Interview mit Dr. Sven J. Körner, Aleph Alpha KI benötigt keine „Magic Bullet“ – sondern echtes Expertenwissen

Anbieter zum Thema

Aleph Alpha GmbH

VDI Verein Deutscher Ingenieure e.V.

Fsas Technologies GmbH

Board Deutschland GmbH

INFOMOTION GmbH

Seit gut 20 Jahren forscht und entwickelt Dr. Sven J. Körner im Bereich Künstliche Intelligenz (KI). Er ist Vice President Community bei Aleph Alpha, baute zuvor das KI-Unternehmen thingsTHINKING (semantha) mit auf und gilt als ausgewiesener Experte für NLP und semantisches Verstehen. Heute arbeitet er daran, Forschung, Produktteams und Unternehmenspraxis für souveräne KI in Europa zusammenzuführen.

Beim VDI-Kongress smartAI dürfen die Teilnehmer von seiner Keynote klare Worte erwarten – gegen überzogene Hypes und für realistische Erwartungen an KI-Anwendungen mit echtem Mehrwert. Im Vorfeld beantwortet er unsere Fragen.

BigData-Insider: Herr Dr. Körner, Ihre Keynote beim VDI-Kongress „smartAI“ trägt den Titel „Das Gegenteil von gut ist gut gemeint“. Was verbirgt sich hinter dieser These?

Körner: Der Satz ist eine Einladung, die reale Wirkung von KI-Projekten nüchtern zu messen – und nicht allein die gut gemeinte Absicht dahinter. In unserer Branche haben wir eine lange Historie voller vielversprechender Ankündigungen und teils überzogener Erwartungen. In den letzten zwölf Monaten beobachte ich aber ein klares Umdenken – weg vom Hype hin zu belastbaren Ergebnissen. Der Markt konsolidiert sich aktuell, wie jeder reife Technologiemarkt. Entscheidend ist, dass wir mit „guten“ Ergebnissen glänzen, nicht allein mit „guten Absichten“.

Wo prallen Erwartung und Wirklichkeit in der Industrie besonders hart aufeinander?

Körner: Zu viele beteiligen sich an der Suche nach der „Magic Bullet“. Doch die Hoffnung, ein Co-Pilot oder Co-Reader automatisiere „einfach alles“, ist irreführend. In der Praxis sind industrielle Kernprozesse eben keine Chat-Dialoge, sondern hoch verzahnte, teils sicherheitskritische Abläufe mit Audits, Traceability und komplexen Tool-Ketten. Wer schon einmal Erfahrungen in der Fehlermöglichkeits- und Einflussanalyse FMEA gesammelt hat oder mit Validierungs- und Freigabeprozessen befasst ist, weiß, wie viel Domänenwissen in jedem einzelnen Prozessschritt steckt. Ohne die kompetenten Ingenieure, die dem KI-System zeigen, was richtig und notwendig ist, bleibt jede Lösung lediglich Stückwerk.

Bedeutet das: Fokus auf kleine, konkrete Schritte statt großer Würfe?

Körner: Genau! Oder anders gesagt: „Mach's kleiner – und gehe dort, wo's staubt.“ Der Fokus sollte also auf Kernprozessen liegen, in denen viel Wertschöpfung gebunden ist und wo Reibung entsteht. Wenn man beispielsweise FMEA-Aufwände realistisch beziffert, liegen Unternehmen schnell im siebenstelligen Bereich – pro Jahr. Schon zweistellige prozentuale Entlastungen durch KI-Assistenz können hier signifikante Effekte schaffen, inklusive frei werdender Fachkräftezeit. Das ist deutlich spannender als der nächste Chatbot-Prototyp.

Oft heißt es, der schnelle ROI steckt in KI-Lösungen für repetitive Aufgaben. Teilen Sie diese Einschätzung?

Körner: Ja – aber bitte nicht missverstehen. Repetitives Wegautomatisieren ist kein Selbstzweck, sondern ein Mittel, damit Ingenieurinnen und Ingenieure sich auf die wirklich komplexen Anforderungen konzentrieren können. Unsere Stärke als Industriestandort ist die hohe Präzision in Produktion und Engineering. Entsprechend liefern spezialisierte Modelle, die Freigaben, Validierung, Service-Wissen oder Dokumentation im konkreten Prozess entlasten, mehr Wert als generisches „Texten“. Oder zugespitzt: Spezialisten bauen, Generalisten reden darüber – Geld verdient wird im Werk, nicht in der Marketing-Broschüre.

