Blog / Enterprise AI / AI Integration
ENTERPRISE AI · AI INTEGRATION
MCP, Function Calling, Code Execution: So verbinden Sie KI mit Ihren Unternehmenstools
Autorin: Aleksandra Osztynowicz / Veröffentlicht: Juli 2026
Eine KI, die jeden Morgen das CRM analysiert und dem Vertrieb die vielversprechendsten Kunden priorisiert. Eine KI, die Produktbroschüren übersetzt und dabei Tonalität und Markenstimme bewahrt. Eine KI, die die Websites von Wettbewerbern kontinuierlich überwacht und relevante Änderungen automatisch zusammenfasst.
Solche Anwendungsfälle stehen inzwischen auf der Agenda vieler mittelständischer und großer Unternehmen. Dahinter steckt jedoch immer dieselbe Herausforderung: Wie verbinden Sie KI mit den Systemen und Datenquellen, die Ihr Unternehmen bereits nutzt, vom CRM über Wissensdatenbanken und Übersetzungssysteme bis hin zu Data Warehouses und E-Mail-Plattformen?
Denn so leistungsfähig moderne Modelle auch sind: Sie haben keinen direkten Zugriff auf diese Systeme. Damit KI echten Mehrwert schafft, muss sie zunächst mit ihnen verbunden werden.
KI an Unternehmenstools anbinden: Wie Integration dem Modell die Schlüssel zu Ihren Systemen gibt
Die richtige Frage kommt zuerst
In den vergangenen Monaten haben wir zahlreiche Gespräche mit Unternehmen geführt, die KI-Anwendungen planen oder bereits erste Projekte evaluieren. Fast immer drehten sich die ersten Fragen um die Integration: Welche Technologien kommen infrage? Wie werden bestehende Systeme angebunden? Und welche Architektur ist die richtige?
Das sind wichtige Fragen. Für den Projekterfolg sind sie jedoch meist nicht die ersten, die gestellt werden sollten. Am Anfang steht eine andere Überlegung, und sie hat nichts mit bestimmten Technologien, Frameworks oder Standards zu tun.
Dieser Artikel verfolgt drei Ziele: Erstens zeigen wir, welche Möglichkeiten Unternehmen heute haben, KI mit bestehenden Systemen zu verbinden und worin sich diese Ansätze unterscheiden. Zweitens stellen wir ein einfaches Entscheidungsraster vor, das Ihnen hilft, für einen konkreten Anwendungsfall die passende Integrationsstrategie auszuwählen. Drittens beleuchten wir das Thema Sicherheit im Detail, denn in vielen Unternehmen entscheidet es darüber, ob ein KI-Projekt grünes Licht erhält.
Was „KI-Tool-Integration” eigentlich bedeutet
Ein KI-Modell, ob GPT, Claude oder Gemini, hat von Haus aus keinen Zugriff auf die Daten, Systeme oder Prozesse eines Unternehmens. Es verfügt über umfangreiches allgemeines Wissen, kennt jedoch weder Ihre Kunden noch Ihre Produkte oder internen Abläufe.
Man kann es mit einem neuen Mitarbeiter am ersten Arbeitstag vergleichen: fachlich hervorragend qualifiziert, aber noch ohne Zugang zu den Werkzeugen und Informationen, die für die tägliche Arbeit erforderlich sind. Erst wenn dieser Mitarbeiter auf das CRM, die Wissensdatenbank oder andere Geschäftsanwendungen zugreifen kann, wird sein Potenzial für das Unternehmen nutzbar.
Genau darum geht es bei der KI-Integration. Sie verbindet Modelle mit den Datenquellen, Anwendungen und Prozessen eines Unternehmens und macht sie dadurch handlungsfähig. Dabei stellt sich jedoch schnell die nächste Frage: Auf welchem Weg sollte diese Verbindung hergestellt werden? Denn dafür gibt es mehrere Ansätze, und jeder bringt eigene Stärken, Grenzen und Sicherheitsanforderungen mit sich.
KEY TAKEAWAY
Ein KI-Modell ist wie ein neuer Mitarbeiter am ersten Arbeitstag: hochkompetent, aber ohne Zugriff auf die relevanten Systeme kann es wenig ausrichten. Integration verschafft ihm die Werkzeuge und Zugänge, um produktiv zu werden.
