Die von uns erstellte Anwendung ist eine RAG-App.

Das Rezept ist einfach: Teilen, einbetten, abrufen und dann antworten.

Auf dem Papier sieht es sauber aus. Sobald Sie es jedoch auf reale Fälle anwenden, wird es sehr schnell kompliziert: Die Ähnlichkeitssuche findet ähnliche Formulierungen, aber nicht unbedingt nützliche Abschnitte, die richtigen Beweise werden nie im abgerufenen Kontext angezeigt, da sie einen zu niedrigen Rang haben, oder wichtiger Kontext kann über Abschnittsgrenzen hinweg aufgeteilt sein.

Bei unzureichendem Kontext hat das LLM wenig Spielraum, sich zu erholen.

Wie wäre es additionally, wenn wir eine Rückholung durchführen würden? iterativ? Was wäre, wenn das Modell suchen, lesen, entscheiden kann, ob genügend Beweise vorliegen, und bei Bedarf erneut suchen kann? Wahrscheinlich brauchen wir die Vektoreinbettungen gar nicht erst.

Das ist die Prämisse von Agent RAG.

In diesem Beitrag erstellen wir einen Mini-Agenten-RAG-Workflow mit dem OpenAI Brokers SDK. Wir untersuchen, wie der Agent seine Antwort iterativ sucht, liest und begründet.

Am Ende gehen wir einen Schritt zurück und besprechen kurz die Überlegungen zum Aufbau einer praktischen Agenten-RAG-Lösung.

---

1. Fallstudie: Beantwortung einer Richtlinienfrage mit Agentic RAG

Für unsere Fallstudie erstellen wir einen Richtlinien-RAG-Agenten über eine Sammlung von Unternehmensrichtliniendokumenten.

1.1 Kuratierung der Dokumentensammlung

Hier habe ich sechs synthetische Unternehmensrichtliniendokumente erstellt. Es handelt sich bei allen um Markdown-Dateien. Jedes hat einen Titel, ein Datum des Inkrafttretens, eine kurze Zusammenfassung und den Richtlinientext.

Um realistisch zu sein, decken diese Dokumente sechs allgemeine Bereiche der Unternehmenspolitik ab:

1. approval_matrix.mdmit Genehmigungsstufen für allgemeine Geschäftsreiseentscheidungen, gültig ab 1. Juli 2025.
2. conference_guidelines.mdmit Regeln für den Besuch externer Veranstaltungen, gültig ab 15. Mai 2025.
3. faq.mdmit informellen Antworten auf häufige Reisefragen, gültig ab 1. September 2025.
4. policy_updates_2026.mdmit Aktualisierungen zu Unterkunft, Konferenzreisen und Genehmigungszeitplan für 2026, gültig ab 1. Januar 2026.
5. remote_work_policy.mdmit Regeln für Fernarbeit, gültig ab 1. Februar 2026.
6. travel_policy.mdmit Commonplace-Reisebuchungsregeln für Flüge, Unterkunft, Verpflegung und Transport, gültig ab 1. März 2025.

Wir haben bewusst darauf geachtet, dass die Antwort auf eine politische Frage möglicherweise nicht in einem Dokument enthalten ist. Dadurch können wir das gewünschte Agentenverhalten erkennen.

Hier finden Sie die vollständigen synthetischen Dokumente und das Agenten-RAG-Implementierungsnotizbuch Hier.

1.2 Definieren des Agenten

Als nächstes konfigurieren wir den Agenten. Dafür verwenden wir das OpenAI Brokers SDK.

Auf hoher Ebene ist der Agent genau das:

# pip set up openai-agents
from brokers import Agent

agent = Agent(
    title="Coverage analysis assistant",
    directions=INSTRUCTIONS,
    mannequin="gpt-5.4",
    instruments=(list_docs, search_docs, read_doc),
)

Zwei Teile müssen wir durchgehen: die Anweisungen des Agenten und die Instruments, auf die er Zugriff hat.

Zuerst die Anleitung. Hier definieren wir das gewünschte Suchverhalten:

# Observe: This instruction is iterated with AI
INSTRUCTIONS = """
(Position)
You're a cautious inside coverage analysis assistant.

(Analysis conduct)
Reply worker coverage questions utilizing the doc instruments.
Discover sufficient related proof to help the reply.
Maintain conclusions grounded within the coverage paperwork.

(Anticipated output)
Give a direct reply first.
Then briefly clarify the proof.
Cite the doc filenames used for every essential declare.
""".strip()

Für diese Fallstudie verlangen wir, dass der Agent die Dokumente nur über drei vordefinierte Instruments erreichen kann:

Das erste ist ein Software, das dem Agenten einen schnellen Überblick über die vorhandenen Dokumente gibt:

@function_tool
def list_docs() -> listing(dict):
    """Listing accessible coverage paperwork with out returning their physique textual content."""
    return (
        {
            "doc_name": doc("doc_name"),
            "title": doc("title"),
            "efficient": doc("efficient"),
            "abstract": doc("abstract"),
        }
        for doc in docs.values()
    )

Das zweite Software ist ein Key phrase-Suchtool. Wir halten es hier einfach: Jedes Dokument wird in Absatzblöcke aufgeteilt, und jede Abfrage wird durch Token-Überlappung mit diesen Blöcken abgeglichen:

@function_tool
def search_docs(question: str) -> listing(dict):
    """Search coverage paperwork and return the highest three brief snippets."""
    query_tokens = tokenize(question)
    scored = ()

    for chunk in chunks:
        rating = len(query_tokens & chunk("tokens"))
        if rating:
            scored.append((rating, chunk))

    scored.type(key=lambda merchandise: merchandise(0), reverse=True)

    outcomes = ()
    for rating, chunk in scored(:3):
        snippet = chunk("textual content").exchange("n", " ")
        if len(snippet) > 420:
            snippet = snippet(:417).rstrip() + "..."
        outcomes.append({
            "doc_name": chunk("doc_name"),
            "title": chunk("title"),
            "part": chunk("part"),
            "snippet": snippet,
            "rating": spherical(rating, 2),
        })

    return outcomes

Das letzte Software ermöglicht es dem Agenten, ein Dokument anhand des Dateinamens zu öffnen:

@function_tool
def read_doc(doc_name: str) -> str:
    """Learn one coverage doc by filename."""
    if doc_name not in docs:
        legitimate = ", ".be a part of(sorted(docs))
        return f"Unknown doc: {doc_name}. Legitimate paperwork: {legitimate}"

    return docs(doc_name)("textual content")

Das ist der vollständige RAG-Agent.

1.3 Ausführen einer Richtlinienfrage

Jetzt testen wir den Agenten mit einer konkreten Frage:

„Ich nehme an einer Konferenz in Berlin teil. Der Veranstalter der Konferenz listet ein offizielles Resort auf, aber der Übernachtungspreis liegt über der normalen Hotelobergrenze. Kann ich dieses Resort buchen und welche Genehmigung benötige ich vor der Buchung?„

Wir betreiben den Agenten mit:

from brokers import Runner

outcome = await Runner.run(agent, PROMPT, max_turns=12)

Der Agent lieferte die richtige Antwort: Ja, der Mitarbeiter kann das offizielle Tagungshotel buchen, wenn ein praktischer geschäftlicher Grund vorliegt. Diese Informationen stammen von conference_guidelines.md.

