{"id":28338,"date":"2026-02-09T23:52:50","date_gmt":"2026-02-09T22:52:50","guid":{"rendered":"https:\/\/blog.mi.hdm-stuttgart.de\/?p=28338"},"modified":"2026-02-09T23:52:53","modified_gmt":"2026-02-09T22:52:53","slug":"der-aktuelle-ki-boom-im-vergleich-zur-dotcom-blase","status":"publish","type":"post","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/09\/der-aktuelle-ki-boom-im-vergleich-zur-dotcom-blase\/","title":{"rendered":"Der aktuelle KI-Boom im Vergleich zur Dotcom-Blase"},"content":{"rendered":"\n

Einleitung<\/strong>
1.1 Problemstellung
<\/strong>In den vergangenen Jahren hat die Entwicklung k\u00fcnstlicher Intelligenz (KI) stark an Bedeutung gewonnen. Besonders Fortschritte im maschinellen Lernen und bei generativer KI haben die \u00f6ffentliche Wahrnehmung, die Forschung und wirtschaftliche Entscheidungen gepr\u00e4gt. Viele Unternehmen investieren in KI, um Prozesse zu automatisieren, Kosten zu senken, neue Produkte zu entwickeln oder Wettbewerbsvorteile zu sichern. Verschiedene Studien und Marktberichte gehen davon aus, dass KI langfristig Produktivit\u00e4t und Wachstum beeinflussen kann (OECD, 2023; McKinsey & Company, 2023). Parallel dazu l\u00e4sst sich ein deutlicher Anstieg von Investitionen beobachten: Venture-Capital-Finanzierungen, neue KI-Start-ups, sowie hohe Ausgaben f\u00fcr Rechenzentren und Spezialhardware zeigen eine starke Marktdynamik. Gleichzeitig gibt es eine wachsende Diskussion dar\u00fcber, ob diese Entwicklung nachhaltig ist oder ob sie Anzeichen einer spekulativen \u00dcberbewertung tr\u00e4gt. In technologischen Umbruchphasen ist es h\u00e4ufig schwierig, den \u201eechten\u201c wirtschaftlichen Wert fr\u00fch abzusch\u00e4tzen. Genau diese Unsicherheit kann \u00dcbertreibungen beg\u00fcnstigen: Erwartungen werden sehr hoch, w\u00e4hrend Ertr\u00e4ge und reale Produktivit\u00e4tsgewinne erst sp\u00e4ter sichtbar werden. Historisch gesehen traten solche Muster bei verschiedenen Innovationswellen auf; h\u00e4ufig folgte auf eine Phase intensiver Investitionen und Euphorie eine Marktkorrektur (Kindleberger & Aliber, 2011). Ein bekanntes Beispiel ist die Dotcom-Blase Ende der 1990er-Jahre. Damals f\u00fchrten Erwartungen an das Internet und neue Gesch\u00e4ftsmodelle zu massiven \u00dcberbewertungen von Internetunternehmen, bevor es im Jahr 2000 zu einem deutlichen Einbruch kam (Ofek & Richardson, 2003). Gleichzeitig zeigt die Geschichte aber auch: Obwohl viele Firmen scheiterten, blieb die zugrunde liegende Technologie nicht nur relevant, sondern wurde langfristig zur Basis der digitalen Wirtschaft (Shiller,2015). Daraus ergibt sich eine zentrale Frage f\u00fcr die Gegenwart: Ist der KI-Boom eher eine nachhaltige Transformationsphase, oder \u00e4hnelt er einer Technologieblase, die zumindest teilweise \u00fcbertrieben ist?
1.2 Ziel der Arbeit
<\/strong>Ziel dieser Arbeit ist es, den aktuellen KI-Boom im Kontext historischer
Technologieblasen zu analysieren und dabei insbesondere die Dotcom-Blase als Vergleichsfall heranzuziehen. Untersucht werden Gemeinsamkeiten und Unterschiede hinsichtlich Investitionsdynamik, Erwartungen, wirtschaftlicher Nutzenentwicklung und Marktmechanismen. Auf dieser Grundlage soll eingeordnet werden, ob der aktuelle KIBoom blasen\u00e4hnliche Merkmale aufweist und welche Faktoren f\u00fcr oder gegen eine nachhaltige Entwicklung sprechen.
1.3 Forschungsfrage
<\/strong>Ausgehend von der Problemstellung ergibt sich folgende Forschungsfrage:
Inwiefern weist der aktuelle KI-Boom strukturelle Gemeinsamkeiten mit
historischen Technologieblasen, insbesondere der Dotcom-Blase, auf?
Erg\u00e4nzend werden folgende Teilfragen betrachtet:
(1) Welche wirtschaftlichen und technologischen Faktoren pr\u00e4gten die Dotcom-Blase?
(2) Welche Entwicklungen pr\u00e4gen aktuell den KI-Markt?
(3) Welche Gemeinsamkeiten und Unterschiede lassen sich daraus ableiten?
1.4 Methodisches Vorgehen
<\/strong>Die Arbeit basiert auf Literatur- und Dokumentenanalyse. Zun\u00e4chst werden
theoretische Grundlagen zu Spekulationsblasen und Technologiezyklen dargestellt (u.a. Minsky, Shiller, Perez). Anschlie\u00dfend wird der aktuelle KI-Boom anhand ausgew\u00e4hlter Studien und Reports analysiert, die sowohl skeptische als auch optimistische Perspektiven vertreten. Danach wird die Dotcom-Blase als historisches Referenzbeispiel untersucht. Abschlie\u00dfend werden beide Entwicklungen systematisch verglichen und hinsichtlich der Forschungsfrage bewertet.<\/p>\n\n\n\n

