eventualities = (
   {
       "title": "Secure database learn",
       "device": research_db,
       "kwargs": {
           "desk": "prospects",
           "operation": "choose",
           "kind": "choose",
           "sensitivity": "medium"
       }
   },
   {
       "title": "Blocked harmful database motion",
       "device": research_db,
       "kwargs": {
           "desk": "prospects",
           "operation": "drop",
           "kind": "drop_table",
           "sensitivity": "crucial"
       }
   },
   {
       "title": "Exterior e mail requiring approval",
       "device": research_email,
       "kwargs": {
           "to": "(e mail protected)",
           "recipient_domain": "instance.com",
           "topic": "Quarterly replace",
           "physique": "Sharing a non-confidential quarterly replace.",
           "kind": "send_email",
           "sensitivity": "medium"
       }
   },
   {
       "title": "Exterior e mail denied attributable to approval rejection",
       "device": research_email,
       "kwargs": {
           "to": "(e mail protected)",
           "recipient_domain": "instance.com",
           "topic": "Confidential technique",
           "physique": "This incorporates confidential technique.",
           "kind": "send_email",
           "sensitivity": "crucial"
       }
   },
   {
       "title": "Secure sandbox shell command",
       "device": ops_shell,
       "kwargs": {
           "command": "echo Agent governance is lively",
           "kind": "shell_exec",
           "sensitivity": "low"
       }
   },
   {
       "title": "Harmful shell command blocked",
       "device": ops_shell,
       "kwargs": {
           "command": "rm -rf /content material/one thing",
           "kind": "shell_exec",
           "sensitivity": "crucial"
       }
   },
   {
       "title": "Low-trust agent blocked from delicate information",
       "device": shadow_db,
       "kwargs": {
           "desk": "executive_compensation",
           "operation": "choose",
           "kind": "choose",
           "sensitivity": "crucial"
       }
   },
   {
       "title": "Monetary switch requiring approval",
       "device": finance_transfer,
       "kwargs": {
           "quantity": 2500,
           "vacation spot": "vendor-123",
           "kind": "transfer_money",
           "sensitivity": "excessive"
       }
   },
   {
       "title": "Giant monetary switch rejected",
       "device": finance_transfer,
       "kwargs": {
           "quantity": 15000,
           "vacation spot": "vendor-999",
           "kind": "transfer_money",
           "sensitivity": "crucial"
       }
   },
)
outcomes = ()
for state of affairs in eventualities:
   strive:
       output = state of affairs("device")(**state of affairs("kwargs"))
       outcomes.append({
           "state of affairs": state of affairs("title"),
           "standing": "executed",
           "output": output
       })
   besides Exception as e:
       outcomes.append({
           "state of affairs": state of affairs("title"),
           "standing": "blocked_or_pending",
           "error": str(e)
       })
audit_df = audit_log.to_dataframe()
display_cols = (
   "timestamp",
   "agent_name",
   "tool_name",
   "choice",
   "matched_rule",
   "severity",
   "cause",
   "record_hash"
)
show(audit_df(display_cols))
test_cases = (
   {
       "title": "drop_table should be denied",
       "id": research_agent,
       "tool_name": "query_database",
       "motion": {"kind": "drop_table", "sensitivity": "crucial", "autonomous": True},
       "anticipated": "deny"
   },
   {
       "title": "secure choose ought to be allowed",
       "id": research_agent,
       "tool_name": "query_database",
       "motion": {"kind": "choose", "sensitivity": "low", "autonomous": True},
       "anticipated": "enable"
   },
   {
       "title": "exterior e mail ought to require approval",
       "id": research_agent,
       "tool_name": "send_email",
       "motion": {
           "kind": "send_email",
           "recipient_domain": "instance.com",
           "sensitivity": "medium",
           "autonomous": True
       },
       "anticipated": "require_approval"
   },
   {
       "title": "low belief delicate entry denied",
       "id": unknown_agent,
       "tool_name": "query_database",
       "motion": {"kind": "choose", "sensitivity": "crucial", "autonomous": True},
       "anticipated": "deny"
   },
   {
       "title": "shell command ought to enter sandbox",
       "id": ops_agent,
       "tool_name": "shell_exec",
       "motion": {
           "kind": "shell_exec",
           "command": "echo whats up",
           "sensitivity": "low",
           "autonomous": True
       },
       "anticipated": "sandbox"
   },
)
test_results = ()
for check in test_cases:
   choice = engine.consider(
       id=check("id"),
       tool_name=check("tool_name"),
       motion=check("motion")
   )
   handed = choice.choice == check("anticipated")
   test_results.append({
       "check": check("title"),
       "anticipated": check("anticipated"),
       "precise": choice.choice,
       "handed": handed,
       "matched_rule": choice.matched_rule
   })
test_df = pd.DataFrame(test_results)
show(test_df)
engine.activate_kill_switch()
strive:
   research_db(
       desk="prospects",
       operation="choose",
       kind="choose",
       sensitivity="low"
   )
besides Exception as e:
   move
engine.deactivate_kill_switch()
audit_df = audit_log.to_dataframe()
abstract = (
   audit_df
   .groupby(("choice", "severity"), dropna=False)
   .measurement()
   .reset_index(title="depend")
   .sort_values("depend", ascending=False)
)
show(abstract)
agent_summary = (
   audit_df
   .groupby(("agent_name", "choice"))
   .measurement()
   .reset_index(title="depend")
   .sort_values(("agent_name", "depend"), ascending=(True, False))
)
show(agent_summary)
decision_counts = audit_df("choice").value_counts()
plt.determine(figsize=(8, 5))
decision_counts.plot(form="bar")
plt.title("Governance Selections Throughout Agent Actions")
plt.xlabel("Choice")
plt.ylabel("Depend")
plt.xticks(rotation=30)
plt.tight_layout()
plt.present()
severity_counts = audit_df("severity").fillna("none").value_counts()
plt.determine(figsize=(8, 5))
severity_counts.plot(form="bar")
plt.title("Governance Occasions by Severity")
plt.xlabel("Severity")
plt.ylabel("Depend")
plt.xticks(rotation=30)
plt.tight_layout()
plt.present()
G = nx.DiGraph()
for _, row in audit_df.iterrows():
   agent_node = f"Agent: {row('agent_name')}"
   tool_node = f"Instrument: {row('tool_name')}"
   decision_node = f"Choice: {row('choice')}"
   rule_node = f"Rule: {row('matched_rule')}" if pd.notna(row("matched_rule")) else "Rule: default"
   G.add_node(agent_node, node_type="agent")
   G.add_node(tool_node, node_type="device")
   G.add_node(decision_node, node_type="choice")
   G.add_node(rule_node, node_type="rule")
   G.add_edge(agent_node, tool_node, relation="calls")
   G.add_edge(tool_node, decision_node, relation="produces")
   G.add_edge(decision_node, rule_node, relation="matched")
plt.determine(figsize=(14, 9))
pos = nx.spring_layout(G, seed=42, okay=0.8)
nx.draw_networkx_nodes(G, pos, node_size=1800)
nx.draw_networkx_edges(G, pos, arrows=True, arrowstyle="->", arrowsize=15)
nx.draw_networkx_labels(G, pos, font_size=8)
plt.title("Agent Governance Graph: Brokers, Instruments, Selections, and Coverage Guidelines")
plt.axis("off")
plt.tight_layout()
plt.present()
EXPORT_DIR = "/content material/agt_tutorial_outputs"
os.makedirs(EXPORT_DIR, exist_ok=True)
audit_json_path = os.path.be a part of(EXPORT_DIR, "tamper_evident_audit_log.json")
audit_csv_path = os.path.be a part of(EXPORT_DIR, "governance_audit_log.csv")
policy_copy_path = os.path.be a part of(EXPORT_DIR, "advanced_agent_policy.yaml")
test_results_path = os.path.be a part of(EXPORT_DIR, "policy_test_results.csv")
with open(audit_json_path, "w") as f:
   json.dump((asdict(r) for r in audit_log.data), f, indent=2, default=str)
audit_df.to_csv(audit_csv_path, index=False)
test_df.to_csv(test_results_path, index=False)
shutil.copy(POLICY_PATH, policy_copy_path)

