„Es ist wirklich wichtig, dass wir in Deutschland und in der EU eigene KI-Modelle schaffen“

Reinhard Heckel forscht an der Technischen Universität München im Bereich Maschinelles Lernen und gründet derzeit ein Start-up, das die richtigen Trainingsdaten für spezialisierte KI-Modelle bereitstellen will – denn daran hapert es im KI-Markt aktuell noch. Er plädiert dafür, eigene Modelle zu entwickeln und in Nischen zu arbeiten, die einen breiten Nutzen entfalten. Denn Europa und Deutschland dürften sich nicht abhängig machen.

Von Michael Förtsch

Der unerwartete Erfolg von ChatGPT vor mittlerweile über zwei Jahren hat eine Lawine an KI-Hysterie und Hype losgetreten. Seitdem findet ein globaler Wettbewerb um die Vorherrschaft im Bereich der KI statt. Viele sehen Deutschland und Europa bereits als abgehängt an. Denn die großen Innovationssprünge finden vor allem in den USA und China statt. Es sind Unternehmen wie OpenAI, Anthropic, Microsoft und Google, DeepSeek, Alibaba und Ziphu AI, die mit ihren Chatbots regelmäßig neue Maßstäbe setzen und Millionen von Nutzern gewinnen. „Aber, was abgehängt bedeutet, muss man vielleicht ein bisschen spezifizieren und debattieren”, sagt Reinhard Heckel, Professor für Maschinelles Lernen an der TU München. Er warnt davor, den sichtbaren Rückstand einfach hinzunehmen und die europäische KI-Branche abzuschreiben.

„Ich denke, was Deutschland wirklich gut macht, ist Forschung im Bereich der Künstlichen Intelligenz“, sagt Heckel. Diese sei aufgrund ihrer Grundlagennatur leider nicht immer so sichtbar, wie sie sein sollte, und erhalte auch nicht die Beachtung, die sie verdiene. Er verweist unter anderem auf die Pionierarbeit der Forschungsgruppe CompVis um Björn Ommer an der LMU MünchenH, aus der die Text-zu-Bild-KI Stable Diffusion hervorging, auf der wiederum andere Bild-Generatoren wie Flux, Minimax Image-01, Reeve und weitere aufbauen. Auch die Arbeit des Vereins LAION hat zu Innovationen im Bereich der KI beigetragen. „Da sind wir also eigentlich gut aufgestellt“, sagt der KI-Professor. „Wir haben Forscher und Wissenschaftler, die wichtige und innovative Arbeit leisten.“

Das Problem sei demnach nicht fehlendes Fachwissen oder mangelnde Innovationskraft. Woran es der europäischen, aber vor allem der deutschen KI-Branche mangele, sei etwas anderes: „Ich glaube, wo wir hinterherhängen, ist dabei, die Forschungsarbeit dann auch wirklich in etwas umzusetzen“, sagt er. „Es entstehen daraus – mit einigen Ausnahmen – kaum Firmen. Jedenfalls keine, die wirklich zu etwas heranwachsen können.“

Die Gründe? Zwar gibt es immer mehr und stärkere Initiativen, die vor allem bei universitären Ausgründungen helfen sollen, sowie initiale Förderprogramme von Universitäten und EU-Programmen, die beim Start einer Firma helfen. „Aber es wird dann schnell schwierig, wenn diese Firmen etwas später größere Geldrunden einsammeln müssen, um weiterzumachen“, argumentiert Heckel. „Da geht es oft nicht weiter.“ Dazu fehle es zum Teil auch an Risikobereitschaft und es bestehe oft eine große Angst, zu scheitern.

Modelle für spezielle Fälle

Trotz der vorhersehbaren Herausforderungen versucht Reinhard Heckel derzeit, mit einem kleinen Team ein KI-Start-up aufzubauen. „Wir stehen noch ganz am Anfang“, sagt er. Die Firma habe mit Deep Spec bisher nur einen Platzhalternamen. Einen „guten Namen“ habe das Team noch nicht gefunden. Ein Ziel gebe es aber schon. Dieses habe sich ganz natürlich aus der Forschung von Reinhard Heckel und seinen Mitstreitern ergeben. „Woran ich schon lange forsche, sind Trainingsdaten“, sagt er. „Also: Was sind gute Daten für KI? Wie sollten die Daten aussehen, mit denen ich eine KI trainiere, sodass sie wirklich das macht und kann, was ich will?“ Dies sei oft noch ein Problem, wenn es um den Einsatz von KI in Branchen und Fachbereichen mit sehr spezifischen Prozessen und Anforderungen geht.

