UnternehmensGPT lokal im Mittelstand nutzen

Mit ChatGPT zusammenfassen Mit Perplexity zusammenfassen

Ein UnternehmensGPT macht interne Dokumente, Vorlagen und Prozesswissen für den Arbeitsalltag nutzbar. Lokale KI ist besonders interessant, wenn sensible Daten, Datenschutz und Kontrolle über Systeme eine große Rolle spielen. Für KMU zählt vor allem, klein zu starten, saubere Datenquellen zu wählen und technische Voraussetzungen realistisch zu planen.

Warum wird ein UnternehmensGPT für KMU jetzt relevant?

In vielen mittelständischen Unternehmen ist Wissen vorhanden, aber schwer zugänglich. Es liegt in Netzlaufwerken, E-Mail-Postfächern, Projektordnern, alten Angeboten, PDF-Handbüchern, ERP-Auswertungen, CRM-Notizen, Excel-Listen und persönlichen Ablagen. Genau dort entsteht im Alltag Reibung: Angebote dauern länger, Rückfragen landen immer bei denselben Personen, neue Mitarbeiter finden Informationen nur mit Hilfe erfahrener Kollegen, und die Geschäftsführung verliert Zeit mit wiederkehrenden Auskünften.

KI-Einführung von KrambergAI

KI strukturiert in den Arbeitsalltag bringen

Die KI-Einführung von KrambergAI unterstützt Unternehmen dabei, passende Anwendungsfälle auszuwählen, Prozesse vorzubereiten und KI-Lösungen kontrolliert in den Betrieb zu integrieren.

Strukturiert eingeführt · Praxisnah begleitet · Made in Germany

Mehr erfahren Gesprächstermin vereinbaren

Ein UnternehmensGPT setzt an dieser Stelle an. Es ist keine Spielerei und kein weiterer einzelner KI-Chat, sondern eine Arbeitsumgebung für internes Wissen. Mitarbeiter können Fragen an freigegebene Dokumente stellen, Inhalte zusammenfassen lassen, Entwürfe vorbereiten, Projektdaten auswerten oder Prozessschritte nachvollziehen. Für Geschäftsführer entsteht damit ein Instrument, das vorhandenes Wissen besser nutzbar macht, ohne direkt das gesamte Unternehmen umzubauen.

Die Entwicklung ist nicht mehr nur ein Thema großer Konzerne. Nach Destatis nutzten 2025 bereits 26 Prozent der Unternehmen in Deutschland KI-Technologien; bei Unternehmen mit 50 bis 249 Beschäftigten lag der Anteil bei 36 Prozent. Bitkom berichtet für 2025 ebenfalls, dass 36 Prozent der Unternehmen KI einsetzen und weitere 47 Prozent den Einsatz planen oder diskutieren. Für den Mittelstand bedeutet das: Die Frage ist nicht mehr, ob KI überhaupt kommt, sondern wo sie zuerst belastbar Nutzen bringt.

Was unterscheidet UnternehmensGPT von einem normalen KI-Chat?

Ein allgemeiner KI-Chat beantwortet Fragen auf Basis seines Modells und des eingegebenen Prompts. Ein UnternehmensGPT wird dagegen mit ausgewählten Wissensquellen des Betriebs verbunden. Es kann interne Dokumente berücksichtigen, mit Vorlagen arbeiten und auf betriebliche Abläufe ausgerichtet werden. Der Unterschied liegt also nicht nur im Modell, sondern im Kontext.

Für die Praxis ist das entscheidend. Ein Geschäftsführer braucht keine KI, die allgemein über Projektmanagement spricht. Er braucht eine KI, die die eigene Angebotslogik, interne Begriffe, Produktgruppen, Servicemodelle, Zuständigkeiten und Dokumentationsstandards unterstützt. Ein technischer Leiter braucht keine allgemeine Antwort zur Wartung, sondern Zugriff auf eigene Checklisten, Prüfbögen, Herstellerunterlagen und Projekthistorien. Eine Assistenz braucht nicht noch ein neues Tool, sondern schnelle Hilfe beim Zusammenfassen von Anfragen, Vorbereiten von Rückrufen und Strukturieren von Unterlagen.