Bild vom Herausgeber

# Einführung

Das Tempo der KI-Einführung übersteigt immer wieder die Richtlinien, die sie eindämmen sollen, was zu einem seltsamen Second führt, in dem Innovationen in den Lücken gedeihen. Unternehmen, Regulierungsbehörden und Forscher bemühen sich darum, Regeln zu entwickeln, die sich so schnell anpassen können, wie sich Modelle weiterentwickeln. Jedes Jahr bringt neue Druckpunkte mit sich, aber 2026 fühlt sich anders an. Immer mehr Systeme laufen autonom, mehr Daten fließen durch Black-Field-Entscheidungs-Engines und immer mehr Groups erkennen, dass eine einzige Aufsicht weit über interne Tech-Stacks hinaus Auswirkungen haben kann.

Der Fokus liegt nicht mehr nur auf Compliance. Die Menschen wünschen sich Rechenschaftsrahmen, die sich actual und durchsetzbar anfühlen und auf dem Verhalten der KI in Reside-Umgebungen basieren.

# Adaptive Governance steht im Mittelpunkt

Adaptive Governance hat sich von einem akademischen Perfect zu einer praktischen Notwendigkeit gewandelt. Unternehmen können sich nicht auf jährliche Richtlinienaktualisierungen verlassen, wenn sich ihre KI-Systeme wöchentlich ändern Der CFO möchte die Buchhaltung automatisieren plötzlich.

Daher werden jetzt dynamische Frameworks in die Entwicklungspipeline selbst integriert. Kontinuierliche Überwachung wird zum Customary, wobei sich neben Modellversionierungs- und Bereitstellungszyklen auch Richtlinien weiterentwickeln. Nichts bleibt statisch, auch die Leitplanken.

Groups sind Verlassen Sie sich stärker auf automatisierte Überwachungstools, um ethische Abweichungen zu erkennen. Diese Instruments kennzeichnen Musterverschiebungen, die auf Voreingenommenheit, Datenschutzrisiken oder unerwartetes Entscheidungsverhalten hinweisen. Dann greifen menschliche Prüfer ein, wodurch ein Kreislauf entsteht, in dem Maschinen Probleme erkennen und Menschen sie validieren. Dieser hybride Ansatz sorgt dafür, dass die Governance reaktionsfähig bleibt, ohne in eine starre Bürokratie zu verfallen.

Der Aufstieg der adaptiven Governance zwingt Unternehmen auch dazu, die Dokumentation zu überdenken. Anstelle statischer Richtlinien verfolgen lebendige Richtlinienaufzeichnungen Änderungen, sobald sie eintreten. Dies schafft abteilungsübergreifende Transparenz und stellt sicher, dass jeder Stakeholder nicht nur versteht, was die Regeln sind, sondern auch, wie sie sich geändert haben.

# Privateness Engineering geht über Compliance hinaus

Datenschutztechnik Es geht nicht mehr darum, Datenlecks zu verhindern und das Überprüfen regulatorischer Kästchen. Es entwickelt sich zu einem Alleinstellungsmerkmal im Wettbewerb, weil die Benutzer klüger sind und die Regulierungsbehörden weniger nachsichtig sind. Groups setzen datenschutzverbessernde Technologien ein, um Risiken zu reduzieren und gleichzeitig datengesteuerte Innovationen zu ermöglichen. Differenzielle Privatsphäre, sichere Enklaven und verschlüsselte Berechnungen werden zum Customary-Toolkit und nicht mehr zu exotischen Add-ons.

