widerspiegeln, waren die Investitionen in Deutschland im Jahr 2022 niedriger als in vergleichbaren Volkswirtschaften wie dem Vereinigten Königreich, Korea und Kanada, aber höher als in Volkswirtschaften wie Spanien und Japan. Wagniskapital-Finanzierung für deutsche KI‑Computing-Start-ups kommt überwiegend aus dem deutschen Inlandsmarkt und den Vereinigten Staaten, wobei kleinere Wagniskapital-Beiträge auch von Investoren in Ländern wie dem Vereinigten Königreich und Österreich stammen (OECD.AI, 2023[64]). Dies weist auf die bedeutende Rolle von Investoren aus Nicht-EU-Ländern wie den Vereinigten Staaten und dem Vereinigten Königreich bei der Finanzierung und Skalierung deutscher Hardware- und Infrastrukturunternehmen hin und zeigt, dass die inländischen und EU-Risikokapitalmärkte möglicherweise weiter ausgebaut werden müssen.

Deutschland konkurriert um Fachkräfte, um die KI-Infrastruktur effizient und wirksam nutzen zu können

Für die effiziente und wirksame Nutzung von KI-Rechenressourcen werden Fachkräfte, häufig Ingenieur:innen oder Personen mit technischer Hardware-Expertise, benötigt. Da Unternehmen jedoch weltweit um die besten KI-Talente konkurrieren, die Rechenleistungsanforderungen der KI-Arbeitslasten steigen und sich der Hardware-Stack für KI-Computing weiterentwickelt, sind qualifizierte Arbeitskräfte, die auf KI-Infrastruktur spezialisiert sind, weltweit rar (OECD, 2023[72]). Im Einklang mit globalen Trends hat sich die Anzahl der Stellenangebote in Deutschland mit KI-Computing-bezogenen Stichwörtern mehr als verdoppelt, von etwa 12 % der gesamten IT-Stellenangebote im Jahr 2019 auf etwa 25 % im Jahr 2023 (OECD.AI, 2024[82]). Dies deutet auf einen Anstieg des Bedarfs an KI-Computing-bezogenen Fähigkeiten in den letzten Jahren hin. Solche Fähigkeiten werden derzeit im Rahmen von Studiengängen, an Forschungsinstituten und durch Ausbildung am Arbeitsplatz erworben. Interviews mit Mitarbeiter:innen im deutschen KI-Ökosystem zeigten einen Fachkräftemangel für den effizienten und wirksamen Betrieb der KI-Infrastruktur. Einige gaben an, dass der Zugang zu qualifizierten Arbeitskräften mit dem Zugang zu Rechenzeit einhergehen muss.

Die deutsche KI-Strategie unterstützt Cloud- und Dateninfrastrukturinitiativen

Obwohl in Deutschland im weltweiten Vergleich erstklassige Infrastruktur zur Unterstützung von Forschung und Wissenschaft existiert, stützen sich Unternehmen bei ihrer KI-Rechenkapazität stark auf Hyperscale-Cloud-Anbieter:innen – in der Regel von Unternehmen mit Sitz in den Vereinigten Staaten. Eine Analyse des deutschen KI-Start-up-Ökosystems zeigt, dass nur 7 % der KI-Start-ups staatliche Recheninfrastruktur nutzen, während 84 % der KI-Start-ups Cloud-Computing-Infrastrukturen privater Anbieter:innen nutzen (Rammer, 2023[60]). Souveräne Cloud-Computing-Optionen können in Deutschland begrenzt sein, da sie oft nicht verfügbar, nicht sehr benutzerfreundlich oder im Vergleich zur Kapazität großer ausländischer Unternehmen kostenmäßig nicht wettbewerbsfähig sind. Die Abhängigkeit von ausländischen Cloud-Anbieter:innen und die geringere digitale Akzeptanz in traditionellen industriellen Sektoren sowie Bedenken hinsichtlich des Datenschutzes und der Privatsphäre können eine Rolle bei der geringen Akzeptanz von Cloud-Lösungen durch Unternehmen spielen. Während z. B. Deutschland (10,3 %) im Jahr 2021 bei Unternehmen, die Cloud-Computing erwerben, um ihre eigene Software zu betreiben, im Durchschnitt der 27 Mitgliedstaaten der EU (9,8 %) lag, rangierte es in einem niedrigeren Bereich als andere führende Cloud-Nutzer (Schweden 32,2 %, Dänemark 28,1 %, Norwegen 25,3 %) (Eurostat, 2023[8]).

Gaia-X wird in der Fortschreibung 2020 der deutschen KI-Strategie hervorgehoben und die Plattform wurde um einen deutschen Gaia-X-Hub und verschiedene in einem föderierten Katalog aufgeführte Daten erweitert (Gaia-X, 2021[83]). Die Vision für Gaia-X besteht darin, einen dezentralen und interoperablen Datenaustausch für Geschäfts- und Forschungspartner:innen zu etablieren, um Daten und Zugangsdienste in großem Maßstab zu teilen. Das BMWK fördert im Rahmen eines Gaia-X Förderwettbewerbs mehrere Projekte, die KI beinhalten, zum Beispiel Gaia-X 4 Future Mobility, „Autowerkstatt“ 4.0, Cooperants, EuProGigant, Merlot und OpenGPT-X. Die Fördermittel für den Wettbewerb beliefen sich zwischen 2021 und 2024 auf rund 117 Mio. Euro.

