Kommentar von Sascha Schubert, SAS Quanten-KI – neue Perspektiven für Innovation

Anbieter zum Thema

SAS Institute GmbH

Fsas Technologies GmbH

INFOMOTION GmbH

QUNIS GmbH

Nachdem Künstliche Intelligenz (KI) Einzug in die Geschäftswelt gehalten hat, ist die nächste Reifestufe eine Kombination der Technologie mit weit größerer Rechenleistung. Quanten-KI beispielsweise eröffnet der deutschen Industrie eine spannende Perspektive, weil sie Geschwindigkeit, Präzision, Effizienz und Innovationskraft in Bereichen ermöglicht, in denen klassische Technologie an Grenzen stößt.

Traditionelle KI-Modelle sind gut darin, anhand vorhandener Daten Prognosen zu treffen. Allerdings sind sie dabei auf singuläre Aussagen limitiert, sie können immer nur Vorhersagen für ein bestimmtes Event simulieren. Eingabedaten werden schrittweise verarbeitet und die Repräsentation komplexer Beziehungen (nicht linear, hochdimensional) ist rechnerisch aufwendig.

Quanten-KI hingegen nutzt Prinzipien wie Superposition und Verschränkung – damit lassen sich viele mögliche Zustände gleichzeitig simulieren und evaluieren. Das bedeutet: Unternehmen können nicht nur die wahrscheinlichste Zukunft vorhersagen, sondern mehrere Szenarien parallel durchdenken – etwa in Bereichen wie Fertigung, Logistik, Materialforschung oder Risikoanalyse. Quanten-KI eröffnet somit eine neue Qualität der wahrscheinlichkeitsbasierten Entscheidungsintelligenz.

Superposition – die Gleichzeitigkeit von Zuständen

Für KI ergeben sich diverse Vorteile durch den Einsatz von Quantentechnologie. Während ein Bit im klassischen Computing entweder 0 oder 1 ist, kann ein Qubit (als kleinstes Informationselement im Quantencomputer) gleichzeitig 0 und 1 sein. Die Überlagerung dieser Zustände nennt sich Superposition. Das Qubit rechnet mit allen Möglichkeiten gleichzeitig, bis das endgültige Ergebnis durch die Messung festgelegt wird. Dadurch ergibt sich ein signifikanter Vorteil: Ein Quantencomputer kann viele Rechenwege parallel durchspielen, während ein klassischer Computer sie nacheinander abarbeiten muss.

Verschränkung – die Gemeinsamkeit von Zuständen

Ein zweites Prinzip des Quantencomputings ist die Verschränkung: Hierbei sind zwei (oder mehr) Qubits trotz räumlicher Entfernung untrennbar miteinander verbunden. Der Nutzen, der sich daraus für Quanten-KI ergibt, besteht im Informationsaustausch und der Mustererkennung über viele Dimensionen hinweg. Der gemeinsame Zustand und die komplexe Beziehung der Teilchen untereinander sorgen dafür, dass Informationen gleichzeitig gespeichert und verarbeitet werden können.

Kognitive Verstärkung

Während klassische KI oft mit Automatisierung gleichgesetzt wird, also dazu dient, menschliche Routineaufgaben zu übernehmen, öffnet Quanten-KI den Blick für die Erweiterung menschlicher Intelligenz.

Quantenalgorithmen sind von Natur aus nicht linear und arbeiten mit Wahrscheinlichkeiten – sie denken gewissermaßen in Möglichkeitsräumen, nicht in binären Wegen.

Welche Vorteile sich daraus ergeben:

• Schnellere Hypothesenprüfung (welche Produktionskonfiguration bringt den höchsten Ertrag?)

• Mehrdimensionale Betrachtung von Daten (statt eindimensionaler Optimierung)

• Bessere Entscheidungsunterstützung auf Datenbasis reduziert nicht fundierte Bauchentscheidungen

Kurz: Quanten-KI ist nicht lediglich ein neues Werkzeug, sondern hat das Potenzial, einen Quantensprung in der Modellierung komplexer Sachverhalte zu erzeugen.

