When a goal goes in during a tournament quarter-final and a hundred million people watch it at the same time, what they feel is the goal. The roar, the replay, the disbelief.

They do not feel the contribution feeds traversing private media networks across continents, or the edge nodes absorbing a traffic spike that appeared without warning.

They just feel the moment.

And that’s exactly how it’s supposed to work.

And as live sports viewership pushes into territory that makes previous records look modest (driven by a generation that expects to watch anything, on any device, anywhere, without waiting), the gap between getting that delivery right and getting it wrong has never been more consequential, or more public.

As audiences moved to digital platforms, the margin for error disappeared.

There is a version of this conversation that is easy to have: audiences expect more, technology has to keep up. True, but incomplete.

Audiences have always expected live sport to work. What changed is what “working” means, and how quickly they find out when it doesn’t.

Viewers no longer sit in front of a single screen. During a FIFA World Cup match, a household might have the main feed on the living room television, while someone else streams the highlights on a second TV in the bedroom, all while phones flash with live stats and tablets run separate commentary. From the infrastructure’s perspective, that isn’t just one household watching a game; it’s a chaotic web of concurrent demands triggered by the exact same split-second on the pitch.

Multiply that across tens of millions of viewers, and the scale of the challenge becomes clear. Social media raises the stakes further. When a platform fails during a World Cup knockout match, audiences report it in real-time on the same platforms they use to discuss the game. The complaint travels faster than the fix.

Broadcasters no longer have the luxury of resolving an incident before people notice. The incident becomes the story, and in many cases, travels further than the match itself.

What these viewership numbers actually mean for infrastructure

The shift in how people watch live sport has moved well beyond trend territory.

EMARKETER forecasts that digital live sports audiences in the US will grow to 114.1 million viewers, while traditional pay TV audiences decline to 82.0 million, highlighting the continued shift toward streaming.

The concurrency numbers generated by major sporting events now sit in a territory that would have seemed implausible a decade ago.

During the 2026 FIFA World Cup, for instance, streaming platforms shattered every historical ceiling, highlighted by Brazil’s CazéTV repeatedly breaking global YouTube records for concurrent viewership during the group stage. Meanwhile, in the United States, Peacock and Telemundo’s digital platforms logged an unprecedented 13 million concurrent viewers for a single knockout window. 

When tens of millions of people tune into the same live stream at the same moment, it’s a challenge unlike regular web traffic.

Historically, massive global audiences were insulated by geography. The load was spread across distinct regional networks: antenna signals, satellite downlinks, and physical cable architectures. The physical infrastructure of traditional television inherently absorbed the impact. 

Digital streaming removes that buffer. Traffic spikes all at once, often at the most critical moment. The tighter the match, the deeper the stoppage time, the sharper the spike. Network infrastructure is forced to handle its heaviest, most volatile traffic exactly when it has zero margin for error.

Social media compounds the pressure operationally. The second a crucial goal is scored, a wave of real-time reactions floods the internet, instantly dragging a secondary “curiosity audience” into the app. These are people who weren’t even watching the match, but saw the hype and decided to tune in, meaning the network has to absorb a massive new rush of users precisely while the primary stream is already maxing out its capacity.

To survive these surges while satisfying a modern audience, the underlying broadcast playbook has undergone a massive structural shift. It’s no longer just about handling traffic; it’s also about using modern technology like AI to manage it intelligently.

According to an industry survey, 25% of broadcasters integrated AI into live production workflows in 2025, a massive leap from just 9% the previous year, with 64% identifying AI as the single largest impact driver over the next five years. 

The network is no longer just delivering content. AI is now generating highlights and short clips in real time, producing millions of videos that keep fans engaged long after the live moment has passed.

Ultimately, the technical demand is driven by a shift in what viewers expect. An IBM sports study revealed that 56% of fans now want AI-driven insights layered directly onto their content, while 33% point to real-time, automated translation as the feature that most impacts their experience.

Whether it’s one screen or several, viewers don’t notice the edge infrastructure or AI powering the experience. They just expect the game to play without interruption.

The planning mistake most organisations make

Capacity planning is where most organisations spend their time when preparing to stream a major event. Can the system handle a million concurrent streams? Can it scale on demand if the numbers exceed projections? These are real questions. 

The lesson is not unique to sports streaming. Every digital business now experiences moments where demand, visibility, and customer expectations collide. Peak traffic events such as flash sales, ticket releases, and viral campaigns can drive website traffic 2 to 25 times above normal levels within seconds. The infrastructure may be different, but the pressure is remarkably similar.

Large-scale system failures occur when multiple components, each functioning as expected on its own, are overwhelmed by a surge in demand, rising latency, or regional blind spots at the same time.

The problem isn’t the individual systems. It’s how they work together.

Latency is the factor most consistently underestimated. A few seconds of delay is not a minor inconvenience in live sport. It is a fundamentally broken experience. 

A viewer whose stream is running four seconds behind will see a notification before the decisive moment appears on screen. Someone watching a service from the privacy of their room may hear a celebration from another room before seeing it on their screen.

Geography is another planning gap. Streaming growth is increasingly being driven by emerging markets. In Southeast Asia alone, premium video streaming subscriptions grew 19% in 2025, led by Indonesia, while viewing hours continued to climb across the region. Yet much of the world’s media infrastructure was originally designed around North American and Western European demand. An architecture that looks robust on paper can deliver very different experiences depending on where the viewer is.

The reason is simple: physical distance still matters. Every extra hop between the viewer and the content adds latency, making it harder to deliver a consistent experience at global scale.

Then there is the timing question. The decisions that determine whether a platform holds during the most-watched minutes of the year are not made on event day. They are made months earlier through choices around architecture, redundancy, testing, and operational readiness.

Once an event is underway, it’s too late to redesign the architecture behind it. If your system isn’t designed to handle the pressure before the crowd arrives, it’s already too late.

The hidden chain behind every live event

When a streaming disruption becomes public, people naturally look for a single point of failure: the app, the platform, or the provider.

A live event depends on dozens of systems working together, and any one of them can become a problem.

And the experience is only as good as the weakest handoff between them.

It all starts with the live camera feed moving from the venue to the production studio. This is a real-time stream, not a file download. If you drop even a single packet at the wrong moment, everything down the line breaks, no matter how perfect the rest of your setup is.

Remote and cloud-based production workflows have redefined how live sports are produced, enabling broadcasters to operate with greater agility and scale. As production becomes more distributed, success increasingly depends on ensuring every stage of the delivery chain works together seamlessly.

Each transition is a potential failure point. Managing them requires visibility that extends across providers, platforms, and networks simultaneously.

Behind every live stream, technologies like encoding, transcoding, packaging, rights management, and ad insertion are constantly at work. If any one of them fails, the stream can go down altogether.

Global distribution introduces another layer of complexity. Viewers in Asia, Africa, and South America may all be watching the same match, but each stream travels across different networks and infrastructure. That means performance can vary by region, and issues may affect one audience without impacting another. 

AI is increasingly helping operators detect anomalies in real time, pinpoint affected regions and trigger corrective actions before disruptions become widespread. Combined with point-to-point monitoring, it provides the visibility needed to keep live events running smoothly at global scale.

Edge delivery is where the difference between preparation and improvisation becomes most apparent. Bringing content closer to users reduces latency, absorbs local traffic surges, and improves performance in markets with variable connectivity. 

The value of technology investments such as AI and Edge becomes clearest during the moments when demand is highest.

Monitoring is what turns visibility into action. With AI helping analyze telemetry and detect anomalies in real time, operations teams can identify issues sooner and respond before they affect viewers. By the time customers start reporting a problem, the opportunity to prevent it has already passed.

What reliability is actually worth

For most of early broadcast history, audience tolerance provided some buffer. Disruptions happened. People accepted them. There was nowhere else to go, and the story rarely escaped the room.

Neither of those things is true now.

A streaming failure during a major match becomes public within seconds. Viewers don’t distinguish between a network issue, a processing failure, or a distribution problem; they simply see a service that failed. That single experience can shape the broadcaster’s reputation, credibility and customer loyalty, influencing whether viewers come back for the next event or recommend the service to others.

The commercial implications are significant. Global tournaments such as the FIFA World Cup illustrate just how valuable live sports rights have become. Their return depends on reliably reaching the audience that was promised.

Advertisers invest in live sport for one reason: to reach a large, engaged audience at the exact moment it matters most. If the stream fails during that window, the opportunity is lost. Those viewers, impressions, and advertising value cannot be recovered once the moment has passed.

The same principle increasingly applies outside media. Customers rarely know nor care whether an outage originated in the application, the cloud environment, the network or a third-party dependency. They experience a failure of the brand. In a digital-first economy, reliability has become part of the customer experience itself.

For broadcasters and streamers, reliability is no longer just an operational KPI. It directly influences audience trust, advertising revenue, and the long-term value of premium sports rights.

The demands ahead are bigger

AI-assisted production is already changing how live events are created. Broadcasters are using AI to automate highlight generation, camera selection and real-time clip packaging for social media, with new AI-assisted workflows producing sports highlights up to 80% faster than traditional methods. 

All of this processing happens within the live delivery chain, where every additional task must be completed without adding latency or compromising the viewing experience.

Personalisation at scale is the next significant challenge. Not personalisation in a vague sense, but the specific technical reality of delivering multi-language commentary tracks, different languages, different statistical overlays, and different camera angles to different viewers watching the same event simultaneously. 

Instead of one stream per event, the infrastructure has to manage a matrix of concurrent variants, each with its own encoding, storage, and delivery requirements. 

Interactive experiences add bidirectional data flows: real-time polls, integrated second-screen data, live wagering. These move data from the viewer back through infrastructure that was primarily built to push content outward. Managing that at scale is a different engineering problem from managing delivery.

Higher-resolution formats (4K now becoming a standard expectation in premium markets, 8K moving into early deployment) are bandwidth-intensive at exactly the scale where bandwidth is already under pressure. Consumer devices are ready. Infrastructure in many high-growth markets is not uniformly there yet.

Many of these capabilities are already being deployed for major global sporting events. The organisations investing seriously in technology, innovation, and infrastructure now are building toward a standard that will be the baseline requirement within a few years. Those that are not will be closing the gap under the worst possible conditions.

The technology you never think about

The broadcasters that succeed don’t leave reliability to chance. They plan for it from the outset, designing their infrastructure to handle peak demand long before the audience arrives.

This reality hits hardest during massive global events. When a stream glitches, millions of people feel it simultaneously in a matter of seconds. Keeping those streams alive doesn’t happen by accident; it takes massive scale, intense discipline, and deep experience controlling everything from the stadium camera to the viewer’s screen.

The lesson extends well beyond live sports. Every enterprise is becoming a real-time digital business, whether it’s delivering AI-powered applications, launching digital products, processing financial transactions, or handling a sudden surge in customer demand. Different industries may face different triggers, but the expectation is the same: the experience has to work, even when demand is at its highest.

Delivering that level of reliability is why many of the world’s largest sports brands rely on Tata Communications. Supporting the broadcast, production, and management of 80% of the world’s sporting events, and reaching more than two billion viewers across 190+ countries, Tata Communications operates in the invisible layers that make every live moment possible. We call this the “Virtual Stadium of the World”, the technology and infrastructure that connects fans, broadcasters, rights-holders, and sporting moments at a truly global scale.

By managing the critical handoffs across contribution networks, edge processing, and global media infrastructure, we engineer the resilience required to keep 120,000 live events running flawlessly every year.

Live sport may be the most visible test of digital infrastructure, but it won’t be the last. As AI, personalisation and real-time experiences become the norm across industries, the ability to deliver reliably at scale will define far more than match day.

To learn more, visit us here.

• Selbständige stehen häufig unter Stress
• 10 Tipps, um die Leistungsfähigkeit zu erhalten

Es gibt ein paar Dinge, die für Ihr künftiges körperliches und geistiges Wohlbefinden von entscheidender Be­deutung: Sie sollten auf eine ausgewogene und gesunde Ernährung achten. Ihren berufsbedingten Bewegungsmangel sollten Sie möglichst durch regel­mäßigen Sport ausgleichen. Lernen Sie außerdem mit Stress umzuge­hen (Stressmanagement) und lassen Sie Ihre Gesundheit regelmäßig von einem Arzt checken.

Hier zehn konkrete Tipps, wie Sie Ihre Lebensfreude und berufliche Leistungsfähigkeit langfristig bewahren können:

1. Ernährung

Ernähren Sie sich ausgewogen. Achten Sie auf eine fettarme, dafür aber ballaststoff- und vitaminreiche Ernährung. Nehmen Sie, gerade in den heißen Sommermonaten, ausreichend Flüssigkeit (Tee, Mineral­wasser, Säfte) zu sich.

2. Zigaretten ade

Stellen Sie, falls noch nicht geschehen, das Rauchen ein und trin­ken Sie wenig Alkohol.

3. Sport

Treiben Sie zwei- bis dreimal in der Woche Sport; gerade wer 40 bis 50 Stunden pro Woche im Büro, im Auto oder bei Geschäftsessen verbringt, braucht regelmäßige Be­wegung als Ausgleich.

4. Ausdauer

Gesundheitssport ist Ausdauersport. Deshalb sollten Sie langsam und dafür lange Sport treiben. Denn die körpereigenen Fettreserven werden erst nach ca. 30 Minuten sportlicher Aktivität in größerem Umfang in Energie umgewandelt.

5. Nicht übertreiben

Wenn Sie als “Sport-Muffel” mit dem Sport-treiben beginnen, sollten Sie auf Ihre aktuellen körperlichen Fähigkeiten beachten. Ein medizinischer Check-up sollte am Beginn Ihrer Karriere als Hobbysportler stehen.

6. Rückenschmerzen

Wer den größten Teil des Ta­ges sitzend im Büro verbringt, sollte sich zwi­schendurch bewegen. Dehn- und Kräftigungs­übungen stärken die Rumpfmuskulatur und beugen Rückenschmerzen vor.

7. Entspannung

Auch wenn es Ihnen schwer fällt, sollten Sie nach der Arbeit unbedingt abschalten! Gönnen Sie Ihrem Körper genügend Schlaf. Wer tagsüber viel leistet, braucht auch ausreichend lange Erholungsphasen.

8. Stress erkennen

Selbstständige (Unternehmer und Führungskräfte) sind berufsbedingt vielen Stressfaktoren ausgesetzt. Lernen Sie Stresssymptome frühzeitig zu er­kennen. Versuchen Sie Stresssituationen, soweit möglich, zu vermeiden, und bauen Sie den angestauten “Stress” durch Sport und Entspannungsübungen wieder ab.

9. Ärztliche Untersuchung

Ein regelmäßiger medizinischer Check-up dient dem frü­hen Erkennen von möglichen Erkrankungen. Rechtzeitig erkannt, sind die meisten Krankheiten heilbar.

10. Leistungsfähigkeit

Wenn Sie die oben genannten Punkte bereits be­herzigen, behalten Sie Ihr gesundheitsförderndes Verhalten künftig bei. Das hilft Ihnen, gesund und fit zu bleiben und Ihre Lebens­freude sowie (berufliche) Lei­stungsfähigkeit zu bewahren.

Selbst wenn Sie bei der Absicherung Ihres Rechenzentrums, Ihrer Cloud-Implementierungen und der physischen Sicherheit Ihres Firmengebäudes alle Register ziehen – mit Hilfe von Social Engineering finden gewiefte Cyberkriminelle meistens einen Weg, diese Maßnahmen zu umgehen.

Social Engineering – Definition

Social Engineering bezeichnet die “Kunst”, menschliche Schwächen auszunutzen, um sich Zugang zu Gebäuden, Systemen oder Daten zu verschaffen. Anstatt zu versuchen, eine Software-Schwachstelle zu finden und auszunutzen, wird ein Social Engineer beispielsweise einen Mitarbeiter anrufen und sich als IT-Support-Angestellter ausgeben, um ihn zur Herausgabe seines Passworts zu bewegen.

Der bekannte Hacker Kevin Mitnick hat den Begriff Social Engineering in den 1990er Jahren entscheidend mitgeprägt. Die Grundidee, sich menschliches Verhalten zunutze zu machen und die Techniken dahinter, gibt es allerdings schon so lange, wie es Betrüger gibt.

Social Engineering – Techniken

Social Engineering hat sich für Cyberkriminelle als besonders erfolgreich erwiesen, wenn es darum geht in Unternehmen einzudringen. Sobald ein Angreifer das Passwort eines vertrauenswürdigen Mitarbeiters erbeutet hat, kann er sich damit einloggen und sensible Daten auslesen. Mit einer Zugangskarte oder einem Code, der physischen Zugang gewährt, können Cyberkriminelle sogar noch größeren Schaden anrichten.

Im Artikel “Social Engineering: Anatomy of a Hack” beschreibt ein Penetrationtester, wie er aktuelle Ereignisse, öffentlich verfügbare Informationen aus sozialen Netzwerken und ein Hemd mit Cisco-Logo aus einem Second-Hand-Laden dazu nutzte, illegal in ein Unternehmen einzudringen. Das vier Dollar teure Gebrauchthemd half ihm, die Rezeptionisten und andere Mitarbeiter davon zu überzeugen, dass er im Auftrag von Cisco technischen Support leisten müsste. Einmal eingedrungen, war es für ihn ein Leichtes, auch anderen Teammitgliedern Zutritt zu verschaffen. Darüber hinaus gelang es dem Ethical Hacker, mehrere mit Malware verseuchte USB-Sticks in den Räumen zu platzieren und sich in das Unternehmensnetzwerk zu hacken. All das lief vor den Augen der Mitarbeiter ab.

Um einen erfolgreichen Social-Engineering-Angriff zu fahren, müssen Sie nicht unbedingt zuerst in einen Second-Hand-Laden gehen, diese Angriffe funktionieren ebenso gut per E-Mail, Telefon oder über soziale Netzwerke. Allen Angriffsarten ist dabei gemein, dass sie menschliche Eigenschaften zu ihrem Vorteil nutzen – beispielsweise Gier, Angst, Neugier oder auch das Bedürfnis, anderen zu helfen.

Cyberkriminelle nehmen sich dabei oft Wochen oder Monate Zeit, um ein Ziel auszukundschaften, bevor Sie einen persönlichen Besuch wagen, eine Nachricht senden oder einen Anruf tätigen. Zu den Vorbereitungen kann beispielsweise gehören, eine Telefonliste oder ein Organigramm des Zielunternehmens zu finden oder die Mitarbeiter über soziale Netzwerke zu recherchieren. Anschließend können Sie beispielsweise über folgende Wege aktiv werden.

• Am Telefon: Ein Social Engineer könnte anrufen und vorgeben, ein Mitarbeiter oder eine vertrauenswürdige externe Autorität zu sein (zum Beispiel ein Strafverfolgungsbeamter oder ein Wirtschaftsprüfer).

• Im Büro:“Können Sie mir die Tür aufhalten? Ich habe meinen Schlüssel/ meine Zugangskarte vergessen.” Diesen Satz haben Sie sicher auch schon einmal so vernommen. Auch wenn die fragende Person nicht verdächtig erscheinen mag – das ist eine beliebte Taktik beim Social Engineering.

• Online: Soziale Netzwerke erleichtern es, Social-Engineering-Angriffe zu fahren. Über Plattformen wie LinkedIn lassen sich schnell und einfach die meisten Mitarbeiter eines Unternehmens finden. Oft kommen noch viele andere Informationen dazu, die unter Umständen für weitere Angriffe nützlich sein können.

Beim Social Engineering werden regelmäßig auch aktuelle Ereignisse, Feiertage oder auch Popkultur-Phänomene dazu eingesetzt, Opfer in die Falle zu locken. Dabei passen die Cyberkriminellen ihre Phishing-Angriffe so an, dass sie auf bestimmte Interessen (Musik, Sport, Politik, etc.) abzielen. Das erhöht die Chance, dass die mit Malware verseuchten Anhänge angeklickt werden.

Social Engineering – Angriffsformen

• Phishing-Angriffe (zu denen auch SMS-basierte Smishing– und Voice-basierte Vishing-Attacken zählen) sind oft mit geringem Aufwand verbunden. Das Motto: “Die Masse macht’s”. Im Rahmen von Phishing-Kampagnen werden oft Tausende identischer E-Mails verschickt. Anschließend müssen die Angreifer nur noch darauf warten, dass jemand leichtgläubig genug ist, um auf den enthaltenen Anhang zu klicken.

• Spear Phishing oder auch Whaling bezeichnet Phishing-Angriffe, die ganz bewusst hochrangige Ziele ins Visier nehmen. Spear-Phishing-Angreifer verbringen im Regelfall viel Zeit damit, solche Ziele zunächst auszukundschaften. Das Ziel besteht dabei darin, einen möglichst überzeugenden, personalisierten Scam auf die Beine zu stellen.

• Baiting ist ein essenzieller Bestandteil aller Phishing-Formen – und anderen Betrügereien. Es bezeichnet die Verlockung, mit der die Ziele in Versuchung geführt werden – sei es eine SMS, die kostenlose Geschenkkarten verspricht oder eine E-Mail, die Kryptowährungen zu besonders attraktiven Preisen oder gar kostenlos in Aussicht stellt.

• Beim Pretexting handelt es sich um eine betrügerische Form von “Storytelling”. Die dabei erfundene Geschichte soll das Opfer zum Beispiel dazu bewegen, persönliche Informationen oder Zugangsdaten preiszugeben. Weiß ein Angreifer beispielsweise, bei welcher Bank sein Opfer Kunde ist, könnte er sich als Mitarbeiter des Kundendiensts ausgeben und unter einem Vorwand wie “Zahlungsverzug” versuchen, Finanzinformationen zu erhalten.

• Business Email Compromise (BEC), auch bekannt als CEO-Fraud, kombiniert mehrere der bislang genannten Techniken. Ein Angreifer erlangt entweder die Kontrolle über die E-Mail-Adresse eines Opfers oder schafft es, E-Mails zu versenden, die so aussehen, als kämen sie von dieser legitimen Adresse. Damit kontaktieren die Angreifer die Untergebenen des Angegriffenen in seinem Namen und ordnen beispielsweise dringliche Überweisungen an.

• Tailgating ist eine physische Social-Engineering-Form, bei der Angreifer den Mitarbeitern eines Unternehmens ins Firmengebäude folgen. Dazu könnten diese sich beispielsweise als Lieferant oder neuer Mitarbeiter, der den Ausweis vergessen hat, ausgeben.

Social Engineering – Beispiele

Um ein Gefühl dafür zu bekommen, auf welche Social-Engineering-Taktiken Sie besonders achten sollten, empfiehlt sich ein Blick auf erfolgreiche Angriffe der Vergangenheit. Hierbei konzentrieren wir uns auf drei spezifische Social-Engineering-Angriffe, die für Cyberkriminelle besonders einträglich ausgefallen sind:

1. Etwas Verlockendes anbieten

Jeder Trickbetrüger weiß: Am einfachsten ist es, aus der menschlichen Gier Profit zu schlagen. Das bildet die Grundlage des klassischen nigerianischen 419-Scams: Hierbei gaukeln Betrüger ihren Opfern vor, sie müssten hohe, unrechtmäßig erworbene Geldsummen aus dem eigenen Land zu einer sicheren Bank im Ausland transferieren. Dazu bräuchten sie Unterstützung: Gegen die Zahlung vermeintlicher Provisions-, Verwaltungs- oder Versicherungsgebühren könnten die Opfer einen Gutteil des oft millionenschweren Geldbetrags abbekommen, so dass betrügerische Versprechen.

Angriffe dieser Art sind seit Jahrzehnten bekannt und eigentlich eine Lachnummer, aber nichtsdestotrotz immer noch eine effektive Social-Engineering-Technik, auf die Menschen hereinfallen: Im Jahr 2007 überwies der Schatzmeister eines dünn besiedelten Bezirks im US-Bundesstaat Michigan einem solchen Betrüger 1,2 Millionen Dollar an öffentlichen Geldern – in der Hoffnung abkassieren zu können.

