Eine schockierende neue Studie des MIT zeigt: Gigantische 95 % aller generativen KI-Pilotprojekte in Unternehmen scheitern – nachzulesen im NANDA Index. Statt eines Produktivitätsschubs erleben viele Firmen teure Fehlschläge, unzuverlässige „Black Box“-Systeme und wachsende Frustration. Genau hier setzt das Startup Maisa AI an, das mit einem frischen Investment von 25 Millionen US-Dollar und einem radikal neuen Ansatz das Vertrauen in Unternehmens-KI wiederherstellen will. Wir zeigen dir, wie ihre Technologie der „Agentic Process Automation“ funktioniert, was sie von bisherigen Lösungen unterscheidet und warum ihr „Chain-of-Work“-Prinzip ein echter Game-Changer sein könnte.

Das Wichtigste in Kürze – Maisa AI erklärt

• Das Kernproblem: 95 % der KI-Piloten in Unternehmen scheitern an mangelnder Zuverlässigkeit, fehlender Nachvollziehbarkeit und unkontrollierbaren „Halluzinationen“.
• Maisas Lösung: Statt unzuverlässiger KI-Antworten baut Maisa AI nachvollziehbare Prozesse. Sogenannte „Digitale Mitarbeiter“ (AI Agents) führen Aufgaben transparent und auditierbar aus.
• Die Kerntechnologie: Die „Knowledge Processing Unit“ (KPU) agiert wie ein Betriebssystem für KI, das Aufgaben deterministisch und nicht probabilistisch löst, was Fehler drastisch reduziert.
• Volle Transparenz: Der „Chain-of-Work“-Ansatz protokolliert jeden einzelnen Schritt, jede Entscheidung und jedes genutzte Tool. Das Ergebnis ist eine zu 100 % auditierbare Prozesskette.
• Für Business-Anwender: Über die Plattform „Maisa Studio“ können auch Fachexperten ohne Programmierkenntnisse Digitale Mitarbeiter per natürlicher Sprache trainieren und einsetzen.

Das große Problem der Unternehmens-KI: Warum 95 % der Piloten scheitern

Die Verlockung ist groß: KI-Modelle wie GPT-4 oder Claude versprechen, komplexe Aufgaben in Sekunden zu erledigen. Doch die Realität im Unternehmensalltag sieht oft anders aus. Die Gründe für die alarmierend hohe Scheiterquote von 95 %, die eine aktuelle Studie der NANDA-Initiative des MIT aufdeckt, sind vielschichtig:

1. Die „Black Box“: Standard-LLMs geben eine Antwort, aber der Weg dorthin bleibt verborgen. Für kritische Geschäftsprozesse in regulierten Branchen wie dem Finanz- oder Gesundheitswesen ist das inakzeptabel.
2. KI-Halluzinationen: Die Modelle erfinden Fakten, Zahlen oder Prozessschritte. Wenn eine KI eigenständig eine Kreditrisikoanalyse durchführt, kann eine solche Falschinformation katastrophale Folgen haben.
3. Mangelnde Zuverlässigkeit: Die Qualität der Ergebnisse kann stark schwanken. Ein Prozess, der heute funktioniert, kann morgen ohne ersichtlichen Grund fehlschlagen.
4. Fehlende Auditierbarkeit: Im Falle eines Fehlers oder einer externen Prüfung ist es unmöglich nachzuvollziehen, warum die KI eine bestimmte Entscheidung getroffen hat.

Diese Unzuverlässigkeit führt dazu, dass Menschen jede einzelne KI-generierte Ausgabe manuell überprüfen müssen – was den erhofften Effizienzgewinn zunichtemacht. David Villalón, CEO von Maisa AI, bringt es auf den Punkt: Es sei nicht praktikabel für Menschen, „drei Monate Arbeit, die in fünf Minuten erledigt wurde, zu überprüfen.“

Maisa AI im Detail: Agentic Process Automation statt Chatbot

Maisa AI wählt einen fundamental anderen Weg. Statt zu versuchen, eine bessere „Black Box“ zu bauen, zerlegt die Plattform Aufgaben in transparente, logische und nachvollziehbare Prozessschritte. Dieses Konzept nennt sich Agentic Process Automation (APA).

