a16z „Wichtige Ideen für 2026: Teil Eins“

Dieser Artikel teilt die Ansichten der Teams aus den Bereichen Infrastruktur, Wachstum, Bio + Gesundheit sowie Speedrun.

Autor: a16z New Media

Übersetzung: Block unicorn

Als Investoren ist es unsere Aufgabe, die verschiedenen Ecken der Technologiebranche tiefgehend zu verstehen, um zukünftige Entwicklungstrends zu erkennen. Deshalb laden wir jedes Jahr im Dezember unser Investmentteam ein, eine bedeutende Idee zu teilen, die ihrer Meinung nach von Technologieunternehmen im kommenden Jahr gelöst werden sollte.

Heute teilen wir die Ansichten der Teams aus den Bereichen Infrastruktur, Wachstum, Bio + Gesundheit sowie Speedrun. Freuen Sie sich auf die Beiträge der anderen Teams morgen.

Infrastruktur

Jennifer Li: Wie Start-ups das Chaos multimodaler Daten meistern

Unstrukturierte, multimodale Daten sind seit jeher das größte Nadelöhr für Unternehmen und gleichzeitig ihr größter unerschlossener Schatz. Jedes Unternehmen steckt in einem Meer aus PDFs, Screenshots, Videos, Logs, E-Mails und halbstrukturierten Daten. Die Modelle werden immer intelligenter, aber die Eingabedaten werden immer chaotischer, was dazu führt, dass RAG-Systeme ausfallen, Agenten auf schwer erkennbare und kostspielige Weise versagen und kritische Arbeitsabläufe weiterhin stark auf manuelle Qualitätskontrolle angewiesen sind. Der limitierende Faktor für KI-Unternehmen ist heute die Datenentropie: In der Welt unstrukturierter Daten nehmen Frische, Struktur und Authentizität stetig ab, während 80 % des Unternehmenswissens heute in diesen unstrukturierten Daten existieren.

Gerade deshalb ist die Ordnung unstrukturierter Daten eine einmalige Chance. Unternehmen benötigen eine kontinuierliche Methode, um ihre multimodalen Daten zu bereinigen, zu strukturieren, zu verifizieren und zu verwalten, damit nachgelagerte KI-Workloads wirklich funktionieren können. Die Anwendungsfälle sind allgegenwärtig: Vertragsanalyse, Onboarding-Prozesse, Schadensabwicklung, Compliance, Kundenservice, Einkauf, Engineering-Suche, Sales Enablement, Analyse-Pipelines und alle agentenbasierten Workflows, die auf zuverlässigen Kontext angewiesen sind. Start-ups, die Plattformen entwickeln, die Strukturen aus Dokumenten, Bildern und Videos extrahieren, Konflikte lösen, Pipelines reparieren oder Daten frisch und auffindbar halten, besitzen den Schlüssel zum Reich des Unternehmenswissens und der Prozesse.

Joel de la Garza: KI belebt das Recruiting in der Cybersicherheit neu

In den letzten zehn Jahren war die größte Herausforderung für Chief Information Security Officers (CISO) das Recruiting. Zwischen 2013 und 2021 stieg die Zahl der offenen Stellen im Bereich Cybersicherheit von weniger als 1 Million auf 3 Millionen. Der Grund: Sicherheitsteams stellten viele technisch versierte Ingenieure ein, die täglich monotone Level-1-Sicherheitsaufgaben erledigen mussten, wie das Prüfen von Logs – eine Arbeit, die niemand machen will. Das Problem liegt darin, dass Sicherheitsteams Produkte gekauft haben, die alles erkennen können, und so diese mühsame Arbeit geschaffen haben. Das bedeutet, dass ihre Teams alle Informationen prüfen müssen – was wiederum einen scheinbaren Arbeitskräftemangel erzeugt. Ein Teufelskreis.

Bis 2026 wird KI diesen Kreislauf durchbrechen und viele repetitive Aufgaben der Sicherheitsteams automatisieren, um die Lücke beim Recruiting zu schließen. Jeder, der in einem großen Sicherheitsteam gearbeitet hat, weiß, dass die Hälfte der Arbeit leicht automatisiert werden könnte – aber wenn die Arbeit sich stapelt, ist es schwer zu entscheiden, was automatisiert werden soll. Native KI-Tools, die Sicherheitsteams bei diesen Problemen helfen, werden es ihnen schließlich ermöglichen, das zu tun, was sie wirklich wollen: Bösewichte jagen, neue Systeme bauen und Schwachstellen beheben.

