(Aktualisiert und erweitert / Stand: 02.05.2025)

Alle Angaben in diesem Leitfaden dienen ausschließlich der allgemeinen Orientierung zum Einsatz Künstlicher Intelligenz in der Direktvermarktung und ersetzen weder fachliche noch rechtliche Beratung durch qualifizierte Expert:innen.

‍

1. Warum KI jetzt auf jeden Hof gehört

Künstliche Intelligenz mag wie eine brandneue Technologie wirken, ihre Wurzeln reichen jedoch bis in die 1950er-Jahre zurück. Schon 1956 prägte John McCarthy den Begriff „Artificial Intelligence“, wenig später ließen erste Programme Computer Schach spielen und komplexe Aufgaben lösen. 1966 plauderte der Chatbot ELIZA mit Nutzer:innen, in den 1970ern unterstützte KI Ärztinnen, und in den 1980ern bewies NETtalk, dass Maschinen lesen und sprechen lernen können. 1997 folgte der große Paukenschlag, als Deep Blue Schach-Legende Garry Kasparow bezwang – KI war endgültig auf der Weltbühne angekommen. [1]

Heute steht die Technik erneut vor einem Sprung: Analyst:innen erwarten für 2025 ein globales Marktvolumen von rund 222 Milliarden €. Mit einer jährlichen Wachstumsrate von 26,6 %könnte der Wert bis 2031 auf 922 Milliarden € steigen; allein die USA sollen 2025 rund 67 Milliarden € davon erwirtschaften. [2]

Was heißt das für Österreichs Landwirtschaft? Ein Blick in den Beitrag der Landwirtschaftskammer Kärnten zeigt, wie schnell KI vom Labor aufs Feld gelangt. [3] Die Agrifood TEF – European Testing & Experimentation Facility stellt Start-ups, Forschungsinstituten und Maschinenherstellern eine Spielwiese zur Verfügung, um Sensoren, Algorithmen und Robotik unter realen Praxisbedingungen zu testen. Daraus ist etwa die Smartphone-App „SoilCover“ vom Josephinum Research entstanden: Sie analysiert Fotos, berechnet in Sekundenden Bodenbedeckungsgrad und erleichtert so Greening- oder ÖPUL-Nachweise.

Auch das Hackgerät „InRowIng“ von FARM-Ing setzt neue Maßstäbe: Während der Fahrt erkennt es Kultur- und Beikräuter sogar innerhalb der Reihe und arbeitet millimetergenau – Handarbeit und Herbizide werden drastisch reduziert. Parallel nutzt LK-Technik Mold KI-gestützte Bilderkennung, um Giftpflanzen wie Jakobskreuzkraut einzeln aufzuspüren und Futterkontamination zu verhindern. Und in der Tierhaltung misst ein Sensorbolus von smaXtec pH-Wert, Temperatur und Aktivität im Vormagen; die KI wertet die Daten in Echtzeit aus, signalisiert Brunstbeginn oder Krankheitsanzeichen und ermöglicht punktgenaue Behandlungen.

Kurz gesagt: KI ergänzt das landwirtschaftliche Know-how – und macht auch kleinen Betrieben Werkzeuge zugänglich, die früher nur Großunternehmen hatten.

2. Fakten gegen Mythen

Rund um KI kursieren viele Missverständnisse. Einige davon begegnen uns in Gesprächen mit Direktvermarkter:innen besonders häufig – und lassen sich leicht entkräften.

Erstens: „KI ersetzt alle Jobs.“

Tatsächlich übernimmt KI vor allem monotone Routineaufgaben. Gleichzeitig entstehen aber neue Rollen – von der Datenanalyse über das kuratierte Storytelling bis hin zur kreativen Produktentwicklung. Jede technische Revolution, vom mechanischen Webstuhl bis zum E-Commerce, hat zusätzliche Wertschöpfungsketten geschaffen – die Landwirtschaft bildet hier keine Ausnahme.