2. Theoretische Grundlagen
2.1 Spekulationsblasen und Finanzmarktinstabilit\u00e4t
<\/strong>Spekulationsblasen beschreiben Situationen, in denen Marktpreise von
Verm\u00f6genswerten deutlich vom fundamentalen wirtschaftlichen Wert abweichen. Typisch ist, dass steigende Preise weitere K\u00e4ufer anziehen, weil Marktteilnehmer zuk\u00fcnftige Gewinne erwarten. Wenn diese Erwartungen entt\u00e4uscht werden, kann das Vertrauen kippen und es kommt zu einer starken Korrektur (Kindleberger & Aliber, 2011). In Technologiephasen ist die Bestimmung des \u201eFundamentalwerts\u201c besonders schwer, weil zuk\u00fcnftige Anwendungen, Gesch\u00e4ftsmodelle und Produktivit\u00e4tsgewinne noch unklar sind. Minsky erkl\u00e4rt solche Entwicklungen mit der Financial Instability Hypothesis: Finanzsysteme werden in Boomphasen schrittweise riskanter. Positive Erwartungen f\u00f6rdern neue Finanzierungen, steigende Preise best\u00e4tigen den Optimismus, und es entstehen zunehmend spekulative Strukturen. Wenn sich die Lage dreht, kann es zu einem abrupten Umschwung kommen (Minsky, 1986). Shiller erg\u00e4nzt, dass Marktpsychologie eine gro\u00dfe Rolle spielt: Medien, gesellschaftliche Stimmung und \u00fcberzeugende \u201eZukunftsgeschichten\u201c k\u00f6nnen Euphorie verst\u00e4rken und Risiken in den Hintergrund dr\u00e4ngen (Shiller, 2015).
2.2 Technologische Revolutionen und Investitionszyklen
<\/strong>Perez liefert eine besonders hilfreiche Perspektive f\u00fcr technologiegetriebene Booms: Spekulative Investitionsphasen sind nicht nur \u201eFehler\u201c, sondern k\u00f6nnen Teil eines gr\u00f6\u00dferen Transformationsprozesses sein. Perez unterscheidet eine Installationsphase (intensive Investitionen, Aufbau von Infrastruktur, h\u00e4ufig auch \u00dcbertreibungen) und eine sp\u00e4tere Einsatz-\/Diffusionsphase, in der sich die Technologie produktiv breit durchsetzt (Perez, 2002). Nach diesem Modell kann eine Blase kurzfristig sch\u00e4dlich sein, aber langfristig Infrastruktur schaffen, die sp\u00e4teren Nutzen erm\u00f6glicht.
2.3 Innovationsdiffusion und Technologie-Hype
<\/strong>Rogers beschreibt, wie Innovationen von fr\u00fchen Anwendern zu breiteren Nutzergruppen diffundieren. In fr\u00fchen Phasen dominieren Pioniere, sp\u00e4ter folgt die Mehrheit; dieser Prozess beeinflusst Tempo und wirtschaftliche Verwertung (Rogers, 2003). Der Gartner Hype Cycle erg\u00e4nzt diese Sicht, indem er typische Erwartungsverl\u00e4ufe modelliert: von anf\u00e4nglicher Euphorie \u00fcber Ern\u00fcchterung bis zur Produktivit\u00e4tsphase (Fenn & Raskino, 2008). F\u00fcr die Einordnung aktueller KI-Entwicklungen sind beide Modelle relevant, weil sie erkl\u00e4ren, warum Erwartungen in fr\u00fchen Phasen oft h\u00f6her sind als der kurzfristige Nutzen.<\/p>\n\n\n\n

