<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"><channel><title>kyberneti.co</title><description>AI System Architect in Wien: Notizen zu CRISP-DM, MLOps und Business Value Check. Wie KI-Modelle in den Betrieb kommen und dort bleiben.</description><link>https://kyberneti.co/</link><language>de-at</language><item><title>Was ist KI? Drei Antworten, und nur eine davon steht im Gesetz.</title><link>https://kyberneti.co/notizen/2026-10-31-was-ist-ki-drei-antworten/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-10-31-was-ist-ki-drei-antworten/</guid><description>AI und KI meinen dasselbe, aber im Projekt oft nicht dieselbe Sache. Alltag, Fachwelt und KI-Verordnung ziehen die Grenze an verschiedenen Stellen. Warum das vor dem Kickoff geklärt sein sollte.</description><pubDate>Sat, 31 Oct 2026 00:00:00 GMT</pubDate><category>enterpriseai</category><category>aigovernance</category><category>responsibleai</category><category>aistrategy</category></item><item><title>Wissen in zwei Köpfen: AI als Transportmittel</title><link>https://kyberneti.co/notizen/2026-10-31-wissen-in-zwei-koepfen-ai-als-transportmittel/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-10-31-wissen-in-zwei-koepfen-ai-als-transportmittel/</guid><description>Warum AI in einem Projekt zum Wissenserhalt nur das Transportmittel war und was US-Atomkraftwerke gerade über strukturierte Daten und Menschen im Loop lernen.</description><pubDate>Sat, 31 Oct 2026 00:00:00 GMT</pubDate><category>enterpriseai</category><category>wissensmanagement</category><category>aiadoption</category><category>responsibleai</category></item><item><title>Für mich beginnt die eigentliche Arbeit an einem Modell erst mit dem Deployment.</title><link>https://kyberneti.co/notizen/2026-10-26-fuer-mich-beginnt-die-eigentliche-arbeit-an-einem-modell-erst/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-10-26-fuer-mich-beginnt-die-eigentliche-arbeit-an-einem-modell-erst/</guid><description>Im CRISP-DM-Leitfaden reicht Deployment vom Abschlussbericht bis zum produktiven Prozess. Für Enterprise AI zählt nur der Betrieb: MLOps, Monitoring und benannte Verantwortung.</description><pubDate>Tue, 27 Oct 2026 00:00:00 GMT</pubDate><category>crispdm</category><category>mlops</category><category>enterpriseai</category><category>aiengineering</category></item><item><title>Ich habe Modelle mit hervorragenden Metriken gesehen, die geschäftlich wertlos waren.</title><link>https://kyberneti.co/notizen/2026-10-22-ich-habe-modelle-mit-hervorragenden-metriken-gesehen-die-ges/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-10-22-ich-habe-modelle-mit-hervorragenden-metriken-gesehen-die-ges/</guid><description>CRISP-DM trennt technische Bewertung im Modeling von der Evaluation gegen das Geschäftsziel. Vier Prüfpunkte aus der Praxis und das Zusammenspiel mit dem Business Value Check.</description><pubDate>Thu, 22 Oct 2026 00:00:00 GMT</pubDate><category>crispdm</category><category>enterpriseai</category><category>responsibleai</category><category>aigovernance</category></item><item><title>Ich starte jedes Modeling mit dem langweiligsten Modell, das mir einfällt.</title><link>https://kyberneti.co/notizen/2026-10-20-ich-starte-jedes-modeling-mit-dem-langweiligsten-modell-das/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-10-20-ich-starte-jedes-modeling-mit-dem-langweiligsten-modell-das/</guid><description>Jedes Modeling beginnt mit einer langweiligen Baseline und einem Testdesign vor dem Training. Ein komplexeres Modell muss seine höheren Betriebskosten rechtfertigen.</description><pubDate>Tue, 20 Oct 2026 00:00:00 GMT</pubDate><category>crispdm</category><category>mlops</category><category>aiengineering</category><category>datascience</category></item><item><title>Der größte Aufwand steckt nicht im Modell, sondern in der Datenaufbereitung.