Ein weiterer gängiger Köder ist die Aussicht auf einen neuen, besseren Job: Im Rahmen einer äußerst peinlichen Kompromittierung traf es im Jahr 2011 das Sicherheitsunternehmen RSA auf diese Weise. Mindestens zwei Mitarbeiter öffneten eine Malware-verseuchte Datei, die an eine Phishing-E-Mail angehängt war. Der Dateiname: “2011 recruitment plan.xls”.

2. Fake it till you make it

Eine der simpelsten – und überraschenderweise auch erfolgreichsten – Social-Engineering-Techniken besteht darin, sich als ratlosen Mitarbeiter auszugeben. Bei einem seiner legendären frühen Betrugsversuche verschaffte sich Kevin Mitnick Zugang zu den Betriebssystem-Entwicklungsservern der Digital Equipment Corporation. Sein Vorgehen: Er rief bei DEC an, gab sich als leitender Entwickler aus und behauptete, er habe Probleme mit dem Login. Er wurde postwendend mit neuen Logindaten versorgt. Das spielte sich schon 1979 ab – man sollte also meinen, die Dinge hätten sich seitdem verbessert. Das ist allerdings nicht der Fall: Im Jahr 2016 erlangte ein Hacker die Kontrolle über ein E-Mail-Konto des US-Justizministeriums und nutzte es, um sich wie seinerzeit Mitnick Zugangsdaten zu verschaffen.

Zwar haben viele Organisationen Barrieren aufgebaut, die diese Art des dreisten Betrugs verhindern sollen, aber oft ist es nicht besonders schwer, sie zu umgehen. Als Hewlett-Packard (HP) im Jahr 2005 Privatdetektive damit beauftragte herauszufinden, welche Vorstandsmitglieder Informationen an die Presse durchstachen, versorgte das Unternehmen die Schnüffler mit den letzten vier Ziffern der Sozialversicherungsnummer ihrer Zielpersonen. Diese Daten akzeptierte der technische Support von HPs TK-Provider AT&T als Identitätsnachweis und händigte den Detektiven detaillierte Anrufprotokolle aus.

3. Autorität spielen

Viele Menschen sind daran gewöhnt, Autoritäten zu respektieren. Das wissen auch Cyberkriminelle. Sie spielen sich als Vorgesetzte oder Führungskräfte aus, um an ihr Ziel zu gelangen. So überwiesen im Jahr 2015 Finanzmitarbeiter von Ubiquiti Networks Firmengelder in Millionenhöhe an Social-Engineering-Betrüger, die sich als Führungskräfte des Unternehmens ausgegeben und ihre Glaubwürdigkeit mit gefälschten E-Mail-Absendern unterstrichen hatten.

Ein anderes Beispiel: Zur Jahrtausendwende gehörte es für (manche) britische Boulevard-Journalisten zum guten Ton, sich Zugang zu den Voicemail-Konten von für sie interessanten Personen zu verschaffen. So überzeugte ein Journalist den TK-Anbieter Vodafone davon, die Voicemail-PIN der Schauspielerin Sienna Miller zurückzusetzen, indem er dort anrief und sich als “Kollege John aus der Credit-Control-Abteilung” ausgab.

Ein weiteres prominentes Beispiel ist John Podesta, Hillary Clintons ehemaliger Wahlkampfleiter, der 2016 von russischen Spionen gehackt wurde. Die Cyberkriminellen hatten ihm im Vorfeld eine Phishing-E-Mail zugestellt, die als Nachricht von Google getarnt war und eine Aufforderung enthielt, sein Passwort zurückzusetzen. Statt sein Konto zu schützen, gab er damit seine Anmeldedaten preis.

Social Engineering – Zahlen & Statistiken

• Allein im Jahr 2024 konnten kriminelle Hacker durch BEC-Angriffe rund 6,3 Milliarden Dollar einstreichen. (Quelle: Verizon DBIR 2025)

• Smishing macht 39 Prozent aller mobilen Bedrohungen aus. (Quelle: SlashNext)

• Mit der Einführung von ChatGPT stieg die Zahl der Social-Engineering-Angriffe um 45 Prozent. (Quelle: SlashNext)

• Mit 17 Prozent aller Kompromittierungen ist Phishing der zweithäufigste, initiale Malware-Infektionsvektor. (Quelle: Mandiant M-Trends-Report 2024)

Social-Engineering-Angriffe abwehren

Wir haben fünf Tipps zur Abwehr von Social-Engineering-Attacken für Sie zusammengestellt:

1. Security Awareness

Security-Awareness-Schulungen sind der beste Weg, um Social Engineering zu verhindern. Nur wenn die Mitarbeiter wissen, welche Gefahr ihnen droht, können sie sich gegen solche Angriffe wappnen. Erarbeiten Sie ein umfassendes Schulungsprogramm, dass zu mehr Sicherheitsbewusstsein führt! Es sollte regelmäßig aktualisiert werden, um sowohl allgemeinen Phishing-Bedrohungen als auch neuen, gezielten Bedrohungen angemessen begegnen zu können.

Dabei sollten Sie von einer tiefgehenden Erklärung technischer Schwachstellen und Details absehen und stattdessen Beispiele nennen, die die Methoden der Angreifer in den Fokus stellen. Auch interaktive Elemente wie ein Quiz können dazu beitragen, Mitarbeiter vorzubereiten.

2. Security-Briefing für Mitarbeiter in Schlüsselpositionen

Unternehmen sollten Führungskräfte und leitende Angestellte in ihre Bemühungen einbeziehen, da sie für Cyberkriminelle die attraktivsten Social-Engineering-Ziele darstellen. Wichtig ist es auch Mitarbeiter, die die Berechtigung zu Finanztransaktionen haben, regelmäßig über die Gefahren aufzuklären.

3. Bestehende Prozesse prüfen

Für finanzielle und andere wichtige Transaktionen bietet es sich an, zusätzliche Kontrollmaßnahmen einzuziehen. Dabei gilt es im Auge zu behalten, dass einige Schutzmaßnahmen, beispielsweise eine Aufgabentrennung, sinnlos werden könnten, wenn es sich um eine Insider-Bedrohung handelt. Eine regelmäßige Risikoanalyse ist zu empfehlen.

4. Neue Richtlinien für dringende Anfragen

Sendet der Vorstandsvorsitzende eine E-Mail von seinem Gmail-Konto, sollte das bei den Mitarbeitern Alarmsignale auslösen. Um vorschnelle Reaktionen zu vermeiden, die ins Unglück führen können, sollten Mitarbeiter ein klar definiertes Notfallverfahren an die Hand bekommen und im Zweifel direkt mit dem Absender kommunizieren können.

5. Incident Management

Überprüfen, verfeinern und testen Sie regelmäßig Ihre Incident-Management-Systeme. Dazu bieten sich Übungen mit der Geschäftsleitung und den wichtigsten Mitarbeitern an, in denen Kontrollmechanismen und potenzielle Schwachstellen auf den Prüfstand kommen.

Social Engineering – Toolkits

Es gibt am Markt einige Tools und Services, die Unternehmen bei Awareness-Kampagnen und Phishing-Simulationen unterstützen:

• Das Social Engineering Toolkit von TrustedSec steht als kostenloser Download zur Verfügung und hilft bei der Automatisierung von Penetrationstests. Zu den Features gehören neben Social Engineering auch Spear Phishing, Fake Websites und USB-basierte Angriffe.

• Das Social Engineering Framework ist eine weitere gute Ressource. Laut Aussage der Macher enthält es “aktuelle wissenschaftliche, technische und psychologische Informationen” zum Thema. Das Ziel sei es, “eine Informationssammlung für Sicherheitsexperten, Penetrationstester und Enthusiasten zu schaffen”. Das Framework wird regelmäßig aktualisiert.

(fm)

Dieser Beitrag ist im Original bei unserer Schwesterpublikation CSOonline.com erschienen.

Im Rahmen der Produktivitätsdebatte wird in Deutschland oft die falsche Frage gestellt. Öffentliche Diskussionen kreisen vor allem um Arbeitszeiten: Teilzeit, Vier-Tage-Woche oder eine vermeintlich sinkende Arbeitsbereitschaft. Doch in vielen Unternehmen zeigt sich eine andere Realität. Mitarbeitende arbeiten nicht unbedingt weniger – sie verbringen vielmehr zu viel Zeit mit Tätigkeiten, die eigentlich gar nicht existieren sollten.

Einer der am meisten unterschätzten Treiber dieses versteckten Produktivitätsverlusts ist indirekte Arbeit. Viele Beschäftigte verbringen einen erheblichen Teil ihres Arbeitstags mit unsichtbaren Aufgaben außerhalb ihres eigentlichen Tätigkeitsbereichs – etwa mit Reisebuchungen, Spesenabrechnungen, Genehmigungen oder interner Abstimmung. Was einzeln betrachtet gering erscheint, summiert sich im Unternehmensalltag schnell. Statt sich auf ihre Kernaufgaben zu konzentrieren, verbringen Mitarbeitende wertvolle Zeit damit, interne Prozesse zu durchlaufen, die außerhalb ihres eigentlichen Verantwortungsbereichs liegen.

Warum indirekte Arbeit zunimmt

Ein wesentlicher Grund für die zunehmende Verbreitung von indirekter Arbeit liegt in der Art und Weise, wie viele Unternehmen ihre digitale Transformation umgesetzt haben. In den vergangenen Jahren wurde stark in digitale Tools investiert. Neue Plattformen wurden in Bereichen wie HR, Finanzen, Einkauf und Zusammenarbeit eingeführt. Doch häufig wurden dabei:

• Prozesse nicht entsprechend angepasst,
• Systeme nicht vollständig integriert und
• Abläufe kaum automatisiert.

Das Ergebnis sind fragmentierte Systemlandschaften. Mitarbeitende wechseln im Arbeitsalltag häufig zwischen verschiedenen Plattformen, geben dieselben Informationen mehrfach ein oder koordinieren Prozesse manuell zwischen Systemen. Diese Fragmentierung führt zu ständigen Kontextwechseln und Unterbrechungen – selbst einfache Aufgaben werden so zu mehrstufigen Prozessen.

Unsichtbare Aufgaben kosten nicht nur Zeit – sie unterbrechen auch die Konzentration. Laut Untersuchungen, auf die sich die „American Psychological Association“ bezieht, können häufige Aufgabenwechsel und Unterbrechungen die effektive Produktivität um bis zu 40 Prozent reduzieren.

Wenn Mitarbeitende ihre Arbeit ständig unterbrechen müssen, um operative Aufgaben zu erledigen oder zwischen Systemen zu wechseln, fällt es schwer, fokussiert zu arbeiten. Das Ergebnis sind:

• langsamere Abläufe,
• fragmentierte Workflows und
• eine geringere Arbeitsqualität.

Das beeinflusst somit nicht nur die Effizienz, sondern auch die Qualität der Arbeit – insbesondere bei Tätigkeiten, die stark auf fokussiertem Arbeiten, Analysen und Zusammenarbeit basieren.

4 konkrete Ansätze, um indirekte Arbeit zu reduzieren

Die gute Nachricht: Es ist kein unvermeidbares Phänomen. In vielen Fällen ist diese Art von Overhead das Ergebnis struktureller Schwächen in Prozessen und Systemen, die Unternehmen gezielt angehen können. Im Folgenden vier konkrete Ansätze, mit denen Unternehmen indirekte Arbeit reduzieren können:

1. Die größten Quellen unsichtbarer Arbeit identifizieren

Unternehmen sollten daher zunächst ihre Abläufe systematisch analysieren und herausfinden, wo die größten Produktivitätsverluste entstehen. Oft verbringen Mitarbeitende mehr Zeit als erwartet damit, zwischen verschiedenen Systemen einzelne Prozessschritte zu durchlaufen.

Wer bei den größten Reibungspunkten ansetzt, erzielt die schnellste Wirkung. Selbst kleine Aufgaben können sich zu erheblichen Zeitverlusten summieren – insbesondere dann, wenn sie von Hunderten oder Tausenden Mitarbeitenden regelmäßig wiederholt werden.

2. Systemintegration priorisieren, statt neue Tools einzuführen

Viele Produktivitätsprobleme entstehen, weil Systeme nicht miteinander verbunden sind. Im Laufe der Zeit führen verschiedene Abteilungen neue Softwarelösungen ein, um spezifische Herausforderungen zu adressieren.

Auch wenn jedes Tool für sich gut funktioniert, führt die fehlende Integration zwischen den Systemen häufig zu zusätzlichem Aufwand für Mitarbeitende. Statt weitere Software einzuführen, sollten Unternehmen den Fokus darauf legen, bestehende Plattformen zu integrieren, sodass Prozesse durchgängig ablaufen. Wenn Daten automatisch zwischen Systemen fließen, entfallen viele manuelle Zwischenschritte.

3. Mitarbeitende in die Prozessgestaltung einbinden

Mitarbeitende wissen oft am besten, wo Prozesse im Arbeitsalltag nicht funktionieren. Sie erleben aus erster Hand, welche Genehmigungen zu lange dauern, wo Daten mehrfach eingegeben werden müssen oder welche unnötigen Schritte Workflows verlangsamen.

Das kontinuierliche Einholen von Feedback aus den Teams hilft, überflüssige Prozessschritte, doppelte Arbeit oder ineffiziente Genehmigungen zu identifizieren. Gleichzeitig erhöht die frühzeitige Einbindung die Akzeptanz neuer Workflows und Automatisierungslösungen.

4. Automatisierung nutzen, um Routinearbeit zu eliminieren

Automatisierungstechnologien ermöglichen es zunehmend, Routineprozesse wie Genehmigungen, Datentransfers oder Reporting automatisch abzuwickeln. Dadurch entfällt repetitive administrative Arbeit, die kein menschliches Urteilsvermögen erfordert.

Statt operative Abläufe zu steuern, können sich Mitarbeitende auf Aufgaben konzentrieren, die Analyse, Entscheidungsfähigkeit und Kreativität erfordern. Ziel von Automatisierung ist es nicht, Menschen zu ersetzen, sondern ihnen zu ermöglichen, sich auf wertschöpfende Tätigkeiten zu fokussieren.

Von indirekter Arbeit zu echter Produktivität

In einer Zeit, in der Produktivität und Wettbewerbsfähigkeit verstärkt im Fokus der wirtschaftlichen Debatte in Deutschland sind, könnte die Reduzierung von indirekter Arbeit einer der am meisten unterschätzten Hebel zur Steigerung der Leistungsfähigkeit von Organisationen sein. Die entscheidende Frage ist daher vielleicht nicht, wie lange Menschen arbeiten – sondern wie viel ihrer Arbeit tatsächlich Wert schafft. (mb)

Almost every company has a board or executive AI mandate. Vendors are rolling out agentic AI platforms. The pressure to move is intense.

But the reality on the ground looks different. Eighty-three percent of organizations say data quality is their top AI challenge, and 74% struggle to demonstrate ROI, according to Lopez Research. And only 21% report having a mature governance model for AI agents, per Deloitte’s 2026 State of Enterprise AI report.

“Agentic AI is real, and vendors’ offerings are very real, too,” says Boris Evelson, vice president and principal analyst at Forrester. “However, most enterprises are still not ready to adopt at scale.”

Dave Hilborn, who leads West Monroe’s Organization, People & Change practice, frames it as a race with three arrows moving forward — one representing AI and tech evolution, one representing organizations and people, and one representing data. “The AI arrow is far out ahead,” he says. “That delta is the readiness gap.”

The gap isn’t the technology. It’s the foundational work most organizations haven’t done: data readiness, operating models, governance, skills, and culture. The companies making progress aren’t waiting for vendors to solve these problems. They’re tackling the unglamorous work themselves.

AI doesn’t tolerate ambiguity

AI readiness can be framed across six levels — from data foundation at the base to reinvented business experiences at the top, says Afshean Talasaz, former CIO at Colonial Pipeline and now an executive advisor. One of the key areas that doesn’t always get the attention it needs is the operating model.

“The technology playbooks of the past don’t work in the AI world,” Talasaz says. “Those areas were able to tolerate more ambiguity between business and tech teams. AI doesn’t tolerate the same level of ambiguity. It needs clarity.”

That demands a different kind of partnership between IT and the business. AI systems learn from data — records and measurements of what’s actually happening in the business — and then operate within business processes. Unlike traditional software, which is built based on user requirements, AI is sandwiched between the business that produces the data and the business that consumes the outputs.

“AI is requiring IT and business teams to work more closely together, to be clearer about what AI will and will not do — that really close partnership is crucial,” Talasaz says. “It’s not something that will always naturally evolve. It requires a lot of intentionality about how teams need to work together to deliver outcomes.”

The AI questions CIOs must answer aren’t just technical. Do we have the right operating model? Have we balanced governance and standard operating procedures within the model? Have we organized teams appropriately? All this must be designed within the context of what the business actually needs.

Too many organizations are bolting AI onto existing processes without redefining roles or workflows, Forrester’s Evelson. “Organizations can either incrementally enhance existing workflows by augmenting capabilities with AI or pursue a more transformative approach by redesigning the process end-to-end.”

The companies getting value are doing the latter.

Data debt comes due

Data readiness remains the most common barrier to scaling AI. “We’ve never fixed this data quality problem in most organizations,” says Maribel Lopez, founder and principal analyst at Lopez Research, “and it comes back to haunt a company in spades as they move to AI.”

At Levi Strauss, the foundational work came first. “If you think about the Levi’s business, it’s quite complex — 100 countries, over 3,000 stores, multiple business models,” says Jason Gowans, the company’s chief digital and technology officer. “You can imagine the complexity of gathering all that data to understand how the business is performing. The idea of this single source of truth — that’s been the biggest thing.”

Levi’s now has more than 1,100 standard operating procedures that govern how work gets done on top of SAP. “That’s fertile material to feed to LLMs on how work gets done,” Gowans says.The results are tangible: partner onboarding that once took three to six months to set up EDI exchanges now takes days.

At contract manufacturing company Jabil, Chase Christensen, segment CIO, took a similar path. “We had to get everyone to understand where the source data resides, put tech in place so consumption is easier, and drive ownership around data and decision rights — so 140,000 employees don’t feel empowered to create their own data sources that fall out of line.”

The data challenge goes beyond quality, Evelson notes. Most organizations’ data isn’t AI-ready; it hasn’t been prepared for how AI systems consume and learn from information. “Data is siloed, poorly governed, and hard to discover, integrate, and trust,” he says.

Forrester research shows that 45% of data and analytics decision-makers were adopting vector databases in 2025, and 53% were adopting graph databases — investments that signal recognition of how much data architecture needs to evolve. The firm recommends a balanced approach: roughly 48% of AI spending on foundations such as data management and engineering, and 52% on consumption, including analytics, governance, and applications.

But even as organizations work to prepare existing data, AI is creating new challenges. Users leveraging AI tools are generating new forms of data and information that never make it into corporate databases, West Monroe’s Hilborn notes.

“There are explosions of new data, content, and insights being created on the periphery of these data lakes,” he says. “The challenge is how do you capture that and leverage it.”

Who’s sponsoring this?

Even when data is in order, many AI initiatives stall due to how they’re sponsored and funded.

“Enterprise data, analytics, and AI programs succeed when business CxOs sponsor them because they are accountable for business outcomes, not just technology delivery,” Forrester’s Evelson says. “IT-led initiatives often become siloed or tool-centric, whereas business sponsorship ensures alignment to enterprise strategy, prioritization of end-to-end use cases, and a focus on decisions and actions rather than insights alone.”

Too often, AI is still treated as a series of disconnected use cases rather than a sustained, multi-year investment. Evelson calls this the “use case trap” — organizations overindex on individual projects and miss the enterprise-wide compounding impact. That leads to fragmented priorities, inconsistent adoption, and difficulty demonstrating ROI.

Leadership readiness is a distinct layer of AI preparedness, Talasaz says. “Are leaders prepared to provide a vision of reinvented business experiences that become the north star?” he asks. “Leadership teams, at various levels of the organization, need to articulate what a reinvented business looks like so teams have the direction and support to build differentiating capabilities.”

Levi’s offers a counterexample. AI is a CEO priority there. At the last quarterly offsite, the execs were building agents. “When you’re committed to upskilling the workforce, you’re better served to answer how to rewire processes with AI at the core,” Gowans says. “It starts at the top. It has to be an exec priority.”

Fear, literacy, and two types of AI

Technical talent is only part of the equation. Organizations also need to address change management.

“We saw it with the AI boom — fear about jobs, not knowing what AI did,” says Jabil’s Christensen. “The key is demystifying AI. We doubled down and focused on AI literacy. We want everyone to understand how it was put together, and that removed a lot of that fear. That’s been the biggest hurdle.”

Different types of AI require different skills and governance, Talasaz says. “General use focuses on productivity on the desktop,” he says. “Integrated AI — industrial-capable AI embedded within core business processes — requires different skills, capabilities, and governance.”

For desktop AI, training and guardrails help employees be successful — what Talasaz calls “bumpers,” like in bowling. Organizations need to help employees through reskilling and guidance. “You have tools in a toolbox,” he says. “It’s important to know when to use a power tool versus when you need a screwdriver.”

But for integrated AI embedded in core processes, the stakes are higher. “Business leaders responsible for business outcomes based on AI-driven processes need to be fully aware of both the benefits and risks that come along with using these tools,” Talasaz says.

That distinction matters for governance, too. Lower-, medium-, and high-risk AI use cases may require different ways of working and different risk management approaches. “Deploying AI in potentially high-risk or high-cost areas of the business requires a higher level of rigor,” Talasaz says. “That’s different than building something that helps write my emails.”

From POC to production

Perhaps the biggest readiness gap is the transition from proof of concept to production. “It requires such a different approach,” Talasaz says. “A successful proof of concept can create a lot of excitement, but when teams are unprepared to build and scale, it can create the potential to over-promise and under-deliver.”

The operating model that works for experimentation doesn’t work for production at scale. Proofs of concept are designed to demonstrate the efficacy of ideas and the underlying technology. But building, scaling, and sustaining technology in the business requires operating models, standards, roles, and skills that many organizations haven’t developed. Intentionally designed operating models reduce the cost of learning, improve execution, and increase delivery velocity, says Talasaz.

But there’s no one-size-fits-all answer. “A business that needs to build capabilities in a marketplace moving very fast requires one kind of operating model,” Talasaz says. “A business that can take longer to develop business capabilities and adapt to market changes can choose a different operating model. It’s important to design ways of working tailored to what the business needs and the speed at which the business needs to leverage technology to be successful.”

Jabil is navigating this journey as part of its move to SAP’s cloud ERP through RISE, scaling from $29 billion to $34 billion in revenue while keeping selling, general, and administrative (SG&A) expenses relatively flat — in part by layering generative AI onto predictive analytics capabilities built over years.

“We started years ago with computer vision to drive product quality,” Christensen says. “As gen AI blew up, we took the predictive analytics we had built over the years and imbued them with gen AI. We’ve implemented the basics, and now we’re looking for complex scenarios.”

Governance built in, not bolted on

Governance is often treated as a policy document or committee. It should be embedded in the operating model itself, Talasaz argues.

“The operating model doesn’t always get the attention it needs,” he says. “Policies and committees are useful, but they should handle larger enterprise risks. Most of the governance should be embedded in the operating model to ensure you’re getting outcomes you want.”

That might mean peer review built into the development process, bias checks before deployment, or clear escalation paths for high-risk use cases. When governance is separate from the operating model, it tends to slow things down. When it’s integrated, it becomes how work naturally gets done, says Talasaz.

