{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"de","description":"Ein vollständiger Leitfaden für künstliche Intelligenz – umfassend alle KI-Typen, Funktionsweisen, praxisnahe Use Cases, die Enterprise Governance sowie die dahinterstehende Data Foundation.\n\n","title":"Was ist künstliche Intelligenz? Ein umfassender Leitfaden | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/de/artificial-intelligence/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-709b2da98a","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence"},"experiencefragment-header":{"id":"experiencefragment-08428d5a46","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence"},"responsivegrid":{"columnCount":12,"columnClassNames":{"container_copy":"aem-GridColumn aem-GridColumn--default--12","container_626207224_":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"container_copy":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"hero",":type":"snowflake-site/components/container",":items":{"container":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_841934424":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1454163424":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-5357968abf",":type":"snowflake-site/components/container",":items":{"flexible_column_cont":{"id":"flexible-column-container-1aa323b818","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-def8ef2577",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-95828f393b","items":[{"id":"breadcrumb-95828f393b-item-086a1ac238","link":{"valid":true,"url":"/de/"},"active":false,"current":false,"title":"Deutsch",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-95828f393b-item-b4dc78da23","link":{"valid":true,"url":"/de/artificial-intelligence/"},"active":true,"current":true,"title":"Künstliche Intelligenz",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false},"flexible_column_cont_1454163424":{"id":"flexible-column-container-f8e3951e51","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"seo-pillar-hero__content","layout":"SIMPLE","id":"container-43720cf687",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_copy":{"id":"text-a7093397fa","additionalClasses":"eyebrow-text","text":"\u003Cp style=\"padding-top: 8.0px;\"\u003EGrundlagen\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-02"},"title_v2":{"id":"title-v2-02c44574dc","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Künstliche Intelligenz: Ein umfassender Leitfaden"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-eafad49551","additionalClasses":"seo-hub-hero__subheadline","text":"\u003Cp\u003EEnterprise-KI ist bereits im produktiven Einsatz – doch Architektur, Datenstrategie und Governance hinken noch hinterher. Dieser Leitfaden zeigt auf, wie moderne KI-Systeme aufgebaut sind, wo sie erfolgreich sind oder scheitern und was Unternehmen beachten müssen, um sie effektiv zu verwalten.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-0b3b079b3b",":type":"snowflake-site/components/container",":items":{"content_chip_copy":{"id":"content-chip-4f331d743a","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--d2c1126d-3244-486b-9007-1d2bc56e1893/laurie-macpherson.jpg?preferwebp=true&quality=85","alt":"Laurie MacPherson","lazyEnabled":true,"width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip":{"id":"content-chip-43427533e1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/blog/authors/gulnaz-sharipova/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"512","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f7c921fe-d10f-4d90-ac38-c79aff7cf132/gulnaz-photo.jpg?preferwebp=true&quality=85","alt":"David Gaule","lazyEnabled":true,"width":"512",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Gulnaz Sharipova","Lokale Redakteurin, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip_copy","content_chip"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["text_copy","title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},"flexible_column_content_container_2":{"additionalClasses":"seo-hub-hero__video","layout":"SIMPLE","id":"container-5693c79e27",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-6b1211253f","youtubeVideoId":"-HWNc-Hd90U","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false},"flexible_column_cont_841934424":{"id":"flexible-column-container-0a74ed5880","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"border-top","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container","layout":"SIMPLE","id":"container-c5fc2a5401",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-ff429ce5da","text":"\u003Cp\u003EThemen rund um künstliche Intelligenz:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-9c19de5f9a","additionalClasses":"related-topics","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-compliance/\"\u003EKI-Compliance\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/\"\u003EKI-Ethik\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/\"\u003EKI-Governance\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/business\"\u003EKI im Unternehmen\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/observability/\"\u003EAI Observabilty\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-risk-management/\"\u003EKI-Risikomanagement\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/\"\u003EKI-Nachverfolgbarkeit\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/\"\u003EKI-Transparenz\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003EAlgorithmic Bias\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/deep-learning/\"\u003EDeep Learning\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU AI Act\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/feature-engineering/\"\u003EFeature Engineering\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/iso-42001/\"\u003EISO/IEC 42001\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/\"\u003EMaschinelles Lernen (Machine Learning, ML)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/inference/\"\u003EML-Inferenz\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/mlops/\"\u003EMLOps\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/\"\u003EVerantwortungsvolle KI\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false}},":itemsOrder":["flexible_column_cont","flexible_column_cont_1454163424","flexible_column_cont_841934424"],"appliedCssClassNames":"snowflake-container"}},":itemsOrder":["container"],"appliedCssClassNames":"ui-background-05 snowflake-responsive-container-inner-padding-small"},"container_626207224_":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container_1561483981_602520842":"aem-GridColumn aem-GridColumn--default--12","container_805795510":"aem-GridColumn aem-GridColumn--default--12","container_1561483981":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"hubBody",":type":"snowflake-site/components/container",":items":{"container_805795510":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-bded67aa2c",":type":"snowflake-site/components/container",":items":{"flexible_column_cont":{"id":"flexible-column-container-803fad9d80","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"hub-body","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"container-d70b063e6b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_1521899678":{"id":"text-2053577d27","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EDEFINITION VON KÜNSTLICHER INTELLIGENZ\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EKünstliche Intelligenz ist das weite Feld von Systemen, die Tasks ausführen können, die mit menschlichem Denken verbunden sind, wie etwa Mustererkennung, Vorhersagen, Sprachverständnis und Entscheidungsunterstützung.