Zweitens: „KI liefert perfekte Ergebnisse.“

Algorithmen erzeugen Vorschläge, die plausibel wirken, aber eine fachliche Endkontrolle bleibt unverzichtbar. Gerade bei heiklen Angaben wie Allergenen oder Preislisten nach AGES-Vorgabe muss immer ein Mensch gegenprüfen. KI ist also Assistent, nicht Schiedsrichter.

Drittens: „KI kann denken, wie ein Mensch.“

KI rechnet, sie denkt nicht. Sie verknüpft Daten nach Wahrscheinlichkeiten, hat aber kein eigenes Verständnis, keine Erfahrungen und keinen Drang, etwas zu erklären. Ohne von Menschenvorgegebene Aufgaben und Beispiele bleibt jeder Algorithmus stumm. Darum ist KI ein mächtiges Statistik-Werkzeug – kein Ersatz für menschliches Denken. [4]

3. Wo KI in der Direktvermarktung den größten Hebel hat

Grundsätzlich kann die Technologie jeden Unternehmensbereich beeinflussen, doch in diesen sechs Bereichen haben wir in der Direktvermarktung einen guten Nutzen bzw. Potenzial erkannt– sofern passende Tools gezielt eingesetzt und die Resultate kritisch hinterfragt werden. Dabei ist zu bedenken: KI liefert ihre Ergebnisse probabilistisch (auf Wahrscheinlichkeiten), basierend auf den Daten, mit denen sie trainiert wurde.

Ideenfindung & Produktentwicklung

Werden Daten zum lokalen Markt oder bestehende Rezepturen eingespeist, liefert die KI erste Empfehlungen zu Geschmackstrends, Verpackungspräferenzen und Haltbarkeitsanforderungen sowie Rezeptvarianten mit passenden Gewürzprofilen oder Packungsgrößen. So gewinnt man ein erstes Gespür, in welche Richtung sich die Idee und das jeweilige Produkt entwickeln lassen. Wichtig ist dabei, zwischen prädiktiver KI (für Screenings, Analysen und Prognosen) und generativer KI (für kreative Entwürfe) zu unterscheiden. [5]

Zielgruppen- und Preisanalyse

Damit KI solche Analysen zuverlässig liefert, müssen alle genannten Daten bereits in brauchbarer Form vorliegen – fehlen sie, „halluziniert“ das Modell und liefert abweichende oder schlicht falsche Ergebnisse.

1. Daten sortieren: Die KI durchforstet vorhandene Shop-Bestellungen, Newsletter-Klicks und Social-Media-Reaktionen zu bestimmten Beiträgen, die bspw. allesamt als sortierte Excel-Liste vorliegen und bildet Gruppen mit ähnlichem Verhalten, etwa Vielbesteller oder Schnäppchenjäger. (Je genauer die Daten aufgeschlüsselt sind, desto besser wird das Ergebnis!)
2. Kaufwahrscheinlichkeiten schätzen: Für jede Gruppe rechnet das Modell aus, wie wahrscheinlich ein neuer Kauf ist. Dafür lohnt es sich, Trendanalysen aus der eigenen Branche (z.B. Berichte von Branchenverbänden) oder Informationen aus relevanten Marktanalysen zu beschaffen und einzuspeisen, um Halluzinationen zu vermeiden.
3. Preisrahmen ableiten: Das System verbindet diese Wahrscheinlichkeiten bzw. Muster mit den eigenen tatsächlichen Produktionskosten (u.a. aktuelle Rohstoffpreise), Konkurrenzpreisen und gemessener Preissensibilität der Kundengruppe. So entsteht ein flexibler Preiskorridor statt eines Fixpreises.
4. Regelmäßige Aktualisierung: Spätestens alle drei bis sechs Monate – oder sofort nach starken Markt­änderungen – sollte man die Daten aktualisieren und das Modell neu kalibrieren, damit Preis­empfehlungen und Zielgruppen­prognosen verlässlich bleiben.