Governance at the agent level matters, too, Levi’s Gowans says. “Know what agents have been deployed, who authored them, and who’s responsible,” he says, noting that the company has established a registry to understand what agents it has operating within its networks.

The challenges of AI governance are unique, Lopez of Lopez Research says. “Very few people have the governance stack required to say they did the right things with AI,” she says. “Non-human identity and access control is totally different and, frankly, evolving so quickly that no one knows what to do.”

The challenge is ultimately a trade-off, Forrester’s Evelson says. “Push agentic AI capabilities too far, and you risk creating a governance and compliance nightmare,” he says. “Tighten controls too aggressively, and you stifle innovation. Best practices for striking the right balance are still being discovered.”

It takes a team

The AI readiness gap isn’t about technology — it’s about the work organizations have been deferring for years. Data quality. Operating models. Executive sponsorship. Skills and culture. Governance embedded in process.

“Once you progress from everyone using Copilot to putting agents in production, then you realize the need for business context,” Gowans of Levi Strauss says.

It’s a shared journey requiring all teams to understand what’s required, Talasaz says. “It involves helping people understand what it takes from all sides — the technology itself, the operating model, the skills and talents needed — but also working with business leaders on the art of the possible,” he says. “Helping them understand both the benefits and the responsibility of deploying this tech.”

A colleague of his calls AI “the ultimate executive team sport.”

“It requires people to do it well and manage it,” Talasaz says.

Auf einen Blick

Pro

• Altbekannter Surface Laptop
• Der neue Blickschutz funktioniert oft gut
• Die “Voice Focus”-Funktion ist ziemlich nützlich

Kontra

• Unangemessen hoher Preis
• Die gleiche alte Bauweise

Fazit

Der Surface Laptop 8 for Business von Microsoft kommt einem sofort bekannt vor. Herzstück ist ein leistungsstarker Intel Core Ultra Series 300 (Panther Lake)-Prozessor. Doch leider ist das Gerät derart teuer, dass sich ein Kauf angesichts der wenigen neuen Funktionen kaum rechtfertigen lässt.

Zum ersten Mal seit Jahren war ich nicht begeistert, ein neues Surface-Modell zu testen. Und auch nach dem ausführlichen Test bin ich eher enttäuscht.

Dabei hat der Surface Laptop 8th Edition (oder Surface Laptop 8) for Business zwei echte Pluspunkte vorzuweisen: ein Upgrade auf Intels hervorragende Prozessoren der Core Ultra 300-Serie (Panther Lake) und einen einigermaßen nützlichen Sichtschutz.

Letzterer kann den Bildschirm auf Knopfdruck abdunkeln und unkenntlich machen. Leider hat Microsoft aber am traditionellen Aufschlag für Surface-Geräte festgehalten. Diese Preisgestaltung treibt die Kosten des Laptops in unattraktive Höhen.

Fairerweise muss man sagen, dass es sich hierbei um einen Laptop der Business-Klasse handelt. Eine Consumer-Version dieses Surface Laptops wird noch in diesem Jahr folgen, ausgestattet mit einem Qualcomm Snapdragon X2 Elite Extreme-Chip.

Basierend auf meinen eigenen Tests beider Chips lässt sich sagen, dass der hier verbaute Intel Core Ultra 300-Prozessor den Snapdragon leicht übertreffen wird. Dies gilt zumindest für die Grafikleistung und möglicherweise auch für die Akkulaufzeit.

Einige Surface-Fans könnten einwenden, dass Microsoft das Design des Laptops bereits optimiert hat. Andere könnten die Optik als altbacken kritisieren. Ich gehöre definitiv zur zweiten Gruppe. Ich muss mittlerweile auf Klebezettel zurückgreifen, die ich an der Unterseite der von mir getesteten Surface-Laptops anbringe. Warum? Sie sind im Alltag sonst praktisch nicht voneinander zu unterscheiden.

Modell-Chaos

Der Microsoft Surface Laptop 8 ist mit Bildschirmdiagonalen von 13,8 Zoll und 15 Zoll erhältlich. Microsoft vertreibt das Modell offiziell als “Surface Laptop for Business (8. Generation)” oder “Surface Laptop 8 for Business”.

Sie können den Surface Laptop for Business auch mit einem 13-Zoll-Display kaufen. Microsoft hat den Surface Laptop bisher noch nie mit einer solchen Bildschirmgröße angeboten, weshalb er schlicht als Surface Laptop for Business 13 Zoll bezeichnet wird.

Durch den Kauf des kleineren Surface Laptops sparen Sie mehrere hundert Euro (die Preise beginnen bei 1.549 Euro, im Vergleich zu 2.119 Euro für den 13,8-Zoll-Surface Laptop 8). Die Auswahl der Komponenten beschränkt sich dann jedoch auf einen Core Ultra 5 325-Prozessor, bis zu 24 Gigabyte RAM und bis zu einem Terabyte SSD-Speicher.

Auf dem Papier und in der Hand ist der Surface Laptop 8 for Business im Wesentlichen identisch mit dem Surface Laptop 7 aus dem Jahr 2024, der ab 1.199 Euro angeboten wurde. Zugegeben, dabei handelte es sich um eine Consumer-Version des Surface Laptop mit einem Snapdragon X1 Elite. Das ändert jedoch nichts daran, dass sich der Einstiegspreis im Vergleich zu vor zwei Jahren fast verdoppelt hat. Das macht das neue Gerät deutlich unattraktiver.

Kombination aus Alt und Neu

Das Design des Surface Laptop hat sich seit Jahren kaum verändert. Direkt nach dem Auspacken liegt der Laptop angenehm in der Hand, während das glänzende Aluminiumgehäuse nun aus bis zu 64 Prozent recyceltem Material besteht. Da es jedoch leicht Fingerabdrücke anzieht, sollten Sie ein Mikrofasertuch immer griffbereit halten. Ich empfinde das Gewicht von 1,35 Kilogramm weder in der Hand noch in meinem Rucksack als unangenehm. Hier kann ich Entwarnung geben.

In einigen Aspekten unterscheidet sich der Surface Laptop 8 for Business von seinen Vorgängern. Da wäre zunächst der Prozessor: eine Leistungssteigerung durch den Intel Core Ultra Series 3-Chip, bekannt als Panther Lake.

Zu den verfügbaren Ausführungen gehören sowohl die Basis-Konfigurationen mit Core Ultra 5 und 7 als auch der Core Ultra X7 368, der über Intels leistungsstarke integrierte GPU verfügt. Lassen Sie sich davon jedoch nicht allzu sehr verunsichern. Bei längerem Betrieb wird die Grafikeinheit durch die begrenzte Kühlung im Laptop thermisch erheblich gedrosselt.

Zudem gibt es eine merkwürdige Auslassung: Die Surface-App, mit der sich die Ladeoptionen des Akkus sowie einige weitere Einstellungen verwalten lassen, fehlt. Ich musste sie von Hand aus dem Microsoft Store herunterladen.

Außerdem bietet Microsoft als Option die “Privacy Screen”-Technologie an, die exklusiv für die 13,8-Zoll-Version verfügbar ist.

Im Wesentlichen funktioniert die “Privacy Screen”-Technologie des Surface Laptops, ähnlich wie die “Privacy Display” getaufte Funktion auf dem neuen Galaxy S26 Ultra von Samsung.

Sie wird über eine neue Taste auf der Tastatur aktiviert, die als F1-Taste neben der Esc-Taste in der obersten Reihe angeordnet ist. Drückt man diese Taste, wird das Display dunkler und passt sich so an, dass es von den Seiten her schwerer lesbar ist. Microsoft erklärt an dieser Stelle, wie der Blickschutz funktioniert, ohne dabei die genaue Funktionsweise zu erläutern.

Die Datenschutztechnologie nutzt die Fähigkeit des Laptops, die Helligkeit des Displays sowohl entsprechend den Präferenzen des Benutzers als auch in Abhängigkeit vom Umgebungslicht anzupassen. Je dunkler das Display, desto schwieriger wird es für neugierige Passanten, etwas auf dem Bildschirm zu erkennen.

In meinen Tests waren die Ergebnisse nicht eindeutig. In einem abgedunkelten Raum, wurde das Display aus einer Entfernung von einem Meter ab einem seitlichen Winkel von etwa 15 Grad zur Displayachse so dunkel, dass es fast nicht mehr zu erkennen war.

In einem helleren Raum blieb ein größerer Teil des Bildschirminhalts erkennbar. Ich konnte jedoch immer gut erkennen, um welche Art von Inhalt es sich auf dem Bildschirm handelte, auch wenn ich den eigentlichen Text nicht mehr lesen konnte. Ein Teil des Bildschirms blieb immer relativ gut sichtbar, es sei denn, ich saß sehr weit entfernt.

Es ist schwer zu beurteilen, wie effektiv der Blickschutz wirklich ist. Die Wirksamkeit schwankte im selben Raum unter den gleichen Bedingungen einfach zu sehr. Schauen Sie sich einfach mal die folgenden Vergleiche an. Im ersten Beispiel musste ich die Perspektive leicht verändern.

Aus dieser Perspektive scheint der Blickschutz kaum eine Wirkung zu entfalten. Ich habe mir dabei vorgestellt, wie es aus dem Blickwinkel einer Person aussehen würde, die auf einem Gangplatz im Flugzeug sitzt und beiläufig zu meinem Sitz über den Gang hinweg blickt. Aus dieser Perspektive glaube ich nicht wirklich, dass der Blickschutz von Microsoft wirklich funktioniert.

Aus einem anderen Blickwinkel betrachtet sind die Ergebnisse aber gar nicht so schlecht. Es wäre hilfreich gewesen, wenn Microsoft genau mitgeteilt hätte, in welchen Situationen der Blickschutz am wirksamsten arbeitet. In einem abgedunkelten Flugzeug, bei eingeschalteter Deckenbeleuchtung? In einem relativ hellen Raum wie meinem Büro?

In einem schlechter beleuchteten Raum schien der Blickschutz wirksamer zu arbeiten. Aber sollten Sie wirklich Ihre Arbeitsbedingungen anpassen müssen, um von dieser Funktion zu profitieren?

Zudem ist mir eine leichte Fleckbildung auf dem Display aufgefallen, die aussieht wie ein schwacher, staubiger Schleier im Displayglas. Ich vermute, dass dies an der Beschaffenheit des Sichtschutzglases selbst liegt.

Vielleicht wurden hierfür einige der Pixel leicht versetzt? Das Ergebnis ist jedoch deutlich sichtbar: Eine weiße Webseite wirkt bei direkter Betrachtung leicht staubig. Dies ist nicht störend oder ablenkend, aber es war auffällig.

Was die Ein- und Ausgänge betrifft, ist die Ausstattung des Surface Laptop 8 for Business recht übersichtlich: An der linken Seite befinden sich zwei Thunderbolt-4-/USB-C-Anschlüsse, über die mit dem entsprechenden Dock drei 4K-Displays mit 60 Hertz betrieben werden können.

Die Anordnung sorgt jedoch dafür, dass ein Nutzer, der die Maus mit der linken Hand bedient, sich den Platz mit den Displaykabeln teilen muss. Außerdem gibt es einen USB-A-Anschluss und eine Kopfhörerbuchse.

Auf der rechten Seite befindet sich der Surface Connect-Anschluss, der beim kleineren Surface Laptop und beim neuen Surface Pro weggefallen ist. Das bedeutet, dass Sie das Gerät entweder mit so gut wie jedem handelsüblichen USB-C-Ladegerät oder mit dem mitgelieferten winzigen 60-Watt-Surface-Ladegerät wieder aufladen können.

Insgesamt wirkt das Design des Surface Laptop 8 for Business robust und gut verarbeitet. Es ist jedoch erwähnenswert, dass das Kühlsystem im Vergleich zu früheren Generationen gänzlich unverändert geblieben ist: Die Luft strömt durch Lüftungsgitter im Scharnier nach außen.

Selbst bei der Standardeinstellung des Laptops (Beste Energieeffizienz) musste ich nicht viel am Rechner tun, damit sich der Lüfter einschaltete. Unter Last war das Lüftergeräusch jedoch meist unauffällig.

Bildschirm

Kurzum, mir gefällt der Bildschirm des Surface Laptop 8 for Business einfach nicht.

Auf dem Papier macht das Display noch einen guten Eindruck: Das HDR-Display bietet Dolby Vision IQ-Unterstützung mit adaptiver Farb- und Kontrastanpassung von bis zu 1300:1. Microsoft bietet zwei Anzeigemodi an: sRGB und „Vivid“. Der Hersteller gibt an, dass eine Helligkeit von bis zu 600 Nits erreicht werden kann. Ich habe insgesamt eine Leuchtdichte von 491 Nits gemessen, die jedoch bei aktiviertem Sichtschutz auf 163 Nits sank.

Der Farbraum ist recht gut und blieb sowohl bei aktiviertem als auch bei deaktiviertem Sichtschutz unverändert.

Der Surface Laptop 8 for Business bietet ein Touch-Display. Dieses ist jedoch nur für die Bedienung mit dem Finger ausgelegt. Eine Eingabe per Stift wird nicht unterstützt. Das Display lässt sich ohnehin nicht vollständig zurückklappen, was die Verwendung eines Stifts schwer machen würde.

Was ich am Bildschirm besonders schätze, ist eine oft unterschätzte Funktion: Die variable Bildwiederholfrequenz reicht von 120 Hertz bis hinunter auf 24 Hertz. Das ist großartig. Das 120-Hertz-Display erhöht die Bildwiederholfrequenz, wenn Sie es aktiv nutzen. Dadurch werden Mausbewegungen oder Spiele mit einer höheren Bildwiederholfrequenz dargestellt, was zu flüssigeren Bewegungen führt.

Wenn Sie auf einen statischen Bildschirm schauen, sinkt die Bildwiederholfrequenz auf 24 Hertz – weniger als die herkömmlichen 60 Hertz. Das senkt den Stromverbrauch, ohne dass Sie es wirklich bemerken. Der Akku hält entsprechend länger durch.

Der Bildschirm wirkt allerdings etwas trüb, und es gibt eine leichte Fleckenbildung, die durch den Sichtschutz verursacht wird. Dies sorgt dafür, dass die Auflösung niedriger wirkt, als sie tatsächlich ist. Mit einer Kamera lässt sich dieses Manko nicht wirklich einfangen. Vielleicht bin ich durch die neue Generation von OLED-Displays auch einfach zu verwöhnt. Doch aus meiner Sicht lässt dieser Bildschirm einfach zu viele Wünsche offen.

Ton und Mikrofone

Microsofts Surface-Geräte gehörten zu den ersten Laptops, die mit ihrer Audioqualität überzeugen konnten. Daran hat sich nichts geändert. Die integrierten Omnisonic-Lautsprecher unterstützen Dolby Atmos und bieten mehr Lautstärke, als für einen kleinen Raum nötig wäre. Der Sound klang zwar etwas flacher, als ich ihn in Erinnerung hatte.

Dennoch benötigen Sie für diesen Laptop nicht unbedingt Kopfhörer. Die Audioqualität der verbauten Lautsprecher ist über den gesamten Frequenzbereich hinweg recht gut.

Die beiden Studio-Mikrofone sorgen für eine neue Funktion namens “Voice Focus“. Diese soll in bestimmten, aber nicht näher genannten Anwendungen unterstützt werden. Der Algorithmus konzentriert sich dabei auf Ihre Stimme und nicht auf Geräusche im Hintergrund. Um diese Funktion auszuprobieren, nahm ich meine Stimme mit der Windows-App “Sound Recorder” auf, während ich im Hintergrund Musik und weißes Rauschen abspielte.

Beide Hintergrundgeräusche blieben noch etwas hörbar. Das weiße Rauschen wurde deutlich besser herausgefiltert als der Gesang im Hintergrund. Hier wusste die Software einfach nicht, ob sie die abgespielte Musik beibehalten oder ausblenden sollte. Die meisten neuen Asus-Laptops bieten eine noch bessere Geräuschfilterung.

Tastatur und Touchpad

Die Tastatur gehörte einst auch zu den Aspekten, die ein Surface-Gerät ausgezeichnet haben. Mittlerweile haben die anderen Hersteller jedoch aufgeholt. Mir sind dennoch keine Mängel an der Tastatur des Surface Laptop 8 for Business aufgefallen. Sie ist nicht deutlich besser oder schlechter als andere gute Laptop-Tastaturen.

Der neue Surface Laptop verfügt über die haptischen Touchpads, die Microsoft vor einigen Jahren eingeführt hat. Diese lassen sich über die gesamte Fläche anklicken. Dies ist im Vergleich zu herkömmlichen Touchpads ein echter Pluspunkt. Microsoft arbeitet zudem daran, ein subtiles haptisches Feedback auszulösen, wenn der Mauszeiger über bestimmte Bildschirmelemente bewegt wird, wie das “X” zum Schließen eines Fensters. Der Effekt ist sehr unauffällig, aber dennoch ein nettes kleines Detail.

Das Touchpad lässt sich zudem über die Surface-App anpassen. Diese war auf meinem Testgerät jedoch nicht vorinstalliert. Die App kann jedoch kostenlos aus dem Microsoft Store heruntergeladen werden. Mit der Software können Sie festlegen, welcher Bereich des Surface-Touchpads auf Rechts- und Linksklicks reagiert.

Webcam

Der Surface Laptop 8 for Business verfügt über eine 1080p-Kamera, die die Windows Studio-Effekte wie Hintergrundunschärfe, Bildausschnitt, Blickkontakt und mehr unterstützt. Außerdem bietet sie die Gesichtserkennung, einen wesentlichen Bestandteil der Windows Hello-Technologie. Während des Testzeitraums hatte ich keinerlei Probleme mit der Anmeldung über die Kamera.

Da es sich um eine “Business”-Kamera handelt, erwartet man von der Webcam eine professionelle Darstellung unter verschiedenen Lichtverhältnissen. Und unter der hellen LED-Beleuchtung meines Büros funktioniert dies auch gut.

Hier habe ich die Webcam sowohl im hellen Licht unseres Büros als auch bei natürlicherer Beleuchtung in meiner Wohnung getestet.

Offen gestanden war ich von den Ergebnissen nicht sonderlich beeindruckt. Bei natürlicher Beleuchtung (der Himmel war an diesem Tag bewölkt) schnitt die Webcam recht gut ab, obwohl das Bild körniger war, als ich es erwartet hätte. Im Büro wirkte das Bild der Kamera jedoch etwas blass.

Leistung

Derzeit zählt der Intel Core Ultra 300 (Panther Lake) zu den besten Premium-Laptop-Prozessoren, die Sie im Jahr 2026 kaufen können. Den kürzlich vorgestellten AMD Ryzen AI 400-Prozessor konnten wir noch nicht in einem marktreifen Laptop finden.

Bislang durften wir Panther Lake jedoch nur in größeren Produktivitäts-Laptops mit überlegenen Kühlungslösungen wie dem Asus ZenBook Duo ausprobieren. Zum besseren Verständnis: Läuft ein Laptop über einen längeren Zeitraum unter hoher Last, kann sich die Performance durch Drosselung reduzieren. Auf diese Weise soll eine gefährliche Überhitzung verhindert werden. Im Fall des Surface Laptop 8 ist dies ein Punkt, auf den Sie besonders achten sollten.

Der Cinebench-2024-CPU-Benchmark umfasst einen “Thermal-Throttling”-Test. Dabei wird der Benchmark wiederholt über einen Zeitraum von zehn Minuten ausgeführt. In diesem Szenario ist eine verminderte Leistung ein Hinweis auf thermische Drosselung. Sie können dann einen einzelnen Durchlauf mit dem Langzeittest vergleichen. So kann festgestellt werden, ob eine Drosselung auftritt. In unserem Fall sank die CPU-Leistung bei einem Vergleich von 773 auf 689 Punkte.

Mit dem 3DMark-Grafiktest lässt sich ebenfalls ein Langzeittest durchführen – in diesem Fall zwanzig Benchmark-Durchläufe – und die Leistung im Verlauf des Tests vergleichen. Hier war der Unterschied noch größer.

Der Benchmark erzielte beim ersten Durchlauf die höchste Punktzahl, fiel dann bei den nachfolgenden Durchläufen auf etwa die Hälfte der Leistung ab und verblieb während der folgenden Testläufe auf diesem Niveau.

Was sagt uns das? In gewisser Weise sind Leistungswerte oft irreführend. Der Surface Laptop 8 funktioniert am zuverlässigsten in kurzen, intensiven Phasen, zumindest was das Gaming betrifft.

Für längere Sitzungen ist das Gerät weniger gut geeignet. Andererseits scheint die Kühlung für CPU-intensive Aufgaben auszureichen. Zu diesen Aufgaben zählen unter anderem das Betriebssystem, das Komprimieren und Dekomprimieren von Dateien sowie allgemeine Anwendungen ohne viele visuelle Elemente. Beachten Sie, dass wir zwar die NPU-Fähigkeiten des Laptops nicht testen, er sich mit seinen 50 TOPS jedoch als Copilot-PC qualifiziert.

Ich habe den Surface Laptop 8 for Business mit mehreren 14-Zoll-Laptops der jüngsten Generation verglichen: dem Acer Swift X 14 AI und dem verwandten Modell Acer Swift Edge 14 AI.

Hinzu kamen zwei Panther-Lake-Laptops: der Dell XPS 14 und der MSI Prestige Flip 14 AI. Schließlich habe ich noch zwei Snapdragon-Laptops hinzugefügt: den Surface Laptop 7 (2024) mit einem Snapdragon X1 Elite-Chip der ersten Generation sowie den Lenovo Yoga Slim 7x Gen 11, der mit einem Snapdragon X2 Elite Extreme-Chip der zweiten Generation ausgestattet ist.

Der PCMark-10-Test deckt ein breites Spektrum ab, das von Videoanrufen über das Surfen im Internet hin zu CAD-Anwendungen und einigen weniger anspruchsvollen Spielen reicht.

Aufgrund der Vielfalt der getesteten Anwendungen ist dieser Benchmark nach wie vor relevant. Der Surface Laptop profitiert ein wenig von seiner leistungsstarken integrierten GPU, obwohl es sich hierbei in erster Linie um CPU-orientierte Tests handelt.

Für andere Tests, die sich nicht mit PCMark messen lassen, verwenden wir stattdessen Cinebench 2024. Obwohl es eine Version für 2026 gibt, nutzen wir aus Kompatibilitätsgründen weiterhin Cinebench 2024. Auch hier gilt: Panther Lake ist eine leistungsstarke CPU, die bei kurzer Spitzenlast eine hohe Leistung bietet.

Dieser ausgedehnte Cinebench-Stresstest verdeutlicht jedoch, dass Sie bei längerer Nutzung mit einer geringeren CPU-Leistung rechnen müssen.

Handbrake war ursprünglich der Test, mit dem wir bewerteten, wie gut sich der Laptop und sein Prozessor über einen längeren Zeitraum behaupten können. Die App selbst ist nützlich, auch wenn sie schon älter ist.

Sie transkodiert lediglich eine Videodatei in ein Format, das für die Speicherung auf einem Tablet verwendet wird. Angesichts der Verbreitung von Streaming-Apps findet diese Transkodierung mittlerweile meist im Hintergrund statt. Dennoch ist sie ein wirksames Maß für die dauerhafte CPU-Leistung.

Unser traditioneller Maßstab für die 3D-Leistung ist der “Time Spy”-Benchmark von 3DMark. Dieser misst die 3D-Leistung auf eine Weise, die ein echtes 3D-Spiel simuliert. Auch hier würde ich erwarten, dass der Surface Laptop recht gut abschneidet – und das tut er auch.