Ein UnternehmensGPT ist deshalb weniger als Chatbot zu denken, sondern eher als digitaler Zugriffspunkt auf Unternehmenswissen. Der Chat ist nur die Oberfläche. Dahinter stehen Datenaufbereitung, Rechtekonzept, Suchindex, Modellwahl, Systemarchitektur, Protokollierung und laufende Pflege.

Welche Vorteile bringt lokale KI im Unternehmen?

Lokale KI bedeutet, dass Modelle, Daten oder zentrale Komponenten in einer vom Unternehmen kontrollierten Umgebung laufen. Das kann ein eigener Server, ein leistungsstarker Arbeitsplatzrechner, eine private Cloud, ein Rechenzentrum in Deutschland oder eine hybride Architektur sein. Wichtig ist nicht die romantische Vorstellung vom einzelnen Rechner im Büro, sondern die Kontrolle über Daten, Zugriffe und Betriebsmodell.

Der wichtigste Vorteil liegt im Umgang mit sensiblen Informationen. Angebote, Kundendaten, technische Dokumente, interne Kalkulationen, Vertragsentwürfe oder Projektakten sollen nicht unbedacht in öffentliche KI-Dienste kopiert werden. Ein lokales oder kontrolliertes UnternehmensGPT kann so aufgebaut werden, dass Datenquellen bewusst ausgewählt, Rollen definiert und Zugriffe begrenzt werden.

Zweitens verbessert lokale KI die Akzeptanz. Viele Mitarbeiter nutzen KI bereits informell. Ohne ein betriebliches Angebot entsteht Schatten-KI: Texte werden irgendwo kopiert, Ergebnisse werden nicht dokumentiert, und niemand weiß genau, welche Daten wohin gelangt sind. Ein UnternehmensGPT bietet eine gesteuerte Alternative. Es schafft einen Arbeitsrahmen, in dem KI produktiv genutzt werden kann, ohne dass jeder Mitarbeiter eigene Wege sucht.

Drittens ist lokale KI interessant für Unternehmen mit besonderem Schutzbedarf: technische Dienstleister, Immobilienverwaltungen, Sicherheitsdienste, Handwerksbetriebe mit Großkunden, Bauunternehmen, Projektbüros, Beratungen oder Unternehmen mit vertraulichen Kundenunterlagen. Je sensibler die Daten und je höher die Anforderungen an Nachvollziehbarkeit, desto wichtiger wird die Architekturentscheidung.

Wo sollte ein mittelständisches Unternehmen zuerst anfangen?

Der häufigste Fehler besteht darin, direkt zu groß zu denken. Ein UnternehmensGPT muss nicht sofort alle Daten, alle Prozesse und alle Abteilungen abdecken. Besser ist ein abgegrenzter Einstieg mit einem echten betrieblichen Engpass.

Geeignete Startpunkte sind zum Beispiel Angebotsvorbereitung, interne Wissenssuche, Projektübergaben, technische Dokumentation, Kundenanfragen, Schulungsunterlagen oder Managementzusammenfassungen. Entscheidend ist, dass die Daten bereits vorhanden sind und der Nutzen im Tagesgeschäft sichtbar wird. Wenn ein Team jede Woche mehrere Stunden mit denselben Such- und Schreibarbeiten verbringt, ist das ein guter Kandidat.

Ein sinnvoller Einstieg sieht oft so aus: Zuerst werden relevante Dokumente ausgewählt. Dann wird geprüft, welche Informationen aktuell, fachlich brauchbar und freigegeben sind. Anschließend entsteht ein erster Wissensraum, der mit konkreten Fragen getestet wird. Erst wenn die Antworten im Arbeitsalltag nützlich sind, folgen weitere Datenquellen, Rollen und Integrationen.

Welche technischen Voraussetzungen braucht ein UnternehmensGPT?

Die technischen Voraussetzungen hängen stark davon ab, ob das System lokal, hybrid oder cloudbasiert betrieben wird. Für ein lokales UnternehmensGPT benötigt ein KMU im Kern fünf Bausteine: geeignete Dokumentenquellen, eine Such- und Wissensschicht, ein Sprachmodell, eine Benutzeroberfläche und ein Sicherheitskonzept.

Datenquellen können Netzlaufwerke, SharePoint, Nextcloud, DMS-Systeme, CRM-Exporte, ERP-Berichte oder strukturierte Wissensordner sein. Wichtig ist, dass Dokumente nicht einfach wahllos eingebunden werden. Veraltete Preislisten, doppelte Angebotsstände, persönliche Notizen oder nicht freigegebene Kundendaten führen zu schlechten Ergebnissen und unnötigen Risiken.