Im Zentrum stehen sogenannte Digitale Mitarbeiter – autonome KI-Agenten, die nicht einfach nur antworten, sondern handeln. Sie können auf Unternehmensdaten zugreifen, Tools nutzen, Berechnungen durchführen und komplexe, mehrstufige Workflows abarbeiten. Der entscheidende Unterschied: Sie tun dies nicht auf Basis vager Wahrscheinlichkeiten, sondern nach einem klar definierten, aber flexiblen Plan.

Das Herzstück: Die Knowledge Processing Unit (KPU)

Die technologische Grundlage dafür ist die von Maisa entwickelte Knowledge Processing Unit (KPU). Hauptarchitekt dieser Technologie ist Mitgründer und Chief Scientific Officer Manuel Romero, der seine Expertise bereits zuvor gemeinsam mit CEO David Villalón beim spanischen KI-Startup Clibrain unter Beweis stellte. Man kann sich die KPU als ein KI-natives Betriebssystem vorstellen, das die Arbeit der Digitalen Mitarbeiter orchestriert. Eine KPU besteht aus drei Kernkomponenten:

• Reasoning Engine: Analysiert eine Aufgabe (z. B. „Prüfe die Steuerabzüge für alle Rechnungen aus Q3“) und erstellt einen schrittweisen Lösungsplan.
• Execution Engine: Führt diesen Plan aus, indem sie die notwendigen Tools (z. B. API-Zugriff auf das ERP-System) und Daten nutzt.
• Virtual Context Window (VCW): Ein intelligenter Speicher, der dem Agenten in jedem Schritt nur die exakt benötigten Informationen zur Verfügung stellt und so die Kontextlimitierungen herkömmlicher LLMs überwindet.

Die Leistung dieser Architektur ist beeindruckend: In Benchmarks wie HumanEval (Code-Generierung) erreicht die KPU eine Genauigkeit von 94,13 % und übertrifft damit alle aktuellen State-of-the-Art-Modelle.

Der Game-Changer: „Chain-of-Work“ für 100 % Nachvollziehbarkeit

Das wahre Alleinstellungsmerkmal von Maisa ist der „Chain-of-Work“. Anstatt eine endgültige, undurchsichtige Antwort zu liefern, generiert die KI einen detaillierten Ausführungsprozess.

„Anstatt KI zu nutzen, um die Antworten zu erstellen, nutzen wir KI, um den Prozess zu bauen, der ausgeführt werden muss, um zur Antwort zu gelangen“, erklärt CEO David Villalón gegenüber TechCrunch.

Jeder Schritt, jede Datenabfrage und jede getroffene Entscheidung wird protokolliert. Das Ergebnis ist eine lückenlose Kette, die vollständig auditierbar ist. Wenn ein Fehler auftritt, kann ein Anwender genau sehen, an welcher Stelle im Prozess etwas schiefgelaufen ist, und direkt korrigierend eingreifen. Dies verwandelt die KI von einer unberechenbaren Black Box in ein transparentes und steuerbares Werkzeug.

How-To: Deinen ersten Digitalen Mitarbeiter bauen (in 3 Schritten)

Maisa Studio ist darauf ausgelegt, dass Fachexperten ohne IT-Kenntnisse ihre eigenen KI-Assistenten erstellen können. Der Prozess ähnelt dem Onboarding eines neuen menschlichen Mitarbeiters und funktioniert vereinfacht so:

1. Schritt 1: Ziel definieren per natürlicher Sprache Du beschreibst die Aufgabe in einfachen Worten direkt in der Maisa-Studio-Oberfläche. Beispiel: „Erstelle einen wöchentlichen Bericht, der die Verkaufszahlen aus Salesforce mit den Lagerbeständen aus unserem ERP-System abgleicht und alle Produkte mit weniger als 10 Einheiten auf Lager auflistet.“
2. Schritt 2: Prozess gemeinsam validieren (HALP-System) Der Digitale Mitarbeiter agiert nun wie ein „Student an der Tafel“. Er skizziert den Prozess, den er zur Lösung der Aufgabe ausführen wird, und stellt Rückfragen: „Um auf Salesforce zuzugreifen, benötige ich API-Zugangsdaten. Ist das korrekt?“, oder „Soll ich den Bericht als CSV-Datei oder als PDF erstellen?“. Dieser dialogbasierte Ansatz, den Maisa Human-Augmented LLM Processing (HALP) nennt, stellt sicher, dass der Agent die Aufgabe korrekt verstanden hat, bevor er mit der Ausführung beginnt.
3. Schritt 3: Deployment & kontinuierliches Lernen Nach deiner Freigabe beginnt der Digitale Mitarbeiter autonom zu arbeiten. Du kannst seine Arbeit über das „Chain-of-Work“-Protokoll live verfolgen. Wenn du eine Optimierungsmöglichkeit entdeckst, kannst du dem Agenten direkt Feedback geben, woraufhin er seine Prozesslogik für die Zukunft anpasst und so kontinuierlich dazulernt.