3<\/strong>. Analyse des aktuellen KI-Booms
<\/strong>Der aktuelle KI-Boom ist durch hohe Investitionen, gro\u00dfe Erwartungen und starke mediale Aufmerksamkeit gepr\u00e4gt. Dabei stehen besonders generative KI-Modelle im Fokus, weil sie in vielen Bereichen einsetzbar erscheinen. F\u00fcr eine differenzierte Analyse ist es sinnvoll, skeptische und optimistische Positionen gegen\u00fcberzustellen.
3.1 Argumente f\u00fcr eine m\u00f6gliche Blasenbildung
<\/strong>Ein zentrales skeptisches Argument betrifft die Kosten-Nutzen-Frage. Goldman Sachs hebt hervor, dass der Aufbau von KI-Infrastruktur sehr teuer ist (Rechenzentren, GPUs, Energieversorgung) und dass sich bislang nicht klar zeigt, ob entsprechende wirtschaftliche Ertr\u00e4ge im selben Tempo entstehen (Goldman Sachs, 2024). Die Kernaussage ist nicht, dass KI \u201enutzlos\u201c sei, sondern dass die Investitionsh\u00f6he m\u00f6glicherweise vorausl\u00e4uft, w\u00e4hrend konkrete, sehr skalierbare Anwendungen (\u201eKillerApps\u201c) noch nicht in ausreichendem Umfang sichtbar sind. Sequoia Capital formuliert das Argument st\u00e4rker betriebswirtschaftlich: Es wird eine potenzielle \u201eRevenue Gap\u201c beschrieben, also eine L\u00fccke zwischen den enormen Hardwareinvestitionen (insbesondere GPUs) und den Softwareerl\u00f6sen, die langfristig n\u00f6tig w\u00e4ren, um diese Ausgaben zu rechtfertigen (Sequoia Capital, 2024). Selbst wenn KI-Anwendungen wachsen, stellt sich kurzfristig die Frage, ob die entstehenden Ums\u00e4tze im Markt schnell genug steigen, um die Infrastrukturkosten zu tragen. Acemoglu bringt eine makro\u00f6konomische Perspektive ein. Seine Analyse ist besonders relevant, weil sie nicht aus einem Investmentbericht stammt, sondern aus einem wissenschaftlichen Working Paper. Er argumentiert, dass Produktivit\u00e4tseffekte von KI zwar existieren k\u00f6nnen, aber in einem begrenzteren Umfang, als viele Erwartungen
nahelegen. Dadurch k\u00f6nnte eine Diskrepanz entstehen zwischen Marktbewertungen und realwirtschaftlichem Nutzen (Acemoglu, 2024). In Verbindung mit Minsky und Shiller ergibt sich daraus ein typisches Risiko: Wenn Erwartungen zu hoch sind, k\u00f6nnen Korrekturen folgen, sobald Wachstum oder Nutzen langsamer ausf\u00e4llt.
3.2 Argumente f\u00fcr Nachhaltigkeit
<\/strong>Optimistische Analysen betonen dagegen, dass KI bereits heute in mehreren Bereichen eingesetzt wird und sich der Nutzen Schritt f\u00fcr Schritt erh\u00f6ht. Das McKinsey Global Institute beschreibt ein gro\u00dfes Potenzial f\u00fcr Wertsch\u00f6pfung, insbesondere durch Automatisierung von Wissensarbeit und Unterst\u00fctzung in Bereichen wie Kundenservice, Softwareentwicklung oder Recherche (McKinsey Global Institute, 2023). Entscheidend ist hier: Selbst wenn der Nutzen nicht sofort \u00fcberall maximal ist, k\u00f6nnen viele kleine Effizienzgewinne in Summe wirtschaftlich sehr relevant werden. ARK Invest vertritt eine sehr technologiepositive Perspektive und argumentiert, dass KI langfristig Kosten senken und Innovationszyklen beschleunigen k\u00f6nnte (ARK Invest,
2024). Diese Sicht ist weniger konservativ, zeigt aber, wie stark die Erwartungen an KI als \u201eGeneral Purpose Technology\u201c sind. Neutraler und datenorientierter ist der Stanford AI Index Report, der Entwicklungen wie Investitionen, Patente, technische Fortschritte und Verbreitung dokumentiert. Der Report spricht daf\u00fcr, dass hinter dem KI-Boom nicht nur Stimmung, sondern auch messbarer technologischer Fortschritt steht (Stanford University, 2024).
3.3 Zwischenfazit
<\/strong>Insgesamt zeigt die Analyse: Der KI-Boom bewegt sich in einem Spannungsfeld. Einerseits sprechen hohe Ausgaben und unsichere kurzfristige Ertr\u00e4ge f\u00fcr blasen\u00e4hnliche Risiken. Andererseits gibt es reale Anwendungen und messbaren Fortschritt, die f\u00fcr eine nachhaltige Entwicklung sprechen. Genau dieses ambivalente Bild macht den Vergleich mit Dotcom sinnvoll.<\/p>\n\n\n\n