Brückenschlag zwischen klassischer KI und Quantenwelt

Quanten-KI ist derzeit kein Plug-and-play-Tool. Damit Hardware, Algorithmik und Governance am Ende zusammenspielen, ist an einigen Stellschrauben zu drehen.

1. Hybride Analytics-Architektur: Um die Performance und die Qualität der Analyseergebnisse gleichermaßen zu maximieren, sind klassische Data-Science-Workflows mit quantenfähigen Modulen zu kombinieren. Integrierte Analytics-Plattformen erlauben, dass Teile von Workflows traditionell ablaufen, andere (zum Beispiel Optimierungsteilschritte) an Quanten-Backends ausgelagert werden. Das heißt: Es ist gar nicht sinnvoll, dass Firmen ihre gesamte IT umkrempeln, sie sollten stattdessen sukzessiv in Quantentechnologie einsteigen.

2. Niederschwellige Quanten-Workbenches: Tools wie die SAS Viya Workbench erleichtern Entwicklern, Data Scientists und Fachexperten den Einstieg in Quanten-KI über vertraute Umgebungen und Sprachen. Einer aktuellen Studie zufolge experimentieren drei von fünf Führungskräften mit Quanten-KI beziehungsweise investieren in Pilotprojekte; eine Workbench unterstützt bei diesen ersten Schritten.

3. Partnerschaften für Hardwarezugang: Kooperationen mit führenden Anbietern für Quantenhardware, beispielsweise im Hinblick auf Annealing-Technologie oder Gate-Modell-Quanten, eröffnen Unternehmen die Möglichkeit, konkret hybride Szenarien zu testen.

4. Governance- und Geschäftslogik-Rahmen: Ein oft vernachlässigter Aspekt: Entscheidungen auf Basis von KI müssen erklärbar, vertrauenswürdig und in bestehende Geschäftsprozesse integrierbar sein – das gilt ebenso für Quanten-KI. Ein KI-Anbieter, der über jahrzehntelange Erfahrung im Bereich Governance verfügt, befreit Unternehmen von Aufgaben rund um Compliance-Anforderungen oder Risikomanagement, die sie mit eigenen Ressourcen nicht stemmen könnten.

Konkrete Benefits für Unternehmen

Branchenübergreifend ergeben sich mit Quanten-KI Vorteile in unterschiedlichsten Bereichen.

• Optimierung komplexer Probleme: Aufgaben wie Produktionsplanung, Fahrzeuglogistik, Energiemanagement oder Portfolio-Optimierung haben extrem große Lösungsräume. Quantenverfahren wie quantenbasierte Optimierung (Quantenannealer, hybride Algorithmen) können solche Probleme deutlich schneller oder effizienter angehen als klassische Heuristiken – das spart Zeit und Kosten in Bereichen wie Produktion und Lieferkette.

• Material- und Molekülsimulationen: Chemie-, Pharma- und Materialforschung profitieren von präziseren Simulationen auf Quantenhardware, darunter schnellere Wirkstoffsuche bei Medikamenten oder Materialdesign für Batterien. Das kann Entwicklungszyklen verkürzen und teure Experimente reduzieren.

• Machine-Learning-Modelle: Über Quantentechnologie beschleunigte Ansätze können bei bestimmten Aufgaben (beispielsweise Feature-Mapping, Kernel-Methoden oder Sampling) Genauigkeit oder Trainingszeit verbessern – insbesondere in datenintensiven, komplexen Domänen.

• Simulationen für Risiko und Sicherheit: Finanzdienstleister, Versicherer und kritische Infrastrukturen können mit schnelleren, realistischeren Simulationen Risiken besser modellieren und Echtzeit-Entscheidungen verbessern.