Marketing & Storytelling

Aktuelle Generatoren wie GPT-4 ooder Claude 3 (Text) und DALL·E 3, Midjourney V6, Stable Diffusion XL oder Adobe Firefly (Bild) können heute komplette Kampagnenpakete ausspielen – vom Newsletter-Betreff über Social-Posts bis hin zur etikettenreifen Produktgrafik. Dabei steuern Prompt-Vorlagen Tonalität, Farbwelt und Layout fast punktgenau.

Aber: Diese Systeme arbeiten rein generativ. Sie kombinieren wahrscheinlichkeitstreu bereits Gesehenes und klingen oder wirken deshalb oft ähnlich. Ohne manuelles Finetuning riskierst man austauschbare Texte, wiedererkennbare Bildmotive oder sogar Copyright-Konflikte. Empfehlung: Jede Ausgabe sollte von einem selbst und/oder einer externen Fachkraft geprüft und bei Bedarf nachjustiert werden, bevor sie live geht – so bleibt der Workflow schlank, der Content professionell und rechtlich sauber. [6]

Kundenservice

In der Theorie können Chatbots rund um die Uhr Fragen zu Öffnungszeiten, Lieferoptionen oder Produktverfügbarkeit beantworten und häufige Anliegen wandern automatisch in eine dynamische FAQ, während das Team sich komplexeren Aufgaben widmet. In der Realität lassen sich eigene KI-Chatbots zwar aufbauen, doch der Weg zur vollen Funktionalität ist steinig: Man braucht große Mengen gut strukturierter Dialog- und Produktdaten, ein Team für Training und Wartung – und damit Budget. Ohne strenge Guardrails (vorgeschriebene Antwortbereiche, Preis- und Policy-Checks, Eskalationslogik zum Menschen) kann ein Bot leicht „halluzinieren“ und geschäftsschädigende Zusagen machen. Ein warnendes Beispiel lieferte Air Canada: Ihr Support-Chatbot versprach einem Kunden irrtümlich einen Berechtigungsrabatt; das Gericht verurteilte die Airline zu Schadenersatz, weil sie die falsche Auskunft zu verantworten haben — Fazit: ChatGPT & Co. sind nützliche Bausteine, doch Unternehmen dürfen ihnen nie blind vertrauen und müssen jede Kundenkommunikation technisch wie juristisch absichern.

Betriebsoptimierung

Künstliche Intelligenz kann heute schon einige Bereiche in der Landwirtschaft sehr zuverlässig beraten und übernehmen. Einem Artikel der Landwirtschaftskammer Niederösterreich zufolge ermittelt KI den idealen Zeitpunkt für Aussaat, Pflanzenschutz und Ernte, indem sie Erntedaten mit Klima-, Boden- und Schadschwellenanalysen verknüpft. [7]

Compliance & Qualität

KI-Modelle lassen sich theoretisch mit den kompletten Regelwerken zur Lebensmittelkennzeichnung füttern – etwa den AGES-Leitfäden zur Lebensmittelkennzeichnung – etwa für pflanzliche Speiseöle [8], die konkreten Vorgaben zu Schriftgröße, Zutatenverzeichnis und Nährwerttoleranzen- sowie den Bio-Regeln der EU-Verordnung 2018/848 [9] trainiert werden. Trainiert man Vision- und NLP-Systeme damit, können sie beim digitalen Etikettencheck Zutaten, Allergen­hervorhebungen oder Packungsfotos automatisch gegen diese Regeln abgleichen. Anbieter wie Keyence und MettlerToledo demonstrieren, dass hochauflösende Kamera­systeme Etikettenfehler oderfalsche Nährwertangaben inline erkennen und sofort Alarm schlagen. [10][11]

Aber Vorsicht: KI generiert (auch hier) Ergebnisse probabilistisch und kann halluzinieren. Deshalb müssen alle Ausgaben manuell geprüft und bei Abweichungen mit den zuständigen Behörden oder Kontrollstellen abgestimmt werden. Nur so lässt sich verhindern, dass fehlerhafte Kennzeichnungen in den Verkehr gelangen und später teuer korrigiert werden müssen.  

