Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
cset6. Juli 2023 · Q004335

Examining Key Tech Areas in Government Contracts Data

cset.georgetown.edu · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Eine Auswertung kuratierter US-Bundesvertragsdaten fand 17 Aufträge mit Bezug zu automatisierter Generierung, 20 zu Low-Code und 15 zu No-Code. Der Bericht beschreibt zeitliche Unterschiede beim Beschaffungsinteresse, betont aber, dass die Textsuche und uneinheitliche Daten nur vorläufige Befunde erlauben.

Mittel

Der Bericht untersucht anhand von US-Bundesaufträgen die Beschaffung von automatisierter Generierung sowie Low-Code- und No-Code-Systemen. CSET und Govini werteten kuratierte Daten aus Govinis Ark.ai-Plattform aus und suchten streng nach ausdrücklichen Textnennungen. Sie fanden 17 Verträge zur automatisierten Generierung, 20 zu Low-Code und 15 zu No-Code. Die Auswertung verzeichnet erhöhte Ausgaben für automatisierte Generierung 2011 und 2018. Low-Code-Aktivitäten nahmen ab 2020 zu; für 2022 nennt der Bericht 11,5 Millionen US-Dollar. Bei No-Code lag die meiste Vertragsaktivität zwischen 2014 und 2016, während ein Vertrag von 2022 den höchsten Einzelbetrag aufwies.

Die ermittelten Aufträge verteilten sich auf elf Anbieter in neun Bundesstaaten bei automatisierter Generierung, 15 Anbieter in sechs Bundesstaaten bei Low-Code und zwölf Anbieter in zehn Bundesstaaten bei No-Code. Die Autoren sehen Beschaffungsdaten als Hinweis auf die Technologieinteressen von Behörden. Ihre Ergebnisse seien jedoch vorläufig: Daten sind uneinheitlich, Beschaffungen bestehen aus mehreren Phasen, und die Suche nach Begriffen kann Entwicklungen oder abweichende Bezeichnungen übersehen. Auch könne der späte Beginn der Low-Code-Aktivität ein Effekt der Datenerhebung sein.

Ausführlich lesen

Der Bericht von Christian Schoeberl untersucht, was US-Bundesbehörden bei der Beschaffung von drei Technologien nachfragen: automatisierte Generierung, Low-Code und No-Code. Öffentliche Aufträge verbinden Behörden mit privaten Anbietern und bilden laut Bericht einen wichtigen Weg, über den der Staat Technologien einführt. Als Kontext nennt der Text Bundesauftragsausgaben von rund 637 Milliarden US-Dollar im Haushaltsjahr 2021. Er beschreibt außerdem Fördermöglichkeiten für kleinere Unternehmen, etwa bestimmte vorbehaltene Aufträge und Kooperationen mit größeren Firmen.

Für die Untersuchung nutzten CSET und Govini kuratierte Vertragsdaten aus Govinis Ark.ai-Plattform. Mit strenger Textsuche identifizierten sie in vergebenen Aufträgen ausdrückliche Erwähnungen der drei Technologiebereiche. Der Bericht betont, dass Beschaffungsdaten schwer zusammenzuführen und zwischen Behörden uneinheitlich sind. Zudem umfassen Beschaffungsverfahren mehrere Phasen und Datensätze, und Technologiefelder lassen sich nicht immer anhand von Branchenklassifikationen erkennen. Die ausgewählten Begriffe können sich mit der Entwicklung eines Feldes verändern. Daher bezeichnet der Bericht seine Ergebnisse als vorläufig.

Für automatisierte Generierung, verstanden als Software, die Datenverarbeitungssysteme für die weitere Nutzung automatisch auswertet oder entwickelt, fand die Analyse 17 Verträge. Der Bericht sieht in diesem Bereich die längste Geschichte der drei Technologien im Beschaffungsdatensatz und nennt 2011 und 2018 als Jahre mit erhöhten Auftragssummen. Elf Anbieter in neun Bundesstaaten führten die Aufträge aus. Automatisierte Generierung ist laut Fußnote von generativer KI zu unterscheiden: Gemeint ist die Entwicklung und Herstellung von Systemen, nicht das Erzeugen eines Endprodukts.

Low-Code bezeichnet Systeme, die Entwicklung über eine benutzerfreundlichere Oberfläche zugänglich machen, aber weiterhin Programmierung einbeziehen. Die Analyse fand 20 Verträge mit ausdrücklicher Erwähnung. Der Bereich sei im Datensatz der jüngste, wobei der Bericht einräumt, dass dies an der Datenerhebung liegen könnte. Ab 2020 sei die Aktivität deutlich gestiegen; für 2022 nennt der Bericht ein Beschaffungsvolumen von 11,5 Millionen US-Dollar. Fünfzehn Anbieter in sechs Bundesstaaten erfüllten die Verträge.

No-Code-Systeme sollen Software durch eine rein visuelle Eingabe der gewünschten Logik erzeugen, ohne dass IT-Fachleute programmieren müssen. Der Datensatz enthält 15 entsprechende Verträge. Die stärkste Vertragsaktivität lag laut Bericht zwischen 2014 und 2016; ein Vertrag aus 2022 wies im Vergleich zu den anderen Jahren den höchsten Betrag auf. Zwölf Anbieter in zehn Bundesstaaten waren beteiligt.

Der Bericht folgert, dass Beschaffungsdaten Hinweise auf die Einführung neuer Technologien durch Bundesbehörden geben können. Für genauere Aussagen seien weitere Analysen der Begriffe in Vertragstiteln und -beschreibungen nötig. Die Befunde beruhen auf einer begrenzten Auswahl von ausdrücklich passenden Texttreffern und erlauben daher keine vollständige oder abschließende Bestandsaufnahme. CSET erklärt zudem, dass für die Forschungsvereinbarung kein Geld gezahlt wurde und die Zusammenarbeit keine Werbung oder Empfehlung für Govini darstellt.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die Zusammenfassung 'mittel'; die Kurzfassung ist ebenfalls sachlich korrekt und enthält die Zahlen richtig. Die Einordnung gilt nur für die genannten Sammelfragen, Teilfragen wurden keine angegeben.

Im Bericht, aber nicht in der Zusammenfassung

  • Begriffsunterschied zwischen Low-Code und No-Code (No-Code rein visuell, ohne IT-Fachkraft)
  • Kontext zur Bundesbeschaffung: Ausgaben von rund 637 Mrd. US-Dollar in FY2021 und die Gründung des CDAO 2022
  • Hinweis, dass die Begriffe im Zeitverlauf wechseln und die Ergebnisse deshalb vorläufig sind; das ist nur in der mittleren Zusammenfassung angedeutet

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 31 %nur am Rande erwähnt
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
Agenten und vernetzte Systeme
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 46 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 24 %nur am Rande erwähnt
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 38 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 87 %Hintergrund, keine Belege
    • JEV 34 %Hintergrund, keine Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Wirtschaft und Haftung
  1. SF-W2 Wie wirken sich Wettbewerbsrecht und öffentliche Beschaffung auf die KI-Sicherheit aus?
    • clef 100 %kein Bezug
    • Luna 85 %Hintergrund, keine Belege
    • JEV 35 %gleiches Oberthema, hilft nicht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 25 %Hintergrund, keine Belege
    • d3-ultra 44 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →