KI-Landkarte
Welche KI-Methoden, Architekturen und Anwendungen es wirklich gibt
KI ist ein breites Feld. Chatbots und große Sprachmodelle sind nur ein Teil.
Wer KI strategisch nutzt, braucht eine ehrliche Landkarte. Diese Seite zeigt das gesamte Spektrum: Machine Learning, Deep Learning, Computer Vision, Time Series, LLMs, Knowledge Graphs, Recommender, RL, Edge AI, Physical AI und Operations Research.
Das Missverständnis
„KI = generatives Sprachmodell“ ist keine Landkarte, sondern eine Verkürzung
ChatGPT und ähnliche Produkte haben KI sichtbar gemacht. Aber sie haben auch ein Missverständnis befördert: Dass KI im Wesentlichen aus großen Sprachmodellen besteht.
In Wirklichkeit ist KI ein Portfolio aus unterschiedlichen Methoden, Architekturen und Betriebsmodellen. Supervised Learning hat den höchsten Produktionsreifegrad. Computer Vision läuft seit Jahrzehnten stabil in der Fertigung. RL steuert Roboter und optimiert Logistik. Recommender personalisieren seit Langem Inhalte. Zeitreihenanalyse prognostiziert Bedarfe und Verschleiß. LLMs sind ein Spezialfall für offene Sprachaufgaben.
Die wichtigste Entscheidung ist nicht „welches LLM?“, sondern: Welcher Problemtyp liegt vor — und welche Kombination aus Methoden passt dazu?
Auf einen Blick
Die KI-Landkarte — vier Bereiche, über 15 Felder
Maschinelles Lernen
Machine Learning als Disziplin — Feature Engineering, Modellauswahl, Evaluation, Bias/Variance
Supervised Learning — Klassifikation, Regression, Scoring
Unsupervised Learning — Clusteranalyse, Segmentierung, Anomalieerkennung
Reinforcement Learning — Adaptive Steuerung, Robotik, OptimierungSemi-Supervised und Self-Supervised Learning — Lernen aus teilweise oder implizit gelabelten Daten
Deep Learning und seine Anwendungen
Deep Learning (Neuronale Netze) — CNNs, RNNs, Transformer, GNNs, Diffusion Models
Computer Vision — Objekterkennung, Segmentierung, OCR, QualitätsprüfungTime Series und Forecasting — Prognose, Predictive Maintenance, Bedarfsplanung
Large Language Models und NLP — Sprachverstehen, Textgenerierung, Dialog, Extraktion
Wissen, Suche und Empfehlung
Retrieval, RAG und GraphRAG — Wissensabruf über flache und vernetzte Quellen
Recommender Systems — Personalisierung, Content Discovery, Cross-SellingKnowledge Graphs und Semantic Layer — Bedeutung, Begriffe und Beziehungen explizit machen
Betrieb, Integration und Entscheidbarkeit
Edge, Local und On-Device AI — Inferenz nah an der Datenquelle
Physical AI, Robotics und Sensor AI — KI, die die physische Welt wahrnimmt und beeinflusst
Optimization, AutoML und Operations Research — Planung, Optimierung, Automatisierung von Modellentwicklung
Jeder Bereich wird auf dieser Seite ausführlich beschrieben. Zu drei Feldern gibt es eigene Deep Dives.
Maschinelles Lernen
Die grundlegenden Methoden und Paradigmen, auf denen fast alle KI-Systeme aufbauen.
Machine Learning als Disziplin
Feature Engineering, Modellauswahl, Evaluation, Bias/Variance
Machine Learning ist die übergeordnete Disziplin, die allen spezifischen Lernparadigmen zugrunde liegt. Sie umfasst die Methodik, mit der Modelle aus Daten lernen: Feature Engineering (welche Merkmale sind relevant?), Modellauswahl (welcher Algorithmus passt?), Evaluation (wie gut ist das Modell wirklich?), Bias/Variance-Dilemma, Regularisierung gegen Overfitting, Kreuzvalidierung und Hyperparameter-Tuning. Diese Querschnittsthemen gelten für alle Lernparadigmen.