‍

4. Prompt-Engineering – der Schlüssel zu guten Ergebnissen

Der Output einer KI ist immer nur so gut wie die Eingabe. Im Marketing bewährt sich daher das Schema:

„Übernimm die Rolle als …, nutze folgende Informationen …, und erstelle … im Format …“.

Damit entstehen Social-Media-Posts, Produkttexte oder Vertriebsstrategien exakt passend zum Betrieb. Vier Prompt-Techniken helfen dabei:

‍

Anwendungsbeispiele

Social Media:

„Übernimm die Rolle eines Marketing-Experten für Direktvermarktung, nutze mein Hofladen-Sortiment (Bio-Gemüse, hausgemachte Marmeladen) und erstelle drei kreative Post-Ideen als Liste.“

Produkttext:

„Übernimm die Rolle eines Werbetexters für nachhaltige Lebensmittel, verwende diese Infos (Maiswaffeln, regional, bio, knusprig) und schreibe eine kurze, überzeugende Produktbeschreibung.“

Verkaufsstrategie:

„Übernimm die Rolle eines Verkaufsberaters für Bauernmärkte, analysiere meine Produkte (hausgemachter Käse, saisonales Obst) und gib mir fünf Tipps für eine erfolgreiche Marktstrategie als Liste.“

‍

Wer noch tiefer einsteigen möchte, findet hier eine ausführliche Übersicht weiterer Prompting-Arten.

5. Fallstudie „Steirer-Knuspa“– von der Idee zum Regal

Ein fiktiver Maisbetrieb aus der Steiermark zeigt Schritt für Schritt, wie KI (in unserem Beispiel GPT-4o) einige Stationen eines Direktvermarktungs­projekts unterstützen kann.

• Planung: KI unterstützt das Brainstorming, indem sie kreative Vorschläge wie Vermarktungskonzepte liefert – von Abo-Box-Ideen bis zu Strategien für einen unterhaltsamen Online-Auftritt. Auf die Frage, welche Produkte bei welchen Kund:innengruppen ankommen, gibt sie Empfehlungen, etwa für die zwei Hauptzielgruppen fitness- und gesundheitsbewusste Verbraucher:innen sowie Familien, sodass weitere Planungsentscheidungen getroffen werden können. [12]
• Produktentwicklung: Durch gezielte Abfragen generiert die KI aus ihren Trainingsdaten Vorschläge für verschiedene Gewürzmischungen, Texturen und Nährwerte. Ergebnis ist bspw. eine glutenfreie Maiswaffel in drei Gewürzvarianten, deren knusprige Konsistenz laut Textur-Score am besten abschneidet. Allerdings muss das „erfundene“ Rezept noch praktisch geprüft werden, um sicherzustellen, dass es tatsächlich gelingt und schmeckt, da es auf Wahrscheinlichkeiten basiert. [13]
• Genehmigungen: Durch das Einspielen von Leitfäden – zum Beispiel der AGES-Unterlagen – kann die KI als erster Sparringspartner dienen und auf  mögliche Fehler in der Lebensmittelkennzeichnung hinweisen. Es muss jedoch geklärt werden, ob die vorhandene Dokumentation, wie ein Leitfaden für das Training mit einem Tool wie ChatGPT verwendet werden kann. Weiteres ersetzt diese keinesfalls die fachkundige Beratung durch zuständige Behörden oder offizielle Anlaufstellen. [14]
• Branding: Für vermarktungstechnische Tipps lässt sich der KI eine Auswahl an  Konkurrenzprodukten oder persönlich bevorzugten Beispielen füttern; darauf aufbauend unterbreitet sie Vorschläge für Branding, Produktnamen, Slogans und ähnliche Elemente. [15]    
• Preisfindung: Indem man Marktdaten zum eigenen Segment einspeist, kann die KI einen möglichen Verkaufspreis ermitteln und darauf hinweisen, welche  Kosten – etwa für Marketing, Logistik oder Forschung – einzukalkulieren sind. Der vorgeschlagene Endpreis muss anschließend mit den realen Marktbedingungen abgeglichen werden. [16]
• Vertrieb: Verkaufszahlen, Daten aus Plattformen wie dem Hofladen-Shop sowie Website-Aufrufe und Conversions aus Instagram-Posts kann die KI auswerten, um Vertriebsstrategien und Empfehlungen abzuleiten – und dabei neue, lohnende Kanäle durch Vorschläge ins Spiel zu bringen. 