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-832d7300b5","text":"\u003Cp\u003EDie meisten Unternehmen stehen keineswegs mehr am Anfang ihrer KI-Reise – sie verfügen bereits über Modelle in Production (im Produktivbetrieb) sowie laufende Pilotprojekte, während strategische Governance-Diskussionen dem rasanten Tempo des Deployment oft noch hinterherhinken. Teams müssen nun entscheiden, wie sie die passende KI-Architektur, die Datenabhängigkeiten und eine solide Evaluierungsstrategie wählen, während sie konsistente Governance, Sicherheit und operative Kontrollen über den gesamten KI-Lebenszyklus hinweg anwenden – oft implementiert durch \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/mlops/\"\u003EMLOps\u003C/a\u003E-Praktiken wie Deployment-Pipelines, Monitoring und Model-Versioning.\u003C/p\u003E\r\n\u003Cp\u003EDies erfordert weitaus mehr als bloß eine allgemeine KI-Strategie. Prädiktive Modelle, Dokumentenklassifikatoren, RAG-Anwendungen und autonome Agentsysteme sind anders aufgebaut, scheitern aus völlig unterschiedlichen Gründen und stellen gänzlich andere Anforderungen an Daten, Infrastruktur und die menschliche Überwachung Entscheidungen darüber, was entwickelt, was skaliert und was verwaltet werden soll, müssen diese Unterschiede berücksichtigen, ohne die damit verbundenen unternehmensweiten Kontrollen zu fragmentieren.\u003C/p\u003E\r\n\u003Cp\u003EDieser Leitfaden dient als Referenz für diese Arbeit. Er behandelt die wichtigsten KI-Disziplinen, wie Systeme trainiert und evaluiert werden, an welchen Stellen Enterprises diese bereits effektiv nutzen und welche Governance-, Security- und Datenüberlegungen maßgeblich bestimmen, ob ein operatives Deployment den Anforderungen auf Dauer standhält.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_1818028417":{"id":"title-v2-192a7ecc1e","additionalClasses":"anchor title anchor-title--what-is-artificial-intelligence","type":"heading2","lines":["Was ist künstliche Intelligenz?"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-ec0ee6b3ab","text":"\u003Cp\u003EKünstliche Intelligenz ist keine einzelne Disziplin, sondern ein weites Feld, das aus vielen verschachtelten Teildisziplinen besteht. Zum Beispiel ist \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/\"\u003EMachine Learning\u003C/a\u003E ein Teilbereich der KI – Systeme, die statistische Muster aus Daten lernen, anstatt expliziten Regeln zu folgen. Deep Learning ist ein Teilbereich des ML – mehrschichtige \u003Ca href=\"https://www.snowflake.com/de/fundamentals/neural-network/\"\u003Eneuronale Netze\u003C/a\u003E, die abstrakte Repräsentationen komplexer, hochdimensionaler Daten erlernen. Generative KI ist ein Produkt von Deep Learning – Foundation-Modelle, die völlig neue Outputs erzeugen, anstatt bestehende Inputs zu klassifizieren.\u003C/p\u003E\r\n\u003Cp\u003EJede dieser Schichten übernimmt die Anforderungen an die Datenqualität, die Infrastruktur und die Evaluierung der darüber liegenden Schicht. Eine Bereitstellung von generativer KI ist auch eine ML-Bereitstellung, mit allem, was dazugehört.\u003C/p\u003E\r\n\u003Cp\u003EIn diesem Fachbereich wird auch zwischen schwacher KI (Narrow AI) und künstlicher allgemeiner Intelligenz (AGI) unterschieden. Schwache KI – was im Grunde jedes derzeit operativ im Produktivbetrieb befindliche KI-System beschreibt — ist strikt für eine ganz spezifische Aufgabe oder Domäne optimiert Strategische Entscheidungen von Unternehmen in Bezug auf KI beinhalten immer schwache KI sowie die darauf anwendbaren Governance-Frameworks, Evaluierungspraktiken und Risikomodelle. AGI hingegen — also ein System, das über völlig beliebige Domänen hinweg auf menschlichem Niveau oder darüber hinaus schlussfolgern und lernen kann —, bleibt bis auf Weiteres ein reines Forschungsziel.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item_1152526200":{"id":"quote-item-0e27abd809","alignment":"left","layout":"simple","quoteSourceName":"Baris Gultekin","quoteSourceTitle":"Snowflake's VP of Product, AI","showQuoteIcon":true,"quote":"KI öffnet Unternehmen den Zugang zu Erkenntnissen aus unstrukturierten Daten – Erkenntnissen, die bisher schlicht unerreichbar waren.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"title_v2_copy_1903657955":{"id":"title-v2-6160ca477f","additionalClasses":"anchor-title anchor-title--how-does-artificial-intelligence-work","type":"heading2","lines":["Wie funktioniert künstliche Intelligenz?"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-fd605d6511","text":"\u003Cp\u003EDie meisten KI-Systeme folgen derselben grundlegenden Schleife: Daten fließen ein, ein Modell lernt daraus und dieses Modell wird dann verwendet, um Vorhersagen oder Outputs auf Basis neuer Daten zu generieren. Die drei Phasen – Training, Inferenz und Fine-Tuning – bringen jeweils ganz spezifische Anforderungen an die \u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-infrastructure/\"\u003EInfrastruktur\u003C/a\u003E und die \u003Ca href=\"https://www.snowflake.com/de/data-governance/\"\u003EData Governance\u003C/a\u003E mit sich.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ETraining\u003C/b\u003E beschreibt den Prozess, bei dem ein Modell großen Mengen an gelabelten oder ungelabelten Daten ausgesetzt wird, damit es selbstständig lernen kann, Muster zu erkennen. Bei Deep-Learning-Systemen umfasst dies typischerweise Transformer-Architekturen, die hochentwickelte Aufmerksamkeitsmechanismen nutzen, um zu lernen, welche Teile des Inputs für einen bestimmten Output am relevantesten sind. Das Training von Foundation-Modellen – den großen Basismodellen, die den meisten Generative-KI-Anwendungen zugrunde liegen – erfordert Rechenressourcen in einer Größenordnung, die in der Vergangenheit nur großen Forschungseinrichtungen und Cloud-Anbietern zugänglich war.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EInferenz\u003C/b\u003E beschreibt den operativen Vorgang, der abläuft, wenn ein bereits fertig trainiertes Modell produktiv genutzt wird. Hierbei senden Nutzer:innen eine Suchanfrage, das Modell generiert automatisiert die passende Antwort und diese Response wird in nahezu Echtzeit zurückgespielt Inferenzlatenz, Kosten und Zuverlässigkeit sind kritische operative Aspekte, die bei einer Skalierung im großen Stil sowie bei kundenorientierten Anwendungen massiv ins Gewicht fallen.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EFeinanpassung\u003C/b\u003E passt ein vortrainiertes Modell mithilfe eines kleineren, zielgerichteten Datasets an eine bestimmte Domäne oder Aufgabe an. Dies ist ein üblicher Weg für Unternehmen, die das volle Potenzial eines Foundation-Modells nutzen möchten, ohne es von Grund auf neu zu trainieren – es birgt jedoch das Risiko eines Model Drifts, wenn die Daten der Feinanpassung im Laufe der Zeit von den Produktionseingaben abweichen.