Quelle: Hastie, Tibshirani, Friedman (2009): 'The Elements of Statistical Learning'. Chip Huyen (2022): 'Designing Machine Learning Systems'.
Supervised Learning
Klassifikation, Regression, Scoring
Das meistgenutzte ML-Paradigma im Unternehmen. Ein Modell lernt aus historischen Eingabe-Ausgabe-Paaren und trifft dann Vorhersagen für neue Daten. Klassische Verfahren wie logistische Regression, Random Forests und Gradient Boosting laufen in fast jeder Branche produktiv.
Quelle: Strongly.AI (2026): 'The Quiet Engine Inside Every Good AI Agent'.
Unsupervised Learning
Clusteranalyse, Segmentierung, Anomalieerkennung
Ohne gelabelte Daten Muster und Strukturen erkennen. Kunden segmentieren, ungewöhnliche Transaktionen identifizieren, Dokumente automatisch gruppieren. Verfahren wie k-Means, DBSCAN und t-SNE helfen, verborgene Zusammenhänge sichtbar zu machen.
Reinforcement Learning
Adaptive Steuerung, Robotik, Optimierung
Ein Agent lernt durch Versuch und Irrtum, welche Aktionen in einer Umgebung den größten Belohnungswert erzeugen. RL treibt Robotik, Fertigungssteuerung und Logistik. Anders als supervised Learning braucht RL keine historischen Beispiele — es generiert seine eigenen Erfahrungen.
Quelle: MDPI (2026): 'Reinforcement Learning for Industrial Automation: A Comprehensive Review'.
Deep Dive →Semi-Supervised und Self-Supervised Learning
Lernen aus teilweise oder implizit gelabelten Daten
Hybride Paradigmen zwischen supervised und unsupervised. Semi-Supervised nutzt wenig gelabelte + viel ungelabelte Daten. Self-Supervised erzeugt Labels automatisch aus der Datenstruktur (masking, contrastive learning) — Grundlage moderner Foundation Models.
Deep Learning und seine Anwendungen
Neuronale Netze als Grundlage für visionäre, zeitliche und sprachliche Probleme.
Deep Learning (Neuronale Netze)
CNNs, RNNs, Transformer, GNNs, Diffusion Models
Deep Learning lernt hierarchische Repräsentationen aus Rohdaten. CNNs dominieren Bildverarbeitung, Transformer verarbeiten Sequenzen, GNNs operieren auf Graphstrukturen, Diffusion Models erzeugen Bilder und Audio. Der Durchbruch: Das Modell lernt Features automatisch — statt dass Menschen sie definieren müssen.
Quelle: Goodfellow, Bengio, Courville (2016): 'Deep Learning'.
Computer Vision
Objekterkennung, Segmentierung, OCR, Qualitätsprüfung
Maschinelles Sehen ist einer der ältesten KI-Bereiche außerhalb von LLMs. CNNs und Vision Transformer erkennen Objekte, klassifizieren Bilder, segmentieren Regionen. Industrielle Anwendungen dominieren: Qualitätskontrolle, Lesezeichenprüfung, Anlagensicherheit.
Quelle: Cognex (2026): In-Sight 3900 Vision System. UnitX DeteX (2026).
Deep Dive →Time Series und Forecasting
Prognose, Predictive Maintenance, Bedarfsplanung
Zeitreihenanalyse sagt zukünftige Werte aus historischen Verläufen vorher. ARIMA, Prophet, NeuralProphet und Deep-Learning-Modelle prognostizieren Nachfrage, Auslastung, Energieverbrauch oder Maschinenverschleiß.