Für den Genehmigungsteil stellte der Agent zunächst fest, dass eine Genehmigung erforderlich ist, da das Resort über der normalen Obergrenze liegt. Dann gab es die entsprechenden Genehmigungsauflagen. Der verwendete Agent travel_policy.md, approval_matrix.mdUnd policy_updates_2026.md um seine Antwort zu unterstützen, was genau das ist, was wir erwarten würden.

Der interessantere Teil ist die Spur, aus der wir lernen können, wie der Agent denkt. Wir können die Spur folgendermaßen darstellen:

for merchandise in outcome.new_items:
    print(sort(merchandise).__name__, merchandise)

outcome.new_items enthält die vom Agenten erzeugten Zwischentoolaufrufe und Toolausgaben. In meinem Durchlauf kann ich sehen, dass der Agent zuerst angerufen hat search_docs() mit Stichworten wie Tagungshotel, Hotelmütze, Zulassung und Berlin. Dann rief es an list_docs() die verfügbaren Versicherungsunterlagen einzusehen. Danach öffnete es die relevanten Dateien mit read_doc(). Erst dann kam die endgültige Antwort.

Das ist genau die Agentenschleife, die wir sehen wollten.

---

3. Was Sie vor dem Aufbau von Agentic RAG entscheiden sollten

Die Fallstudie, die wir gerade durchgegangen sind, hat nur an der Oberfläche gekratzt. Um basierend auf meiner Erfahrung wirklich eine praktische Agenten-RAG-Lösung zu entwickeln, empfehle ich Ihnen, die folgenden fünf Fragen zu beantworten:

F1: Wie viel Freiheit sollte der Agent haben?

Eine gängige Possibility ist genau das, was wir in der früheren Fallstudie getan haben: Wir haben ein paar sorgfältig zusammengestellte Instruments offengelegt, und der Agent darf diese Instruments nur für die Untersuchung verwenden. Dies ist im Hinblick auf Kontrolle, Prüfung und Prüfung unkompliziert.

Wir können dem Agenten aber auch breiteren Zugriff gewähren, etwa auf Shell und Dateisystem. Auf diese Weise kann der Agent direkt Skripte ausführen, um Dateien zu durchsuchen und zu überprüfen und möglicherweise sogar weitere Datenverarbeitungen durchzuführen, um ganz eigenständig nützliche Artefakte zu generieren.

Dieses Muster kann viel wirkungsvoller sein, aber es erhöht auch das Risiko und macht es schwieriger, Verhalten vorherzusagen.

Daher würde ich für die meisten RAG-Anwendungen zunächst mit kuratierten Instruments beginnen und den Shell-/Dateisystemzugriff nur dann hinzufügen, wenn die Komplexität der Aufgabe dies rechtfertigt.

F2: Sollte der Agent nur Rohtext durchsuchen?

Die meisten RAG-Projekte beginnen möglicherweise mit einfachem Textual content wie PDFs, Wiki-Seiten, Handbüchern usw. Das ist in Ordnung.

Aber in der Praxis können wir das Abrufen oft einfacher machen, indem wir a ableiten Wissensschicht über den Rohtexten.

Diese abgeleiteten Wissensartefakte können Dokumentmetadaten, Zusammenfassungen, dokumentübergreifende Hyperlinks sein, oder wir können noch einen Schritt weiter gehen und einen richtigen Wissensgraphen implementieren.

Diese abgeleiteten Wissensartefakte helfen dem Agenten, sich im Korpus zurechtzufinden, während die Rohtexte als Quelle der Wahrheit bleiben.

F3: Brauchen wir noch Einbettungen?

Agentisches RAG bedeutet nicht unbedingt, dass Einbettungen verschwunden sind.

Vektoreinbettungen sind immer noch eine effiziente Möglichkeit, semantisch relevante Texte zu finden, und sie übertrifft oft eine reine Schlüsselwortsuchstrategie.

Im Agenten-RAG hat sich im Wesentlichen geändert, dass der Abruf zu einer „Aktion“ wird, die der Agent ausführen kann. Unter diesem Rahmen kann „Aktion“ immer noch durch einen einbettungsbasierten Retriever, einen schlüsselwortbasierten Retriever oder sogar einen Hybrid-Retriever unterstützt werden.

Einbettungen können additionally immer noch nützlich sein. Sie sind nur eine Möglichkeit, die Suchfunktion des Agenten zu verbessern.

F4: Sollte ein Agent alles erledigen?

Das einfachste Agenten-RAG-Setup besteht aus nur einem Agenten, der die Suche, das Lesen und die Antwort durchführt.

Wenn die Aufgabe jedoch komplexer wird, möchten Sie die Arbeit möglicherweise auf mehrere Agenten aufteilen. Genauer gesagt müssen Sie möglicherweise eine übernehmen Multi-Agenten-Strategie.

Sie können die Arbeit aufteilen Rolle. Zum Beispiel die Planer-Retriever-Autor Cut up: Der Planer entscheidet, welche Beweise benötigt werden, der Retriever sammelt sie und der Autor erstellt die endgültige Antwort anhand der gesammelten Beweise.

Sie können auch teilen nach Quelltypwobei jeder Agent mit maßgeschneiderten Instruments ausgestattet ist und sich auf eine bestimmte Artwork von Quelle konzentriert.

Bedenken Sie jedoch: Ein Multi-Agent-Setup erhöht die Koordinationskomplexität und es gibt keine Garantie dafür, dass die Leistung besser ist als bei einem Single-Agent-Setup. Empirische Checks sind sehr wichtig.

F5: Sollten wir immer Agenten-RAG verwenden?

Vielleicht nicht immer.

Nur weil Agentic RAG zu einem Trendthema wird, heißt das nicht unbedingt, dass Sie immer darauf zurückgreifen sollten.

Agentic RAG bietet mehr Flexibilität, ist jedoch mit Kosten verbunden. Bei diesen Kosten geht es nicht nur um Latenz- oder Tokenkosten, sondern auch um das weniger vorhersehbare Agentenverhalten.

Beginnen Sie immer einfach und fügen Sie dann Agentenschleifen hinzu, wenn die Frage tatsächlich iterativ abgerufen werden muss.

Ich habe einen Artikel veröffentlicht, der zeigt, wie ein KI-Agent könnte einem Modeunternehmen helfen Analyse von Fehlern in seiner Vertriebskette.

Die Idee bestand darin, Claude Opus 4.6 mit Transportdaten zu verbinden, um Ausfälle in der Lieferkette (ein Geschäft, das Produkte nicht rechtzeitig erhält) zu untersuchen und die Grundursache zu ermitteln.