Malika Aubakirova: Native Agenteninfrastruktur wird zum Standard

Bis 2026 werden die größten Infrastrukturschocks nicht von externen Unternehmen, sondern von innerhalb der Unternehmen selbst kommen. Wir bewegen uns von vorhersehbarem, wenig parallelem „Human Speed“-Traffic hin zu rekursiven, plötzlichen und großskaligen „Agent Speed“-Workloads.

Die heutigen Unternehmens-Backends sind für ein 1:1-Verhältnis zwischen menschlicher Aktion und Systemantwort ausgelegt. Sie sind nicht darauf vorbereitet, dass ein einzelner agentenbasierter „Task“ in Millisekunden 5.000 Subtasks, Datenbankabfragen und interne API-Calls rekursiv auslöst. Wenn ein Agent versucht, einen Codebase zu refaktorieren oder Sicherheitslogs zu reparieren, sieht das nicht wie ein Nutzer aus. Für traditionelle Datenbanken oder Rate Limiter wirkt das wie ein DDoS-Angriff.

Systeme für Agenten im Jahr 2026 zu bauen, bedeutet, die Kontroll-Ebene neu zu entwerfen. Wir werden den Aufstieg der „Agent Native“-Infrastruktur erleben. Die nächste Generation der Infrastruktur muss den „Thundering Herd“-Effekt als Standardzustand betrachten. Die Kaltstartzeit muss verkürzt, Latenzschwankungen drastisch reduziert und Parallelitätsgrenzen vervielfacht werden. Der Engpass liegt in der Koordination: Routing, Locking, Statusmanagement und Policy Enforcement bei massiver paralleler Ausführung. Nur Plattformen, die mit der kommenden Flut an Tool-Executions umgehen können, werden sich durchsetzen.

Justine Moore: Kreativtools werden multimodal

Wir verfügen jetzt über die Bausteine, um mit KI Geschichten zu erzählen: generative Sprache, Musik, Bilder und Videos. Aber für alles, was über einmalige Clips hinausgeht, ist es oft zeitaufwendig und frustrierend – manchmal sogar unmöglich –, das gewünschte Ergebnis zu erzielen, besonders wenn man eine Kontrolle auf dem Niveau eines traditionellen Regisseurs anstrebt.

Warum können wir einem Modell nicht ein 30-Sekunden-Video geben und es dann mit Referenzbildern und Sounds neue Charaktere in dieser Szene erschaffen lassen? Oder einen Clip neu drehen, um die Szene aus einer anderen Perspektive zu sehen oder die Bewegungen an ein Referenzvideo anzupassen?

2026 wird das Jahr, in dem KI multimodal wird. Man kann dem Modell jegliche Referenzinhalte geben und damit neue Inhalte erschaffen oder bestehende Szenen bearbeiten. Erste Produkte wie Kling O1 und Runway Aleph sind bereits zu sehen. Aber es gibt noch viel zu tun – Innovation ist sowohl auf der Modell- als auch auf der Anwendungsebene nötig.

Content Creation ist einer der wirkungsvollsten Anwendungsfälle für KI, und ich erwarte, dass wir zahlreiche erfolgreiche Produkte für verschiedenste Szenarien und Zielgruppen sehen werden – von Meme-Machern bis hin zu Hollywood-Regisseuren.

Jason Cui: Die KI-native Daten-Stack entwickelt sich weiter

Im vergangenen Jahr haben wir beobachtet, wie sich Datenunternehmen von spezialisierten Bereichen wie Datenaufnahme, -transformation und -berechnung hin zu gebündelten, einheitlichen Plattformen entwickelt haben – etwa durch die Fusion von Fivetran/dbt und den anhaltenden Aufstieg von Plattformen wie Databricks.

Obwohl das gesamte Ökosystem deutlich gereift ist, stehen wir noch am Anfang wirklich KI-nativer Datenarchitekturen. Wir sind begeistert davon, wie KI den Datenstack in mehreren Bereichen transformiert, und erkennen zunehmend, dass Daten- und KI-Infrastruktur untrennbar miteinander verbunden sind.