Entwickler betrachten den Datenschutz als Designbeschränkung und nicht als nachträglichen Gedanken. Sie berücksichtigen die Datenminimierung in der frühen Modellplanung, was kreativere Ansätze beim Characteristic-Engineering erzwingt. Groups experimentieren auch mit synthetischen Datensätzen, um die Gefährdung sensibler Informationen zu begrenzen, ohne den analytischen Wert zu verlieren.

Eine weitere Verschiebung ergibt sich aus den gestiegenen Transparenzerwartungen. Nutzer wollen wissen, wie ihre Daten verarbeitet werden, Unternehmen bauen Schnittstellen auf die Klarheit schaffen, ohne Menschen mit Fachjargon zu überfordern. Diese Betonung einer verständlichen Datenschutzkommunikation verändert die Artwork und Weise, wie Groups über Einwilligung und Kontrolle denken.

# Regulatorische Sandboxen entwickeln sich zu Echtzeit-Testgeländen

Regulatorische Sandboxen verlagern sich von kontrollierten Piloträumen zu Echtzeit-Testumgebungen, die die Produktionsbedingungen widerspiegeln. Organisationen behandeln sie nicht mehr als vorübergehende Aufbewahrungszonen für experimentelle Modelle. Sie bauen kontinuierliche Simulationsebenen auf Lassen Sie Groups beurteilen, wie sich KI-Systeme bei schwankenden Dateneingaben verhaltenverändertes Benutzerverhalten und kontroverse Randfälle.

Diese Sandboxes integrieren jetzt automatisierte Stress-Frameworks, die in der Lage sind, Marktschocks, Richtlinienänderungen und kontextbezogene Anomalien zu erzeugen. Anstelle statischer Checklisten arbeiten Prüfer mit dynamischen Verhaltensmomentaufnahmen, die zeigen, wie sich Modelle an risky Umgebungen anpassen. Dies gibt Regulierungsbehörden und Entwicklern einen gemeinsamen Raum, in dem potenzielle Schäden vor der Bereitstellung messbar werden.

Die bedeutendste Veränderung betrifft die organisationsübergreifende Zusammenarbeit. Unternehmen speisen anonymisierte Testsignale in gemeinsame Aufsichtszentren ein und tragen so dazu bei, branchenübergreifend breitere ethische Grundlagen zu schaffen.

# KI-Lieferkettenaudits werden zur Routine

KI-Lieferketten werden immer komplexer drängt Unternehmen dazu, jede Ebene zu prüfen, die ein Modell berührt. Vorab trainierte Modelle, APIs von Drittanbietern, ausgelagerte Kennzeichnungsteams und vorgelagerte Datensätze bergen Risiken. Aus diesem Grund werden Provide-Chain-Audits für etablierte Unternehmen zur Pflicht.

Groups bilden Abhängigkeiten viel präziser ab. Sie bewerten ob die Trainingsdaten aus ethischen Gründen stammenob Dienste von Drittanbietern den neuen Requirements entsprechen und ob Modellkomponenten versteckte Schwachstellen mit sich bringen. Diese Audits zwingen Unternehmen dazu, über ihre eigene Infrastruktur hinauszuschauen Konfrontieren Sie ethische Probleme, die tief in den Lieferantenbeziehungen vergraben sind.

Auch die zunehmende Abhängigkeit von externen Modellanbietern steigert die Nachfrage nach Rückverfolgbarkeit. Provenienztools dokumentieren den Ursprung und die Transformation jeder Komponente. Dabei geht es nicht nur um Sicherheit; Es geht um Verantwortung, wenn etwas schief geht. Wenn eine voreingenommene Vorhersage oder ein Datenschutzverstoß auf einen vorgelagerten Anbieter zurückgeführt wird, können Unternehmen schneller und mit klareren Beweisen reagieren.

# Autonome Agenten lösen neue Rechenschaftsdebatten aus

Autonome Agenten übernehmen in der realen Welt Verantwortung, von der Verwaltung von Arbeitsabläufen bis hin zur Entscheidungsfindung mit geringem Risiko ohne menschliches Zutun. Ihre Autonomie verändert die Erwartungen an die Rechenschaftspflicht, da traditionelle Aufsichtsmechanismen nicht sauber auf Systeme abgebildet werden können, die eigenständig handeln.

Entwickler experimentieren mit Modellen eingeschränkter Autonomie. Diese Frameworks begrenzen Entscheidungsgrenzen und ermöglichen es den Agenten dennoch, effizient zu arbeiten. Groups testen das Agentenverhalten in simulierten Umgebungen, die darauf ausgelegt sind, Randfälle aufzudecken, die menschliche Prüfer möglicherweise übersehen.

Ein weiteres Drawback entsteht, wenn mehrere autonome Systeme interagieren. Koordiniertes Verhalten kann zu unvorhersehbaren Ergebnissen führen, und Organisationen erstellen Verantwortungsmatrizen, um zu definieren, wer in Ökosystemen mit mehreren Agenten haftet. Die Debatte verlagert sich von „Ist das System ausgefallen?“ hin zu „Welche Komponente hat die Kaskade ausgelöst“, was eine detailliertere Überwachung erzwingt.

# Auf dem Weg zu einem transparenteren KI-Ökosystem

Transparenz beginnt als Disziplin zu reifen. Anstelle vager Verpflichtungen zur Erklärbarkeit entwickeln Unternehmen strukturierte Transparenzstapel, die darlegen, welche Informationen wem und unter welchen Umständen offengelegt werden sollten. Dieser mehrschichtige Ansatz ist auf die verschiedenen Interessengruppen abgestimmt, die das KI-Verhalten beobachten.