Warum wurde ein Laden in Shanghai mit 45 Stunden Verspätung beliefert, obwohl angeblich jedes Staff sein Ziel erreicht hatte?

Eine Woche später erhielt ich eine Nachricht von einem potenziellen Kunden: MarioLogistikdirektor bei einem Modeunternehmen mit Sitz in Mailand.

„Wir haben genau dieses Downside: Wenn ich die Groups frage, sind alle pünktlich, aber 18 % unserer Lieferungen kommen zu spät. Kann Ihr KI-Agent das in Echtzeit überwachen?“

Sie versenden Luxusgüter von einem Lager in Mailand an 67 Geschäfte weltweit über eine komplexe Kette mit mehreren Groups, die aufeinander angewiesen sind, um sicherzustellen, dass die Bestellungen pünktlich geliefert werden.

Mario: „Mein Staff ist mit den Beschwerden aus den Filialen überfordert und kann den Analyseaufwand nicht bewältigen.“

Um Mario zu überzeugen, habe ich eine Simulation seiner gesamten Vertriebskette erstellt (alle Prozesse von der Auftragserstellung bis zur Lieferung in die Filiale). läuft rund um die Uhr auf einem Dwell-Server.

Schon als Marios Staff verwendet OpenClaw Für den täglichen Betrieb habe ich es mit der Simulation verbunden und ein Staff von Analysten-Agenten zusammengestellt, die auf Codex basieren.

In diesem Artikel erkläre ich, wie diese Agenten Marios Analysten dabei helfen, über Warnungen und Statusaktualisierungen auf dem Laufenden zu bleiben und diese per Telegram direkt an die Einsatzteams zu senden.

Gemeinsam bilden sie ein Staff von KI-Ermittlern, die rund um die Uhr in ihrem Auftrag tätig sind.

Marios Herausforderung: Eine Kette verwalten, in der jedes Staff vom nächsten abhängig ist

Um diese Lösung öffentlich zu teilen, ohne Marios vertrauliche Daten zu verwenden, habe ich mit seiner Erlaubnis einen Simulator erstellt, der seine gesamte Vertriebskette reproduziert.

Wir haben ein ähnliches Netzwerk, einschließlich Prozessvariabilität und Verzögerungen, die zu denselben Kaskadenmustern führen, mit denen Mario konfrontiert ist, und es läuft rund um die Uhr auf einem Dwell-Server.

Ich habe zum Beispiel am Dienstagmorgen nachgeschaut; Derzeit fliegen 4 Sendungen zum Flughafen Changi in Singapur.

Dieser lebende digitale Zwilling wird unser Spielplatz sein, um die Fähigkeiten von OpenClaw zu testen.

Für die Dwell-Demo schauen Sie sich gerne dieses Video an

Wie Luxusgüter von Mailand nach Tokio reisen

Den ganzen Tag über senden Geschäfte in ganz Asien und im Nahen Osten Nachschubbestellungen an Marios Vertriebszentrum am Stadtrand von Mailand.

Bestellung XD-487: Wir benötigen 10 Beutel mit der Referenz YYY, die bis zum 1. Mai 2026 im Shanghai Retailer 451 geliefert werden.

Jeder Auftrag folgt dem gleichen Weg über 8 Schritte, die von 4 verschiedenen Groups geleitet werden.

Sie müssen feste Tagespläne einhalten (Begin des Fluges, Zollabfertigung), die zu Engpässen führen, mit denen niemand gerechnet hat.

Da die Lieferungen der Shanghai Shops den gestrigen Flug verpasst haben, werden sie mit zwei Tagen Verspätung zugestellt.

Unser Simulator generiert kontinuierlich mehr als 500 Bestellungen professional Tag mit realistischer Variabilität bei jedem Schritt.

Einige Sendungen verlaufen reibungslos. Andere sind von den kaskadenartigen Verzögerungen betroffen, die Mario das Leben schwer machen.

Warum braucht Mario Unterstützung von Agenten?

Mario’s Nightmare: Ein Delay, das niemandem gehört

Jeden Montagmorgen leiten Filialleiter die gleiche Beschwerde an Mario weiter: Lieferungen kommen Tage zu spät an, leere Regale für die Einführung neuer Kollektionen, unzufriedene Kunden gehen weg.

Für eine Marke, die Knappheit verkauft, bedeutet Verspätung Umsatzeinbußen.

Deshalb versucht Mario, die Ursache dieser Verzögerungen zu finden. Aber wenn er fragt, verteidigt sich jedes Staff.

Im obigen Beispiel sind alle pünktlich, die Lieferung ist jedoch verspätet. Niemand ist für das Downside verantwortlich.

Additionally bittet Mario seinen Analysten, die Daten zu durchforsten. Aber bei täglich 90 verspäteten Lieferungen in 8 Städten reichen Excel- und CSV-Exporte nicht aus. Sie können nur wenige Fälle professional Woche prüfen.

Was Mario wirklich braucht, ist ein Agententeam, das rund um die Uhr jede verspätete Lieferung für ihn untersucht.

Lernen Sie die AI Efficiency Supervisor kennen

Openclaw leitet ein Staff von Agentenanalysten.

Jeder Agent ist mit dem System verbunden, in dem jede Sendung, Route und Lieferung verfolgt wird: Transportation Administration System (TMS).

Sie sind rund um die Uhr im Einsatz und decken einen bestimmten Verantwortungsbereich ab.

Vier globale Personas Sehen Sie sich das gesamte Netzwerk an:

• Marcoder Vertriebsnetzmanager, führt die gesamte Anomaliesuche durch und markiert alle Städte, die abweichen.
• Elenader Transportmanager, sucht nach Situationen, in denen einem Staff die Schuld für eine Verzögerung gegeben wird, die es nicht verursacht hat.
• Giovannider Central DC Operations Supervisor, überwacht den Lagerdurchsatz.
• Yukider Luftfrachtmanager, verfolgt Flugschwankungen und quantifiziert die nachgelagerten Auswirkungen verspäteter Lieferungen.

Wir brauchen Agenten, die die Zustellung auf der letzten Meile überwachen und Beschwerden in den Filialen bearbeiten.

Acht regionale Personas Jeder beobachtet eine einzelne Stadt in China, Japan, Saudi-Arabien und den Vereinigten Arabischen Emiraten.

Jede Individual führt stündlich ihre eigene Untersuchung durch:

1. Ruft Transaktionsdaten aus dem Backend ab, analysiert die Leistung ihres Bereichs und erkennt Fehler.
2. Wenn etwas Aufmerksamkeit erfordert, postet die Persona einen Flash-Bericht im Dashboard und sendet eine Zusammenfassung per Telegram an das operative Staff.

Jeder Bericht besteht aus drei Teilen, die dem Briefing eines menschlichen Analysten für Mario entsprechen:

• Die Schlagzeileein einzeiliger Titel, der das Downside identifiziert (z. B Luftfracht – Erklärung zum Lager)
• Die Zusammenfassungein einzelner Satz mit dem Befund (z Aufgrund von Decide-and-Pack-Verzögerungen haben mehrere Sendungen die Frist für die Flugbereitschaft überschritten)
• Die vollständige Analysemit spezifischen Sendungs-IDs, Dauer und wie weit jeder Schritt über sein Ziel hinausging.