Die Wissensschicht sorgt dafür, dass relevante Textstellen gefunden und dem Modell bereitgestellt werden. In der Praxis wird häufig mit Vektorsuche, Metadaten, Dokumentenklassifizierung und Zugriffsbeschränkungen gearbeitet. Das Sprachmodell formuliert daraus Antworten, Zusammenfassungen oder Entwürfe. Die Oberfläche kann ein Chat, ein internes Portal oder eine Integration in bestehende Arbeitsplätze sein.

Für lokale Modelle sind Prozessorleistung, Arbeitsspeicher, optional GPU-Leistung, Speicherplatz und Backup-Konzept relevant. Kleine Anwendungsfälle können mit schlanken Modellen starten. Größere Wissensräume, mehrere Nutzer, lange Dokumente oder höhere Antwortqualität benötigen stärkere Infrastruktur. Zusätzlich braucht es Monitoring, Update-Prozesse, Rechteverwaltung und eine saubere Trennung zwischen Test- und Produktivbetrieb.

Welche Architektur passt zu welchem Unternehmen?

Betriebsmodell	Geeignet für	Vorteile	Zu beachten
Lokal auf eigener Hardware	Kleine Teams, sensible Dokumente, erste Pilotierung	Hohe Datenkontrolle, überschaubarer Einstieg, keine dauerhafte Modellabhängigkeit	Leistung begrenzt, Administration nötig, Backup und Updates müssen geregelt sein
Privater Server oder Rechenzentrum	KMU mit mehreren Nutzern und dauerhaftem Betrieb	Besserer Mehrnutzerbetrieb, zentrale Verwaltung, gute Integration in IT-Struktur	Höhere Einrichtungskosten, Betriebsverantwortung, Sicherheitskonzept erforderlich
Kontrollierte Cloud	Unternehmen mit wenig eigener IT und Bedarf an Skalierung	Schneller Betrieb, gute Verfügbarkeit, weniger Hardwareaufwand	Anbieterprüfung, Verträge, Speicherorte und Datenschutz müssen sauber geprüft werden
Hybrides Modell	Betriebe mit sensiblen Daten und Bedarf an leistungsstarken Modellen	Balance aus Kontrolle und Leistung, flexible Nutzung je nach Datenklasse	Architektur muss sauber geplant werden, Datenflüsse müssen dokumentiert sein

Für viele KMU ist ein hybrider Einstieg realistisch. Sensible Wissensbestände bleiben in einer kontrollierten Umgebung, während weniger kritische Aufgaben über geprüfte Dienste unterstützt werden können. Wichtig ist, diese Entscheidung nicht aus dem Bauch heraus zu treffen, sondern entlang von Datenklassen, Risiken, Kosten und Nutzungsfällen.

Was muss bei Datenschutz und Sicherheit beachtet werden?

Datenschutz ist bei UnternehmensGPT kein nachgelagerter Punkt. Er gehört in die Planung. Bereits vor dem ersten produktiven Einsatz sollte feststehen, welche Daten eingebunden werden, wer darauf zugreifen darf, wie Protokolle behandelt werden und welche Inhalte ausgeschlossen bleiben. Besonders kritisch sind personenbezogene Daten, Kundendaten, Vertragsinhalte, HR-Unterlagen und vertrauliche Kalkulationen.

IBM beziffert im Cost of a Data Breach Report 2025 die durchschnittlichen weltweiten Kosten einer Datenschutzverletzung auf 4,4 Millionen US-Dollar. Diese Zahl ist kein direkter Maßstab für jedes deutsche KMU, zeigt aber die Richtung: Unkontrollierte KI-Nutzung ist kein Nebenproblem. Wenn Mitarbeiter interne Daten in ungeprüfte Systeme kopieren, entsteht ein Risiko, das organisatorisch und technisch adressiert werden muss.

Ein gutes UnternehmensGPT braucht deshalb Rollen- und Rechtekonzepte, Zugriffsbeschränkungen, Protokollierung, Datenklassifizierung, Löschkonzepte, sichere Authentifizierung und eine definierte Freigabelogik. Bei bestimmten Einsatzbereichen können zusätzlich Datenschutzfolgeabschätzung, Betriebsvereinbarung, Lieferantenprüfung und Anforderungen aus dem EU AI Act relevant werden.

