Tiefgreifendes Denken in der künstlichen Intelligenz: Ein vollständiger Leitfaden

Informatec Digital » Ressourcen » Deep Reasoning in Künstlicher Intelligenz: Ein vollständiger Leitfaden

Künstliche Intelligenz macht dank einer neuen Generation von Modellen, die zu deutlich strukturierterem Denken fähig sind, einen gewaltigen Sprung nach vorn. Sie generieren nicht nur Texte oder Bilder, sondern können Probleme analysieren, Optionen bewerten und ihre Antworten Schritt für Schritt begründen. In der Fachsprache spricht man hier von tiefem Denken.

Um zu verstehen, wohin sich KI entwickelt, ist es entscheidend zu begreifen, was genau Deep Reasoning in der künstlichen Intelligenz ist , wie es sich vom klassischen Deep Learning unterscheidet und wie es in realen Anwendungen wie Copilot Studio oder in Bereichen wie Medizin und Kundenservice eingesetzt wird. Wir werden Ihnen all dies in Ruhe und so klar und verständlich wie möglich erklären.

Was versteht man unter tiefem Denken in der künstlichen Intelligenz?

Wenn wir von tiefgreifendem Denken sprechen, meinen wir hochentwickelte, umfangreiche Sprachmodelle, die speziell für komplexe Aufgaben entwickelt wurden, die mehrere Denkschritte erfordern. Anstatt eine direkte, oberflächliche Antwort zu liefern, nehmen sie sich Zeit, „intern zu denken“ und generieren eine Kette interner Gedankengänge, bevor sie dem Benutzer das Ergebnis präsentieren.

Diese Modelle sind zu logischem Denken, detaillierter Analyse und Problemlösung fähig , indem sie die Aufgabe in kleinere Teilprobleme zerlegen. Obwohl dieser interne Denkprozess dem Endnutzer nicht immer vermittelt wird, ist er vorhanden und ermöglicht es ihnen, deutlich differenziertere Antworten als herkömmliche Sprachmodelle zu liefern.

Die Kernidee besteht darin, dass ein Modell des tiefen Denkens sich nicht darauf beschränkt, das nächste Wort allein auf der Grundlage von Statistiken vorherzusagen; es versucht vielmehr, einer Abfolge interner Schlussfolgerungen zu folgen, ähnlich wie ein Mensch ein mathematisches Problem lösen, Finanzdaten analysieren oder eine Strategie entwickeln würde.

In der Praxis eröffnet dies die Möglichkeit für einen KI-Agenten, lange, vielschichtige Aufgaben zu bewältigen , die zuvor fast ausschließlich in der Hand menschlicher Spezialisten lagen: von der Analyse von Markttrends bis hin zur Kommentierung eines komplexen medizinischen Berichts.

Tiefgreifendes Denken in Copilot Studio: Funktionsweise und Anwendung

Bei der Entwicklung eines Agenten definiert der Entwickler die Anweisungen und Aufgaben, die dieser ausführen soll . Diese Aufgaben können von sehr einfachen Interaktionen (Beantwortung häufig gestellter Fragen) bis hin zu sehr komplexen Abläufen reichen, die eine gründliche Analyse erfordern. In Schritten, die eine tiefergehende Analyse erfordern, kann das Modell angewiesen werden, fortgeschrittene Schlussfolgerungen anzuwenden.

Um diese Funktionen in Copilot Studio zu aktivieren, fügen Sie den entsprechenden Schritten in den Agentenanweisungen das Schlüsselwort „Grund“ hinzu . Beispiel: „Bestimmen Sie anhand des Grundes die nächste Zahl in der Reihe 2, 5, 10, 17…“. Copilot ruft dann während der Ausführung das Deep-Reasoning-Modell (derzeit das Azure OpenAI o3-Modell) auf, um diesen spezifischen Teil zu verarbeiten.

Dieser schrittweise Ansatz ermöglicht es dem Entwickler, zu steuern, wann der Agent komplexe Schlussfolgerungen zieht und wann eine schnelle, einfache Antwort ausreicht. Dadurch wird das Verhältnis zwischen Antwortqualität, Rechenaufwand und Geschwindigkeit optimiert.

Kurz gesagt, nutzt Copilot Studio Deep Reasoning gezielt zur Unterstützung der Entscheidungsfähigkeit des Agenten , nicht als permanent aktivierte Standardlösung. Dadurch ist es in realen Geschäftsszenarien praktikabel.

