The 2025 state of AI Development

Die Umfrage ordnet Teams danach, wie weit sie KI getragen haben, vom Gespräch mit Nutzern über Bedarfe über eine Strategie und einen Machbarkeitsnachweis und eine Beta bis hin zum Produktionseinsatz. Etwa ein Viertel der Unternehmen hatte etwas in der Produktion, der Rest verteilte sich auf frühere Stufen. Die Aufteilung zählt, weil sie zeigt, dass das Feld nicht eine einzige Welle ist, sondern ein Spektrum: Ein Team, das sich abgehängt fühlt, steht oft auf derselben Stufe wie die Mehrheit.

Dokumentenanalyse und -extraktion erwiesen sich als häufigster Anwendungsfall, gefolgt von Kundenservice und Chat-Assistenten und danach von Analyse natürlicher Sprache. Inhaltserstellung, Empfehlungssysteme, Codegenerierung und Forschungsautomatisierung rundeten die Liste ab. Das Muster deutet auf Arbeit, bei der vorhandener Text gelesen und sortiert wird, nicht nur neuer Text entsteht, und das ist ein nützliches Signal dafür, wo die Nachfrage liegt.

OpenAI hielt den größten Nutzungsanteil, vor allem über GPT-4o und GPT-4o Mini, dicht gefolgt von Microsoft Azure, Anthropic und AWS Bedrock. Größere Unternehmen stützten sich stärker auf Cloud-Plattformen, und der Anteil von Azure stieg mit der Unternehmensgröße. Gehostete offene Modelle von Anbietern wie Groq, Fireworks AI und Together AI gewannen Boden, was der Bericht als Zeichen liest, dass Teams mehr als eine Option im Mix wollen.

Retrieval-augmentierte Generierung dominierte die beschriebenen Architekturen, wobei die Mehrheit eine Vektordatenbank nutzte. Nur etwa ein Drittel feinjustierte überhaupt ein Modell. Der Bericht bringt die niedrige Fine-Tuning-Zahl mit sinkenden Kosten und steigender Modellqualität zusammen, da ein gutes Basismodell plus Retrieval die Aufgabe oft ohne maßgeschneidertes Training abdeckt.

Die meisten Entwickler gaben an, ihre KI zu evaluieren, doch die Methoden neigen zum Manuellen: Tests und Prüfung überwiegen automatische Evaluationswerkzeuge deutlich. Beim Monitoring war die Aufteilung ähnlich, mit eigenen Dashboards vor Drittanbieterwerkzeugen. Der Umgang mit Halluzinationen und Prompt-Problemen war die größte Herausforderung, was dazu passt, wie dünn die automatischen Kontrollen noch sind.

Der Bericht endet mit einem Blick nach vorn und erwartet, dass 2025 ein Jahr der Werkzeuge wird und agentische Workflows von Experimenten zu ausgelieferten Funktionen wandern. Er markiert zudem den Anstieg von Mehr-Modell-Setups und den anhaltenden Kostendruck als Kräfte, die prägen, was Teams als Nächstes bauen.