DEEPTECH DEEPTALK Archiv

Nach einer kurzen Sendepause sind Oliver und Alois endlich wieder zurück im DEEPTECH DEEPTALK. In der KI-Welt ist aktuell wieder viel los, und in dieser Folge widmen wir uns den heiß diskutierten Entwicklungen rund um AI Safety und Security.

Wir beleuchten die Forderungen nach einem weltweiten "AI Slowdown" von Tech-Größen wie Elon Musk und hinterfragen, wie realistisch das in der Praxis ist oder ob es sich dabei doch eher um PR-Stunts zur Vorbereitung kommender Börsengänge handelt. Außerdem werfen wir einen genauen Blick auf die realen Gefahren durch teilautonome Agenten-Schwärme, die inzwischen mit "Deep Reasoning" komplexe Sicherheitslücken in Sandboxes systematisch aushebeln.

Die wichtigsten Learnings dieser Folge:

PR oder echte Panik? Warum Forderungen nach einem Slowdown in der KI-Entwicklung auch strategische und marketingtechnische Motive haben könnten.

Schwarm-Hacking: Wie agentische KI-Systeme Sicherheitsbarrieren gezielt umgehen, Spuren verwischen und warum traditionelles Guardrailing (Sicherheitsleitplanken) massiv an seine Grenzen stößt.

Das Brechen von Regeln: Die Gefahr von Modellen, die einen so starken Trieb zur Zielerreichung besitzen, dass sie Ausnahmen für das Brechen von Restriktionen argumentativ rechtfertigen können.

Fehlende "Ground Truth": Warum aktuelle Sprachmodelle (LLMs) kein echtes physikalisches Weltverständnis haben und darauf angewiesen sind, dass wir Menschen ihnen die Realität vorgeben.

Automatisierte Gefahren: Wie KI-gesteuertes Social Engineering skaliert und massenhafte Hacking-Angriffe ermöglicht, die theoretisch jeden im digitalen Raum treffen können.

Viel Spaß beim Reinhören!

In dieser spontanen Folge haben wir Dr. Michael Müller-Wünsch (MüWü), den Technologie-Vorstand der Marke Otto, bei uns zu Gast. Während viele Unternehmen beim Thema Künstliche Intelligenz noch in strategischen Grundsatzdiskussionen feststecken oder aus Unsicherheit abwarten, plädiert MüWü für einen pragmatischen Ansatz: Willkommen im #Makerland. Es geht darum, aus der reinen Beobachterrolle herauszutreten und den technologischen Wandel wieder aktiv und mutig zu gestalten.

Wir sprechen in dieser Folge darüber, warum klassische Zehnjahrespläne in der aktuellen KI-Dynamik völlig obsolet sind. MüWü erklärt, wie sich stattdessen mit fokussierten 90-Tage-Sprints echte Use Cases validieren lassen als risikoarme Entscheidungen, die jederzeit korrigiert werden können. Ein weiteres zentrales Thema unserer Diskussion ist die digitale Souveränität. Mit dem treffenden Bild des „digitalen Suezkanals“ beleuchten wir die Gefahr von einseitigen Abhängigkeiten und plötzlichen Service-Ausfällen durch große US-Anbieter. Wir diskutieren, warum ein zeitgemäßes Risikomanagement heute zwingend lokale Infrastrukturen, europäische Optionen und Multi-Cloud-Strategien erfordert.

Darüber hinaus werfen wir einen kritischen Blick auf unseren alltäglichen Umgang mit Informationen. In einer Zeit, in der global jede Sekunde 60.000 Fotos entstehen, ersticken wir zunehmend an unreflektiertem Datenmüll. Wir beleuchten, wie smarte, lokale KI-Agenten künftig beim digitalen Aufräumen helfen müssen und warum in einer Ära immer perfekterer Deepfakes die nachweisbare „Echtheit“ von Informationen zur wertvollsten Währung für Gesellschaft und Wirtschaft wird. Eine Episode über technologische Eigenständigkeit, den Aufbau echter KI-Datenkompetenz und den Mut, einfach mal zu machen.