Ein genauerer Blick auf jeden Ansatz
In der Praxis haben sich heute fünf Ansätze etabliert, um KI mit Unternehmenssystemen zu verbinden. Drei davon bilden die Grundlage der meisten produktiven Architekturen. Zwei weitere kommen seltener zum Einsatz, können in bestimmten Szenarien jedoch entscheidend sein.
Function Calling (maßgeschneiderte KI-Integration)
Beim Function Calling definiert das Entwicklungsteam explizit, welche Aktionen die KI ausführen darf. Beispiele sind das Abrufen eines Bestellstatus, die Suche nach Kundendaten oder das Versenden eines Berichts. Für jede Funktion werden Eingaben, Ausgaben, Berechtigungen und Geschäftsregeln festgelegt.
Das Modell erhält anschließend eine Liste dieser verfügbaren Funktionen und entscheidet während der Konversation, welche davon zur jeweiligen Anfrage passt. Die eigentliche Ausführung bleibt dabei vollständig unter der Kontrolle der Anwendung.
Der größte Vorteil dieses Ansatzes ist seine Vorhersehbarkeit. Alles, was die KI tun kann, wurde zuvor definiert, geprüft und implementiert. Deshalb ist Function Calling häufig der erste Integrationsansatz, den Unternehmen wählen. Solange die Anzahl der Funktionen überschaubar bleibt, lässt er sich schnell umsetzen und einfach betreiben.
Wann Sie diesen Ansatz wählen sollten
Function Calling ist meist die beste Wahl für klar umrissene Anwendungsfälle mit einer begrenzten Zahl von Funktionen. Besonders bewährt hat sich der Ansatz bei Chatbots, internen Assistenten und anderen geschlossenen Anwendungen, in denen Sicherheit, Nachvollziehbarkeit und die Einhaltung von Geschäftsregeln wichtiger sind als maximale Flexibilität.
- ✓Volle Kontrolle über jedes Detail
- ✓Leicht zu auditieren, da alle Tools im Anwendungscode liegen und den normalen Code-Review durchlaufen
- ✓Geringe Latenz
- ✓Der beste Ansatz, wenn jede Entscheidung nachvollziehbar sein muss
- –Jede neue Integration ist ein Entwicklungsprojekt
- –Das bestehende Ökosystem lässt sich nicht wiederverwenden. Slack, Notion oder GitHub müssen bei Bedarf von Grund auf integriert werden
- –In manchen Fällen lässt sich Integrationscode, der für einen Modellanbieter geschrieben wurde, nicht auf einen anderen übertragen
Model Context Protocol (MCP)
MCP lässt sich am besten als universeller Verbindungsstandard für KI-Anwendungen verstehen. Ähnlich wie USB Geräte mit Computern verbindet, ermöglicht MCP die standardisierte Anbindung von Software an KI-Assistenten.
Softwareanbieter wie Slack, Notion, GitHub, SAP oder Atlassian veröffentlichen zunehmend offizielle MCP-Server, die von unterschiedlichen KI-Clients genutzt werden können. Der Standard wurde 2024 von Anthropic vorgestellt und wird inzwischen auch von OpenAI, Google und Microsoft unterstützt. Damit entwickelt sich MCP zum gemeinsamen Integrationsstandard für die KI-Welt, ähnlich wie REST-APIs über viele Jahre hinweg der Standard für klassische Softwareintegrationen waren.
Besonders wichtig: MCP funktioniert in beide Richtungen. Unternehmen können bestehende MCP-Integrationen nutzen oder eigene MCP-Server für interne Systeme bereitstellen. Dadurch werden beispielsweise ein CRM, ein Data Warehouse oder eine interne API für jeden unterstützten KI-Client zugänglich.
Fertige MCP-Server
Dies ist heute der häufigste Anwendungsfall. Viele Softwareanbieter stellen bereits offizielle MCP-Server bereit. Wenn eine benötigte Integration existiert, lässt sie sich häufig innerhalb weniger Stunden statt mehrerer Wochen einbinden.
Eigene MCP-Server
Das strategisch interessantere Szenario ist der Aufbau eigener MCP-Server für interne Systeme.
Ein Unternehmen kann beispielsweise sein CRM, sein ERP-System oder ein internes Data Warehouse über einen MCP-Server bereitstellen. Der entscheidende Vorteil besteht darin, dass diese Integration anschließend von verschiedenen KI-Anwendungen gemeinsam genutzt werden kann, etwa aus Claude, Copilot, Cursor oder zukünftigen KI-Clients.
