Erkennen Sie die Zukunft der chinesischen Künstlichen Intelligenz an 1500 Projekten.

Jetzt schon, nimm dein Smartphone, öffne eine E - Commerce - Einkaufswebsite und suche nach "Ladegerät". Höchstwahrscheinlich ist der erste empfohlene Markenname Anker Innovations.

Wenn du eines der Produkte magst und nach Preisen vergleichen oder die technischen Parameter erfahren möchtest, wirst du den Kundenservice anklicken und online fragen.

Was du vielleicht nicht weißt, ist, wie viele Fähigkeiten von großen KI - Modellen in diesen kurzen zwei Aktionen involviert sind.

Am 19. Juni auf der Amazon Web Services China Summit 2025 teilte Gong Yin, der Chief Information Officer der bekannten intelligenten Hardware - Technologie - Marke Anker Innovations, mit, wie man mit Hilfe der Technologie von Amazon Web Services KI nutzt, um intelligente Produkte zu innovieren und die Betriebseffizienz des Unternehmens zu verbessern.

Anker Innovations hat zusammen mit Amazon Web Services ein hochwertiges Echtzeit - Wissensbasis - Large Language Model - System aufgebaut und mehr als 50 AI - Agenten eingerichtet. Es hat auch eine multimodale AIGC - Inhaltserstellungspaltform namens Vela aufgebaut sowie ein intelligentes Werbesystem, das mit der Amazon SageMaker - Plattform integriert ist, wobei die In - App - Werbebedeckung über 90 % beträgt. Darüber hinaus werden Produkte entwickelt und verbessert mithilfe von Deep - Learning - Algorithmen und großen KI - Modellen...

Werbeplatzierung, Materialerstellung, Kundenserviceantworten, Produktverbesserungen... Wie fortschrittlich und exotisch sind diese Technologien? Überhaupt nicht.

Aber sind sie nützlich? Sehr nützlich.

Derzeit hat die Inhaltserstellungspaltform Vela von Anker Innovations bereits über 1,2 Millionen Bilder erstellt, die KI - Lösungshäufigkeit für Kundenservice - Tickets liegt über 70 %, und über 20 % der In - App - Werbung wird vollständig von der KI verwaltet. Auf der AIME - Plattform, der internen KI - Fähigkeitsbasis von Anker Innovations, sind bereits über 300 aktive AI - Agenten angesammelt, und die Nutzungshäufigkeit der von AIME erstellten KI - Anwendungen hat die zehn - Millionen - Marke überschritten.

Es ist weder ein "Singularitätspunkt" noch ein "Aha - Moment", sondern einfach die Umsetzung alltäglicher Anforderungen in intelligente Geschäftsprozesse, sodass die KI in Echtzeit arbeitet und keine "Luftburgen" baut, sondern nur Probleme löst.

Dies ist kein Einzelfall.

Auf der Amazon Web Services China Summit 2025 wurden zahlreiche Anwendungsfälle der generativen KI in Unternehmen gezeigt. Neben Anker Innovations sind es auch TCL, WPS, Huolala, Kingdee, Hehe Information, Fosun Pharma und viele andere.

Chu Ruisong, der Präsident von Amazon Web Services für Großchina, sagte: "In meinen Gesprächen mit vielen Kunden habe ich beobachtet, dass immer mehr Unternehmen die KI aufgreifen möchten."

(Chu Ruisong, Präsident von Amazon Web Services für Großchina; Bildquelle: Amazon Web Services)

Bei allen über 1500 generativen KI - Projekten, bei denen Amazon Web Services den Kunden erfolgreich bei der Massenproduktion geholfen hat, liegt die Umsetzungsrate von PoC (Proof of Concept) bis zur Massenproduktion bei beeindruckenden 82 %, was doppelt so hoch ist wie der von Gartner in der Unternehmens - KI - Entwicklungserhebung 2024 ermittelte Branchenmittelwert von 41 %.

Heute zweifelt niemand mehr daran, ob die generative KI ein "Konzept - Proof" aus dem Labor oder ein "neues Marketinggag" auf dem Markt ist.

Nach dem "AI Index Report 2024" des Stanford Institute for Human - Centered Artificial Intelligence (Stanford HAI) befindet sich die globale Branche der großen KI - Modelle derzeit in einer Phase beschleunigter technologischer Innovation und Kommerzialisierung. Unternehmen wie OpenAI, Google, Microsoft und Amazon Web Services sind führend und dominieren die Branchenumsetzung in Bereichen wie generativer KI und natürlicher Sprachverarbeitung weltweit. Vorreitende Unternehmen wie Meta und DeepSeek stärken dagegen ihren Ökosystemeinfluss durch die Exploration von Open - Source - Modellen.

Was jeder fragt, ist, wie die KI und die großen Modelle umgesetzt werden können, wie sie kommerzialisiert werden können und wie sie für mich Wert schaffen können.