4. Historische Technologieblase: Dotcom-Blase
<\/strong>Die Dotcom-Blase entstand in den sp\u00e4ten 1990er-Jahren im Umfeld der schnellen Verbreitung des Internets. Hohe Erwartungen an neue Gesch\u00e4ftsmodelle f\u00fchrten zu stark steigenden Bewertungen und massiven Kapitalzufl\u00fcssen in Internetfirmen (Ofek & Richardson, 2003). Viele Unternehmen waren noch nicht profitabel; Investoren setzten stark auf zuk\u00fcnftige Marktanteile und Wachstum. Dieser Kontext passt gut zu Perez\u2019 Idee einer fr\u00fchen Installationsphase, in der Infrastruktur aufgebaut wird, aber auch \u00dcbertreibungen entstehen k\u00f6nnen (Perez, 2002). Ein typisches Merkmal war die starke IPO-Dynamik. Viele Firmen gingen an die B\u00f6rse und erzielten hohe Ersttagsrenditen, obwohl Fundamentaldaten schwach waren (Ljungqvist & Wilhelm, 2003). Bewertungslogiken verschoben sich: Wachstumserz\u00e4hlungen wurden wichtiger als Gewinne. Goodnight und Green betonen zus\u00e4tzlich den Einfluss \u00f6ffentlicher Narrative einer \u201eneuen \u00d6konomie\u201c, die traditionelle Bewertungskriterien relativierte (Goodnight & Green, 2010). Als Erwartungen nicht erf\u00fcllt wurden und Vertrauen sank, kam es zur Korrektur. Das passt sowohl zu Minsky (Instabilit\u00e4tsdynamik) als auch zu Shiller (Marktpsychologie) (Minsky, 1986; Shiller, 2015). Langfristig blieb jedoch ein wichtiger Effekt: In der Dotcom-Phase wurde Infrastruktur aufgebaut, die sp\u00e4tere digitale Gesch\u00e4ftsmodelle erm\u00f6glichte. Trotz vieler Insolvenzen entstanden Grundlagen, auf denen erfolgreiche Plattformen und Dienste wachsen konnten (Perez, 2002).<\/p>\n\n\n\n