Modelle wie die von OpenAI oder Anthropic werden zur Commodity. Wer ein bisschen wartet, bekommt die gleiche Qualität ohnehin von mehreren Anbietern. Was bleibt, ist die Architektur drumherum, der Harness. Oliver und Alois erklären, wie Unternehmen General-Purpose-Modelle mit Speicher, Prompts und Agenten so einbetten, dass ein verlässliches eigenes System entsteht. Für manche Startups ist das schon die neue Core IT der Firma.

Ein Thema ist das Geschäftsmodell dahinter: günstige Einstiegszugänge für 100 bis 300 Dollar im Monat binden Early Adopter in Teams, bis am Ende die großen Enterprise-Tickets über die API laufen.

Lizenzchaos als Symptom: Kontingente wechseln wöchentlich, Power User werden automatisch gedrosselt, SLAs sind kaum planbar. Was früher eine feste DSL-Leitung war, ist heute eine Blackbox mit wechselnder Durchsatzrate. Wer eine verlässliche Entwicklungsstrecke bauen will, baut sie momentan auf Treibsand.

Für Oliver und Alois ist das ein Argument für Dezentralisierung: eigene On-Prem-Architekturen, eingefrorene Modelle für stabile Use Cases, das Frontier-Modell nur noch als Dispatcher. Gerade im Verteidigungssektor, mit verteilten Datenquellen und Sensorik, wird daraus ein hierarchischer oder asymmetrischer Harness aus Spezialmodellen.

China im Vergleich: weniger Brute Force, mehr Smart Force, dazu eine Open-Source-Szene, die mit weniger Rechenleistung mehr rausholt. Für europäische Anwender sind chinesische und amerikanische Modelle inzwischen ähnlich compliant. Bei sensiblen Workloads bleibt trotzdem die eigene Infrastruktur die sicherere Wahl.

Für den Einstieg raten beide zu fertigen Plattformlösungen mit fester Modellauswahl. Das senkt die Hürde und liefert schnell ein erstes Ergebnis. Je klarer der eigene Use Case wird und je mehr proprietäre Daten und Geschäftslogik einfließen, desto mehr lohnt sich der Wechsel zum eigenen Harness statt der fremden One-Click-Lösung.

Fazit: Harnessing ist am Ende eine Make-or-Buy-Entscheidung. Die großen Anbieter liefern den Göffel, die Mischung aus Löffel und Gabel für fast alles. Wer sein eigenes Besteck zusammenstellt, tauscht die stumpfe Gabel gegen ein schärferes Werkzeug, sobald der Use Case es verlangt. Wenn du wissen willst, wie das geht, ist diese Folge für dich.

In dieser Folge des DEEPTECH DEEPTALK ordnen Oliver Rößling und Alois Krtil ein, was es bedeutet, wenn der amerikanische Staat den eigenen Frontier Modellen plötzlich die Leine anlegt. Die USA verkauften sich jahrelang als der Ort, an dem KI ohne Bremsen läuft. Jetzt stehen erste regulatorische Eingriffe neben der Ankündigung von 100 Prozent Digitalzöllen als Antwort auf die europäischen Acts. Das trifft tokenbasierte, hochsubventionierte Geschäftsmodelle direkt an der Refinanzierung. Profiteur könnte Europa sein. Modelle wie Mistral gewinnen an Boden, auch als Schutz vor einer Übernahme durch amerikanische oder chinesische Käufer.

Den Kern der Folge bildet die These, dass nicht die Modellgröße zählt, sondern die Architektur darum herum. Kleine gehärtete Modelle mit Quelle, Fehlercode und Diagnose schlagen ein Frontier Modell überall dort, wo proprietäre Industriedaten, kritische Infrastruktur oder Edge-Einsatz in Drohnen und Sensorik gefragt sind. Daneben geht es um die Frage, wie man gewachsene ERP-Systeme angreift, ohne die Bilanz zu sprengen. Modul für Modul von innen aushöhlen statt einer Komplettablösung lautet die Strategie. Welcher Stein im Jenga-Turm der Legacy IT sich noch ziehen lässt, bevor das System kippt, bleibt am Ende eine Frage fürs Management.

