Künstliche Intelligenz

KI in stark regulierten Umgebungen erfolgreich einzusetzen erfordert mehr als Technologie. In diesem Beitrag stellen wir unser praxiserprobtes Framework vor, das KI ganzheitlich von Strategie und Use‑Case‑Priorisierung über Governance, Compliance und Architektur bis hin zum sicheren Betrieb betrachtet. Anhand konkreter Beispiele zeigen wir, wie Organisationen mit klaren Leitplanken Innovation ermöglichen, regulatorische Anforderungen erfüllen und nachhaltigen Business‑Mehrwert aus KI schaffen.

Daten sind die Grundlage für fundierte Entscheidungen – gleichzeitig steigen die Anforderungen an Performance, Skalierbarkeit und Datensouveränität. Unternehmen bewegen sich im Spannungsfeld zwischen leistungsfähiger Analytics, steigenden Cloud-Kosten und wachsenden Compliance-Vorgaben.

Wie lassen sich schnelle Insights gewinnen, ohne die Kontrolle über sensible Daten zu verlieren? Und welche Rolle spielen dabei europäische Cloud- und Datenplattformen?

Anhand von Beispielen zeigen wir auf, wie sich moderne Analytics-Anforderungen mit Datensouveränität verbinden lassen – von Echtzeitanalysen bis hin zu regulatorisch sensiblen Szenarien. Dabei stehen konkrete Ansätze im Fokus, um Daten effizient zu nutzen und gleichzeitig die Hoheit darüber zu behalten.

For over a decade, organizations have pursued data democratization with varying degrees of success.

While traditional BI tools laid the groundwork, the rapid emergence of Agentic AI is now reshaping what is possible, moving us from static reporting to active, intelligent conversation.

In this session, we will explore what this shift looks like in practice, drawing on real-world examples of organizations that have moved beyond dashboards to an agentic analytics approach. We will look at what drives genuine adoption, how governance and trust scale alongside broader access, and what changes when every team in the organization can finally talk to their data without waiting for a report.

Datenmodellierung ist oft abhängig von Erfahrung, Kontextwissen und vielen manuellen Schritten. KI kann diesen Prozess sinnvoll unterstützen. In diesem Talk zeige ich in einer Live-Demo von Anfang bis Ende, wie KI-Agenten den Weg von der fachlichen Anforderung bis zur Datenabfrage im DWH-Prozess unterstützen. Du siehst:

1) ... wie aus einer fachlichen Beschreibung und bestehenden Quelldatenmodellen direkt ein Data Vault Modell entsteht.
2) ... wie das Modell per MCP Server regelkonform, konsistent und nachvollziehbar auf der Datenbank umgesetzt wird.
3) ... wie Daten per natürlicher Sprache abgefragt werden können – ohne SQL-Kenntnisse.

Das Model Context Protocol (MCP) verbindet KI-Agenten direkt mit Modellierungswerkzeugen und Datenbanken. So wird aus einem Chatbot ein echter Arbeitsassistent. Eines vorweg: KI übernimmt das Handwerk. Die Architekturentscheidungen bleiben (noch) beim Menschen. Erlebe eine Live-Demo auf Basis von Datavault Builder und Database MCP Servern.

Teams invested in lakehouses, pipelines, and dashboards. Yet trust in data remains low. Analysts still duplicate logic. AI systems struggle to act on incomplete context. The root cause is simple: semantics never kept up.

This session breaks down how fragmented definitions and siloed logic limit both analytics and AI. It then introduces a unified semantic layer that spans all data sources without duplication. Built on open architecture, this layer brings consistent meaning to every query, model, and application. When semantics are shared, data stops being a bottleneck and becomes a reliable foundation for action.

Takeaways:

1) Why semantic drift creates hidden data debt.

2) How poor context weakens AI outcomes.

3) Where semantics should live in a modern architecture.

4) How to create reusable, governed business logic at scale.

What if the biggest barrier to enterprise AI wasn't your data, your budget, or your team—but the platform itself? The organizations winning with AI today aren't the ones with the most engineers. They're the ones who removed the friction between their data and their intelligence. In this session, we cut through the noise of AI hype and show you what enterprise AI looks like when it actually works. We'll demonstrate how any team—from business analysts to data engineers—can build, deploy, and govern AI applications directly on their data, without moving it, without complexity, and without compromise.

What you will experience:

1) From Question to Action: How natural language replaces complex queries—and how AI goes beyond just answering to proactively surfacing the insights that matter.

2) Building at AI Speed: How modern data teams move from idea to working AI application in minutes, not months.

3) Governance Without the Overhead: Why enterprise AI only scales when security, trust, and cost controls are built in from day one—not bolted on later.

Who should attend?

Whether you're a data leader shaping your AI strategy, an engineer looking to move faster, or a business stakeholder tired of waiting days for insights—this session will show you that enterprise AI doesn't have to be hard.

- Den richtigen Reifegrad für KI finden: praxisnah, validiert und klar auf klinischen, operativen oder geschäftlichen Mehrwert ausgerichtet.
- Das Rad nicht neu erfinden: bewährte Modelle, Plattformen, Standards und Best Practices gezielt nutzen.
- Von Experimenten zu echter Wirkung kommen – mit skalierbaren, compliant und menschenzentrierten KI-Lösungen.