Allerdings sind mir bei den von diesem Laptop gemeldeten Ergebnissen einige übermäßige Schwankungen aufgefallen. Nach einem Kaltstart stiegen die Benchmark-Ergebnisse auf einen Höchstwert von 7.063. Im niedrigsten Fall sank das Ergebnis auf 4.601. Nach jedem Durchlauf ließ ich den Laptop zehn Minuten lang abkühlen.

Bei diesem Gerät zeigen die Ergebnisse jedoch einen deutlichen Unterschied zwischen der Durchführung des Benchmarks zu Beginn des Tages und der Durchführung nach einer Abkühlphase von zehn Minuten im Anschluss an eine Reihe anderer Benchmarks. Dies ist ein ungewöhnliches Verhalten und ein echter Minuspunkt. Ich gehe einfach immer davon aus, dass ein hochwertiger Laptop eine konstante Leistung abliefern kann.

Da es sich beim Surface Laptop 8 um ein Produktivitätsgerät handelt, habe ich ihn im Hinblick auf Gaming nicht ausgiebig getestet. Allerdings machen Intels XeSS-Upscaling und die Frame-Generierung einen enormen Unterschied.

“Cyberpunk: 2077”, getestet bei einer Auflösung von 1.920 × 1.080 Pixeln und der Einstellung „Low“, erzielte mit der reinen Render-Engine des Spiels eine durchschnittliche Bildrate von 50 Bildern pro Sekunde. Das ist ein schon relativ gut spielbares Ergebnis. Mit aktivierten Zusatzfunktionen stieg die Bildrate jedoch auf 133 Bilder pro Sekunde – was mehr als spielbar ist.

Bitte beachten Sie, dass der Benchmark nur etwa eine Minute lang läuft. Daher ist bei längerem Spielen mit einem Rückgang der Bildrate zu rechnen.

Bei einem Produktivitäts-Laptop lege ich Wert auf außergewöhnliche Leistung. Aber die Akkulaufzeit ist ebenso wichtig. Einige der ersten Panther-Lake-Laptops, die ich getestet habe, verfügten über riesige 99-Wattstunden-Akkus – das zulässige Maximum in Flugzeugen.

Um das Gewicht gering zu halten, lieferte Microsoft den Surface Laptop 8 for Business mit einem 52-Wattstunden-Akku aus. Das wirkt sich natürlich auf die Akkulaufzeit aus, wenn auch nicht dramatisch. Es macht mir keine Sorgen, dass ich für eine Akkulaufzeit von 17,3 Stunden etwas weniger Gewicht mit mir herumschleppen muss. Bei produktiver Arbeit könnte die Laufzeit aber etwas niedriger ausfallen als in unseren Tests.

Preis und Verfügbarkeit

Zum Zeitpunkt der Veröffentlichung ist der Surface Laptop 8 for Business nur bei Microsoft selbst und wenigen anderen Händlern erhältlich. Der Einstiegspreis für das 13,8-Zoll-Modell liegt beim Hersteller bei 2.119 Euro. Dafür gibt es 16 Gigabyte RAM und 256 Gigabyte Speicherplatz. Mit 512-Gigabyte-SSD klettert der Preis auf 2.239 Euro.

Optional ist für ausgewählte 13,8-Zoll-Konfigurationen der integrierte Privacy Screen erhältlich. Ob diese Variante in Deutschland verfügbar ist, geht aus dem Microsoft Store derzeit nicht eindeutig hervor. Als Option steht der Blickschutz bei der Konfiguration noch nicht zur Verfügung.

Fazit

Würde man den Preis um etwa 1.000 Euro senken, dann ließe sich der Kauf des aktuellen Surface Laptop 8 for Business eher rechtfertigen. So ist dieser Laptop aber einfach viel zu teuer, um ihn zu empfehlen – selbst für die geschäftliche Nutzung.

Es ist erwähnenswert, dass die Laptops, mit denen wir den Surface Laptop primär vergleichen, auch erst kürzlich ausgeliefert wurden. Dadurch sind auch diese Geräte ebenfalls von den Kostensteigerungen bei Arbeitsspeicher und SSD-Speicher betroffen.

Bietet der Surface Laptop ansonsten etwas Überzeugendes? Abgesehen vom Blickschutzbildschirm eigentlich nicht wirklich. Was Leistung und Akkulaufzeit angeht, so gibt es viele Laptops, die diese Werte bei deutlich geringeren Anschaffungskosten sogar übertreffen.

Tatsächlich wirkt diese Generation der Surface-Laptops etwas unentschlossen. Privatkunden würden wahrscheinlich eine etwas leistungsstärkere Grafikeinheit für Spiele bevorzugen, während Geschäftsreisende eher auf eine starke CPU-Leistung Wert legen dürften. Das werden wir wahrscheinlich beim kommenden Surface Laptop für Privatkunden sehen, der vermutlich mit einem Qualcomm Snapdragon X2 Elite-Chip ausgestattet sein wird. Die Akkulaufzeit dürfte in etwa gleich bleiben.

Ich habe das Gefühl, dass ich bereits ausreichend Worte über diesen Laptop verloren habe. Er ist überteuert. Kaufen Sie ihn nicht.

Technische Daten

• Prozessor: Core Ultra 5 335, Core Ultra 7 366H, Core Ultra X7 368H (getestet: 368H)
• Display: 13,8 Zoll (2.304 × 1.536 Pixel) PixelSense Flow, 24–120 Hertz, Dolby Vision, entspiegelt nach ISO-9241 oder blendfrei mit integriertem Blickschutz (getestet)
• Arbeitsspeicher: 16 Gigabyte/32 Gigabyte/64 Gigabyte LPDDR5X (getestet: 16 Gigabyte)
• Speicher: 256 Gigabyte/512 Gigabyte/1 Terabyte PCIe Gen 4 M.2 NVMe SSD (getestet: 512 Gigabyte)
• Grafikkarte: Iris Arc B390
• NPU: 50 TOPS
• Anschlüsse: 2 × USB-C/Thunderbolt 4, USB-A, 3,5-Millimeter-Kopfhöreranschluss, Surface Connect-Anschluss
• Sicherheit: Windows Hello-Kamera
• Kamera: 1080p (zum Benutzer gerichtet, Windows Hello)
• Akku: Nennkapazität: 52,3 Wattstunden, tatsächliche Kapazität laut Test: 54,1 Wattstunden
• Drahtlos: Wi-Fi 7, Bluetooth Core 5.4
• Audio: Zwei Studio-Mikrofone, Omnisonic-Lautsprecher mit Dolby Atmos
• Betriebssystem: Windows 11 Pro
• Abmessungen: 301 Millimeter x 220 Millimeter x 17,5 Millimeter
• Gewicht: 1,35 Kilogramm
• Farben: Platin und Mattschwarz
• Preise: ab 2.119 Euro (Testmodell: 2.239 Euro)

(PC-Welt)

Googles mobiles Betriebssystem Android blickt auf bescheidene Anfänge zurück und wurde über die Jahre immens weiterentwickelt – sowohl auf optischer als auch konzeptioneller und funktioneller Ebene. Im Folgenden haben wir alle jemals erschienenen (relevanten) Android-Versionen im Zeitverlauf für Sie zusammengestellt – inklusive ihrer jeweiligen Highlights.

Android 1.0/1.1

Sein offizielles Debüt feierte Android mit Version 1.0 im Jahr 2008 – damals noch ohne aparten Codenamen mit Backwerk-Bezug. In der Smartphone-Frühzeit waren die Dinge bei Android vor allem eines: simpel.

Dennoch konnte das Google-Betriebssystem bereits mit integrierten Apps aufwarten, etwa Gmail, Google Maps, Kalender oder Youtube. Ein krasser Gegensatz zum heute gängigen (und besser aktualisierbaren) Standalone-App-Modell.

Android 1.5 Cupcake

Mit dem Release von Android 1.5 begann Google, die Versionen seines Mobile OS nach teigigen Leckereien zu benennen. Eine Tradition, die über etliche Jahre Bestand haben sollte. Mit Cupcake hielten diverse Optimierungen der Benutzeroberfläche Einzug – unter anderem in Form der ersten virtuellen Bildschirmtastatur.

Vor allem führte Google mit Cupcake aber das Framework für Drittanbieter-App-Widgets ein, was sich schnell zu einem Android-Alleinstellungsmerkmal entwickelte. Mit Android Version 1.5 war es außerdem erstmals möglich, auch Videoaufnahmen zu realisieren.

Android 1.6 Donut

Im Herbst 2009 erblickte Android Version 1.6 – Codename Donut – das Licht der Welt. Diese Android-Version optimierte Googles mobiles Betriebssystem weiter, zum Beispiel mit Support für diverse verschiedene Bildschirmauflösungen und -formate. Ein besonders zukunftskritisches Feature für Android hielt mit der Unterstützung des Mobilfunkstandards CDMA Einzug. Letzteres begünstigte die folgende explosionsartige Ausbreitung von Android.

Android 2.0/2.1 Eclair

Nur sechs Wochen nach Donut ließ Google Android 2.0 mit dem Codenamen Eclair auf die Nutzer los – einige Monate später folgte das 2.1-Update. Das erste Smartphone, das diese Android-Version nutzte, war Motorolas Milestone. Das Smartphone wurde in den USA unter der Bezeichnung “Droid” vermarktet und sollte den technikaffinen Gegenpol zu Apples iPhone bilden – zumindest legte das die relativ aggressive Marketingkampagne in den USA nahe:

Bei Apple dürfte jedoch vor allem für Verstimmung gesorgt haben, dass mit Eclair auch die bis dahin iOS-exklusive “Pinch-to-Zoom”-Funktionalität in Android eingeführt wurde. Die revolutionärsten Elemente dieser Android-Version waren jedoch sprachgesteuerte Turn-by-Turn-Navigation und Verkehrsinformationen in Echtzeit – bis dahin nicht realisierte Features in der Smartphone-Welt. Darüber hinaus hielten mit Eclair auch Live-Hintergrundbilder sowie die erste Speech-to-Text-Funktion Einzug.

Android 2.2 Froyo

Mit Android 2.2 widmete sich Google (vier Monate nach dem Release von Version 2.1) hauptsächlich Performance-Optimierungen unter der Haube. Android Froyo erweiterte jedoch die Benutzeroberfläche um einige praktische Funktionen – darunter das inzwischen zum Standard gewordene Dock am unteren Rand des Startbildschirms sowie die erste Version von Voice Actions. Letzteres erlaubte den Benutzern, einige grundlegende Funktionen wie Wegbeschreibungen oder Notizen abzurufen, indem sie ein Icon antippen und anschließend einen Sprachbefehl folgen lassen.

Bemerkenswert ist Android Version 2.2 vor allem auch deshalb, weil es den Android-Webbrowser mit Flash-Unterstützung ausstattete. Das war nicht nur wichtig, weil Flash damals im Web allgegenwärtig war, sondern auch weil Apple sich standhaft weigerte, das iPhone um Flash-Support zu erweitern. Das war eine ganze Zeit lang ein echter Vorteil für Android – bis sich die Flash-Dominanz schließlich in Luft auflöste.

Android 2.3 Gingerbread

Mit Gingerbread versuchte Google, Android im Jahr 2010 erstmals eine echte, “visuelle Identität” zu verleihen. Die Farbe des Android-Maskottchens breitete sich mit Android Version 2.3 über die gesamte Benutzeroberfläche aus. Der erste Schritt hin zu einer eigenständigen Designsprache.

Android 3.0/3.1/3.2 Honeycomb

Die Android-Honeycomb-Ära markierte ab 2011 einen weiteren Umbruch: Android 3.0 war ein Tablet-exklusives Betriebssystem, das zum Marktstart des iPad-Konkurrenten Motorola Xoom veröffentlicht wurde. Auch die Point-Updates 3.1 und 3.2 waren exklusiv auf die zu dieser Zeit stark gefragten Tablets ausgelegt.

Zwar hatte das Konzept der Tablet-spezifischen Oberfläche schon nach kurzer Zeit wieder ausgedient – allerdings wurden mit Android 3.0 zahlreiche Ideen umgesetzt, die das heute bekannte Android definiert haben: Honeycomb war die erste Android-Version, die die Nutzer essenzielle Navigationsbefehle über virtuelle Bildschirmtasten erledigen ließ und führte das Konzept einer “Karten-basierten” UI ein.

Android 4.0 Ice Cream Sandwich

Während Honeycomb so etwas wie eine “Brückenversion” darstellte, bildete Android 4.0 – Codename Ice Cream Sandwich – den offiziellen Einstiegspunkt in die neue Android-Designwelt. Veröffentlicht wurde diese Version ebenfalls im Jahr 2011 – und verfeinerte in erster Linie die mit Honeycomb eingeführten, visuellen Konzepte. Zudem vereinheitlichte Google mit dieser Android-Version sein Betriebssystem für Mobiltelefone und Tablets.

Mit Android 4.0 wurde zudem die Steuerung über Wischbewegungen als integrale Methode etabliert, um sich zurechtzufinden – eine damals weltbewegende Neuerung. Darüber hinaus markierte Ice Cream Sandwich auch den Beginn der Umstellung des Android-Ökosystems auf ein standardisiertes Design-Framework, auch bekannt als “Holo“.

Android 4.1/4.2/4.3 Jelly Bean

Die Jelly-Bean-Ära erstreckte sich über drei Android-Versionen und die Jahre 2012 und 2013. Dabei wurde das frische Fundament von Ice Cream Sandwich mit Bedacht, aber zielstrebig weiter optimiert und ausgebaut. Ergebnis war ein Android-Betriebssystem, das mit neuem Schwung und Glanz zunehmend auch Mobile-Durchschnittsbenutzer begeistern konnte.

Abgesehen von der Optik brachte Jelly Bean auch einen ersten Vorgeschmack auf Google Now (das leider inzwischen zu einem zweitklassigen Newsfeed verkommen ist). Weitere Benefits, die mit Android Jelly Bean Einzug hielten, waren unter anderem ein erweitertes (sprachbasiertes) Suchsystem und Multi-User-Support. Letzteres stand allerdings nur auf Tablet-Geräten zur Verfügung. Davon abgesehen, gab auch das Quick Settings Panel in dieser Android-Version sein Debüt – genauso wie Widgets für den Sperrbildschirm.

Android 4.4 KitKat

Mit Version 4.4 kam das Zeitalter der dunklen Farbgebung bei Android zu einem Ende. KitKat brachte Ende 2013 frischere, hellere Farben für Googles Betriebssystem und sorgte damit für eine umfassende, optische Modernisierung. Premiere feierte mit Android 4.4 außerdem das allseits bekannte “OK, Google”-Freihand-Feature (das damals nur funktionierte, wenn der Startbildschirm oder die Google-App bereits geöffnet war).

Die Nutzer von Google-eigenen (Nexus-)Smartphones durften sich zudem erstmals an einem Startbildschirm-Panel erfreuen, das exklusiv für Google-Dienste reserviert war.

Android 5.0/5.1 Lollipop

Mit Lollipop führte Google im Herbst 2014 den bis heute gültigen Material-Design-Standard bei Android ein, der sich nicht nur auf das Betriebssystem selbst, sondern auch auf Apps und andere Google-Produkte auswirkte. Das kartenbasierte User Interface, das bislang punktuell in Android eingesetzt wurde, wurde mit Android 5.0 zum zentralen Designaspekt.

Davon abgesehen, brachte Android Lollipop auch einige neue Funktionen in die Android-Welt – unter anderem den weiterentwickelten “Ok, Google”-Befehl, Multi-User-Support für Mobiltelefone sowie ein optimiertes Benachrichtigungsmanagement. Leider flossen mit Lollipop auch diverse Bugs ein, die in weiten Teilen erst mit der Android-Version 5.1 ab 2015 vollständig behoben werden konnten.

Android 6.0 Marshmallow

Im Großen und Ganzen war Marshmallow – ebenfalls im Jahr 2015 veröffentlicht – eine eher unbedeutende Android-Version, die mehr wie ein Point-Update wirkte. Allerdings setzte Marshmallow den Startpunkt dafür, dass Google jährlich eine große neue Android-Version veröffentlicht.

Das auffälligste Marshmallow-Feature war die vielversprechende Bildschirmsuchfunktion “Now On Tap” – die leider nie weiterentwickelt und 2016 still und heimlich beerdigt wurde. Android 6.0 enthielt jedoch auch einige subtilere Neuerungen, etwa granularere App-Berechtigungen sowie Support für Fingerabdruckscanner und USB-C.

Android 7.0/7.1 Nougat

Die Android-Versionen mit dem Codenamen Nougat wurden 2016 veröffentlicht und ergänzten Googles Mobile OS um einen nativen Split-Screen-Modus, ein neues System, um Benachrichtigungen zu managen, und eine Data-Saver-Funktion. Darüber hinaus hatte Android 7.0 bis 7.1 auch einige kleinere, aber dennoch wichtige Features an Bord – beispielsweise einen Shortcut, um zwischen Apps zu wechseln.

Die vielleicht wichtigste Neuerung von Android Nougat war jedoch die Möglichkeit, den Google Assistant zu integrieren, der etwa zwei Monate nach dem Nougat-Debüt (zusammen mit Google erstem Pixel-Smartphone) vorgestellt wurde. Der Assistant entwickelte sich in den kommenden Jahren zu einer wichtigen Android-Komponente (und den meisten anderen Google-Produkten).

Android 8.0/8.1 Oreo

Mit Version 8.0 und 8.1 – veröffentlicht im Jahr 2017 unter dem Codenamen Oreo – erhielt Android weitere Annehmlichkeiten. Unter anderem einen nativen Bild-in-Bild-Modus, eine Schlummerfunktion für Notifications sowie tiefgehendere Möglichkeiten, App-Benachrichtigungen zu kontrollieren.

Darüber hinaus war diese Android-Version auch ein Versuch von Google, Android und Chrome OS näher zusammenzubringen und die Nutzung von Android-Apps auf Chromebooks zu optimieren. Davon abgesehen war Android 8 auch vom ehrgeizigen Bestreben geprägt, mit “Project Treble” eine modulare Basis für den Android-Quellcode zu schaffen. Die Hoffnung: Es den Geräteherstellern einfacher zu machen, zeitnah Software-Updates bereitzustellen.

Android 9 Pie

Android-Version 9, auch bekannt unter dem Codenamen Pie, brachte im August 2018 frischen Wind in Googles Mobile-Ökosystem. Die wesentlichste Änderung war dabei ein hybrides Gesten-Button-Navigationssystem, das die traditionellen Navigationstasten mit einem großen, multifunktionalen “Home Button” ersetzte.

Android Pie enthielt allerdings auch einige bemerkenswerte neue Productivity-Funktionen, beispielsweise ein universelles System, um mit vorgeschlagenen Antworten auf Nachrichten zu reagieren oder ein intelligenteres Energiemanagement. Erwähnenswert sind bei dieser Android-Version zudem zahlreiche Optimierungen in Sachen Datenschutz und Sicherheit.

Android Version 10

Im September 2019 ereilte der nächste Umschwung auch die Backwerk-affine Nomenklatur: Android 10 war die erste Version, die ausschließlich mit einer Zahl bezeichnet wird. Dazu passend brachte die Betriebssystem-Software auch eine völlig neu gestaltete Oberfläche mit sich, die ab diesem Zeitpunkt vollständig auf Wischbewegungen ausgelegt war.

Zu den wichtigen Verbesserungen, die Android 10 darüber hinaus an Bord hatte, gehörten ein aktualisiertes App-Berechtigungssystem mit tioefergehenden Kontrollmöglichkeiten, eine “Darkmode”-Option, ein Fokusmodus sowie die Möglichkeit, abzuspielende Mediendateien automatisch mit Untertiteln zu versehen.

Android Version 11

Mit Android Version 11 veröffentlichte Google im September 2020 ein umfassendes Software-Update, das zahlreiche Neuerungen brachte. Die wichtigste Änderung drehte sich um das Thema Datenschutz: Das mit Android 10 eingeführte Berechtigungssystem wurde um die Möglichkeit erweitert, Apps einmaligen Zugriff auf Standortdaten, Kamera oder Mikrofon zu gewähren.

Mit Android 11 erschwerte Google außerdem, dass Apps den Standort der Nutzer im Hintergrund ermitteln können und führte eine Funktion ein, die Apps automatisch Berechtigungen entzieht, wenn diese für längere Zeit nicht genutzt wurden. Auf Interface-Ebene bot Android 11 außerdem einen vereinheitlichten Media Player, eine Benachrichtigungshistorie, die Möglichkeit, alle verbundenen Geräte in einer Übersicht anzuzeigen sowie eine native Screen-Recording-Funktion.

Android Version 12

Die finale Version von Android 12 präsentierte Google pünktlich zur Markteinführung seiner Smartphones Pixel 6 und Pixel 6 Pro im Oktober 2021. Die wesentlichen Fortschritte waren bei dieser Android-Version direkt sichtbar: Sie bot die wohl größte Interface-Überarbeitung bei Android seit Lollipop und führte einen aktualisierten Design-Standard namens “Material You” ein. Das fußt auf der Idee, das Erscheinungsbild des Betriebssystems mit dynamisch generierten Themes an die individuelle “Farbwelt” des Benutzers anzupassen.

Davon abgesehen hatte Android 12 auch ein (lange überfälliges) neues Widget-System sowie eine Reihe grundlegender Verbesserungen in den Bereichen Leistung, Sicherheit und Datenschutz zu bieten. In diesem Zuge erweiterte Google sein Betriebssystem auch um einen isolierten Bereich, der KI-Funktionen auch ohne Netzwerkzugriff und Datenexposition ermöglicht.

Android Version 13

Mit Android 13 veröffentlichte Google im August 2022 eine der bislang ungewöhnlichsten Android-Versionen: Sie ist eines der ehrgeizigsten Android-Updates überhaupt – beinhaltet gleichzeitig aber auch vornehmlich subtile Änderungen. Für das Nutzererlebnis spielte dabei auch eine tragende Rolle, auf welchem Device Android 13 installiert wurde. Für Tablets und faltbare Smartphones führte Android 13 ein gänzlich neues Interface-Design ein – mit dem Ziel, ein verbessertes Benutzererlebnis auf größeren Bildschirmen zu realisieren. Das schlug sich auch in einem auf Multitasking ausgelegten, aktualisierten Split-Screen-Modus und einer Taskbar im Chrome-OS-Stil nieder. Darüber hinaus schuf Android 13 auch die Vorraussetzung dafür, dass Pixel-Tablets als stationäres Smart Display fungieren konnten.

Mit Blick auf Smartphones war der Release von Android 13 weit weniger bedeutsam. Neben einigen kleineren visuellen Optimierungen führte diese Android-Version ein erweitertes System für die Zwischenablage ein, eine native Funktion, um QR-Codes zu scannen, sowie weitere Optimierungen in den Bereichen Datenschutz, Sicherheit und Leistung.

Android Version 14

Nach achtmonatiger Entwicklungsphase präsentierte Google Anfang Oktober 2023 Android 14 – zeitgleich zur Vorstellung seiner Pixel-8-Smartphones. Auch diese Android-Version kam eher subtil um die Ecke: Sie brachte zum Beispiel ein neues System zum Einsatz, um Text zwischen Apps im Drag-und-Drop-Verfahren auszutauschen, sowie native Anpassungsmöglichkeiten für den Android-Sperrbildschirm. Zudem durften die Nutzer mit Android 14 auf ein integriertes Dashboard zugreifen, um sämtliche ihrer Gesundheits- und Fitness-Daten zu managen.

Darüber hinaus enthält diese Android-Version eine Reihe wichtiger Erweiterungen für die Barrierefreiheit – etwa eine On-Demand-Lupe, verbesserten Support für Hörgeräte sowie die Möglichkeit, eingehende Nachrichten über den Kamerablitz zu visualisieren. Die Benutzer von Pixel 8 und Pixel 8 Pro durften mit Android 14 auch erstmals und exklusiv Googles KI-basierten Wallpaper Creator austesten.