\u003C/p\u003E\r\n\u003Cp\u003EDer eigentliche Engpass bei der KI-Bereitstellung ist selten das Modell selbst. In einer Umfrage von \u003Ca rel=\"noopener noreferrer\" href=\"https://www.technologyreview.com/2025/10/23/1125651/redefining-data-engineering-in-the-age-of-ai/\" target=\"_blank\"\u003EMIT Technology Review Insights\u003C/a\u003E unter 400 leitenden Daten- und Technologie-Führungskräften nannten 45 % der Befragten die Integrationskomplexität und 40 % Data Governance als die größten Herausforderungen bei KI-Initiativen. Die Datenqualität, eine klare Governance sowie die zugrunde liegende Compute-Infrastruktur prägen den Projekterfolg nachweislich nachhaltiger und konsistenter als die bloße Modellauswahl.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_2059046899":{"id":"text-2d0df03be8","additionalClasses":"callout callout--general","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003E45 % \u003C/b\u003Eder Führungskräfte nennen die Integrationskomplexität als eine der größten Herausforderungen bei KI-Initiativen.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E40 % \u003C/b\u003Enennen Data Governance als primäres Hindernis für den KI-Erfolg.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E37 %\u003C/b\u003E der gesamten Arbeitszeit im Data Engineering fließt mittlerweile direkt in dezidierte KI-Projekte (ein massiver Anstieg im Vergleich zu lediglich 19 % im Jahr 2023)\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item":{"id":"quote-item-91dcd7b8da","alignment":"left","layout":"simple","quoteSourceName":"Jennifer Belissent","quoteSourceTitle":"Principal Data Strategist, Snowflake","showQuoteIcon":true,"quote":"Den Mehrwert von KI zu messen ist entscheidend – um Investitionen zu rechtfertigen, Prioritäten bei den Anwendungen zu setzen und künftige Chancen gegen potenzielle Risiken abzuwägen.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_1948751468":{"id":"text-aa5e7f054b","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cb\u003EHÄUFIGER FALLSTRICK\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003ETeams, die sich auf die Auswahl oder Feinanpassung von Modellen konzentrieren, bevor sie ein stabiles Fundament für Daten, Evaluierung und Governance schaffen, stoßen nach dem Rollout in der Produktion oft auf Probleme, die schwer zu diagnostizieren und zu beheben sind.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_2049864016":{"id":"text-4f6f1da3e1","text":"\u003Cp\u003E\u003Ci\u003E\u003Cu\u003E\u003C/u\u003ESehen Sie sich ein Video-Tutorial für die ersten Schritte mit Snowflake Cortex Agents an:\u003C/i\u003E\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube_1156321798":{"id":"embed-87bf048ba7","youtubeVideoId":"SDqyB-yWaAE","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_v2_copy":{"id":"title-v2-2229a575e1","additionalClasses":"anchor-title anchor-title--types-of-ai","type":"heading2","lines":["Arten von KI"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy_831105251":{"id":"text-d3584f26fc","text":"\u003Cp\u003EIn der Wissenschaft werden KI-Systeme basierend auf ihren Gedächtnis- und Schlussfolgerungsfähigkeiten standardmäßig in vier übergeordnete Kategorien unterteilt.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EReaktiv → Begrenztes Gedächtnis → Theory of Mind → Selbstwahrnehmend\u003C/b\u003E\u003C/p\u003E\r\n\u003Cp\u003EIn der Praxis fällt jedes derzeit in Produktion befindliche System unter die ersten beiden Arten.\u003C/p\u003E\r\n\u003Ctable\u003E\r\n\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003ETyp\u003C/th\u003E\r\n\u003Cth\u003EBeschreibung\u003C/th\u003E\r\n\u003Cth\u003EBeispiel\u003C/th\u003E\r\n\u003C/tr\u003E\u003C/thead\u003E\u003Ctbody\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003EReaktiv\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003EReagiert unmittelbar auf eingehende Inputs ohne jegliche Speicherung vergangener Interaktionen\u003C/td\u003E\r\n\u003Ctd\u003EEchtzeit-Anomaliekennzeichnungen, klassische Spam-Filter\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003EBegrenztes Gedächtnis\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003ENutzt historische Daten, um aktuelle Entscheidungen zu treffen\u003C/td\u003E\r\n\u003Ctd\u003EEmpfehlungssysteme, Fraud Detection Models\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003ETheory of Mind\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003EWürde menschliche Absichten und emotionale Zustände verstehen\u003C/td\u003E\r\n\u003Ctd\u003EExistiert aktuell noch ausschließlich zu Forschungszwecken im Laborstadium\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003ESelbstwahrnehmend\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003EBesäße ein eigenes subjektives Bewusstsein, echte Identität und tiefes Selbstwissen\u003C/td\u003E\r\n\u003Ctd\u003ETheoretisch\u003C/td\u003E\r\n\u003C/tr\u003E\u003C/tbody\u003E\u003C/table\u003E\r\n\u003Cp\u003EDie praktische Konsequenz: Die heutige KI agiert innerhalb begrenzten Kontexten. Wenn ein Modell bei einer bestimmten Aufgabe eine hohe Performance erzielt, liegt das daran, dass es explizit für diese Aufgabe trainiert und mit Daten evaluiert wurde, die den Bedingungen in Production stark ähneln. Systeme, die scheinbar fähig sind, zu verallgemeinern, sind in der Praxis meist entweder sehr große Limited-Memory-Modelle oder eng spezialisierte Systeme mit breiter Trainingsabdeckung – und keine allgemeine Intelligenz.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_565269666":{"id":"title-v2-0ba1ecef0d","additionalClasses":"anchor-title anchor-title--core-ai-disciplines","type":"heading2","lines":["KI-Kerndisziplinen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_1898884637":{"id":"text-87fd847935","text":"\u003Cp\u003EDie folgenden Disziplinen repräsentieren die Hauptzweige der angewandten KI. Jede dieser Disziplinen verfügt über eigene Methoden, standardisierte Benchmarks und spezifische Failure Modes. Für Teams, die KI-Systeme entwickeln oder evaluieren, bildet das Verständnis darüber, aus welcher Disziplin eine bestimmte Anwendung ihre Logik zieht, das Fundament, um die richtigen Fragen zu Datenanforderungen, Evaluierungskriterien und operationellen Risiken zu stellen.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EMaschinelles Lernen \u003C/b\u003Etrainiert statistische Modelle auf Basis historischer Daten, um Eingaben zu klassifizieren, Ergebnisse vorherzusagen oder verborgene Strukturen aufzudecken. Die wichtigsten Designentscheidungen – Feature Engineering, Hyperparameter-Anpassung, und Ensemble-Methoden – beinhalten alle Kompromisse zwischen Modellkomplexität, Interpretierbarkeit und Generalisierung. Ein Großteil moderner Enterprise Prädiktive Analytik läuft nativ auf Basis von ML.