Die Videowand-Kategorie hörte 2025 leise auf, von Bildschirmen zu handeln. Die aktuellen Produktbewegungen — Userfuls Infinity EdgeAI (Ende 2025 mit Microsoft und NVIDIA angekündigt), Visiologys Cortex-Plattform im russischen Markt und eine stille, aber beschleunigende Liste hausinterner Projekte von Hiperwall, VuWall und Polywall — rahmen die Wand neu als Inferenzschicht, die zufällig Displays ansteuert. Die Produktfrage lautet nicht mehr „wie viele Quellen kann sie rendern", sondern „was bemerkt die Wand tatsächlich für den Bediener". Dieser Artikel legt dar, was KI-gestützte Wände heute liefern, welche Architektur darunter läuft, warum On-Premise- Inferenz der einzige Weg ist, der die Compliance-Prüfung übersteht, und wo die meisten dieser Bereitstellungen im Produktivbetrieb tatsächlich scheitern.
Was „KI-gestützt" auf einer Wand wirklich bedeutet
Streichen Sie die Marketingsprache, und es bleiben vier konkrete Funktionen, die der Begriff abdeckt. Alles andere ist entweder eine dieser vier mit einem anderen Etikett oder ein Roadmap-Versprechen, das noch nicht ausgeliefert wurde.
- Anomalieerkennung auf Live-Streams. Ein Modell — typischerweise etwas aus der YOLO-v8-/v9-Familie zur Objekterkennung oder ein kleinerer Zeitreihen-Anomaliedetektor für Dashboard-Quellen — läuft auf jedem aufgenommenen Stream und gibt einen Konfidenzwert aus. Der Wand-Controller abonniert diese Werte und kann reagieren, wenn sie eine Schwelle überschreiten. Verbreitet in Verkehrsknoten, der Perimetersicherung und SCADA-Dashboards der Energiebranche.
- Quellen-Hervorhebung (automatischer Layout-Wechsel). Wenn eine Erkennung auslöst, wächst die zugehörige Kachel, rückt in einen zentralen Bereich der Wand und bleibt dort, bis ein Bediener bestätigt oder die Erkennung erlischt. Die Layout-Engine muss sowohl weiche Übergänge (animiertes Anheften / Zoom) als auch harte Schnitte (sofortige Neuordnung) unterstützen — Bediener reagieren auf beide unterschiedlich.
- Objektzählung und Verweilmetriken. Personenzahl für Räume mit Personendichte, Fahrzeug-/Kennzeichenzählung für den Verkehr, Warteschlangenlänge für den Einzelhandel. Das Ergebnis ist meist eine Zahl, die über die Quellkachel gelegt oder an ein Geschwister-Dashboard derselben Wand geschoben wird.
- Quellenübergreifende Korrelation. Die neueste Stufe: mehrere Quellen in eine einzige Inferenz-Pipeline einspeisen und einen einzigen „Situationswert" ausgeben, der das Wand-Layout steuert. Userfuls Infinity EdgeAI demonstriert dies mit Splunk Enterprise Security + einem VMS-Feed + einer Gebäudemanagement-Telemetriequelle, vereint in einer Ansicht. Die Reife ist ehrlich damit, dass dies früh ist — die meisten realen Bereitstellungen bleiben 2026 bei der Einzelquellen-Anomalieerkennung.
Die aktuellen Kategorie-Benchmarks
Drei Produkte setzen 2026 die Kategorie-Messlatte, jedes mit einer anderen Wette.
Userful Infinity EdgeAI ist das sichtbarste. Gemeinsam mit Microsoft (Azure IoT Edge für das Model-Deployment) und NVIDIA (Inception-Partnerschaft, optimierte Inferenz auf der Blackwell-Architektur) angekündigt, kam es Ende 2025 zu den ersten Kunden. Die Positionierung ist „Operations Awareness Platform" — Userful rückt das Produkt bewusst weg vom „Videowand-Software"-Rahmen hin zu einer margenstärkeren Kategorie. Integrationen landen bei Splunk Enterprise Security, Genetec Security Center, Microsoft Sentinel, Everbridge CEM. Die Preisgestaltung folgt demselben Enterprise-Subscription-Modell, das der Rest von Userful nutzt; Kunden berichten von ≈ 500 US-Dollar pro Display pro Jahr für die Plattformstufe, mit dem EdgeAI-Add-on als separater Position.
