Während amerikanische Unternehmen wie OpenAI generische Modelle für eine breite Nutzerbasis entwickeln, setzt Deutschland auf gezielte Anwendungen. Unternehmen wie Bosch oder Siemens Healthineers arbeiten daran, KI in bestehende Prozesse zu integrieren – sei es in der Medizintechnik, im Maschinenbau oder in der Automobilindustrie. Hier spielt Deutschland seine historische Industriekompetenz aus: In Branchen, die auf Präzision und Effizienz angewiesen sind, werden KI-Systeme entwickelt, die auf spezifische Anforderungen zugeschnitten sind.
Ein Beispiel ist Bosch, wo KI-basierte Modelle zur Optimierung von Sensoren und autonomen Systemen eingesetzt werden. Synthetische Daten, die mithilfe von KI generiert werden, helfen dabei, selbst seltene Szenarien wie Gefahrensituationen im Straßenverkehr realistisch zu simulieren. Auch Siemens Healthineers treibt mit KI-Innovationen die Medizintechnik voran, etwa durch automatisierte Bildanalysen von MRT- und CT-Geräten. Diese Nischenorientierung ist eine deutsche Spezialität, die international hochgeschätzt wird.
Kapital, Infrastruktur, Geschwindigkeit
Trotz dieser Stärken bleiben die Rahmenbedingungen schwierig. Die Entwicklung großer KI-Modelle erfordert Milliardeninvestitionen und massive Rechenkapazitäten – beides Voraussetzungen, die europäische Akteure ohne internationale Partner kaum stemmen können. Start-ups wie Aleph Alpha aus Heidelberg zeigen, dass es Alternativen gibt. Statt in den Wettbewerb um generische Sprachmodelle einzusteigen, fokussieren sie sich auf spezifische Anwendungen, etwa im Bereich der Behördenkommunikation oder Unternehmenssicherheit.
Doch nicht nur das Kapital ist eine Hürde: Die Infrastruktur für KI in Deutschland bleibt fragmentiert. Viele Unternehmen sitzen auf riesigen Datenschätzen, die jedoch oft nicht aufbereitet oder zugänglich sind. Hinzu kommen regulatorische Herausforderungen und eine komplexe Bürokratie, die Gründungen erschwert. Laut einer Analyse von Prognos und Handelsblatt fehlen in Deutschland dynamische Ökosysteme, wie sie etwa das Silicon Valley bietet. Dieses Defizit hemmt die Geschwindigkeit, mit der neue Technologien entwickelt und skaliert werden können.
Wertvoller Rohstoff: Daten aus der Industrie
Deutsche Unternehmen sitzen auf einem der wertvollsten Rohstoffe für KI: Daten. Doch während generische Modelle wie GPT-4 von OpenAI für allgemeine Anwendungen geeignet sind, liegt die Zukunft der deutschen KI in der Veredelung dieser Daten für spezifische Branchen. Bosch etwa nutzt Messdaten von Sensoren, um hoch spezialisierte Anwendungen zu entwickeln. Das Potenzial, industrielle Prozesse durch KI weiter zu optimieren, ist enorm.
Um dieses Potenzial auszuschöpfen, sind jedoch neue Ansätze notwendig. Beispielsweise müssen Daten besser aufbereitet und zugänglich gemacht werden, was erhebliche Investitionen in digitale Infrastruktur erfordert. Zudem braucht es Talente, die sowohl domänenspezifisches Wissen als auch Expertise im maschinellen Lernen mitbringen. "Die Kombination aus Fachwissen über das Problem und Kompetenz im maschinellen Lernen ist der Schlüssel“, sagt Bernhard Schölkopf, Leiter des Max-Planck-Instituts für Intelligente Systeme dem Handelsblatt.
Forschung und Start-ups: Deutschland kann mehr wagen
In der Grundlagenforschung spielt Deutschland international auf hohem Niveau mit. Unter den zehn besten quelloffenen KI-Modellen, die auf der Plattform Hugging Face veröffentlicht wurden, stammen neun aus europäischen Forschungseinrichtungen. Doch zwischen Innovation und Kommerzialisierung klafft eine Lücke. Die deutschen Start-ups, die international sichtbar sind, wie DeepL oder Helsing, fokussieren sich vor allem auf B2B-Anwendungen – eine Strategie, die weniger kapitallastig, aber auch weniger skalierbar ist.
Gleichzeitig bemängeln Experten wie Matthias Nießner, Professor für Visual Computing an der TU München, die fehlende Risikobereitschaft in Deutschland. "Die großen KI-Anwendungsfälle erfordern Mut zur Radikalität, den wir hier oft vermissen“, sagt Nießner. Neue Gründungsinitiativen und paneuropäische Netzwerke wie das von Neurowissenschaftler Matthias Bethge könnten hier einen Wandel einleiten.
Weniger Zögern - und mehr Mut
Die KI-Entwicklung steht erst am Anfang. Neue Hardware-Architekturen, wie sie deutsche Start-ups wie Semron oder Anabrid entwickeln, könnten den Energieverbrauch senken und großskalige Modelle effizienter machen. Auch der Einsatz von Memristoren, die neuronale Netzwerke nachahmen, bietet vielversprechende Möglichkeiten.
Doch um diese Potenziale auszuschöpfen, müssen Industrie, Start-ups und Politik enger zusammenarbeiten. Es braucht eine Kultur, die Experimente und Gründungen fördert, sowie staatliche Unterstützung für den Aufbau digitaler Infrastruktur. Wie Rafael Laguna de la Vera, Chef der Agentur für Sprunginnovation, sagt: "Wir haben ein starkes Fundament – jetzt müssen wir es nutzen.“
Deutschland hat die Chance, in der nächsten Phase der KI-Entwicklung eine führende Rolle einzunehmen. Doch dafür braucht es weniger Zögern – und mehr Mut.
Kommentar veröffentlichen