Zum Schluss geht es um das europäische Zeitfenster. Neue Vergabelogiken wie in Paris oder Estland geben auch kleinen Anbietern eine Chance. Talent-Hotspots wie Station F oder King's Cross ziehen Köpfe und Kapital an. Krtils These zum Schluss: Die eigentliche Gefahr liegt nicht in einer durch Open Source entstehenden Superintelligenz, sondern in der Machtkonzentration bei wenigen Anbietern mit milliardenschweren Staatsverträgen über Jahrzehnte.

Key Learnings

US-Regulatorik wird zur Waffe. 100 Prozent Digitalzölle als Antwort auf die europäischen Acts und ein erster regulatorischer Eingriff bei Frontier Modellen setzen tokenbasierte, hochsubventionierte Geschäftsmodelle an der Refinanzierung unter Druck.

Kleine Modelle schlagen große dort, wo es zählt. Gehärtete Branchenmodelle mit Quelle, Fehlercode und Diagnose liefern für proprietäre Industriedaten und Edge-Einsatz verlässlichere Antworten als ein Frontier Modell.

Wert entsteht durch Architektur, nicht durch Modellgröße. Orchestrierung, Guardrails und Härtung um das Modell herum entscheiden, ob ein System im B2B-Umfeld überhaupt einsatzfähig wird.

Legacy IT lässt sich nicht ersetzen, nur aushöhlen. Modul für Modul von innen aushöhlen erhält den bilanziellen Wert und vermeidet eine teure Komplettablösung.

Europa hat ein Zeitfenster, kein Zeitproblem. Neue Vergabelogiken in Paris oder Estland öffnen Beschaffung auch für kleine Anbieter. Talent-Hotspots wie Station F oder King's Cross ziehen zusätzlich Köpfe und Kapital an.

Die größere Gefahr ist Machtkonzentration, nicht Open Source. Wenige Anbieter mit milliardenschweren, jahrzehntelangen Staatsverträgen sind nach Krtils Einschätzung das eigentliche Risiko, nicht eine durch offene Modelle entstehende Superintelligenz.

Diese Folge widmet sich den Begriffen Resilienz und Souveränität und versucht, sie aus dem abstrakten Raum in den Alltag zu holen; von der Logistik im Hamburger Hafen bis zur KI auf dem Gefechtsfeld. Der Talk ordnet ein, warum Verteidigung, Dual Use und kritische Infrastruktur derzeit zusammen gedacht werden müssen, und bleibt dabei mechanikorientiert statt wertend. Eine inhaltliche Beobachtung: Stellenweise bleibt es bei der Bestandsaufnahme; konkrete Beispiele, Zahlen oder ein Praxisfall hätten manche Thesen (etwa zu Edge-KI oder Token Economics) greifbarer gemacht.

Die Haupt-Learnings

Resilienz und Souveränität sind Sammelbegriffe für viele konkrete Felder: Verteidigung, Dual Use, Wertschöpfungsketten, kritische Infrastruktur (Kritis), Logistik, Space und zunehmend auch Nachhaltigkeit („enkelfähig denken").

Es geht nicht um Unabhängigkeit, sondern um Handlungsfähigkeit. Entscheidend ist, einseitige Abhängigkeiten zu erkennen und zu managen – etwa durch mehrere Zulieferer, eigene Tech-Stacks und neue Sourcing-Strategien.

Krisen härten Technologie und beschleunigen Innovation. Unter realem Druck entstehen Drohnen, Sensorik und Edge/Federated AI, die robust erprobt und über Dual Use später auch zivil nutzbar sind.

Militär denkt „Bottom-up", Big Tech „Top-down". Statt immer größerer Modelle und tokenbasierter Dauernutzung zählen ressourceneffiziente On-Prem-Lösungen, „Smart Force"- statt „Brute Force"-KI und spezialisierte Hardware.

Ein starkes Ökosystem braucht drei Dinge: Mindset, Finanzierung und Talent. Eine klare Mission liefert das Mindset fast von selbst; europäische Fonds-Allianzen öffnen sich; Talente brauchen attraktive Perspektiven.