Hier sind einige Richtungen, die wir für vielversprechend halten:

• Wie Daten zusammen mit traditionellen strukturierten Daten in leistungsstarke Vektordatenbanken fließen werden
• Wie KI-Agenten das „Kontextproblem“ lösen: Ständiger Zugriff auf den richtigen Geschäftsdatenkontext und die semantische Ebene, um leistungsstarke Anwendungen zu bauen, etwa für die Interaktion mit Daten, und um sicherzustellen, dass diese Anwendungen in mehreren Systemen stets die richtige Geschäftsdefinition haben
• Wie sich traditionelle BI-Tools und Tabellenkalkulationen verändern, wenn Daten-Workflows immer agentenbasierter und automatisierter werden

Yoko Li: Das Jahr, in dem wir in Videos eintauchen

Bis 2026 werden Videos nicht mehr nur Inhalte sein, die wir passiv anschauen, sondern vielmehr Räume, in die wir tatsächlich eintreten können. Videomodelle werden schließlich Zeit verstehen, sich merken, was sie bereits gezeigt haben, auf unsere Aktionen reagieren und die Konsistenz der realen Welt aufrechterhalten. Diese Systeme generieren nicht mehr nur ein paar Sekunden fragmentierter Bilder, sondern können Charaktere, Objekte und physikalische Effekte lange genug aufrechterhalten, damit Handlungen Sinn ergeben und Konsequenzen sichtbar werden. Dieser Wandel macht Video zu einem sich ständig weiterentwickelnden Medium: Ein Roboter kann üben, Spiele können sich weiterentwickeln, Designer können Prototypen erstellen, Agenten können in der Praxis lernen. Das Endergebnis ähnelt nicht mehr einem Videoclip, sondern einer lebendigen Umgebung, die beginnt, die Kluft zwischen Wahrnehmung und Handlung zu überbrücken. Zum ersten Mal haben wir das Gefühl, tatsächlich in den von uns generierten Videos zu stehen.

Wachstum

Sarah Wang: Systeme der Aufzeichnung verlieren ihre Dominanz

Bis 2026 wird die wahre disruptive Veränderung im Bereich Unternehmenssoftware darin bestehen, dass Systeme der Aufzeichnung (Systems of Record) ihre Dominanz verlieren. KI verringert die Distanz zwischen Intention und Ausführung: Modelle können jetzt direkt auf operative Daten zugreifen, sie lesen, schreiben und daraus schlussfolgern, wodurch IT-Service-Management (ITSM) und Customer-Relationship-Management (CRM)-Systeme von passiven Datenbanken zu autonomen Workflow-Engines werden. Mit den jüngsten Fortschritten bei Reasoning-Modellen und Agenten-Workflows können diese Systeme nicht nur reagieren, sondern auch vorhersagen, koordinieren und End-to-End-Prozesse ausführen. Die Benutzeroberfläche wird zu einer dynamischen Agentenschicht, während traditionelle Systeme der Aufzeichnung in den Hintergrund treten und zu einer generischen Persistenzschicht werden – ihr strategischer Vorteil geht an diejenigen, die die Agentenumgebung kontrollieren, die Mitarbeiter täglich nutzen.

Alex Immerman: KI in vertikalen Branchen entwickelt sich von Informationsabruf und Reasoning zu Multi-User-Kollaboration

KI hat vertikale Branchensoftware zu beispiellosem Wachstum verholfen. Gesundheits-, Rechts- und Immobilienunternehmen haben in wenigen Jahren einen jährlichen wiederkehrenden Umsatz (ARR) von über 100 Millionen Dollar erreicht; Finanz- und Buchhaltungsbranchen folgen dicht dahinter. Diese Entwicklung begann mit Informationsabruf: Finden, Extrahieren und Zusammenfassen der richtigen Informationen. 2025 brachte Reasoning-Fähigkeiten: Hebbia analysiert Finanzberichte und baut Modelle, Basis gleicht Tabellen zwischen verschiedenen Systemen ab, EliseAI diagnostiziert Wartungsprobleme und entsendet den passenden Dienstleister.

2026 wird Multi-User-Kollaborationsmodelle freischalten. Vertikale Branchensoftware profitiert von domänenspezifischen Schnittstellen, Daten und Integrationen. Doch die Arbeit in vertikalen Branchen ist von Natur aus kollaborativ. Wenn Agenten die Belegschaft repräsentieren sollen, müssen sie zusammenarbeiten. Von Käufern und Verkäufern über Mieter, Berater und Anbieter – jede Partei hat unterschiedliche Berechtigungen, Workflows und Compliance-Anforderungen, die nur vertikale Branchensoftware versteht.