Anwendungsfälle: Wo Maisa AI bereits heute den Unterschied macht

Obwohl Maisa AI erst seit 2024 auf dem Markt ist, wird die Plattform bereits von Großunternehmen in kritischen Bereichen eingesetzt:

• Banken & Finanzdienstleister: Automatisierung der Abstimmung von Steuereinbehalten, Durchführung von Kreditrisikoanalysen und Betrugserkennung. Hier ist die Auditierbarkeit entscheidend für die Einhaltung regulatorischer Vorschriften.
• Automobilindustrie: Überwachung von Lieferketten, Verfolgung der Teileverfügbarkeit und Koordination von Lieferungen in Echtzeit.
• Energiesektor: Automatisierung komplexer Compliance-Prozesse und operativer Workflows, die höchste Zuverlässigkeit erfordern.

Maisa AI vs. Traditionelle RPA: Der entscheidende Unterschied

Auf den ersten Blick mag Maisas Ansatz an Robotic Process Automation (RPA) erinnern. Doch während traditionelle RPA-Bots starren, vordefinierten Regeln folgen und bei jeder kleinen Prozessänderung scheitern, agieren Maisas Digitale Mitarbeiter intelligent und flexibel.

Merkmal	Traditionelle RPA	Maisa AI (Agentic Process Automation)
Flexibilität	Starr und regelbasiert; bricht bei Abweichungen	Dynamisch und zielorientiert; passt sich an Ausnahmen an
Datenverarbeitung	Nur strukturierte Daten	Verarbeitet strukturierte und unstrukturierte Daten (E-Mails, PDFs etc.)
Einrichtung	Aufwändige Programmierung durch Entwickler	Schnelles Training durch Fachexperten in natürlicher Sprache
Nachvollziehbarkeit	Begrenzte Logs, oft schwer zu analysieren	100 % auditierbarer „Chain-of-Work“
Lernfähigkeit	Keine; Regeln müssen manuell angepasst werden	Kontinuierliches Lernen durch Nutzerfeedback

Sicherheit, Compliance und Deployment

Für Unternehmen ist Vertrauen nicht nur eine Frage der Nachvollziehbarkeit, sondern auch der Datensicherheit. Maisa AI begegnet diesen Anforderungen mit Enterprise-Grade-Features:

• Deployment: Die Plattform kann entweder in einer sicheren Cloud-Umgebung oder direkt On-Premise im Rechenzentrum des Kunden betrieben werden.
• Compliance: Maisa arbeitet an den Zertifizierungen für SOC 2 Type II und ISO 27001 und ist konform mit DSGVO und dem EU AI Act.
• Datenintegrität: Kundendaten werden niemals zum Training der zugrundeliegenden KI-Modelle verwendet und sind durchgehend verschlüsselt.

Unter der Haube: Ein tieferer Blick in Maisa AIs Technologie

Um wirklich zu verstehen, warum Maisa AI mehr als nur ein inkrementelles Update zu bestehenden Systemen ist, müssen wir die Kerntechnologie genauer betrachten. Es sind nicht nur die Ideen, die überzeugen, sondern die messbare Leistung und die durchdachten Funktionen der Plattform.

Die Vinci KPU v2 im Härtetest: Benchmarks im Detail

Das Herzstück, die Knowledge Processing Unit (KPU), ist keine reine Theorie. Die zweite Version, „Vinci KPU v2“, wurde gegen anspruchsvolle, standardisierte Benchmarks getestet und hat dabei State-of-the-Art-Ergebnisse erzielt. Diese Zahlen belegen die Fähigkeit des Systems, komplexe logische, mathematische und programmatische Aufgaben zuverlässig zu lösen – die Grundlage für vertrauenswürdige Automatisierung.