Android Version 15

Technisch betrachtet hat Google Android 15 bereits im September 2024 veröffentlicht – allerdings tauchte die neue Android-Version erst ab Mitte Oktober auf den hauseigenen Pixel-Geräten auf.

Mit Android 15 hält eine ganze eine Reihe bemerkenswerter neuer Funktionen Einzug. Darunter eine „Private Space“-Option, die es ermöglicht, sensible Applikationen beziehungsweise Inhalte mit einer zusätzlichen Authentifizierungsebene auszustatten. Davon abgesehen verbessert Version 15 auch die mit Android 13 eingeführten Multitasking-Systeme weiter: Die Android Taskbar ist jetzt optional dauerhaft präsent. Außerdem lassen sich bestimmte App-Kombinationen ab Version 15 mit einem Fingertipp im Split-Screen-Modus aufrufen.

Weitere nennenswerte Neuerungen von Android 15 sind ein neu designtes Lautstärkeregelungs-Panel sowie ein (Pixel-exklusives) „Adaptive Vibration“-Feature, dass die Vibrationsintensität an der jeweils aktuellen Umgebung ausrichtet.

Android Version 16

Mit dem Jahr 2025 hat Google beschlossen, seinen bisherigen Android-Upgrade-Zyklus aufzubrechen: Beginnend mit der Veröffentlichung von Version 16 sollen künftig pro Jahr zwei Android-Versionen erscheinen. Den ersten Teil dieses Versprechens hat Google bereits mit der Veröffentlichung von Android 16 im Juni 2025 umgesetzt.

Zu den wichtigsten neuen Funktionen von Android 16 zählen unter anderem Live-Updates – eine neue Art von Benachrichtigungen, die ähnlich funktionieren wie die Live-Aktivitäten bei iOS. Darüber hinaus verspricht Version 16 des Google-Mobile-Betriebssystems auch eine Reihe von Verbesserungen für die Benutzeroberfläche, ein besseres Desktop-Erlebnis sowie Support für striktere Netzwerksicherheitsregeln.   

Android Version 17

Die erste Beta-Version von Android 17 wurde von Google Mitte Februar 2026 veröffentlicht. Eine zweite Beta folgte bereits wenig später. Die finale Version des aktuellen Google Mobil-Betriebssystems wurde Mitte Juni 2026 veröffentlicht. Ein Fokus liegt bei Android 17 auf einer optimierten User Experience für faltbare Devices und Tablets, ein weiterer auf KI.

🖐 Five things you need to know about Android 17:

1️⃣ The intelligence system
2️⃣ Adaptive-first
3️⃣ Performance improvements
4️⃣ Permissions through pickers
5️⃣ Pro-quality camera & media

Read the details → https://t.co/jiij02K3Gr pic.twitter.com/X7QcuvBJdo

— Android Developers (@AndroidDev) June 24, 2026

(fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation Computerworld.com erschienen.

Michael Taylor has spent 25 seasons with the Mercedes-AMG Petronas F1 team, working every IT role from trackside support to engineering systems to business transformation. Today, as IT director, he leads an 18-person team responsible for one of the most data-intensive operations in the world.

When a car rolls out of the garage, it carries 300 sensors. When it’s running, it generates more than a million data points per second. Every component, system, and lap produces telemetry that engineers use to find fractions of a second — the difference between winning and losing.

“Formula One has been data-centric for many years,” Taylor says. “The key metric in our sport is the stopwatch, and that’s been true since the World Championship began in the 1950s. But now we instrument everything. If you measure it, you can improve it.”

The challenge isn’t collecting data — Formula One has been streaming live telemetry since the 1980s. It’s making decisions at speed while maintaining the governance that keeps a complex, high-stakes operation running.

For CIOs navigating the pressure to move fast on AI while managing risk, security, and data quality, Taylor’s hard-won lessons from the pit lane offer a useful framework: how to balance speed and control, when to keep humans in the loop, and why “good enough” governance beats perfect governance that never ships.

Innovation vs. stability: ‘A constant battle’

In most enterprises, the tension between innovation and control plays out over quarters or years. In F1, it happens weekly.

“It’s really tough,” Taylor admits. “And something we don’t always get right. This is where we rely on people. Industry experience is really important when making decisions around change.”

The team operates in two distinct modes. Between races, they’re at the factory in Brackley, UK. The site, which is headquarters for the design, manufacturing, and operation of their championship-winning Formula One cars, includes a 60,000-square-meter technology campus. It’s all project and program management, with room for experimentation. But as race weekend approaches, everything shifts to execution.

“We have that kind of normal mode when we’re not racing. We’re back at the factory designing and building and improving,” Taylor explains. “But as we get closer to race weekend, we switch to executing that in the most effective way. We have to not make changes that will impact engineers.”

This duality shapes every technology decision. The same agility that drives innovation during the week must yield to stability when results are on the line. Taylor calls it a “constant battle.”

Modernizing at racing speed

Mercedes-AMG Petronas had run SAP since 1999. The platform underpins the team’s entire design-to-track process — from design release through planning, procurement, manufacturing, testing, and development, all the way to reassembling the car trackside.

“All of those steps are core processes,” Taylor says.

So, when it came time to modernize, the team approached it like a pit stop: planned to the second, executed with precision. They chose RISE with SAP — the vendor’s bundled cloud ERP and migration package — agreeing to the journey in December 2024 and targeting a go-live in August 2025, aligned with the sport’s mandatory two-week shutdown.

“It’s the perfect window to make changes,” Taylor says. “We have to plan everything to perfection so it goes smoothly when we start racing again.”

They finished eight weeks ahead of schedule.

“We are control freaks because of the sport and its time-bound nature,” Taylor says. His team prefers to own and manage systems in-house rather than rely on large systems integrators who “dip their toes in and disappear,” Taylor says. With just 18 people on the IT team, they tap SAP’s expertise for specific problems, then take back the reins. “Once done, we continue to own and manage,” Taylor explains, “and SAP does what they do best.”

The secure path must be the easiest path

Intellectual property in F1 racing has a short shelf life. Once a new component is on the car and photographed in the pit lane, competitors can see it. But that doesn’t diminish the value of what’s behind it.

“The real advantage is not just the part,” Taylor says. “It’s the thinking, the modeling, the simulation, the failure modes, the trade-offs, and the development direction behind it.”

Protecting that requires an offensive security posture. Taylor’s head of information security reports directly to him, and the team actively probes its own defenses.

“Act like, think like, work like a hacker,” Taylor says. “We’re thinking about how we can counter threats without impact on end-users.”

In an engineering-permissive culture where people are empowered to move fast, heavy-handed security backfires. Taylor learned early that perfection is the enemy of progress.

“If security gets in the way of the business, the business will find ways to work around it,” he says. “The job is not to slow the organization down; it’s to make the secure path the easiest path.”

Humans in the loop

With AI evolving weekly, Taylor’s team is running pilots across the organization: machine learning for simulation, agentic workflows in production planning, copilots helping developers write code. But he’s resisting the urge to rush.

“We’re still finding our way,” he says. “There’s no one-size-fits-all. We’re playing with everything available, but in six to ten months we’ll make decisions about what to scale.”

Despite the hype around autonomous AI, Taylor remains committed to human oversight.

“I’m still very much ‘humans should be in the loop,’” he says. “When our workforce is harmonized with AI, that’s where we’ll see real benefit — where it complements our people.”

AI has also raised the bar for data governance. “Good enough now includes stronger visibility, cleaner permissions, and clearer ownership,” Taylor says. “You have to be more deliberate about what data AI is allowed to access.”

Start with consequence

Taylor’s advice to CIOs in other industries wrestling with similar questions is deceptively simple: “Start with consequence, not technology.”

In financial services, it might be customer harm or a regulatory breach. In healthcare, patient safety or loss of public trust. In F1, the consequence of a security failure is loss of competitive advantage.

“Once you understand the consequence, you can decide what needs the strongest control, what needs monitoring, what needs retention, and what simply needs better hygiene,” Taylor says.

It’s a lesson learned over 25 seasons at the edge of what’s technically possible — where decisions happen in milliseconds, and the margin between success and failure is measured in fractions of a second.

It is lap 47 of 57.

Before the race began, the team had already processed gigabytes of race data, simulations, tire models, weather forecasts, competitor tendencies and scenario plans. But on the pit wall, there is tension.

The race leader’s tires are degrading faster than predicted. A rival has just pitted for fresh tires and is closing the gap by three-tenths of a second per lap. The lead may not hold. In short, the race is not going to plan.

A strategist now has only seconds to synthesize live telemetry, competitor data, weather projections, tire inventory, track position and race simulations into one call that could determine the outcome.

They do not have those seconds because they are simply fast. They have them because the entire system behind the decision was designed that way: the data architecture, simulation models, communication protocols, decision rights, scenario playbooks and feedback loops all work together to compress complexity into a clear decision window.

What if this is not just a racing story? What if it is also a blueprint for how the best enterprises will operate in the AI era?

This builds on a broader shift I’ve described as the intent-driven future of work, where enterprise work begins less with navigating systems and more with expressing outcomes, context and intent.

The AI advantage will not belong to companies with the most tools. It will belong to companies that redesign how work senses, decides, acts and learns.

AI isn’t just a faster engine

The popular story about Formula 1 is usually about speed or the quality of the driver. The fastest car with the most powerful engine with the driver with the quickest reflexes will win. But anyone who follows the sport closely knows that raw speed is only the starting point.

Every car on the track is fast. Speed gets you into the race. It does not guarantee you a win.

The teams that win consistently do so because of the quality of the system surrounding the car. They connect telemetry, simulations, strategy, engineering, pit operations, driver judgment and real-time learning into one high-performance operating model.

Every part of that operating model matters. But the best individual part alone does not win the race.

Enterprise AI strategy is at risk of making the same mistake that would keep an F1 team stuck in the middle of the pack: investing heavily in the engine while underinvesting in the entire race system.

I see enterprising investing in more copilots, more agents, more dashboards, more tools and ultimately more automation. 

The AI systems perform their tasks at unprecedented speed. But the business outcomes do not change. In many ways, AI is becoming a new operating system of work not because it replaces every application, but because it changes how intent, context, workflow and execution come together.

That is the gap many organizations are now facing. They have access to powerful AI capabilities, but they have not yet redesigned the operating model around those capabilities. The result is faster individual task execution inside disconnected systems, fragmented workflows and unclear accountability. In fact, a recent McKinsey report found that 88% use AI but two-thirds haven’t scaled it.

The next phase of AI value will not come from simply adding more AI tools. It will come from redesigning how the enterprise senses, decides, acts and learns.

The enterprise has too many disconnected signals

Most enterprises do not suffer from a lack of signals. In fact, they are everywhere across the business.

Customer intent signals, campaign performance data, product usage patterns, sales activity, support interactions, contract information, financial indicators, employee sentiment, security events and operational metrics already exist throughout an organization.

The problem is signal fragmentation.

The average knowledge worker has become the integration layer of the enterprise. They move between CRM, marketing automation, analytics dashboards, spreadsheets, collaboration tools, support systems, workflow platforms and financial reports. Then they manually assemble context that no single system provides.

They do this to answer questions that should take seconds, not hours.

• Which customer needs attention?
• Which opportunity is at risk?
• Which process is slowing down execution?
• Which signal should trigger action?
• Which decision needs human judgment?

In Formula 1 terms, this would be like a pit crew strategist having to call five different team members to gather tire degradation data, track conditions, competitor lap times, fuel load, weather forecasts and pit stop windows before making a race-defining call.

The data exists. But the latency in accessing, interpreting and acting on it makes it less valuable at the moment of decision.

That is the signal-to-action gap. And closing that gap is one of the most important opportunities in enterprise AI.

The new operating model: Sense, decide, act, learn

The AI-native enterprise needs to operate more like a Formula 1 team: continuously sensing, deciding, acting and learning.

• Sense is the foundation. It means connecting the right signals across systems, workflows, customers, employees and operations into a layer that AI can reason across. This is not just reporting on the past. It is creating the ability to understand what is happening now and anticipate what is likely to happen next.
• Decide is where AI intelligence and human judgment come together. AI can surface context, detect patterns, model options and recommend actions. Humans bring business judgment, ethical reasoning, organizational context and accountability. The quality of this partnership depends on the quality of the signals and context available to both.
• Act is where intelligence turns into execution. The goal is not another recommendation sitting in a dashboard. The goal is a workflow that triggers the right action, with the right controls, at the right time.
• Learn is where the operating model becomes a competitive advantage. Every action should generate feedback. Every outcome should improve the next recommendation. Every workflow should become smarter over time.

In Formula 1, every lap creates learning. Tire wear, track temperature, driver feedback, competitor movement and weather changes continuously reshape strategy.

The enterprise needs the same kind of learning loop.

Semantic intelligence is the missing layer

To close the signal-to-action gap, enterprises need more than data integration. They need semantic intelligence.

Semantic intelligence is what helps AI understand enterprise meaning. It connects business language, customer context, workflow relationships, policies, roles, systems and outcomes so AI can reason across the business, not just retrieve information from systems.

A customer health score is not just a number. Its meaning depends on product usage, renewal timing, support history, stakeholder engagement, commercial value, sentiment, implementation milestones and prior interventions.

A delayed workflow is not just a status update. It may signal unclear ownership, missing approvals, poor handoffs, missing context, poor data quality or a decision that needs escalation.

A sales opportunity at risk is not just a CRM field. It may reflect adoption gaps, customer sentiment, usage decline, executive sponsor changes, pricing friction, support issues or service delivery risk.

Without semantic intelligence, AI can summarize what happened. With semantic intelligence, AI can understand what matters, why it matters, who needs to act and what action is most likely to improve the outcome.

This is where enterprise AI value compounds. Foundation models will become broadly available. The model itself will not be the moat. The moat will be enterprise context, semantic intelligence, workflow intelligence, governance and learning loops.

Redesign work before automating it

There is a warning in the Formula 1 analogy that deserves attention: adding more power to a poorly designed system does not make it high performing.

The same is true for enterprise AI. Adding AI to a broken workflow does not fix the workflow. It just compounds the dysfunction.

If the data is fragmented, AI will produce incomplete recommendations confidently. If governance is disconnected from execution, AI can scale risk as quickly as it scales productivity.

The question teams ask shouldn’t be, “Where can we insert AI into this existing process?”

The better question is, “If we were designing this work from scratch, knowing what AI now makes possible, how should it operate?”

This pushes leaders to clarify where work starts, what signals matter, which decisions should be automated, where human judgment is required, what controls must be embedded, how outcomes should be measured and how the system should learn.

This is where CIOs, CTOs and technology leaders have an expanded role. AI transformation is no longer only about deploying technology. It is about redesigning how the enterprise works.

Context becomes the differentiator

In a world where every enterprise can access powerful models, context becomes the differentiator.

The winning organizations will not be the ones with the most AI tools. They will be the ones with the strongest enterprise context and the clearest path from signal to action.

That context includes customer history, product usage, workflow patterns, decision history, business rules, governance standards, risk boundaries, organizational knowledge and outcome feedback.

It also includes knowing what happened after a decision was made. Did the action improve retention? Did it accelerate a deal? Did it reduce cycle time? Did it improve customer experience? Did it create risk? Did it scale?

Without that feedback, AI remains a recommendation layer. With it, AI becomes part of a learning operating model.

This is why the most important AI investments are not always the most visible ones. Data quality, identity, access, governance, workflow integration, observability, semantic models, feedback loops and change management may not sound as exciting as the latest AI agent. But they are what allow AI to create durable enterprise value.

The CIO as architect of the race system

The CIO’s role is evolving from technology operator to architect of the enterprise race system.

That means connecting strategy, workflows, data, platforms, governance, security, talent and execution into an operating model that can move faster without losing control. The CIO’s job is no longer just to provide platforms. It is to design the conditions where intelligence can move safely and effectively through the enterprise with the right context, controls, accountability and feedback loops.

Business teams need the ability to experiment and innovate. But they need to do so within clear standards for data access, identity, security, privacy, model usage, auditability, human oversight and business accountability.

This is the balance every enterprise needs to strike: speed with control.

The future is federated innovation with centralized guardrails. It is an enterprise operating model where more people can create value with AI, but within a trusted architecture that protects the company, the customer and the quality of decisions.

The companies that pull ahead in the next decade will not be the ones that deployed AI first or assembled the largest portfolio of tools.

They will be the ones who built the enterprise equivalent of a winning Formula 1 race system: a connected operating model.

In Formula 1, the gap between the team that wins the championship and the team that finishes fourth is often measured in tenths of a second per lap. Compounded over a race distance, those tenths become decisive.

The same dynamic is emerging in enterprise AI.

This article is published as part of the Foundry Expert Contributor Network.
Want to join?

Das Allerwichtigste zuerst: Gehälter müssen zum Markt passen. Wer schlechter als die Konkurrenz zahlt, hat schnell das Nachsehen. Um nicht an Wettbewerbsfähigkeit zu verlieren, sollte ein Unternehmen daher regelmäßig nachsteuern und, wenn nötig, auf starke Marktschwankungen reagieren. Das gilt besonders für Mitarbeitende in High-Demand-Rollen – Positionen, für die es eine große Nachfrage auf dem Arbeitsmarkt gibt und die das Angebot an qualifizierten Fachkräften übersteigt. Weitere wesentliche Aspekte für ein gutes Kompensationssystem sind Transparenz, leistungsorientierte Bezahlung und “formelgetriebene” Vergütungsentscheidungen.  

Für letztere ist die Einführung eines Leveling-Systems entscheidend: Denn erst klare Stufen mit transparenten Kriterien für Verantwortung, Gehalt und Entwicklung sorgen für echte Fairness und Vergleichbarkeit. Aus diesen Punkten lassen sich die drei wichtigsten Prinzipien eines guten Kompensationssystems ableiten: 

1. Gerecht und klar: Ziel des Vergütungssystems sollte sein, dass es so deutlich, verständlich, fair und nachvollziehbar ist, dass Mitarbeitende nur selten an Gehaltsfragen denken. 
2. Konsequent und transparent: Feste Leitlinien verringern Unruhe und sorgen dafür, dass Leistung, Fairness und Unternehmenswerte im Zentrum stehen. 
3. Sauber etabliert: Auf diese Art und Weise kann ein Kompensationssystem über Jahre skalieren. Vor allem wenn es früh mit Leveling und Performance Reviews verzahnt wird. 

Insbesondere die Komponenten Fairness und Transparenz sind mehr als nur ein wichtiger Grundsatz. Sie sind gleichzeitig das Fundament jeder Vergütungsphilosophie. 

 

Vergütungsphilosophie: Den „North Star“ schaffen

Ein Kompensationssystem kann nur dann transparent sein, wenn es für alle offen liegt. Dafür braucht es ein formelles Dokument, das die Grundprinzipien und Leitwerte eines Unternehmens zur Vergütung – also Gehalt, Equity, variable Bestandteile und Benefits – festlegt. Dieses Dokument ist der wichtigste Orientierungspunkt für die Belegschaft einer Organisation – der sogenannte “North Star”. Drei Aspekte, die hier mitgedacht werden müssen, sind:

• das Ziel der Philosophie (etwa Talente gewinnen und halten, Wettbewerbsvorteile),
• an welchen Werten sich Vergütungsentscheidungen orientieren sollen, und
• welche Bestandteile (beispielsweise Fixum, Boni, Equity, Benefits) im Fokus stehen. 

Damit die Vergütungsphilosophie zur gelebten Praxis wird, müssen einerseits wichtige Stakeholder wie Eigentümer, Gründer, Geschäftsführung, CFO und HR das Zielbild mittragen. Andererseits sollte mithilfe einer Arbeitsgruppe – bestehend aus ausgewählten Mitarbeitenden – ausgelotet werden, ob das Kompensationssystem verständlich und umsetzbar ist.  

Erst wenn Management und Mitarbeitende ihr Go gegeben haben, ist es an der Zeit, die Vergütungsphilosophie unternehmensweit zu kommunizieren. Doch eine Philosophie allein reicht nicht – entscheidend ist, wie sie in der Vergütungspraxis umgesetzt wird. Dafür muss, wie oben beschrieben, beim Aufsetzen des “North Stars” entschieden werden, welche Instrumente das Unternehmen in der Praxis einsetzen möchte. Im Folgenden greifen wir zwei mögliche Bestandteile auf und erörtern diese: Boni und Equity Compensation. 

1. Boni

Ein System, das viele Stolperfallen birgt, sind Boni. Dennoch kann ein Bonussystem je nach Abteilung sinnvoll sein. Im Vertrieb ist es beispielsweise unverzichtbar. Hier helfen Boni Mitarbeitende auf Zielerreichungen, Deals und Upsells hinzusteuern. Gleichzeitig erzeugen sie einen psychologischen Effekt: Sie fördern Eigenverantwortung und Motivation, weil Erfolge direkt spürbar belohnt werden. 

Die Kehrseite ist, dass schlecht ausgestaltete Boni demotivierend wirken können. Das gilt etwa, wenn das Ziel schlecht oder gar nicht erreichbar ist. Außerdem können sie die Perspektive verengen und zu Instabilität im Team sowie Silo-Incentivierung führen. 

Vorteile Boni	Nachteile Boni
Unterstützen Ausrichtung auf Unternehmensziele	Boni bringen nicht immer zusätzliche Motivation
Förderung von Eigenverantwortung und Motivation	Demotivation bei schlechter Ausgestaltung
Steuerung von Zielerreichung, Deals und Upsells im Vertrieb	Gefahr der „KPI-Engführung“
Positiver psychologischer Effekt	Kurzfristiger Fokus statt nachhaltigen Erfolges
Finanzielle Flexibilität für Unternehmen	Erhöhter Administrations- und Abstimmungsaufwand

2. Equity Compensation

Equity Compensation kann eine Alternative zu Boni sein. Dabei erhalten Fachkräfte zusätzlich zu ihrem Fixgehalt Unternehmensanteile. Das Ziel: Sie werden am erfolgsabhängigen Wertzuwachs der Organisation beteiligt. Dabei gibt es verschiedene Formen von Anteilen – die gängigsten drei:

• Stock Options: Kaufoptionen von Aktien zu einem festgelegten Preis, unabhängig vom aktuellen Kurs. 
• Restricted Stock Units (RSU): Mitarbeitende erhalten vom Unternehmen das Versprechen, nach einer bestimmten Zeit Aktien zugesprochen zu bekommen, die sie bis dahin jährlich oder quartalsweise ansammeln („vesten“). Verlassen sie das Unternehmen vor Ablauf der Frist, verfallen die bereits ‘gevesteten‘ RSUs. 
• Virtual Stock Option Plans (VSOP): Statt echter Aktien erhalten Fachkräfte einen vertraglichen Anspruch auf den Unternehmenswert bei Verkauf oder Börsengang. Ausgezahlt wird die virtuelle Beteiligung als Geldleistung. 

Diese Vergütungsform verschafft Unternehmen mehrere Vorteile: Zum einen steigert sie die Attraktivität für High Performer, zum anderen reduziert sie die Payroll beziehungsweise den direkten ‚cash-bezogenen‘ Personalkostenanteil. Außerdem sind solche Beteiligungen meist mit Laufzeiten verbunden, wodurch die Bindung von Talenten gefördert wird. Für Fachkräfte können Equity Compensations einerseits ein starkes Motiv sein, sich für den Unternehmenserfolg zu engagieren. Andrerseits können Aktien und andere Beteiligungen auch an Wert verlieren, wenn die Geschäfte schlecht laufen. 