Heute nutzen alle Parteien KI unabhängig voneinander, was beim Übergang zu fehlender Autorisierung führt. Die KI, die Einkaufsverträge analysiert, kommuniziert nicht mit dem CFO, um das Modell anzupassen. Die Wartungs-KI weiß nicht, was das Außendienstpersonal dem Mieter versprochen hat. Die Revolution der Multi-User-Kollaboration liegt in der Koordination zwischen Stakeholdern: Aufgaben werden an Fachexperten weitergeleitet, Kontext wird aufrechterhalten, Änderungen werden synchronisiert. Die KI der Gegenseite verhandelt innerhalb festgelegter Parameter und markiert Asymmetrien für menschliche Überprüfung. Die Markierungen von Senior Partnern trainieren das System des gesamten Unternehmens. KI-gestützte Aufgaben werden mit höherer Erfolgsquote abgeschlossen.

Wenn der Wert von Multi-User- und Multi-Agenten-Kollaboration steigt, steigen auch die Wechselkosten. Wir werden die Netzwerkeffekte sehen, die KI-Anwendungen bisher nicht erreichen konnten: Die Kollaborationsschicht wird zum Burggraben.

Stephenie Zhang: Für Agenten statt für Menschen designen

Bis 2026 werden Menschen beginnen, über Agenten mit dem Web zu interagieren. Was früher für den menschlichen Konsum optimiert wurde, ist für den Agentenkonsum nicht mehr gleich wichtig.

Jahrelang haben wir vorhersehbares menschliches Verhalten optimiert: Top-Rankings in Google-Suchergebnissen, Spitzenplätze bei Amazon-Suchen und prägnante „TL;DR“-Zusammenfassungen. In der Highschool belegte ich einen Journalismus-Kurs, in dem uns beigebracht wurde, Nachrichten mit den „5W1H“ zu schreiben und Feature-Artikel mit einem fesselnden Einstieg zu beginnen. Vielleicht verpassen menschliche Leser die wertvollen, tiefgründigen Argumente auf Seite fünf – KI aber nicht.

Dieser Wandel zeigt sich auch in der Software. Anwendungen wurden für menschliche Seh- und Klickbedürfnisse entwickelt, Optimierung bedeutete gutes UI und intuitive Abläufe. Mit KI, die Abruf und Interpretation übernimmt, verliert visuelles Design an Bedeutung für das Verständnis. Ingenieure starren nicht mehr auf Grafana-Dashboards, KI-SREs interpretieren Telemetriedaten und posten Analysen in Slack. Vertriebsteams müssen nicht mehr mühsam CRM-Systeme durchsuchen, KI extrahiert automatisch Muster und Zusammenfassungen.

Wir designen Inhalte nicht mehr für Menschen, sondern für KI. Das neue Optimierungsziel ist nicht mehr visuelle Hierarchie, sondern Maschinenlesbarkeit – das wird unsere Art zu kreieren und die genutzten Tools verändern.

Santiago Rodriguez: Das Ende des „Screen Time“-KPI in KI-Anwendungen

In den letzten 15 Jahren war die Bildschirmzeit der beste Indikator für den Wert von Consumer- und Enterprise-Anwendungen. Wir lebten in einem Paradigma, in dem Netflix-Streaming-Minuten, Mausklicks in elektronischen Krankenakten (als Beweis für effektive Nutzung) und sogar die auf ChatGPT verbrachte Zeit als KPI galten. Mit dem Übergang zu ergebnisbasierten Preismodellen, die Anreize von Anbietern und Nutzern perfekt ausrichten, werden wir als Erstes aufhören, Bildschirmzeit zu reporten.

Wir sehen das bereits in der Praxis. Wenn ich eine DeepResearch-Anfrage auf ChatGPT ausführe, ist der Wert enorm, auch wenn die Bildschirmzeit fast null ist. Wenn Abridge Arzt-Patienten-Gespräche aufzeichnet und automatisch Folgeaktionen ausführt, muss der Arzt kaum auf den Bildschirm schauen. Wenn Cursor eine komplette End-to-End-Anwendung entwickelt, planen Entwickler bereits den nächsten Feature-Zyklus. Und wenn Hebbia aus Hunderten öffentlicher Dokumente Präsentationen erstellt, können Investmentbanker endlich ruhig schlafen.

