Innovation

Neue Technologie zählt erst, wenn Nutzen, Risiko und Betrieb belegt sind

Innovation bewertet neue Technologien nach Nutzen, Risiko und Betriebsfähigkeit. Generative KI, dezentrale Architekturen und Quanten-Computing verändern Anforderungen an Daten, Sicherheit und Governance. Relevant sind belastbare Architekturen wie RAG, Data Mesh und souveräne KI.

Dieses Modul beschreibt die Bewertung und Implementierung neuer Technologien. Es behandelt Prozesse für Technologiemanagement (Tech Radar) sowie ethische und regulatorische Leitplanken (Digitale Ethik) in einer KI-geprägten Wirtschaft.

Drei Innovations-Leitprinzipien

Technologieentscheidungen folgen drei Prinzipien:

Data-Driven Architecture: Daten sind ein produktives Asset. Moderne Architekturen (Data Mesh, Medallion) machen Daten dezentral verfügbar und zentral auditierbar.
Generative KI und RAG-Architektur: Der Einsatz von KI erfordert den Schutz des geistigen Eigentums. Retrieval-Augmented Generation (RAG) auf kontrollierter Infrastruktur kann KI-Nutzung mit klaren Datenflüssen und geringerer Abhängigkeit von öffentlichen Modellen verbinden.
Resilienz durch Dezentralisierung: Emerging Technologies (Web3, Edge Computing) sind dort sinnvoll, wo sie Abhängigkeiten von zentralen Plattformbetreibern reduzieren und die Ausfallsicherheit erhöhen.

Inhaltsverzeichnis

Data Architecture: Belastbare Erkenntnisse brauchen strukturierte Daten-Pipelines. Medallion Architecture und Data Mesh geben Rohdaten eine prüfbare, skalierbare Form.
Modern Databases: Moderne Applikationen brauchen die passende Datenbank pro Aufgabe. Polyglot Persistence kombiniert SQL, NoSQL, Graph und Vector nach Zweck.
GenAI und RAG: Nutzbare generative KI braucht Zugriff auf internes Wissen. RAG verbindet Sprachmodelle mit Firmendokumenten und trennt sie vom Modelltraining.
Data Governance: Vertrauenswürdige Datenprodukte brauchen klare Regeln und laufende Qualitätssignale. Data Governance und Observability regeln Standards und Lineage.
Data Mesh: Skalierbare Datennutzung in grossen Organisationen braucht Verantwortung in den Fachdomänen. Data Mesh behandelt Daten als Produkte der Domänen.
Tech Radar: Klare Technologieentscheide brauchen gemeinsame Orientierung. Ein Tech Radar bewertet Trends, Werkzeuge und Methoden systematisch und hält Fokus.
Technische Schulden: Dauerhafte Lieferfähigkeit braucht sichtbare technische Schulden. Geplante Refactorings halten Wartung, Architektur und Entwicklungstempo steuerbar.
OSS-Strategie: Tragfähige technische Grundlagen brauchen eine klare OSS-Strategie. Beiträge, Abhängigkeiten und Upstream-Verantwortung machen Entscheide nachvollziehbar.
Blockchain und Web3: Dezentrales Vertrauen braucht manipulationsresistente Nachweise. Blockchain und Web3 unterstützen Transaktionen, Datenhoheit und Self-Sovereign Identity.
Edge Computing: Schnelle IoT-Entscheide brauchen Verarbeitung nahe an der Quelle. Edge Computing verlagert Analyse an Maschinen, Werkhallen und mobile Endgeräte.
Privacy und Anonymity: Datenerkenntnisse und Privatsphäre lassen sich technisch verbinden. PETs und Anonymisierung schützen sensible Informationen während der Analyse.
Digitale Ethik: Verantwortliche digitale Systeme brauchen klare Rechenschaft. Digitale Ethik ordnet KI-Entscheide nach Verantwortung, Diskriminierung und Transparenz.
Post-Quanten-Kryptografie: Langfristig vertrauliche Daten brauchen heute Krypto-Agilität. Post-Quanten-Kryptografie plant die Migration von RSA und ECC zu quantensicheren Standards.
KI-Governance: Steuerbare KI-Nutzung braucht ein Betriebsmodell. KI-Governance regelt Modelle, Daten, Aufsicht und Nachweise als Basis für souveräne KI.
KI-Agenten und agentische Systeme: Handelnde KI-Systeme brauchen klare Kontrolle. KI-Agenten planen, rufen Werkzeuge auf und beobachten Ergebnisse in zielgerichteten Workflows.
LLMOps und MLOps: Produktive KI braucht wiederholbaren Betrieb. LLMOps und MLOps versionieren Modelle und Prompts, messen Qualität, Kosten, Latenz und Drift.
Prompt- und Context-Engineering: Bessere Modellantworten beginnen oft bei der Eingabe. Prompt- und Context-Engineering formen Anweisungen, Kontext und Werkzeug-Schemata vor Fine-Tuning.
Vektordatenbanken und Embeddings: Semantische Suche braucht Bedeutung als Vektoren. Embeddings und Vektordatenbanken bilden die Grundlage für Ähnlichkeitssuche, RAG und Retrieval.
KI-Evaluation und Guardrails: Verlässliche produktive KI braucht Messung und Betriebskontrollen. Evaluation prüft Qualität systematisch, Guardrails halten Ein- und Ausgaben im Rahmen.
Fine-Tuning vs RAG vs Prompting: Effiziente KI-Projekte beginnen mit dem passenden Hebel. Prompting, RAG und Fine-Tuning balancieren Kosten, Aktualität und Kontrolle.
Souveräne KI: KI und Datensouveränität brauchen eine passende Architektur. Souveräne KI betreibt offene Modelle auf Schweizer oder eigener Infrastruktur.
Sprachmodelle: Tragfähige Modellentscheide brauchen sichtbare Abwägungen. Sprachmodelle reichen von selbst betreibbaren offenen Modellen bis zu Frontier-APIs.
Workflow-Automation und Datenflüsse: Nützliche Automation beginnt mit kontrollierten Datenflüssen. Workflow-Automation verbindet Systeme, setzt Grenzen und hält Kontrolle klar.
A-Team: Belastbare digitale Abläufe brauchen offene, ersetzbare Bausteine. Das A-Team verbindet Anmeldung, Zusammenarbeit, Wissen und KI mit vorhandenen Tools.