Obwohl die Bundesregierung einschlägige KI-Projekte im Rahmen von Gaia-X fördert und der deutsche Gaia-X-Hub aktiv ist, ist er größtenteils nicht in das deutsche KI-Ökosystem eingebunden und die Initiative ist nur wenig bekannt. Informationen über die Arten von Datensätzen und die Nutzer:innen im Zusammenhang mit KI werden nicht nachverfolgt, was auf eine Lücke bei den wichtigsten Leistungsindikatoren (KPIs) hinweist, die für die Formulierung der KI-Politik Deutschlands hilfreich sein könnten.

Deutschland verfügt über zahlreiche Hochleistungs-Supercomputer, die für KI genutzt werden könnten, wobei die Zugänglichkeit von Rechenleistung bewertet werden muss

Viele nationale KI-Politikinitiativen enthalten keine detaillierten Maßnahmen für KI-Infrastruktur, die den Bedürfnissen der Akteur:innen im Bereich der KI über das gesamte Innovationskontinuum hinweg entsprechen, sondern konzentrieren sich auf Allzweck-Computing. Die Umsetzung der in nationalen KI-‑Strategien enthaltenen KI-Ambitionen in konkretere Überlegungen – wie etwa die Überprüfung der aktuellen (und die Prognose der zukünftigen) nationalen KI-Infrastruktur und des Rechenbedarfs öffentlicher und privater Akteur:innen – würde eine effizientere und gezieltere Planung von KI‑Infrastrukturinvestitionen ermöglichen. Außerdem sollte geprüft werden, ob die nationale KI‑Rechenkapazität im Eigentum inländischer Anbieter:innen steht oder bei Anbieter:innen im Ausland, z. B. über Cloud-Computing-Anbieter:innen, gemietet wird. Auf der Grundlage des nationalen Bedarfs, der Anforderungen an die Datenlokalisierung und der Sicherheitsprioritäten könnte Aufmerksamkeit für den Aufbau inländischer oder im regionalen Eigentum stehender Vor-Ort- und/oder Cloud-Computing-Kapazitäten gerechtfertigt sein (OECD, 2023[72]).

Zusätzlich zur Bestandsaufnahme des nationalen KI-Infrastrukturbedarfs gibt es in einigen Ländern Initiativen zur Erhöhung der für Forschung und Wissenschaft verfügbaren KI-Infrastruktur. Kanadas nationale KI-Strategie (2017, 2021) nutzt ein nationales Netzwerk von KI-Forschungsinstituten und unterstützt den Erwerb von Hochleistungsrechenkapazität für die KI-Forschung. Im Jahr 2020 wurde die erste Bedarfsanalyse für digitale Forschungsinfrastruktur in Kanada gestartet, um den künftigen Bedarf an digitaler Forschungsinfrastruktur und Dienstleistungen zu ermitteln (Digital Research Alliance of Canada, 2020[84]). Im Jahr 2022 führte das Vereinigte Königreich die Überprüfung „Future of Compute“ durch, um den Bedarf an digitaler Forschungsinfrastruktur, einschließlich KI, zu untersuchen, und forderte ein integriertes Rechenökosystem und erhebliche Investitionen in öffentliche KI-Infrastrukturen (Alan Turing Institute, 2022[85]). Die Vereinigten Staaten streben an, Forscher:innen über die vorgeschlagene National AI Research Resource (NAIRR) weltweit erstklassige Computerressourcen und Datensätze zur Verfügung zu stellen. Auch weiter oben in der Lieferkette der KI-Infrastruktur gibt es Initiativen, wie beispielsweise das koreanische K-Cloud-Projekt, das KI-Chips von Weltrang im Inland herstellen und einsetzen will, um für eine verbesserte nationale Cloud-Computing-Infrastruktur zu sorgen.

Obwohl für Wissenschaft und Forschung eine umfangreiche Infrastruktur vorhanden ist, würde eine Bedarfsanalyse außerdem dazu beitragen, Lücken in der Bereitstellung von KI-Infrastruktur entlang des Innovationskontinuums in Deutschland festzustellen und Kapazitäten im öffentlichen und privaten Sektor aufzuzeigen. Der KI-Bedarf und die KI-Bereitschaft verschiedener Sektoren in Deutschland wie Privatwirtschaft, öffentlicher Sektor, KMU, Start-ups, Forscher:innen und andere sollten in einem KI-‑Recheninfrastrukturplan explizit berücksichtigt werden, wobei zukünftige Prognosen, soweit möglich, enthalten sein sollten.