Interne Groups erhalten umfassende Modelldiagnosen, während Aufsichtsbehörden tiefere Einblicke in Schulungsprozesse und Risikokontrollen erhalten. Nutzer erhalten vereinfachte Erklärungen, die verdeutlichen, welche Auswirkungen Entscheidungen auf sie persönlich haben. Diese Trennung verhindert eine Informationsüberflutung und gewährleistet gleichzeitig die Verantwortlichkeit auf allen Ebenen.

Auch Modellkarten und Systemdatenblätter entwickeln sich weiter. Sie umfassen jetzt Lebenszykluszeitpläne, Prüfprotokolle und Leistungsabweichungsindikatoren. Diese Ergänzungen helfen Unternehmen dabei, Entscheidungen im Zeitverlauf zu verfolgen und zu bewerten, ob sich das Modell wie erwartet verhält. Bei Transparenz geht es nicht mehr nur um Sichtbarkeit; es geht um Kontinuität des Vertrauens.

# Zusammenfassung

Die Ethiklandschaft im Jahr 2026 spiegelt die Spannung zwischen der schnellen KI-Entwicklung und der Notwendigkeit von Governance-Modellen wider, die mithalten können. Groups können sich nicht mehr auf langsame, reaktive Frameworks verlassen. Sie setzen auf Systeme, die sich in Echtzeit anpassen, messen und Kurskorrekturen vornehmen. Die Erwartungen an den Datenschutz steigen, Lieferkettenprüfungen werden zum Customary und autonome Agenten stoßen bei der Rechenschaftspflicht auf neues Terrain.

KI-Governance ist keine bürokratische Hürde. Es entwickelt sich zu einem Grundpfeiler verantwortungsvoller Innovation. Unternehmen, die diesen Developments einen Schritt voraus sind, gehen nicht nur Risiken aus dem Weg. Sie schaffen die Grundlage für KI-Systeme, denen Menschen noch lange nach dem Abklingen des Hypes vertrauen können.

Nahla Davies ist Softwareentwickler und technischer Autor. Bevor sie sich hauptberuflich dem technischen Schreiben widmete, schaffte sie es – neben anderen faszinierenden Dingen –, als leitende Programmiererin bei einer Inc. 5.000-Organisation für experimentelles Branding zu arbeiten, zu deren Kunden Samsung, Time Warner, Netflix und Sony gehören.

San Francisco, 7. August 2025 – Neue Daten, die heute von GeneSys veröffentlicht wurden, deckt eine Trennung zwischen der Regie von KI und den Verbrauchern auf, die sich mit dieser sicher fühlen müssen. Während vier von fünf befragten Verbrauchern gaben, eine klare Regierungsführung von KI-Interaktionen zu wünschen, sagen weniger als ein Drittel (31 Prozent) der Geschäftsführer, dass ihre Organisationen umfassende, organisationsweite KI-Richtlinien und -aufsicht haben.

Als Agenten -KI – autonome Systeme, die in der Unternehmens -Strategien (Buyer Expertise) (Buyer Expertise) in Enterprise Buyer Expertise (CX) denken, handeln und Entscheidungen treffen können, glauben 91 Prozent der befragten CX -Führungskräfte, dass sie ihre Organisationen dazu befähigen wird, einen schnelleren, effektiveren, personalisierten Service zu liefern. Die Daten zeigen jedoch eine komplexe Realität: Während die Begeisterung für die transformative Worth Agentic AI hoch ist, können die Governance -Strukturen zurückbleiben und Risiken für das Vertrauen der Verbraucher, den Ruf der Marken und die Einhaltung der behördlichen Einhaltung darstellen.

„Agentic AI eröffnet aufregende neue Möglichkeiten, wie Unternehmen ihre Kunden bedienen, aber das Vertrauen des Verbrauchers muss neben diesen Fortschritten wachsen“, sagte Olivier Jouve, Chief Product Officer bei Genesys, einem Cloud-KI-angetriebenen Erlebnis-Orchestrierungsunternehmen. „Wenn diese Systeme mehr Verantwortung übernehmen, ist es wichtig, dass Unternehmen clear und rechenschaftspflichtig bleiben, wie sie verwendet werden. Mit den richtigen Leitplanken können Unternehmen dauerhaftes Vertrauen aufbauen, indem sie Kundenerlebnisse verantwortungsbewusst innovieren, die ein neues Maß an Personalisierung und Effektivität liefern.“

Mehr als 90 Prozent der befragten CX-Führungskräfte sind sich einig, dass eine starke Governance von entscheidender Bedeutung ist, um den Ruf der Marke zu schützen (91%), ein langfristiges Vertrauen und die Loyalität mit Kunden (91%) aufbauen und den Komfort der Verbraucher mit autonomen Systemen (90%) erhöhen.

Dennoch sind viele Organisationen immer noch unvorbereitet. Über ein Drittel der CX-Führer (35 Prozent) geben zu, dass sie wenig bis gar keine formelle Governance-Richtlinien haben. Noch in der Lage ist, dass 28% derjenigen ohne Politik immer noch der Ansicht sind, dass ihre Organisationen bereit sind, Agentic AI bereitzustellen.

Diese Governance -Lücke wird beunruhigender, wenn sie neben den Bedenken der Verbraucher betrachtet wird. Viele sind aufgrund mangelnder Transparenz in Bezug auf die Verwendung ihrer Daten und das Fehlen klarer Aufsicht vorsichtig.

In der Tat warfare Klarheit darüber, wie KI ihre persönlichen Daten verwendet, das wichtigste Anliegen der Befragten. 37 Prozent der Verbraucher glauben, dass AI „Halluzinate“ oder Informationen erfindet – eine Ansicht, die von 59 Prozent der CX -Führungskräfte wiederholt wird, die anerkennen, dass Halluzinationen ernsthafte Risiken für Kundenbindung, Rechtsstreitigkeiten und Marke darstellen. Dieser wahrgenommene Mangel an Zuverlässigkeit untergräbt das Vertrauen weiter und verstärkt die Notwendigkeit von Schutzmaßnahmen, die die Genauigkeit und Rechenschaftspflicht in KE-gesteuerten Erfahrungen gewährleisten.