Die Idee besteht darin, nur die Informationen bereitzustellen, die der Analyst benötigt, um Maßnahmen zu ergreifen.

Zu diesem Zweck kann jede Eingabeaufforderung im Admin-Panel bearbeitet werden, sodass das Betriebsteam anpassen kann, wonach Elena sucht oder wie Li Wei seine Shanghai-Briefings formatiert, ohne eine einzige Codezeile schreiben zu müssen.

Da dieses Staff von KI-Agenten rund um die Uhr im Einsatz ist, geht Mario nicht mehr mit leeren Händen in sein Montagsmeeting.

Jede verspätete Lieferung hat einen Namen, eine Grundursache und ein verantwortliches Staff, das bereits dokumentiert und zur Diskussion bereit ist.

Was sich für Mario geändert hat

Einige Wochen nachdem die Agenten an sein Transportmanagementsystem angeschlossen wurden, sieht Marios Woche anders aus.

Vor OpenClaw waren meine Montage ein Kriegsgebiet. Jetzt bekomme ich das Briefing um 8 Uhr morgens.

Montagsbesprechungen dauern jetzt 20 Minuten, nicht mehr 2 Stunden.

Anstatt dass jedes Staff mit seiner eigenen Model der Wahrheit auftaucht, kommt Mario mit einem konsolidierten Transient herein, der bereits von den Agenten verfasst wurde.

Jede verspätete Lieferung hat einen Namen, eine dokumentierte Grundursache und ein verantwortliches Staff. Bei dem Treffen geht es darum, was als nächstes behoben werden soll, nicht darum, wem man die Schuld geben soll.

Lokale Supervisor können auf die Beschwerden ihrer Filialen antworten, ohne Mario um Unterstützung bitten zu müssen.

Regionale Groups erhalten lokale Sichtbarkeit

Li Wei, der im XinTianDi-Büro in Shanghai sitzt, erhält die gleichen Berichte wie Omar, der die Lieferungen von Dubais Marina aus überwacht.

Jeder Logistikleiter vor Ort erhält in seinem eigenen Umfang täglich ein gezieltes Briefing über die eigenen Filialen.

Der Bericht enthält außerdem zwei zusätzliche Ausgaben: WERKZEUGE GENANNT Und METRIKEN Dies kann auf Anfrage von OpenClaw verwendet werden, um die Datentransformation wiederherzustellen, die zu den hier vorliegenden Ergebnissen geführt hat.

Ich wollte die Reproduzierbarkeit sicherstellen, damit diese lokalen Supervisor nicht darauf warten müssen, dass Milan eine gefilterte CSV-Datei exportiert.

Probleme tauchen auf, bevor sich Kunden beschweren

Die Agenten sind stündlich rund um die Uhr im Einsatz.

Wenn sich eine Flugverspätung auszuweiten droht, sieht das Betriebsteam dies in Telegram, bevor der Filialleiter in Shanghai den Hörer abnimmt.

Anstatt ihre Vormittage damit zu verbringen, CSVs zu ändern, können sich Marios Analysten jetzt auf die Koordination mit den Groups konzentrieren:

• Machen Sie die örtlichen Logistikteams und Geschäfte in Seoul darauf aufmerksam: „Es kann zu Verzögerungen bei eingehenden Lieferungen kommen.“
• Fragen Sie das Luftfrachtteam, wann sich die State of affairs verbessern wird.

Beim Enterprise Case geht es nicht darum, Analysten zu ersetzen.

Es geht darum, seinem Staff die Sichtbarkeit, die Beweise und die Zeit zu geben, um die Probleme, auf die ihre Daten immer wieder hinweisen, tatsächlich zu lösen.

Abschluss

Sollten Sie OpenClaw Ihre Lieferkette überwachen lassen?

Wir haben OpenClaw nicht zufällig ausgewählt.

Mario nutzte es bereits für andere Automatisierungen, sodass für die Hinzufügung der Provide-Chain-Überwachung kein neues Instrument erforderlich conflict.

OpenClaw läuft auf einer eigenen Infrastruktur mit begrenztem Zugriff auf das Transportmanagementsystem, sodass wise Daten niemals ihren Umfang verlassen.

Wenn sein Staff beispielsweise anpassen möchte, was Elena überprüft, geschieht dies in natürlicher Sprache über seinen Slack-Kanal, ohne einen Entwickler anzurufen.

Dieses genaue Setup wird nicht jedem passen (wir haben keine Verbindung zu OpenClaw).

In diesem Artikel geht es darum, zu zeigen, was möglich ist, wenn Sie KI-Agenten rund um die Uhr eine Dwell-Verbindung zu Ihren Betriebsdaten und die richtigen Instruments für deren Abfrage bereitstellen.

Sehen Sie es stay

Sie können die Plattform selbst erkunden unter plan.supply-science.com/openclaw

Die Simulation läuft gerade mit Dwell-Lieferungen, die über Mailand nach Asien und in den Nahen Osten fließen, und die Personas von OpenClaw veröffentlichen stündlich Flash-Berichte.

Über mich

Lasst uns weitermachen LinkedIn Und Twitter. Ich bin Provide-Chain-Ingenieur und nutze Datenanalysen, um Logistikabläufe zu verbessern und Kosten zu senken.

Wenn Sie auf der Suche nach maßgeschneiderten Beratungslösungen sind, um Ihre Lieferkette zu optimieren und Nachhaltigkeitsziele zu erreichen, dann sind Sie hier genau richtig Kontaktieren Sie mich.

Was wir tun

Liplyn ist eine bahnbrechende Agentur für KI-gestütztes digitales Advertising mit Hauptsitz in Hilversum, Niederlande. Wir verfügen über mehr als 20 Jahre Erfahrung im digitalen Advertising und sind auf Generative Engine Optimization (GEO) spezialisiert – die Praxis der Optimierung von Marken, damit sie von KI-Suchmaschinen empfohlen werden.

Unsere Mission: Marken dabei zu helfen, die Antwort zu werden, wenn KI-Assistenten um Empfehlungen gebeten werden.