Empfehlungen zur KI-Infrastruktur

Schaffung eines inklusiveren, zugänglicheren und von Expert:innen geleiteten Ökosystems für KI-Infrastruktur in Deutschland

Deutschlands nationale KI-Strategie legt den Schwerpunkt auf Recheninfrastruktur, insbesondere für Forschung und Wissenschaft, und auf die Förderung des Zugangs zu Daten. Unterstützt durch diese Investitionen hat Deutschland eine weltweit erstklassige Recheninfrastruktur für Forschung und Wissenschaft aufgebaut. Auf der Grundlage der obigen Erkenntnisse könnte Deutschland Maßnahmen ergreifen, um ein inklusiveres, zugänglicheres und von Expert:innen geleitetes Ökosystem für seine nationale KI-Infrastruktur zu schaffen.

Angebots- und Bedarfsanalyse für KI-Recheninfrastruktur

Im Einklang mit international bewährten Verfahren sollte Deutschland seine derzeitige KI-‑Recheninfrastrukturlandschaft beurteilen und bestehende Kapazitäten und potenzielle Lücken in Bezug auf die Erfüllung der Anforderungen der Interessenträger:innen – einschließlich Forschungseinrichtungen, Unternehmen, KMU und Start-ups – gegenüber dem Angebot „KI-tauglicher“ Infrastruktur sowohl aus dem öffentlichen als auch dem privaten Sektor abschätzen. Diese Analyse sollte auch den voraussichtlichen Bedarf an KI-Recheninfrastruktur so weit wie möglich prognostizieren. Expertengestützte OECD-Studien wie A Blueprint for Building National Compute Capacity for Artificial Intelligence (2023[72]) könnten als Leitfaden für eine solche Analyse dienen.

Ausweitung des Infrastrukturzugangs für Start-ups und KMU

Deutschland sollte einen Teil seiner KI-Recheninfrastruktur mit einem gestrafften Antragsverfahren und verringerten administrativen Hürden für Start-ups und KMU vorsehen. Es könnten auch Anreize zur Förderung von Partnerschaften zur gemeinsamen Nutzung der KI-Recheninfrastruktur zwischen großen Unternehmen, die über eine KI-Infrastruktur verfügen, und kleineren Start-ups und KMU ohne solche Kapazitäten geprüft werden.

Unterstützung über die Rechenzeit hinaus

Deutschland sollte den Umfang der Unterstützungsleistungen um die Zuweisung von KI-‑Recheninfrastrukturressourcen (z. B. aus öffentlicher Recheninfrastruktur) sowie um technische Hilfe und Beratung zur wirksamen und effizienten Nutzung solcher Infrastruktur erweitern. Dies könnte durch spezielle Programme geschehen, die Fachwissen und Ausbildung in der wirksamen und effizienten Nutzung von KI-Recheninfrastruktur bieten, wozu Hochschulkurse, Workshops, Seminare, eine Expertengemeinschaft und Partnerschaften mit dem Privatsektor gehören könnten.

Steigerung der Bekanntheit von Gaia-X in der KI-Gemeinschaft und Tracking wichtiger Datensätze für KI

Die Bundesregierung und der Gaia-X-Hub sollten die Bekanntheit von Gaia-X im KI-Ökosystem steigern, etwa durch den Austausch von Informationen und die Organisation von Präsentationen mit deutschen KI‑Akzeleratoren und -Inkubatoren, Hochschulen, Forschungsinstituten und der Privatwirtschaft. Gaia-X-Datensätze, die für KI besonders wertvoll sind, sollten bewertet und so gekennzeichnet werden, dass sie im KI-Ökosystem leicht zu finden sind. Informationen über die Arten von Gaia-X-Datensätzen und den Nutzer:innen im Zusammenhang mit KI sollten ebenfalls verfolgt werden, um KI-bezogene KPIs zu entwickeln, die in die zukünftige KI-Politikgestaltung einfließen.

Literatur

[34] AKI (2023), Large European AI Models - Feasibility Study, Akademie für Künstliche Intelligenz gGmbH, https://leam.ai/wp-content/uploads/2023/05/LEAM-Feasibility-STudy.pdf.

[85] Alan Turing Institute (2022), UK AI Research Infrastructure Requirements Review, https://www.turing.ac.uk/work-turing/uk-ai-research-infrastructure-requirements-review.

[4] bitkom (2023), “Deutsche Wirtschaft drückt bei Künstlicher Intelligenz aufs Tempo [German industry is pressing ahead with artificial intelligence]”, https://www.bitkom.org/Presse/Presseinformation/Deutsche-Wirtschaft-drueckt-bei-Kuenstlicher-Intelligenz-aufs-Tempo (accessed on 11 December 2023).

[53] BMAS (2022), ESF Plus-Programm “Zukunftszentren”, Bundesministerium für Arbeit und Soziales, https://www.bmas.de/DE/Arbeit/Digitalisierung-der-Arbeitswelt/Austausch-mit-der-betrieblichen-Praxis/Zukunftszentren/zukunftszentren.html (accessed on 11 December 2023).

[30] BMBF (2023), Action Plan on Robotics Research, Bundesministerium für Bildung und Forschung, https://www.bmbf.de/bmbf/de/forschung/digitale-wirtschaft-und-gesellschaft/robotik/aktionsplan-robotik.html (accessed on 11 December 2023).