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EDeep Learning\u003C/b\u003E nutzt neuronale Netze mit einer Vielzahl von verborgenen Schichten, um abstrakte Repräsentationen komplexer Daten eigenständig zu erlernen: Bilder, Audio-Feeds, Freitext oder komplexe Zeitreihensignale. Mehrere Kerntechniken, darunter Gradientenabstieg und Backpropagation, ermöglichen es diesen Netzwerken, Merkmale automatisch zu erlernen, anstatt ein explizites Engineering zu erfordern. Deep Learning bildet das technologische Fundament für fast alles, was aktuell im Bereich der Consumer-Applications als KI bezeichnet wird. \u003Ca href=\"https://www.snowflake.com/de/fundamentals/deep-learning/\"\u003EMehr über Deep Learning erfahren >\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ENatural Language Processing\u003C/b\u003E (NLP - Verarbeitung natürlicher Sprache) ermöglicht es Systemen, menschliche Sprache zu interpretieren, zu klassifizieren und zu generieren. Modernes NLP basiert größtenteils auf Transformer-basierten Sprachmodellen und bildet das Fundament für verschiedenste Applications - von der Dokumentenklassifizierung über intuitive Conversational Interfaces bis hin zur automatisierten Codegenerierung. \u003Ca href=\"https://www.snowflake.com/de/fundamentals/natural-language-processing/\"\u003EMehr über Natural Language Processing erfahren >\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EComputer Vision\u003C/b\u003E wendet Deep Learning auf visuelle Daten wie Bilder und Videos an, um Tasks wie Objekterkennung, Bildklassifizierung, Fehleridentifikation und Gesichtserkennung umzusetzen. Die Technologie wird in den Bereichen Fertigung, Logistik, Gesundheitswesen sowie in modernen Sicherheitssystemen bereits weitreichend eingesetzt. \u003Ca href=\"https://www.snowflake.com/de/fundamentals/computer-vision/\"\u003EMehr über Computer Vision erfahren >\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EReinforcement Learning\u003C/b\u003E trainiert Agenten darin, Aktionen in einer Umgebung auszuführen, um ein Belohnungssignal zu maximieren. Es bildet das Fundament wegweisender Spielsysteme wie AlphaGo und besitzt eine rasant wachsende Relevanz für die Robotik, autonome Systeme sowie, in abgewandelter Form, für das Training moderner Sprachmodelle mittels Reinforcement Learning from Human Feedback (RLHF). \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/reinforcement-learning/\"\u003EMehr über Reinforcement Learning erfahren >\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EGenerative KI\u003C/b\u003E nutzt große Foundation Models – bei der Anwendung auf Text oft als \u003Ca href=\"https://www.snowflake.com/de/fundamentals/large-language-model/\"\u003ELarge Language Models\u003C/a\u003E (LLMs) bezeichnet –, um neue Inhalte zu erstellen: Text, Code, Bilder, Audio und synthetische Daten. Zu den wichtigsten Funktionen gehören Zero-Shot-Learning (Ausführen von Tasks ohne aufgabenspezifische Trainingsbeispiele) und das Chain-of-Thought-Prompting (Modelle anleiten, ein Problem Schritt für Schritt zu durchdenken). Das immense Tempo der Adaption hat die methodische Evaluierungspraxis in vielen Organisationen schlichtweg überholt — ein erhebliches Governance-Risiko, das meist direkt in Production aufbricht, noch bevor es in der strategischen Planung Berücksichtigung findet. \u003Ca href=\"https://www.snowflake.com/de/fundamentals/generative-ai-architecture-models-applications/\"\u003EMehr über generative KI erfahren >\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EMultimodale KI \u003C/b\u003Ekombiniert Eingaben über verschiedene Modalitäten hinweg – Text, Bilder, Audio, Video – in einem gemeinsamen Embedding-Raum, sodass ein einziges Modell über verschiedene Datentypen hinweg logische Schlüsse ziehen kann. Sie markiert die aktuelle Grenze in der Entwicklung von Foundation Models und besitzt eine rasant wachsende Relevanz für moderne Anwendungen, die Dokumente, Diagramme und unstrukturierte Medien parallel in einem Workflow verarbeiten müssen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_2089711109":{"id":"title-v2-7f1303f8ad","additionalClasses":"anchor-title anchor-title--ai-agents-and-agentic-systems","type":"heading2","lines":["KI-Agenten und agentische Systeme"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_1819706580":{"id":"text-d6f9d3041f","text":"\u003Cp\u003EEin intelligenter KI-Agent ist ungleich leistungsfähiger und autonomer als ein simpler, regelbasierter Chatbot. Ein solcher Agent kann selbstständig über mehrere Schritte hinweg vorausschauend planen, externe Tools nutzen, dynamisch Kontext aus Drittquellen abrufen und eigenständig Aktionen ausführen. Beispielsweise kann ein klassischer Kundensupport-Chatbot lediglich vordefinierte Fragen beantworten; ein intelligenter Agent ist hingegen in der Lage, eine komplexe Kundenanfrage entgegenzunehmen, den relevanten Kontoverlauf abzurufen, eine Wissensdatenbank zu querschlagen, eigenständig einen Lösungsvorschlag zu entwerfen und ein Support-Ticket zu eröffnen — und das fast vollständig autonom.\u003C/p\u003E\r\n\u003Cp\u003EDiese Fähigkeit macht agentische Systeme auch zur risikoreichsten Kategorie innerhalb des gesamten \u003Ca href=\"https://www.snowflake.com/en/fundamentals/enterprise-ai/\"\u003EEnterprise-KI-\u003C/a\u003EStack. Fehler summieren sich über mehrere Schritte hinweg, weshalb die menschliche Aufsicht vor der Bereitstellung geplant werden muss.\u003C/p\u003E\r\n\u003Cp\u003EDarüber hinaus sind KI-Agenten immer nur so gut wie die Informationen, auf die sie operativ zugreifen können – \u003Ca href=\"https://www.snowflake.com/de/blog/easy-button-context-rich-ai-agents/\"\u003ERetrieval-Qualität, Kontextmanagement und Tool-Zuverlässigkeit\u003C/a\u003E sind genauso wichtig wie das Modell selbst. Ein Agent, der auf Basis veralteter, unvollständiger oder unzureichend abgegrenzter Daten agiert, produziert in hoher Geschwindigkeit selbstbewusste, plausible Fehler.\u003C/p\u003E\r\n\u003Cp\u003EAgentic AI ist aktuell das am schnellsten voranschreitende Teilgebiet im gesamten Enterprise-AI-Sektor — während regulatorische und interne Governance-Frameworks dieser rasanten Entwicklung noch spürbar hinterherhinken. Teams, die agentische Systeme entwickeln, sollten den genauen Scope, klare Eskalationspfade sowie potenzielle Failure Modes (Fehlermuster) zwingend weit vor dem finalen Deployment definieren, nicht danach. \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/\"\u003EMehr über KI-Agenten erfahren >\u003C/a\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_1848786618":{"id":"title-v2-b3803284dc","additionalClasses":"anchor-title anchor-title--enterprise-ai-use-cases","type":"heading2","lines":["Enterprise-KI-Anwendungsfälle"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_992156203":{"id":"text-2f80b21f02","text":"\u003Cp\u003EDie Einführung von Enterprise-KI konzentriert sich tendenziell auf jene Bereiche, in denen der zugrunde liegende Workflow, die zugehörigen Data Inputs sowie die definierten Evaluierungskriterien bereits vollständig und klar verstanden sind. Die folgenden Beispiele konzentrieren sich auf Bereiche, in denen KI bereits in der Produktion angewendet wird, und nicht auf spekulative oder in der Frühphase befindliche Experimente.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EEntscheidungsunterstützung \u003C/b\u003Eergänzt das Urteilsvermögen von Analyst:innen und Bediener:innen durch modellgenerierte Empfehlungen, wie z. B. Risikobewertung, Kreditprüfung, klinische Entscheidungsunterstützung und Supply-Chain-Optimierung.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EAutomatisierung\u003C/b\u003E übernimmt hochvolumige, regelbasierte Prozesse: Dokumentenverarbeitung, E-Mail-Triage, Support-Ticket-Routing, Dateneingabe, Code-Review. Der geschäftliche Mehrwert liegt hierbei primär in Durchsatz und absoluter Konsistenz, nicht in Neuartigkeit.