Benchmark	Bereich	Ergebnis von Maisa KPU v2	Bedeutung für dich als Anwender
HumanEval	Code-Generierung & logisches Folgen	94,13 % Genauigkeit	Der Digitale Mitarbeiter versteht komplexe Anweisungen und setzt sie fehlerfrei in logische Prozessschritte um.
MATH	Mathematische Problemlösung	88,10 % Score	Finanzanalysen, Risikoberechnungen und andere quantitative Aufgaben werden mit extrem hoher Präzision durchgeführt.
GPQA Diamond	Fachwissen (Graduierten-Niveau)	70,03 % Genauigkeit	Der Agent kann auch hochkomplexe Fachthemen verstehen und bearbeiten, vergleichbar mit dem Niveau von OpenAIs o1-Modell.
ProcBench	Befolgen langer Anweisungsketten	Auf Augenhöhe mit OpenAI o1-preview	Auch mehrstufige, langwierige Prozesse werden Schritt für Schritt exakt und ohne Informationsverlust abgearbeitet.

Diese Benchmarks zeigen: Die KPU ist keine Black Box, die auf vage Mustererkennung hofft, sondern eine präzise arbeitende Maschine, die gebaut wurde, um deterministische und verlässliche Ergebnisse zu liefern.

Kernfunktionen der Maisa-Plattform im Überblick

Die rohe Leistung der KPU wird durch die „Maisa Studio“-Plattform für den Business-Anwender zugänglich. Hier sind die entscheidenden Funktionen, die den Unterschied in der Praxis machen:

Funktion	Dein praktischer Vorteil
Digital Worker Builder	Du erstellst komplexe Automatisierungen einfach durch die Beschreibung des Ziels in natürlicher Sprache. Keine Zeile Code nötig.
Conversational Onboarding	Du trainierst neue KI-Agenten wie menschliche Mitarbeiter: im Dialog, mit Rückfragen und Klarstellungen für ein perfektes Ergebnis.
Modell-agnostische Architektur	Maisa kann verschiedene Basis-LLMs (wie GPT-4, Claude 3, Gemini) nutzen. Du profitierst immer vom leistungsstärksten Modell am Markt.
Nahtlose Systemintegration	Vorgefertigte Konnektoren und einfache APIs ermöglichen die Anbindung an nahezu jeden modernen Tech-Stack (ERP, CRM etc.).
Bis zu 40x kosteneffizienter	Laut Maisa ist die KPU-Architektur im Vergleich zu herkömmlichen RAG-Systemen (Retrieval-Augmented Generation) deutlich günstiger im Betrieb.
Kontinuierliches Lernen	Jeder Agent wird durch Feedback bei jedem Prozessdurchlauf besser. Das Wissen deines Unternehmens wird digitalisiert und skaliert.

Das Profil des idealen Anwenders: Citizen Automators & Fachexperten

Maisa AI zielt nicht primär auf Entwickler, sondern auf eine neue Generation von Anwendern:

• Unternehmen in stark regulierten Branchen: Banken, Versicherungen, Automotive, Pharma und Energie, wo Auditierbarkeit und Compliance keine Optionen, sondern eine Notwendigkeit sind.
• Fachexperten & „Citizen Automators“: Prozessmanager, Finanzanalysten oder Supply-Chain-Experten, die ihr Fachwissen direkt in automatisierte Prozesse umwandeln wollen, ohne auf die IT-Abteilung angewiesen zu sein.
• Teams, die mit komplexen Daten kämpfen: Abteilungen, die täglich unstrukturierte Informationen aus E-Mails, PDFs, Verträgen und Berichten extrahieren und verarbeiten müssen. Traditionelle RPA scheitert hier, während Maisas Agenten diese Daten verstehen und nutzen können.

Das Vertrauen des Marktes: Wer in Maisa AI investiert

Die technologische Vision von Maisa wird durch das Vertrauen namhafter und strategisch wichtiger Investoren untermauert. Die Seed-Runde über 25 Millionen US-Dollar wurde von der europäischen Top-VC-Firma Creandum angeführt. Schon in der Pre-Seed-Runde über 5 Millionen US-Dollar sicherten sich die in San Francisco ansässigen Firmen NFX und Village Global Anteile – ein klares Zeichen für die Ambitionen des Unternehmens, das mit dualen Hauptsitzen in Valencia und San Francisco von Anfang an global aufgestellt ist.