„Jahrhundert-Chance: KI“ ist eine interaktive Keynote, die einen kompakten Überblick über den aktuellen Stand der Künstlichen Intelligenz weltweit gibt – mit frischen Einblicken aus dem Silicon Valley, China und Europa. Anhand konkreter Beispiele werden Anwendungsmöglichkeiten von KI in Unternehmen, im Alltag sowie ihre sozialen Auswirkungen beleuchtet. Zudem zeigt die Keynote, wie KI Medizin und Gesundheit verändert und bietet persönliche Einblicke in die zugrunde liegenden Technologien – verständlich, inspirierend und praxisnah.

KI rennt uns allen davon, doch wir frickeln noch an den Daten rum. Claudia Pohlink gibt Antworten aus dem Maschinenraum: dort, wo Datenqualität, Governance und operative Realität darüber entscheiden, ob KI-Projekte skalieren oder scheitern. Sie zeigt, wie ein klassisches Logistikunternehmen den Weg von der Datenstrategie zur messbaren KI-Wertschöpfung geht – mit all seinen Umwegen, Rückschlägen und echten Erfolgen. Kein Hochglanz, kein Buzzword-Bingo. Sondern Klartext und der Anti-Hype.

Unternehmen investieren in Daten, KI und digitale Tools – doch die Wirkung hängt von einer tatsächlichen Verhaltensänderung bei den Mitarbeitenden ab. In diesem Beitrag erläutert Julia Pogorzelski, User Adoption Expert bei WACKER, was Benutzerakzeptanz wirklich bedeutet – nicht nur die Einführung von Tools, sondern eine menschenzentrierte Förderung von Bewusstsein, Fähigkeiten und nachhaltiger Nutzung. Sie erfahren, wie Sie den Erfolg messen, KPIs an den Akzeptanzergebnissen ausrichten und Ängste und psychologische Biases angehen können, die die digitale Akzeptanz behindern. Anhand realer Fälle, wie der Einführung von MS Copilot, erleben Sie, wie die Prinzipien von User Adoption zielgerichtet eingesetzt werden und dadurch Kompetenz, Transformation und Kultur gefördert werden.

KI-Systeme sind nur so gut wie die Informationen, auf deren Basis sie Entscheidungen treffen. Mit dpa-iq bauen wir eine Retrieval-Infrastruktur auf AWS und Databricks, die verifizierte Informationen & Content in Echtzeit an LLM-basierte Agenten liefert - für interne Produktteams und externe Kunden gleichermaßen. Ein Blick hinter die Kulissen: Herausforderungen, Architektur und Umsetzung einer Plattform, die als Grounding-Backbone für agentische Workflows & Produkte dient.

Every company can rent an AI model, but only those who own their context will dominate the market. The hurdle to AI success isn't a lack of data—we're all drowning in it! It's a context problem: when agents and apps lack a unified data foundation, the result is disjointed experiences, costly mistakes, and hallucinations. In this session, you'll discover how to move from data chaos to operational confidence by engineering a foundation where data is seamlessly integrated via Informatica, unified with Data 360, and visualized through Tableau.

Masterclass Session 1 — Informatica
Title: Unlock Trusted Context with Salesforce and Informatica
Abstract: Join us to discover how Salesforce and Informatica will help transform all your fragmented data and systems into a powerful engine that delivers trusted context to every corner of your enterprise.
Speaker: Dominic Walter

Masterclass Session 2 — Data 360
Title: Activate Trusted Context Everywhere with Data 360
Abstract: Discover how Data 360 activates trusted data and context from any data source, empowering your teams, AI, and systems to deliver personalized experiences that drive measurable business growth.
Speaker: Ahmed Keshk

Masterclass Session 3 — Analytics
Title: Activate Conversational Analytics with Tableau Next
Abstract: Step into the era of the Agentic Enterprise. Explore how Agentforce Tableau unlocks conversational analytics, empowering you to ask questions and get instant, accurate, contextual insights.
Speaker: Manuel Parfant 

Ehrliche Erfahrungsberichte über die Skalierung von KI-Projekten – von den Herausforderungen in der Praxis bis zu den Lessons Learned.

Praktische Umsetzung des EU AI Acts und wie man Governance als strategischen Wettbewerbsvorteil nutzt.

Impuls-Keynote und interaktiver Workshop. Umgang mit Mitarbeiterwiderständen bei der KI-Einführung durch praktisches Change Management und neue Führungsmethoden.

Podiumsdiskussion und Publikums-Q&A. Diskussion über die Entscheidung zwischen Eigenentwicklung, Kauf und Kooperation mit Fokus auf Datensouveränität und DSGVO.

Fokus auf den echten ROI der KI-Transformation und strategische Priorisierung anhand von simplen Case Studies oder Expertenrunden.

Um Budgets gezielt nach Kundenpotenzial einzusetzen, braucht es eine individuelle Profitabilitätsbewertung auf Einzelkundenebene. Seit diesem Geschäftsjahr setzt OTTO ein neues statistisches CLV-Modell ein, das den Kundenwert konkret als erwarteten Profit des kommenden Jahres definiert und individuell vorhersagt. Damit wird eine differenzierte Ansprache je nach Potenzial ermöglicht, ob im CRM, Customer Care oder bei Marketingentscheidungen. Im Vortrag beleuchten wir neben dem technischen Hintergrund vor allem unsere praktischen Erfahrungen in der Anwendung. Ein besonderes Augenmerk liegt dabei auf dem Change Management: Die Steuerung nach einem prognostischen Profit-CLV erfordert an einigen Stellen ein echtes Umdenken und genau darin liegt eine der spannendsten Herausforderungen dieses Projekts.