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EContent-Generierung \u003C/b\u003Enutzt generative KI, um Entwürfe, Zusammenfassungen, Übersetzungen, Produktbeschreibungen und interne Dokumentationen in großem Maßstab zu erstellen. Qualitätskontrolle sowie eine solide Evaluierungsinfrastruktur spielen in diesem Kontext eine wichtige Rolle als die Modellauswahl.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EPersonalisierung\u003C/b\u003E treibt Empfehlungs-Engines, Dynamic Pricing, individualisiertes Marketing und adaptive Produkterlebnisse an. Diese Systeme sind oft die am längsten bestehenden ML-Deployments in einem Unternehmen und weisen die ausgeprägteste historische Technical Debt auf.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EFraud- und Anomalie-Erkennung\u003C/b\u003E nutzt Deep Learning, um Muster zu identifizieren, die von der Baseline abweichen: Finanzbetrug, Netzwerkeinbrüche, Fertigungsfehler, oder Probleme mit der Datenqualität.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EPrognosen\u003C/b\u003E wenden hochentwickelte Zeitreihenmodelle und ML auf die Bedarfsplanung, das Kapazitätsmanagement, Finanzprojektionen und Risikomodellierung an.\u003C/p\u003E\r\n\u003Cp\u003EIm Bereich\u003Cb\u003E Industrie 4.0\u003C/b\u003E verarbeiten KI-Systeme die Sensor- und Maschinendaten des IoT in Echtzeit – und ermöglichen so Anwendungen wie vorausschauende Wartung, Qualitätssicherung und autonome Produktionsoptimierung.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003ESehen Sie sich diese Präsentation an, um zu verstehen, wie generative KI und Accelerated Computing jede Branche verändern:\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube_1030707130":{"id":"embed-156a92587f","youtubeVideoId":"O8sQxPgw8Ws","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"card_v2":{"id":"card-v2-05adcb5714","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003ETS Imagine, ein führender Anbieter von Handels- und Risikomanagement-Software, automatisierte den E-Mail-Eingang und das Support-Ticket-Routing mithilfe von Snowflake Cortex AI RAG — wodurch jährlich 4.000 Stunden an manueller Arbeit zurückgewonnen und die operativen Kosten um 30 % gesenkt wurden.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal","title":{"id":"title","type":"heading4","lines":["Customer Story: TS Imagine"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/customers/all-customers/case-study/ts-imagine/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Customer Story lesen (Englisch)"},"image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--3b812ed0-848d-4714-96e8-ce82ea5f8ebb/ts-imagine%25403x.png?preferwebp=true&quality=85","alt":"TSImagine Logo","lazyEnabled":true,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card"},"title_v2_copy_copy":{"id":"title-v2-586ed2a543","additionalClasses":"anchor-title anchor-title--ai-governance-risk-and-security","type":"heading2","lines":["KI-Governance, -Risiko und -Sicherheit"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy_83110":{"id":"text-999045771a","text":"\u003Cp\u003EKI-Governance ist keine bloße Planungsübung mehr für eine zukünftige Bereitstellung. Viele Organisationen steuern heute Systeme, die bereits in Produktion sind, einschließlich Modellen und Anwendungen, die entwickelt wurden, bevor unternehmensweite Kontrollen, Eigentümerstrukturen und Monitoring-Praktiken vollständig definiert waren.\u003C/p\u003E\r\n\u003Cp\u003EDas regulatorische Marktumfeld hat die Dringlichkeit dieses Themas nochmals massiv verschärft. Der \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU AI Act\u003C/a\u003E legt risikobasierte, gestufte Anforderungen fest — Systeme, die in den Bereichen Personalwesen, Kreditvergabe, Strafverfolgung oder bei kritischen Infrastrukturen zum Einsatz kommen, unterliegen dabei den strengsten regulatorischen Auflagen. Das \u003Ca rel=\"noopener noreferrer\" href=\"https://csrc.nist.gov/projects/risk-management/about-rmf\" target=\"_blank\"\u003ENIST AI Risk Management Framework\u003C/a\u003E bietet eine freiwillige, aber weit verbreitete Struktur zur Identifizierung, Bewertung und Steuerung von KI-Risiken über den gesamten Modelllebenszyklus hinweg. Beide Frameworks gehen dezidiert davon aus, dass eine effektive Governance bereits in der Designphase ansetzen muss, nicht erst beim Deployment — was bedeutet, dass jene Organisationen, die diesen Schritt übersprungen haben, nun nachträglich und unter hohem Aufwand jene Strukturen aufbauen müssen, die eigentlich von Anfang an hätten stehen sollen.\u003C/p\u003E\r\n\u003Cp\u003EDeutsche Unternehmen, die KI zur Verarbeitung personenbezogener Daten einsetzen, müssen sich an die Vorgaben der \u003Ca href=\"https://dsgvo-gesetz.de/\"\u003EDSGVO\u003C/a\u003E halten. Zentrale Anforderungen sind hierbei Artikel 22 (Rechte bei automatisierten Entscheidungen) und Artikel 35 (Datenschutz-Folgenabschätzung, DPIA) bei Hochrisiko-Verarbeitungen. Oftmals laufen die Compliance-Anforderungen der DSGVO und des EU AI Act parallel, da ein Hochrisiko-KI-System nach dem EU AI Act häufig auch eine DPIA nach der DSGVO erfordert. Die deutschen Datenschutzbehörden gehören zu den aktivsten Durchsetzungsbehörden in der EU, was die Einhaltung der Datenschutzvorschriften umso wichtiger macht.\u003C/p\u003E\r\n\u003Cp\u003EEnterprise-KI-Risiken lassen sich in drei Kategorien unterteilen:\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003EDatenrisiken\u003C/b\u003E umfassen die Qualität der Trainingsdaten, Bias, Herkunft und Datenschutz.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EModellrisiken\u003C/b\u003E deckt Aspekte wie Modellgenauigkeit (Accuracy), Kalibrierung, Drift sowie die Interpretierbarkeit ab.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EOperationelle Risiken\u003C/b\u003E erfasst die nachgelagerten Auswirkungen von Modell-Outputs auf geschäftliche Entscheidungen, beteiligte Menschen und IT-Systeme.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003EDas Management dieser Risiken erfordert eine systematische Evaluierung – definierte Prozesse, um das Modellverhalten vor der Bereitstellung zu testen, es in der Produktion zu überwachen und Drift zu erkennen, bevor er zu einem geschäftlichen Problem wird.\u003C/p\u003E\r\n\u003Cp\u003EDasselbe Muster zeigt sich bei Enterprise-Bereitstellungen: Teams, die frühzeitig in Evaluierungen investieren, erkennen Fehlermuster, bevor sie die Production-Umgebung erreichen, während Teams die dies versäumen, am Ende gezwungen sind, Probleme mühsam auf Basis von Nutzerbeschwerden per Reverse-Engineering zu rekonstruieren.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item_1218174521":{"id":"quote-item-46251c82eb","alignment":"left","layout":"simple","quoteSourceName":"Jennifer Belissent","quoteSourceTitle":"Principal Data Strategist, Snowflake","showQuoteIcon":true,"quote":"Wer KI-Nutzung wirklich skalieren und den daraus entstehenden Mehrwert steigern will, muss operationalisieren und industrialisieren. Das erfordert die Abstimmung zwischen Technologie und Business, eine koordinierte Ressourcensteuerung sowie die Standardisierung von Richtlinien und Prozessen.