Was sind die Chancen für die KI in 2025?

Wo "sterben" misslungene KI - Projekte?

Im Juni 2023, vor zwei Jahren, gründete Amazon Web Services eine Abteilung namens "Generative AI Innovation Center", um die Kunden bei der Umsetzung und Produktion der generativen KI zu unterstützen.

Damals war die erste Version von ChatGPT erst seit sechs Monaten auf dem Markt, und die Welt war von der Faszination und dem Rausch der Technologie der großen Modelle erfüllt und beschäftigte sich noch mit dem Training von Basismodellen.

In den folgenden zwei Jahren hat sich der Generative AI Innovation Center von Amazon Web Services allmählich zu einem Team von über 350 Anwendungs - Wissenschaftlern, Datenwissenschaftlern, Entwicklern, Branchenspezialisten und Strategieberatern aus der ganzen Welt zusammengeschlossen...

Sie sind täglich vor Ort unterwegs, kommunizieren direkt mit Kunden aus den Branchen Gaming, Büro, Finanzwesen, Logistik und Pharmazie, um herauszufinden, welche KI - Lösung am besten passt, wo die Probleme liegen, wie wir sie lösen können und welche Strategien wir verfolgen sollten.

Wo "sterben" die fehlgeschlagenen Projekte? Wo liegen die Probleme?

Das häufigste Problem ist die unklare Definition der Endanforderungen an das Projekt oder die falsche Auswahl des Anwendungsfalls. Manchmal stellt ein Unternehmen fest, dass das Problem gar nicht mit generativer KI gelöst werden muss.

Eine andere häufige Problemgruppe ist, dass Unternehmen manchmal nach einem ersten Versuch mit generativer KI feststellen, dass die Ergebnisse gut sind, aber die tatsächlichen Implementierungskosten weit höher sind als erwartet.

Eine weitere häufige Problemgruppe bei generativen KI - Projekten ist, dass Unternehmen aus Neugier die generative KI als explorativen Versuch nutzen, ohne strategisch zu klären, dass sie ein Kanal für differenzierte Wettbewerbsfähigkeit und innovative Durchbrüche sein soll. Am Ende wird das Unternehmen möglicherweise nach der PoC - Phase seine Ressourcen wieder auf andere "Strategieprioritäten" lenken.

(Shaown Nandi, Global Technology General Manager von Amazon Web Services)

Auf der China Summit sagte auch Shaown Nandi, der Global Technology General Manager von Amazon Web Services, dass die generative KI zur Steigerung der Mitarbeiterproduktivität, zur Optimierung der Geschäftsprozesse und zur Förderung der Innovation von Produkten, Dienstleistungen und Geschäftsmodellen geeignet ist. Dies muss von Anfang an klar sein, wenn ein Unternehmen die Welle der generativen KI nutzen will.

Die Methodik der KI - Umsetzung aus 1500 Praxiserfahrungen

Nachdem wir uns die Misserfolge angesehen haben, wie werden erfolgreiche generative KI - Projekte umgesetzt?

Zusammengefasst ist es eigentlich einfach: Anwendungsfall - Technologie - Massenproduktion - Feedback. Aber wie das Sprichwort sagt, "Der Teufel steckt im Detail", und in jeder Phase kann etwas schiefgehen.

Anwendungsfallbewertung

Zunächst und am wichtigsten ist die Bewertung der KI - Anwendungsfälle durch das Unternehmen.

Es steht außer Frage, dass kein CEO eines Unternehmens heute vor den Begriffen "KI" und "große Modelle" unberührt bleibt. Die Notwendigkeit der digitalen Transformation und der Kostensenkung und Effizienzsteigerung in Unternehmen ist dringend. Wenn man aber genauer fragt, können nur wenige sofort antworten: "Warum sollten wir KI nutzen? Welche praktischen Probleme kann sie lösen? Wie viel Gewinn kann sie tatsächlich bringen?"

Nicht alle Probleme müssen mit generativer KI gelöst werden. Technologien wie Gesichtserkennung und OCR haben bereits ausgereifte Deep - Learning - Algorithmen, die einfacher, kostengünstiger und reifer sind und für bestimmte Anwendungsfälle besser geeignet sind.

Im Gegensatz dazu liegt die Stärke der großen KI - Modelle in der Vorhersage des nächsten Tokens und in der kreativen und intelligenten Inhaltserstellung sowie der Mensch - Maschine - Interaktion.

Amazon Web Services empfiehlt, dass Unternehmen vor dem Start eines generativen KI - Projekts sieben Schlüsseldimensionen (Team, Zeitplan, Risiko, Daten, ROI, Budget, Machbarkeit) gründlich bewerten, um die erfolgreiche Umsetzung des Projekts sicherzustellen.

Beispielsweise nutzen die Kunden von Amazon Web Services unterschiedliche Dienstleistungen und Anwendungsfälle.

