KI-Agenten geben weniger oft nicht existierende Quellen an, verlinken aber in 15,9% der Fälle auf falsche Papers, und stoppen bei schwierigen Fragen die Tool-Nutzung genau dort, wo diese am kritischsten wäre.
OpenBioRQ zeigt, dass agentenbasierte KI-Modelle bei komplexen biomedizinischen Forschungsfragen bei etwa 40% versagen und gerade bei schwierigen Aufgaben ihre Werkzeuge nicht mehr einsetzen, obwohl diese am wichtigsten wären.
Mitarbeiter geben sensible Daten unbewusst in nicht autorisierte KI-Dienste ein; traditionelle DLP-Lösungen erfassen diese neuen Datenpfade nicht und benötigen kontextbasierte Risikoanalysen statt pauschaler Blockaden.
ViQ quantisiert visuelle Eingaben auf beliebigen Auflösungen zu diskreten Repräsentationen und erreicht dabei 20–70 % Trainings-Beschleunigung gegenüber kontinuierlichen Bildenkodierungen.
Unternehmen haften für Fehler ihrer KI-Systeme wie für Fehler von Mitarbeitern – eine Regelung, die verhindert, dass KI-Einsatz zur Haftungsbefreiung bei fehlerhaften Ausgaben missbraucht wird.
Unternehmen, die KI-Systeme betreiben, haften für deren fehlerhafte Ausgaben genauso wie für Fehler von Mitarbeitern und können sich nicht durch die technische Natur des Systems davon befreien.
Output-Kompression reduziert Inferenzkosten um 1,4–3x, Input-Kompression erhöht sie um durchschnittlich 1,15x, weil Modelle mit längeren Antworten auf ungenaue Prompts reagieren.