Visiology Cortex ist das russische Pendant, gebaut als Teil der breiteren Visiology-Analyseplattform. Die Wette ist eine andere: Statt mit Hyperscalern zu kooperieren, bündelt Visiology den Inferenz-Stack in dieselbe On-Premise-Installation wie den Rest der Plattform. Das passt zum russischen Compliance-Umfeld (FZ-152, FZ-187 für kritische Infrastruktur), schränkt aber das Modellmenü ein — ausgeliefert wird, was Visiology validiert hat, nicht das, was Sie von Hugging Face einklinken können.
Hiperwall, VuWall, Polywall sitzen im selben Gespräch, aber mit engerem aktuellem Lieferumfang. Hiperwalls Release 2026 R1 ergänzte einen „On-Premise Operator Chat" (ein internes Kollaborationswerkzeug, nicht die Inferenz selbst) und breitere Intel-GPU-Unterstützung. VuWall und Polywall verweisen auf KI-Integrationen über ihre NMOS-fähigen TRx-/Polywall-Stacks. Keines davon hat die Tiefe, die Userfuls EdgeAI-Marketing derzeit beansprucht; ob diese Lücke bis 2027 bestehen bleibt, ist die eigentliche Kategorienfrage.
Die Architektur darunter
Streichen Sie die Markenschichten, und der Laufzeit-Stack läuft auf drei Teile zusammen.
- Das Modell. YOLO v8 und v9 (Ultralytics) sind die Vorgabe für die Objekterkennung — sie treffen auf Standard-NVIDIA-GPUs einen nutzbaren Punkt aus Genauigkeit und Latenz, und die Lizenzierung (AGPL-3.0) ist für die typische Wand-Controller-Bereitstellung akzeptabel. Für spezialisiertere Anwendungsfälle — Personenzahl, Kennzeichenerkennung, Waffenerkennung — erhält das Modell spezialisierte Köpfe, doch die Inferenzstruktur bleibt ähnlich.
- Die Laufzeit. ONNX Runtime ist die Lingua franca: Hersteller exportieren ihr PyTorch-/ TensorFlow-Modell ins ONNX-Format und führen die Inferenz dann über die Framework-unabhängige Laufzeit aus. Die zwei Backends, die für Wand-Hardware zählen: NVIDIA TensorRT für GPUs der RTX-Klasse (≈ 3-5-fache Beschleunigung gegenüber reinem ONNX Runtime) und Intel OpenVINO für integrierte Iris-Xe- und diskrete Arc-GPUs. Beide Backends akzeptieren dieselbe ONNX-Datei, sodass der Produktionsmodell-Wechsel von NVIDIA zu Intel eine Entscheidung zur Bereitstellungszeit ist, keine des erneuten Trainings.
- Die Orchestrierung. Microsoft Azure IoT Edge ist die aktuelle Vorgabe, um „diesen Container mit diesem Modell von einer zentralen Stelle auf diesen Wand-Controller auszurollen". Für On-Premise-Bereitstellungen ohne externen Orchestrator deckt Kubernetes (k3s auf dem Wand-Host) dasselbe Feld mit mehr Einrichtungsaufwand ab. Das Muster ist, jedes Modell zu containerisieren und den Orchestrator die Container an verfügbare GPUs heften zu lassen.
Die Dimensionierung folgt einer groben Faustregel, die über die meisten veröffentlichten Bereitstellungen hält: Eine einzelne GPU der RTX-A4000-Klasse absorbiert YOLO-Klasse-Erkennung auf 8 bis 12 gleichzeitigen 1080p-Streams, wobei die Rendering-Last der Wand weiterhin danebenpasst. RTX A5000 / A6000 verdoppelt das ungefähr. Oberhalb von ~20 Streams beginnt die KI-Last mit der GPU-Arbeit des Compositors zu konkurrieren, und die richtige Architektur ist ein separater Inferenzknoten neben dem Wand-Controller, der die Werte über einen Message-Bus zurückspeist, statt auf derselben GPU zu laufen.
Die On-Premise-Anforderung ist nicht verhandelbar
Jede ernsthafte Beschaffung für eine Wand mit KI landet bei derselben harten Linie: Das Live-Video darf die Anlage nicht verlassen. Drei regulatorische Rahmen erzwingen das.
- DSGVO (EU). Kameras, die identifizierbare Personen aufzeichnen, erzeugen personenbezogene Daten nach Artikel 4(1). Diese Daten an einen Cloud-Inferenz-Endpunkt in einem Drittland zu senden, erfordert Schrems-II-taugliche Schutzmaßnahmen, die die meisten Anlagen nicht haben. Die saubere Antwort lautet „die Inferenz läuft On-Premise, die Cloud sieht, wenn überhaupt, nur Metadaten".