Anwendungsbereiche des tiefen Denkens: von der Finanzwelt bis zur fortgeschrittenen Mathematik

Deep-Reasoning-Modelle eignen sich hervorragend für komplexe Aufgaben mit vielen Schritten und Abhängigkeiten . Einige anschauliche Anwendungsbeispiele, die bereits in Plattformen wie Copilot Studio implementiert sind, sind die folgenden:

Markttrendanalyse und Investitionsempfehlungen : Das Modell kann Finanzdaten in überschaubare Teile zerlegen, Zeitreihen analysieren, historische Informationen, aktuelle Marktbedingungen und Prognosen abgleichen und daraus die vielversprechendsten Investitionsmöglichkeiten empfehlen.

Bestandsmanagement und Bedarfsplanung : Auf Basis von Informationen über vergangene Verkäufe, Saisonalität, Lieferkettenflüsse und Veränderungen im Kundenverhalten kann das Modell Lagerstrategien vorschlagen , Sicherheitsniveaus überdenken und Anpassungen empfehlen, um Fehlbestände oder Warenüberschüsse zu minimieren.

Lösen von Differentialgleichungen und komplexen mathematischen Problemen : Diese Modelle können fortgeschrittene Aufgaben bewältigen, indem sie das Problem in miteinander verbundene logische Schritte unterteilen und erklären, was in jeder Phase getan wird – etwas, das insbesondere im Bildungs- oder Forschungskontext nützlich ist.

Im Wesentlichen bieten Deep-Reasoning-Modelle immer dann einen enormen Mehrwert gegenüber einfacheren Modellen, die nur direkt reagieren, wenn ein nicht-trivialer, schrittweiser Denkprozess erforderlich ist .

Evaluierung, Kennzahlen und Verantwortlichkeit in Deep-Reasoning-Modellen

Damit diese Systeme in realen Umgebungen nützlich sind, reicht es nicht aus, dass sie „intelligent“ sind: Sie müssen zuverlässig, sicher und nachvollziehbar sein . Deshalb werden komplexe Schlussfolgerungsmodelle wie die in Copilot Studio verwendeten mehreren Evaluierungen unterzogen, bevor sie den Nutzern zur Verfügung gestellt werden.

Zunächst wird die Grundlage des Modells geprüft ; das heißt, es wird verifiziert, ob es auf einem realen Kontext basiert und nicht einfach willkürlich Daten erfindet. Dies geschieht durch das Testen des Modells in Szenarien mit bekannten Informationen und die Überprüfung seiner Genauigkeit bei der Abbildung dieses Kontextes.

Zweitens wird die Einhaltung der Grundsätze verantwortungsvoller KI analysiert : Schutz vor Jailbreak-Versuchen (das Modell dazu zu zwingen, seine Grenzen zu umgehen), Cross-Domain-Injection-Angriffen (böswillige Vermischung von Anweisungen aus verschiedenen Quellen) und Filterung schädlicher oder unangemessener Inhalte.

Abschließend wird die Genauigkeit der Antworten anhand verschiedener Anwendungsfälle gemessen. Die Leistung wird in einer Reihe von Tests anhand dieser Dimensionen bewertet, sodass letztendlich nur Modelle veröffentlicht werden, die einen bestimmten Standard erfüllen.

Diese Art der kontinuierlichen Evaluierung ist entscheidend, um sicherzustellen, dass Deep-Reasoning-Modelle nicht zu einer „unkontrollierbaren Blackbox “ werden, sondern zu Werkzeugen, die Organisationen prüfen, testen und vergleichen können.

Grenzen des tiefen Denkens und wie man sie abmildern kann

Nur weil ein Modell „tiefer“ ist, heißt das nicht, dass es perfekt ist. Tatsächlich weisen diese Systeme erhebliche Einschränkungen auf , wie beispielsweise die Aufgaben, bei denen ChatGPT versagt . Es ist wichtig, diese Einschränkungen zu verstehen.

Der erste Faktor ist die Antwortzeit . Da sie mehr interne Berechnungen erfordern, benötigen Inferenzmodelle typischerweise länger als Standard-Sprachmodelle. Dies kann in latenzkritischen Anwendungen (z. B. einem Chat mit einem ungeduldigen Kunden) zu einem Problem werden, wenn sie übermäßig eingesetzt werden.