Das bringt eine einzigartige Herausforderung mit sich: Die Einzelbenutzergebühr für Anwendungen erfordert komplexere ROI-Messungen. Die Verbreitung von KI-Anwendungen wird die Zufriedenheit von Ärzten, die Effizienz von Entwicklern, das Wohlbefinden von Finanzanalysten und das Glück der Konsumenten steigern. Unternehmen, die den ROI am klarsten kommunizieren, werden weiterhin die Konkurrenz übertreffen.

Bio + Gesundheit

Julie Yoo: Gesunde monatlich aktive Nutzer (MAU)

Bis 2026 wird eine neue Kundengruppe im Gesundheitswesen in den Fokus rücken: „Gesunde monatlich aktive Nutzer“.

Traditionelle Gesundheitssysteme bedienen hauptsächlich drei Nutzergruppen: (a) „Kranke monatlich aktive Nutzer“: Menschen mit schwankendem Bedarf und hohen Kosten; (b) „Kranke täglich aktive Nutzer*“: z. B. Patienten mit Langzeitintensivpflegebedarf; und (c) „Gesunde junge aktive Nutzer*“: relativ gesunde Menschen, die selten medizinische Hilfe benötigen. Gesunde junge aktive Nutzer laufen Gefahr, zu kranken monatlich/täglich aktiven Nutzern zu werden, und präventive Pflege kann diesen Wandel verlangsamen. Doch unser behandlungsorientiertes Erstattungssystem belohnt Behandlung statt Prävention, weshalb proaktive Gesundheitschecks und Monitoring-Dienste nicht priorisiert und selten von Versicherungen abgedeckt werden.

Jetzt entsteht die Gruppe der gesunden monatlich aktiven Nutzer: Sie sind nicht krank, möchten aber regelmäßig ihren Gesundheitszustand überwachen und verstehen – und sie könnten die größte Konsumentengruppe sein. Wir erwarten, dass eine Reihe von Unternehmen – darunter KI-native Start-ups und Upgrades bestehender Unternehmen – beginnen werden, regelmäßige Dienstleistungen für diese Nutzergruppe anzubieten.

Mit dem Potenzial von KI, die Kosten für medizinische Dienstleistungen zu senken, dem Aufkommen neuer, auf Prävention ausgerichteter Krankenversicherungsprodukte und der zunehmenden Bereitschaft der Verbraucher, für Abonnementmodelle selbst zu zahlen, repräsentieren „gesunde monatlich aktive Nutzer“ die nächste vielversprechende Kundengruppe im Healthtech: Sie sind dauerhaft engagiert, datengetrieben und präventionsorientiert.

Speedrun (Name eines Investmentteams bei a16z)

Jon Lai: Weltmodelle revolutionieren das Storytelling

2026 werden KI-gesteuerte Weltmodelle das Storytelling durch interaktive virtuelle Welten und digitale Ökonomien grundlegend verändern. Technologien wie Marble (World Labs) und Genie 3 (DeepMind) können bereits anhand von Texteingaben komplette 3D-Umgebungen generieren, die Nutzer wie in Spielen erkunden können. Mit der Verbreitung dieser Tools durch Creator werden völlig neue Erzählformen entstehen, die sich schließlich zu einem „generativen Minecraft“ entwickeln könnten, in dem Spieler gemeinsam riesige, sich ständig weiterentwickelnde Universen erschaffen. Diese Welten können Spielmechaniken mit natürlicher Sprachprogrammierung kombinieren, z. B. indem ein Spieler sagt: „Erschaffe einen Pinsel, der alles, was ich berühre, rosa färbt.“

Solche Modelle verwischen die Grenzen zwischen Spielern und Schöpfern und machen Nutzer zu Mitgestaltern einer dynamischen, geteilten Realität. Diese Entwicklung könnte ein vernetztes, generatives Multiversum hervorbringen, in dem Fantasy, Horror, Abenteuer und andere Genres koexistieren. In diesen virtuellen Welten wird eine digitale Wirtschaft florieren, in der Creator durch das Erstellen von Assets, das Anleiten von Neulingen oder die Entwicklung neuer Interaktionstools Einkommen erzielen können. Neben Unterhaltung werden diese generativen Welten auch als reichhaltige Simulationsumgebungen für das Training von KI-Agenten, Robotern und sogar AGI dienen. Der Aufstieg der Weltmodelle markiert daher nicht nur die Entstehung eines neuen Spielegenres, sondern auch eines völlig neuen kreativen Mediums und wirtschaftlichen Vorreiters.