</title><link>https://kyberneti.co/notizen/2026-10-15-in-fast-jedem-ml-projekt-das-ich-begleiten-durfte-steckte-de/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-10-15-in-fast-jedem-ml-projekt-das-ich-begleiten-durfte-steckte-de/</guid><description>Der größte Aufwand steckt oft in der Data Preparation. Warum ich sie von Anfang an als versionierte Pipeline behandle, mit derselben Logik für Training und Inferenz.</description><pubDate>Thu, 15 Oct 2026 00:00:00 GMT</pubDate><category>crispdm</category><category>mlops</category><category>dataquality</category><category>aiengineering</category></item><item><title>Das wichtigste Element in meinen AI-Projekten steht in keinem CRISP-DM-Leitfaden.</title><link>https://kyberneti.co/notizen/2026-10-13-das-wichtigste-element-in-meinen-ai-projekten-steht-in-keine/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-10-13-das-wichtigste-element-in-meinen-ai-projekten-steht-in-keine/</guid><description>Der Business Value Check ist meine Erweiterung von CRISP-DM: vier Fragen am Ende jeder Iteration, damit kein endloser PoC entsteht. Weiter, umsteuern oder stoppen.</description><pubDate>Tue, 13 Oct 2026 00:00:00 GMT</pubDate><category>crispdm</category><category>enterpriseai</category><category>aistrategy</category><category>aigovernance</category><category>mlops</category></item><item><title>Ich glaube keiner Datenbeschreibung, bis ich die Daten selbst gesehen habe.</title><link>https://kyberneti.co/notizen/2026-10-08-ich-glaube-keiner-datenbeschreibung-bis-ich-die-daten-selbst/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-10-08-ich-glaube-keiner-datenbeschreibung-bis-ich-die-daten-selbst/</guid><description>Zwischen „Die Daten haben wir“ und einem nutzbaren Datensatz liegt viel Arbeit. Ein Discovery-Sprint mit echten Daten zeigt, ob sie die Nutzenhypothese tragen.</description><pubDate>Thu, 08 Oct 2026 00:00:00 GMT</pubDate><category>crispdm</category><category>dataquality</category><category>enterpriseai</category><category>datascience</category></item><item><title>Ich frage im Kickoff zuerst nicht nach den Daten, sondern nach der Entscheidung.</title><link>https://kyberneti.co/notizen/2026-10-07-ich-frage-in-jedem-kickoff-zuerst-nicht-nach-den-daten-sonde/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-10-07-ich-frage-in-jedem-kickoff-zuerst-nicht-nach-den-daten-sonde/</guid><description>Business Understanding wird am häufigsten abgekürzt. Dabei reicht eine Seite: Entscheidung, Baseline, Erfolgsmessung, realistischer Nutzen und ein Abbruchkriterium.</description><pubDate>Wed, 07 Oct 2026 00:00:00 GMT</pubDate><category>crispdm</category><category>enterpriseai</category><category>aistrategy</category><category>datascience</category></item><item><title>Die meisten AI-Projekte, die ich scheitern gesehen habe, hatten kein Modellproblem.</title><link>https://kyberneti.co/notizen/2026-10-06-die-meisten-ai-projekte-die-ich-scheitern-gesehen-habe-hatte/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-10-06-die-meisten-ai-projekte-die-ich-scheitern-gesehen-habe-hatte/</guid><description>Warum AI-Projekte selten am Modell scheitern: die sechs Phasen von CRISP-DM, kurze Iterationen und der Business Value Check als eigene Erweiterung.</description><pubDate>Tue, 06 Oct 2026 00:00:00 GMT</pubDate><category>crispdm</category><category>enterpriseai</category><category>mlops</category><category>aistrategy</category><category>datascience</category></item><item><title>Seit ein paar Wochen darf ich mich Databricks Certified Machine Learning Associate nennen.</title><link>https://kyberneti.co/notizen/2026-09-21-seit-ein-paar-wochen-darf-ich-mich-databricks-certified-mach/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-09-21-seit-ein-paar-wochen-darf-ich-mich-databricks-certified-mach/</guid><description>Beim Databricks-Zertifikat hat mich die Gewichtung überrascht: Der größte Prüfungsblock ist die Plattform, nicht die Modellentwicklung. Das deckt sich mit dem, was ich in Projekten sehe.