[47] BMBF (2022), “Förderung von vier KI-Servicezentren gestartet [Funding launched for four AI service centres]”, Bundesministerium für Bildung und Forschung, https://www.bmbf.de/bmbf/shareddocs/kurzmeldungen/de/2022/11/foerderung-von-4-ki-zentren-gestartet.html (accessed on 4 December 2023).

[46] BMBF (2020), “Richtlinie zur Förderung von Projekten zum Thema „Erforschung, Entwicklung und Nutzung von Methoden der Künstlichen Intelligenz in KMU [Announcement of the guideline for the funding of projects on the topic of R&D and use of AI methods in SMEs]”, Bundesministerium für Bildung und Forschung, https://www.bmbf.de/bmbf/shareddocs/bekanntmachungen/de/2020/03/2876_bekanntmachung.html (accessed on 11 December 2023).

[49] BMWi (2020), Förderbekanntmachung für ein bundesweites „Netzwerk Mittelstand-Digital“, Bundesministerium für Wirtschaft und Energie, https://www.mittelstand-digital.de/MD/Redaktion/DE/PDF-Anlagen/foerderbekanntmachung-m-d.pdf?__blob=publicationFile&v=2 (accessed on 24 October 2023).

[48] BMWi (2016), Digitale Strategie 2025, Bundesministerium für Wirtschaft und Energie, https://www.bmwk.de/Redaktion/DE/Publikationen/Digitale-Welt/digitale-strategie-2025.pdf?__blob=publicationFile&v=1 (accessed on 24 October 2023).

[51] BMWK (2023), “Die Zentren im Netzwerk Mittelstand-Digital unterstützen vor Or”, Bundesministerium für Wirtschaft und Klimaschutz, https://www.mittelstand-digital.de/MD/Redaktion/DE/Artikel/Mittelstand-4-0/mittelstand-40-kompetenzzentren.html (accessed on 24 October 2023).

[50] BMWK (2023), KI Trainer, Bundesministerium für Wirtschaft und Klimaschutz, https://www.mittelstand-digital.de/MD/Navigation/DE/Praxis/KI-Trainer/ki-trainer.html (accessed on 24 October 2023).

[68] BMWK (2023), KOINNO and the Startup Strategy of the Federal Government, Federal Ministry for Economic Affairs and Climate Action, https://www.koinno-bmwk.de/en/information/news/detail/koinno-und-die-startup-strategie-der-bundesregierung/ (accessed on 5 December 2023).

[66] BMWK (2022), Start-up Strategy, Bundesministerium für Wirtschaft und Klimaschutz, https://www.bmwk.de/Redaktion/DE/Publikationen/Existenzgruendung/start-up-strategie-der-bundesregierung.html (accessed on 11 December 2023).

[69] Bpifrance (2023), “Bilan du Plan Deeptech à 4 ans : doublement du nombre de startups deeptech créées entre 2018 et 2022 [Review of the 4-year Deeptech Plan: Doubling the number of deeptech startups created between 2018 and 2022]”, https://presse.bpifrance.fr/bilan-du-plan-deeptech-a-4-ans-doublement-du-nombre-de-startups-deeptech-creees-entre-2018-et-2022/ (accessed on 20 October 2023).

[19] Briggs, J. and D. Kodnani (2023), “The potentially large effects of artificial intelligence on economic growth”, Goldman Sachs, https://www.gspublishing.com/content/research/en/reports/2023/03/27/d64e052b-0f6e-45d7-967b-d7be35fabd16.html#.

[24] Brynjolfsson, E., D. Li and L. Ray (2023), “Generative AI at work”, NBER Working Paper Series, No. 31161, National Bureau of Economic Research, https://doi.org/10.3386/w31161.

[16] Calvino, F. and L. Fontanelli (2023), “A portrait of AI adopters across countries: Firm characteristics, assets’ complementarities and productivity”, OECD Science, Technology and Industry Working Papers, No. 2023/02, OECD Publishing, Paris, https://doi.org/10.1787/0fb79bb9-en.

[13] Capgemini (2023), Harnessing the Value of Generative AI: Top Use Cases across Industries, Capgemini Research Institute, https://prod.ucwe.capgemini.com/wp-content/uploads/2023/07/Final-Web-Version-Report-Harnessing-the-Value-of-Gen-AI.1.pdf.

[12] Capgemini (2019), Accelerating Automotive’s AI Transformation: How Driving AI Enterprise-wide Can Turbo-charge Organizational Value, https://www.capgemini.com/wp-content/uploads/2019/03/30-min-%E2%80%93-Report-3-11-1.pdf.

[22] Dell’Acqua, F. et al. (2023), “Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality”, Harvard Business School Technology & Operations Mgt. Unit Working Paper, No. 24-013, https://doi.org/10.2139/ssrn.4573321.

[61] Dernis, H. et al. (2023), “Identifying artificial intelligence actors using online data”, OECD Science, Technology and Industry Working Papers, No. 2023/01, OECD Publishing, Paris, https://doi.org/10.1787/1f5307e7-en.