‍

6. Governance und Ethik – warum Kontrolle die neue Kernkompetenz ist

Es darf nie vergessen werden, eine verantwortungsvolle KI-Strategie beginnt bei Transparenz: Kund:innen sollten jederzeit erkennen können, welche Texte, Bilder oder Videos maschinell erzeugt wurden. Ebenso essenziell ist ein robuster Datenschutz. Verkaufs- und Personendaten gehören konsequent verschlüsselt, während Dienstleister:innen nachweislich DSGVO-konform arbeiten müssen.

Bias-Prüfungen (dies sind strukturierte Verfahren, mit denen man KI-Systeme systematisch auf Verzerrungen untersucht) schließen blinde Flecken im Modell aus und verhindern Fehl­versprechen– etwa Begriffe wie „gesund“ oder „klimafreundlich“, die erst nach fachlicher Prüfung kommuniziert werden dürfen. Und nicht zuletzt entscheidet Weiterbildung: Teams, die fortgeschrittene Prompt-Techniken beherrschen und Quellen kritisch einordnen, verwandeln KI von einem einfachen Tool in einen klaren Wettbewerbsvorteil.

7. Fazit – jetzt ist der Moment, KI in die eigenen Hände zu nehmen

Der größte Fehler wäre, KI gar nicht erst auszuprobieren. Wer mit vertrauten Arbeits­schritten startet – sei es bei neuen Produktideen oder im täglichen Social-Media-Posting – gewinnt rasch Zeit für das, was Direktvermarktung einzigartig macht: ehrliche Lebensmittel, persönliche Beziehungen und nachhaltige Wertschöpfung am Land.

Video zum KI-Workshop:

Wir haben die spannendsten Momente unseres Workshops KI AB HOF in Wieselburg in diesem Highlight-Video zusammengefasst:

‍

‍

Die vollständige Chat-Konversation mit GPT-4o ist im begleitenden Arbeitsblatt zum Vortrag zu finden und kann hier heruntergeladen werden:

Arbeitsblatt Download

‍

Anmerkungen und Quellen:

[1] FragZEBRA. (o. J.). Wie lange wird KI schon genutzt? Abgerufen am 28.04.2025. Online unter:
https://www.fragzebra.de/antwort/wie-lange-wird-ki-schon-genutzt

[2] Statista. (2025, März). Künstliche Intelligenz – Weltweit. Statista. Abgerufen am 28.04.2025. Online unter: https://de.statista.com/outlook/tmo/kuenstliche-intelligenz/weltweit

[3] Hirt, M. (2025, 12. März). Wie Künstliche Intelligenz die Landwirtschaft verändert. Landwirtschaftskammer Kärnten. Abgerufen am 28.04.20245. Online unter: 
https://ktn.lko.at/wie-k%C3%BCnstliche-intelligenz-die-landwirtschaft-ver%C3%A4ndert+2400+4234209

[4] Weiterführender Artikel zum Thema: KI: Viel Leistung, aber kein Verstand: https://www.wienerzeitung.at/a/ki-viel-leistung-aber-kein-verstand

[5] Unterschiede zwischen Prädikativer KI und Generativer KI (Knäpper, N. (2025, 21. Februar). Wie KI die Marktforschung transformiert: Anwendungsfälle & Best Practices. OMR Reviews. https://omr.com/de/reviews/contenthub/ki-marktforschung. Abgerufen am 01.05.2025):

Prädiktive  KI:

• Zweck: Vorhersage zukünftiger Ereignisse oder Trends basierend auf Datenanalysen.
• Datenansatz: Verwendet historische Daten, um Muster zu erkennen und Prognosen zu erstellen.
• Output: Umsetzbare Erkenntnisse wie Vorhersagen oder Wahrscheinlichkeiten.
• Technologie: Nutzt Algorithmen wie Regressionsmodelle oder Entscheidungsbäume.
• Anwendungsbereiche: Finanzprognosen, Gesundheitswesen, Marketing.