- FZ-152 und FZ-187 (Russland). Lokalisierung personenbezogener Daten beziehungsweise Regeln für kritische Infrastruktur. Russische Staatskunden und die meisten Energie-/Verkehrsanlagen müssen die Inferenz im Land betreiben, oft vor Ort. Visiologys Wette auf gebündelte On-Premise-Inferenz ist speziell für diese Einschränkung gebaut.
- FedRAMP / DoD IL5+ (US- Bundesbehörden). Cloud-KI für klassifizierte Anlagen ist ein Freifahrtschein, den das Beschaffungsteam selten bekommt. On-Premise-Inferenz mit NIPRNet-isoliertem Model-Deployment ist die Standarderwartung.
Die architektonische Erkenntnis: Der KI-Teil einer KI-gestützten Wand ist keine Cloud-Funktion, die man mit einem API-Schlüssel anschraubt. Es ist eine Modelldatei, die an den Wand-Controller ausgeliefert wird, und eine Laufzeit, die neben dem Compositor sitzt. Hersteller, die Cloud-Inferenz hinter einer glänzenden Demo verbergen, verlieren den Verkauf beim Compliance-Schritt.
Wo diese Bereitstellungen tatsächlich scheitern
Das Modell ist selten der Punkt des Versagens. Drei betriebliche Probleme sind es. Wer einen Hersteller als KI-Wände-Unternehmen neu positioniert, braucht auf jedes eine Antwort.
- Fehlalarme untergraben das Bedienervertrauen schneller, als das Modell sich verbessert. Eine Wand, die dreimal pro Schicht die falsche Kachel in die Mitte befördert, wird bei der vierten Beförderung ignoriert — der echten. Die übliche Gegenmaßnahme sind zwei Schwellen: eine Schwelle „zeige einen kleinen Indikator auf der Kachel" und eine separate, höhere Schwelle für die tatsächliche Layout-Störung. Das Produkt muss dem Bediener einen klaren Weg geben, beide anzupassen.
- Modelldrift ist still, bis sie es nicht mehr ist. Ein Personenzähler, der auf Sommer-Trainingsdaten abgestimmt ist, beginnt im November, dicke Wintermäntel zu unterzählen. Ein Fahrzeugdetektor, der auf europäische Kennzeichen abgestimmt ist, verschlechtert sich im Nahen Osten. Das Produkt braucht eine Überwachungsschicht — Fehlalarmrate über die Zeit, Anzahl manueller Übersteuerungen —, die dem Integrator einen Weg gibt, Drift zu bemerken, bevor der Kunde es tut.
- Ein Audit-Trail für beförderte Kacheln ist für regulierte Käufer nicht verhandelbar. Als die Wand um 14:03:17 Kamera 17 für 42 Sekunden in die Mitte beförderte — welcher Wert war das, welche Modellversion erzeugte ihn, welche Bedienerbestätigung folgte? Die meisten Compliance-Prüfer wollen das beantworten können. Hersteller mit einer Antwort liefern in regulierten Anlagen; die ohne bleiben im Corporate AV.
Wo Craft Wall passt
Craft Wall ist heute der Composer, nicht der Inferenz-Stack. Das Bereitstellungsmodell ist derselbe On-Premise-Linux-Server, auf dem der Rest des Produkts läuft, sodass eine ONNX-Runtime-Last neben dem Vulkan-basierten Composer architektonisch sauber ist — dieselbe GPU bedient beide Lasten, wenn die Stream-Anzahl es zulässt, und Skalieren bedeutet, einen Inferenzknoten neben dem Wand-Controller hinzuzufügen, wobei der Composer die Werte abonniert. Die ONNX-Slot-Arbeit und die wertgesteuerte Layout-API stehen auf der Roadmap und nicht in aktuellen Auslieferungsversionen; die Produkterwähnung hier ist ehrlich statt aspirativ. Für die Beschaffungen, die heute KI brauchen, ist der richtige Weg je nach Rechtsraum Userful oder Visiology; Craft Wall sitzt im Gespräch 2026-2027 als die On-Premise-, hardwareunabhängige Option, sobald der ONNX-Pfad steht.