Die zweite Einschränkung besteht darin, dass ein Agent diese Modelltypen nur dann verwenden kann, wenn seine Konfiguration dies zulässt . Anders ausgedrückt: Funktionen für tiefgehendes Schlussfolgern müssen im Agenten explizit aktiviert werden; sie sind nicht in allen Szenarien standardmäßig aktiviert.

Um diese Nachteile zu minimieren, wird Folgendes empfohlen: Tiefenanalyse nur bei Agenten zu aktivieren, die sie benötigen ; das entsprechende Schlüsselwort nur in Schritten zu verwenden, die tatsächlich von einer Tiefenanalyse profitieren; und diese Modelle für Aufgaben zu reservieren, bei denen es akzeptabel ist, etwas länger zu warten, um eine höhere Antwortqualität zu erzielen.

Darüber hinaus ist es ratsam, die Endbenutzer darauf hinzuweisen , dass einige komplexe Agentenantworten ein paar Sekunden länger dauern können, um realistische Erwartungen zu haben und Frustration zu vermeiden.

Gute Betriebspraktiken für eine verantwortungsvolle Nutzung

Aus operativer Sicht gibt es verschiedene Strategien, um sicherzustellen, dass tiefgründiges Denken in Organisationen effektiv und sicher eingesetzt wird.

Erstens sollte die Nutzung auf Anwendungen beschränkt werden, die tatsächlich komplexe Schlussfolgerungsketten benötigen , wie etwa die Analyse unstrukturierter Daten, kritische Entscheidungen auf Basis mehrerer Faktoren oder die Erstellung ausführlicher und fundierter Berichte. Die standardmäßige Aktivierung für alle Anwendungen ist eine Ressourcenverschwendung.

Die zweite Empfehlung lautet, den Agenten gründlich zu testen und dabei die Qualität, Konsistenz und Zuverlässigkeit der Ergebnisse bei Anwendung des Schlussfolgerungsmodells zu überprüfen. Diese Tests ermöglichen es, Situationen zu erkennen, in denen das Modell versagt, Daten fälscht oder sich nicht optimal an die spezifischen Anforderungen des Unternehmens anpasst.

Tools wie die Aktivitätskarte ermöglichen es, zu erkennen, wann der Agent während einer Sitzung tiefgreifende Schlussfolgerungen gezogen hat, die internen Schritte zu überprüfen und die Ergebnisse zu vergleichen. Dies hilft festzustellen, ob das Modell tatsächlich den erwarteten Nutzen bringt.

Es ist außerdem sinnvoll, die Ergebnisse mit und ohne tiefgreifendes logisches Denken systematisch zu vergleichen , indem die Anweisungen aktualisiert und A/B-Tests durchgeführt werden. Dadurch lässt sich feststellen, welche Teile des Ablaufs von der Verwendung dieser Modelle profitieren und wo ein einfacheres Sprachmodell ausreicht.

Von maschinellem Lernen über Deep Learning bis hin zu generativer KI

Um das tiefe Denken richtig einzuordnen, ist es hilfreich, die Entwicklung der KI-Technologien zu betrachten: Maschinelles Lernen, Deep Learning und generative KI bilden eine Art Komplexitätsleiter.

Traditionelles maschinelles Lernen basierte stark auf überwachtem Lernen. Um beispielsweise ein System zu entwickeln, das Tiere auf Bildern erkennen konnte, war es notwendig, Hunderttausende von Fotos manuell zu beschriften, den Algorithmus zu trainieren, ihn mit neuen Bildern zu testen, Fehler zu analysieren und anschließend den beschrifteten Datensatz erneut zu erweitern, um die Genauigkeit zu verbessern.

Dieser Prozess erforderte viel menschliches Eingreifen in das sogenannte Attribut-Engineering : die Entscheidung, welche Merkmale extrahiert werden sollten (Farbe, Textur, Formen usw.) und wie diese numerisch dargestellt werden sollten, damit der Algorithmus lernen konnte.

Mit Deep Learning übernahmen mehrschichtige neuronale Netze die Aufgabe, diese Repräsentationen direkt aus Rohdaten (Bilder, Text, Audio usw.) zu lernen. Es war nicht mehr nötig, alle Attribute manuell zu definieren: Das Modell erkannte selbst, welche Muster relevant waren.