Fosun Pharma nutzt hauptsächlich die generativen KI - Technologien und die Lösung des intelligenten medizinischen Inhaltserstellungszentrums von Amazon Web Services. TCL nutzt Amazon Web Services für die Produktinnovation und - iteration und die globale Infrastruktur von Amazon Web Services für die globale Expansion. Hehe Information hat mit Hilfe von Amazon Web Services das Open - Source - AI - Agent - Terminalverwaltungstool Chaterm.AI entwickelt, um die effiziente Innovation von Entwicklern zu fördern.

Nur wenn die Anwendungsfallanforderungen und die ROI - Modellierung klar sind, wird die KI kein "unabgeschlossenes Chaos" sein.

Technologieauswahl

Die Technologieauswahl hängt eng mit der Anwendungsfallbewertung zusammen. Einfach ausgedrückt, muss ein Unternehmen das am besten geeignete KI - Modell für den aktuellen Anwendungsfall finden, nicht das momentan beliebteste.

Seit dem chinesischen Neujahr 2025 ist DeepSeek plötzlich sehr populär geworden und hat die "Hunderte - Modelle - Schlacht" fast beendet. Aber DeepSeek ist nicht allmächtig, genauso wie GPT in seiner Blütezeit nicht die Welt dominieren konnte.

In industriellen Anwendungsfällen interessieren sich Unternehmensentscheider letztendlich für das Geschäftswachstum und den geschäftlichen Wert, den die generative KI bringt. Ob DeepSeek, Claude, Nova oder Gemini, alle sind nur Mittel zur Erreichung des geschäftlichen Werts.

Am 19. Juni wurde die israelische KI - Startup für Unternehmensanwendungen Base44 für 80 Millionen US - Dollar in bar verkauft. Diese im Dezember 2024 gegründete Startup hatte nur neun Mitarbeiter, hat keine externe Finanzierung erhalten und erreichte in ihrem sechsten Geschäftsmonat 250.000 Nutzer und einen Nettogewinn von 189.000 US - Dollar.

(Base44 - Website; Bildquelle: Base44)

Im Interview sagte Maor Shlomo, der Gründer von Base44, dass sein Team nach ausführlicher Bewertung festgestellt hat, dass die Kosten des OpenAI - Modells zu hoch sind, und schließlich entschieden hat, über die Amazon - Cloud - Plattform auf das Claude - große Modell zuzugreifen, um die untere KI - Ebene von Base44 aufzubauen.

Für die meisten Unternehmenskunden spielt es keine Rolle, von welchem Anbieter das "schwarze oder weiße Katzen" - Modell stammt, solange es funktioniert, gut ist, kostengünstig ist und auf dem neuesten Stand der Technik ist. Dies stimmt mit der Strategie von Amazon Web Services in der Branche der großen Modelle überein: "Die Wahl ist entscheidend".

Laut einem Bericht von Jefferies & Company nutzen derzeit nur 3 % der Unternehmen nur einen Anbieter von Sprachmodellen, 34 % nutzen zwei, 41 % nutzen drei und 22 % nutzen vier. Laut einer Prognose von Gartner werden bis 2027 80 % der chinesischen Unternehmen eine Multi - Modell - Strategie wählen.

Nach all der Zeit könnte der nächste revolutionäre Durchbruch in der Technologie der großen Modelle von DeepSeek, Manus oder einem anderen unerwarteten Ort kommen.

Massenproduktionsoptimierung

Bei der Umsetzung eines generativen KI - Projekts von der PPT - Phase zur Massenproduktion ist die Massenproduktionsoptimierung ein entscheidender und zugleich problemreicher Schritt.

Die Anwendungsfallbewertung und die Modellauswahl haben einen direkten Einfluss auf die Kostenstruktur des Projekts und damit auf die erfolgreiche Umsetzung und den Wertschöpfungspotenzial. Die Strategien zur Anpassung und Optimierung des Modells haben während der Massenproduktionsoptimierung einen direkten Einfluss auf die Kosten, Leistung und Gesamtleistung des Projekts.

Ehrlich gesagt, ist diese Phase mühsam, aber sie ist unvermeidlich für die erfolgreiche Umsetzung des Projekts.

Die Vorverarbeitung der Daten (Speicherung, Markierung, Reinigung), die mittlere Phase (Modellquantifizierung, - deployment, Prompt - Engineering) und die späte Phase (Reservierung von Cloud - Instanzen, Caching - Mechanismen, Vorbelegung der Durchsatzleistung) sind alle typische komplexe Engineering - Probleme, die von erfahrenen Dateningenieuren und KI - Ingenieuren in Bezug auf Kosten, Leistung und Effizienz abgewogen werden müssen.

Beispielsweise haben die Ingenieure eines chinesischen Internet - Unternehmens in der Kulturbranche mit der Unterstützung von Amazon Web Services - Experten die Prompt - Optimierungsfunktion von Amazon Bed