</description><pubDate>Mon, 21 Sep 2026 00:00:00 GMT</pubDate><category>databricks</category><category>mlops</category><category>enterpriseai</category><category>aiengineering</category></item><item><title>Die häufigste Frage in KI-Erstgesprächen lautet: Welches Modell nehmen wir?</title><link>https://kyberneti.co/notizen/2026-09-12-die-haeufigste-frage-in-ki-erstgespraechen-lautet-welches-mo/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-09-12-die-haeufigste-frage-in-ki-erstgespraechen-lautet-welches-mo/</guid><description>Die Frage, die Geld spart, lautet nicht: Welches Modell? Sondern: Auf welcher Stufe gehört dieser Fall gelöst? Meine Eskalationslogik aus Regeln, klassischem ML und LLM.</description><pubDate>Sat, 12 Sep 2026 00:00:00 GMT</pubDate><category>enterpriseai</category><category>aistrategy</category><category>mlops</category><category>aigovernance</category><category>aiadoption</category></item><item><title>Ich schaue mir gerade RF-DETR an</title><link>https://kyberneti.co/notizen/2026-09-08-ich-schaue-mir-gerade-rf-detr-an-weil-in-einem-projekt-die-o/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-09-08-ich-schaue-mir-gerade-rf-detr-an-weil-in-einem-projekt-die-o/</guid><description>RF-DETR gegen YOLO: Der Abstand schrumpft von elf auf 2,4 Punkte, sobald es um die Übertragung auf reale Daten geht. Warum eine Benchmark-Tabelle keine Architekturentscheidung trägt.</description><pubDate>Tue, 08 Sep 2026 00:00:00 GMT</pubDate><category>computervision</category><category>mlops</category><category>aiengineering</category><category>enterpriseai</category></item><item><title>Ich habe zuletzt wieder eine Diskussion über Token-Preise geführt.</title><link>https://kyberneti.co/notizen/2026-08-31-ich-habe-zuletzt-wieder-eine-diskussion-ueber-token-preise-g/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-08-31-ich-habe-zuletzt-wieder-eine-diskussion-ueber-token-preise-g/</guid><description>Ein Kundenservice-Agent in einer Bank: 20 bis 25 Prozent der Laufkosten sind Tokens, 70 bis 75 Prozent menschliche Aufsicht. Warum die Vollkosten pro Geschäftsvorfall die richtige Messgröße sind.</description><pubDate>Mon, 31 Aug 2026 00:00:00 GMT</pubDate><category>enterpriseai</category><category>aistrategy</category><category>aigovernance</category><category>mlops</category></item><item><title>Versicherer müssen gerade nicht eine Regulierung umsetzen.</title><link>https://kyberneti.co/notizen/2026-08-25-versicherer-muessen-gerade-nicht-eine-regulierung-umsetzen-s/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-08-25-versicherer-muessen-gerade-nicht-eine-regulierung-umsetzen-s/</guid><description>Solvency II, IDD, DSGVO, DORA und KI-Verordnung beschreiben oft dieselben Systeme. Das übliche Ergebnis: fünf Projekte, fünf Dokumentensets. Warum eine gemeinsame technische Basis mehr bringt.</description><pubDate>Tue, 25 Aug 2026 00:00:00 GMT</pubDate><category>aigovernance</category><category>enterpriseai</category><category>aistrategy</category><category>versicherung</category></item><item><title>&quot;Können Sie erklären, warum Ihr Modell diesen Antrag abgelehnt hat?&quot;</title><link>https://kyberneti.co/notizen/2026-08-18-koennen-sie-erklaeren-warum-ihr-modell-diesen-antrag-abgeleh/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-08-18-koennen-sie-erklaeren-warum-ihr-modell-diesen-antrag-abgeleh/</guid><description>Diese Frage stellt künftig nicht nur der Kunde. EIOPA erwartet erklärbare Ergebnisse und nachvollziehbare Trainingsdaten. Drei Prüffragen, warum Erklärbarkeit eine Architekturentscheidung ist.</description><pubDate>Tue, 18 Aug 2026 00:00:00 GMT</pubDate><category>aigovernance</category><category>responsibleai</category><category>mlops</category><category>versicherung</category></item><item><title>83 Prozent der Banken arbeiten mit provisorischen KI-Infrastrukturen.