Gerade in größeren Organisationen verhindert dieser Ansatz doppelte Entwicklungsarbeit. Statt dieselbe ERP-Integration mehrfach für unterschiedliche KI-Projekte zu implementieren, wird sie einmal als MCP-Server bereitgestellt und anschließend von allen Teams gemeinsam genutzt.
Wann Sie diesen Ansatz wählen sollten
MCP eignet sich besonders dann, wenn mehrere KI-Anwendungen auf dieselben Systeme zugreifen sollen oder verschiedene Teams parallel KI-Lösungen entwickeln. Auch wenn für eine benötigte SaaS-Anwendung bereits ein offizieller MCP-Server existiert, ist MCP häufig der schnellste Weg zur Integration. Seine größte Stärke spielt der Ansatz jedoch aus, wenn Unternehmen eine gemeinsame Integrationsschicht schaffen wollen, die von unterschiedlichen KI-Clients genutzt werden kann. Wer Integrationen einmal entwickeln und langfristig für viele Anwendungsfälle wiederverwenden möchte, schafft mit MCP meist die zukunftssicherste Grundlage.
- ✓Interoperabilität
- ✓Ein wachsendes Ökosystem fertiger Integrationen für gängige Tools
- ✓Eine einzige Integration bedient mehrere KI-Clients
- ✓Langfristige architektonische Flexibilität
- –Höhere betriebliche Komplexität
- –Eine größere Angriffsfläche, die bewusste Sicherheitsarbeit erfordert
- –Ungleiche Qualität des Ökosystems, denn offizielle Plugins großer Anbieter sind meist solide, viele von der Community entwickelte wirken jedoch noch wie Prototypen
Code Execution
Bei Code Execution greift die KI nicht auf eine vordefinierte Liste von Funktionen zurück. Stattdessen erhält sie eine sichere, isolierte Ausführungsumgebung, in der sie selbst Code schreiben und ausführen kann, um eine Aufgabe zu lösen.
Dieser Ansatz eignet sich besonders für datenintensive und analytische Aufgaben. Dazu gehören beispielsweise die Auswertung großer CSV-Dateien, die Verarbeitung umfangreicher Dokumentensammlungen, das Extrahieren und Bereinigen von Daten aus unterschiedlichen Quellen oder die Transformation komplexer Tabellenbestände. Anstatt für jeden einzelnen Arbeitsschritt ein separates Tool aufzurufen, kann das Modell den benötigten Code selbst erzeugen und die Verarbeitung automatisieren.
Wann Sie diesen Ansatz wählen sollten
Code Execution eignet sich besonders für datenintensive Aufgaben, bei denen große Mengen an Informationen verarbeitet, analysiert oder transformiert werden müssen. Seine Stärken spielt der Ansatz aus, wenn die erforderlichen Arbeitsschritte zu vielfältig oder zu dynamisch sind, um sie als feste Liste von Funktionen abzubilden. Auch bei der Verarbeitung von Dateien, Dokumenten oder komplexen Datensätzen ist Code Execution häufig die effizienteste Lösung, weil das Modell den benötigten Code selbst erzeugen und an die jeweilige Aufgabe anpassen kann.
- ✓Erhebliche Flexibilität
- ✓Die Daten müssen nicht durch den Kontext des Modells fließen, was Kosten und Latenz unter Kontrolle hält
- ✓Natürliche Kombination mit anderen Ansätzen, da ein Agent aus seinem Code heraus eine Funktion oder einen MCP-Server aufrufen kann
- –Erfordert eine sichere Laufzeitumgebung (Sandbox)
- –Schwerer zu debuggen, wenn etwas schiefläuft
- –Das Modell muss gut programmieren können. Die besten Modelle von heute schaffen das, aber es erfordert sorgfältiges Prompt-Engineering
Zwei weitere Ansätze sollten zumindest erwähnt werden. Sie spielen in modernen KI-Architekturen meist eine Nebenrolle, können in bestimmten Situationen jedoch die richtige Wahl sein.
