Künstliche Intelligenz im BVDW

AG Data & (Future) Technology
Die AG wird aus der Homebase geleitet und bündelt die Interessenvertretung für Datennutzungsthemen. Dabei werden die Mitglieder und deren Expertise eng in den Prozess eingebunden. Ziel ist die reaktive und proaktive Interessenvertretung gegenüber politischen, wissenschaftlichen und zivilgesellschaftlichen Stakeholdern. Themen sind Technologien, die auf Datennutzung beruhen wie Künstliche Intelligenz aber auch Immersive Experiences (XR). Der Fokus liegt auf der Regulierung von KI. Darunter fallen die Umsetzung der KI-Verordnung auf europäischer und nationaler Ebene sowie die untergeordneten legislativen Maßnahmen. 

Verantwortlich im BVDW: Janek Kuberzig, Public Affairs Manager (Future) Data & Tech

AG Data Driven Markets
Die AG wird aus der Homebase geleitet und bündelt die Interessenvertretung für Wettbewerbs- und Medienfragen. Dabei werden die Mitglieder und deren Expertise eng in den Prozess eingebunden. Ziel ist die reaktive und proaktive Interessenvertretung gegenüber politischen, wissenschaftlichen und zivilgesellschaftlichen Stakeholdern.

Verantwortlich im BVDW: Katharina Czarnian, Senior Public Affairs Managerin Data Driven Markets

Der Workstream „Untersuchung der Auswirkung von KI/LLM-Systeme auf das Geschäftsmodell von Publishern und Vermarktern“ agiert als strategisches Schutzschild und Innovationsmotor für die digitale Publishing-Landschaft in Zeiten der KI-Revolution. Wir begegnen der radikalen Verschiebung von Traffic-Strömen und der Entwertung redaktioneller Inhalte durch generative Systeme mit fundierter Analyse und kollektiver Handlungsfähigkeit. Unsere Mission ist es, die technologische Souveränität von Publishern und Vermarktern zu sichern, indem wir Transparenz über Datenabflüsse schaffen und effektive Kontrollmechanismen gegenüber KI-Crawlern etablieren.

[Mitarbeit ist nur für OVK Mitglieder und Publisher möglich.]

Verantwortlich im BVDW: Nicole Dreyer, Senior Programm Managerin

Die Arbeitsgruppe „Auswirkung KI/LLMs auf Search/Future of Search“ agiert als strategischer Navigator für die Evolution von SEO und SEA in einer KI-geprägten Informationslandschaft. Wir begegnen dem Wandel von klassischen Suchergebnislisten hin zu GEO, indem wir neue Strategien für die organische Sichtbarkeit und die Performance-Steuerung definieren. Unsere Mission ist es, die Auffindbarkeit von Marken im Spannungsfeld zwischen traditionellem Keyword-Marketing und KI-gestützter Intent-Optimierung nachhaltig zu sichern.

Verantwortlich im BVDW: Jana Hamalides, Senior Manager Audit & Certification

Das Lab Audio x Innovation fokussiert sich auf die transparente Darstellung und Erforschung neuester Audiotechnologien. Ziel des Labs ist es, die neuesten Entwicklungen und Innovationen im Bereich der Audiotechnologie offenzulegen. Wir setzen uns dafür ein, ein klares Verständnis für die Potenziale und Herausforderungen von Innovationen zu schaffen und eine Brücke zwischen Entwickler*innen, Unternehmen und Verbraucher*innen zu bilden. Durch unsere Arbeit streben wir danach, die Integration neuer Audiotechnologien in den Markt zu erleichtern und gleichzeitig Standards für Zugänglichkeit und Benutzerfreundlichkeit zu setzen. Durch eine frühzeitige Identifikation disruptiver Technologien und Entwicklungen ermöglicht das Lab, dass sich die Audiobranche proaktiv auf Marktveränderungen vorbereiten und technologische Standards setzen kann.

Verantwortlich im BVDW: Katharina Jäger, Head of Innovation & Technology & Irina Schmitz, Unit Lead Commerce & Retail

Das Lab Retail Media x KI setzt sich dafür ein, das Potenzial Künstlicher Intelligenz im Retail Media verantwortungsvoll und zukunftsorientiert zu erschließen. Das Ziel ist es, die Mitglieder dabei zu unterstützen, datengetriebene Innovationen strategisch zu nutzen, Markttransparenz zu fördern und nachhaltige Wettbewerbsfähigkeit im digitalen Handel zu sichern. Durch Wissenstransfer, Vernetzung und praxisnahe Orientierung wird die Branche in einem dynamischen, technologiegetriebenen Umfeld gestärkt.