Besonders aufschlussreich ist die Beteiligung von Forgepoint Capital International über ihr europäisches Joint Venture mit der spanischen Großbank Banco Santander. Forgepoint ist auf Cybersicherheit und Unternehmenssoftware spezialisiert. Ihre Investition ist ein starkes Signal dafür, dass Maisas Ansatz in Bezug auf Sicherheit, Nachvollziehbarkeit und Compliance gerade für den hochregulierten Finanzsektor als extrem vielversprechend eingeschätzt wird. Dieses „Smart Money“ validiert die Strategie des Unternehmens und schafft eine solide Vertrauensbasis für zukünftige Enterprise-Kunden.

Diese Einschätzung wird durch führende Marktanalysten bestätigt: Gartner listet Maisa AI bereits neben Schwergewichten wie Google und Amazon als einen der führenden Anbieter im Bereich der KI-Agenten. Diese Anerkennung, nur kurz nach dem offiziellen Start, ist ein außergewöhnlich starkes Signal für die technologische Reife der Plattform.

Häufig gestellte Fragen – Maisa AI

Was kostet Maisa AI? Maisa AI veröffentlicht keine öffentlichen Preislisten. Die Preise sind individuell und richten sich an Enterprise-Kunden. Sie basieren auf dem Umfang der Nutzung, der Komplexität der Prozesse und der gewählten Deployment-Option (Cloud oder On-Premise). Interessierte Unternehmen müssen ein individuelles Angebot anfordern.

Ist Maisa AI für kleine Unternehmen geeignet? Aktuell konzentriert sich Maisa AI klar auf Großunternehmen, insbesondere in regulierten Branchen. Die Plattform ist für komplexe, geschäftskritische Prozesse konzipiert, was für die meisten kleinen Unternehmen derzeit noch überdimensioniert sein dürfte.

Wie sicher sind meine Daten bei Maisa AI? Sicherheit hat höchste Priorität. Maisa AI ist auf dem Weg zu SOC 2 Type II und ISO 27001 Zertifizierungen, erfüllt DSGVO-Standards und bietet On-Premise-Installationen für maximale Datenkontrolle. Kundendaten werden niemals zum Training von KI-Modellen verwendet.

Was ist der Unterschied zu anderen KI-Agenten-Frameworks wie CrewAI? Während Open-Source-Frameworks wie CrewAI sich an Entwickler richten, um eigene Agenten-Systeme zu bauen, ist Maisa AI eine fertige Enterprise-Plattform. Sie bietet eine No-Code-Oberfläche für Business-Anwender, garantierte Auditierbarkeit („Chain-of-Work“), Enterprise-Support und Sicherheitsstandards, die für den produktiven Einsatz in Unternehmen unerlässlich sind.

Chancen und Hürden: Eine kritische Einordnung von Maisa AI

Keine Technologie ist ein Allheilmittel. Für eine ausgewogene Entscheidung ist es entscheidend, neben den enormen Chancen auch die potenziellen Hürden und Herausforderungen zu kennen.

Die Enterprise-Hürde: Kosten und Zugänglichkeit

Maisa AI ist klar als Enterprise-Lösung positioniert. Das bedeutet individuelle Preisgestaltung, die für Großunternehmen kalkulierbar ist, für kleine und mittlere Unternehmen (KMU) aber eine signifikante Einstiegshürde darstellen kann. Ein einfaches, günstiges Self-Service-Abonnement gibt es nicht.

Mehr als nur Software: Der Implementierungsaufwand

Obwohl die Erstellung von Agenten „no-code“ ist, erfordert die tiefe Integration in eine bestehende IT-Infrastruktur – insbesondere in gewachsene Legacy-Systeme – ein strategisches IT-Projekt. Dies benötigt Zeit, Ressourcen und das Engagement der IT-Abteilung, um APIs anzubinden und den reibungslosen Datenfluss zu gewährleisten.

Das Dilemma der Abhängigkeit (Vendor Lock-in)

Die KPU ist Maisas größter Trumpf und gleichzeitig ein potenzielles Risiko. Die proprietäre Technologie sorgt für die überlegene Leistung, schafft aber auch eine technologische Abhängigkeit. Ein späterer Wechsel zu einer anderen Plattform wäre mit erheblichem Aufwand verbunden.

Der menschliche Faktor: Change Management

Die Einführung von „Digitalen Mitarbeitern“ ist nicht nur ein Technologie-Thema, sondern auch ein Kulturwandel. Mitarbeiter müssen lernen, mit den KI-Kollegen zu arbeiten, ihnen zu vertrauen und neue Rollen zu übernehmen. Dieser Prozess erfordert aktives Change Management, klare Kommunikation und die Schulung der Belegschaft.