„Wenn man Künstliche Intelligenz, zum Beispiel eines der großen Sprachmodelle, benutzen will, dann geht das oft irgendwie, aber nicht so richtig gut“, sagt Reinhard Heckel. Er und sein Team arbeiten daher an Methoden, um bestehende Modelle für spezielle Prozesse zu spezialisieren. Ein möglicher Anwendungsbereich seien etwa Versicherungsunternehmen, die Anfragen von Kunden schnell und korrekt beantworten möchten. „Ein ganz konkretes Beispiel wäre eine E-Mail mit der Frage, ob ein Fall von der Rechtsschutzversicherung gedeckt ist oder nicht“, sagt Heckel. Es gibt zwar kein Modell, das speziell für diese Prozesse entwickelt wurde, aber mit Tuning lassen sich bereits vorhandene Open-Source-Modelle dafür anpassen. Dazu zählen beispielsweise die Qwen-Modell-Reihen von Alibaba, die LLaMA-Modelle von Meta oder auch die DeepSeek-Modelle des gleichnamigen KI-Start-ups aus China.

„Welche Basismodelle man nutzt, hängt natürlich von der entsprechenden Anwendung ab“, sagt Heckel. Für alles, was mit Juristerei und Recht zu tun hat, eigneten sich beispielsweise die LLaMA-Modelle gut. Für andere Zwecke wären wiederum andere Modelle zu bevorzugen. Für sehr begrenzte und eng abgestimmte Aufgaben könnten etwa Modelle passend sein, die im Grundsatz weniger leistungsfähig und deutlich kleiner sind, aber auch weniger rechenintensiv. Denn sie können und sollen für ihre Aufgabe angepasst werden. Dies geschieht, indem sie mit weiteren Daten trainiert werden, die ihnen zeigen, wie sie diese bewältigen.

Dafür bräuchte es etwa Beispiele von bearbeiteten Anträgen und E-Mail-Verläufen, wenn es um Verwaltungsvorgänge oder Kundenanfragen geht. „Die nutzt man dann, um weitere Beispiele zu generieren, mit denen die KI getuned wird.“ Um ein Modell zu spezialisieren, genügen keine 1.000 oder 10.000 Prozessvorlagen, sondern es braucht „schon Millionen“. Genau hier setzt das Start-up des Professors an, es soll hochwertige und vor allem korrekte Datensätze generieren, um damit spezialisierte KI-Modelle zu trainieren.

BayernGPT ist keine Lachnummer

Geht es nach Reinhard Heckel, könnte insbesondere die Entwicklung solch spezialisierter Fähigkeiten, wie dem Generieren von Trainingsdaten und dem Spezialisieren von Modellen, eine Chance für KI-Unternehmen in Europa sein. Das sei eine Nische, „die in Zukunft gebraucht werden wird“, sagt er. Die großen KI-Giganten könnten zwar die Bedürfnisse der breiten Masse abdecken, aber nicht die teils sehr spezifischen Bedarfe dedizierter Unternehmen, Behörden oder Einzelpersonen. „Wir wollen versuchen herauszufinden, wie man das angehen kann“, sagt Heckel. Natürlich gebe es viele Herausforderungen. Beispielsweise müsse sichergestellt werden, dass die generierten Trainingsdaten möglichst fehlerfrei sind und die Modelle entsprechend korrekt angelernt werden. Aber denen könne man begegnen.

Um europäischen Start-ups und etablierten Firmen solche Nischenmöglichkeiten zu eröffnen, braucht es dennoch die entsprechende Basis: eben große, freie Modelle, die genutzt werden können, um darauf aufzubauen. Bisher stammten diese jedoch fast ausschließlich aus den USA und China. „Das ist durchaus problematisch“, warnt Reinhard Heckel. „Denn diese Modelle, das Training, das Bereitstellen für alle, das ist natürlich auch politisch motiviert.“ Und diese Motivation könne sich durchaus abrupt ändern, wie sich auch in den letzten Monaten etwa bei Meta in anderen Geschäftsfeldern zeigte. „Das Problem dabei ist: Was, wenn Alibaba oder Meta die neue Generation ihrer Modelle plötzlich nicht mehr kostenlos bereitstellen oder unter Bedingungen, die sie kommerziell unbrauchbar machen?“, fragt Heckel. „Wir müssen uns dieser Möglichkeit bewusst sein. Wir müssen darauf vorbereitet sein.“

Der KI-Professor plädiert daher dafür, dass Europa seine Anstrengungen verstärkt, eigene sogenannte Foundation-Modelle aufzubauen. Denn sollte es zu politischen Spannungen kommen und Modelle nicht mehr zur Verfügung stehen, dürfen in Europa nicht die Fähigkeiten fehlen, diese Lücken zu schließen. „Es ist wirklich wichtig, dass wir in Deutschland und in der EU eigene Modelle schaffen“, sagt Heckel. „Nicht, um gleich etwas Besseres als LLaMA oder Qwen zu schaffen, sondern um abgesichert zu sein.“

Aus diesem Grund mag er über Pläne für ein BayernGPT und ähnliche Initiativen nicht spotten. Es sei klar, dass dabei kein echter ChatGPT-Herausforderer herauskomme. Aber das sei auch irrelevant. Es gehe darum, „das Wissen aufzubauen und die Infrastruktur zu entwickeln“, um Deutschland und die EU beim Thema Künstliche Intelligenz unabhängiger und souveräner zu machen. „Dass wir dafür Geld einsetzen, auch hier in Bayern“, sagt er. „Das finde ich wichtig.“