5. Vergleich: KI-Boom vs. Dotcom-Blase
<\/strong>Der Vergleich zeigt mehrere Gemeinsamkeiten: In beiden F\u00e4llen handelt es sich um Technologien mit dem Anspruch, ganze Branchen zu ver\u00e4ndern. Dadurch entstehen starke Erwartungen, Mediennarrative und eine hohe Investitionsbereitschaft (Perez, 2002; Shiller, 2015). Au\u00dferdem gibt es in beiden Phasen eine m\u00f6gliche L\u00fccke zwischen Investitionen und kurzfristiger Wirtschaftlichkeit: Bei Dotcom waren viele Unternehmen noch nicht profitabel (Ofek & Richardson, 2003), w\u00e4hrend bei KI vor allem die Frage nach der schnellen wirtschaftlichen Tragf\u00e4higkeit der enormen Infrastrukturkosten
diskutiert wird (Goldman Sachs, 2024; Acemoglu, 2024). Gleichzeitig bestehen wichtige Unterschiede. KI hat bereits heute breitere und praktischere Anwendungen in Unternehmen, w\u00e4hrend Dotcom stark durch unreife Gesch\u00e4ftsmodelle vieler Start-ups gepr\u00e4gt war. Zudem wird der KI-Markt st\u00e4rker von etablierten Technologieunternehmen getragen, die l\u00e4nger investieren und Risiken besser abfedern k\u00f6nnen. Aus Perez\u2019 Perspektive k\u00f6nnte der aktuelle Infrastrukturaufbau (Rechenzentren, Chips, Cloud) als typische Voraussetzung einer sp\u00e4teren breiten Produktivit\u00e4tsphase interpretiert werden (Perez, 2002). Insgesamt deutet der Vergleich darauf hin, dass der KI-Boom sowohl blasen\u00e4hnliche Elemente als auch realen Innovationsfortschritt enth\u00e4lt. Entscheidend ist weniger, ob \u201eKI insgesamt\u201c eine Blase ist, sondern ob die Investitionen in bestimmten Segmenten den wirtschaftlichen Nutzen \u00fcberholen und ob tragf\u00e4hige Anwendungen die Ausgaben langfristig rechtfertigen.<\/p>\n\n\n\n

Fazit<\/strong>
Die Arbeit hat gezeigt, dass der aktuelle KI-Boom mehrere strukturelle
Gemeinsamkeiten mit der Dotcom-Blase aufweist: starke Zukunftserwartungen, hohe Investitionen und narrative Dynamiken k\u00f6nnen \u00dcberbewertungen beg\u00fcnstigen. Gleichzeitig sprechen reale Anwendungen, messbarer technischer Fortschritt und die Rolle etablierter Unternehmen gegen eine rein spekulative Einordnung. Theoretische Ans\u00e4tze wie Perez legen nahe, dass intensive Investitionsphasen in technologischen Umbruchzeiten auch eine Infrastruktur-Funktion haben k\u00f6nnen, selbst wenn es zu \u00dcbertreibungen kommt (Perez, 2002). Vor diesem Hintergrund l\u00e4sst sich der KI-Boom am \u00fcberzeugendsten als ambivalente Phase verstehen: Es besteht ein Blasenrisiko, insbesondere dort, wo Investitionen schneller steigen als wirtschaftlich tragf\u00e4hige Ertr\u00e4ge. Gleichzeitig kann KI langfristig einen erheblichen Transformationsbeitrag leisten, wenn sich produktive Anwendungen im gro\u00dfen Ma\u00dfstab durchsetzen. Eine endg\u00fcltige Bewertung wird erst m\u00f6glich sein, wenn sich Produktivit\u00e4tseffekte und nachhaltige Gesch\u00e4ftsmodelle klarer zeigen.

Literaturverzeichnis
<\/strong>Acemoglu, D. (2024). The simple macroeconomics of AI. National Bureau of Economic
Research. https:\/\/www.nber.org<\/a>

ARK Invest. (2024). Big ideas 2024. https:\/\/www.ark-invest.com<\/a>

Fenn, J., & Raskino, M. (2008). Mastering the hype cycle: How to choose the right innovation at the right time. Harvard Business Press.

Goldman Sachs. (2024). Gen AI: Too much spend, too little benefit? Goldman Sachs Global Investment Research.

Goodnight, G. T., & Green, S. (2010). Rhetoric, risk, and markets: The dot-com bubble. Quarterly Journal of Speech, 96(2), 115\u2013136.

Kindleberger, C. P., & Aliber, R. Z. (2011). Manias, panics, and crashes: A history of financial crises (6th ed.). Palgrave Macmillan.

Ljungqvist, A., & Wilhelm, W. J. (2003). IPO pricing in the dot-com bubble. The Journal of Finance, 58(2), 723\u2013752.

McKinsey Global Institute. (2023). The economic potential of generative AI.
https:\/\/www.mckinsey.com<\/a>

Minsky, H. P. (1986). Stabilizing an unstable economy. Yale University Press.

OECD. (2023). OECD AI outlook 2023. OECD Publishing. https:\/\/www.oecd.org<\/a>

Ofek, E., & Richardson, M. (2003). DotCom mania: The rise and fall of internet stock prices. The Journal of Finance, 58(3), 1113\u20131137.