Ob und in welcher Form Equity Compensation tatsächlich implementiert werden kann, hängt jedoch maßgeblich von den steuerlichen und regulatorischen Rahmenbedingungen ab. In Deutschland werden Mitarbeiterbeteiligungen meist als reguläres Arbeitseinkommen besteuert – und das häufig zu einem deutlich höheren Satz als Investoren. Hinzu kommen zahlreiche bürokratische Hürden, die die Umsetzung komplex und teuer machen. Eine derartige Vergütungsform sollte demnach genauestens durchdacht werden. 

Die richtigen Anreize setzen

Der Wettbewerb um (Tech-)Talente wird sich in den kommenden Jahren weiter verschärfen. Wer sie gewinnen und langfristig binden möchte, sollte daher auf die richtigen Anreize setzen. Die Vergütung, als einer der strategisch wichtigsten Hebel im Personalmanagement, ist einer davon. 

In diesem Zusammenhang sollte ein modernes Kompensationssystem, das auf den Grundprinzipien Fairness, Transparenz und konsequente Umsetzung basiert, der Standard sein. Elemente wie Boni oder Equity Compensation können ergänzend zum Fixgehalt eingesetzt werden, sollten in ihren Vor- und Nachteilen aber im Detail durchdacht und mit der Vergütungsphilosophie im Einklang sein. Entscheidend ist, dass das System nachvollziehbar bleibt und Motivation sowie Loyalität fördert. Nur so wird Vergütung zu einem strategischen Erfolgsfaktor und wettbewerbsrelevanten Hebel. (pg/fm)

Sie wollen weitere interessante Beiträge zu diversen Themen aus der IT-Welt lesen? Unsere kostenlosen Newsletter liefern Ihnen alles, was IT-Profis wissen sollten – direkt in Ihre Inbox!

Pythons opulentes Tool-Ökosystem ist einer der wesentlichen Vorzüge der Programmiersprache. Die Kehrseite: Weil es so viele Python-Tools gibt, ist es allzu leicht, wirklich gute zu übersehen. Deshalb haben wir in diesem Artikel sieben empfehlenswerte Data-Science-Tools für Python zusammengestellt, die bislang (noch) nicht ins Rampenlicht gerückt sind.

1. ConnectorX

Daten liegen in der Regel in einer Datenbank – werden jedoch außerhalb dieser verarbeitet. Daten aus der Datenbank zu extrahieren oder hinzuzufügen, kann dabei ein echter Zeitfresser sein. ConnectorX lädt Informationen aus Datenbanken direkt in gängige Datenverarbeitungs-Tools für Python. Dazu sind meistens nur ein paar Zeilen Python-Code und eine SQL-Abfrage nötig.

Das Kernstück von ConnectorX ist eine Rust-Bibliothek. Das ermöglicht beispielsweise, Daten aus einer Quelle zu laden und parallel zu partitionieren. PostgreSQL-Daten lassen sich etwa einladen, indem eine Partitionsspalte spezifiziert wird. Neben PostgreSQL liest ConnectorX auch Daten ein aus

• MySQL/MariaDB,
• SQLite,
• Amazon Redshift,
• Microsoft SQL Server,
• Azure SQL, sowie
• Oracle.

Die Ergebnisse können anschließend in einen Pandas– oder PyArrow-DataFrame, in Modin oder Dask (über Pandas) oder auch in Polars (über PyArrow) weiterverwendet werden. Allgemeiner Support für ODBC ist derzeit in Arbeit.

2. DuckDB

Wie andere OLAP-Datenbank-Engines verwendet DuckDB einen spaltenorientierten Datenspeicher und ist für langfristig laufende Analyse-Workloads ausgelegt. DuckDB bietet jedoch sämtliche Funktionen, die man von einer traditionellen Datenbank erwarten würde – etwa ACID-Transaktionen. Ein weiterer Vorteil: Sie müssen keine separate Software-Suite konfigurieren. Innerhalb einer Python-Umgebung installieren Sie DuckDB mit folgendem Befehl: pip install duckdb.

DuckDB verarbeitet Daten im CSV-, JSON- oder Parquet-Format sowie aus einer Vielzahl weiterer, gängiger Datenquellen. Die resultierenden Datenbanken lassen sich aus Effizienzgründen basierend auf Schlüsselwerten (etwa Jahr und Monat) auch in mehreren physischen Dateien partitionieren. Die Datenabfrage funktioniert wie bei jeder anderen SQL-basierten, relationalen Datenbank – allerdings mit zusätzlichen integrierten Funktionen. Etwa, zufällige Daten-Samples zu nehmen oder Fensterfunktionen zu erstellen.

DuckDB verfügt darüber hinaus auch über eine kleine, aber sehr nutzwertige Sammlung von Extensions. Diese kommen beispielsweise zum Einsatz für:

• Volltextsuchen,
• beschleunigte Vektorähnlichkeitssuchen,
• Excel-Importe und -Exporte,
• direkte Verbindungen zu SQLite und PostgreSQL,
• Parquet-Dateiexporte, sowie
• Support für diverse gängige Geodatenformate und -typen.

3. Optimus

Daten zu bereinigen und vorzubereiten, ist in DataFrame-zentrierten Projekten eine eher undankbare Aufgabe. Das All-in-One-Toolset Optimus will diese erleichtern, indem es Entwicklern ermöglicht, Daten in, beziehungsweise aus einer Vielzahl von Quellen zu laden, zu erkunden, zu bereinigen und zurückzuschreiben.

Als zugrundeliegende Daten-Engine kann Optimus neben Pandas auch Dask, CUDF, Vaex oder Spark nutzen. Daten lassen sich einer Vielzahl gängiger Quellen laden, etwa Arrow oder Parquet. Darüber hinaus werden auch Flatfile-Formate wie CSV und JSON unterstützt.  

Die API zur Datenmanipulation ähnelt der von Pandas, erweitert diese jedoch um die Zugriffsmethoden .rows() und .cols(). Das ist beispielsweise nützlich, um:

• einen DataFrame zu sortieren,
• nach Spaltenwerten zu filtern,
• Daten nach bestimmten Kriterien zu verändern, oder
• den Anwendungsbereich anhand bestimmter Kriterien zu simplifizieren.

Zusätzlich beinhaltet Optimus auch Prozessoren, um reale Datentypen wie E-Mail-Adressen und URLs zu verarbeiten.

Problematisch ist mit Blick auf Optimus möglicherweise, dass die letzte offizielle Version aus dem Jahr 2020 stammt. Es ist also möglicherweise nicht so aktuell wie andere Komponenten in Ihrem Stack.

4. Polars

Wenn Sie viel Zeit mit DataFrames verbringen und regelmäßig von den Performance-Grenzen von Pandas frustriert sind, sollten Sie einen Blick auf Polars werfen.

Die DataFrame-Bibliothek für Python bietet eine komfortable Syntax, die der von Pandas ähnelt – greift jedoch auf eine Rust-Bibliothek zurück, die die vorhandene Hardware optimal nutzt. Um Features wie Parallelverarbeitung oder SIMD zu nutzen, ist keine spezielle Syntax notwendig – alles läuft automatisch. So laufen selbst simple Vorgänge wie aus einer CSV-Datei zu lesen, deutlich schneller ab. Rust-Entwickler können zudem auch ihre eigenen Extensions für Polars entwickeln – mit pyo3.

Polars bietet sowohl Eager- als auch Lazy-Ausführungsmodi – Queries lassen sich also sofort oder bei Bedarf auch zeitverzögert fahren. Das Python-Tool wartet außerdem mit einer Streaming-API auf, um Abfragen inkrementell zu verarbeiten. Allerdings ist Streaming für diverse Funktionen noch nicht verfügbar. Wenn doch, greift Polars dazu auf eine In-Memory-Engine zurück.

Das Tool ermöglicht außerdem (über die externe Graphviz-Bibliothek), sich mit Hilfe von Execution-Graphen ein Bild davon zu machen, wie viel Speicher- und CPU-Ressourcen eine Abfrage nutzt.  

5. DVC

Ein weit verbreitetes Problem im Zusammenhang mit Data-Science-Projekten ist die Versionskontrolle (nicht des Projektcodes, sondern der Daten). Mit dem Tool DVC (Data Version Control) lassen sich Versionsdeskriptoren an Datensätze anhängen. Diese lassen sich wie der Rest des Codes in Git einchecken, um die Versionen von Daten und Code konsistent zu halten.

DVC kann nahezu jede Art von Datensatz tracken, solange diese sich in einer Datei abbilden lassen. Dabei spielt es keine Rolle, ob die Daten in einem Remote-Storage-Service oder lokal vorgehalten werden. Das Konzept: Sie beschreiben über eine “Pipeline“, wie Datenmodelle gemanagt und genutzt werden.

DVC kann allerdings mehr, als nur Daten zusammen mit Code zu versionieren. Das Tool kann zum Beispiel auch fungieren als:

• schneller Datencache für remote gehostete Daten,
• Methodik, um Experimente zu tracken, die mit den Daten durchgeführt werden, und
• Register oder Katalog für Machine-Learning-Modelle, die mit den Daten erstellt wurden.

Benutzer von Visual Studio Code können DVC-Workflows über die entsprechende Extension in ihren Editor integrieren.

6. Cleanlab

Weil es teuer und zeitaufwändig ist, saubere, korrekt gelabelte Daten zu erstellen, sind hochwertige Datensätze für Machine-Learning-Zwecke Mangelware. Manchmal bleibt Datenwissenschaftlern keine andere Wahl, als mit Rohdaten oder inkonsistenten Informationen zu arbeiten. Für dieses Szenario wurde das Tool Cleanlab entwickelt.

Dieses Python-Daten-Tool nutzt vorhandene, hochwertige Machine-Learning-Datensätze, um solche von geringerer Qualität, die nicht oder nur unzureichend gekennzeichnet sind, zu analysieren. Anders ausgedrückt: Sie erstellen ein Modell auf der Grundlage des ursprünglichen Datensatzes. Anschließend finden Sie mit Cleanlab heraus, was in diesem ursprünglichen Datensatz verbessert werden muss – und trainieren dann das Modell erneut mit Ihrem automatisch bereinigten und angepassten Datensatz.

Cleanlab funktioniert unabhängig von Datenmodellen und -Frameworks. Es spielt also keine Rolle, ob Sie PyTorch, OpenAI, Scikit-learn oder Tensorflow nutzen – Cleanlab arbeitet mit jedem Classifier. Dabei verfügt das Tool dennoch über spezifische Workflows für gängige Tasks wie:

• Token-Klassifizierung,
• Multi-Labeling,
• Regression,
• Bildsegmentierung, oder auch
• Objekt- und Outlier-Detection.

Idealerweise machen Sie sich anhand diverser Beispiele selbst ein Bild davon, wie der Prozess funktioniert und welche Ergebnisse zu erwarten sind.

7. Snakemake

Data-Science-Workflows sind diffizil einzurichten. Noch schwieriger ist es aber, das auf konsistente und vorhersehbare Weise zu erledigen. Um diesen Prozess zu automatisieren und Datenanalyse-Workflows so aufzusetzen, dass alle Beteiligten die gleichen Ergebnisse zu erhalten, wurde Snakemake entwickelt. Dabei gilt: Je mehr bewegliche Teile Ihr Data-Science-Workflow enthält, desto größer ist die Wahrscheinlichkeit, dass Sie davon profitieren werden, diesen mit Snakemake zu automatisieren.

Snakemake-Workflows ähneln dabei GNU-Make-Workflows: Sie definieren die Schritte des Workflows mit Regeln. Diese legen fest, was aufgenommen sowie ausgegeben wird – und welche Befehle ausgeführt werden müssen. Die Workflow-Regeln können multithreaded sein und Konfigurationsdaten lassen sich über JSON- oder YAML-Dateien einspielen. Sie können in Ihren Workflows außerdem auch Funktionen definieren, um die in den Regeln verwendeten Daten zu transformieren – und die bei jedem Schritt ausgeführten Aktionen zu protokollieren.

Snakemake-Jobs sind zudem portabel – sie können sowohl in Managed-Kubernetes- als auch bestimmten Cloud-Umgebungen bereitgestellt werden. Und:

• Workloads lassen sich auch “einfrieren”, um einen bestimmten Satz von Packages zu verwenden,
• für erfolgreich ausgeführte Workloads können automatisiert Unit-Tests erstellt und gespeichert werden – für eine langfristige Archivierung auch als Tarball.  

(fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.

The Bundesliga has long talked about turning “data into devotion,” and now it has an agentic AI companion in its official app that lets fans chat in natural language, access live stats and historical context, and view personalized video highlights—all without leaving the app.

Bundesliga is the premier professional soccer league in Germany. It built its new AI companion, called Captain, on AWS and embedded it in the official league app. For IT pros, this is more than just a clever sports-tech use case. It’s an early glimpse of what the customer experience will feel like when generative and agentic AI are not bolted on but, instead, become the primary way users navigate data, content, and services.

Understanding Captain

Captain serves as a conversational interface in the Bundesliga app, acting like a knowledgeable friend who watches every game with you. Fans can ask questions like, “How has Jamal Musiala been playing for Bayern this season compared to his national team?” and receive responses grounded in official league data, complete with stats, historical context, and relevant clips.

Key capabilities include:

• On-demand access to live statistics, historical match data, tactical analysis, trivia, and video highlights via chat.
• Proactive insights during key moments, such as goals, penalties, milestones, where AI agents surface streaks, records, or parallels to historic games.
• A “coach mode” that gamifies learning the sport, adapting explanations and daily lessons to each fan’s knowledge level.

Under the hood, Captain uses a multi-agent architecture built on Amazon Bedrock and Amazon Nova, dynamically routing each request to the appropriate model and workflow. Simple questions go to a lightweight model, while complex reasoning and data mashups are handled by more capable models, with text-to-SQL pipelines translating natural language into queries against the Bundesliga’s analytics stack. The result is a conversational front end built on a robust data platform.

The data foundation

What makes this notable is not only the UI but also the data infrastructure needed to deliver these capabilities. Historically, the Bundesliga tracked one point per player per second, generating roughly 3.6 million data points per match. With their move to 3D skeletal tracking—21 points per player at 50 frames per second—they now process roughly 200 million data points per match.

That data lands in a modern analytics and AI stack on AWS, including:

• Streaming ingestion via Amazon MSK and other services to handle real-time feeds.
• A data lake and lakehouse foundation using S3 Tables and Apache Iceberg for open, schema-evolving storage.
• Query and analytics via Amazon Athena and associated text-to-SQL workflows for on-the-fly question answering.
• Vector stores to cache question-to-SQL patterns and reduce cost on repeated queries.

On top of this, a set of agentic workflows continuously monitors live events, generates candidate “stories,” and pushes the best ones into Captain so fans see relevant narratives without having to know what to ask. This same foundation is already being used by the league to generate thousands of AI-powered narratives per season for broadcasters and editors, demonstrating how editorial and fan experiences can share a common AI backbone.

For IT leaders, a key lesson learned is that data strategy is as important as model selection in building compelling generative AI experiences.

What this signals about the future of customer experience

Captain illustrates several important shifts that will define AI-driven CX across industries.

• Apps shift to companions. Instead of forcing users to navigate menus and features, the Bundesliga consolidates multiple use cases – scores, stats, historical research, video discovery, and learning – into a single conversational surface. This mirrors what enterprises will do with “digital relationship managers” in banking, “patient companions” in healthcare, and “shopping concierges” in retail.
• From reactive support to proactive storytelling. Most chatbots answer questions; Captain also looks ahead. When a major event occurs, agents work autonomously to find interesting angles, such as a record broken, a rare streak, a historical déjà vu, and push them to fans in real time. Imagine similar patterns in other domains: an insurance AI flagging a better coverage option at renewal, or a B2B vendor surfacing adoption risks before a renewal conversation.
• Experiences become adaptive. Coach Mode exemplifies progressive disclosure: it teaches a new fan the rules while offering tactical deep dives for advanced fans, all within the same interface. That’s exactly the model enterprises will need—systems that can explain a process to a novice and to a domain expert in different ways, without duplicating apps or content.
• Static journeys are evolving into AI-driven micro-journeys. The Bundesliga is using agentic AI to stitch together micro-journeys in real time. A question triggers an answer; a research agent follows up with deeper content; a video agent suggests highlights—all personalized and sequenced. In enterprise CX, journeys will increasingly be orchestrated by AI that adapts steps, channels, and content to context, rather than by rigid workflows.

Implications for IT pros and CX leaders

For IT pros, CX improvement requires rethinking the architecture, governance, and operating models to support AI-native experiences. Here are some things to consider.

1. Start with a data-first mindset. Captain only works because the Bundesliga invested years in building a robust data foundation. That includes high-fidelity tracking, consistent schemas, and streaming infrastructure. Before promising AI companions to your business stakeholders, you need to:

• Inventory your customer data sources and identify gaps in coverage, latency, and quality.
• Rationalize schemas and metadata so AI agents can reason across systems (CRM, transactional systems, content libraries) without brittle transformations.
• Plan for real-time or near-real-time data where “moment of truth” interactions matter.

Without this groundwork, generative AI projects risk turning into expensive prototypes that can’t scale.

2. Think in terms of AI agents, not just models. Bundesliga’s architecture separates concerns into agents: a router agent to determine intent, stats agents to query the right backends, and research agents to autonomously investigate events and propose stories. IT teams should similarly design:

• Routing layers that determine whether a request is informational, transactional, or analytical.
• Specialized agents for data retrieval, verification, personalization, and safety.
• Clear SLAs and guardrails for agent interactions with core systems.

This moves you from one big LLM to an orchestrated system in which different components can evolve independently.

3. Leverage dynamic routing for cost and performance. Bundesliga explicitly uses dynamic model routing. This approach uses lighter models for simple questions and more powerful ones for complex reasoning, cutting chat costs by more than a third without sacrificing accuracy. Enterprise IT can borrow this pattern:

• Use smaller models or even retrieval plus templating for repeatable queries.
• Reserve premium models for complex, high-value interactions.
• Continuously collect analytics on query types to refine routing policies.

The result is an AI experience that scales economically rather than collapsing under inference costs.

4. Redefine UX around conversation and context. Captain’s UX is not just chat; it’s chat tightly coupled with video playback, stats visualization, and contextual recommendations. For IT and product teams, this means:

• Designing conversational experiences that can invoke micro-apps or widgets (e.g., forms, dashboards, media players) in context.
• Maintaining conversation state across channels, so a user can move from mobile to web or from chat to voice without losing context.
• Instrumenting these flows to understand where AI helps, confuses, or frustrates users.

Generative AI should be treated as a new interaction layer, not a standalone feature.

5. Treat safety and trust as first-class requirements. Captain is built on official league data and protected by content safety guardrails to prevent hallucinations or inappropriate content. In enterprise settings, this translates to:

• Strict grounding of AI outputs in trusted systems of record.
• Fine-grained access controls so agents see only what they should.
• Human-in-the-loop workflows for high-risk outputs (e.g., financial advice, medical suggestions, legal communications).

Trust will be the differentiator between AI experiences that delight and those that harm brand equity.

How IT pros should think about next steps

For most organizations, the Bundesliga’s Captain should be viewed as aspirational but certainly doable. Practically, IT pros can start by:

• Identifying one high-value, data-rich customer journey (e.g., onboarding, troubleshooting, order tracking) as a pilot.
• Standing up a modest but modern data foundation for that journey, including event streaming and a unified view of context.
• Prototyping an AI companion that combines retrieval-augmented generation with a couple of simple agents (for routing and follow-ups).
• Instrumenting everything—latency, cost, satisfaction, containment—to build the business case for expanding to more journeys.

The Bundesliga shows what happens when an organization treats AI not as a feature but as a new way to connect with fans. IT leaders who treat generative and agentic AI as central to their customer experience strategy will be the ones who turn their own data into genuine customer devotion.

Als eine Ransomware-Gruppe im vergangenen Jahr die Leittechnik eines mittelständischen europäischen Chemieproduzenten verschlüsselte, war das zunächst ein lokales Problem: Es kam zum Produktionsstillstand, eine Meldung an die Behörden erfolgte, ein Krisenstab wurde gebildet. Die eigentliche Geschichte entfaltete sich in den Wochen danach jedoch auf globaler Ebene. Pharmaunternehmen in den USA, Automobilzulieferer in Japan und Spezialchemie-Kunden auf drei Kontinenten mussten feststellen, dass das angegriffene Werk in Mitteleuropa das Zentrum ihrer Lieferketten bildete – für die es keinen Ersatz und keinen Plan B gab. Anstelle erfolgskritischer Vorprodukte klaffte nun nur noch eine Lücke.

Dieses Geschehen wirft das Schlaglicht auf einen Aspekt, der in der europäischen Sicherheitsdebatte regelmäßig untergeht: Europa ist nicht einfach nur eine Region mit einem Security-Problem. Es bildet das industrielle Rückgrat der Weltwirtschaft. Dieses läuft in vielen Fällen allerdings auf einer Infrastruktur, die nicht auf Security konzipiert, per Regulierung zur Öffnung gezwungen wurde und zunehmend im Visier staatlicher Akteure steht, die etwas von Hebelwirkung verstehen.

Das Industrial-Security-Paradox

Die Dichte an Legacy-OT ist kaum irgendwo höher als in Europa: Pharmaproduktion, Energieverteilung, Automobilfertigung und Chemieanlagen laufen auf industriellen Steuerungssystemen, SPS, SCADA-Netzen und Prozessautomatisierung. Diese Systeme wurden vor allem auf Zuverlässigkeit und Langlebigkeit ausgelegt, nicht auf Konnektivität. Und eine Steuerungskomponente, die 1998 für den Betrieb von Schaltanlagen installiert wurde, geht eben nicht in Rente, wenn ihr Hersteller übernommen wird und die Dokumentation verschwindet. Sie läuft weiter – auch weil es zu teuer, riskant und disruptiv wäre, sie abzuschalten.

Parallel zwingt die NIS2-Richtlinie, die in Deutschland seit Dezember 2025 über das novellierte BSIG in Kraft getreten ist, genau diese Organisationen, ihr Risikomanagement zu modernisieren und erweiterte Meldepflichten zu erfüllen. In der Praxis bedeutet das fast immer, bislang isolierte Systeme an Unternehmensnetze und zentrale Monitoring-Plattformen anzubinden. Die Absicht dahinter – Industrieunternehmen in einen konsistenten Sicherheitsrahmen zu integrieren – ist sinnvoll. Der ungewollte Effekt dabei ist, dass Unternehmen unter regulatorischem Druck digitalisieren und dabei neue Schnittstellen und Datenflüsse in Umgebungen entstehen, die dafür nie ausgelegt waren. Das ist längst auch professionellen Cyberkriminellen bewusst: Sie haben gelernt, genau diese Übergangsphase für sich auszunutzen.

Entsprechend haben staatlich unterstützte Cyberakteure – etwa Hackergruppen mit Verbindungen nach Russland, China, den Iran oder Nordkorea – ihre Prioritäten entsprechend verschoben. Das zeigt etwa ein Blick auf die Lagebilder der EU-Cybersicherheitsagentur ENISA. Demnach haben die Angriffe auf kritische Infrastrukturen in Europa in den vergangenen zwei Jahren deutlich zugenommen. Die Auswahl der Ziele ist dabei selten finanziell motiviert, sondern eher strategisch. Etwa, um die Energieversorgung zu stören und so geopolitische „Hebel“ zu testen, Produktionskapazitäten in den Bereichen Pharma und Verteidigung schwächen oder sich in industriellen Umgebungen für eine Eskalation vorzupositionieren. Der Krieg in der Ukraine hat diese Bedrohung nicht geschaffen. Er hat sie beschleunigt und sichtbar gemacht.