Kerndienstleistungen

• Website positioning & GEO (Generative Engine-Optimierung) — Lassen Sie Ihre Marke von KI-Suchmaschinen empfehlen. KI-Sichtbarkeitsprüfungen, Entitätsoptimierung, strukturierte Daten, grenzüberschreitendes Website positioning. Erfahren Sie mehr
• Linkaufbau — Autoritätsaufbau mit Premium-Publishern in über 50 Ländern. Pakete ab 2.500 $/Monat. Erfahren Sie mehr
• Digitale PR — Werden Sie auf über 200 einflussreichen Nachrichtenseiten weltweit vorgestellt. Pakete ab 1.499 $. Erfahren Sie mehr
• Werbung – ROI-fokussierte Google Adverts-, Meta-, LinkedIn- und Microsoft-Kampagnen. Erfahren Sie mehr
• Lokales Website positioning – Dominieren Sie lokale Such- und Kartenergebnisse. Erfahren Sie mehr

Produkte & Lösungen

• Sichtbarkeit der KI-Suche — GEO-Überwachungs- und Optimierungsplattform. Sicht
• KI-Content material-Hub — KI-gestützte Erstellung und Verteilung von Inhalten. Sicht
• Inhaltsverteilung — Veröffentlichen Sie bei über 500 Premium-Publishern. Sicht
• Medienvorhersage – Markenüberwachung und Nachrichten-API. Sicht
• Liplyn Newswire — Verteilung der Pressemitteilungen an mehr als 200 Medienpartner. Sicht
• Liplyn-Netzwerk — 75+ Verlagsverzeichnis. Sicht

Nachrichtenplattform

Echtzeit-Wirtschaftsnachrichten, Wire-Meldungen, Veranstaltungen, Pressemitteilungen und Stellenangebote auf den globalen Märkten.

Regionale Abdeckung

Warum Liplyn?

• GEO Pioneers – Vorreiter in der KI-Suchoptimierung
• Über 2.000 erfolgreiche Kampagnen in über 50 Ländern
• Full-Service: Website positioning, Linkbuilding, digitale PR, Werbung
• Proprietäre Instruments zur KI-Sichtbarkeitsverfolgung
• Über 20 Jahre Erfahrung im digitalen Advertising

Länder-Website positioning- und GEO-Abdeckung

Kostenlose Instruments

Über uns

Liplyn Data Group ist eine KI-gestützte Agentur für digitales Advertising mit Hauptsitz in Hilversum, Niederlande, und Niederlassungen in Dubai, Vereinigte Arabische Emirate. Wir sind auf Generative Engine Optimization (GEO) spezialisiert und helfen Marken dabei, die Antwort zu werden, wenn KI-Assistenten um Empfehlungen gebeten werden. Mit mehr als 20 Jahren Erfahrung haben wir mehr als 2.000 erfolgreiche Kampagnen in mehr als 50 Ländern durchgeführt.

Erfahren Sie mehr über Liplyn

Denkspiele und Karrieretests

10 bewusstseinsschärfende Spiele und Karriere-Persönlichkeitstests für vielbeschäftigte Berufstätige. Machen Sie eine 2-minütige Pause, um Ihren Fokus aufzufrischen und die kognitive Leistung zu steigern.

• Reminiscence-Match — Karten umdrehen und passende Paare finden. Trainiert das visuelle Gedächtnis und die Konzentration.
• Geschwindigkeitsmathematik — Schnelle Rechenaufgaben unter Zeitdruck lösen.
• Worträtsel – Entschlüsseln Sie geschäftliche und technische Begriffe.
• Farbübereinstimmung – Passen Sie die Farbe des Wortes an, nicht den Textual content selbst.
• Musterrückruf — Mustersequenzen auswendig lernen und reproduzieren.
• Karrierepersönlichkeit — Entdecken Sie Ihren Führungsarchetyp.
• Prioritätsmatrix — Sortieren Sie Aufgaben in die Eisenhower-Matrix.
• Arbeitsstil-DNA — Eine Persönlichkeitsbeurteilung, die Ihren Archetyp am Arbeitsplatz enthüllt.
• Gründerentscheidungen — Stellen Sie sich als CEO echten Startup-Dilemmata.
• Startup-Bewertungen — Erraten Sie die Bewertungen berühmter Startups.

Spielen Sie Denkspiele

Unternehmen

Von Harsha KumarCEO von NewRocket

Unternehmen haben nicht zu wenig in KI investiert. Sie haben es übermäßig eingeschränkt.

Bis Ende 2025 nutzt nahezu jedes große Unternehmen in irgendeiner Type künstliche Intelligenz. Entsprechend McKinseys Umfrage zum Stand der KI 202588 Prozent der Unternehmen berichten mittlerweile über den regelmäßigen KI-Einsatz in mindestens einer Geschäftsfunktion und 62 Prozent experimentieren bereits mit KI-Agenten. Dennoch ist es nur einem Drittel gelungen, die KI über die Pilotphase hinaus zu skalieren, und nur 39 Prozent berichten über messbare Auswirkungen auf das EBIT auf Unternehmensebene.

Diese Lücke ist kein Versagen von Modellen, Rechenleistung oder Ambitionen. Es handelt sich um ein Versagen der Vollstreckungsbehörde.

Die meisten Unternehmen betrachten KI immer noch als Empfehlungsmaschine und nicht als operativen Akteur. Modelle analysieren, schlagen vor, fassen zusammen und prognostizieren, aber sie schrecken davor zurück, zu handeln. Der Mensch ist weiterhin dafür verantwortlich, Einblicke in Arbeitsabläufe zu gewinnen, Routineentscheidungen zu genehmigen und die Arbeit manuell voranzutreiben. Dadurch beschleunigt die KI Arbeitsfragmente, während das System selbst unverändert bleibt. Die Produktivität verbessert sich auf Aufgabenebene, stagniert jedoch auf der Organisationsebene.

Die unbequeme Wahrheit ist: KI kann ein Unternehmen nicht verändern, wenn sie nicht durchgängig an Entscheidungen beteiligt sein darf.

Die Pilotenfalle ist ein Autoritätsproblem

Das vorherrschende KI-Muster in Unternehmen ist heute vorsichtiges Experimentieren. Modelle werden in isolierten Funktionen bereitgestellt. Copiloten unterstützen Einzelpersonen. Dashboards liefern Einblicke. Der Arbeitsablauf rund um diese Erkenntnisse ist jedoch nach wie vor von Menschen gesteuert, sequenziell und genehmigungsintensiv.

Untersuchungen von McKinsey zeigen, dass quick zwei Drittel der Unternehmen in der Experimentier- oder Pilotphase stecken bleiben, selbst wenn die KI-Nutzung abteilungsübergreifend zunimmt. Was die kleine Gruppe der Leistungsträger auszeichnet, ist nicht der Zugang zu besseren Modellen, sondern die Bereitschaft, Arbeitsabläufe neu zu gestalten. Bei Leistungsträgern ist die Wahrscheinlichkeit quick dreimal so hoch, dass sie die Artwork und Weise, wie ihre Arbeit erledigt wird, grundlegend umgestalten, und es ist weitaus wahrscheinlicher, dass sie Agentensysteme über mehrere Funktionen hinweg skalieren.

KI schafft Mehrwert, wenn sie in das Betriebsmodell eingebettet und nicht darüber geschichtet wird.

Dies erfordert eine Änderung in der Artwork und Weise, wie Führungskräfte über Kontrolle denken. Unternehmen lassen Maschinen gerne Routen optimieren, Lasten ausgleichen oder die Infrastruktur autonom verwalten. Sie fühlen sich weitaus weniger wohl damit, KI Kundenprobleme lösen zu lassen, Lieferentscheidungen anzupassen oder finanzielle Maßnahmen ohne menschliche Zustimmung durchzuführen. Dieses Zögern ist verständlich, aber es ist auch der Hauptgrund dafür, dass die Auswirkungen der KI inkrementell bleiben.