Perez, C. (2002). Technological revolutions and financial capital: The dynamics of bubbles and golden ages. Edward Elgar Publishing.

Rogers, E. M. (2003). Diffusion of innovations (5th ed.). Free Press.

Sequoia Capital. (2024). AI\u2019s $600B question. https:\/\/www.sequoiacap.com<\/a>

Shiller, R. J. (2015). Irrational exuberance (3rd ed.). Princeton University Press.

Stanford University. (2024). Artificial intelligence index report 2024. Stanford Institute for Human-Centered Artificial Intelligence. https:\/\/aiindex.stanford.edu<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Einleitung1.1 ProblemstellungIn den vergangenen Jahren hat die Entwicklung k\u00fcnstlicher Intelligenz (KI) stark an Bedeutung gewonnen. Besonders Fortschritte im maschinellen Lernen und bei generativer KI haben die \u00f6ffentliche Wahrnehmung, die Forschung und wirtschaftliche Entscheidungen gepr\u00e4gt. Viele Unternehmen investieren in KI, um Prozesse zu automatisieren, Kosten zu senken, neue Produkte zu entwickeln oder Wettbewerbsvorteile zu sichern. Verschiedene […]<\/p>\n","protected":false},"author":1301,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[1],"tags":[355,1115,480,1113],"ppma_author":[1161],"class_list":["post-28338","post","type-post","status-publish","format-standard","hentry","category-allgemein","tag-ai","tag-ai-for-business","tag-economics","tag-enterprise-ai"],"aioseo_notices":[],"jetpack_featured_media_url":"","jetpack-related-posts":[{"id":27367,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2025\/02\/26\/kunstliche-intelligenz-zur-erkennung-von-sicherheitsbedrohungen-in-unternehmensnetzwerken\/","url_meta":{"origin":28338,"position":0},"title":"K\u00fcnstliche Intelligenz zur Erkennung von Sicherheitsbedrohungen in Unternehmensnetzwerken","author":"Maike K\u00f6nig","date":"26. February 2025","format":false,"excerpt":"Anmerkung: Dieser Blogpost wurde f\u00fcr das Modul Enterprise IT (113601a) verfasst. Einleitung Stellen Sie sich vor, Sie sind ein Wachmann in einem riesigen Unternehmen. Jeden Tag patrouillieren Sie durch die G\u00e4nge und halten Ausschau nach Eindringlingen, die versuchen, an sensible Informationen zu gelangen. Doch was, wenn diese Eindringlinge keine menschlichen\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"","width":0,"height":0},"classes":[]},{"id":28304,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/08\/ai-security-leveraging-ai-for-security-automation\/","url_meta":{"origin":28338,"position":1},"title":"AI Security – Leveraging AI for Security automation","author":"Nico Giaquinta","date":"8. February 2026","format":false,"excerpt":"Dieser Blogpost wurde f\u00fcr das Modul Enterprise IT (113601a) verfasst. Lesezeit: 5 Minuten In der heutigen IT-Landschaft ist Cybersicherheit unausweichlich. Tausende Alerts, unz\u00e4hlige Logs und verd\u00e4chtige Aktivit\u00e4ten m\u00fcssen in Echtzeit analysiert werden. Traditionelle Sicherheitssysteme mit definierten Regeln sto\u00dfen an ihre Grenzen.Die Herausforderung: sich selbst verbreitende Ransomware, Phishing-Kampagnen mit Deepfakes und\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"","width":0,"height":0},"classes":[]},{"id":28372,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/18\/safeguards-in-der-ki-unterstutzten-softwareentwicklung\/","url_meta":{"origin":28338,"position":2},"title":"Safeguards in der KI-unterst\u00fctzten Softwareentwicklung","author":"Christoph Merck","date":"18. February 2026","format":false,"excerpt":"KI gest\u00fctzte Werkzeuge und autonome Agenten machen Softwareentwicklung schneller, schaffen aber neue Sicherheitsrisiken, weil sie eigenst\u00e4ndig Entscheidungen treffen und externe Tools nutzen k\u00f6nnen. Der Artikel zeigt, warum deshalb ein mehrschichtiges Safeguard Konzept n\u00f6tig ist, das klassische Ma\u00dfnahmen wie Code Reviews, Tests und statische sowie dynamische Analysen mit KI spezifischen Schutzmechanismen\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"","width":0,"height":0},"classes":[]},{"id":27197,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2025\/02\/24\/open-source-ki-modelle-chancen-und-herausforderungen-fur-unternehmen\/","url_meta":{"origin":28338,"position":3},"title":"Open-Source-KI-Modelle: Chancen und Herausforderungen f\u00fcr Unternehmen","author":"David Vogt","date":"24. February 2025","format":false,"excerpt":"Einleitung KI gewinnt rasant an Bedeutung und ist in vielen Branchen bereits nicht mehr wegzudenken. Dabei spielt es keine Rolle, ob man auf den Aktienmarkt schaut, wo Unternehmen wie NVIDIA aufgrund ihres neuen Fokus auf KI durch die Decke gehen, oder auf Firmen, die KI t\u00e4glich zur Unterst\u00fctzung nutzen [6].