Verantwortlich im BVDW: Irina Schmitz, Unit Lead Commerce & Retail

Das Lab AI Commerce ist der strategische Impulsgeber, der technologische Entwicklungen in zukunftssichere Geschäftsmodelle und handlungsorientierte Empfehlungen übersetzt – auf Basis eines fundierten theoretischen Rahmens. Als Teil des BVDW befähigen wir die Branche, Spielregeln für ein intelligentes Commerce-Zeitalter aktiv mitzugestalten – eines, das Innovation mit Transparenz, Wettbewerb und Konsumentensouveränität verbindet, ohne deren Zielkonflikte auszublenden. Wir begleiten die Branche bei der Navigation durch unterschiedliche Reifegrade – von der punktuellen AI-Optimierung bestehender Onlineshops und -Marktplätze bis hin zu vollständig autonomen Einkaufsagenten, die parallel koexistieren.

Verantwortlich im BVDW: Irina Schmitz, Unit Lead Commerce & Retail

Unter dem Oberthema „Arbeitsmarktveränderungen in der Digitalen Wirtschaft“ beschäftigt sich die Working Group Digitale Arbeitswelten insbesondere mit den Auswirkungen Künstlicher Intelligenz auf Arbeitgeber und Arbeitnehmer*innen. Dabei geht es um grundsätzliche Veränderungen des Arbeitsmarktes, die Herausforderungen an moderne Führung sowie Reskilling und Upskilling angesichts eines angespannten Arbeitsmarktes durch die Veränderungen durch die KI Transformation.

Verantwortlich im BVDW: Beatriz Bilfinger, Senior Programm Managerin 

Das Thema Brand Safety im KI‑Kontext ist beim BVDW im Bereich Digital Responsibility verankert und wird dort federführend bearbeitet werden. Daraus ergibt sich folgendes Vorgehen: Zunächst erfolgt eine gemeinsame Definitionsarbeit mit allen interessierten Mitgliedern und den relevanten Fachgruppen. Anschließend werden die Perspektiven aus KI, Programmatic und Social Sustainability konsolidiert. Auf dieser Basis wird ein gemeinsames Verständnis mit klaren Leitplanken abgeleitet. Abschließend werden die Ergebnisse in ein Paper sowie in weitere BVDW‑Formate überführt.

Verantwortlich im BVDW: Beatriz Bilfinger, Senior Programm Managerin 

KI-Agenten stehen für eine neue Generation intelligenter Softwaresysteme, die mithilfe Künstlicher Intelligenz eigenständig Aufgaben ausführen und dabei im Sinne eines Menschen oder Systems handeln. Ein KI-Agent
ist ein autonomes digitales System, das Künstliche Intelligenz nutzt, um Aufgaben eigenverantwortlich zu planen, auszuführen, zu bewerten und kontinuierlich anzupassen. Er verfügt über die Fähigkeit zum Reasoning, also zur eigenständigen,logischen Schlussfolgerung. Das bedeutet: Ein KI-Agent kann komplexe Aufgaben analysieren, daraus Handlungsstrategien ableiten, Entscheidungen treffen und seine Aktionen flexibel an neue Informationen anpassen und das mit möglichst geringer menschlicher Unterstützung. Sie interagieren aktiv mit ihrer digitalen Umgebung, verarbeiten kontinuierlich große Datenmengen und treffen Entscheidungen auf Basis integrierter Technologien wie Machine-Learning-Algorithmen, natürlicher Sprachverarbeitung (NLP) oder Planungsverfahren. Ziel ist stets die effektive und zielgerichtete Erfüllung einer definierten Aufgabe, wobei das Verhalten des Agenten dynamisch optimiert wird.

Die technologische Grundlage bilden moderne KI-Modelle, insbesondere große Sprachmodelle (Large Language Models),maschinelles Lernen und multimodale Verarbeitungsfähigkeiten für Text, Sprache, Bilder und Code. Damit übersteigen
KI-Agenten funktional klassische Chatbots oder digitale Assistenten deutlich. Sie verfügen zusätzlich über Autonomie,Gedächtnis, Werkzeugnutzung und rollenbezogene Kompetenzen, die sie kontextsensibel einsetzen.

