Multimodale KI

Man stelle sich eine Sachbearbeiterin vor, die gleichzeitig einen Lieferschein liest, eine Sprachnachricht anhört und ein Foto vom beschädigten Paket auswertet – ohne dass dafür drei verschiedene Kolleginnen nötig sind. Genau das leistet multimodale KI: Ein einziges Modell nimmt mehrere Eingabearten entgegen und verknüpft sie zu einer Antwort.

Technisch bedeutet das: Text, Bild, Audio und Video werden vom selben neuronalen Netz verarbeitet, nicht von mehreren aneinandergereihten Einzelmodellen. OpenAI beschreibt GPT-4o entsprechend als Modell, das 'als Eingabe jede Kombination aus Text, Audio, Bild und Video' akzeptiert und Ausgaben in mehreren Formaten erzeugt.

Auch Googles Gemini-Modelle sind laut dem zugehörigen Fachpapier darauf trainiert, Text zusammen mit Audio- und Bild-Eingaben wie Fotos, Diagrammen, PDFs und Videos zu verarbeiten. Für den Betrieb heißt das praktisch: Ein Foto vom Schadensfall plus eine kurze Sprachnotiz können in einem Arbeitsschritt ausgewertet werden, statt in getrennten Systemen.

Multimodale KI spart überall dort Zeit, wo im Betrieb heute Informationen aus unterschiedlichen Quellen manuell zusammengeführt werden – zum Beispiel ein Foto vom Bauzustand plus eine gesprochene Notiz des Monteurs, die sonst getrennt abgetippt und zugeordnet werden müssten.

Das Risiko von Übertragungsfehlern sinkt, weil weniger Medienbrüche entstehen: Statt Audio erst manuell zu verschriftlichen und dann getrennt vom Foto zu bewerten, läuft beides in einem Schritt zusammen. Das ist besonders relevant für Kundenservice, Wareneingang und Baustellendokumentation.

Wichtig für die Erwartungshaltung: Multimodale KI ersetzt keine Fachprüfung, sie liefert einen strukturierten Erstentwurf – Werker oder Sachbearbeiterin prüfen weiterhin, ob Foto und Notiz tatsächlich zusammenpassen.

Multimodale Modelle sind in der Regel teurer pro Anfrage als reine Text-Modelle, weil Bild- und Audio-Verarbeitung mehr Rechenleistung braucht – belastbare Marktpreise variieren stark je nach Anbieter, Modellgröße und Datenmenge und lassen sich hier nicht seriös pauschalisieren.

Entscheidende Einflussfaktoren im Betrieb: Wie viele Bilder/Audiodateien pro Monat verarbeitet werden sollen, ob eine Anbindung an bestehende Systeme (z. B. Warenwirtschaft, CRM) nötig ist und ob sensible Daten eine lokale oder besonders datenschutzkonforme Verarbeitung erfordern.

Das erste KI-System zum Festpreis ab 3.500 € (AI READY) – als Einstiegspunkt, um multimodale Funktionen (z. B. Foto- plus Sprachauswertung) in einem klar abgegrenzten Anwendungsfall einzusetzen, bevor größer investiert wird.

Ein Sanitär- und Heizungsbetrieb mit 35 Mitarbeitenden lässt Monteure nach jedem Einsatz ein Foto der Installation und eine kurze Sprachnotiz zum Zustand hochladen. Eine multimodale KI fasst beides zu einem strukturierten Einsatzbericht zusammen, den die Bürokraft nur noch gegenprüft und freigibt – statt Fotos und Audiodateien manuell zuzuordnen und abzutippen.