Veranstaltungsprogramm

Im Projekt PhaceSpace wurde ein Verfahren zur Erstellung von forensischen Phantombildern mittels generativer KI-Modelle entwickelt. Dazu wurde das Modell StyleGAN um einen geeig-neten Suchprozess im Parameterraum erweitert, eine Frontend-Backend Lösung als Pilotan-wendung implementiert und eine experimentelle Validierung durchgeführt.

Large Language Models (LLMs) bieten Potenziale zur Automatisierung wissensintensiver Dokumentenerstellung. Das Paper beschreibt ein konzeptionelles Framework zur qualitätsgesicherten Erstellung von Dokumenten. Es wird für einen konkreten Use Case in der Unternehmensberatung umgesetzt und genutzt zur vergleichenden Evaluation mehrer aktueller LLMs.

Die Umsetzung des konzeptionellen Frameworks bietet einen validierten Ansatz für weitere wissensintensive Prozesse. Die Evaluation gängiger LLMs gibt einen Einblick in die Leistungsfähigkeit aktueller Modelle und wirft ein Licht auf Erfolgsfaktoren bei der Einbindung von RAG-Architekturen in Geschäftsprozesse.

Der Beitrag zeigt, dass regulatorisch konforme und vertrauenswürdige KI-Systeme nicht primär auf Ebene der Modelle entstehen, sondern auf Basis geeigneter Datenarchitekturen und konsequenter Data Governance. Aktuelle regulatorische Anforderungen, insbesondere durch den EU AI Act, verlangen Transparenz, Nachvollziehbarkeit und Auditierbarkeit von KI-Entscheidungen. Diese lassen sich nur erfüllen, wenn Datenmodelle, Metadaten, Provenienz und Versionierung systematisch berücksichtigt werden.

Anhand moderner Datenarchitekturansätze wie Data Warehouses, Data Mesh und semantischer Layer wird erläutert, wie strukturierte Datenpipelines eine sogenannte „Audit-ready KI“ ermöglichen. Der Beitrag verbindet technische, organisatorische und regulatorische Perspektiven und verdeutlicht anhand praxisnaher Beispiele aus regulierten Umfeldern, wie KI-Governance „by Design“ als integraler Bestandteil von Datenplattformen umgesetzt werden kann.

Traditional business theories implicitly assume that increases in economic output also require increases in resources and employee count. In contrast, AI-enabled entrepreneurs increasingly demonstrate extreme operational scalability, achieving high output with very small teams. Despite conceptual discussions of these trends, empirical real-world evidence based on operational data remains limited.

This paper is contributes a real-world, data-driven example case that empirically illustrates the above documented trends by analyzing multi-year daily operational time-series data from an AI-driven startup firm.

The analysis investigates how between 2021 and 2024, annual algorithmically executed transactions increased from approximately 360,000 to over 2.4 million, while gross transaction volume scaled from about 500 million to more than 20 billion USD.

During the same period, average employee count remained below five full-time equivalents. As a result, transaction volume–to–employee ratios increased substantially by more than a factor of ten over the observation period. This translated into approximately 4 billion USD in transaction volume and nearly 480,000 transactions per FTE.

Tables, graphs and visualization of primary and secondary data are used. Additional metrics such as network effects and fees are assessed and success factors are provided.