Welche Datenqualität braucht lokale KI?

Die Qualität eines UnternehmensGPT steht und fällt mit den eingebundenen Informationen. Wenn Dokumente veraltet, widersprüchlich oder ungeordnet sind, entstehen unzuverlässige Antworten. Das ist kein Modellproblem allein, sondern ein Datenproblem.

Mittelständische Unternehmen sollten deshalb nicht mit „allen Dokumenten“ starten. Besser sind kuratierte Wissensbereiche: aktuelle Leistungsbeschreibungen, geprüfte Vorlagen, Standardprozesse, häufige Rückfragen, freigegebene Preislogiken, technische Handbücher, Checklisten und Projektmuster. Jedes Dokument sollte einen Zweck haben. Auch Metadaten helfen: Gültigkeit, Bereich, Dokumententyp, Kunde, Projekt, Version oder Freigabestatus.

Besonders wichtig ist die Pflege. Ein UnternehmensGPT ist kein einmaliges IT-Projekt, sondern ein lebendes System. Wenn Leistungen, Preise, Zuständigkeiten oder Prozesse geändert werden, muss das Wissen aktualisiert werden. Sonst entsteht ein neues Ablagesystem mit alten Problemen.

Welche Rollen braucht ein Unternehmen für den Betrieb?

Ein UnternehmensGPT braucht nicht sofort ein großes Projektteam. Es braucht aber Verantwortung. Mindestens eine fachliche Person muss entscheiden, welche Inhalte richtig und nützlich sind. Eine technische Person oder ein Dienstleister muss Betrieb, Sicherheit und Integration betreuen. Die Geschäftsführung muss festlegen, welche Ziele und Grenzen gelten.

In der Praxis bewährt sich eine kleine Struktur: ein Verantwortlicher aus der Geschäftsführung, ein fachlicher Wissensverantwortlicher, ein IT-Verantwortlicher und ausgewählte Pilotnutzer. Diese Gruppe entscheidet über Datenquellen, testet Antworten, meldet Fehler und legt fest, welche Anwendungsfälle erweitert werden.

Ohne diese Rollen wird das System entweder technisch sauber, aber fachlich wenig hilfreich, oder fachlich spannend, aber organisatorisch riskant. Der Nutzen entsteht dort, wo Geschäftsprozesse, Daten und Technik zusammen gedacht werden.

Welche Fehler sollten KMU vermeiden?

Der erste Fehler ist ein zu breiter Start. Wenn direkt alle Datenquellen eingebunden werden, entsteht ein großer Suchraum mit vielen alten und widersprüchlichen Informationen. Der zweite Fehler ist fehlende Verantwortung. Wenn niemand für Inhalte, Rechte und Qualität zuständig ist, verliert das System schnell an Wert.

Der dritte Fehler ist die Verwechslung von lokaler KI mit vollständiger Risikofreiheit. Auch lokale Systeme können falsche Antworten liefern, vertrauliche Informationen falsch ausgeben oder schlecht gepflegte Daten nutzen. Der vierte Fehler ist eine rein technische Einführung ohne betriebliche Nutzungsszenarien. Ein Modell allein löst kein Prozessproblem.

Besser ist ein pragmatisches Vorgehen: ein Bereich, ein Nutzenfall, ausgewählte Daten, echte Nutzer, kurze Testzyklen und danach Ausbau. So wird ein UnternehmensGPT nicht zum Prestigeprojekt, sondern zu einem Arbeitsmittel.

Wie sieht ein sinnvoller Einführungsplan aus?

Ein guter Einführungsplan beginnt mit einer Potenzialanalyse. Welche Tätigkeiten wiederholen sich? Wo wird viel gesucht? Welche Dokumente sind wertvoll? Wo entstehen Wartezeiten? Welche Daten sind sensibel? Aus diesen Fragen entsteht eine Priorisierung.

Danach folgt die technische Vorprüfung. Welche Systeme sind vorhanden? Wo liegen Dokumente? Gibt es SharePoint, NAS, DMS, CRM oder ERP? Wie werden Nutzer authentifiziert? Welche Geräte oder Server sind verfügbar? Welche Anforderungen gelten an Datenschutz, Backup und Zugriff?