[57] DFKI (2023), Company Profile, German Research Center for Artificial Intelligence, https://www.dfki.de/fileadmin/user_upload/DFKI/Medienhttps://www.dfki.de/en/web/about-us/dfki-at-a-glance/company-profile (accessed on 11 December 2023).

[45] Die Bundesregierung (2023), Fortschritt durch Datennutzung [Progress through Data Utilisation], https://www.bmi.bund.de/SharedDocs/downloads/DE/veroeffentlichungen/2023/datenstrategie.pdf;jsessionid=40CF947A91E05F046F50EB305A75F333.live862?__blob=publicationFile&v=3.

[37] Die Bundesregierung (2023), Kernergebnisse des Digitalisierungsindex 2022, https://www.de.digital/DIGITAL/Navigation/DE/Lagebild/Digitalisierungsindex/digitalisierungsindex.html (accessed on 16 October 2023).

[1] Die Bundesregierung (2020), Strategie Künstliche Intelligenz der Bundesregierung - Fortschreibung 2020, https://www.ki-strategie-deutschland.de/files/downloads/201201_Fortschreibung_KI-Strategie.pdf (accessed on 11 October 2023).

[84] Digital Research Alliance of Canada (2020), Canadian Digital Research Infrastructure Needs Assessment, https://alliancecan.ca/en/initiatives/canadian-digital-research-infrastructure-needs-assessment.

[3] DIHK (2023), Digitale Innovationen, Technologien und Produkte, https://www.dihk.de/de/themen-und-positionen/wirtschaft-digital/digitalisierung/digitalisierungsumfrage-2023 (accessed on 24 October 2023).

[76] EC (2024), “Commission launches AI innovation package to support Artificial Intelligence startups and SMEs”, European Commission, https://ec.europa.eu/commission/presscorner/detail/en/ip_24_383 (accessed on 11 December 2023).

[44] EC (2024), Data Act, European Commission, https://digital-strategy.ec.europa.eu/en/policies/data-act.

[75] EC (2023), “Commission opens access to EU supercomputers to speed up artificial intelligence development”, European Commission, https://ec.europa.eu/commission/presscorner/detail/en/IP_23_5739.

[43] EC (2022), European Data Governance Act, European Commission, https://digital-strategy.ec.europa.eu/en/policies/data-governance-act.

[42] EC (2020), A European Strategy for Data, European Commission, https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:52020DC0066.

[20] Eisfeldt, A. et al. (2023), “Generative AI and firm values”, https://doi.org/10.2139/ssrn.4436627.

[39] Emerj (2022), Manufacturing AI Use Cases and Trends – An Executive Brief, https://emerj.com/ai-sector-overviews/manufacturing-ai-use-cases-and-trends-an-executive-brief/ (accessed on 10 January 2023).

[36] EU (2024), Regulation (EU) 2024/ ...... of the European Parliament and of the Council laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), https://data.consilium.europa.eu/doc/document/PE-24-2024-INIT/en/pdf.

[79] EuroHPC (2023), Discover EuroHPC JU, European Union, https://eurohpc-ju.europa.eu/about/discover-eurohpc-ju_en (accessed on 11 December 2023).

[77] EuroHPC (2023), “Open call to support HPC-powered artificial intelligence (AI) applications”, EuroHPC Joint Undertaking, https://eurohpc-ju.europa.eu/open-call-support-hpc-powered-artificial-intelligence-ai-applications-2023-11-28_en (accessed on 11 December 2023).

[8] Eurostat (2023), Digital Economy and Society Database, https://ec.europa.eu/eurostat/databrowser/explore/all/science?lang=en&subtheme=isoc&display=list&sort=category (accessed on 16 October 2023).

[38] Eurostat (2023), Digitalisation in Europe - 2023 Edition, https://ec.europa.eu/eurostat/web/interactive-publications/digitalisation-2023#technology-uptake-in-businesses (accessed on 6 October 2023).

[56] Fraunhofer-Gesellschaft (2023), About Fraunhofer, https://www.fraunhofer.de/en/about-fraunhofer.html (accessed on 17 October 2023).

[83] Gaia-X (2021), Gaia-X Federation Services (GXFS): Gaia-X Ecosystem Kickstarter, https://gaia-x.eu/wp-content/uploads/files/2022-01/Gaia-X_Federation_Services_White_Paper_1_December_2021.pdf.

[78] GCS (2023), Our Centres, Gauss Centre for Supercomputing, https://www.gauss-centre.eu/about-us/our-centres (accessed on 11 December 2023).

[74] GDA (2023), Datacentre Outlook Germany 2023-24, German Datacenter Association e.V., https://www.germandatacenters.com/fileadmin/documents/publications/GDA_Datacenter-Outlook-Germany_23-24.pdf.

[32] Handelsblatt (2023), “Mercedes holt ChatGPT ins Auto – und will Fehler der KI mit einem Kniff ausschließen [Mercedes brings ChatGPT into the car – and wants to rule out AI errors with a trick]”, https://www.handelsblatt.com/technik/it-internet/kuenstliche-intelligenz-mercedes-holt-chatgpt-ins-auto-und-will-fehler-der-ki-mit-einem-kniff-ausschliessen/29209714.html (accessed on 11 December 2023).