Anbindung über API-Dokumentation
Bei diesem Ansatz erhält die KI die Beschreibung einer Schnittstelle, beispielsweise in Form einer OpenAPI-Spezifikation, und erzeugt die benötigten API-Aufrufe selbst. Das eignet sich vor allem für schnelle Integrationen innerhalb einer einzelnen Anwendung, wenn bereits eine saubere API-Beschreibung vorliegt. In der Praxis verliert dieser Ansatz jedoch zunehmend an Bedeutung. Viele Unternehmen nutzen dieselben Spezifikationen heute als Grundlage, um direkt MCP-Server zu erzeugen. Dadurch verschwimmen die Grenzen zwischen beiden Ansätzen zunehmend.
Computer Use
Computer Use verfolgt einen grundlegend anderen Ansatz. Statt über APIs oder Integrationsschichten mit einem System zu kommunizieren, bedient die KI die Benutzeroberfläche direkt, ähnlich wie ein menschlicher Anwender. Sie klickt auf Schaltflächen, füllt Formulare aus und navigiert durch Anwendungen. Das ist langsamer und weniger zuverlässig als eine API-basierte Integration. Für ältere Systeme ohne moderne Schnittstellen kann es jedoch die einzige praktikable Option sein. In den meisten Unternehmen sollte Computer Use deshalb als Übergangslösung betrachtet werden: eine Brücke zu einer späteren Modernisierung, nicht die langfristige Zielarchitektur.
Wie Sie entscheiden, was am besten passt
Jede belastbare Architekturentscheidung lässt sich entlang von fünf Kriterien strukturieren. Keine davon ist rein technischer Natu, sie betreffen Nutzung, Organisation und Governance.
Das erste Kriterium ist die Art der Nutzung. Läuft die Lösung ausschließlich innerhalb einer einzelnen Unternehmensanwendung oder soll sie auch aus bestehenden KI-Tools wie Copilot, Claude oder Cursor heraus verfügbar sein? Eine einzelne, klar abgegrenzte Anwendung spricht in der Regel für Function Calling, während eine breite Nutzung über mehrere KI-Clients hinweg eher für MCP spricht.
Zweitens geht es um Anzahl und Dynamik der Aktionen. Wenige stabile Funktionen, die sich selten ändern, lassen sich gut mit Function Calling abbilden. Wenn jedoch kontinuierlich neue Aktionen hinzukommen oder sich bestehende Schnittstellen häufig erweitern, werden MCP oder Code Execution langfristig wartungsärmer.
Ein drittes Kriterium ist das Datenvolumen. Kleine, strukturierte Abfragen wie Kunden- oder Bestelldaten sind für alle Ansätze unproblematisch. Sobald jedoch große Datenmengen verarbeitet oder analysiert werden müssen, wird Code Execution häufig zur besseren Wahl, da sie effizienter mit komplexen Datensätzen umgehen kann.
Das vierte Kriterium betrifft Sicherheit und Kontrolle. In regulierten Umgebungen mit strengen Audit- und Berechtigungsanforderungen ist Function Calling oft im Vorteil, da jede Aktion explizit definiert und kontrolliert wird. MCP kann ebenfalls eingesetzt werden, erfordert dann jedoch eine klare Governance-Schicht für Zugriffsrechte.
Schließlich spielt die Art der angebundenen Systeme eine Rolle. Externe SaaS-Plattformen wie Salesforce, Slack, GitHub oder Jira verfügen häufig bereits über fertige MCP-Integrationen. Interne Systeme wie CRM, ERP oder Data Warehouses folgen dagegen oft eigener Logik und werden entweder über Function Calling oder eigene MCP-Server angebunden.
In der Praxis führt diese Analyse selten zu einer einzelnen „richtigen“ Architektur. Meist ergibt sich eine Kombination mehrerer Ansätze, und genau darin liegt die Realität moderner KI-Systeme.
Hybrid ist die Norm
Hybrid ist die Norm
Die zentrale Aussage dieses Artikels ist: Reife Enterprise-KI-Architekturen bestehen 2026 nicht aus „MCP oder Function Calling“, sondern aus einer bewussten Kombination beider Ansätze, ergänzt um Code Execution für die Verarbeitung großer Datenmengen. In der Praxis nutzt ein einzelner KI-Agent häufig mehrere Integrationsschichten gleichzeitig, je nach Aufgabe und Kontext.