Generative KI:

• Zweck: Erstellung neuer Inhalte (z. B. Bilder, Texte, Videos).
• Datenansatz: Nutzt vorhandene Datensätze, um neue Daten zu synthetisieren.
• Output: Kreative Ergebnisse wie Designs.
• Technologie: Setzt Deep-Learning-Modelle wie GANs (Generative Adversarial Networks) ein.
• Anwendungsbereiche: Kunst, Design, Content-Erstellung (z. B. ChatGPT, Claude, Neuroflash)

[6] Weiterführender Artikel, was bei der Erstellung von KI-Bildern zu beachten ist: https://www.zdf.de/nachrichten/wirtschaft/urheberrecht-kuenstliche-intelligenz-ki-internet-100.html

[7] Zinner, R. (2024, 8. Februar). Wie Künstliche Intelligenz die Landwirtschaft revolutioniert. Landwirtschaftskammer Niederösterreich. Abgerufen am 01.05.2025. Online unter: https://noe.lko.at/wie-k%C3%BCnstliche-intelligenz-die-landwirtschaft-revolutioniert%2B2400%2B3953341

[8] Österreichische Agentur für Gesundheit und Ernährungssicherheit (AGES). (2020, Juli). Kennzeichnung von pflanzlichen Speiseölen: Leitfaden. AGES. Abgerufen am 01.05.2025. Online unter:
(Aus Formatierungstechnischen Gründen ist der Link hier)

[9] Europäische Union. (2018, 30. Mai). Verordnung (EU) 2018/848 des Europäischen Parlaments und des Rates vom 30. Mai 2018 über die ökologische/biologische Produktion und Kennzeichnung von ökologischen/biologischen Erzeugnissen und zur Aufhebung der Verordnung (EG) Nr. 834/2007 des Rates. Amtsblatt der Europäischen Union. (übersetzt) Abgerufen am 01.05.2025. Online unter:
https://eur-lex.europa.eu/eli/reg/2018/848/oj/eng?

[10] https://www.keyence.com/products/vision/vision-sys/industries/food-beverage-packaging/label-inspection-systems.jsp?

[11] https://www.mt.com/in/en/home/applications/Product-Inspection_2/label-quality-inspection.html?

[12] Nachtrag zum 28.04.2025: Um Produktbewertungen, Rezeptdatenbanken oder Social-Media-Posts zu filtern und Kernzielgruppen zu segmentieren, nutzt man traditionell Web-Scraping mit Python – Programmierkenntnisse sind dafür Pflicht. KI-basierte Scraper hingegen lesen nicht bloß HTML aus, sondern erkennen mithilfe von Machine Learning Muster und Kontexte auf der Seite. Das macht sie flexibler, schneller und auch für Nicht-Techniker:innen bedienbar. Allerdings generieren sie Ausgaben probabilistisch und können dadurch halluzinieren, weshalb sie nicht eins zu eins mit klassischen Python-Scrapern vergleichbar sind.

[13] Nachtrag zum 28.04.2025: Möchte man KI einsetzen, um Simulationen zum Vergleich verschiedener Gewürzmischungen, Texturen und Nährwerte durchzuführen – etwa mit dem Ziel, eine glutenfreie Maiswaffel mit bestimmten Geschmacksvarianten, definierter Konsistenz und hohem Textur-Score zu entwickeln –, muss man zunächst klar zwischen Künstlicher Intelligenz, einer klassischen Simulation und einer KI-gestützten „Simultelligenz“ unterscheiden. Welche Methode sinnvoll ist, hängt von der konkreten Aufgabenstellung ab. Zur ersten Orientierung:

Künstliche Intelligenz (KI) ist das lernfähige Multitalent. Sie verschlingt Daten, entdeckt darin Muster und leitet daraus Regeln ab, ohne dass ihr jemand alle Details vorher erklären muss. Ob ein neuronales Netz Bilder erkennt, ein Sprachmodell Texte verfasst oder ein Wartungssystem Schäden vorhersagt – immer versucht KI, aus Beispielen zu generalisieren. Ihre Stärke liegt in Adaptivität und in der Fähigkeit, versteckte Zusammenhänge in großen Datenmengen aufzuspüren; ihre Schwäche ist die Abhängigkeit von vielen, möglichst repräsentativen Trainingsdaten und das oft schwer durchschaubare „Warum“ hinter ihren Entscheidungen.