Das ehrliche Fazit
KI-gestützte Videowände sind noch keine Produktkategorie — sie sind ein Bereitstellungsmuster, das ein Hersteller (Userful) derzeit am besten artikuliert und ein zweiter (Visiology) am besten innerhalb eines einzigen Regulierungsregimes liefert. Die meisten anderen Hersteller werden 2026- 2027 dorthin gelangen. Die Käuferfrage lautet nicht „welcher KI-Wände-Hersteller ist der beste", sondern „welcher Anwendungsfall rechtfertigt tatsächlich Inferenz auf der Wand, und unterstützt unsere Infrastruktur sie bereits". Anomalieerkennung an einem 12-Kamera-Perimeter ist eine saubere Passung. Quellenübergreifende Korrelation über SIEM + VMS + BMS ist die Marketing-Demo, die die meisten Anlagen weitere zwei Jahre nicht betreiben werden.
Weiterlesen: der Glossareintrag Edge AI für Videowände, IPMX vs. ST 2110 vs. SDVoE für die Transportfrage darunter, und der Vergleich Craft Wall vs. Userful dazu, wie der KI-Teil in eine Wettbewerbsbewertung passt.
Häufig gestellte Fragen
Welche KI-Funktionen werden 2026 tatsächlich in NOC- und SOC-Videowänden ausgeliefert?
Drei Funktionsklassen laufen im Produktivbetrieb: (1) Anomalieerkennung auf IP-Kamera-Feeds — Objekterkennung der YOLO-Klasse, die per ONNX auf dem Wand-Controller läuft; (2) Layout-Vorschlag — ML empfiehlt die Quellenanordnung anhand der Workflow-Muster des Bedieners; (3) Alarm-Zusammenfassung — ein LLM verdichtet SIEM- und Monitoring-Streams zu prioritätsgereihten Kacheln. Userful Infinity EdgeAI und Visiology Cortex sind die meistzitierten Umsetzungen von 2026.
Wie funktioniert KI-Anomalieerkennung auf einer Videowand?
Der Wand-Controller führt Objekterkennungs-Inferenz (typischerweise YOLO-v5-/v8-Familie, ~30 ms pro Frame auf einer GPU der RTX-Klasse) auf IP-Kamera-Feeds aus. Erkennt das Modell eine Anomalie (Person in Sperrzone, herrenloser Gegenstand, Rauch-/Feuersignatur), hebt es die Kamerakachel automatisch mit einem farbigen Rahmen hervor, löst einen Alarm in der Bediener-UI aus und markiert den Frame optional zur Nachprüfung. Die Erkennungsregeln sind je Kamera konfigurierbar.
Können YOLO-Modelle auf einem Videowand-Controller laufen?
Ja — moderne Wand-Controller mit GPUs der RTX-Klasse betreiben YOLOv8n (nano) mit ~120 FPS pro Stream und YOLOv8m (medium) mit ~30 FPS pro Stream. Der Engpass ist der GPU-Speicher, nicht die Rechenleistung — jeder parallele Inferenz-Stream braucht ~500 MB VRAM. Eine einzelne RTX A4000 (16 GB) unterstützt bis zu 16 parallele Anomalieerkennungs-Feeds. Modelle werden über ONNX Runtime für eine herstellerneutrale Bereitstellung geladen.
Warum scheitern die meisten KI-gestützten Videowände im Produktivbetrieb?
Das Bedienervertrauen, nicht die Modellgenauigkeit. Selbst bei 95 % Präzision gewöhnt die 5 % Fehlalarmrate Bediener daran, KI-Alarme abzuweisen — im zweiten Monat ist die KI dekorativ. Erfolgreiche Bereitstellungen investieren in: (1) Abstimmung je Kamera, um die Präzision in der konkreten Szene über 99 % zu treiben, (2) eine Bediener-Feedback-Schleife, die auf abgewiesenen Alarmen nachtrainiert, (3) für Bediener sichtbare Konfidenzschwellen, damit sie interpretieren statt blind vertrauen.
Ist On-Premise-KI-Inferenz für ein NOC praktikabel oder braucht es die Cloud?
On-Premise ist für NOC-Anwendungsfälle voll praktikabel. Die YOLO-Inferenzlatenz auf lokaler GPU liegt bei 20-50 ms gegenüber 200-500 ms Round-Trip in die Cloud — der On-Premise-Pfad gewinnt bei der Bediener-UX. Für regulierte Branchen (Energie, Banken, Verteidigung) ist On-Premise zudem die einzige Compliance-konforme Option. Cloud-KI-Inferenz ist nur sinnvoll, wenn die Inferenzlast die lokale GPU-Kapazität übersteigt — typischerweise jenseits von 30 parallelen Videostreams mit schweren Modellen.