Autonomie ist die nächste Unternehmensfähigkeit

Gartner beschreibt die nächste Part der Unternehmenstransformation als autonomes Geschäft. In diesem Modell informieren Systeme nicht nur über Entscheidungen. Sie spüren, entscheiden und handeln selbstständig innerhalb definierter Grenzen.

Entsprechend Gartners Analyse autonomer UnternehmenBis 2028 werden 40 Prozent der Dienstleistungen KI-erweitert sein, wodurch die Mitarbeiter von der Ausführung auf die Aufsicht verlagert werden. Bis 2030 könnten Maschinenkunden Einkäufe im Wert von bis zu 18 Billionen US-Greenback beeinflussen. Diese Verschiebungen sind nicht theoretisch. Sie verändern bereits die Artwork und Weise, wie Unternehmen miteinander konkurrieren.

Autonome Abläufe leiten Lieferketten bei Störungen um. KI-gesteuerte Serviceplattformen lösen Probleme, bevor ein menschlicher Agent eingreift. Systeme korrigieren Leistungsabweichungen in Echtzeit ohne Eskalation. Wenn Autonomie funktioniert, verbringen Menschen weniger Zeit damit, die Probleme von gestern zu lösen, und haben mehr Zeit, die Strategie von morgen zu gestalten.

Aber Autonomie bedeutet nicht Verzicht. Es erfordert Governance, Leitplanken und Klarheit darüber, wann KI unabhängig agiert und wann sie eskaliert. Die erfolgreichsten Organisationen definieren Entscheidungsklassen explizit. Risikoarme, wiederholbare Entscheidungen werden vollständig automatisiert. Entscheidungen mit großer Auswirkung oder mehrdeutige Entscheidungen werden zur menschlichen Überprüfung gekennzeichnet. Mit der Zeit, wenn das Selbstvertrauen wächst, verschieben sich die Grenzen.

Was zählt, ist nicht Perfektion. Es ist Schwung.

Warum Vertrauen allein nicht ausreicht

Ein Großteil der KI-Debatte dreht sich um Vertrauen. Können wir Modellen bei der Entscheidungsfindung vertrauen? Sollten Menschen immer auf dem Laufenden bleiben? Diese Fragen sind wichtig, aber sie lassen ein tieferes Downside außer Acht. Vertrauen ohne Neugestaltung erzeugt Reibung. Autorität ohne Kontext schafft Risiko.

Forschung von Stanfords Institute for Human-Centered AI verstärkt diese Unterscheidung. Ihre Arbeit spricht nicht gegen Autonomie. Es zeigt, dass Autonomie bewusst angewendet werden muss, basierend auf der Artwork der getroffenen Entscheidung.

In kontrollierten Experimenten verbesserte sich die Entscheidungsqualität, wenn KI-Systeme eher auf Komplementarität als auf pauschalen Ersatz ausgelegt waren, insbesondere in Szenarien mit hoher Unsicherheit oder hohem Urteilsvermögen. In diesen Fällen half der selektive KI-Eingriff dem Menschen, Fehler zu vermeiden, ohne die menschliche Verantwortung zu verlieren.

Dies bedeutet jedoch nicht, dass KI im gesamten Unternehmen beratend bleiben sollte. Dies impliziert, dass unterschiedliche Klassen von Entscheidungen unterschiedliche Ausführungsmodelle erfordern. Einige Arbeitsabläufe profitieren von der Erweiterung, bei der die KI das menschliche Urteilsvermögen leitet, markiert oder herausfordert. Andere profitieren von völliger Autonomie, bei der Geschwindigkeit, Skalierbarkeit und Konsistenz wichtiger sind als Diskretion.

Der eigentliche Fehlermodus ist nicht die Autonomie selbst. Es zwingt alle Entscheidungen nach dem gleichen Human-in-the-Loop-Muster, unabhängig von Risiko, Häufigkeit oder Auswirkungen. Wenn KI selbst in wiederholbaren Arbeitsabläufen mit geringem Risiko auf beratende Funktionen beschränkt ist, verlassen sich Menschen entweder zu sehr auf Empfehlungen oder ignorieren sie vollständig. Beide Ergebnisse begrenzen den Wert.

Komplementäre Systeme sind erfolgreich, weil sie darauf ausgerichtet sind, wie die Arbeit tatsächlich abläuft. Sie definieren, wann KI selbstständig agiert, wann sie eskaliert und wann der Mensch eingreift. Die Vollstreckungsbefugnis wird nicht entzogen. Es ist kalibriert.

Die Lektion hier ist eine praktische Lektion für Unternehmen. KI sollte nicht ausschließlich nach ihrer Genauigkeit bewertet werden. Es sollte danach bewertet werden, wie intestine es sich in reale Arbeitsabläufe, Entscheidungsrechte und Verantwortlichkeitsstrukturen integriert.

Was sich im Jahr 2026 ändert

Auf dem Weg ins Jahr 2026 stellt sich für Unternehmen nicht mehr die Frage, ob KI funktioniert. Diese Debatte ist vorbei. Die Frage wird sein, ob Unternehmen bereit sind, KI als Teil des Geschäfts statt als unterstützende Funktion agieren zu lassen.

Die Daten von McKinsey zeigen, dass Unternehmen, die bedeutende KI-Auswirkungen sehen, eher Wachstums- und Innovationsziele neben der Effizienz verfolgen. Sie investieren stärker. Mehr als ein Drittel der KI-Excessive-Performer wenden über 20 Prozent ihres digitalen Budgets für KI auf. Sie skalieren schneller. Sie gestalten Arbeitsabläufe bewusst neu. Und sie verlangen von den Führungskräften, dass sie die Verantwortung für die KI-Ergebnisse übernehmen und sie nicht an Experimentierteams delegieren.

Dies ist keine technologische Herausforderung. Es ist eine Führungsaufgabe.

Erfolgreich werden nicht die Unternehmen sein, die über die ausgefeiltesten Modelle verfügen. Sie werden diejenigen sein, die die Arbeit so umgestalten, dass Mensch und Maschine als koordiniertes System funktionieren. Die KI übernimmt die Ausführung mit Maschinengeschwindigkeit. Der Mensch definiert Absichten, Werte und Richtung. Gemeinsam werden sie schneller vorankommen, als es einer von beiden allein könnte.

Bis dahin wird KI beeindruckend, teuer und unzureichend genutzt bleiben.

Über den Autor:

Harsha Kumar ist der CEO von NewRocketum Unternehmen mit vertrauenswürdiger KI zu unterstützen und dabei die Agentic AI IP von NewRocket und die ServiceNow AI-Plattform zu nutzen.