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_1896381897":{"id":"text-46824ccbef","text":"\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/\"\u003EMehr über KI-Governance erfahren >\u003C/a\u003E | \u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-security/\"\u003EMehr über KI-Sicherheit erfahren >\u003C/a\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"title_v2_copy_copy_1670228814":{"id":"title-v2-b05544e9ee","additionalClasses":"anchor-title anchor-title--the-data-foundation-behind-ai","type":"heading2","lines":["Die Datengrundlage für KI"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy_83110_19424502":{"id":"text-ae7e6af7cc","text":"\u003Cp\u003EDie KI-Qualität ist eine Funktion der Datenqualität. Diese fundamentale Beziehung gilt ausnahmslos für jede in diesem Leitfaden behandelte Disziplin: Ein Deep-Learning-Modell, das auf Basis nicht repräsentativer Daten trainiert wurde, wird auf exakt dieselbe Weise scheitern wie eine klassische Logistic Regression, die mit schlechten Daten trainiert wurde — nur wesentlich weniger nachvollziehbar.\u003C/p\u003E\r\n\u003Cp\u003EDie Datenanforderungen für moderne KI-Systeme gehen über sauberer, gelabelter Datasets hinaus. Sie umfassen geregelte Zugriffskontrollen (damit Modelle mit Daten trainiert werden, für deren Nutzung die Teams autorisiert sind), klare Geschäftsdefinitionen (damit Features in Trainings- und Produktionsumgebungen dasselbe bedeuten), Lineage und Herkunft (damit Teams das Verhalten eines Modells bis zu seinen Eingaben zurückverfolgen können) sowie eine performante Infrastruktur, die Modellen bei der Inferenz Daten bereitstellen kann, ohne Latenzen oder Engpässe zu verursachen.\u003C/p\u003E\r\n\u003Cp\u003EDie nackte operative Realität zeigt, dass sich die tägliche Arbeit im Data Engineering mittlerweile substanziell in Richtung KI verlagert hat. Die Umfrage von MIT Technology Review Insights ergab, dass Data Engineers inzwischen 37% ihrer Zeit für KI-Projekte aufwenden, verglichen mit 19% im Jahr 2023 – eine fast vollständige Verdopplung innerhalb von zwei Jahren. Diese Verlagerung setzt Datenplattform-Teams unter Druck, KI-fähige Daten zuverlässig verfügbar zu machen und nicht nur theoretisch zugänglich.\u003Cbr\u003E\r\n\u003Cbr _rte_temp_br=\"brEOB\"\u003E\r\nDatensouveränität ist ein zentrales Anliegen für deutsche Unternehmen, die cloudbasierte KI-Lösungen einführen. Sie möchten genau wissen, wo ihre Daten verarbeitet und gespeichert werden – dies betrifft sowohl Trainingsdaten und Inferenzdaten als auch Prompts, die an große Sprachmodelle gesendet werden. Cloud-Plattformen, die Transparenz hinsichtlich der Datenresidenz und Zugriffskontrollen bieten, adressieren diese Bedenken direkt und schaffen so die notwendige Vertrauensbasis für den Einsatz von KI in der Cloud.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_946526351":{"id":"card-v2-0f49439085","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EState Street erzielte durch den Einsatz einer modernen Deep-Learning-Anomalieerkennung auf Snowflake eine 25-fache Produktivitätssteigerung innerhalb ihrer Data Operations — hierbei wurden 100 % aller echten Ausnahmen zuverlässig erfasst und gleichzeitig 87 % der False Positives vollständig eliminiert. Die Arbeitskosten für das Client Onboarding sanken um 50 %.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal","title":{"id":"title","type":"heading4","lines":["Customer Story: State Street"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/customers/all-customers/case-study/state-street/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Customer Story lesen"},"image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--d747d8ae-ec39-45c3-b3f3-c4c3f9a7e443/state-street%25403x.png?preferwebp=true&quality=85","alt":"State Street logo","lazyEnabled":true,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card"},"text_copy_copy_83110_69230348":{"id":"text-361bc22f6d","text":"\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/product/ai/\"\u003EMehr über Snowflake für KI erfahren >\u003C/a\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_copy_copy_1534133931":{"id":"title-v2-a226a16efd","additionalClasses":"anchor-title anchor-title--history-of-ai","type":"heading2","lines":["Geschichte der KI"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy_83110_670475437":{"id":"text-01714e8b93","additionalClasses":"callout callout--general","text":"\u003Cdiv\u003E \u003C/div\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cb\u003E1950\u003C/b\u003E – Der Computerpionier Alan Turing schlägt den Turing-Test als Maßstab für maschinelle Intelligenz vor\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003E1956\u003C/b\u003E – Die Dartmouth Conference prägt den Begriff „künstliche Intelligenz“\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003E1997\u003C/b\u003E – IBMs Deep Blue besiegt den Schachweltmeister Garry Kasparov\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003E2012\u003C/b\u003E – AlexNet gewinnt den renommierten ImageNet-Wettbewerb und Deep Learning etabliert sich endgültig als dominierendes Paradigma in der Computer Vision\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003E2017\u003C/b\u003E – Google-Forscher:innen stellen die revolutionäre Transformer-Architektur in ihrer wissenschaftlichen Arbeit „Attention Is All You Need“ vor\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003E2022\u003C/b\u003E – ChatGPT wird veröffentlicht und generative KI rückt in den Mittelpunkt der Enterprise-Diskussionen\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003E2024+\u003C/b\u003E – Agentenbasierte KI-Systeme entwickeln sich zur nächsten Entwicklungsstufe für Enterprise-Bereitstellungen\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_685568339":{"id":"title-v2-ae959ecac9","additionalClasses":"anchor-title anchor-title--next-steps","type":"heading2","lines":["Nächste Schritte"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_1142311968":{"id":"text-6f86980ee7","text":"\u003Cp\u003EZuverlässige Enterprise-KI hängt vom Betriebssystem rund um das Modell ab: Evaluierungsmethoden, kontrollierter Datenzugriff, Monitoring-Praktiken, Eigentümerstrukturen und Eskalationspfade für fehlerhafte Ausgaben, Drift, verminderte Performance und unbeabsichtigtes Verhalten. Die nachfolgenden Leitfäden behandeln jene Disziplinen, die AI-Systemen effektiv dabei helfen, sich von isolierten Bereitstellungen hin zu verlässlichen, stabilen Production Services zu transformieren.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_617860334":{"id":"text-a617b4b655","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EWICHTIGSTE ERKENNTNIS\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EEnterprise-KI ist erfolgreicher, wenn Unternehmen Architektur, Daten, Evaluierung und Governance über den gesamten Lebenszyklus hinweg aufeinander abstimmen und dabei anerkennen, dass unterschiedliche KI-Systeme unterschiedliche Anforderungen stellen, aber dennoch unter konsistenten Kontrollen betrieben werden müssen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["text_1521899678","text","title_v2_1818028417","text_copy","quote_item_1152526200","title_v2_copy_1903657955","text_copy_copy","text_2059046899","quote_item","text_1948751468","text_2049864016","youtube_1156321798","title_v2_copy","text_copy_copy_831105251","title_v2_565269666","text_1898884637","title_v2_2089711109","text_1819706580","title_v2_1848786618","text_992156203","youtube_1030707130","card_v2","title_v2_copy_copy","text_copy_copy_83110","quote_item_1218174521","text_1896381897","title_v2_copy_copy_1670228814","text_copy_copy_83110_19424502","card_v2_946526351","text_copy_copy_83110_69230348","title_v2_copy_copy_1534133931","text_copy_copy_83110_670475437","title_v2_685568339","text_1142311968","text_617860334"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"container-3d7a10d8fb",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-88f08a9e03",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-97a6a8b4eb","additionalClasses":"eyebrow-text","text":"\u003Cp\u003E\u003Cu\u003E\u003C/u\u003EIn diesem Leitfaden\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"text_copy":{"id":"text-aebab63cd5","additionalClasses":"page-toc","text":"\u003Cul\u003E\n\u003Cli data-anchor=\"what-is-artificial-intelligence\"\u003EWas ist künstliche Intelligenz?