Anschließend wird ein Pilot aufgebaut. Dieser Pilot sollte klein genug sein, um schnell nutzbar zu werden, aber wichtig genug, um echten Nutzen zu zeigen. Nach der Testphase folgen Ausbau, Schulung, Betriebsmodell und regelmäßige Verbesserung. Für Geschäftsführer ist wichtig: Ein UnternehmensGPT muss nicht perfekt starten. Es muss den ersten sinnvollen Arbeitsbereich zuverlässig unterstützen.

Wann lohnt sich ein UnternehmensGPT wirtschaftlich?

Ein UnternehmensGPT lohnt sich dort, wo regelmäßig Zeit durch Suchen, Nachfragen, Kopieren, Zusammenfassen und Vorbereiten verloren geht. Es geht weniger um spektakuläre Einzeleffekte als um viele kleine Entlastungen im Tagesgeschäft. Wenn Angebote schneller vorbereitet, Projektübergaben vollständiger, interne Fragen schneller beantwortet und Dokumente besser genutzt werden, entsteht messbarer Wert.

Der wirtschaftliche Nutzen hängt von Datenqualität, Nutzungshäufigkeit und Integration ab. Ein System, das nur gelegentlich ausprobiert wird, bringt wenig. Ein System, das in Angebotsprozesse, Projektarbeit oder interne Wissensarbeit eingebunden wird, kann deutlich relevanter werden. Für KMU ist daher nicht die größte technische Lösung entscheidend, sondern der richtige erste Arbeitsbereich.

KI-Bedarfsermittlung von KrambergAI

Den richtigen KI-Bedarf im Unternehmen erkennen

Die KI-Bedarfsermittlung zeigt, wo KI in Ihrem Unternehmen sinnvoll eingesetzt werden kann, welche Prozesse geeignet sind und welche nächsten Schritte realistisch umsetzbar sind.

Strukturiert analysiert · Praxisnah bewertet · Made in Germany

Mehr erfahren Gesprächstermin vereinbaren

Welche Bedeutung hat UnternehmensGPT für den Mittelstand?

Für den deutschen Mittelstand ist UnternehmensGPT vor allem ein Weg, eigenes Wissen besser zu verwerten. Viele KMU haben über Jahre hohe fachliche Substanz aufgebaut, aber diese Substanz steckt in Köpfen, Ordnern und Einzeldokumenten. Lokale KI kann helfen, daraus ein nutzbares Arbeitsinstrument zu machen.

Der Einstieg sollte jedoch professionell erfolgen. Wer Daten, Rechte, Technik und Verantwortung vernachlässigt, baut nur ein weiteres System, das später gepflegt werden muss. Wer dagegen fokussiert startet, kann ein UnternehmensGPT zu einem echten Produktivitätsbaustein entwickeln: nicht als Ersatz für Erfahrung, sondern als Zugriffspunkt auf das Wissen des eigenen Unternehmens.

Was ist ein UnternehmensGPT?

Ein UnternehmensGPT ist eine KI-Umgebung, die mit freigegebenem Unternehmenswissen arbeitet. Sie kann interne Dokumente durchsuchen, Inhalte zusammenfassen, Fragen beantworten und Entwürfe vorbereiten. Anders als ein allgemeiner KI-Chat ist sie auf betriebliche Abläufe, Rollen, Datenquellen und konkrete Aufgaben eines Unternehmens ausgerichtet.

Läuft ein UnternehmensGPT immer vollständig lokal?

Nein. Lokal bedeutet nicht zwingend, dass jede Komponente auf einem einzelnen Gerät im Büro läuft. Möglich sind lokale Hardware, private Server, deutsche Rechenzentren, kontrollierte Cloud-Modelle oder hybride Architekturen. Entscheidend ist, welche Daten wohin fließen, wer Zugriff erhält und wie Betrieb und Sicherheit geregelt sind.

Welche Unternehmen profitieren besonders von lokaler KI?

Besonders profitieren Unternehmen mit sensiblen Dokumenten, viel Erfahrungswissen und häufigen internen Rückfragen. Dazu zählen technische Dienstleister, Handwerksbetriebe, Bauunternehmen, Immobilienverwaltungen, Sicherheitsdienste, Beratungen und Projektorganisationen. Je stärker Wissen über viele Dateien, Systeme und Personen verteilt ist, desto größer kann der Nutzen sein.

Welche Daten sollten zuerst eingebunden werden?