Die nächste Stufe sind generative KI-Modelle, die auf transformativen Architekturen basieren . Diese Modelle erkennen, ähnlich wie große Sprachmodelle, nicht nur Muster, sondern generieren auch neue Inhalte (Text, Bilder, Code), indem sie diese Muster auf neuartige Weise kombinieren.

Auf dieser Grundlage baut tiefgründiges Denken auf: Es verbindet die generative Kapazität von Transformatoren mit internen Strategien, die darauf ausgelegt sind, längeren, strukturierteren Gedankenketten zu folgen.

Vorteile des Deep Learning gegenüber dem klassischen maschinellen Lernen

Deep Learning brachte eine Reihe klarer Vorteile gegenüber dem traditionellen maschinellen Lernen mit sich , die die technische Grundlage für viele Fortschritte im Bereich des tiefen logischen Denkens bilden.

Zum einen ermöglicht es eine deutlich effizientere Verarbeitung unstrukturierter Daten (Freitext, Bilder, Audio). Während ein klassischer Algorithmus von der nahezu unendlichen Vielfalt an Ausdrucksmöglichkeiten für dieselbe Idee überfordert wäre, kann ein tiefes neuronales Netz diese Äquivalenzen direkt lernen. So versteht es beispielsweise, dass „Wie kann ich Geld überweisen?“ und „Können Sie mir erklären, wie ich die Zahlung vornehmen kann?“ dieselbe Handlung meinen.

Darüber hinaus eignen sich tiefe neuronale Netze hervorragend zum Aufdecken verborgener Zusammenhänge und unerwarteter Muster . Ein mit Kaufdaten trainiertes Modell kann einem Kunden Produkte vorschlagen, die er noch nicht gekauft hat, indem es sein Verhalten mit dem ähnlicher Nutzer vergleicht – selbst wenn ihm diese spezifische Empfehlung nicht explizit beigebracht wurde.

Ein weiterer Vorteil ist die Fähigkeit zum unüberwachten oder halbüberwachten Lernen . Netzwerke können sich im Laufe der Zeit an das Nutzerverhalten anpassen, ohne dass Millionen von annotierten Datenpunkten benötigt werden. Eine automatische Rechtschreibprüfung kann beispielsweise Wörter aus anderen Sprachen integrieren, wenn der Nutzer sie häufig eingibt.

Schließlich ist Deep Learning besonders leistungsstark bei volatilen oder stark variablen Daten , wie beispielsweise Finanztransaktionen. Es kann lernen, normale Zahlungsmuster zu erkennen und Abweichungen als potenziellen Betrug zu kennzeichnen.

Anwendungsgebiete des Deep Learning: von der Medizin bis zu selbstfahrenden Autos

Deep Learning hat sich in Medizin und Diagnostik massiv verbreitet . Es wird eingesetzt, um medizinische Bilder zu klassifizieren, Organe und Läsionen zu segmentieren, digitale Histopathologie zu analysieren und die Diagnose mithilfe von Röntgenaufnahmen, MRT-Bildern und Labortests zu unterstützen.

Seit 2022 haben Vision Transformer (ViT) -Architekturen in umfangreichen medizinischen Bildklassifizierungsaufgaben eine mit klassischen Convolutional Neural Networks vergleichbare oder sogar überlegene Leistung gezeigt. Ihr entscheidender Vorteil liegt in ihrer Fähigkeit, globale Abhängigkeiten in Gigapixel-Bildern durch hierarchische Selbstheilungsmechanismen zu erfassen.

Außerhalb des medizinischen Bereichs steckt Deep Learning hinter autonomen Fahrzeugen, Gesichtserkennung, Sprachassistenten wie Alexa und Siri, TV- und Musikempfehlungssystemen und vielem mehr. In all diesen Fällen muss das Modell verrauschte und stark variable Daten aus der realen Welt interpretieren.

Bahnbrechende Experimente wie AlphaGo , das lernte, Go zu spielen und menschliche Spitzenmeister zu besiegen, demonstrierten, in welchem ​​Ausmaß ein tiefes neuronales Netzwerk Fähigkeiten erreichen kann, die als „intuitiv“ oder „kreativ“ gelten, ohne dass ein Programmierer ihm jeden Zug vorgeben muss.

Was genau ist Deep Learning: Schichten, Hierarchien und Rechenleistung?