In komplexen Marketing-Ökosystemen können solche KI-Agenten auch in Form von Multiagentensystemen eingesetzt werden. Dabei übernehmen mehrere spezialisierte Agenten unterschiedliche Rollen, vergleichbar mit einem Team von
Marketingexpert*innen und stimmen ihre Aktionen aufeinander ab, um gemeinsam optimale Ergebnisse zu erzielen. Im Unterschied zu klassischen Automatisierungslösungen können KI-Agenten komplexe Aufgaben eigenständig analysieren,
priorisieren und ausführen, teils auch im Austausch mit anderen Agenten oder Menschen.

Quelle: Next Level Künstliche Intelligenz: Warum KI-Agenten die Spielregeln verändern, BVDW 2025

Agentic AI bezeichnet eine neue Entwicklungsrichtung und Denkweise der Künstlichen Intelligenz, in der Systeme nicht nur auf Eingaben reagieren, sondern proaktiv Ziele verfolgen, eigenständig handeln und kontinuierlich lernen.
Der Begriff umfasst Technologien, Ansätze und Prinzipien zur Gestaltung von KI-Systemen mit agentenhaften Eigenschaften wie Autonomie, Reasoning und adaptivem Verhalten.

Quelle: Next Level Künstliche Intelligenz: Warum KI-Agenten die Spielregeln verändern, BVDW 2025

Ein KI-Assistent unterstützt die Nutzenden bei der Erledigung von Aufgaben. Er reagiert auf Anfragen oder Prompts, liefert relevante Informationen und führt einfache Aufgaben aus. Während er Empfehlungen geben
kann, bleibt die endgültige Entscheidungsverantwortung stets bei den Nutzenden. Die Interaktion ist reaktiv, der Assistent wird nur auf konkrete Nutzeranfragen aktiv.

Quelle: Next Level Künstliche Intelligenz: Warum KI-Agenten die Spielregeln verändern, BVDW 2025

Retrieval-Augmented Generation (RAG) ist ein technologischer Ansatz, der die Anfragen an ein beliebiges Large Language Model (LLM) um eigene Daten und Informationen anreichert, um relevantere und präzisere Antworten zu erzeugen. Ein
RAG-System verbindet dabei zwei Welten: die Informationsabfrage (Retrieval) und die Textgenerierung (Generation). Im Kern ermöglicht RAG einem LLM, auf Informationen zuzugreifen, die nicht Teil der ursprünglichen Trainingsdaten waren.
Anstatt sich ausschließlich auf das Wissen aus dem Training zu verlassen, kann ein RAG-System während der Anfrage dynamisch zusätzliche Informationen aus externen Quellen abrufen und in seine Antworten integrieren. Diese Quellen umfassen Dokumente, Datenbanken (durch einen semantischen Layer), das Web oder APIs zu Tools und Systemen.

RAG bildet damit die Grundlage, um mit eigenen Unternehmensdaten innerhalb von KI-Prozessen zu arbeiten – wie ein belesener Assistent, der sich vor jeder Antwort noch einmal gezielt in der Unternehmensbibliothek informiert.

Quelle: Retrieval-Augmented Generation (RAG): Wissen gezielt nutzen, Antworten präzise generieren, 2025

Ein Large Language Model (LLM) ist ein künstliches neuronales Netzwerk, das auf Deep-Learning-Verfahren basiert und speziell für die Verarbeitung und Erzeugung natürlicher Sprache entwickelt wurde. Bekannte Modelle wie GPT (Generative Pretrained Transformer) von OpenAI oder LLaMA von Meta nutzen die sogenannte Transformer-Architektur – deren zentrales Element die Attention-Mechanismen sind. Diese ermöglichen es dem Modell, relevante Zusammenhänge zwischen Wörtern
im Kontext zu erkennen und damit auch komplexe sprachliche Strukturen zu erfassen.

LLMs sind darauf ausgelegt, Sprachmuster zu erkennen, Fragen zu beantworten, Texte zu verfassen oder Inhalte zusammenzufassen. Sie werden mit großen Mengen an Textdaten trainiert, um statistische Muster, sprachliche Strukturen und semantische Zusammenhänge zu erfassen. Dadurch sind sie in der Lage, vielfältige Aufgaben wie Textverständnis, Übersetzung, Texterstellung oder die Beantwortung von Fragen auszuführen – oft mit beeindruckender Kohärenz und sprachlicher Präzision. Klassische LLMs verarbeiten dabei ausschließlich Text als Eingabe und Ausgabe. Multimodale Systeme, die zusätzlich mit Bildern, Audio oder anderen Medienformaten arbeiten, greifen auf spezialisierte Komponenten außerhalb des eigentlichen Sprachmodells zurück.