Viele schreiben den generativen Sprachmodellen fast so etwas wie „Verstand“ zu. Ist das ein Problem?

Körner: In der Tat: Viele anthropomorphisieren die Systeme, obwohl diese rein stochastisch arbeiten. Ein Sprachmodell „weiß“ gar nicht, dass es mit Ihnen spricht – so wenig wie ein Schachcomputer „weiß“, dass er Schach spielt. Das erzeugt Fehlwahrnehmungen, und wir strafen Systeme dafür ab, was sie per Definition nicht leisten. Nimmt man sie als Werkzeuge, sind sie großartig – aber man lackiert beispielsweise auch kein Auto mit dem Hammer. Hinzu kommt: Generative Modelle tendieren zur „Regression to the Mean“ – sie klingen oft solide, fallen aber mit Unschärfen oder Fehlinformationen auf, sobald Fachleute genau nachlesen. Umso wichtiger ist die Absicherung durch Domänen-Checks, Retrieval und klare Guardrails.

Warum raten Sie vom Ansatz, komplett auf Sprachmodelle zu setzen, ab?

Körner: Insbesondere aus ökonomischen Aspekten. Die Trainingskosten für State-of-the-Art-Modelle sind in den vergangenen Jahren von Größenordnungen wie zehn Millionen Euro auf 60 bis 100 Millionen Euro angestiegen. Wer dieses Spiel dauerhaft mitspielen will, verbrennt mehrere hundert Millionen bis Milliarden, ohne Garantie auf Business-Outcomes. Für Europa und Deutschland heißt das: Spezialisieren, sich darauf konzentrieren, wie wir unser Prozesswissen als Vorteil einbringen können – und Partnerschaften nutzen, statt das Rennen um generische Plattformen mitzumachen.

Was heißt das konkret für Europa und Deutschland?

Körner: Der Schwerpunkt in Europa liegt klar auf dem produzierenden Gewerbe – darin sind wir Weltklasse, und dafür beneiden uns manche in Nordamerika. Das tiefe Domänen- und Prozesswissen ist unser eigentlicher Schatz. Wenn wir nun KI genau damit verheiraten – also mit Expertinnen und Experten, Normen, Datenflüssen, Tool-Ketten und der Entwicklung – entstehen Lösungen, die nicht trivial kopierbar sind. Genau dort verbergen sich die robusten Wettbewerbsvorteile.

Und wie kommen wir nun von „gut gemeint“ zu „gut gemacht“?

Körner: Das wird nur gelingen, wenn Tekkies und Domänenprofis wirklich zusammenarbeiten. Schließlich kennt der Programmierer den Prozess nicht. Unerlässlich ist daher die Co-Creation mit den Menschen, die den Prozess tatsächlich beherrschen – vom ersten Workshop an. Diese Expertinnen und Experten müssen dem System nicht nur Beispiele zeigen, sondern auch abstrahieren helfen, statt lediglich Altprozesse 1:1 zu digitalisieren.

In guten Projekten wird klar definiert, welche Teilaufgaben KI zuverlässig übernimmt, wo Regeln hart bleiben sollten und wo Automatisierung tabu ist. Dann werden komplizierte Prozesse entlastet, ohne die Komplexität des Gesamtsystems zu verleugnen – und die daraus resultierende Lösung besteht Audit, Linie und Alltag.

Zum Schluss ein Blick nach vorn: Wie wird die KI-Welt im Jahr 2030 aussehen?

Körner: Einige Hypes werden sich stark relativiert haben – das gehört unweigerlich zur Reifung der Technologie. Gleichzeitig werden sehr stabile, spezialisierte Anwendungen in genau den Bereichen entstehen, die heute noch „staubig“ wirken. Auf rasante Entwicklungsjahre folgt also ein Plateau. Innovation bleibt, doch sie materialisiert sich in Robustheit, Sicherheit und Effizienz.

(ID:50597115)