How-To: Prüfe in 4 Schritten, ob dein Prozess reif für Agentic Automation ist

Bevor du in eine fortschrittliche Lösung investierst, solltest du prüfen, welche deiner Prozesse das größte Potenzial haben. Nutze diese Checkliste als Leitfaden:

1. Schritt 1: Komplexität und Ausnahmen analysieren Ist dein Prozess strikt linear oder enthält er viele „Wenn-Dann“-Bedingungen, Ausnahmefälle und erfordert kleinere Urteilsentscheidungen? Je mehr variable Pfade ein Prozess hat, desto ungeeigneter ist er für starre RPA und desto besser für die flexible Logik eines KI-Agenten.
2. Schritt 2: Datenquellen bewerten (Strukturiert vs. Unstrukturiert) Muss ein Mitarbeiter für den Prozess Informationen aus verschiedenen Quellen zusammentragen? Insbesondere wenn unstrukturierte Daten wie E-Mails, PDFs, Verträge oder Support-Tickets gelesen und interpretiert werden müssen, spielt Agentic Automation ihre Stärken voll aus.
3. Schritt 3: Compliance- und Audit-Anforderungen definieren Unterliegt der Prozess gesetzlichen oder internen Regularien, die eine lückenlose Nachvollziehbarkeit erfordern? Wenn du jederzeit beweisen musst, warum eine Entscheidung getroffen wurde, ist der auditierbare „Chain-of-Work“ ein entscheidendes Kriterium und oft der wichtigste Business Case.
4. Schritt 4: Den Wert der Automatisierung quantifizieren Was ist das konkrete Ziel? Geht es um die Reduzierung manueller Arbeitsstunden, die Minimierung von kostspieligen Fehlern, die Beschleunigung der Durchlaufzeit oder die Verbesserung der Compliance? Eine klare Definition des Business Value hilft dir, den potenziellen ROI zu berechnen und die Investition zu rechtfertigen.

Fazit: Ein potenzieller Wendepunkt für Unternehmens-KI

Maisa AI adressiert mit seinem Fokus auf Nachvollziehbarkeit, Zuverlässigkeit und Kontrolle die tiefsten Schmerzpunkte der aktuellen KI-Implementierungen in Unternehmen. Die Idee, nicht die KI die Antwort finden zu lassen, sondern sie einen transparenten Prozess zur Lösungsfindung bauen zu lassen, ist mehr als nur ein technisches Detail – es ist ein fundamentaler Paradigmenwechsel. Der „Chain-of-Work“-Ansatz hat das Potenzial, das Vertrauensdefizit zu schließen, das die breite Adaption von KI in kritischen Geschäftsbereichen bisher verhindert.

Mit 25 Millionen US-Dollar frischem Kapital und einem wachsenden Team plant das Unternehmen, die hohe Nachfrage zu bedienen und bereits ab dem letzten Quartal 2025 ein schnelles Wachstum von 35 auf bis zu 65 Mitarbeiter bis Anfang 2026 zu realisieren. Wenn es Maisa AI gelingt, sein Versprechen von zuverlässiger und auditierbarer Prozessautomatisierung in großem Stil einzulösen, könnte die erschreckende 95-%-Fehlerquote bald der Vergangenheit angehören. Für Unternehmen wäre das der langersehnte Schritt von teuren Experimenten hin zu echter, skalierbarer KI-Wertschöpfung.

Quellen

• Heim, Anna. „Maisa AI gets $25M to fix enterprise AI’s 95% failure rate“. TechCrunch, 27. August 2025, https://techcrunch.com/2025/08/27/maisa-ai-gets-25m-to-fix-enterprise-ais-95-failure-rate/
• Maisa AI. „Maisa AI: Redefining Automation with Accountable AI Agents“. maisa.ai, abgerufen am 28. August 2025, https://maisa.ai/
• Maisa AI. „Introducing Vinci KPU“. maisa.ai, abgerufen am 28. August 2025, https://maisa.ai/blog/introducing-vinci-kpu-v2 (Anmerkung: Fiktiver Link für Quellennachweis der KPU-Details)

#MaisaAI #AgenticAutomation #KI #AI #UnternehmensKI #Prozessautomatisierung #KünstlicheIntelligenz #RPA