</title><link>https://kyberneti.co/notizen/2026-08-11-83-prozent-der-banken-arbeiten-mit-provisorischen-ki-infrast/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-08-11-83-prozent-der-banken-arbeiten-mit-provisorischen-ki-infrast/</guid><description>Eine Erhebung unter deutschen Banken bestätigt, was ich in Projekten vorfinde. Warum erfolgreiche Piloten zu Provisorien in Produktion werden und der Übergang zur Plattform eine eigene Aufgabe ist.</description><pubDate>Tue, 11 Aug 2026 00:00:00 GMT</pubDate><category>enterpriseai</category><category>mlops</category><category>aistrategy</category><category>banking</category></item><item><title>Die Hochrisiko-Pflichten wurden verschoben. Für Versicherer ist das keine Entwarnung.</title><link>https://kyberneti.co/notizen/2026-08-04-hochrisiko-pflichten-verschoben-keine-entwarnung/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-08-04-hochrisiko-pflichten-verschoben-keine-entwarnung/</guid><description>Seit dem 2. August 2026 gelten die Transparenzpflichten der KI-Verordnung, die Hochrisiko-Pflichten erst ab Dezember 2027. Warum Versicherer die Zeit für die Architektur nutzen sollten.</description><pubDate>Tue, 04 Aug 2026 00:00:00 GMT</pubDate><category>aigovernance</category><category>enterpriseai</category><category>mlops</category><category>responsibleai</category></item><item><title>Ich halte die Debatte offen gegen geschlossen für falsch gestellt.</title><link>https://kyberneti.co/notizen/2026-07-30-ich-halte-die-debatte-offen-gegen-geschlossen-fuer-falsch-ge/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-07-30-ich-halte-die-debatte-offen-gegen-geschlossen-fuer-falsch-ge/</guid><description>Offen oder geschlossen ist keine Lagerfrage, sondern eine Auswahlfrage. Was der Mozilla Report dazu zeigt und warum die Lizenzfrage von der eigenen Rolle im Betrieb abhängt.</description><pubDate>Thu, 30 Jul 2026 00:00:00 GMT</pubDate><category>enterpriseai</category><category>aigovernance</category><category>mlops</category><category>responsibleai</category></item><item><title>Ich komme aus der Computer Vision.</title><link>https://kyberneti.co/notizen/2026-07-28-ich-komme-aus-der-computer-vision-und-der-vorschlag-der-in-e/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-07-28-ich-komme-aus-der-computer-vision-und-der-vorschlag-der-in-e/</guid><description>Der größte Widerstand galt im Projekt nicht dem neuronalen Netz, sondern klassischer Bildverarbeitung. Warum ich Vision-Aufgaben in Eskalationsstufen von unten nach oben durchdenke.</description><pubDate>Tue, 28 Jul 2026 00:00:00 GMT</pubDate><category>computervision</category><category>enterpriseai</category><category>mlops</category><category>aiengineering</category></item><item><title>Bei KI ist nicht der Output die Botschaft</title><link>https://kyberneti.co/notizen/2026-07-14-bei-ki-ist-nicht-der-output-die-botschaft-sondern-die-entsch/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-07-14-bei-ki-ist-nicht-der-output-die-botschaft-sondern-die-entsch/</guid><description>Ein Community-Radio startet mit KI-generierten Stimmen. Warum jeder KI-Einsatz zwei Botschaften sendet: den Inhalt und die Entscheidung, ihn zu automatisieren.</description><pubDate>Tue, 14 Jul 2026 00:00:00 GMT</pubDate><category>responsibleai</category><category>aigovernance</category><category>enterpriseai</category><category>aistrategy</category></item><item><title>Ich begleite gerade eine ML-Pipeline auf dem Weg nach Azure Databricks</title><link>https://kyberneti.co/notizen/2026-06-23-ich-begleite-gerade-eine-ml-pipeline-auf-dem-weg-nach-azure/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-06-23-ich-begleite-gerade-eine-ml-pipeline-auf-dem-weg-nach-azure/</guid><description>Der Data + AI Summit zeigt: Die Plattform zieht dort nach, wo Projekte kippen. Ein Modell zum Laufen zu bringen ist der einfache Teil, es zu betreiben und zu steuern der schwere.