Die Kluft zwischen dem, was Führungskräfte wissen, ist notwendig und dem, was Unternehmen implementiert haben, ist insbesondere angesichts der klaren Nachfrage der Verbraucher nach Transparenz und Aufsicht. Dies macht es für Unternehmen von entscheidender Bedeutung, die Lücke zu schließen, bevor die KI -KI im Maßstab bereitgestellt wird.

Während 81 Prozent der CX -Führungskräfte die KI mit sensiblen Kundendaten vertrauen, sind nur 36% der Verbraucher gleich. Diese Trennung ist in Situationen mit höheren Einsätzen schärfer.

Unternehmen zeigen ein starkes Vertrauen in die Verwendung von Agentic AI für kritische Kundenfunktionen: 74 Prozent der Unternehmen geben an, dass sie die Technologie für Abrechnung, Finanztransaktionen und Kontosicherheit nutzen. Verbraucher sind jedoch viel mehr zögerlich: Nur 35 Prozent sind mit den Geldtransfers der Agenten -KI, 49 Prozent mit Auflösungsproblemen und 50 Prozent mit der Aktualisierung der persönlichen Daten mit 49 Prozent vertraut.

Dennoch zeigen die Daten eine wichtige Gelegenheit. Mehr als die Hälfte der Verbraucher (58 Prozent) sagen, dass es ihnen egal ist, ob ihr Drawback von einem Menschen oder einer KI gelöst wird, solange es schnell und vollständig behandelt wird.

Dies signalisiert, dass CX -Effizienz und -Effektivität die Skepsis überwinden können, jedoch nur, wenn sie mit Transparenz und Rechenschaftspflicht gepaart wird. Um die Vertrauenslücke zu schließen und verantwortungsbewusst zu innovieren, müssen Unternehmen konsumentenorientiert skalieren

Methodik: Genesys Arbeitete mit einem unabhängigen Forschungsunternehmen zusammen, um 4.000 Verbraucher und 1.600 CX und IT-Entscheidungsträger in mehr als 10 Ländern zu untersuchen. Die Umfrage wurde im Juni 2025 durchgeführt. Unter den Geschäftsbefragten waren die vertretenen Branchen Fluggesellschaften, Car, Bankgeschäfte, Regierung, Gesundheitswesen, Versicherung, Fertigung, Medien und Unterhaltung, professionelle Dienstleistungen, Einzelhandel, Reise und Gastfreundschaft, Technologie, Telekommunikation und Versorgungsunternehmen.

KI-Ethik und -Governance sind zu einem lauten Bereich geworden.

Bei der letzten Zählung ist die OECD-Tracker zählt über 1.800 Dokumente auf nationaler Ebene zu Initiativen, Richtlinien, Rahmenwerken und Strategien mit Stand September 2024 (und es scheint zu jedem einzelnen Berater und Influencer zu geben).

Allerdings als Mittelstadt (2021) bringt es auf eine Artwork und Weise auf den Punkt, wie es nur akademisches Understatement kann: Prinzipien allein können keine ethische KI garantieren.

Trotz der Fülle an Leitlinien auf hoher Ebene besteht nach wie vor eine erhebliche Lücke zwischen der Politik und der Umsetzung in der Praxis. Aber warum ist das so und wie sollten Datenwissenschaftler und KI-Führungskräfte darüber denken?

In dieser Reihe möchte ich die Reife praktischer KI-Ethik und -Governance in Organisationen vorantreiben, indem ich diese Lücke in drei Komponenten zerlege und auf Forschung und Erfahrungen aus der Praxis zurückgreife, um Strategien und Strukturen vorzuschlagen, die bei der Implementierung von KI-Ethik und -Governance-Fähigkeiten funktioniert haben im Maßstab.

Die erste Lücke, die ich schließe, ist die Interpretationslückedie sich aus der Herausforderung ergibt, Prinzipien anzuwenden, die in einer vagen Sprache ausgedrückt werden, wie z. B. „Human Centricity“ und…

IDC prognostiziert dass Unternehmen bereit sind, ihre Investitionen in GenAI im Jahr 2023 von 19 Milliarden Greenback auf 151 Milliarden Greenback bis 2027 zu verdoppeln. Aber wo stehen die Unternehmen heute auf ihrem Weg zur KI-Reife? Haben sie genügend Unterstützung vom Vorstand? Haben sie genug Rechenleistung? Haben sie alles, was sie brauchen, um KI verantwortungsvoll und sicher zu entwickeln? Und haben sie tatsächlich KI-Projekte in der Produktion mit einem klaren Weg zum ROI?

Um diese brennenden Fragen zu beantworten, Domino Knowledge Lab in Auftrag gegeben BARC Forschung eine Studie unter 279 KI-Führungskräften (Senior Director und höher) in Unternehmen mit einem Jahresumsatz von über 100 Millionen US-Greenback durchzuführen. Laden Sie den vollständigen Bericht „KI-Führungskräfte enthüllen, was im modernen KI-Zeitalter funktioniert“ herunter. HIER.

Hier ist ein kleiner Vorgeschmack: 65 % der Befragten gaben an, dass ihre Unternehmen neue Prozesse zu bestehenden Governance-Frameworks hinzufügen müssen, um an der GenAI-Revolution teilzunehmen und ihren Weg hin zu verantwortungsvoller KI erfolgreich fortzusetzen. Für andere erfordert GenAI eine tiefere Überarbeitung ihrer Governance-Pläne: Quick jeder Fünfte (18 %) gab an, dass er seine Governance-Frameworks vollständig neu schreiben wird, um dem Aufkommen von GenAI gerecht zu werden, und 12 % planen, ihr aktuelles Governance-Framework infolge von GenAI vollständig zu ersetzen.