Josh Lu: „Mein Jahr“

2026 wird das „Jahr des Ichs“: Produkte werden nicht mehr in Massen produziert, sondern individuell für dich maßgeschneidert.

Wir sehen diesen Trend bereits überall.

Im Bildungsbereich bauen Start-ups wie Alphaschool KI-Tutoren, die sich an das Lerntempo und die Interessen jedes einzelnen Schülers anpassen, sodass jedes Kind eine Ausbildung erhält, die zu seinem Rhythmus und seinen Vorlieben passt. Ohne Tausende von Dollar pro Schüler für Nachhilfe auszugeben, wäre diese Aufmerksamkeit nicht möglich.

Im Gesundheitsbereich entwirft KI individuell auf deine physiologischen Eigenschaften zugeschnittene tägliche Nahrungsergänzungsmittel, Trainingspläne und Ernährungsprogramme – ganz ohne Trainer oder Labor.

Sogar im Medienbereich ermöglicht KI es Creatorn, Nachrichten, Shows und Geschichten neu zu kombinieren, um einen vollständig auf deine Interessen und Vorlieben zugeschnittenen Informationsfluss zu schaffen.

Die größten Unternehmen des letzten Jahrhunderts waren erfolgreich, weil sie den Durchschnittskonsumenten gefunden haben.

Die größten Unternehmen des nächsten Jahrhunderts werden gewinnen, indem sie das Individuum im Durchschnittskonsumenten finden.

2026 wird die Welt nicht mehr für alle optimiert, sondern für dich.

Emily Bennett: Die erste native KI-Universität

Ich erwarte, dass wir 2026 die Gründung der ersten nativen KI-Universität erleben werden – einer Institution, die von Grund auf um KI-Systeme herum aufgebaut ist.

In den letzten Jahren haben Universitäten versucht, KI für Notenvergabe, Tutoring und Kursplanung einzusetzen. Doch jetzt entsteht eine tiefgreifendere KI – ein adaptives akademisches System, das in Echtzeit lernt und sich selbst optimiert.

Stellen Sie sich vor, in einer solchen Institution werden Kurse, Beratung, Forschungskooperationen und sogar der Gebäudebetrieb kontinuierlich auf Basis von Datenfeedback angepasst. Der Stundenplan optimiert sich selbst. Die Leselisten werden jede Nacht aktualisiert und mit neuen Forschungsergebnissen automatisch neu geschrieben. Lernpfade passen sich in Echtzeit an das Tempo und die Situation jedes Studenten an.

Wir sehen bereits erste Anzeichen. Die Zusammenarbeit zwischen der Arizona State University (ASU) und OpenAI hat Hunderte von KI-getriebenen Projekten in Lehre und Verwaltung hervorgebracht. Die State University of New York (SUNY) hat KI-Kompetenz in ihre allgemeinen Bildungsanforderungen aufgenommen. Das sind die Grundlagen für tiefere Implementierungen.

In der KI-nativen Universität werden Professoren zu Architekten des Lernens, verantwortlich für Datenmanagement, Modell-Feintuning und die Anleitung der Studierenden, wie sie maschinelle Schlussfolgerungen hinterfragen.

Auch die Bewertung wird sich ändern. Prüfungswerkzeuge und Plagiatsverbote werden durch KI-Bewusstseinsbewertungen ersetzt; die Benotung der Studierenden basiert nicht mehr darauf, ob sie KI nutzen, sondern wie sie KI nutzen. Transparenz und strategischer Einsatz ersetzen Verbote.

Da alle Branchen händeringend nach Talenten suchen, die KI-Systeme entwerfen, verwalten und zusammenarbeiten können, wird diese neue Universität zum Trainingszentrum, das Absolventen hervorbringt, die in der Koordination von KI-Systemen versiert sind und den sich schnell verändernden Arbeitsmarkt unterstützen.

Diese KI-native Universität wird der Talentmotor der neuen Wirtschaft sein.

Das war's für heute – wir sehen uns im nächsten Teil, bleiben Sie dran.