</description><pubDate>Tue, 23 Jun 2026 00:00:00 GMT</pubDate><category>enterpriseai</category><category>mlops</category><category>databricks</category><category>unitycatalog</category><category>aigovernance</category></item><item><title>Nicht das Modell ist das Problem. Das Modell war noch nie das Problem.</title><link>https://kyberneti.co/notizen/2026-06-09-nicht-das-modell-ist-das-problem-das-modell-war-noch-nie-das/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-06-09-nicht-das-modell-ist-das-problem-das-modell-war-noch-nie-das/</guid><description>Der neue HBR-Report zeigt viele kleine Effizienzgewinne, aber kaum neu gedachte Geschäftsprozesse. Was fehlt, liegt eine Ebene tiefer: bei Prozessen und Organisation.</description><pubDate>Tue, 09 Jun 2026 00:00:00 GMT</pubDate><category>enterpriseai</category><category>aigovernance</category><category>aistrategy</category><category>mlops</category></item><item><title>Wer mich fragt, welches KI-Coding-Tool ich nutze, bekommt eine unbefriedigende Antwort.</title><link>https://kyberneti.co/notizen/2026-06-04-wer-mich-fragt-welches-ki-coding-tool-ich-nutze-bekommt-eine/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-06-04-wer-mich-fragt-welches-ki-coding-tool-ich-nutze-bekommt-eine/</guid><description>GitHub Copilot CLI, OpenAI Codex CLI und Claude Code: Welches Tool ich nutze, hängt von Projektkontext, Token-Budget und Aufgabenphase ab. Multi-Model ist einfach Ressourcenplanung.</description><pubDate>Thu, 04 Jun 2026 00:00:00 GMT</pubDate><category>mlops</category><category>aiengineering</category><category>softwareengineering</category><category>githubcopilot</category></item><item><title>Am Wochenende habe ich für ein privates Projekt mit DeepSeek V4 Pro und Flash entwickelt.</title><link>https://kyberneti.co/notizen/2026-05-25-am-wochenende-habe-ich-fuer-ein-privates-projekt-mit-deepsee/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-05-25-am-wochenende-habe-ich-fuer-ein-privates-projekt-mit-deepsee/</guid><description>DeepSeek V4 Pro und Flash in meinem Coding-Workflow: solide Ergebnisse zu einem Bruchteil der Token-Kosten. Warum Open-Weight-Modelle nützlich sind und klare Struktur dabei besonders zählt.</description><pubDate>Mon, 25 May 2026 00:00:00 GMT</pubDate></item><item><title>&quot;Kein einzelnes Modell ist optimal für jede Aufgabe.&quot;</title><link>https://kyberneti.co/notizen/2026-05-25-kein-einzelnes-modell-ist-optimal-fuer-jede-aufgabe/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-05-25-kein-einzelnes-modell-ist-optimal-fuer-jede-aufgabe/</guid><description>Modellauswahl wird zur Architektur-Entscheidung: Komplexes an Frontier-Modelle, Hochvolumiges an Open-Weight-Modelle. Die Orchestrierung dazwischen ist das eigentliche Engineering-Problem.</description><pubDate>Mon, 25 May 2026 00:00:00 GMT</pubDate></item><item><title>In AI-Projekten wird über Modellarchitektur, Hyperparameter und Infrastruktur diskutiert.</title><link>https://kyberneti.co/notizen/2026-05-21-in-ai-projekten-wird-ueber-modellarchitektur-hyperparameter/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-05-21-in-ai-projekten-wird-ueber-modellarchitektur-hyperparameter/</guid><description>Labelqualität entscheidet darüber, was ein Modell lernt. Was ein Annotationshandbuch leistet: Konsistenz, explizite Grenzfälle und weniger teure Nachannotation.</description><pubDate>Thu, 21 May 2026 00:00:00 GMT</pubDate><category>mlops</category><category>aiengineering</category><category>dataquality</category><category>machinelearning</category><category>enterpriseai</category></item><item><title>In der Fertigung steckt das wertvollste Wissen oft in den Köpfen.