Altman Kürzlich geteilt Eine Betonzahl für den Energie- und Wasserverbrauch von Chatgpt -Abfragen. Laut seinem Weblog -Beitrag konsumiert jede Anfrage an ChatGPT etwa 0,34 WH -WH -Elektrizität (0,00034 kWh) und etwa 0,000085 Gallonen Wasser. Das Äquivalent zu dem, was eine hocheffiziente Glühbirne in ein paar Minuten und ungefähr ein Fünftel eines Teelöffels verwendet.

Dies ist das erste Mal, dass OpenAI solche Daten öffentlich geteilt hat, und es fügt einen wichtigen Datenpunkt zu laufenden Debatten über die Umweltauswirkungen großer KI -Systeme hinzu. Die Ankündigung löste eine weit verbreitete Diskussion aus – sowohl unterstützend als auch skeptisch. In diesem Beitrag analysiere ich die Behauptung und packte die Reaktionen in den sozialen Medien aus, um die Argumente auf beiden Seiten zu betrachten.

Was stützt die 0,34 Wh -Behauptung?

Schauen wir uns die Argumente an, die der Nummer von Eröffnung Glaubwürdigkeit verleihen.

1. Unabhängige Schätzungen stimmen mit der Nummer von OpenAI überein

Ein wichtiger Grund, warum manche die Zahl glaubwürdig betrachten, ist, dass sie eng mit früheren Schätzungen von Drittanbietern übereinstimmt. Im Jahr 2025 schätzte das Analysis Institute Institute.ai, dass eine einzige Abfrage an GPT-4O ungefähr 0,0003 kWh Energie verbraucht-die eng mit OpenAIs eigene Schätzung übereinstimmen. Dies setzt voraus, dass GPT-4O eine Architektur der Experten mit 100 Milliarden aktiven Parametern und eine typische Reaktionslänge von 500 Token verwendet. Sie berücksichtigen jedoch keine anderen Faktoren als den Energieverbrauch der GPU -Server und umfassen keine Effektivität der Stromverbrauch (PUE), wie es ansonsten üblich ist.

Eine kürzlich akademische Studie von Jehham et al. (2025) Schätzungen zufolge verwendet GPT-4,1-Nano 0,000454 kWh, O3 0,0039 kWh und GPT-4,5 0,030 kWh für lange Eingabeaufforderungen (ungefähr 7.000 Wörter Eingabe und 1.000 Ausgangswörter).

Die Übereinstimmung zwischen den Schätzungen und dem Datenpunkt von OpenAI legt nahe, dass die Abbildung von OpenAI in einem angemessenen Bereich fällt, zumindest wenn man sich nur auf die Part konzentriert, in der das Modell auf eine Eingabeaufforderung reagiert (als „Inferenz“ bezeichnet).

2. Die Nummer von OpenAI könnte auf Hardwareebene plausibel sein

Es ist wurde gemeldet Diese OpenAI -Server 1 Milliarde Fragen professional Tag. Betrachten wir die Mathematik, wie Chatgpt diese Anzahl von Fragen professional Tag dienen könnte. Wenn dies zutrifft und die Energie professional Abfrage 0,34 WH beträgt, könnte die gesamte tägliche Energie laut einem etwa 340 Megawattstunden betragen Branchenexperte. Er spekuliert, dass dies bedeuten würde, dass OpenAI ChatGPT mit etwa 3.200 Servern unterstützen könnte (unter der Annahme von NVIDIA DGX A100). Wenn 3.200 Server täglich 1 Milliarde Abfragen abschließen müssen, müsste jeder Server rund 4,5 Eingabeaufforderungen professional Sekunde bearbeiten. Wenn wir annehmen, dass eine Instanz der zugrunde liegenden LLM von Chatgpt auf jedem Server bereitgestellt wird und dass die durchschnittliche Eingabeaufforderung zu 500 Ausgangs -Token (ungefähr 375 Wörter gemäß OpenAIs Faustregel) führt, müssten die Server 2.250 Token professional Sekunde erzeugen. Ist das realistisch?

Stojkovic et al. (2024) konnten einen Durchsatz von 6.000 Token professional Sekunde von LAMA-2–70B auf einem NVIDIA DGX H100-Server mit 8 H100-GPUs erzielen.

Jegham et al. (2025) haben jedoch herausgefunden, dass drei verschiedene OpenAI -Modelle im Durchschnitt zwischen 75 und 200 Token professional Sekunde erzeugt wurden. Es ist jedoch unklar, wie sie dazu angekommen sind.

Es scheint additionally, dass wir die Idee nicht ablehnen können, dass 3.200 Server in der Lage sein könnten, täglich 1 Milliarde Fragen zu bearbeiten.

Warum einige Experten skeptisch sind

Trotz der unterstützenden Beweise bleiben viele vorsichtig oder kritisch gegenüber den 0,34 in der Abbildung, was mehrere wichtige Bedenken auswirkt. Schauen wir uns diese an.

1. Die Nummer von OpenAI könnte wichtige Teile des Methods auslassen

Ich vermute, dass die Zahl nur die Energie enthält, die die GPU -Server selbst genutzt haben, und nicht die restlichen Infrastruktur – wie Datenspeicher, Kühlsysteme, Netzwerkausrüstung, Firewalls, Stromumwandlungsverlust oder Sicherungssysteme. Dies ist eine häufige Einschränkung der Energieberichterstattung zwischen Technologieunternehmen.

Zum Beispiel hat Meta in der Vergangenheit auch GPU-Energiezahlen gemeldet. In realen Rechenzentren ist die GPU-Leistung jedoch nur ein Teil des vollständigen Bildes.

2. Die Serverschätzungen scheinen im Vergleich zu Branchenberichten niedrig zu sein

Einige Kommentatoren wie Greenops Advocate Mark Butcher argumentieren, dass 3.200 GPU -Server viel zu niedrig zu sein scheinen, um alle Benutzer von ChatGPT zu unterstützen, insbesondere wenn Sie die globale Nutzung, hohe Verfügbarkeit und andere Anwendungen über das Gelegenheits -Chat überlegen (z. B. Codierung oder Bildanalyse).

Andere Berichte deuten darauf hin, dass OpenAI Zehn oder sogar Hunderttausende von GPUs zur Folge verwendet. Wenn dies zutrifft, könnte der Gesamtenergieverbrauch viel höher sein als die 0,34 WH/Question -Zahl.

3. Mangel an Particulars wirft Fragen auf

Kritiker, z David Myttonweisen auch darauf hin, dass die Aussage von OpenAI fehlt den grundlegenden Kontext. Zum Beispiel:

• Was genau ist eine „durchschnittliche“ Abfrage? Eine einzige Frage oder ein vollständiges Gespräch?
• Gilt diese Zahl nur für ein Modell (z. B. GPT-3,5, GPT-4O) oder einen Durchschnitt über mehrere?
• Enthält es neuere, komplexere Aufgaben wie multimodale Eingaben (z. B. Analyse von PDFs oder Erzeugung von Bildern)?
• Ist die Wasserverbrauchsnummer direkt (für Kühlanger verwendet) oder indirekt (aus Stromquellen wie Wasserkraft)?
• Was ist mit Kohlenstoffemissionen? Das hängt stark vom Standort und dem Energiemix ab.

