SAS Umfrage: Quanten-KI "steht vor der Tür"

[SAS Institute GmbH - 30.04.2026] Heidelberg, 30. April 2026 - Die Verfügbarkeit von Quanten-Hardware rückt näher: Experten gehen davon aus, dass diese Technologie bis Anfang der 2030er-Jahre im großen Stil einsatzbereit sein wird. Unternehmensvertreter bleiben hingegen vorsichtig - viele meinen, dass es aktuell noch nicht möglich ist, Quantentechnologie produktiv einzusetzen. Das hat eine globale Umfrage von SAS, einem der weltweit führenden Anbieter von Lösungen für Daten und künstliche Intelligenz (KI), unter 500 Führungskräften ergeben.

Quantum AI von SAS zeigt, wie ein Einstieg schon jetzt möglich ist. Bei Quantum AI werden Machine-Learning-Algorithmen auf bereits verfügbarer Quantenhardware ausgeführt. In der Praxis kann der Einsatz von Quanten-KI dazu beitragen, dass Unternehmen sehr zeitaufwendige Aufgaben in wenigen Minuten erledigen oder Probleme lösen, die auf bestehender Hardware bisher als unlösbar galten.

Die größten Hindernisse für die Einführung von Quanten-KI

Aktuell werden folgende Faktoren häufig als Hürden für die Nutzung von Quantentechnologie genannt:

-- Unsicherheit hinsichtlich praktischer, realer Anwendungsmöglichkeiten

-- Hohe Implementierungskosten

-- Mangel an geschultem Personal

-- Mangel an Know-how

-- Begrenzte Verfügbarkeit von Quanten-KI-Lösungen

-- Fehlen klarer regulatorischer Richtlinien

"Trotz anhaltend starkem Interesse bleiben Führungskräfte verständlicherweise vorsichtig und wollen nicht alles auf Investitionen in teure Quantentechnologie setzen, von denen sie befürchten, dass es dafür möglicherweise gar keine lohnenden Anwendungsfälle gibt", sagt Bill Wisotsky, Principal Quantum Architect bei SAS. "Deshalb verfolgt SAS gezielt einen pragmatischen Ansatz einer Kombination sämtlicher verfügbaren Technologien. So können bereits heute reale Use Cases umgesetzt werden - so dass sich Unternehmen möglichst schnell und nachhaltig ein Stück vom Quantenkuchen sichern."

"Die Umfrage verdeutlicht, was SAS Experten bereits auf dem Markt beobachtet haben: Führungskräfte sind sehr interessiert daran, Quantencomputing zu nutzen. Die Eintrittshürden und Risiken einer ‚hausgemachten‘ Architektur sind aber zu hoch. Sie warten lieber auf eine einsatzbereite Lösung", so Amy Stout, Leiterin der Quantenproduktstrategie bei SAS. "Deshalb öffnet SAS das SAS Quantum Lab für interessierte Unternehmen mit dem Ziel, gemeinsam ganz konkret in der Praxis zu lernen und Innovationen mit realem ROI zu entwickeln."

SAS Quantum Lab als Startrampe

Das SAS Quantum Lab, das im vierten Quartal für SAS Viya-Kunden verfügbar sein wird, ist eine Startrampe für den Einstieg in Quanten-KI. Es ist als Ergänzung zur Grundlagenforschtung von Quantenexperten konzipiert und soll Anwender unterstützen, die zwar keine Quantenphysiker sind, aber ihre Ideen testen und validieren möchten. Es senkt die Kosten für die Evaluierung von Quanten-KI erheblich und hilft Kunden, Sackgassen bei der Entwicklung zu vermeiden. Das SAS Quantum Lab wird unter anderem folgende Funktionen bieten:

-- die Möglichkeit, klassische, quantenbasierte und hybride Ergebnisse für Anwendungsfälle in der Industrie zu vergleichen

-- beschleunigte Datenverarbeitung: Aktuelle Tests zeigen eine mehr als 100-fache Beschleunigung und operative Kosteneinsparungen von 99 Prozent

-- einen virtuellen Quanten-KI-Tutor, der die Lernkurve der Anwender unterstützt, indem er Fragen beantwortet, Beispielcode bereitstellt und nächste Schritte vorschlägt

Welches Potenzial bietet Quanten-KI?

Am Ende der Umfrage konnten die Befragten äußern, welche Anwendungsfälle sie mit Quanten-KI angehen möchten. Vor allem erwarten sie sich von der Technologie folgende Verbesserungen:

-- bessere Genauigkeit von Betrugserkennungssystemen im Finanzdienstleistungssektor, so dass sich komplexe Transaktionsmuster effizienter identifizieren lassen

-- in Echtzeit optimierter Datenverkehr in 5G-Netzwerken

-- Beschleunigung von molekularen Simulationen und Wirkstoffforschungsprozessen für neue Arzneimittel

-- Optimierung von Lieferketten und Lösen logistischer Probleme

-- verbesserte Machine-Learning-Workflows, mit Schwerpunkt auf prädiktiver Modellierung des Kundenverhaltens

-- Training großer Sprachmodelle für Aufgaben der natürlichen Sprachverarbeitung, um den Zeit- und Ressourcenaufwand für die Modelloptimierung zu reduzieren