Hürden und Erwartungen bei Quanten-KI

sas quantum lab demo
Bild: SAS Institute GmbH

SAS hat am 30. April Ergebnisse einer globalen Umfrage unter 500 Führungskräften veröffentlicht. Nach Angaben des Unternehmens gehen Experten davon aus, dass Quanten-Hardware bis Anfang der 2030er-Jahre im großen Stil einsatzbereit sein wird. Unternehmensvertreter blieben in der Befragung dagegen vorsichtig. Viele meinten laut SAS, dass es aktuell noch nicht möglich sei, Quantentechnologie produktiv einzusetzen. Das Unternehmen leitet daraus eine zurückhaltende Haltung gegenüber der Einführung von Quanten-KI ab.

Hürden bei der Einführung

Als häufig genannte Hindernisse für die Nutzung von Quantentechnologie nennt SAS Unsicherheit über praktische Anwendungsmöglichkeiten, hohe Implementierungskosten sowie fehlendes geschultes Personal und Know-how. Ebenfalls genannt werden eine begrenzte Verfügbarkeit von Quanten-KI-Produkten und fehlende regulatorische Richtlinien.

Angekündigtes Quantum Lab

SAS kündigt an, das SAS Quantum Lab im vierten Quartal 2026 für Kunden von SAS Viya verfügbar zu machen. Nach Firmenangaben soll das Angebot den Einstieg in Quanten-KI erleichtern und Anwender unterstützen, die eigene Ideen testen und validieren wollen. Genannt werden Vergleiche zwischen klassischen, quantenbasierten und hybriden Ergebnissen für industrielle Anwendungsfälle. Zudem kündigt SAS beschleunigte Datenverarbeitung an und verweist auf aktuelle Tests mit einer mehr als 100-fachen Beschleunigung sowie operativen Kosteneinsparungen von 99%. Außerdem soll ein virtueller Quanten-KI-Tutor Fragen beantworten, Beispielcode bereitstellen und nächste Schritte vorschlagen.

Genannte Einsatzfelder

Am Ende der Umfrage konnten die Befragten Anwendungsfälle nennen, die sie mit Quanten-KI angehen möchten. Dazu zählen eine genauere Betrugserkennung im Finanzdienstleistungssektor, optimierter Datenverkehr in 5G-Netzwerken sowie beschleunigte molekulare Simulationen und Wirkstoffforschung. Ebenfalls genannt werden die Optimierung von Lieferketten und logistischen Problemen sowie verbesserte Machine-Learning-Workflows. Als weiteres Feld nennt das Unternehmen das Training großer Sprachmodelle für Aufgaben der natürlichen Sprachverarbeitung.