[2] ifo (2023), “13,3 % der Unternehmen in Deutschland nutzen Künstliche Intelligenz”, https://www.ifo.de/fakten/2023-08-02/unternehmen-deutschland-nutzen kuenstliche-intelligenz (accessed on 16 October 2023).

[29] IFR (2023), “World Robotics 2023 Report: Asia ahead of Europe and the Americas”, International Federation of Robotics, https://ifr.org/ifr-press-releases/news/world-robotics-2023-report-asia-ahead-of-europe-and-the-americas.

[80] JSC (2024), JUPITER - The Arrival of Exascale in Europe, Jülich Supercomputing Centre, Forschungszentrum Jülich, https://www.fz-juelich.de/en/ias/jsc/jupiter (accessed on 11 December 2023).

[73] Khan, S., A. Mann and D. Peterson (2021), The Semiconductor Supply Chain: Assessing National Competititveness, Center for Security and Emerging Technology, https://cset.georgetown.edu/wp-content/uploads/The-Semiconductor-Supply-Chain-Issue-Brief.pdf.

[62] KI Bundesverband (2023), KI - Startups und Wissenschaft, https://ki-verband.de/wp-content/uploads/2023/06/KI-Startups-Wissenschaft.pdf (accessed on 19 October 2023).

[54] KOMKI (2023), “KomKI entwickelt Qualifizierungsbausteine für KMU [KomKI develops qualification modules for SMEs]”, https://projekt-komki.de/ (accessed on 11 December 2023).

[15] Lane, M., M. Williams and S. Broecke (2023), “The impact of AI on the workplace: Main findings from the OECD AI surveys of employers and workers”, OECD Social, Employment and Migration Working Papers, No. 288, OECD Publishing, Paris, https://doi.org/10.1787/ea0a0fe1-en.

[59] Lernende Systeme (2023), Künstliche Intelligenz in Deutschland [AI in Germany], https://www.plattform-lernende-systeme.de/ki-in-deutschland.html (accessed on 11 December 2023).

[58] Lernende Systeme (2021), “KI im Mittelstand [AI in Mittelstand]”, https://www.plattform-lernende-systeme.de/aktuelles-newsreader/ki-im-mittelstand-roadmaps-und-praxisbeispiele-fuer-den-einstieg.html (accessed on 11 December 2023).

[27] Lorenz, P., K. Perset and J. Berryhill (2023), “Initial policy considerations for generative artificial intelligence”, OECD Artificial Intelligence Papers, No. 1, OECD Publishing, Paris, https://doi.org/10.1787/fae2d1e6-en.

[33] Löser, A. et al. (2023), Große Sprachmodelle entwickeln und anwenden - Ansätze für ein souveränes Vorgehen [Developing and Applying Large Language Models - Approaches for a Sovereign Approach], https://www.plattform-lernende-systeme.de/files/Downloads/Publikationen/AG1_WP_Grosse_Sprachmodelle_Anwendungen.pdf.

[31] Markets and Markets (2023), “Influence of generative AI on automotive industry: BMW, Toyota, General Motors leading with AI adoption”, https://www.marketsandmarkets.com/industry-news/Influence-Of-Generative-AI-On-Automotive-Industry-BMW-Toyota-General-Motors-leading-With-AI-Adoption (accessed on 11 December 2023).

[7] McElheran, K. et al. (2023), “AI adoption in America: Who, what, and where”, NBER Working Paper Series, National Bureau of Economic Research, https://doi.org/10.3386/w31788.

[18] McKinsey Global Institute (2023), The Economic Potential of Generative AI: The Next Productivity Frontier, McKinsey and Company, https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier (accessed on 11 December 2023).

[70] Ministre de l’Économie, des Finances et de la Souveraineté industrielle et numérique (2023), “France 2030 : 500 millions d’euros pour donner un élan aux start-up issues de la recherche [France 2030: €500 million to boost research-led start-ups]”, https://www.economie.gouv.fr/france-2030-500-millions-deuros-pour-donner-un-elan-aux-start-issues-de-la-recherche (accessed on 20 October 2023).

[52] Mittelstand-Digital (2023), “The network of medium-sized digital centers will focus on artificial intelligence from 2024”, https://www.mittelstand-digital.de/MD/Redaktion/DE/Artikel/Themenbuehne/neuausrichtung-mittelstand-digital.html (accessed on 5 December 2023).

[5] Montagnier, P. and I. Ek (2021), “AI measurement in ICT usage surveys: A review”, OECD Digital Economy Papers, No. 308, OECD Publishing, Paris, https://doi.org/10.1787/72cce754-en.

[25] Noy, S. and W. Zhang (2023), “Experimental evidence on the productivity effects of generative artificial intelligence”, https://doi.org/10.2139/ssrn.4375283.

[72] OECD (2023), “A blueprint for building national compute capacity for artificial intelligence”, OECD Digital Economy Papers, No. 350, OECD Publishing, Paris, https://doi.org/10.1787/876367e3-en.