Obwohl es keine einheitliche Definition gibt, sind sich die meisten Forscher einig, dass Deep Learning auf mehreren Schichten nichtlinearer Verarbeitung basiert, die zunehmend abstrakte Merkmale aus den Daten extrahieren.

In den unteren Schichten werden einfache Merkmale erlernt (Grenzen in einem Bild, grundlegende Wortkombinationen), während in den oberen Schichten diese Merkmale zu komplexeren Konzepten kombiniert werden (Gesichter, Objekte, Satzbedeutungen).

Der Unterschied zu „flachen“ Algorithmen liegt hauptsächlich in der Anzahl der verketteten Transformationen . Während ein klassisches Modell ein oder zwei Transformationen anwendet, kann ein tiefes Modell Dutzende oder Hunderte von Zwischenschichten aufweisen, wodurch es wesentlich komplexere Funktionen darstellen kann.

Der Nachteil besteht darin, dass das Training tiefer neuronaler Netze eine enorme Rechenleistung erfordert . Deshalb haben sich GPUs dank ihrer Fähigkeit zur Durchführung groß angelegter paralleler Operationen (GPGPU) zum wichtigsten Werkzeug für das Training dieser Modelle entwickelt.

Die großen Cloud-Anbieter (Amazon, Azure, IBM, Google usw.) bieten bereits Infrastrukturen mit spezialisierten GPUs und Machine-Learning-PaaS-Plattformen an, beispielsweise solche auf Basis von TensorFlow, mit vorab trainierten Modellen und Tools, um diese an den jeweiligen Anwendungsfall anzupassen.

Die relevantesten Deep-Learning-Algorithmen und -Architekturen

Im Bereich des Deep Learning sind verschiedene Arten von neuronalen Netzen entstanden , die jeweils für einen bestimmten Datentyp oder ein bestimmtes Problem optimiert sind.

Convolutional Neural Networks (CNNs) sind für die Verarbeitung von Bildern und Videos konzipiert. Sie verwenden Filter (Faltungen), die das Bild scannen, um lokale Muster zu erkennen und diese anschließend zu kombinieren. Sie bilden die Grundlage der modernen Computer Vision: Gesichtserkennung, Objektklassifizierung, medizinische Bildanalyse und vieles mehr.

Rekurrente neuronale Netze (RNNs) und ihre modernen Varianten verfügen über Rückkopplungsschleifen, die es ihnen ermöglichen, vergangene Informationen zu „speichern“. Dadurch eignen sie sich hervorragend für Sequenzen wie Text, Audio oder Zeitreihen. Ein Navigationssystem kann diese gespeicherten Informationen beispielsweise nutzen, um häufige Staus vorherzusagen und alternative Routen vorzuschlagen.

Parallel dazu sind Konzepte wie Ensemble Learning, Residual Networks, Vision Transformers und viele andere entstanden, die die Fähigkeit tiefer neuronaler Netze zur Anpassung an spezifische Probleme erweitern und verfeinern.

Dieses gesamte technische Ökosystem macht es heute möglich, Modelle mit tiefgreifenden Schlussfolgerungen darauf aufzubauen: Ohne diese Grundlage leistungsstarker und skalierbarer Architekturen wäre dies unmöglich.

Arten von Schlussfolgerungen, die KI nachahmen kann

Moderne KI-Systeme können je nach Datentyp und Zielanwendung verschiedene Denkstrategien kombinieren. Sie sind nicht auf eine einzige „Denkweise“ beschränkt.

Gängige Ansätze sind deduktives Denken (ausgehend von allgemeinen Regeln, um zu spezifischen Schlussfolgerungen zu gelangen), induktives Denken (Verallgemeinerung von Beispielen), probabilistisches Denken (Arbeiten mit Unsicherheit) und Fuzzy -Logik (Umgang mit ungenauen Begriffen wie „hoch“, „niedrig“, „mittel“).

Ansätze wie abduktives Denken (die plausibelste Erklärung für eine Reihe von Fakten vorschlagen), gesundes Menschenverstanddenken , räumliches und zeitliches Denken (sehr wichtig in der Robotik und beim autonomen Fahren) und neurosymbolisches Denken , das neuronale Netze mit symbolischer Logik integriert, werden ebenfalls untersucht.

