Dienstag, März 31, 2026
Der starke und anhaltende Anstieg KI-basierter Dienste führt weltweit zu einer stetigen Zunahme von KI-Rechenzentren, verbunden mit einem unvermeidlichen Anstieg ihres Stromverbrauchs.
Unter Nutzung von Landoberflächentemperaturmessungen, die in den letzten Jahrzehnten von Fernerkundungsplattformen erfasst wurden, nahmen Forschende der University of Cambridge eine fundierte Einschätzung des Temperaturanstiegs vornehmen, der weltweit in der Umgebung von KI-Rechenzentren von Hyperscalern verzeichnet wurde.
Die Forscher kamen zu dem Ergebnis, dass die Landoberflächentemperatur nach der Inbetriebnahme eines KI-Rechenzentrums um durchschnittlich 2 °C ansteigt, was lokale Mikroklimazonen hervorruft, welche die Forscher als “data heat Island” Effekt bezeichnen.
Weltweit können mehr als 340 Millionen Menschen von diesem Temperaturanstieg betroffen sein. Die Forscher empfehlen, dass untersucht werden sollte, welche Auswirkungen dies auf das regionale Wohlbefinden der betroffenen Bevölkerung haben könnte.
URLs:
Samstag, März 28, 2026
Am 26.März 2026 startete ZenDiS eine Konsultation zu Souveränität. Dazu veröffentlichte ZenDiS einen “Kriterienkatalog” (”Kriterien zur Bewertung von Digitaler Souveränität - aus messbar wird machbar”) zur öffentlichen Kommentierung. Konsultationen können bis zum 15. Mai 2026 eingereicht werden.
URLs:
Wird KI auf einer Cloud betrieben, benötigt souveräne KI auch eine souveräne Cloud.
Mittwoch, März 18, 2026
Die Open Source Initiative (OSI) stellte eine Liste zusammen, in welcher man nach Lizenzen suchen kann, nach Kategorien filtern kann usw. Eine Vollständigkeit der Liste kann natürlich nicht gewährleistet werden; Firmen denken sich ja immer wieder eigene Lizenzmodelle aus.
Die Liste ist sehr hilfreich, um schnell eine Lizenz zu finden und in dieser nachlesen zu können. Was leider fehlt, ist die Verlinkung zur Lizenz. Aber der Text der jeweiligen Lizenz ist verfügbar und da die Lizenz mit derselben Versionsnummer nicht geändert werden darf, passt das letztlich auch. Die Liste findet man unter https://opensource.org/licenses.
Auch nett: OSI stellte auch entsprechende Definitionen zur Verfügung:
Opencode versuchte sich auch an einer Übersicht, zu finden unter https://opencode.de/ … n-Source-Lizenzliste. Dabei verweist Opencode auf die Definitionen von OSI. Jedoch steht weder der Lizenztext noch der Link zum Lizenztext zur Verfügung. Die Autoren gaben nur die Lizenz selbst und den (nach Ansicht der Autoren) Einsatzzweck an. Für die Einhaltung der Lizenz und der daraus resultierenden Lizenzbedingungen ist natürlich jeder selbst verantwortlich. D.h., man muss den Lizenztext immer auch selbst durcharbeiten. Und da Opencode diesen nicht bereitstellt, muss man den entweder mit der Suchmaschine seiner Wahl suchen – oder schaut bei OSI nach.
Samstag, Februar 21, 2026
Eine Studie der Universität Passau und der US-amerikanischen Arizona State University mit dem Titel „Fading Memories: The Role of Machine Learning in Organizational Knowledge Depreciation“ zeigt, dass der Abbau von Stellen mit Verweis auf den Einsatz von KI langfristig zu einem Wissensverlust in den jeweiligen Unternehmen führen kann.
Traditionelle regelbasierte Technologien dienen als stabile Wissensspeicher dienen. Im Gegensatz dazu bergen Machine-Learning-Systeme (ML) Risiken. Da ihre Vorhersagemodelle auf historischen Trainingsdaten basieren, sind ML-Systeme anfällig für Modellabweichungen: eine allmähliche Diskrepanz zu sich wandelnden betrieblichen Realitäten, die wiederkehrende Reparaturen durch Menschen erforderlich macht.
Die Forscher entwickelten ein mehrstufiges Prozessmodell, welches zeigt, wie und wann wiederholte Zyklen der ML-Nutzung und -Reparatur unbeabsichtigt die Abwertung des organisatorischen Wissens beschleunigen können. Der Zyklus läuft in etwa wie folgt ab:
KI übernimmt: Während KI-Systeme etwa die Qualitätsprüfung eines Herstellungsprozesses erledigen, nutzen Beschäftigte das dafür relevante Fachwissen seltener, vergessen dieses oder verlassen ganz das Unternehmen.
Wissensverlust tritt ein: So gerät bestehendes menschliches Wissen verloren, während neue Angestellte entsprechendes Wissen nicht neu erwerben; die KI übernahm ja die Aufgaben.
KI-Modelle veralten: Alternde KI-Modelle müssen mit Hilfe neuer Trainingsdaten aktualisiert werden, Modellvariablen müssen auf Relevanz geprüft werden oder Fehlprognosen des Modells fachlich beurteilt werden. Eine solche Aktualisierung erfordert menschliche Expertise, die in den jeweiligen Unternehmen jetzt aber fehlt.
Damit können KI-Modelle durch Alterung zur Wissensfalle werden.
URLs:
Einer US-Studie zufolge entlastet Künstliche Intelligenz Arbeitnehmer nicht, sondern kann zu Mehrarbeit und nachlassender Effizienz führen. Harvard Business Review berichtet über Ergebnisse, die in einer achtmonatigen Studie darüber, wie generative KI die Arbeitsgewohnheiten in einem US-amerikanischen Technologieunternehmen mit etwa 200 Mitarbeitern veränderte.
Der Studie zufolge arbeiteten der Beschäftigte schneller, übernahmen ein breiteres Spektrum an Aufgaben und verlängerten ihre Arbeitszeit, oft ohne dazu aufgefordert worden zu sein.
Das mag nach einem Gewinn klingen, hat aber deutliche Schattenseiten. Diese Veränderungen können untragbar sein und zu einer schleichenden Zunahme der Arbeitsbelastung, kognitiver Erschöpfung, Burnout und einer Schwächung der Entscheidungsfähigkeit führen. Der anfängliche Produktivitätsschub kann zu einer geringeren Arbeitsqualität, Fluktuation und anderen Problemen führen.
Um dies zu korrigieren, müssen Unternehmen eine „KI-Praxis” einführen, d. h. eine Reihe von Normen und Standards für den Einsatz von KI festlegen, welche bewusste Pausen, die Festlegung von Arbeitsabläufen und mehr menschliche Kontrolle umfassen sollten.
URLs:
