Europas KI-Chancen werden auf Unternehmensebene immer deutlicher, wo die Einführung weniger von der Leistungsfähigkeit abstrakter Modelle als vielmehr von der Lösung praktischer Probleme abhängt, die darüber entscheiden, ob KI tatsächlich eingesetzt werden kann.
Enterprise AI dringt in die schwierigen Bereiche vor
Die einfache Version von Enterprise AI ist eine Demo. Die harte Version ist alles, was passiert, nachdem die Demo funktioniert.
Hier stoßen Unternehmen auf Berechtigungen, veraltete Software, unvollständige Daten, Benutzeroberflächen, Compliance-Anforderungen, Integrationskosten, Sicherheitsrisiken und Arbeitsabläufe, die von außen einfach aussehen, aber voller Ausnahmen sind. Hier positionieren sich mittlerweile auch viele der interessantesten KI-Unternehmen.
Bei HumanX kam eines der klarsten Unternehmens-KI-Signale von den Unternehmen, die eher auf praktischen Engpässen als auf abstrakten Hypes aufbauen. Für die europäischen Unternehmen und Gründer, mit denen Elena sprach, war das Muster klar: Sie versuchten nicht, die größten US-Labore zu kopieren. Sie bauten auf spezifischen Unternehmensproblemen auf.
H Company konzentrierte sich auf computergestützte Agenten für ältere Arbeitsabläufe. Malt berücksichtigte Talent, Berechtigungen und menschliche Aufsicht. Neuralk AI konzentrierte sich auf tabellarische Basismodelle für Unternehmensdaten. Twelve Labs konzentrierte sich auf Video Intelligence als fehlende Ebene der Unternehmens-KI.
Zusammen deuten sie auf eine fundiertere Version des KI-Marktes hin. Die nächste Unternehmenswelle wird nicht nur vom größten allgemeinen Modell gewonnen. Gewinner werden Unternehmen sein, die verstehen, wo die Arbeit tatsächlich stecken bleibt.
Die Unternehmenskarte
Das Problem mit der Legacy-Software
H Company bot vielleicht das deutlichste Beispiel für diesen praktischen Fokus.
Sein Argument ist, dass ein Großteil der Unternehmenswelt immer noch mit Software läuft, die nicht für Agenten, APIs oder saubere Automatisierung entwickelt wurde. Unternehmen verfügen über alte Systeme, getrennte Tools, manuelle Prozesse und Arbeitsabläufe, die sich über Salesforce, SAP, E-Mail, PDFs, interne Portale und branchenspezifische Schnittstellen erstrecken.
Gautier Cloix beschrieb das Problem unverblümt: Die Menschheit arbeitet immer noch an veralteter Software, die keine APIs und keine sauberen Daten hat. Die traditionelle Antwort war Migration. Doch die Migration ist langsam, teuer und am Ende oft schon veraltet.
Die Antwort von H Company ist Computernutzung: Agenten, die Software über dieselben menschlichen Schnittstellen bedienen, die Mitarbeiter bereits verwenden. Cloix beschrieb Arbeitsabläufe, bei denen ein Verkäufer, Kundendienstmitarbeiter, Einkäufer, eine Krankenschwester oder ein Backoffice-Mitarbeiter 40 Schritte in fünf oder zehn verschiedenen Tools ausführt. Anstatt alle darunter liegenden Systeme neu aufzubauen, lernt der Agent, die darüber liegende Schnittstelle zu bedienen.
Deshalb ist die Computernutzung wichtig. Es ist keine glamouröse Forschung. Es handelt sich um das praktische Problem des Klickens, Tippens, Scrollens, Lesens von Bildschirmen und Bewegen zwischen Systemen, die nie dazu gedacht waren, miteinander zu kommunizieren.
In den Worten von Cloix handelt es sich bei dem allgemeinen Kundenprofil nicht um einen bestimmten Sektor. Dabei geht es darum, ob ein Unternehmen über „einen Software-Stack mit mehr als fünf Tools“ verfügt und mindestens eines dieser Tools keine APIs hat.