Tiefgründiges Denken nutzt dieses Instrumentarium, um komplexere Schlussfolgerungsketten zu bilden , indem es Daten, Statistiken und Regeln bei Bedarf miteinander kombiniert.

KI, maschinelles Lernen und Deep Learning: Wesentliche Unterschiede

Zur Begriffsklärung: Künstliche Intelligenz (KI) ist der Oberbegriff für alle Systeme, die Aufgaben ausführen können, die mit menschlicher Intelligenz verbunden sind (Schlussfolgern, Lernen, Wahrnehmen usw.). Innerhalb der KI gibt es das maschinelle Lernen (ML) , das sich auf Algorithmen konzentriert, die aus Daten lernen, ohne für jeden Fall individuell programmiert zu werden.

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das mehrschichtige neuronale Netze nutzt, um direkt aus großen Datenmengen zu lernen. Der Hauptunterschied liegt in der Struktur des Modells und der Art der Merkmalsextraktion.

In der Praxis erfordert klassisches ML in der Regel mehr manuelle Arbeit bei der Merkmalsentwicklung , weniger Daten und weniger Rechenleistung, während Deep Learning riesige Datensätze, leistungsstarke GPUs und lange Trainingszeiten benötigt, aber einen bemerkenswerten Sprung in der Leistungsfähigkeit bei komplexen Aufgaben und unstrukturierten Daten bietet.

Im Hinblick auf die Interpretierbarkeit sind einfache Modelle des maschinellen Lernens (lineare Regression, flache Entscheidungsbäume) leichter zu erklären, während tiefe neuronale Netze sich eher wie „Black Boxes“ verhalten. Dies betrifft auch Modelle des tiefen logischen Denkens, die einen Teil dieser Undurchsichtigkeit erben, obwohl Anstrengungen unternommen werden, sie transparenter zu gestalten.

Tiefgründiges Denken und Kundenservice

Einer der Bereiche, in denen der praktische Einsatz von KI und Deep Learning am stärksten zunimmt, ist der Kundenservice . Viele aktuelle Systeme nutzen ML-Algorithmen für Self-Service, zur Unterstützung menschlicher Mitarbeiter und zur Workflow-Orchestrierung.

Die Daten, die diese Systeme speisen, stammen aus realen Kundenanfragen , Vorfallhistorie, Kaufkontext und Nutzungsverhalten. Je mehr Daten diese Modelle erhalten, desto schneller und genauer werden die Vorhersagen und Empfehlungen.

In diesem Umfeld ermöglicht tiefes logisches Denken den Bots nicht nur, einfache Fragen zu beantworten, sondern auch die gesamte Situation eines Kunden zu analysieren , seine Historie zu überprüfen, verschiedene mögliche Lösungen zu bewerten und für die beste Lösung zu argumentieren – und das mit einem höheren Grad an Personalisierung.

Spezialisierte Plattformen, wie beispielsweise die hochentwickelten Bots einiger CX-Lösungen, kombinieren bereits große Datenbanken mit Kundenabsichten mit Deep-Learning-Modellen, um natürlichere und nützlichere Antworten zu liefern , die Produktivität der menschlichen Mitarbeiter zu steigern und die Einrichtung von Supportabläufen zu optimieren.

Mit der zunehmenden Integration von Deep-Reasoning-Modellen in diese Art von Werkzeugen werden wir virtuelle Agenten sehen, die in der Lage sind, lange und komplizierte Gespräche zu führen , den Faden aufrechtzuerhalten, Entscheidungen zu begründen und sich dem Tonfall des Benutzers anzupassen, fast so, wie es ein Mensch tun würde.

Diese gesamte Entwicklung, von klassischem maschinellem Lernen über Deep Learning und generative KI bis hin zu Deep Reasoning, offenbart einen klaren Trend: Wir nähern uns immer mehr Systemen, die nicht nur Muster erkennen, sondern auch strukturiert über komplexe Probleme nachdenken können . Die Herausforderung ist nun nicht nur technischer, sondern auch ethischer und operativer Natur: Es gilt sicherzustellen, dass diese Modelle angemessen evaluiert, dort eingesetzt werden, wo sie echten Mehrwert bieten, ihre Risiken gemanagt und sie verantwortungsvoll in Tools wie Copilot Studio integriert werden, damit künstliche Intelligenz zu einem leistungsstarken und zuverlässigen Partner im Arbeitsalltag wird.