Praxisbeispiel: Produktvariationen beim Konsumgüterhersteller

Ein führender globaler Konsumgüterkonzern hat in einem Pilotprojekt mithilfe von SAS Optimization und innovativen Quantenlösern von D-Wave die Rechenzeit für hochkomplexe Probleme um 97 Prozent reduziert.

KI-Innovationswettbewerb

Trumpf setzt bei Produktionsplanung auf Quanten-KI von PlanQK

Die Modellierung von Zutaten für Hunderte Produktvariationen, die sich in Abhängigkeit von Marktanforderungen ständig verändern können, ist ein sehr zeitintensiver Prozess für das Unternehmen. Insgesamt gibt es 10¹¹⁴ mögliche Kombinationen von Zutaten, Produktvariationen und dafür hinterlegte Regeln, mehr als die Anzahl von Atomen im Universum. Ziel war es, durch Experimentieren mit Quantentechnologie den Prozess zu beschleunigen und gleichzeitig die Qualität der Lösung zu messen. Denn kürzere Rechenzeit bedeutet höhere Produktivität: Modellierungsansätze lassen sich in wesentlich kürzerer Zeit testen, was letztlich zu einer schnelleren optimalen Lösung führt. Das Projekt zeigt, dass ein hybrider Ansatz aus Quantentechnologie und klassischer KI am besten geeignet ist, um einerseits die Zeit für die Problemlösung zu reduzieren und andererseits die optimale Lösung zu bestimmen.

Neue Perspektive für die deutsche Wirtschaft

Quanten-KI optimiert jedoch nicht nur bereits vorhandene Prozesse, sondern hat auch das Potenzial, Innovationen voranzutreiben – insbesondere in der deutschen Wirtschaft. Laut einer Studie von Deloitte ist Deutschland bei der Forschung zu Quantentechnologie gut aufgestellt. Höhere Investitionen sind allerdings erforderlich, um neue Erkenntnisse in industrielle Anwendungen zu überführen. Neben internationalen Tech-Konzernen und deutschen Technologieunternehmen wie Infineon, Siemens und Elmos finden sich auch große Industrievertreter unter den Haltern deutscher Patente im Bereich der Quantentechnologie: Covestro, Volkswagen und Bayer.

Quanten-KI in der Industrie

AutoQML bringt Quanten-Boost fürs Machine Learning

Beispiele, wie Quantentechnologie hierzulande vorangetrieben wird, gibt es einige. Das Munich Quantum Valley (MQV), eine Initiative der Fraunhofer‐Gesellschaft, schafft eine industrielle Infrastruktur für Quantenanwendungen. Im Rahmen des Projektes PlanQK forschen 18 Partner im Bereich „Prognose und Klassifizierung“, „Wartung und Erkennung“ sowie „Planung und Optimierung“ aktiv an Quanten-KI-Plattformen. Als Hardware-Hub bereitet das Forschungszentrum Jülich (JSC) mit einer über 5.000-Qubit-Annealing-Maschine von D-Wave den Weg für den Eintritt Deutschlands in die Praxisphase bei Quantencomputing.

In diesem Umfeld können Unternehmen früh experimentieren, Pilot-Szenarien realisieren und dadurch als „Early Adopters“ strategische Vorsprünge erzielen.

Fazit

Quanten-KI markiert den Schritt von konventioneller Datenanalyse hin zu einer deutlich stärkeren, entscheidungsorientierten Intelligenz. Durch die Verbindung klassischer KI-Verfahren mit der Rechenkraft quantentechnologischer Ansätze gewinnt die probabilistische Entscheidungsmodellierung – Intelligent Decisioning – erheblich an Geschwindigkeit und Präzision. Moderne Analytics-Plattformen, ergänzt durch robuste Governance-Rahmenwerke für eine vertrauenswürdige Anwendung, können für Unternehmen in Deutschland ein Umfeld erzeugen, in dem jenseits des Hypes pragmatische Lösungen echte Innovationen fördern.

Nachbericht SAS Innovate 2025

SAS baut Plattform SAS Viya für KI-Nutzung aus

(ID:50646837)