Die jüngste Veröffentlichung von Holo3.1 bekräftigt diese Richtung, indem H Company die Modellfamilie rund um Web-, Desktop-, Mobil- und Business-Workflow-Automatisierung positioniert. Das allgemeinere Signal ist, dass Computernutzer zu einer ernsthaften Unternehmenskategorie werden und nicht nur zu einer Demo eines Modells, das einen Browser bedient.
Die menschliche Ebene der Agentenarbeit
Wenn sich H Company auf die Softwareschnittstelle konzentriert, konzentriert sich Malt auf die Schnittstelle zwischen Mensch und Organisation.
Claire Lebarz, CTO von Malt, beschrieb das Unternehmen als Europas größte Plattform für unabhängige Experten und Freiberufler. Dadurch erhält Malt einen konkreten Einblick in die Art und Weise, wie sich die Arbeit verändert, da Freiberufler oft schneller auf neue Technologien reagieren als große Unternehmen.
Laut Lebarz sprachen Talente bereits über Agenten, bevor die Nachfrage vollständig aufgeholt hatte. Jetzt verzeichnet Malt innerhalb von nur drei oder vier Monaten einen Anstieg der Nachfrage nach Agentenfähigkeiten um 600 %.
Das ist wichtig, denn bei der Einführung von KI in Unternehmen geht es nicht nur um den Kauf von Tools. Es geht darum, ob Unternehmen über Mitarbeiter verfügen, die chaotische Geschäftsanforderungen in Arbeitsabläufe umsetzen, Agenten beaufsichtigen und die Automatisierung an den Unternehmenskontext anpassen können.
Lebarz‘ interessantester Satz war „Humans over the Loop“. Ihrer Ansicht nach wird es bei der Arbeit von morgen darum gehen, dass Agenten mehr Aufgaben übernehmen, aber über dem Prozess werden weiterhin Menschen benötigt: Schulung, Überwachung, Orchestrierung und Anpassung der Agenten an reale Unternehmensumgebungen.
Das ist eine nützliche Korrektur der üblichen Automatisierungsgeschichte. Die Frage ist nicht, ob Agenten Menschen in einem einfachen Eins-zu-Eins-Austausch ersetzen. Die Frage ist, wie die Arbeit verpackt wird: Welche Teile gehen an Agenten, welche Teile erfordern Experten und welche Teile erfordern Menschen, die den Kontext gut genug verstehen, um mehrere Systeme gleichzeitig zu überwachen.
Die Perspektive von Malt zeigt auch, warum Europa möglicherweise eine andere KI-Chance hat. Die Region verfügt über etablierte Unternehmenskunden, Talent-Märkte, ein Bewusstsein für Regulierungen und ein Problem des Personalübergangs, das nicht durch Hype allein gelöst werden kann. Wenn Agentenarbeit Vertrauen, Berechtigungen, Identität, Bewertung und Kontext erfordert, dann wird die menschliche Ebene Teil des Produkts.
Die Daten, die Unternehmen tatsächlich nutzen
Neuralk AI brachte die Diskussion auf eine der häufigsten, aber am wenigsten diskutierten Formen von Unternehmensdaten: Tabellen.
Der Pitch des Unternehmens ist einfach und ehrgeizig. Sein Gründer beschrieb, dass Neuralk für tabellarische Daten das tut, was Fundamentmodelle für Text tun. Anstatt von jedem Kunden den Aufbau einer separaten Pipeline für maschinelles Lernen zu verlangen, erstellt das Unternehmen Basismodelle, die über einen API-Endpunkt Vorhersagen aus Zeilen und Spalten treffen können.
Das ist wichtig, weil die meisten Unternehmen nicht mit sauberen Texten im Internetmaßstab arbeiten. Sie basieren auf strukturierten Daten: Kunden, Transaktionen, Lagerbestände, Finanzunterlagen, Betriebskennzahlen, Risikobewertungen und interne Historien. Diese Tabellen sind oft der Kern des Geschäfts, aber es handelt sich nicht um Daten, die einfach aus dem Internet gelöscht werden können.
Der Gründer erklärte, dass tabellarische Daten die Kerndaten eines jeden Unternehmens seien, weshalb Unternehmen diese nicht freiwillig weitergeben würden. Der Ansatz von Neuralk verwendet während des Trainings synthetische Tabellen, damit das Modell statistische Muster lernen und dann zum Zeitpunkt der Inferenz gekennzeichnete Kontextbeispiele verwenden kann, um Vorhersagen zu Kundendaten zu treffen.