\u003C/li\u003E\n\u003Cli data-anchor=\"how-does-artificial-intelligence-work\"\u003EWie funktioniert künstliche Intelligenz?\u003C/li\u003E\n\u003Cli data-anchor=\"types-of-ai\"\u003EArten von KI\u003C/li\u003E\n\u003Cli data-anchor=\"core-ai-disciplines\"\u003EKI-Kerndisziplinen\u003C/li\u003E\n\u003Cli data-anchor=\"ai-agents-and-agentic-systems\"\u003EKI-Agenten und agentische Systeme\u003C/li\u003E\n\u003Cli data-anchor=\"enterprise-ai-use-cases\"\u003EEnterprise-KI-Anwendungsfälle\u003C/li\u003E\n\u003Cli data-anchor=\"ai-governance-risk-and-security\"\u003EKI-Governance, -Risiko und -Sicherheit\u003C/li\u003E\n\u003Cli data-anchor=\"the-data-foundation-behind-ai\"\u003EDie Datengrundlage für KI\u003C/li\u003E\n\u003Cli data-anchor=\"history-of-ai\"\u003EGeschichte der KI\u003C/li\u003E\n\u003Cli data-anchor=\"next-steps\"\u003ENächste Schritte\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false}},":itemsOrder":["flexible_column_cont"],"appliedCssClassNames":"snowflake-container snowflake-responsive-container-inner-padding-small"},"container_1561483981":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"topics",":type":"snowflake-site/components/container",":items":{"container":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"flexible_column_cont_1969625716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_470142727":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","title_v2":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1605976184":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1090102409":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-1ad62d5cf4",":type":"snowflake-site/components/container",":items":{"flexible_column_cont_470142727":{"id":"flexible-column-container-9fa337a4fb","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-517d2b6182",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-4aba823c78","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-cb720bb192","text":"\u003Cp\u003EIhre häufigsten Fragen zum Thema künstliche Intelligenz, beantwortet von Snowflake-Expert:innen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-7801384038",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-eb1068d0c9","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Was ist KI einfach erklärt?","richText":"\u003Cp\u003EKI bezieht sich auf Softwaresysteme, die Tasks ausführen, welche mit menschlichem Denken assoziiert werden – wie das Erkennen komplexer Muster, das Treffen prädiktiver Vorhersagen, das Verstehen natürlicher Sprache sowie das Generieren neuer Inhalte. In der Praxis sind die meisten KI-Systeme spezialisierte Tools, die für spezifische Tasks optimiert wurden, und keine universellen Denkmaschinen.\u003C/p\u003E\n"},{"title":"Was ist der Unterschied zwischen KI und maschinellem Lernen?","richText":"\u003Cp\u003EMaschinelles Lernen ist ein Teilbereich der KI. KI bildet das übergeordnete Feld von Systemen, die in der Lage sind, menschenähnliche Denk-Tasks auszuführen. ML ist ein spezifischer Ansatz zum Aufbau von KI-Systemen, der statistische Muster aus Daten lernt, anstatt explizit programmierten Regeln zu folgen.\u003C/p\u003E\n"},{"title":"Ist ChatGPT künstliche Intelligenz?","richText":"\u003Cp\u003EJa. ChatGPT ist eine generative KI-Anwendung, die auf Large Language Models (LLMs) basiert. Diese sind ein Produkt von Deep Learning, welches ein Teilbereich des maschinellen Lernens ist, das wiederum ein Teilbereich der KI ist. Obwohl es in seiner Domäne äußerst leistungsfähig ist, handelt es sich nicht um ein allgemeines Denksystem.\u003C/p\u003E\n"},{"title":"Was sind die Hauptziele von KI?","richText":"\u003Cp\u003EAuf Enterprise-Ebene fokussieren sich die Ziele von KI primär darauf, die Geschwindigkeit, Präzision und Skalierbarkeit von strategischen Entscheidungen sowie operativen Abläufen drastisch zu steigern, manuelle Aufwände zu reduzieren und verborgene Muster in Datenstrukturen offenzulegen, die Menschen ohne technologische Unterstützung schlichtweg nicht erkennen könnten.\u003C/p\u003E\n"},{"title":"Wofür wird KI im geschäftlichen Umfeld eingesetzt? ","richText":"\u003Cp\u003EDie häufigsten Enterprise-Anwendungsfälle sind Entscheidungsunterstützung, Prozessautomatisierung, Content-Generierung, Personalisierung, Betrugs- und Anomalie-Erkennung sowie Prognosen. Der rote Faden ist die Anwendung von statistischem Lernen auf Tasks, die zuvor pro Output-Einheit erheblichen menschlichen Zeitaufwand erforderten.\u003C/p\u003E\n"},{"title":"Was ist der Unterschied zwischen dem Training von KI-Modellen und Inferenz?","richText":"\u003Cp\u003ETraining ist der Prozess, bei dem ein \u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-models/\"\u003EKI-Modell\u003C/a\u003E durch die Anpassung seiner internen Parameter Muster aus großen Datasets lernt. Inferenz ist, wenn das trainierte Modell verwendet wird, um Vorhersagen zu treffen oder Outputs basierend auf neuen Daten zu generieren. Kurz gesagt: Training baut das Modell auf und Inferenz wendet es an.\u003C/p\u003E\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false},"title_v2":{"id":"title-v2-949eac9f77","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["KI-Ressourcen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"flexible_column_cont_1605976184":{"id":"flexible-column-container-df81c2b53f","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-9c07793082",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"flexible_column_cont":{"id":"flexible-column-container-c920ca876f","propertiesId":"seo-hub-resources","type":"2-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-569c804ec4",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"content_chip":{"id":"content-chip-34b70a0c69","tagText":"E-BOOK","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/lp/radical-roi-generative-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"E-Book Lesen"},"headline":{"id":"title","type":"heading5","lines":["Der ROI von generativer KI und KI-Agenten 2026"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"content_chip_1350384":{"id":"content-chip-19b75d5149","tagText":"WHITEPAPER","tagColor":"#FFD9AF","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/white-paper/from-prompt-to-purpose-unlocking-business-value-with-agentic-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Weiterlesen"},"headline":{"id":"title","type":"heading5","lines":["Vom Prompt zum Ziel: Geschäftswert mit agentenbasierter KI erschließen"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["content_chip","content_chip_1350384"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-837c6b833c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"content_chip_1281525":{"id":"content-chip-bd49d9dcf9","tagText":"E-BOOK","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/ebook/building-the-interoperable-lakehouse-data-strategies-for-ai-leaders/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"E-Book Lesen"},"headline":{"id":"title","type":"heading5","lines":["Aufbau des interoperablen Lakehouse: Datenstrategien für KI-Verantwortliche"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"content_chip_5895901":{"id":"content-chip-b17393c9c1","tagText":"BERICHT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/redefining-data-engineering-in-the-age-of-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"E-Book Lesen"},"headline":{"id":"title","type":"heading5","lines":["Data Engineering im KI-Zeitalter neu definiert"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["content_chip_1281525","content_chip_5895901"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false}},":itemsOrder":["flexible_column_cont"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false},"flexible_column_cont_1090102409":{"id":"flexible-column-container-686fc33256","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-f69466b47c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-508e9e91c2","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["KI-Themen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-bc58bb3833","text":"\u003Cp\u003EDetaillierte Einblicke in jeden Aspekt der künstlichen Intelligenz\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false},"flexible_column_cont":{"id":"flexible-column-container-ee9be2046b","type":"3-column-even","alignColumns":"match-height","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-7397ec23c1",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-2244acb810","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EPrinzipien und Governance-Praktiken für die Entwicklung von KI-Systemen, die transparent, fair, rechenschaftspflichtig und sicher sind.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["KI-Ethik"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card"}},":itemsOrder":["card_v2"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-81fa5f009c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_copy":{"id":"card-v2-0ddf2c2a3b","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EPraktiken und Kontrollen für die Entwicklung von KI-Systemen, die ethischen Standards, Governance-Anforderungen und menschlicher Aufsicht entsprechen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Responsible KI"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card"}},":itemsOrder":["card_v2_copy"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-78a21af631",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_copy":{"id":"card-v2-19469d4f48","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EEin Überblick über die EU-Verordnung zur Regelung von KI-Risiken, Transparenz, Rechenschaftspflicht und Compliance für KI-Systeme und -Anbieter.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["EU AI Act"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/eu-ai-act/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card"}},":itemsOrder":["card_v2_copy"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false},"flexible_column_cont_1969625716":{"id":"flexible-column-container-ae39aa69cd","type":"3-column-even","alignColumns":"match-height","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-da5492373b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-c3291b0540","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EWie Bias in KI-Modellen und Entscheidungssystemen entsteht und welche Methoden zu seiner Erkennung, Messung und Reduzierung eingesetzt werden.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Algorithmic Bias"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/algorithmic-bias/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card"}},":itemsOrder":["card_v2"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-5aa410718f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_copy":{"id":"card-v2-37ef9d4a2a","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EFrameworks, Richtlinien und Aufsichtsmodelle für das Management von KI-Risiken, Rechenschaftspflicht, Compliance und operativer Kontrolle.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["KI-Governance"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card"}},":itemsOrder":["card_v2_copy"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-9929a9ce4a",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_copy":{"id":"card-v2-d46fe351b6","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EAnsätze, um KI-Systeme durch Dokumentation, Erklärbarkeit, Nachvollziehbarkeit und klare Modell-Governance verständlich zu machen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["KI-Transparenz"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card"}},":itemsOrder":["card_v2_copy"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false}},":itemsOrder":["flexible_column_cont_470142727","title_v2","flexible_column_cont_1605976184","flexible_column_cont_1090102409","flexible_column_cont","flexible_column_cont_1969625716"],"appliedCssClassNames":"snowflake-container snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container"],"appliedCssClassNames":"ui-background-05 snowflake-responsive-container-inner-padding-small"},"container_1561483981_602520842":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"faq",":type":"snowflake-site/components/container",":items":{"container":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-33b22895c7",":type":"snowflake-site/components/container",":items":{},":itemsOrder":[],"appliedCssClassNames":"snowflake-container snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container"],"appliedCssClassNames":"ui-background-01 snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container_805795510","container_1561483981","container_1561483981_602520842"]}},":itemsOrder":["container_copy","container_626207224_"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-a2bfd1ea67",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-c029f01d4a","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-328705be06","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-10c34275d0","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-8b39b74f7d","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence"},"experiencefragment":{"id":"experiencefragment-540c9fc771","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],":hierarchyType":"page","isPasswordProtected":false,"analyticsContentTags":[],"analyticsEnabled":true,":path":"/content/snowflake-site/global/de/artificial-intelligence","analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/de/artificial-intelligence","language":"de","category":"general","pageName":"Künstliche Intelligenz: Ein umfassender Leitfaden","contentTags":[]},"coveoConfig":{"apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com","pipeline":"snowflake.com"},"locale":"de"}