Simulation folgt dem umgekehrten Ansatz: Hiergeben Ingenieurinnen, Physiker oder Epidemiologen das Wissen explizit vor. Mit Gleichungen und Materialgesetzen bauen sie ein virtuelles Abbild eines Motors, einer Stadt oder des Weltklimas auf. Das Modell berechnet, was passieren würde, wenn man Parameter ändert – sicher, risikofrei, aber meist rechenintensiv. Simulation liefert eindeutige Ursache-Wirkung-Beziehungen und ist transparent in ihrer Logik, jedoch teuer, wenn die Physik komplex ist oder das Modell viele Freiheitsgrade besitzt.

Simultelligenz (englisch oft Simultelligence)verbindet beide Welten. Sie nutzt Simulation als Generator hochwertiger, physikalisch korrekter Trainingsdaten, auf denen die KI das Lernen beschleunigt. Umgekehrt erstellt die KI surrogat-Modelle, die die aufwendige Simulation grob „nachahmen“ und so Echtzeit-Prognosen ermöglichen. Das Ergebnis ist ein Kreislauf, in dem Simulation für Verlässlichkeit sorgt und KI für Geschwindigkeit und Mustererkennung – ideal für Digital Twins, vorausschauende Wartung oder Designoptimierung, bei denen weder reine Simulation noch reine KI allein schnell genug oder ausreichend genau wäre.

Kurz gesagt: KI lernt aus Daten, Simulation rechnet nach Gesetzen, und Simultelligenz lässt beide miteinander lernen, um das Beste aus beiden Ansätzen in einem einzigen, intelligenten Prozess zu vereinen. (01.05.2025 / ChatGPT o3: Prompt: Unterschied zwischen KI, Simulation und Simultelligenz als Fließtext)

Mehr Infos über Simultelligenz auf der Homepage der Siemens.

[14] Nachtrag zum 28.04.2025: Informationen zur richtigen Kennzeichnung von Lebensmitteln können hier auf der offiziellen Seite der AGES eingesehen werden.

[15] Nachtrag zum 28.04.2025: A/B-Tests eignen sich hervorragend, um Produkt- oder Unternehmensnamen zu validieren. Dazu lässt sich in Social-Media-Kampagnenparallel Werbung mit verschiedenen, von der KI generierten Slogans ausspielen. Über definierte KPIs wie Conversion-Rate oder Klicks ermittelt man den Sieger; erzielt ein Slogan beispielsweise 68 % mehr Klicks als die Alternativen, steht der Gewinner fest. So wird Performance-Marketing nahtlos mit den ersten Ideen der KI verknüpft.

[16] Nachtrag zum 28.04.2025: KI-gestützte Kalkulationstools können dabei helfen, keine Kostenposition zu übersehen – etwa bei Maisprodukten (Workshop-Beispiel) die Produktkosten (Rohstoffe, Verpackung, Produktion, Arbeit), Fixkosten (Lager& Miete, Maschinen-Abschreibung, Versicherung & Verwaltung, Transport& Logistik), Marketing- und Vertriebskosten (Werbung & Social Media, Verkaufsprovisionen) sowie einen variablen Gewinnaufschlag. Die von der KI vorgeschlagenen Zahlen dienen jedoch nur als Orientierung: Jede einzelne Größe muss vor der Preisfestsetzung mit den tatsächlichen betrieblichen Datenabgeglichen werden. Generell liefert dies nur einen ersten Überblick und ersetzt keine professionelle betriebswirtschaftliche oder rechtliche Beratung.

‍