Melden Sie sich für die kostenlosen insideAI Information an E-newsletter.

Folgen Sie uns auf Twitter: https://twitter.com/InsideBigData1

Folgen Sie uns auf LinkedIn: https://www.linkedin.com/firm/insideainews/

Folgen Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

RAND startete eine neue Serie von Kurzreportagen soll politischen Entscheidungsträgern in den USA potenzielle Erkenntnisse aus dem EU-KI-Gesetz zu wichtigen Aspekten der KI-Governance vermitteln. Die von Forschern auf beiden Kontinenten verfasste Reihe unterstreicht die Notwendigkeit einer vertieften Zusammenarbeit zwischen der EU und den USA, da jeder regulatorische Fortschritt in diesen Regionen weitreichende Auswirkungen auf die umfassenderen gesellschaftlichen, rechtlichen und ethischen Folgen der weltweiten Einführung von KI haben wird.

Der erste Papier Der Schwerpunkt liegt auf Allzweck-KI-Modellen (GPAI) und GPAI-Modellen mit systemischen Risiken und darauf, wie sich die Klassifizierung und Regulierung dieser Modelle in der EU und den USA unterscheidet. Es werden mehrere Optionen aufgezeigt, die die USA übernehmen könnten, um sich bei der Festlegung von Requirements, Berichtspflichten und der Verfolgung des Risikomanagements und der Vorfallberichterstattung von Unternehmen besser an die EU anzupassen.

Der Zweite Papier konzentriert sich auf die Auswirkungen von KI auf Datenschutzgesetze und präsentiert Optionen zur Schließung von Lücken im Datenschutz und bei den Datenschutzrechten zwischen den USA und der EU. Unter anderem diskutiert das Papier die Minimierung der Daten, die Unternehmen sammeln und verwenden können, sowie die Verpflichtung zur Prüfung und Offenlegung der Verwendung von KI.

Melden Sie sich für die kostenlosen insideAI Information an E-newsletter.

Folgen Sie uns auf Twitter: https://twitter.com/InsideBigData1

Folgen Sie uns auf LinkedIn: https://www.linkedin.com/firm/insideainews/

Folgen Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

Die Stammdatenverwaltung hat bei großen Unternehmen, die Multi-Cloud-Umgebungen betreiben, eine immer größere Priorität erlangt, um die Datenintegrität, Zugänglichkeit und Sicherheit über verschiedene Cloud-Plattformen hinweg sicherzustellen. Dieser Blogbeitrag befasst sich mit den Feinheiten der Stammdatenverwaltung für Multi-Cloud-Umgebungen und bietet wertvolle Einblicke und praktische Tipps, die Unternehmen dabei helfen, ihre Daten effektiver zu verwalten.

Grasp Knowledge Governance ist in Multi-Cloud-Umgebungen von entscheidender Bedeutung

Die Stammdatenverwaltung in Multi-Cloud-Umgebungen ist aus vielen Gründen von entscheidender Bedeutung. In erster Linie stellt sie die Datenkonsistenz und -genauigkeit über verschiedene Cloud-Plattformen hinweg sicher. Dies ist für fundierte Geschäftsentscheidungen unerlässlich. Ohne eine ordnungsgemäße Verwaltung Es können Silos entstehenwas zu Diskrepanzen und Ineffizienzen führt, die die betriebliche Effizienz beeinträchtigen. Darüber hinaus stärkt die Stammdatenverwaltung die Sicherheitsmaßnahmen, indem sie strenge Richtlinien und Protokolle festlegt, die Verstöße oder unbefugten Zugriff verhindern sollen. Dies ist besonders wichtig, wenn Ihre Informationen in mehreren Umgebungen mit unterschiedlichen Sicherheitsprotokollen gespeichert sind.

Effektive Datenverwaltung erleichtert Einhaltung gesetzlicher Vorschriften indem sichergestellt wird, dass die Datenverwaltungspraktiken den Branchenstandards und gesetzlichen Anforderungen entsprechen. Da Unternehmen Multi-Cloud-Strategien einführen, um die spezifischen Vorteile jedes Cloud-Dienstes zu nutzen, wird die Knowledge Grasp Governance noch wichtiger, um die Datenintegrität zu schützen, Abläufe zu optimieren und Risiken zu minimieren. Für diejenigen, die sich immer noch fragen: Was ist Stammdaten-Governance? und wie es sich auf Multi-Cloud-Umgebungen bezieht, wird der nächste Abschnitt besonders hilfreich sein.

Multi-Cloud-Umgebungen verstehen

Multi-Cloud-Umgebungen beziehen sich auf die Integration von Cloud-Diensten mehrerer Anbieter in eine Architektur. Dieser Ansatz hilft Unternehmen, die Abhängigkeit von einem Anbieter zu vermeiden, Redundanz zu verbessern und die Leistung zu maximieren, indem die spezifischen Stärken jeder Plattform genutzt werden. Amazon Net Companies (AWS), Microsoft Azure und die Machine Studying Companies der Google Cloud Platform sind nur drei solcher Dienste, die in diesen Umgebungen eingesetzt werden können und dabei dennoch individuelle Geschäftsanforderungen erfüllen und gleichzeitig Flexibilität und Belastbarkeit im Auge behalten.