Ein paar praktische Leitlinien lassen sich daraus ableiten: Beginnen Sie mit der einfachsten Lösung, die das Problem zuverlässig löst, und erhöhen Sie die Komplexität nur dann, wenn ein konkreter Bedarf entsteht, nicht auf Basis hypothetischer zukünftiger Anforderungen. Gleichzeitig sollte die Architektur von Anfang an auf Erweiterbarkeit ausgelegt sein, ohne dass bestehende Integrationen neu geschrieben werden müssen. Ebenso wichtig ist eine klare Entscheidung darüber, wie der Agent Tools aufruft, wie diese autorisiert werden und wie Daten durch das System fließen. Ein zentraler Aspekt ist die Beobachtbarkeit. Jede Aktion der KI sollte nachvollziehbar sein: was ausgeführt wurde, wann es geschah, im Auftrag welcher Nutzeridentität und mit welchem Ergebnis. Diese Transparenz erleichtert nicht nur das Debugging, sondern schafft auch die Grundlage für Kontrolle und Vertrauen in produktiven Systemen.
KEY TAKEAWAY
Function Calling, MCP und Code Execution stehen nicht in Konkurrenz zueinander. Sie erfüllen unterschiedliche Aufgaben. Moderne Architekturen kombinieren 2026 alle drei Ansätze.
Was ist mit der Sicherheit?
Im Enterprise-Umfeld entscheidet Sicherheit häufig darüber, ob ein KI-Projekt überhaupt umgesetzt wird. Die zentrale These lautet: Sicherheit ist keine Eigenschaft des gewählten Integrationsansatzes, sondern der gesamten Architektur, die ihn umgibt.
MCP ist nicht per se unsicherer als Function Calling, es erfordert lediglich andere Schutzmechanismen. Gleiches gilt für Code Execution oder andere Integrationsformen: Jeder Ansatz bringt spezifische Risikoprofile mit sich und benötigt passende Kontrollen, um diese zu adressieren.
Entscheidend ist daher nicht die Wahl eines „sicheren“ Ansatzes, sondern die konsequente Gestaltung der Sicherheitsarchitektur. Dazu gehören klare Zuständigkeiten, nachvollziehbare Berechtigungen, kontrollierte Tool-Aufrufe und eine vollständige Transparenz darüber, welche Aktionen die KI ausführt und auf welcher Grundlage sie dies tut.
Prompt Injection
Die KI verarbeitet E-Mails, Dokumente oder Webseiten mit versteckten Anweisungen und interpretiert diese möglicherweise als legitime Befehle.
Lösung: Nutzeranweisungen und verarbeitete Daten strikt voneinander trennen sowie begrenzen, welche Aktionen nach dem Lesen nicht vertrauenswürdiger Inhalte ausgeführt werden dürfen.
Kompromittierte Plugins
Ein zunächst vertrauenswürdiges Plugin wird manipuliert oder nachträglich verändert und führt unerwartete Aktionen aus.
Lösung: Nur vertrauenswürdige Quellen verwenden, Versionen fixieren und kritische Integrationen intern betreiben.
Überprivilegierte KI
Die KI erhält weitergehende Zugriffsrechte als der eigentliche Nutzer und kann dadurch auf unzulässige Daten zugreifen.
Lösung: Zugriffskontrollen in der Anwendung durchsetzen und die Nutzeridentität an jeden Tool-Aufruf weiterreichen.
Datenabfluss durch Tool-Ketten
Einzelne Tools erscheinen harmlos, ermöglichen in Kombination jedoch die Weitergabe sensibler Informationen.
Lösung: Zulässige Tool-Kombinationen definieren, ausgehende Ziele beschränken und Agenten nach Datensensibilität trennen.
Unsicherer KI-Code
Von der KI erzeugter Code kann Fehler enthalten oder unerwartete Aktionen ausführen, obwohl dies nicht beabsichtigt war.
Lösung: Code nur in isolierten Sandboxes ausführen, Netzwerk- und Secrets-Zugriffe einschränken und keine Persistenz zwischen Sitzungen zulassen.
Im Enterprise-Kontext ist die Frage selten, ob ein Risiko existiert; denn das ist immer der Fall. Entscheidend ist vielmehr, ob sich dieses Risiko klar benennen, realistisch einschätzen und dem Sicherheitsteam gemeinsam mit einem belastbaren Maßnahmenplan vorlegen lässt.