Dies ist ein ganz anderes KI-Problem für Unternehmen als Chat. Es geht um statistische Schlussfolgerungen, Vorhersagen, Datenqualität und Bereitstellung, ohne dass jedes Unternehmen die gesamte Maschinerie klassischer ML-Operationen aufrechterhalten muss.
Wenn es funktioniert, deutet es auf einen Unternehmenstrend hin: Der KI-Stack rückt näher an die Datenstrukturen heran, auf die Unternehmen bereits angewiesen sind.
Die fehlende Videoebene
Twelve Labs hat eine weitere fehlende Ebene hinzugefügt: Video.
Das Unternehmen ging davon aus, dass das Verstehen von Videos nicht dasselbe ist wie das Transkribieren von Dialogen oder das Erkennen von Objekten in Bildern. Video erfordert Zeitverständnis, Ton, Dialog, Szenenkontext, Bewegung und die Fähigkeit zu entscheiden, was wichtig ist und was nicht.
Sein Marengo-Modell ermöglicht die semantische Suche in Video, Bild, Audio und Sprache. Pegasus ist ein Videosprachenmodell, das Szenen analysieren, Videos zusammenfassen, Metadaten generieren und strukturierte Ausgaben unterstützen kann.
Das ist wichtig, da Unternehmen bereits über riesige Videoarchive verfügen: Studios, Sportligen, Nachrichtensender, Produktionsfirmen, Organisationen des öffentlichen Sektors, Sicherheitsteams und Datenanbieter. Viele dieser Videos sind wertvoll, aber schwer zu durchsuchen, zu kuratieren, zu monetarisieren oder in Workflows umzuwandeln.
Das Twelve Labs-Gespräch verband Video auch mit einer größeren Geschichte über physische KI. Ein Vertreter beschrieb Video als grundlegend für Robotik und Automobilsysteme, da Maschinen die reale Welt verstehen müssen. Sie beschrieben den Ehrgeiz als eine Art „visuellen Kortex für Maschinen“.
Dieser Satz trägt dazu bei, das Unternehmen mit dem umfassenderen HumanX-Thema zu verbinden. Unternehmens-KI besteht nicht nur aus Text, Code oder Datenbanken. Es ist auch visuell, zeitlich, multimodal und schließlich räumlich.
Europas Chance liegt in der Besonderheit
Das gemeinsame Muster dieser Unternehmen ist die Spezifität.
H Company versucht nicht, einen universellen Chatbot zu entwickeln. Es wird versucht, Legacy-Software zu betreiben. Malt spricht nicht nur abstrakt von KI-Jobs. Es geht darum, wie Talente, Agenten und Aufsicht für Unternehmen gebündelt werden. Neuralk versucht nicht, ein weiteres allgemeines Sprachmodell zu erstellen. Es basiert auf tabellarischen Daten. Twelve Labs betrachtet Video nicht als Nebenfunktion. Das Videoverständnis wird als Grundschicht behandelt.
Diese Besonderheit könnte der Punkt sein, an dem Europa konkurrieren kann. Der Markt für Unternehmens-KI benötigt nicht nur größere Modelle. Es braucht Unternehmen, die Arbeitsabläufe, Branchenbeschränkungen, sensible Daten, Arbeitsmärkte und die letzte Meile zwischen Fähigkeit und Akzeptanz verstehen.
Das war das interessantere Signal von HumanX. Bei der europäischen KI-Geschichte geht es nicht nur darum, ob Europa ein Grenzlabor aufbauen kann, das mit den USA mithalten kann. Es geht auch darum, ob europäische Unternehmen KI in einsetzbare Systeme für die chaotische, regulierte und operative Welt verwandeln können, in der Unternehmen tatsächlich leben.
Die Antwort liegt möglicherweise weniger im Spektakel als vielmehr in den langweiligen Orten, an denen wirklich gearbeitet wird: alte Software, private Daten, Rekrutierungsabläufe, Videoarchive und die Menschen, die Agenten von oben überwachen.