</title><link>https://kyberneti.co/notizen/2026-05-14-in-der-fertigung-steckt-das-wertvollste-wissen-oft-in-den-ko/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-05-14-in-der-fertigung-steckt-das-wertvollste-wissen-oft-in-den-ko/</guid><description>AI-Projekte in der Fertigung machen sichtbar, wie viel Wissen nur in Köpfen liegt. Warum ein Annotationshandbuch dieses Wissen sichert und über das einzelne Projekt hinaus wirkt.</description><pubDate>Thu, 14 May 2026 00:00:00 GMT</pubDate><category>enterpriseai</category><category>wissensmanagement</category><category>manufacturing</category></item><item><title>Die meisten AI-Governance-Programme scheitern nicht an fehlenden Werten.</title><link>https://kyberneti.co/notizen/2026-05-11-die-meisten-ai-governance-programme-scheitern-nicht-an-fehle/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-05-11-die-meisten-ai-governance-programme-scheitern-nicht-an-fehle/</guid><description>AI-Policies, die nach Monaten veraltet sind, haben ein Formatproblem. Reid Blackman schlägt konkrete Worst-Case-Szenarien statt abstrakter Werte vor. Das gilt besonders für regulierte Branchen.</description><pubDate>Mon, 11 May 2026 00:00:00 GMT</pubDate><category>aigovernance</category><category>responsibleai</category><category>enterpriseai</category></item><item><title>Enterprise AI scheitert selten an der Technologie.</title><link>https://kyberneti.co/notizen/2026-05-11-enterprise-ai-scheitert-selten-an-der-technologie/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-05-11-enterprise-ai-scheitert-selten-an-der-technologie/</guid><description>Ein HBR-Beitrag über BBVA zeigt, wie KI-Adoption gelingen kann. Drei Muster aus meinen Projekten: Schatten-KI als Nachfragesignal, das Management als Hebel, dezentrale Experimente.</description><pubDate>Mon, 11 May 2026 00:00:00 GMT</pubDate></item><item><title>22% des gemergten Codes in Unternehmen sind mittlerweile AI-generiert.</title><link>https://kyberneti.co/notizen/2026-05-03-22-des-gemergten-codes-in-unternehmen-sind-mittlerweile-ai-g/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-05-03-22-des-gemergten-codes-in-unternehmen-sind-mittlerweile-ai-g/</guid><description>Die Frage, die ich Entscheidern stelle: Wissen Sie, wie viel Prozent Ihres Codes von KI generiert wurden? Und wenn ja, messen Sie die Fehlerrate dieses Codes separat?</description><pubDate>Sun, 03 May 2026 00:00:00 GMT</pubDate><category>aiengineering</category><category>softwarequality</category><category>enterprisedevelopment</category><category>mlops</category></item><item><title>79% der Unternehmen haben Schwierigkeiten bei der AI-Einführung</title><link>https://kyberneti.co/notizen/2026-05-03-79-der-unternehmen-haben-schwierigkeiten-bei-der-ai-einfuehr/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-05-03-79-der-unternehmen-haben-schwierigkeiten-bei-der-ai-einfuehr/</guid><description>79 % der Unternehmen haben Schwierigkeiten bei der AI-Einführung, nur 29 % sehen signifikanten ROI. Warum das ein organisatorisches Redesign ist und kein Technologie-Rollout.</description><pubDate>Sun, 03 May 2026 00:00:00 GMT</pubDate><category>generativeai</category><category>aiadoption</category><category>enterpriseai</category><category>aistrategy</category></item><item><title>Seit einigen Wochen arbeite ich intensiv mit der GitHub Copilot CLI im Azure-Stack</title><link>https://kyberneti.co/notizen/2026-04-26-seit-einigen-wochen-arbeite-ich-intensiv-mit-der-github-copi/</link><guid isPermaLink="true">https://kyberneti.co/notizen/2026-04-26-seit-einigen-wochen-arbeite-ich-intensiv-mit-der-github-copi/</guid><description>GitHub Copilot CLI im Azure-Stack: von Code über Docker-Image bis Deployment in einer Konversation. Warum Qualität an der Disziplin im Prozess hängt und nicht am Modell.</description><pubDate>Sun, 26 Apr 2026 00:00:00 GMT</pubDate><category>aiengineering</category><category>azuredevops</category><category>githubcopilot</category></item></channel></rss>