[71] OECD (2022), OECD Reviews of Innovation Policy: Germany 2022: Building Agility for Successful Transitions, OECD Reviews of Innovation Policy, OECD Publishing, Paris, https://doi.org/10.1787/50b32331-en.

[82] OECD.AI (2024), Demand for IT Skills Related to AI Compute by Country (Adzuna jobs postings), OECD, Paris, https://oecd.ai/en/site/compute-climate/data?selectedArea=compute-climate-data&selectedVisualization=demand-for-it-skills-related-to-ai-compute-by-country-2.

[64] OECD.AI (2023), VC Investments in AI by Country [Wagniskapital Investitionen in KI nach Ländern, OECD, Paris, https://oecd.ai/en/data?selectedArea=investments-in-ai-and-data&selectedVisualization=vc-investments-in-ai-by-country (accessed on 11 December 2023).

[63] OECD.AI (2023), Worldwide VC Investments in AI [Weltweite Wagniskapital-Investitionen in KI], OECD, Paris, https://oecd.ai/en/data?selectedArea=investments-in-ai-and-data (accessed on 13 March 2023).

[23] Peng, S., E. Kalliamvakou and P. Cihon (2023), “The impact of AI on developer productivity: Evidence from GitHub Copilot”, https://arxiv.org/abs/2302.06590.

[40] Peres, R. et al. (2020), “Industrial artificial intelligence in Industry 4.0 - Systematic review, challenges and outlook”, IEEE Access, Vol. 8, pp. 220121-220139, https://doi.org/10.1109/ACCESS.2020.3042874.

[41] Plattform Industrie 4.0 (2023), Manufacturing-X, https://www.plattform-i40.de/IP/Navigation/EN/Manufacturing-X/Manufacturing-X.html (accessed on 11 December 2023).

[67] PwC (2020), The Strategic Use of Innovation Procurement in the Digital Economy - Germany Country Report, European Union, https://www.koinno-bmwk.de/fileadmin/user_upload/EU_Kontaktstelle/Download/de_country_report_12-10-2020_new_cover_v1.pdf.

[60] Rammer, C. (2023), Das Ökosystem für KI-Startups. Vermarktung, Finanzierung, Fachkräfte und Vernetzung in Unternehmensgründungen im Bereich Künstliche Intelligenz, https://www.zew.de/publikationen/das-oekosystem-fuer-ki-startups-in-deutschland-vermarktung-finanzierung-fachkraefte-und-vernetzung-in-unternehmensgruendungen-im-bereich-kuenstliche-intelligenz (accessed on 17 October 2023).

[35] Rammer, C. (2021), Herausforderungen beim Einsatz von Künstlicher Intelligenz, https://www.zew.de/publikationen/herausforderungen-beim-einsatz-von-kuenstlicher-intelligenz (accessed on 17 October 2023).

[17] Rammer, C., G. Fernandez and D. Czarnitzki (2022), “Artificial intelligence and industrial innovation: Evidence from German firm-level data”, Research Policy, Vol. 51/104555, https://doi.org/10.1016/j.respol.2022.104555.

[9] Siemens (2023), Annual Financial Report for Fiscal 2022, https://assets.new.siemens.com/siemens/assets/api/uuid:19bbc110-8533-46e4-a27e-ec128d1d1434/Annual-Financial-Report-FY2022.pdf.

[10] Siemens (2023), “Siemens presents €2 billion investment strategy to boost future growth, innovation and resilience”, https://assets.new.siemens.com/siemens/assets/api/uuid:2a7584b8-9407-401b-af71-5e6edc323baa/HQCOPR202306146727EN.pdf (accessed on 11 December 2023).

[21] Soni, V. (2023), “Impact of generative AI on small and medium enterprises’ revenue growth: The moderating role of human, technological, and market factors”, Reviews of Contemporary Business Analytics, Vol. 6/1, pp. 133-153, https://researchberg.com/index.php/rcba/article/view/169.

[55] Stiftung Mittelstand-Gesellschaft-Verantwortung (2023), “en[AI]ble – Künstliche Intelligenz in kleinen und mittleren Unternehmen präventiv und produktiv implementieren [en[AI]ble - Implementing artificial intelligence in small and medium-sized enterprises preventively and productively]”, https://www.stiftung-m-g-v.de/unsere-projekte/enaible-kuenstliche-intelligenz-in-kleinen-und-mittleren-unternehmen-praeventiv-und-produktiv-implementieren (accessed on 11 December 2023).

[28] The Robot Report (2022), “IFR: China surpasses U.S. in robot density”, https://www.therobotreport.com/ifr-china-surpasses-u-s-in-robot-density/ (accessed on 11 December 2023).

[14] The Verge (2023), “Mercedes-Benz is the first to bring Level 3 automated driving to the US”, https://www.theverge.com/2023/1/27/23572942/mercedes-drive-pilot-level-3-approved-nevada (accessed on 11 December 2023).

[81] TOP500 (2023), The List, https://www.top500.org/ (accessed on 15 November 2023).