Die Verwaltung eines Multi-Cloud-Umgebung stellt einzigartige Herausforderungen dar. Jeder Cloud-Anbieter verfügt über unterschiedliche Verwaltungstools, Sicherheitsprotokolle und Compliance-Anforderungen, die die Koordinierung eines Gesamtplans erschweren. Für ein effektives Multi-Cloud-Administration ist die Entwicklung eines effektiven Rahmens zur Überwachung der Ressourcen auf verschiedenen Plattformen erforderlich, einschließlich technischer Instruments sowie Governance-Richtlinien zur Wahrung von Konsistenz und Kontrolle. Das Verständnis dieser Komplexität ist für Unternehmen, die Multi-Cloud-Strategien nutzen und gleichzeitig Risiken wie Datenfragmentierung, Sicherheitslücken und erhöhte Betriebskosten minimieren möchten, unerlässlich.

Besondere Herausforderungen für Multi-Cloud-Umgebungen

Die Bewältigung der Komplexität der Stammdatenverwaltung in Multi-Cloud-Umgebungen stellt Unternehmen vor erhebliche Herausforderungen. Konsistenzprobleme werden besonders dringlich, da die Daten über verschiedene Cloud-Plattformen verteilt sind und es zunehmend schwieriger wird, einheitliche Definitionen, Formate und Qualität auf allen Plattformen beizubehalten. Dies führt zu Diskrepanzen, die Entscheidungsprozesse untergraben und sich auf die Geschäftsergebnisse auswirken. Darüber hinaus sorgen unterschiedliche Richtlinien und Compliance-Anforderungen der Cloud-Anbieter für eine weitere Komplexitätsebene, die die Einhaltung gesetzlicher Vorschriften erschwert.

Die Datensicherheit bleibt eines der größten Hindernisse für die Verwaltung von Cloud-Diensten, da jede Plattform unterschiedliche Sicherheitsprotokolle vorschreibt, was es schwierig macht, eine umfassende und einheitliche Sicherheitsstrategie für alle zu entwickeln. Bei der Verwaltung mehrerer Cloud-Dienste nehmen unbefugte Zugriffe, Datenlecks und andere Cyber-Angriffe exponentiell zu. Darüber hinaus kann der Mangel an zentraler Transparenz oder Kontrolle eine schnelle Erkennung behindern und die Reaktion auf Sicherheitsvorfälle erschweren.

Ein einheitliches Knowledge Governance Framework schaffen

Die Einrichtung eines Knowledge-Governance-Frameworks ist für Unternehmen, die Multi-Cloud-Umgebungen betreiben, von entscheidender Bedeutung. Der erste Schritt sollte die Einrichtung eines zentralen Knowledge-Governance-Groups sein, das für die Festlegung von Requirements, Richtlinien und Verfahren für alle Cloud-Plattformen verantwortlich ist. Idealerweise sollte dieses Group Vertreter aus den Bereichen Recht, IT und Geschäftseinheiten umfassen, um einen integrierten Ansatz bereitzustellen, der den Compliance- und Betriebsanforderungen gerecht wird.

Die Einführung eines einheitlichen Identitäts- und Zugriffsverwaltungssystems ist für die Datensicherheit von entscheidender Bedeutung. Eine solche Identitätsverwaltungslösung sollte rollenbasierte Zugriffskontrollen für alle Cloud-Plattformen bieten, die das Risiko eines unbefugten Zugriffs minimieren und gleichzeitig die Einhaltung der Sicherheitsrichtlinien gewährleisten. Regelmäßige Audits oder automatisierte Compliance-Prüfungen können die Sicherheitsmaßnahmen weiter verstärken.

Aufbau einer Kultur der Datenverwaltung

Um eine effektive Datenverwaltungskultur zu etablieren, ist mehr erforderlich als nur die Implementierung von Richtlinien und Technologien. Es ist eine organisatorische Denkweise erforderlich, die effektives Datenmanagement in den Vordergrund stellt. Um dieses Ziel zu erreichen, sollten Unternehmen zunächst die Datenkompetenz auf allen Unternehmensebenen verbessern. Regelmäßige Schulungen, Workshops und Ressourcen können den Mitarbeitern helfen zu verstehen, warum gute Verwaltung für die Wahrung der Datenintegrität wichtig ist.

Führungskräfte sollten in Sachen Datenverwaltung mit gutem Beispiel vorangehen und die Bedeutung dieser Verwaltung für das Erreichen von Geschäftszielen hervorheben. Ein solcher Ansatz hilft dabei, Datenverwaltungspraktiken in die Unternehmenskultur einzubetten und sie gleichzeitig an strategischen Zielen auszurichten. Auch die abteilungsübergreifende Zusammenarbeit ist von entscheidender Bedeutung, da sie eine ganzheitliche Sicht auf die Datenbestände bietet und gleichzeitig konsistente und umfassende Verwaltungspraktiken gewährleistet.

Messung des Knowledge Governance-Erfolgs

Effektive Initiativen zur Datenverwaltung müssen genau gemessen werden, um den Stakeholdern ihren Wert aufzuzeigen und kontinuierliche Verbesserungen voranzutreiben. Unternehmen sollten klare, quantifizierbare Kennzahlen festlegen, die auf ihre Datenverwaltungsziele abgestimmt sind. Dazu können Datenqualitätsindikatoren wie Genauigkeit sowie Vollständigkeit und Konsistenz der Daten gehören. Eine weitere effektive Maßnahme ist die Überwachung der Vorfallreduzierungsraten (wie Datenschutzverletzungen und Compliance-Probleme).

Quick alle befragten Organisationen betrachten GenAI als eine der fünf wichtigsten Prioritäten, aber nur 44 % verfügen über umfassende Governance-Richtlinien. Unternehmen nennen Sicherheit, Infrastruktur und Datenmanagement als größte Hindernisse für die Einführung.