Zum Start eignen sich geprüfte und aktuelle Unterlagen mit hohem Praxiswert. Dazu gehören Leistungsbeschreibungen, Vorlagen, Checklisten, Prozessbeschreibungen, technische Dokumente, häufige Rückfragen und Schulungsunterlagen. Nicht geeignet sind unstrukturierte Massendaten, veraltete Preislisten, private Notizen oder Dokumente ohne fachliche Freigabe.

Welche Hardware braucht lokale KI?

Die Hardware hängt vom Modell, der Nutzerzahl und der Datenmenge ab. Kleine Pilotprojekte können auf leistungsstarken Arbeitsplatzrechnern oder kompakten Servern beginnen. Größere Umgebungen brauchen mehr Arbeitsspeicher, schnelle Datenträger, stabile Netzwerkanbindung und je nach Modell GPU-Leistung. Backup, Monitoring und Updates gehören ebenfalls zur Planung.

Ist lokale KI automatisch datenschutzkonform?

Nein. Lokaler Betrieb verbessert die Kontrolle, ersetzt aber kein Datenschutzkonzept. Auch lokale Systeme müssen Datenminimierung, Berechtigungen, Protokollierung, Löschung, Zweckbindung und Zugriffsschutz berücksichtigen. Besonders bei personenbezogenen Daten, Kundendaten oder HR-Unterlagen sollten rechtliche und organisatorische Anforderungen vor dem Einsatz geprüft werden.

Wie verhindert man falsche Antworten?

Falsche Antworten lassen sich nicht vollständig ausschließen, aber deutlich reduzieren. Wichtig sind geprüfte Datenquellen, eingeschränkte Wissensbereiche, gute Prompts, Antwortregeln, Quellenbezug, Tests mit echten Nutzerfragen und menschliche Freigabe bei kritischen Ergebnissen. Ein UnternehmensGPT sollte nie ungeprüft verbindliche Zusagen, Rechtsbewertungen oder technische Freigaben erzeugen.

Welche Rolle spielt das Rechtekonzept?

Das Rechtekonzept bestimmt, wer welche Informationen nutzen darf. Es verhindert, dass Mitarbeiter über die KI Zugriff auf Daten erhalten, die sie im normalen Betrieb nicht sehen dürften. Besonders wichtig ist das bei Kundenakten, Preisen, Verträgen, Personalunterlagen, Managementinformationen und vertraulichen Projektunterlagen.

Wie startet man ohne großes IT-Projekt?

Der beste Start ist ein kleiner Pilot mit einem konkreten Nutzenfall. Ein Unternehmen wählt einen Wissensbereich, bereitet relevante Dokumente auf, definiert Nutzer und testet reale Fragen. Danach wird entschieden, ob Erweiterungen sinnvoll sind. So bleibt der Einstieg beherrschbar und der Nutzen wird früh sichtbar.

Kann ein UnternehmensGPT mit ERP oder CRM verbunden werden?

Ja, grundsätzlich ist das möglich. Ob es sinnvoll ist, hängt von System, Schnittstellen, Datenqualität und Berechtigungskonzept ab. Für den Start reicht oft ein Export oder ein definierter Dokumentenbestand. Direkte Integrationen in ERP, CRM oder DMS sollten erst erfolgen, wenn Nutzenfall und Sicherheitsanforderungen ausreichend geprüft sind.

Wie oft muss ein UnternehmensGPT gepflegt werden?

Ein UnternehmensGPT sollte regelmäßig gepflegt werden, sobald sich Preise, Leistungen, Prozesse, Vorlagen oder Zuständigkeiten ändern. In vielen KMU genügt ein monatlicher oder quartalsweiser Pflegezyklus für stabile Wissensbereiche. Kritische Informationen wie Preise, Verträge oder technische Vorgaben brauchen strengere Freigaben und aktuellere Aktualisierung.

Was ist der wichtigste Erfolgsfaktor?

Der wichtigste Erfolgsfaktor ist die Verbindung aus betrieblichem Nutzen, geprüften Daten und verantwortlichem Betrieb. Ein gutes Modell allein reicht nicht. Ein UnternehmensGPT wird erst dann wertvoll, wenn es echte Aufgaben unterstützt, mit brauchbaren Informationen arbeitet und im Alltag regelmäßig genutzt wird.

Quellen der im Artikel verwendeten Kennzahlen