[65] UnternehmerTUM (2023), Über uns, https://www.unternehmertum.de/ueber (accessed on 17 October 2023).

[6] US Census Bureau (2023), “Only 3.8% of businesses use AI to produce goods and services, highest use in information sector”, https://www.census.gov/library/stories/2023/11/businesses-use-ai.html (accessed on 6 December 2023).

[11] WEF (2023), Global Lighthouse Network, World Economic Forum, https://initiatives.weforum.org/global-lighthouse-network/home.

[26] Zenga, F. et al. (2023), “Large language models for robotics: A survey”, https://arxiv.org/pdf/2311.07226.pdf.

Anmerkungen

← 1. Der Begriff „Mittelstand“ ist eine Besonderheit im deutschsprachigen Raum und durch die Einheit von Eigentum und Geschäftsführung definiert. Die Größe eines Unternehmens ist für seine Einstufung als Mittelstand nicht ausschlaggebend, vielmehr sind qualitative Merkmale entscheidend. Diese Einheit zeichnet sich dadurch aus, dass der Unternehmer erheblichen persönlichen Einfluss ausübt, unternehmerisches Risiko trägt und das Unternehmen als persönliche Einkommens- und Existenzquelle sichert. Tatsächlich erfüllt der Großteil der KMU die qualitativen Kriterien des Mittelstandsbegriffs, dennoch können auch große Unternehmen als Mittelstand angesehen werden. Auch wenn die Begriffe Mittelstand, Familienunternehmen, inhabergeführtes Unternehmen und familiengeführtes Unternehmen als Synonyme betrachtet werden, sollte beachtet werden, dass die Begriffe „Mittelstand“ und „kleine und mittlere Unternehmen (KMU)“ technisch gesehen nicht synonym sind, obwohl sie oft synonym verwendet werden.

← 2. Die Top500-Liste erscheint zweimal im Jahr und wird von Jack Dongarra, Martin Meuer, Horst Simon und Erich Strohmaier erstellt. Die Beiträge zu der Liste sind freiwillig, was zu methodischen Herausforderungen führt, da einige Länder in den letzten Jahren nicht durchgängig Ergebnisse vorgelegt haben. Die Analyse der KI-Recheninfrastruktur mithilfe der Top500 sollte nur als vorläufiges und richtungsweisendes Proxy-Maß betrachtet werden, wobei auf mehrere Vorbehalte hinzuweisen ist. Obwohl Supercomputer zunehmend mit spezialisierter Infrastruktur aktualisiert werden, um die effiziente Ausführung KI-spezifischer Arbeitslasten zu ermöglichen, unterscheidet die Top500-Liste Supercomputer nicht nach der Arbeitslastkapazität, die auf KI spezialisiert ist. Daher kann die Analyse der Top500-Liste nur als Proxy-Maß für die nationale Rechenkapazität der Länder dienen, nämlich mit dem Vorbehalt, dass die Infrastruktur nicht unbedingt nur für KI-Zwecke genutzt wird. Da Arbeitslasten nicht auf mehreren Supercomputern ausgeführt werden können, sollte dieses Maß zudem mit Einschränkungen betrachtet werden (z. B. wären 10 Supercomputer, die sich auf denselben Rmax-Wert wie ein einzelner Supercomputer aufsummieren, nicht mit diesem äquivalent). Weitere Informationen finden Sie unter www.top500.org.

← 3. KI-Start-ups können sich auf die Rechenleistung konzentrieren, und die Stichwörter für dieses Feld sind „Rechenleistung“, „Rechenzentrum“, „Halbleiter“, „GPU“, „CPU“, „höchste Rechenleistung“, „Kernsoftwaresystem“, „Prozessorchip“, „Infrastructure-as-a-Service“, „neuromorphes Rechnen“, „Full-Stack“, „integrierter Schaltkreis“, „FPGA“ und „Computerchips“. Weitere Informationen zu dieser Methode finden Sie unter www.oecd.ai/en/preqin.

Featured topics

Agriculture and fisheries

Climate change

Development

Digital

Economy

Education and skills

Employment

Environment

Finance and investment

Governance

Health

Industry, business and entrepreneurship

Regional, rural and urban development

Science, technology and innovation

Society

Taxation

Trade

Energy

Nuclear energy

Transport

Featured topics

Agriculture and fisheries

Climate change

Development

Digital

Economy

Education and skills

Employment

Environment

Finance and investment

Governance

Health

Industry, business and entrepreneurship

Regional, rural and urban development

Science, technology and innovation

Society

Taxation

Trade

Energy

Nuclear energy

Transport

Countries A - C

Countries D - I

Countries J - M

Countries N - R

Countries S - T

Countries U - Z

Regional and global engagement

Countries

Countries A - C

Countries D - I

Countries J - M

Countries N - R

Countries S - T

Countries U - Z

Regional and global engagement

Publications

Publications

Featured publications

Data

Data

Featured data

News & Events

News & Events

Featured Events

About OECD

About

Engage with us

Work with us

Featured topics

Agriculture and fisheries

Climate change

Development

Digital

Economy

Education and skills

Employment

Environment

Finance and investment