\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"","width":0,"height":0},"classes":[]},{"id":28240,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/01\/29\/open-source-ki-modelle-chancen-und-herausforderungen-fur-unternehmen-2\/","url_meta":{"origin":28338,"position":4},"title":"Open-Source-KI-Modelle \u2013 Chancen und Herausforderungen f\u00fcr Unternehmen","author":"Erzan Gashi","date":"29. January 2026","format":false,"excerpt":"Anmerkung:\u00a0Dieser Blogpost wurde f\u00fcr das Modul Enterprise IT (113601a) verfasst 1. Einleitung In heutiger Unternehmens-IT gewinnt Open-Source-K\u00fcnstliche Intelligenz (KI) immer mehr an Bedeutung. In einem Beitrag der Linux Foundation wird beschrieben, dass sich das Open-Source-Modell seit den 1980er-Jahren von einer Bewegung zu einem wichtigen Treiber technologischer Innovation entwickelt hat. Diese\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/01\/grafik.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/01\/grafik.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/01\/grafik.png?resize=525%2C300&ssl=1 1.5x"},"classes":[]},{"id":28637,"url":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2026\/02\/24\/potenziale-und-grenzen-ki-gestutzter-assistenzsysteme-in-der-product-owner-rolle-eine-empirische-fallstudie\/","url_meta":{"origin":28338,"position":5},"title":"Potenziale und Grenzen KI-gest\u00fctzter Assistenzsysteme in der Product Owner Rolle – eine Empirische Fallstudie","author":"Lisa-Marie Nohl","date":"24. February 2026","format":false,"excerpt":"Simeon Schulz, Ronja Brauchle, Lisa-Marie Nohl Kurzfassung: Ziel der Arbeit ist es herauszufinden, welches Potenzial k\u00fcnstliche Intelligenz bei der Arbeit eines Product Owners in der agilen Projektmanagement Methode Scrum hat. Dazu wurde eine empirische Fallstudie durchgef\u00fchrt, die unterschiedliche Tools nach Effizienz, Qualit\u00e4t, Usability und Integration bewertet. Die Ergebnisse zeigten, dass\u2026","rel":"","context":"In "Allgemein"","block_context":{"text":"Allgemein","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/category\/allgemein\/"},"img":{"alt_text":"","src":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Bildschirmfoto-2026-02-24-um-13.21.11.png?resize=350%2C200&ssl=1","width":350,"height":200,"srcset":"https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Bildschirmfoto-2026-02-24-um-13.21.11.png?resize=350%2C200&ssl=1 1x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Bildschirmfoto-2026-02-24-um-13.21.11.png?resize=525%2C300&ssl=1 1.5x, https:\/\/i0.wp.com\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2026\/02\/Bildschirmfoto-2026-02-24-um-13.21.11.png?resize=700%2C400&ssl=1 2x"},"classes":[]}],"jetpack_sharing_enabled":true,"authors":[{"term_id":1161,"user_id":1301,"is_guest":0,"slug":"lawand_abbas","display_name":"Lawand Abbas","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/1dc6ab484256f776aafb808254e5979b77cde202fd45bb0a7dba81d7de6963c7?s=96&d=mm&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""}],"_links":{"self":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28338","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/users\/1301"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/comments?post=28338"}],"version-history":[{"count":1,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28338\/revisions"}],"predecessor-version":[{"id":28339,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/posts\/28338\/revisions\/28339"}],"wp:attachment":[{"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/media?parent=28338"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/categories?post=28338"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/tags?post=28338"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/wp-json\/wp\/v2\/ppma_author?post=28338"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}