Large Language Models und NLP
Sprachverstehen, Textgenerierung, Dialog, Extraktion
LLMs sind der sichtbarste KI-Bereich — aber nur ein Teil der Landkarte. NLP umfasst Entity Extraction, Textklassifikation, Sentimentanalyse und Übersetzung. LLMs sind stark bei offenen, mehrdeutigen Aufgaben. Aufgaben mit messbar richtigen Antworten gehören oft eher zu supervised Learning.
Quelle: Strongly.AI (2026): 'Narrow decisions go to small models. Open-ended reasoning goes to the LLM.'
Wissen, Suche und Empfehlung
KI-Systeme, die Informationen finden, strukturieren und personalisieren.
Retrieval, RAG und GraphRAG
Wissensabruf über flache und vernetzte Quellen
Retrieval — die Suche nach relevanten Informationen — ist ein eigener KI-Zweig mit BM25, Lernverfahren und Vektorsuche. RAG verbindet Suche mit Sprachmodellen. GraphRAG durchsucht nicht nur Chunks, sondern Beziehungen zwischen Entitäten.
Recommender Systems
Personalisierung, Content Discovery, Cross-Selling
Empfehlungssysteme sind seit Jahrzehnten produktiv — lange vor dem KI-Hype. Collaborative Filtering, Content-based Filtering und hybride Verfahren personalisieren Produkte, Inhalte und Services.
Deep Dive →Knowledge Graphs und Semantic Layer
Bedeutung, Begriffe und Beziehungen explizit machen
Graphen und semantische Schichten machen sichtbar, wie Konzepte, Datenprodukte, Metriken und Geschäftsbegriffe zusammenhängen. Sie sind die Infrastruktur für verlässliche, rückverfolgbare KI-Systeme.
Betrieb, Integration und Entscheidbarkeit
KI in physischen Umgebungen, an der Edge und mit nachvollziehbaren Entscheidungen.
Edge, Local und On-Device AI
Inferenz nah an der Datenquelle
KI läuft nicht nur in der Cloud. Auf Geräten, Maschinen und lokalen Servern verarbeitet sie Daten ohne Netzwerklatenz, schützt sensible Informationen und bleibt bei Netzwerkausfällen verfügbar.
Physical AI, Robotics und Sensor AI
KI, die die physische Welt wahrnimmt und beeinflusst
Physical AI verbindet Sensorik, Maschinenzustände, Bilder, Zeitreihen und Aktionen. Robotik, autonome Fahrzeuge, Fertigungssteuerung, Wartungsplanung. Jeder Sensor, jedes Ventil erzeugt Daten, die andere KI-Methoden brauchen als LLMs.
Optimization, AutoML und Operations Research
Planung, Optimierung, Automatisierung von Modellentwicklung
Viele betriebliche Probleme sind Optimierungsprobleme: Routenplanung, Einsatzplanung, Bestandsoptimierung. Hier helfen Lin. Programmierung, Constraint Solving und AutoML — oft effektiver und interpretierbarer als generische KI.
Quelle: Chip Huyen (2023/2026): 'AI Engineering'.
Entscheidungsfragen
Nicht die Methode steht am Anfang, sondern das Problem
Liegen gelabelte historische Daten vor?
Supervised Learning. Der produktivste KI-Pfad.
Soll das System durch Interaktion lernen?
Reinforcement Learning. Robotik, Prozesssteuerung, Pricing.
Klassisches ML-Problem mit tabellarischen Daten?
ML als Disziplin — Feature Engineering, Modellauswahl, Evaluation.
Komplexe, unstrukturierte Daten (Bilder, Sequenzen, Audio)?
Deep Learning — CNNs, Transformer, GNNs.
Geht es um Bilder, Video oder visuelle Prüfung?
Computer Vision. Qualitätskontrolle, OCR, Objekterkennung.
Prognosen aus Zeitreihen?
Time Series / Forecasting. Nachfrage, Auslastung, Verschleiß.
Wissen muss gefunden, belegt oder relational verknüpft werden?
Retrieval, RAG, GraphRAG oder Knowledge Graphs.
Inhalte personalisiert empfehlen?