Quelle: Large Language Models: Potenziale, Prinzipien und Perspektiven, 2025

• Fairness: KI-Systeme sollen niemanden diskriminieren oder benachteiligen.
• Transparenz: Die Funktionsweise von KI-Systemen soll einsehbar sein.
• Erklärbarkeit: KI-Entscheidungen sollen erklärbar sein.
• Datenschutz: Der Schutz personenbezogener Daten soll gewährleistet sein.
• Sicherheit: Fehlfunktionen, Manipulationen und Missbrauch sollen verhindert werden.
• Robustheit: KI-Systeme sollen auch unter unsicheren Bedingungen funktionieren.

Quelle: Verantwortungsvolle KI für die Digitale Wirtschaft, 2024

„Future of Search“ beschreibt den technologischen und strukturellen Wandel hin zu einem hybriden Suchökosystem, getrieben durch KI-Tools und verändertes Nutzerverhalten. Klassische, navigierende Suchmaschinen bestehen fort, werden jedoch zunehmend durch multimodale, dialogorientierte Assistenzsysteme und autonome Agenten ergänzt. Kernmerkmal ist die Verschiebung von der „Suche nach Links“ zur „Suche nach Antworten“. Der Fokus verlagert sich folglich von reiner Traffic- und Ranking-Optimierung hin zur Bereitstellung strukturierter, maschinenlesbarer Informationen und zur Etablierung von Markenautorität.

Quelle: The Answer Economy Wie KI-gestützte Antwortsysteme Geschäftsmodelle, Sichtbarkeit und Wertschöpfung neu ordnen, 2026

GEO (Generative Engine Optimization): Ein methodischer Ansatz zur Aufbereitung digitaler Inhalte, damit diese von generativen KI- und Assistenzsystemen erfasst, semantisch verstanden und als präferierte Quelle priorisiert werden. Ziel ist die direkte Integration der Informationen in synthetisierte Antworten oder autonome Prozesse. Damit ergänzt GEO die klassische Suchmaschinenoptimierung um neue Dimensionen, insbesondere Zitierfähigkeit, Datenvalidität, semantische Eindeutigkeit und Markenautorität innerhalb KI-gestützter Interaktionen.

Quelle: The Answer Economy Wie KI-gestützte Antwortsysteme Geschäftsmodelle, Sichtbarkeit und Wertschöpfung neu ordnen, 2026

Human Traffic bezeichnet alle Zugriffe auf digitale Angebote, die durch echte menschliche Nutzer*innen erfolgen. Diese Zugriffe entstehen durch bewusstes Navigieren, Lesen, Klicken oder Interagieren mit Inhalten über Browser, Apps oder andere Nutzeroberflächen. Charakteristisch für Human Traffic ist, dass er: auf menschlicher Entscheidung und Aufmerksamkeit beruht, Reichweite, Nutzung und Engagement abbildet, die Grundlage für Monetarisierung, Werbung, Abonnements oder andere Geschäftsmodelle darstellt. Human Traffic wird in der Regel über klassische Web‑Analyse‑Kennzahlen wie Sitzungen, Verweildauer, Klicks oder Conversions gemessen.

Non‑Human Traffic bezeichnetim Gegensatz dazu alle Zugriffe auf digitale Angebote, die nicht von Menschen, sondern von automatisierten Systemen (Bots) erzeugt werden.  Diese Zugriffe erfolgen programmatisch und ohne unmittelbare menschliche Interaktion mit der jeweiligen Webseite.  Non‑Human Traffic umfasst unter anderem: Suchmaschinen‑Crawler zur Indexierung von Inhalten, Analyse‑, Monitoring‑ oder Verifikations‑Bots, KI‑Crawler und Trainings‑Bots, Scraping‑, Spam‑ oder andere automatisierte Zugriffe.

Nicht jeder Non‑Human Traffic ist per se schädlich oder unerwünscht; seine Bedeutung hängt vom Zweck des Zugriffs und vom Mehrwert für den Betreiber des Angebots ab. Gleichzeitig kann Non‑Human Traffic Reichweitenmessung, Monetarisierung und Infrastrukturbelastung deutlich beeinflussen. 

Quelle: Medienwandel durch KI, So bringen Publisher und Medienhäuser Transparenz in Bot- und Crawling-Aktivitäten, 2026