Compliance ist keine Verteidigung

Dabei ist es nicht so, dass Europas Industrie Security grundsätzlich ignorieren würde: Viele Unternehmen sind nach ISO 27001 zertifiziert, betreiben funktionierende Security Operations Center (SOC) und verfügen über dokumentierte Incident-Response-Pläne. Das Problem ist vielmehr struktureller Natur: Diese Frameworks wurden für IT-Umgebungen aufgebaut und können nicht so einfach auf die OT-Welt übertragen werden.

In meiner Beratungspraxis in den Bereichen Energie, Pharma und Fertigung begegnet mir dieselbe Lücke in stets neuer Verkleidung. Das läuft in etwa so ab: Ein Unternehmen investiert etwa in KI-gestützte Anomalieerkennung eines namhaften Anbieters. Die Dashboards sehen überzeugend aus, das SOC bekommt Alarmmeldungen. Aber auf die Frage, wer für die Reaktionsmaßnahmen verantwortlich ist, folgt lediglich Schweigen. Zwar sieht das Security-Team den Alert und die OT-Ingenieure können erklären, was der Controller tut. Leider hat aber niemand definiert, wer die Entscheidung treffen kann, ihn vom Netz zu nehmen – oder wie diese Entscheidung zustande kommt in einer samstäglichen Nacht, während die Produktion weiterläuft.

Die Bereitschaftslücke ist nicht primär technisch. Sie ist ein Governance-Problem: OT-Risiken, also Produktionsausfälle, Safety-Vorfälle oder regulatorische Folgen von Prozessstörungen, schaffen es systematisch nicht in die Unternehmens-Risikoregister. Jedenfalls nicht in einer Form, die Aufsichtsgremien bewerten und in Entscheidungen übersetzen können. Sie leben vielmehr in den Köpfen der Ingenieure und erreichen das Management erst nach einem Vorfall. NIS2 verändert also die rechtliche Exposition, aber nicht die organisatorische Realität. Seit Dezember 2025 haftet die Geschäftsleitung gemäß § 38 BSIG persönlich für Versäumnisse im Cyber-Risikomanagement – ohne Übergangsfrist. Ohne Ownership bezüglich Entscheidungen wird das zum Problem.

Die Third-Party-Zwickmühle

Wer glaubt, das sei eine Angelegenheit zwischen Unternehmen und Aufsichtsbehörde, unterschätzt die zweite Front, die die eigenen Kunden bilden. Europas Fertigung ist tief in amerikanische und asiatische Lieferketten eingebettet. Der Angriff auf die Colonial Pipeline hat etwa im Jahr 2021 gezeigt, wie ein einzelner Infrastrukturvorfall für Engpässe in der gesamten Region sorgen kann. Ein europäisches Äquivalent – eine koordinierte Störung der industriellen Produktion über mehrere Sektoren – hätte längere Zeitachsen, tiefere Lieferketteneffekte und deutlich weniger politische Sichtbarkeit.

Einige internationale Konzerne haben das verstanden und bauen ihre Third-Party-Risk-Programme im Sinne echter operativer Transparenz um. Für deutsche und europäische Zulieferer heißt das konkret: Die Fragen, die bislang nur Auditoren stellten, stellen demnächst auch die Einkaufsabteilungen und Vertragsjuristen der Kunden. In Lieferanten-Audits, die ich begleite, tauchen sie bereits auf – noch höflich formuliert, aber zunehmend mit Vertragsfolgen. Einige Beispiele:

• Haben Sie ein OT-spezifisches Sicherheitsprogramm — oder ein IT-Programm, das auf OT-Umgebungen kopiert wurde?
• Regeln Ihre Verträge Meldefristen und Haftungsteilung bei Cybervorfällen?
• Wissen Sie, an welchen Stellen Sie selbst der Single Point of Failure Ihrer Kunden sind — und wurde das je getestet?

Wer diese Fragen beantworten kann, hat aus einer Compliance-Pflicht ein Vertriebsargument gemacht. Wer nicht, verliert Aufträge an den, der es kann.

Darauf kommt es in der nächsten Dekade an

Die Kombination aus Legacy-Infrastruktur, regulierungsgetriebener Digitalisierung und staatlich gefördertem Targeting hat zur Folge, dass europäische Industriesysteme in den kommenden zehn Jahren wiederholt und ernsthaft getestet werden. Das läuft zum Teil bereits – ganz ohne Schlagzeilen zu produzieren. Erfolgreich „durchkommen“ werden dabei nicht zwingend die Organisationen mit den größten Sicherheitsbudgets. Sondern vor allem diejenigen, die ihre Governance-Hausaufgaben gemacht haben. Diese Firmen haben:

• geklärt, wem das OT-Risiko „gehört“,  
• Entscheidungswege geschaffen, die über die Grenzen zwischen IT und OT hinweg funktionieren, und  
• die eigene industrielle Exposition für die Führungsebene in einer Art und Weise lesbar gemacht, dass daraus Entscheidungen entstehen statt nur Compliance-Dokumentation.

Der Rest wird seine Sicherheitslücken so identifizieren, wie das in den meisten Fällen abläuft, wenn es um Industrial Security geht. Nämlich nicht durch einen Penetrationstest oder einen Audit, sondern durch einen Incident, der vollständig vorhersehbar war — und den irgendwo längst jemand gemeldet hatte. (fm)

Dieser Beitrag wurde im Rahmen des deutschsprachigen Experten-Netzwerks von Foundry veröffentlicht. Lust mitzumachen? Jetzt bewerben!

Angesichts der politischen und handelspolitischen Spannungen ist die digitale Souveränität – einst ein eher randständiges Thema – zu einer der wichtigsten Prioritäten für europäische Organisationen geworden. Der verstärkte Einsatz von Open-Source-Software ist dabei ein wesentlicher Teil der Lösung, da er eine Alternative zu proprietären Plattformen einer Handvoll großer US-Anbieter bietet.

Diese Ansicht vertritt Frank Karlitschek, CEO von Nextcloud, dem deutschen Softwareunternehmen, das sich als Open-Source-Alternative zu Software-Suiten von Microsoft und Google positioniert.

Auf dem Nextcloud Summit in München sprach die Computerworld mit Karlitschek über die Dynamik rund um digitale Souveränität, die Vorschläge der Europäischen Kommission im Rahmen des „Tech Sovereignty Package“ und die zukünftige Entwicklung von Nextcloud.

„Das Interesse an Open Source wächst kontinuierlich“

Als Nextcloud gegründet wurde, gab es in Europa einen starken Trend weg von On-Premises-Software hin zu US-amerikanischen Cloud-Anbietern. Wie haben sich die Einstellung gegenüber Open Source und das Bewusstsein für alternative Anbieter seitdem verändert?

Frank Karlitschek: Ich beschäftige mich seit den 1990er-Jahren mit Open Source. Damals war das vor allem ein Thema für eine kleine Gruppe von Nerds – Menschen, denen Software und Kontrolle darüber wirklich wichtig waren. Der Gedanke der Souveränität war dabei schon immer zentral. Genau darum geht es bei Open Source: Man kann verstehen, was die Software tut, sie überall einsetzen, untersuchen und verändern.

Damals war das sehr nischig, aber seitdem wächst das Interesse kontinuierlich. Es gab einige Schlüsselmomente, die das Wachstum beschleunigt haben, beispielsweise die Snowden-Enthüllungen, die Diskussionen um die DSGVO und bestimmte gesetzliche Regelungen. Und dann natürlich die aktuelle geopolitische Lage.

Ich persönlich finde es interessant, dass sich das Thema, das einst eher für Softwareentwickler interessant war, zu einem geopolitischen Thema entwickelt hat. Heute treffe ich hochrangige Politiker, denen das Thema mittlerweile sehr am Herzen liegt. Es wird nicht unbedingt Mainstream, aber immer mehr Menschen verstehen die Bedeutung.

Hat sich auch die Gesprächsebene verändert?

Karlitschek: Zu Beginn von Nextcloud sprachen wir hauptsächlich mit IT-Managern, die nach einer Lösung suchten. Sie interessieren sich dafür, wie es funktioniert, für den Preis und technische Aspekte.

Heute sprechen wir zunehmend auch mit Führungskräften auf C-Level. Das Thema ist Teil der Unternehmensstrategie geworden. Die Unternehmen fragen sich: Welche Abhängigkeiten haben wir? Welche Lösung passt langfristig zur Strategie des Unternehmens?

Früher war Software eher eine austauschbare Ware. Heute ist sie ein strategischer Faktor für Unternehmen. Das finde ich sehr interessant.

In den letzten Jahren gab es großes Interesse am Thema digitale Souveränität. Inwieweit schlägt sich dies in konkreten Migrationen weg von US-amerikanischen Cloud-Anbietern nieder?

Karlitschek: Das Interesse ist riesig. Alle reden darüber, viele Menschen und Organisationen kommen auf uns zu. Allerdings setzen noch nicht alle entsprechende Maßnahmen um – viele erkunden zunächst die Optionen.

Natürlich hoffen wir, dass daraus in den nächsten Monaten konkrete Projekte entstehen. Momentan wird noch viel diskutiert und analysiert. Unser Kundenstamm wächst bereits stark, aber das Interesse ist im Verteidigungsbereich, im Bildungswesen sowie in regulierten Märkten wie dem Gesundheitswesen oder dem Finanzsektor noch deutlich größer.

Ist die Nachfrage nach souveräner Technologie aus Ihrer Sicht nur eine Reaktion auf die aktuelle geopolitische Situation oder handelt es sich um einen langfristigen strukturellen Wandel?

Karlitschek: Ich halte es für einen langfristigen Trend. In den 1990er-Jahren war IT für viele Unternehmen noch etwas Nebensächliches. Wichtig war nur, dass Drucker und Faxgeräte funktionierten. Strategisch war das Thema kaum relevant.

Dann kam um das Jahr 2000 der große Cloud-Trend. Das Versprechen lautete immer: Auslagern spart Geld.

Heute erkennen Unternehmen, dass IT nicht einfach ignoriert werden kann. Ich glaube nicht, dass alles wieder zurück ins eigene Rechenzentrum wandert. Aber die Menschen kümmern sich wieder stärker darum. Sie verstehen, dass IT nicht einfach wie Wasser oder Strom aus der Steckdose kommt.

Themen wie Vendor Lock-in, Kosten, Industriespionage und Wettbewerbsfähigkeit spielen eine große Rolle. Mit Open Source ist man flexibler. Deshalb wird die strategische Bedeutung dieses Themas weiter zunehmen.

“Gültigkeit für ein Prozent des Marktes ist zu wenig”

Die Europäische Kommission hat kürzlich ihr ‚Tech Sovereignty Package‘ inklusive Open-Source-Strategie veröffentlicht. Reichen diese Vorschläge aus?

Karlitschek: Ich fnde die Vorschläge großartig.Ehrlich gesagt war ich überrascht, dass man so gut zugehört hat. Die eigentliche Herausforderung besteht jetzt darin, die Vorschläge tatsächlich umzusetzen. Die Problembeschreibung und die vorgeschlagenen Lösungen sind sehr gut, aber daraus muss noch verbindliches Recht werden.

Würden Sie vor der Verabschiedung noch Änderungen an den Vorschlägen vornehmen?

Karlitschek: Aktuellgibt es vier Risikostufen. In der höchsten werden nur Open-Source- und europäische Lösungen akzeptiert. Das betrifft aber nur ein Prozent des Marktes. Ich hoffe, dass künftig besser verstanden wird, dass sich mehr als ein Prozent stärker darum kümmern sollte.

Wenn eine Anwendung völlig unkritisch ist und keine personenbezogenen Daten enthält, dann ist es vielleicht völlig in Ordnung, Anbieter außerhalb der EU zu nutzen. Aber sobald Sie Anforderungen der DSGVO, Spionageschutz, keine Anbieterabhängigkeit und so weiter beachten müssen, sollte die höchste Anforderungsstufe deutlich häufiger angewendet werden.

US-Unternehmen versuchen, auf die Bedenken europäischer Kunden einzugehen, etwa mit als „souverän“ vermarkteten Cloud-Diensten und Joint Ventures mit europäischen Anbietern. Wo ziehen Sie die Grenze zwischen echter Souveränität und Sovereignty Washing?

Karlitschek: Souveränität hat natürlich verschiedene Dimensionen. Betrachtet man jedoch allein das Problem des CLOUD Act, der ausländischen Behörden uneingeschränkten Zugriff auf die Daten hier gewährt, dann reicht es nicht aus, einfach europäische Rechenzentren zu betreiben. Im CLOUD Act steht ausdrücklich, dass die Regelung auch für europäische Rechenzentren oder Tochtergesellschaften gilt.

Microsoft versucht beispielsweise mit seinem Delos-Modell eine Lösung zu finden: Das Unternehmen gehört SAP und Microsoft liefert lediglich die Software. Aber selbst dann besteht diese Abhängigkeit, denn Software benötigt Updates und Sicherheits-Patches. Wenn diese nicht verfügbar sind oder jemand eine Hintertür einbaut, dann haben Sie immer noch ein Problem.

Deshalb bemüht sich Microsoft sehr intensiv um Lösungen, aber das Problem lässt sich nicht leicht umgehen.

“Die Produktstrategie wird sich nicht wesentlich ändern”

Blicken wir auf die Produktstrategie. Wie sieht die Zukunft von Nextcloud aus?

Karlitschek: Die grundlegende Produktstrategie wird sich nicht wesentlich ändern. Unser Ziel bleibt es, eine hochmoderne Kollaborationssoftware anzubieten die Open Source ist – jedoch mit deutlich mehr Kontrolle, Sicherheit und Schutz – und unabhängig davon, wo Sie sie hosten.

Gleichzeitig kommen jetzt neue Faktoren dazu, insbesondere der Einfluss von KI, die wir mit unserer Agentenstrategie nutzen wollen.

In Zukunft werden Sie vielleicht weiterhin eine Oberfläche auf klassische Weise nutzen, indem Sie Dokumente öffnen, Text eingeben und so weiter. Es gibt jedoch auch viele Vorgänge, die in Zukunft mit KI automatisiert werden können.

Ein weiterer Aspekt ist, dass KI die Entwicklung darauf aufbauender kundenspezifischer Software erheblich vereinfacht. Dadurch wird es deutlich mehr maßgeschneiderte Unternehmenssoftware geben.

Das wollen wir mit unserem ISV-Programm nutzen. Die Softwareentwicklung wird einfacher, aber Unternehmen möchten keine beliebige Software einsetzen, sondern etwas, das getestet, zertifiziert und sicher ist und für das jemand verantwortlich ist. Genau das kann Nextcloud bieten. (mb)

Dieser Artikel basiert auf einem Beitrag der Schwesterpublikation Computerworld.

Seiner Popularität und seinem Erfolg zum Trotz, ist die Datenbanksprache SQL ein Paradoxon. Sie kann unglaublich umständlich und langatmig sein – dennoch stellt sie für Developer oft den einfachsten Weg dar, ohne Umwege die Daten zu extrahieren, die sie benötigen (falls die Abfrage korrekt geschrieben ist).

Das tabellarische SQL-Modell ist dabei so dominant, dass auch viele Nicht-SQL-Projekte auf Wunsch der Benutzer SQL-ähnliche Schnittstellen hinzufügen. Das gilt auch für Projekte im Bereich NoSQL, der eigentlich geschaffen wurde, um sich vom alten Paradigma zu lösen (das war wohl nichts). Fakt ist allerdings auch: Die Probleme von SQL sind real und:

• erhöhen den Stress für Entwickler,

• führen unter Umständen zu Verzögerungen, und

• bei manchen Projekten sogar zum Reengineering.

In diesem Artikel nennen wir Ihnen 13 Gründe, die dafür sprechen würden, SQL endlich über Bord zu werfen – auch wenn wir alle wissen, dass das wohl nie (vollumfänglich) passieren wird.

1. Tabellen skalieren nicht

Das relationale Datenbankmodell von SQL fokussiert auf Tabellen. Was für kleine oder normal große Datenbanken auch in Ordnung ist. Im Fall von großen DBs beginnt das SQL-Modell allerdings in sich zusammenzubrechen.

Das versuchen manche zu verhindern, indem sie beispielsweise Sharding in ältere Open-Source-Datenbanken integrieren. Das kann das Datenmanagement vereinfachen und bietet eine vermeintlich grenzenlose Skalierung. Allerdings kann ein JOIN– oder SELECT-Befehl mitunter auch extrem lange dauern – je nachdem, wie viele Daten die Shards beinhalten.

2. JSON? YAML? XML?

SQL mag ein Dauerbrenner sein, verträgt sich aber nicht besonders gut mit neueren Datenaustauschformaten wie JSON, YAML und XML. Es ist zwar relativ einfach, dieses Problem mit ein bisschen Klebstoff-Code zu übertünchen – das bezahlen Entwickler allerdings mit einem erhöhten Zeitaufwand.

Manche SQL-Datenbanken sind inzwischen auch in der Lage, JSON, XML, GraphQL oder YAML als native Funktionen zu kodieren und zu dekodieren. Das Problem dabei: Die Daten werden in der Regel nach demselben alten Tabellenmodell gespeichert und indiziert – bleiben also im Kern dem relationalen Ansatz verhaftet.

So lange, bis irgendein cleverer Datenbankentwickler einen Weg findet, den Zeitaufwand für die Datenkonvertierung zu eliminieren, gibt es wohl nur einen (schlechten) Ausweg: den SQL Parser.

3. Marhsalling frisst Zeit

SQL-Datenbanken speichern Informationen im Tabellenformat ab. Das stellt Developer vor Probleme, denn der Code, den sie schreiben, arbeitet mit Objekten.

Der Prozess, die strukturierten Daten in das Objektformat zu überführen, wird Marshalling genannt – und verschlingt Unmengen an Zeit. Schließlich müssen die Datenfelder des Objekts im Rahmen eines Demarshaling-Prozesses auch wieder in einem SQL-Upsert freigegeben werden. Ein unmittelbar einsetzbares Datenformat wäre an dieser Stelle ein echter Fortschritt.

4. Echtzeit entfällt

Das SQL-Konzept hat bereits einige Jahrzehnte auf dem Buckel und stammt aus einer Zeit, in der man Datenbanken isoliert betrachtete. Ursprünglich waren SQL-DBs deshalb für Stapelverarbeitung und Interactive Mode konzipiert. Das Konzept von Streaming-Daten und langen Verarbeitungs-Pipelines passt nicht wirklich in diese alte Welt.

Denn wie ein Guru auf einem Datenberg zu thronen, ist kein Konzept für moderne Applikationen: Sie erfordern immer öfter Echtzeit-Performance. Die Datenbanken, die für diese neue Welt konzipiert sind, stellen höchste Anforderungen an Geschwindigkeit und Reaktionsfähigkeit. Aufwendige SQL-Abfragen, die alles zum Stillstand bringen, sind hier fehl am Platz.

5. JOINs sind schmerzintensiv

Die große Stärke von relationalen Datenbanken besteht darin, Daten in kleinere, übersichtlichere Tabellen aufzuteilen. Das bereitet vor allem im Nachgang regelmäßig Kopfzerbrechen, vor allem wenn entsprechende Datenmengen vorliegen und diese mit JOINs zusammengeführt werden sollen.

JOINs an sich sind schon unfassbar verwirrend – den Unterschied zwischen einem “inner” und einem “outer” JOIN zu verstehen, ist dabei nur der erste Schritt. Geht es darum, den besten Weg zu identifizieren, um mehrere JOINs miteinander zu verknüpfen, steigt das Schmerz-Level regelmäßig auf unerträglich. Interne Optimizer (dazu später mehr) können an dieser Stelle helfen – allerdings nur, wenn keine besonders komplexen Kombinationen gefordert sind.

6. Problembehaftete Spalten

Eine große Errungenschaft der NoSQL-Bewegung: den Benutzern mehr Freiheit zu ermöglichen. Einen neuen Wert zu einem Datenbankeintrag hinzuzufügen, funktioniert über Columns (Spalten) – mit beliebigen Tags und Namen. Es besteht keine Notwendigkeit, dafür das Schema zu aktualisieren.

Für SQL-Verfechter ist dies Konzept-gewordenes Chaos. Sie legen Wert auf die Ordnung, die Daten in Tabellenform vermitteln. Spontan neue Felder hinzuzufügen, ist für sie ein Unding. Das ist ein guter Punkt – allerdings kann es ziemlich teuer und zeitaufwändig sein, Daten “komplett” nachträglich hinzuzufügen – insbesondere bei umfangreichen Datensätzen. Will man die neuen Daten in separate Spalten einfügen und sie mit JOINs abgleichen, wird das Ganze noch komplexer.

7. Wenn Optimizer nicht mehr helfen

Um Datenbankabfragen bestmöglich zu zerlegen und die einzelnen Prozesse zu ordnen, haben Datenbank-Anbieter und -Entwickler Optimizer entwickelt. Diese können beträchtliche Vorteile realisieren – allerdings sind ihre Möglichkeiten begrenzt, wenn es darum geht, besonders umfangreiche oder komplexe Antworten zu liefern.

Das merken manche Datenbankadministratoren erst, wenn ihre Anwendung beginnt zu skalieren. Wenn es für die Testdatensätze im Rahmen der Entwicklung noch gereicht hat, für die Praxis aber nicht, führt das zu Problemen.

8. Denormalisierung macht alles zunichte

Developer finden sich oft zwischen den Stühlen wieder: Auf der einen Seite stehen die User, die sich eine bessere Performance wünschen. Auf der anderen die Erbsenzähler aus der Buchhaltung, die der Anschaffung besserer (und damit meist teurerer) Hardware meist abweisend gegenüberstehen.

Ein gängiger Ausweg besteht darin, Tabellen zu denormalisieren. Das sorgt dafür, dass komplexe JOINs oder tabellenübergreifende Elemente beseitigt werden. Das ist zwar per se keine schlechte technische Lösung – dieses Vorgehen sorgt aber auch dafür, dass die cleversten Parts des SQL-Konzepts über Bord geworfen werden. Eine Datenbank, die einer exzessiven .csv-Datei gleichkommt, fällt sehr wahrscheinlich nicht in die Kategorie “smart”.

9. Plötzlicher Datenbanktod

SQL wird seit Jahrzehnten immer wieder um neue Funktionen erweitert. Einige davon sind auch ziemlich nützlich. Auf der anderen Seite sind viele dieser Funktionen aber auch eher “angeflanscht” – was nicht nur zu Nachteilen, sondern unter Umständen zum kompletten Zusammenbruch der Datenbank führen kann – Stichwort Subqueries.

In den meisten Fällen werden Probleme in diesem Bereich erst erkannt, wenn es bereits zu spät ist. Dann kann in der Regel nur noch ein krisenerprobter SQL-Silverback dabei helfen, den Fehler zu finden, indem er sich durch unzählige Schichten arbeitet.

10. Anfällige Syntax

In der Zeit, in der SQL entstanden ist, war SQL unter menschlichen Benutzern ziemlich angesagt. Heute fügen viele Systeme Abfragen automatisch zusammen, was naiven wie böswilligen Benutzern viel Macht gibt, um Schaden anzurichten. Datenbankadministratoren lernen schnell, bestimmte Schlüsselwörter zu vermeiden. Ein Gelegenheitsnutzer möchte aber vielleicht trotzdem SELECT GROUP als Spalte nutzen. Und dann gibt es noch die wunderbaren Standardlösungen, um Wörter wie SELECT zu umgehen: MySQL verwendet Backticks, PostgreSQL nutzt doppelte Anführungszeichen.

Erschwerend kommt hinzu, dass clevere Angreifer diese Schwachstelle ausnutzen können, indem sie SQL-Befehle in Abfragen einschleusen. Einen Befehl wie ; DROP TABLE users; DROP TABLE products; DROP TABLE orders;-- führt der SQL-Parser bereitwillig aus. Schließlich wurde er ebenfalls in einer Zeit geschrieben, als nur Menschen Abfragen stellten.