Die richtige Frage zuerst
KI mit Unternehmenssystemen zu verbinden, ist heute keine Entscheidung für eine einzelne Technologie mehr, sondern die bewusste Kombination mehrerer Ansätze. Function Calling, MCP und Code Execution stehen dabei nicht in Konkurrenz zueinander. Sie bilden unterschiedliche Schichten einer Architektur und beantworten jeweils andere Anforderungen. Die besten Implementierungen, die wir in den vergangenen Monaten gesehen haben, kombinieren alle drei Ansätze gezielt; abhängig von der konkreten Situation der Organisation, nicht von der Präferenz einzelner Architekten.
Der entscheidende Punkt ist, mit den richtigen geschäftlichen Fragen zu beginnen: Wer nutzt das System? Welche Aufgaben soll es übernehmen? Wie häufig wird es eingesetzt? Unter welchen organisatorischen und sicherheitsrelevanten Rahmenbedingungen findet der Einsatz statt? Erst auf dieser Grundlage ergibt sich die passende technische Architektur. Die Technologie ist längst verfügbar. Die eigentliche Herausforderung besteht darin, ob Organisationen die richtigen Fragen stellen, bevor sie mit der Umsetzung beginnen.
Unternehmen können KI heute auf fünf Arten mit ihren Systemen verbinden. Die wichtigsten Ansätze sind Function Calling, MCP und Code Execution. API-Dokumentation und Computer Use ergänzen diese Integrationsstrategien.
Die Wahl des richtigen Ansatzes ist vor allem eine Geschäftsentscheidung. Ausschlaggebend sind Nutzerkreis, Anzahl der Aktionen, Datenvolumen, Sicherheitsanforderungen sowie die Frage, ob interne oder externe Systeme angebunden werden.
MCP entwickelt sich zum Standard für KI-Integrationen. Unternehmen können eine Schnittstelle bereitstellen und diese mit mehreren KI-Anwendungen gleichzeitig nutzen.
Moderne Enterprise-Architekturen setzen nicht auf eine einzelne Technologie. Sie kombinieren mehrere Integrationsschichten und wählen für jeden Anwendungsfall den passenden Ansatz.
Sicherheit ist keine Eigenschaft einzelner Integrationsmethoden, sondern eine Aufgabe der Gesamtarchitektur. Entscheidend ist, Risiken zu verstehen, zu bewerten und wirksam zu kontrollieren.
Warum Unternehmen sich bei der KI-Integration Unterstützung holen
theBlue.ai ist ein spezialisiertes KI-Entwicklungsunternehmen mit Sitz in Hamburg und Poznań und der KI-Bereich der Apollogic Group, einer Enterprise-Beratungsorganisation mit mehr als 120 Mitarbeitenden und über 18 Jahren Erfahrung in der Umsetzung von SAP-, Microsoft- und individuellen IT-Systemen für mittlere bis große Unternehmen. 2019 vom selben Team gegründet, das hinter Apollogic steht, ist theBlue.ai aus der Enterprise-IT entstanden und nicht aus einem KI-Forschungslabor, weshalb jedes Projekt beim Prozess beginnt, nicht bei der Technologie.
Wir finden den manuellen Prozess, der Ihr Unternehmen am meisten kostet, und bauen das KI-System, das ihn beseitigt, integriert in die Tools, die Ihr Team bereits nutzt, betrieben on-premise oder in der Cloud, und so gebaut, dass es Ihre Sicherheitsprüfung besteht, statt sie zu umgehen. Mehr als 50 Enterprise-KI-Projekte in zehn Branchen, von der Analyse und Optimierung bestehender Geschäftsprozesse bis zum produktiven Betrieb von KI-Systemen.
Wenn Sie planen, KI an Ihre Unternehmenstools anzubinden, und mit den richtigen Fragen beginnen wollen, sprechen Sie mit uns über Ihren konkreten Anwendungsfall.
Über die Autorin
Aleksandra Osztynowicz, AI Engineer, theBlue.ai
Aleksandra entwickelt seit 2021 bei theBlue.ai maßgeschneiderte KI-Lösungen, mit Schwerpunkt auf agentenbasierten Implementierungen, die präzise auf die Bedürfnisse der Kunden eingehen. Als AI Engineer hilft sie Enterprise-Organisationen, ihre Prozesse zu automatisieren, und erweitert kontinuierlich ihr Wissen in der sich rasch wandelnden Welt der künstlichen Intelligenz. In ihren Artikeln teilt sie praktische Erfahrungen aus Enterprise-KI-Projekten und zeigt, dass der Einsatz von KI in Unternehmen nicht kompliziert sein muss.