Recommender Systems. Collaborative Filtering, hybride Verfahren.
Optimierung, Planung oder Regelentscheidung?
Operations Research, Constraint Solving oder AutoML.
Muss die Entscheidung lokal, schnell, datenschutzkonform sein?
Edge AI, On-Device Inference, lokale Modelle.
Offene, kreative oder mehrdeutige Sprachaufgaben?
LLMs oder NLP — aber nur für den Teil, der wirklich offene Sprachverarbeitung braucht.
Aus der Praxis
DACH-Cases: KI in deutschen Unternehmen
Echte Projekte aus dem deutschen Mittelstand und Industrie — kein Hype, sondern produktive KI.
Computer Vision
Nova Hüppe (Oldenburg)
KI-gestützte optische Qualitätskontrolle erkennt kleinste Fehler in Markisenstoffen in Echtzeit. Kamera + lokale Inferenz stoppt die Zuschnitt-Maschine bei Fehlern.
Quelle: nwzonline.de (2025)
Computer Vision
Metallverarbeiter (Aschaffenburg)
KI-System zur optischen Qualitätskontrolle senkte Ausschuss um 38% und amortisierte sich innerhalb von sieben Monaten.
Quelle: untermain.de (2025)
Supervised Learning / Predictive Maintenance
Sondermaschinenbauer NRW (180 MA)
Predictive Maintenance + Wissens-RAG. Ungeplante Stillstände um 42% reduziert, 1,2 Mio. € Einsparung im ersten Jahr.
Quelle: ki-beratung-unternehmen.de (2026)
Time Series / Forecasting
Faller Packaging
KI-basierte Supply-Chain-Prognose mit der Paretos-Plattform reduziert Lagerkosten und sichert Materialversorgung für Pharma-Verpackungen.
Quelle: neue-verpackung.de (2026)
Reinforcement Learning / Optimization
Bette (Delbrück)
KI-Produktionsplanung für 25 Mio. Produktvarianten. Jedes Produkt belegt Maschinen unterschiedlich lange — RL optimiert die Fertigungsreihenfolge dynamisch.
Quelle: its-owl.de (2026)
Reinforcement Learning / Robot Orchestration
Otto Group + Reply + NVIDIA
Virtuelles KI-Steuerungssystem orchestriert autonome mobile Roboter über 120 Logistikstandorte. Digitaler Zwilling für Training und Koordination.
Quelle: reply.com / einzelhandel-news.de (2026)
Edge AI
apra-plast
Mobile Edge-KI zur Qualitätskontrolle bei Losgröße 1. Cloud kam wegen Mobilität an verschiedenen Maschinen nicht in Frage.
Quelle: hardwarewartung.com (2026)
Edge AI
Audi
Edge Cloud 4 Production (EC4P) in der Großserie. Verbindet klassische Automatisierung mit KI-Rechenleistung direkt in der Fertigung.
Quelle: produktion.de (2026)
Recommender Systems
Messe Düsseldorf
KI-basiertes Empfehlungssystem für Aussteller auf dem B2B-Marktplatz. Azure AI Search + Agentic Chain kombiniert Daten aus Bestellungen und Standanalysen.
Quelle: dotsource.de (2026)
Recommender Systems
ORTLIEB (280 MA)
Produktempfehlungen für Outdoor-Ausrüstung reduzieren Retouren. Berücksichtigt individuelle Kundenanforderungen bei 200+ Produktvarianten.
Quelle: plattform-lernende-systeme.de (2025)
Reinforcement Learning
SICP / Miele / Kröger
Multi-Agent Reinforcement Learning steuert Lagerbestände in komplexen industriellen Lieferketten. Ergänzt klassische Optimierungsverfahren.
Quelle: sicp.de (2026)
Computer Vision
Köstler GmbH (Annaberg-Buchholz)
Automatisierte KI-Qualitätskontrolle für Airbag-Textilien. Ersetzt manuelle, fehleranfällige Sichtprüfung. Green-AI-Hub-Pilotprojekt.