11. Tabellen sind nicht alles

Überraschend viele Datensätze lassen sich gut in Tabellen abbilden. Aber eine wachsende Menge passt auch nicht mehr so gut auf diese Form. So werden beispielsweise soziale Netzwerke, hierarchische Daten und viele wissenschaftliche Phänomene mit Graphen modelliert. Diese lassen sich zwar in Tabellen speichern, aber alles, was über eine simple Query hinausgeht, wird komplex.

Andere Daten existieren in zwei, drei oder vielleicht sogar mehreren Dimensionen. Tabellen weisen jedoch nur eine Achse für die Zeilen und eine untergeordnete Achse für die verschiedenen Spalten auf. Zweidimensionale Daten wie Breiten- und Längengrade lassen sich also speichern, mehrdimensionale Berechnungen sind diffizil. Das können neue, geografische Erweiterungen zwar ausgleichen, das Paradigma bleibt allerdings limitierend.

12. Standardisierungsdifferenzen

SQL mag ein ANSI/ISO-Standard sein. Das bedeutet allerdings nicht, dass man es einfach von einer standardkonformen Implementierung auf eine andere übertragen kann. DBAs sind mit den vielfältigen syntaktischen Unterschieden bestens vertraut:

• MySQL verwendet CURDATE(),
• Oracle SYSDATE, und
• PostgreSQL CURRENT_DATE.

In SQL Server können Sie Zeichenfolgen mit dem +-Operator verknüpfen. Andere verlangen ||. Und diese syntaktischen Inkompatibilitäten sind nur der Anfang. Es gibt große philosophische Unterschiede zwischen den Implementierungen von gespeicherten Prozessen, Triggern und unterstützten Funktionen. Selbst die grundlegenden Datentypen weisen in ihren Bereichen Nuancen auf, wenn es um ihre Präzision geht.

13. Es gibt bessere Optionen

Der beste Grund, SQL aufzugeben: Es gibt bessere, prägnantere und flexiblere Alternativen. Etwa GraphQL, das häufig in Webanwendungen zum Einsatz kommt, um mit einem einfachen Muster genau die richtigen Datenkombinationen abzufragen. Hierarchische Daten werden nativ unterstützt.

Für die Suche in NoSQL-Datenbanken stehen bereits mehrere gute, alternative Optionen zur Verfügung. Viele der Key-Value-Speicher suchen dabei einfach nach übereinstimmenden Knoten. Einige ahmen dabei den beliebten JSON-Standard nach, wie etwa die MongoDB Query Language (MQL). Entwickler, die dokumentenzentrische Lösungen wie SOLR oder Elastic Search einsetzen, können komplexe Ähnlichkeitsfunktionen nutzen. Diese Optionen unterstützen Abfragen, die sowohl leistungsfähiger als auch für Menschen leichter zu lesen und zu erstellen sind. (fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.

Mit dem HTC Desire gab es 2010 endlich ein Android-Smartphone, das mit dem seit 2007 erhältlichen iPhone auf Augenhöhe war. Ich war lange Zeit begeisterter und stolzer Besitzer eines solchen Desire. Bis ich die damaligen Nachteile der Android-Welt zu spüren bekam. Und zum iPhone wechselte.

Sofort nach Verfügbarkeit 2010 kaufte ich mir das HTC Desire und packte gleich noch etwas Zubehör dazu: Brodit-Autohalterung mit Ladekabel und eine Handytasche. Schließlich sollte mein neuer Schatz immer gut geschützt sein, und ich benutze das HTC Desire zusammen mit Google Maps immer öfter als Ersatz für mein bisheriges Tomtom-Navigationsgerät.

Das Desire wurde rasch zu meinem unverzichtbaren täglichen Begleiter. Zwar gab es 2010 noch nicht so viele Apps wie heute und viele der vorhandenen Android-Apps waren schlecht programmiert oder nur umständlich bedienbar. Doch insgesamt glänzte das Android-Smartphone als zuverlässige und leistungsfähige Arbeitsmaschine. Ich war glücklich, zumal das Desire ein echter Handschmeichler war und sich sehr komfortabel anfühlte. Mit meiner Begeisterung für das Desire war ich nicht allein, wie man hier nachlesen kann.

Mit großem Enthusiasmus sammelte ich damals die besten Tipps und Tricks für Android und stellte diese auch auf Youtube vor:

Ich verteidigte Googles mobiles Betriebssystem sogar im TV-Duell gegen meinen Kollegen, der für das iPhone einstand (bei der Auswertung hätte ich sogar gewonnen, wenn sich die Moderatorin nicht verzählt hätte):

Meine Zufriedenheit hielt lange an. Für das ab Werk auf meinem Desire installierte Android 2.1 erschien sogar noch Android 2.2. Doch danach war Schluss, Android 2.3 ließ sich nur unter großen Verrenkungen installieren. Zudem musste ich danach auf einige Apps verzichten, weil der Speicher auf dem Desire zu knapp war. Damit war die Benutzbarkeit und Alltagstauglichkeit deutlich eingeschränkt. Das Desire fühlte sich auch zunehmend langsamer an.

Die ursprüngliche Begeisterung litt darunter gewaltig. Immer öfter musste ich erleben, dass ich eine wichtige App nicht installieren konnte, während meine Freunde und Kollegen auf ihren in etwa genauso alten iPhones weiterhin jede App nutzen konnten, die sie wollten. Ständig war der Speicherplatz zu knapp, ich war genervt. So kam unvermeidlich der Zeitpunkt, an dem ich über den Kauf eines neuen Smartphones nachdachte.

Eigentlich war ich mit dem Desire lange Zeit sehr zufrieden gewesen. Also doch wieder ein neues HTC-Smartphone kaufen? HTC hatte die Desire-Familie zu diesem Zeitpunkt aber ausufernd wachsen lassen, das Angebot an Desires wurde langsam unübersichtlich. Also vielleicht doch ein Android-Smartphone eines anderen Herstellers? Vielleicht ein Samsung-Smartphone? Von Samsung hatte ich ja schon das Galaxy Tab – mit dem ich anfangs auch sehr zufrieden war, bis es zu einem Unglück kam.

Doch dann ergab es sich, dass ich günstig ein iPhone 5 bekommen konnte. Es war Liebe auf den ersten Blick. Das iPhone lag, obwohl anders geformt, ebenfalls auf Anhieb gut in der Hand – damals baute Apple noch keine gigantisch großen Ziegel wie heute. Und jede App lief schnell und ruckelfrei auf dem iPhone 5. Und das blieb auch so, das iPhone wurde nicht merklich langsamer und Updates kamen zuverlässig. Der Speicher wurde auch nie zu knapp. Es gab einfach keine Probleme mehr.

Mittlerweile bin ich beim iPhone 15 Pro angekommen. Alle paar Jahre gönne ich mir aus Technikbegeisterung ein neues Modell, doch wirklich nötig wäre das nicht. Alle Apps laufen immer zuverlässig, auch wenn das iPhone schon ein paar Jahre auf dem Buckel hat. Meine Frau nutzt ohne Probleme sogar noch ein iPhone 12 mini – das Apple 2020 vorgestellt hat.

Natürlich hat sich bei Android mittlerweile viel geändert, die meisten Android-Smartphones bekommen über viele Jahre neue Android-Versionen. Doch mich hat Android damals verloren – trotz der überzeugenden Hardware des ersten HTC Desire.

(PC-Welt)

Hand aufs Herz: Wollen Sie ein Wearable, das nur hübsch aussieht, oder eines, auf das Sie sich im Ernstfall wirklich verlassen können?

Smarte Ringe wie der Oura Ring 4 oder der Samsung Galaxy Ring setzen auf maximale Unauffälligkeit. Kein Display, kaum Gewicht, kein ständiges Aufblinken am Handgelenk. Das klingt zunächst nach der perfekten Lösung für alle, die Technik möglichst unsichtbar in den Alltag integrieren möchten.

Doch der Minimalismus hat seinen Preis.

Denn wer seine Gesundheitsziele nicht nur beobachten, sondern aktiv steuern möchte – etwa beim Sport, im Stressmanagement oder bei Auffälligkeiten im Herzrhythmus – braucht mehr als nur gelegentliche Messwerte. Genau hier spielen Smartwatches ihre Stärken aus

Tipp: Die besten Smartwatches finden Sie in unserem großen Vergleich. Wenn Sie auf der Suche nach einem günstigen Modell sind, finden Sie hier die besten günstigen Smartwatches im Test.

Sensorik unter Platzdruck

Technik lässt sich nicht beliebig schrumpfen – zumindest nicht ohne Kompromisse.

Ein Smart Ring sitzt aber naturgemäß auf engstem Raum. Sensoren, Akku und Prozessor müssen in ein winziges Gehäuse passen. Das hat Folgen: Viele Modelle erfassen Daten nicht durchgehend, sondern in regelmäßigen Abständen. Vor allem tagsüber, wenn man sich viel bewegt, wird die Messfrequenz oft reduziert, um Energie zu sparen. Smartwatches haben da mehr Spielraum und können Werte häufiger und konstanter erfassen.

Im Alltag fällt das zunächst kaum auf. Doch sobald es um genauere Auswertungen geht, wird es kritisch.

Smartwatches wie die Apple Watch Series 11 oder die Google Pixel Watch 4 können Werte durchgehend erfassen. Das macht einen spürbaren Unterschied, wenn:

• sich der Puls plötzlich verändert
• Belastungsspitzen auftreten
• Stressreaktionen im Tagesverlauf sichtbar werden sollen

Man kann es sich vereinfacht so vorstellen: Ein Ring liefert Stichproben – eine Uhr zeichnet ein fortlaufendes Protokoll auf.

Wenn die Finger auskühlen: Das unterschätzte Messproblem

Vielleicht kennen Sie das aus dem Winter: kalte Hände, steife Finger, kaum Gefühl in den Spitzen. Genau das ist für Smart-Ringe ein echtes Problem.

Die Finger sind die äußersten Punkte Ihres Kreislaufs. Bei Kälte verengen sich dort die Blutgefäße, die Durchblutung nimmt ab. Für optische Sensoren, die auf Blutfluss angewiesen sind, wird die Datengrundlage damit deutlich schlechter – etwa bei der Sauerstoffsättigung oder beim Puls.

Am Handgelenk sieht die Lage anders aus. Hier verlaufen größere Gefäße, die nicht so stark auf Temperaturschwankungen reagieren. Smartwatches liefern deshalb oft stabilere und verlässlichere Werte – gerade im Alltag, draußen oder bei wechselnden Bedingungen.

Wenn Tippen zu Schritten wird: Tücken bei der Bewegungserkennung

Was im Alltag auch schnell auffällt: die Schrittzählung. Ein Ring sitzt direkt an den Fingern und ist dort ständig in Bewegung. Das klingt erst einmal wenig überraschend, führt aber zu kuriosen Nebeneffekten. Tippen auf der Tastatur, Gestikulieren beim Sprechen oder sogar das Haarewaschen können als Aktivität gewertet werden.

Das Ergebnis: sogenannte Geister-Schritte. Smartwatches sind da deutlich im Vorteil. Sie kombinieren mehrere Sensoren und können Bewegungsmuster besser einordnen. Hersteller wie Garmin setzen zusätzlich auf ausgefeilte Algorithmen, um echte Gehbewegungen von bloßen Handbewegungen zu unterscheiden. Für Sie als Nutzer bedeutet das: realistischere Daten – und weniger geschönte Tagesbilanzen.

Das Display macht den Unterschied

Der vielleicht größte Unterschied zeigt sich nicht bei den Sensoren, sondern in der täglichen Nutzung. Ein Smart Ring sammelt Daten ohne direkte Rückmeldung – eine Smartwatch stellt solche Daten sofort zur Verfügung und macht sie nutzbar.

Das erscheint banal, verändert den Umgang mit den Informationen aber komplett. Beim Training mit der Smartwatch sehen Sie:

• Ihre aktuelle Herzfrequenz
• Trainingszonen in Echtzeit
• Fortschritte direkt während der Belastung
• GPS-Routing oder Karten

Sie müssen nicht erst zur App greifen, um zu verstehen, was gerade passiert.

Hinzu kommen Funktionen, die einfach praktisch sind oder im Ernstfall entscheidend sein können. Eine Uhr wie die Samsung Galaxy Watch7 kann unter anderem Musik auf Bluetooth-Kopfhörer streamen und erkennt Stürze – im Notfall kann sie automatisch Helfer verständigen.

Ein Ring dagegen bleibt am Finger weitgehend passiv. Er registriert zwar Ihre Daten im Hintergrund, kann aber nicht unmittelbar am Gerät reagieren. Während eine Uhr Sie sofort per Vibration oder Display-Warnung informiert, ist der Umweg über die Smartphone-App beim Ring unverzichtbar.

Wann Smart-Ringe tatsächlich sinnvoll sind

So deutlich die Vorteile der Smartwatch sind – es gibt auch Situationen, in denen ein Ring die bessere Wahl sein kann. Vor allem beim Schlaf zeigt sich das schnell. Viele Nutzer empfinden eine Uhr am Handgelenk nachts als störend. Ein Ring ist hier fast immer unauffälliger und wird als angenehmer wahrgenommen.

Auch beim Wassersport kann das kleine Format punkten. Ein Ring wie der RingConn Smart Ring bietet weniger Widerstand und ist weniger anfällig dafür, irgendwo anzustoßen. Beim Schwimmen mit der Smartwatch sollten Sie übrigens generell vorsichtig sein.

In diesen Nischen spielen Smart-Ringe ihre Stärken aus – aber eher als Ergänzung, nicht unbedingt als Ersatz. Neugierig geworden? Hier finden Sie die besten Smart-Ringe im Test.

Kaufberatung: Diese Geräte sind einen Blick wert

Die Wahl des richtigen digitalen Begleiters hängt vor allem von Ihren Zielen ab: Suchen Sie klinische Präzision, sportliche Höchstleistung oder ein unauffälliges Monitoring für die Nacht?

Medizinischer Ästhet: Withings ScanWatch Nova

Preis: 600 Euro

• Display: Analoges Zifferblatt mit integriertem OLED-Display
• Akkulaufzeit: Phänomenale 30 Tage (bis zu 35 Tage im Energiesparmodus)
• Gesundheits-Features: Medizinisches 1-Kanal-EKG, 24/7-Temperaturzonen-Tracking
• Kompatibilität: Vollständig für iOS und Android optimiert
• Gehäuse: Hochwertiges Taucheruhr-Design, wasserdicht bis 10 ATM

Die Withings ScanWatch Nova ist eine solide Wahl für alle, die keine klassische Smartwatch-Optik am Handgelenk wollen, bei der Gesundheit aber keine Kompromisse eingehen. Sie wurde auch unter klinischen Gesichtspunkten entwickelt und kann Hinweise auf Unregelmäßigkeiten wie Vorhofflimmern liefern.

Performance-Profi: Garmin fēnix 8

Preis: 900 Euro

• Display: Klares 1,3″ AMOLED-Touchdisplay + physische Tasten
• Outdoor-Tools: Integrierte LED-Taschenlampe, TopoActive-Karten, Multi-Frequenz-GPS
• Sport-Spezialist: Über 80 Sport-Apps, wasserdichte Tasten (tauchfähig bis 40m)
• Smart-Features: Garmin Pay, Musikspeicher, Telefonie direkt über die Uhr
• Training: Ermittlung von Erholungszeiten und aktueller Trainingsbereitschaft

Wer Sport nicht nur als Hobby, sondern als Leidenschaft versteht, findet an der Garmin fēnix 8 einen robusten Begleiter für viele Abenteuer. Sie ist das Schweizer Taschenmesser unter den Wearables: Während andere Geräte lediglich Daten sammeln, bietet die fēnix 8 aktive Navigation und hochspezialisierte Trainingspläne, die sogar das Verletzungsrisiko minimieren können.

Diskreter Schlaf-Tracker: Oura Ring 4

Preis: 349 Euro

• Material: Ultraleichtes, antiallergenes Titan
• Sensorik: Über 20 biometrische Kennzahlen (Herzfrequenz, 7 Temperatursensoren)
• Schlaf-Analyse: Marktführendes Sleep-Staging
• Akkulaufzeit: Bis zu 8 Tage
• Integration: Synchronisiert mit über 40 Apps (Apple Health, Strava, Flo etc.)

Der Oura Ring 4 ist das ideale Tool für Minimalisten, die eine Ergänzung zur klassischen Uhr suchen oder nachts kein störendes Band am Handgelenk tragen wollen. Seine Stärke liegt auch in der Schlafanalyse und Temperaturüberwachung, mit der sich etwa herannahende Infekte frühzeitig erkennen lassen. Auch wenn er bei der aktiven Sportmessung bauartbedingt nicht an die Präzision einer Smartwatch herankommt, ist er ein richtig starkes Wearable für alle, die Gesundheitstracking so unauffällig wie möglich in ihren Lifestyle integrieren möchten.

Fazit: Kleine Form, große Kompromisse

Smart-Ringe sind elegant, unauffällig und für bestimmte Einsatzzwecke durchaus sinnvoll.

Doch sobald es um Präzision, Echtzeit-Feedback oder um aktive Unterstützung im Alltag geht, stoßen sie an ihre geometrischen und technischen Grenzen. Smartwatches bieten da schlicht mehr Möglichkeiten – und oft die zuverlässigeren Daten. Man könnte sagen: Je kleiner das Gerät, desto größer die Kompromisse.

Deshalb: Wenn Sie Ihre Gesundheit wirklich im Blick behalten wollen, ist eine Smartwatch derzeit noch die deutlich vielseitigere Lösung.

(PC-Welt)

Several trends are now converging that threaten to pit tech companies against tech users. 

Miniaturization has finally enabled companies to build AI glasses that look and function like normal glasses, but with microphones and cameras. People are increasingly talking to AI, rather than typing. And multimodal input, especially video, is on the rise. 

Put all of these trends together and you get a nascent industry pushing toward all-day, everyday AI glasses with cameras — and a worried public already pushing back at  the idea.

Let’s look at how we got here.

Meta started it with a surprise hit: its second-generation Ray-Ban Meta glasses, which later gained multimodal AI capability. Its Meta Ray-Ban Display glasses add one in-lens screen — but both versions of the glasses have cameras. (The company is working on a third generation that will probably ship next year.)

Google provides the AI and software platform through Android XR and Gemini, partnering with hardware makers to put its AI on other companies’ glasses. At Google I/O last month, Google unveiled frames from Gentle Monster and Warby Parker running Android XR with Gemini AI; they’re scheduled to launch this fall. Google is working on two types of AI glasses, one with screens and one that is audio-focused. Both types have cameras, though. 

Samsung is working to launch AI-powered smart glasses, too, code-named “Jinju.” The company offered up details at Google I/O alongside Google. The glasses feature a 12-megapixel camera with autofocus; run on Android XR with Gemini AI; are co-designed with Gentle Monster and Warby Parker; and are slated to launch in July at the Samsung Unpacked event. 

(As with Meta and Google, Samsung is working on AI glasses with and without screens, but both of its models have cameras.)

Tech giant Apple is also on the glasses train, based on reporting from anonymous insiders. Codenamed N50, the Apple glasses could have two cameras, one for pictures and videos, the other for multimodal AI input and hand-gesture control. (Apple is also working on a pendant and next-gen AirPods, both of which have cameras.) 

There’s Amazon, which is reportedly developing a new line of consumer AI glasses with a camera after its earlier, camera-less Echo Frames and Carrera Smart Glasses lines failed. (My guess is the problem was Alexa, not the lack of cameras.) Although its Echo Frames have been effectively discontinued — displayed as sold out online — the company is already testing AI glasses with cameras for enterprise use on hundreds of US-based Amazon drivers. 

Huawei in April launched its AI Glasses for the Chinese market — the lightweight glasses sport a dual-engine AI architecture and integration with its HarmonyOS ecosystem. It’s joined there by Xiaomi’s AI Smart Glasses, which are powered by the company’s HyperOS ecosystem and have cameras for photos and videos and for for reading QR codes. 

Beyond those well-known firms, other companies are making daily-wear AI glasses with cameras in them, including XREAL, Rokid, TCL, Solos, and Brilliant Labs.  

A minority of other companies are focused on glasses without cameras, including Even Realities (G1 and G2); MIRA (MIRA glasses); Dymesty (Dymesty AI glasses); Lucyd (Lucyd Lyte); and Huawei (Eyewear 2).

Get the picture?

Clearly, by the end of the year, the market will be flooded with all manner of AI glasses designed for everywhere, everyday wear. They can use prescription lenses or serve as sunglasses — and will all have cameras built in for photos, videos and multimodal AI. 

There’s just one problem: The public hates AI glasses with cameras.

Return of the ‘Glassholes’?

As we learned from Google Glass, a lot of people feel uncomfortable with a camera pointed at them while they’re talking to someone. And that backlash is back with the current generation of AI glasses. 

Because Meta is the market leader in the US, its Ray-Ban Meta glasses have borne the brunt of early disaffection. 

Texas Attorney General Ken Paxton recently launched a formal investigation into Meta’s AI glasses, calling them “a privacy nightmare for Texans,” claiming the devices “can easily invade personal privacy by collecting biometric data and recording Texans without their knowledge or consent.” 

Paxton also claimed the LED light on the glasses, which is designed to alert others that the camera is taking pictures or videos, can be easily defeated. In fact, some modders-for-hire charge up to $100 to physically destroy the LED and TikTok videos describe how to disable or cover the light. 

The pushback is happening elsewhere. Philadelphia courts banned smart Meta AI glasses with recording features from city courthouses and a petition is circulating to ban them from New York City bars and restaurants. MSC Cruise Line banned smart glasses in all public areas. And restaurants, gyms, and workplaces have begun banning smart glasses because of the camera. 

Uncertainty drives some of the concern. People don’t know whether they’re being recorded, and if they are, they don’t know who will see the video. It turns out, those  suspicions might be warranted. 

In February, Swedish publications Svenska Dagbladet and Göteborgs-Posten published an investigation that found Meta contractors in Kenya were reviewing footage from Ray-Ban Meta smart glasses — including “bank details, sex and naked people who seem unaware they are being recorded.” 

The New York Times published an internal Meta memo in February describing plans to add facial recognition (“Name Tag”) to Ray-Ban Meta glasses. The memo said the “political tumult in the United States would distract critics from the feature’s release.”

Then earlier this month, WIRED discovered dormant facial-recognition code called “NameTag” hidden inside Meta’s AI companion app. The code would let Ray-Ban Meta glasses identify strangers by face, a feature Meta publicly claimed “does not exist.” Meta quietly erased the code with an update one day after the exposé was published.

A coalition of civil society organizations wrote Congress to demand that Meta abandon its Name Tag facial recognition plans; they called it a “creepy and unacceptable escalation of surveillance.” The letter warned the technology could be adopted by law enforcement to surveil immigrants, people of color, and nonviolent protesters.

Finally, a range of reports involving AI glasses with cameras in them have emerged in recent months involving secret recording, harassment and extortion. 

The coming conflict over face cams

On one hand, all the biggest consumer electronics companies are either shipping AI glasses with cameras in them or planning to do so — and many smaller companies are looking to do the same. The industry expects AI glasses with cameras to go totally mainstream. 

On the other hand, a growing public, legal and legislative backlash has erupted in opposition to AI glasses with cameras in them. 

One possible outcome is that the public disdain for the cameras will fade, overwhelmed by widespread enthusiasm for the benefits they offer. A new social norm might emerge that mirrors the broad acceptance of everybody having cameras in their phones and pointing them in random directions. 

Another possibility is that companies will be forced by consumer disdain and legal action to abandon cameras in glasses and focus instead on AI glasses that can’t take pictures or use video for multimodal AI input. 

Either way, the war is surely coming.