Trotz des wachsenden Interesses und Enthusiasmus für Generative AI (GenAI) tauchen erhebliche Herausforderungen auf, die den Erfolg von GenAI-Projekten bedrohen, so ein gemeinsam gesponserter Forschungsbericht der Enterprise Technique Group (ESG) und Hitachi-Vantaradie Tochtergesellschaft für Datenspeicherung, Infrastruktur und Hybrid-Cloud-Administration von Hitachi, Ltd. (TSE: 6501). Der Bericht befragte 800 IT- und Unternehmensleiter in den USA, Kanada und Westeuropa und untersucht die entscheidende Rolle der Dateninfrastruktur für Enterprise GenAI und die damit verbundenen Entscheidungen, die einer erfolgreichen Implementierung zugrunde liegen. Dabei stellte sich heraus, dass 97 % der Unternehmen, die GenAI bereits im Einsatz haben, es als eine der fünf wichtigsten Prioritäten ansehen, wobei US-Unternehmen es im Vergleich zu europäischen Befragten mit 35 % höherer Wahrscheinlichkeit als die oberste Priorität angeben.

Weitere Informationen zu den Ergebnissen des Berichts finden Sie unter: https://www.hitachivantara.com/en-us/featured/enterprise-infrastructure-genai

Darüber hinaus geben quick zwei Drittel (63 %) an, bereits mindestens einen Anwendungsfall für GenAI identifiziert zu haben. Trotz der zunehmenden Bemühungen um die Implementierung von GenAI bergen mehrere Faktoren ernsthafte Risiken für Unternehmen:

• Weniger als die Hälfte (44 %) der Organisationen verfügen über klar definierte und umfassende Richtlinien in Bezug auf GenAI.
• Nur etwas mehr als ein Drittel (37 %) glaubt, dass ihre Infrastruktur und ihr Datenökosystem intestine auf die Implementierung von GenAI-Lösungen vorbereitet sind. Allerdings gaben Führungskräfte auf C-Ebene 1,3-mal häufiger an, dass ihre Infrastruktur und ihr Datenökosystem intestine vorbereitet seien, was eine erhebliche Diskrepanz verdeutlicht.
• 61 % der Befragten stimmten zu, dass die meisten Benutzer nicht wissen, wie sie aus GenAI Kapital schlagen können, und 51 % berichteten von einem Mangel an qualifizierten Mitarbeitern mit GenAI-Kenntnissen.
• 40 % der Befragten gaben an, dass sie über die Planung und Durchführung von GenAI-Projekten nicht intestine informiert seien.

„Unternehmen springen eindeutig auf den GenAI-Zug auf, was nicht überraschend ist, aber es ist auch klar, dass die Grundlage für eine erfolgreiche GenAI noch nicht vollständig ausgebaut ist und ihr volles Potenzial nicht ausgeschöpft werden kann“, sagte Ayman Abouelwafa, Chief Know-how Officer bei Hitachi Vantara. „Um die wahre Leistungsfähigkeit von GenAI freizusetzen, ist jedoch eine starke Grundlage mit einer robusten und sicheren Infrastruktur erforderlich, die den Anforderungen dieser leistungsstarken Technologie gerecht wird.“

Aufbau der Grundlage für Enterprise GenAI

Daten zeigen, dass Unternehmen aktiv nach kostengünstigeren Infrastrukturoptionen suchen, aber Datenschutz und Latenz sind auch die wichtigsten Faktoren. 71 % der Befragten stimmten zu, dass ihre Infrastruktur modernisiert werden muss, bevor sie GenAI-Projekte in Angriff nehmen – überwältigende 96 % der Umfrageteilnehmer bevorzugen nicht-proprietäre Modelle, 86 % werden Retrieval-Augmented Era (RAG) nutzen und 78 % nennen eine Mischung aus On-Premises und Public Cloud für den Aufbau und die Nutzung von GenAI-Lösungen. Langfristig erwarten die Unternehmen jedoch eine Zunahme der Nutzung proprietärer Modelle – laut Umfrage um das Sechsfache –, da die Unternehmen an Fachwissen gewinnen und versuchen, sich von der Konkurrenz abzuheben.

„Der Bedarf an höherer Genauigkeit zeigt, dass Unternehmen die relevantesten und aktuellsten Daten priorisieren und in ein Massive Language Mannequin integrieren, gefolgt vom Wunsch, mit Technologie, Vorschriften und sich ändernden Datenmustern Schritt zu halten“, sagte Mike Leone, leitender Analyst bei der Enterprise Technique Group. „Die Verwaltung von Daten mit der richtigen Infrastruktur ermöglicht nicht nur eine höhere Genauigkeit, sondern verbessert auch die Zuverlässigkeit, wenn sich Daten und Geschäftsbedingungen ändern.“

Treiber und Hindernisse für die Einführung

Der Bericht ergab, dass es mehrere Bereiche gibt, die Unternehmen zu GenAI treiben, aber auch, die sie zögern lassen. Was die Gründe für Unternehmensinvestitionen in GenAI betrifft, drehten sich die am häufigsten genannten Anwendungsfälle um Prozessautomatisierung und -optimierung (37 %), prädiktive Analysen (36 %) und Betrugserkennung (35 %). Es ist daher keine Überraschung, dass die Verbesserung der betrieblichen Effizienz der Bereich struggle, in dem die Unternehmen am häufigsten Ergebnisse erzielten; allerdings haben bisher weniger als die Hälfte (43 %) Vorteile erzielt.

Mehr als vier von fünf (81 %) der Befragten nannten die größten Bedenken und Herausforderungen hinsichtlich der Gewährleistung von Datenschutz und Compliance bei der Erstellung und Nutzung von Anwendungen, die GenAI nutzen, und 77 % stimmten zu, dass Probleme mit der Datenqualität gelöst werden müssten, bevor die Ergebnisse von GenAI akzeptiert würden.

Melden Sie sich für die kostenlosen insideAI Information an Publication.

Folgen Sie uns auf Twitter: https://twitter.com/InsideBigData1

Folgen Sie uns auf LinkedIn: https://www.linkedin.com/firm/insideainews/

Folge uns auf Fb: https://www.fb.com/insideAINEWSNOW