Quelle: green-ai-hub.de (2025)
Für Führung
Was Führung aus der Landkarte lernen sollte
- • KI ist kein einzelnes Werkzeug, sondern ein Portfolio aus Methoden, Architekturen und Betriebsmodellen.
- • Die produktivsten KI-Systeme in Unternehmen sind oft keine LLMs — sie arbeiten leise mit supervised Learning, Forecasting oder Optimierung.
- • Nicht jeder Use Case braucht generative KI. Viele Probleme sind Klassifikation, Prognose oder Optimierung.
- • Wer nur Chatbots im Kopf hat, übersieht CV, RL oder Recommender — oft risikoärmer und schneller produktiv.
- • Die Frage ist nicht 'KI oder nicht?', sondern 'Welche KI-Methode passt zu welchem Problem?'
Für Tech & Data
Was Teams technisch einordnen sollten
- • Supervised Learning bleibt der Arbeitspferd-Ansatz: Features tracken, Metriken standardisieren, auf Drift überwachen, nach Plan retrainen.
- • CV und Time Series haben eigene, ausgereifte Methodiken — sie sind nicht 'schlechtere LLMs', sondern andere Werkzeuge.
- • Hybride Systeme kombinieren klassische ML-Komponenten mit LLMs und erzielen bessere Produktionseigenschaften.
- • Optimierung und Operations Research sind oft der effektivere Weg für Planungs- und Steuerungsprobleme.
- • Edge/On-Device-Inference braucht Modell-Portfolio-Management, Privacy-Design und Routing-Logik.
Tiefer eintauchen
Deep Dives zu ausgewählten KI-Feldern
Reinforcement Learning
Wie RL in der Praxis funktioniert — Robotik, Fertigungssteuerung, Logistik. Mit DACH-Cases.
Deep Dive →Computer Vision
Visuelle KI in der Industrie: Qualitätskontrolle, OCR, Objekterkennung. Mit DACH-Cases.
Deep Dive →Recommender Systems
Wie Empfehlungssysteme Produkte, Inhalte und Services personalisieren. Mit DACH-Cases.
Deep Dive →Quellen
Quellen, die die Landkarte vertiefen
Strongly.AI (2026): The Quiet Engine Inside Every Good AI Agent
Klassisches ML als Motor in jedem guten KI-Agenten.
Quelle öffnen →DigitalBizTalk (2026): Deep Learning vs Classical ML
Logistische Regression schlägt Deep Learning bei tabellarischen Daten.
Quelle öffnen →MDPI (2026): RL for Industrial Automation
RL als Paradigma für adaptive Steuerung in Smart Factories.
Quelle öffnen →Chip Huyen: AI Engineering
AI Engineering, Evaluation, RAG-Baselines, klassische Komponenten.
Quelle öffnen →Zylos (2026): Local-First AI Agents
Hybride Cloud-Edge-Architekturen und Privacy-Design.
Quelle öffnen →Cognex (2026): In-Sight 3900 Vision System
Industrielle CV mit Embedded-AI auf Fertigungslinien.
Quelle öffnen →Enterprise Knowledge: GraphRAG in the Enterprise
GraphRAG für Beziehungen und verifizierbare Antworten.
Quelle öffnen →Green-AI Hub Mittelstand: KI-Pilotprojekte DACH
DACH-Case-Studies zu CV, Recommender, Edge AI im Mittelstand.
Quelle öffnen →Weiterführendes
Was dazu gehört
KI-Modelle
Welche großen Modelle es gibt — LLMs als Teil der KI-Landkarte.
Weiterlesen →AI Data Strategy
Welche Daten-, Katalog- und Betriebsarchitektur KI braucht.
Weiterlesen →MLOps
Wie KI von PoC zu Betrieb, Monitoring und Lifecycle kommt.
Weiterlesen →Agentic Engineering
Wie Teams systematisch mit KI-Agenten arbeiten.
Weiterlesen →