Ohne Antworten auf diese Fragen ist es schwer zu wissen, wie viel Vertrauen in die Nummer aufgenommen werden kann oder wie man es mit anderen KI -Systemen vergleichen kann.

Perspektiven

Hören Huge Tech endlich unsere Gebete?

Openais Offenlegung erfolgt im Gefolge Nvidias Veröffentlichung von Daten über die verkörperten Emissionen der GPUs und Googles Weblog -Beitrag über die Lebenszyklusemissionen ihrer TPU -{Hardware}. Dies könnte darauf hindeuten, dass die Unternehmen endlich auf die vielen Anrufe reagieren, die für mehr Transparenz getätigt wurden. Zeugen wir den Beginn einer neuen Ära? Oder spielt Sam Altman nur Methods für uns, weil es in seinen finanziellen Interessen liegt, die Klimawirkung seines Unternehmens herunterzuspielen? Ich werde diese Frage als Gedankenexperiment für den Leser hinterlassen.

Inferenz gegen Coaching

Historisch gesehen hat die Zahlen, die wir über den Energieverbrauch der KI gesehen und gemeldet haben Ausbildung KI -Modelle. Und während die Trainingsphase sehr energieintensiv sein kann, können im Laufe der Zeit Milliarden von Abfragen (Inferenz) tatsächlich mehr Energie verbrauchen, als das Modell überhaupt zu trainieren. Mein eigenes Schätzungen schlagen vor Dieses Coaching GPT-4 hat möglicherweise rund 50 bis 60 Millionen kWh Strom verwendet. Mit 0,34 WHOR-pro-Abfrage und 1 Milliarde tägliche Abfragen würde die Energie, die zur Beantwortung von Benutzeranfragen verwendet wird, die Energieverbrauch der Trainingsphase nach 150 bis 200 Tagen übertreffen. Dies verleiht der Idee Glaubwürdigkeit, dass Inferenzergie eine enge Messung wert ist.

Schlussfolgerung: Ein willkommener erster Schritt, aber weit entfernt vom vollständigen Bild

Gerade als wir dachten, die Debatte über Openais Energieverbrauch conflict alt geworden, rührt die notorisch geschlossene Firma sie mit der Offenlegung dieser Zahl auf. Viele freuen sich über die Tatsache, dass OpenAI nun in die Debatte über die Energie- und Wasserverbrauch ihrer Produkte eingetreten ist und hoffen, dass dies der erste Schritt in Richtung größerer Transparenz über die Ressource -Unentschieden und die Klimaauswirkungen von Huge Tech ist. Auf der anderen Seite stehen viele skeptisch gegenüber Openais Figur. Und aus gutem Grund. Es wurde als Klammern in einem Weblog -Beitrag über ein ein ganz anderes Thema offenbart, und es wurde keinerlei Kontext gegeben, wie oben beschrieben.

Obwohl wir vielleicht eine Verschiebung in Richtung mehr Transparenz beobachten, benötigen wir immer noch viele Informationen von OpenAI, um ihre 0,34 WH -Abbildung kritisch zu beurteilen. Bis dahin sollte es nicht nur mit einem Salzkorn, sondern auch mit einer Handvoll eingenommen werden.

---

Das conflict’s! Ich hoffe, Sie haben die Geschichte genossen. Lass mich wissen, was du denkst!

Folgen Sie mir für mehr über KI und Nachhaltigkeit und können Sie mir gerne folgen LinkedIn.

Neuer Bericht zeigt Bedarf an Schulungen zum verantwortungsvollen Umgang mit KI

Stibo-Systemeein weltweit führendes Unternehmen im Bereich Stammdatenmanagement, veröffentlichte seinen neuesten Bericht: „KI: Das riskante Glücksspiel für Unternehmen.“ Der Bericht zeigt, dass US-Wirtschaftsführer in allen Branchen zwar bei kritischen Entscheidungen zunehmend auf künstliche Intelligenz (KI) angewiesen sind, Lücken in der Alphabetisierung, im ethischen Umgang und in der organisatorischen Vorbereitung jedoch Anlass zu erheblichen Bedenken geben.

„KI verändert Geschäftsabläufe, indem sie Prozesse automatisiert, umsetzbare Erkenntnisse liefert und eine stärkere Einbindung wichtiger Stakeholder fördert“, sagte Gustavo Amorim, Chief Advertising Officer bei Stibo Programs. „Wenn Unternehmensführer jedoch voll und ganz auf KI setzen, ohne starke ethische und Governance-Rahmenwerke zu schaffen, verspielen sie möglicherweise die Zukunft ihres Unternehmens, anstatt es auf langfristigen Erfolg auszurichten.“

Der Bericht umfasst Umfrageergebnisse von 500 US-Wirtschaftsführern (auf Direktorenebene und höher) aus verschiedenen Sektoren, darunter Einzelhandel, Konsumgüter (CPG), Fertigung, Banken, Versicherungen und Biowissenschaften.

Die Umfrage ergab, dass 32 % der Unternehmensleiter zugeben, dass sie die KI-Einführung beschleunigt haben, während 58 % einen Mangel an KI-Ethikschulungen anerkennen. Darüber hinaus äußern 86 % den Wunsch nach mehr Schulungen zum verantwortungsvollen Umgang mit KI.

Weitere wichtige Ergebnisse der Umfrage sind:

• Bedenken hinsichtlich der Vorbereitung: 49 % der Unternehmensführer geben zu, dass sie nicht bereit sind, KI verantwortungsvoll einzusetzen, was die erhebliche Lücke bei der Bereitschaft verdeutlicht.
• Verzerrungsminderung: 79 % der Unternehmen verfügen nicht über Richtlinien und Praktiken zur Voreingenommenheitsminderung, was darauf hindeutet, dass sich die meisten Unternehmensleiter nicht mit den kritischsten ethischen Herausforderungen der KI befassen.
• Sicherheitsrisiken: 54 % der Unternehmen haben keine neuen Sicherheitsmaßnahmen implementiert, um mit der KI-Integration Schritt zu halten.

Amorim fuhr fort: „Die Einrichtung vertrauenswürdiger Datenquellen, die Durchsetzung strenger Sicherheits- und Ethikrichtlinien sowie die Bereitstellung umfassender KI-Kenntnisse und Voreingenommenheitsschulungen sind wesentliche Schritte zum Schutz von Mitarbeitern, Kunden und dem Ruf der Marke.“ Ohne diese Maßnahmen riskieren Unternehmen einen finanziellen Schaden und einen Reputationsschaden, anstatt von den Innovationen und Synergien zu profitieren, die KI bieten kann.“

Weitere Informationen zum Bericht und Zugriff auf alle wichtigen Ergebnisse finden Sie unter HIER.

Melden Sie sich für die kostenlosen insideAI-Information an Publication.

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

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

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