Die Haltung gegenüber Verteidigung hat sich gedreht – von Tabuthema zu legitimem, teils patriotisch motiviertem Investitionsfeld.

Innovation entsteht durch Technologiekonvergenz, an den Schnittstellen verschiedener Hardware-, Software- und Forschungsdisziplinen.

Hamburg hat als Standort starke Karten: Exzellenzforschung, hohe Interaktionsdichte und die Rolle als zentraler Kritis-Standort (Hafen, Logistik).

Fazit

Europäische Souveränität ist kein kurzfristiges Krisenthema, sondern eine Daueraufgabe – und zugleich eine Chance, im Innovationswettbewerb wieder aufzuschließen. The Forge am Deep Tech Campus setzt hier an: Die Initiative vernetzt Forschung, Investoren und Startups in Hamburg und überregional, um aus vorhandenem Potenzial Handlungsfähigkeit zu machen. Die zentrale Botschaft der Folge: Abwarten ist keine Option – es gilt, ins Machen zu kommen. Wer mitwirken möchte, findet The Forge auf deeptech.hamburg.

In dieser Folge geht es um einen Widerspruch, der den europäischen KI-Markt aktuell prägt: Während die großen Infrastrukturbetreiber in immer kürzeren Abständen massive Updates ausspielen, verharrt ein Großteil der hiesigen Wirtschaft in einer ausgeprägten Abwartehaltung. Unsicherheit, Angst vor Fehlentscheidungen und das parallele Einprasseln geopolitischer, technologischer und regulatorischer Themen führen dazu, dass viele Organisationen die fällige Transformation vor sich herschieben.

Ein zentraler Strang dreht sich um die Ökonomie der KI selbst. Die Amortisierungslogik der Hyperscale-Rechenzentren wirft Fragen auf, zumal sich Technologie und Preisstrukturen schneller wandeln als jede klassische Investitionsrechnung. Hinzu kommt eine neue Doppelrechnung: Wer früher 200 Personen brauchte, kommt heute mit 20 aus, zahlt diesen Vorteil aber zunehmend in Tokenkosten zurück. Token-Effizienz wird damit zur eigentlichen Schlüsselgröße, nicht der reine Tokenpreis. Modelle, die zuverlässig zum Ziel führen, sind ökonomisch oft sinnvoller als günstige Modelle, die sich verirren.

Parallel dazu hat sich die Governance-Diskussion in der Tiefe verändert. Compliance-Themen, Datensouveränität und die Frage, auf welche Anbieter man sich überhaupt verlassen will, prägen heute fast jedes ernsthafte Projekt. Dabei wird zunehmend deutlich, dass die europäische Perspektive zwischen US-amerikanischen und chinesischen Angeboten differenziert betrachtet werden muss, einschließlich der oft übersehenen Tatsache, dass auch Microsoft kein europäischer Anbieter ist.

Inhaltlich verschiebt sich das KI-Narrativ in zwei Richtungen. Zum einen verschwindet das Superintelligenz-Motiv aus der öffentlichen Debatte, KI wird stärker als Werkzeug zur Erweiterung eigener Fähigkeiten verstanden. Zum anderen folgt auf die B2C-Welle der ChatGPT-Jahre nun eine B2B-Phase, in der es um robuste, vertrauenswürdige Systeme, kritische Infrastruktur und die Integration in gewachsene Legacy-Landschaften geht. Genau hier liegen europäische Stärken: Patente, industrielle Datenbestände und Kompetenz in Bereichen jenseits klassischer Sprachmodelle, etwa in Embodied AI, Sensorik, Robotik und neurosymbolischen Ansätzen.

Das wichtigste Learning für Entscheider: Abwarten ist keine Strategie. Wer sich heute nicht ernsthaft mit agentischer KI, mit Make-or-Buy-Fragen, mit Souveränitätsentscheidungen und mit der Ablösung eigener Legacy-Systeme beschäftigt, verspielt seine Position im nächsten Zyklus. Die Folge plädiert für eine selbstbewusste Haltung, für Investitionsmut gegen den Trend und für eine Rückbesinnung auf das, was in Europa traditionell gut funktioniert: ingenieurgetriebene Neugier statt bewahrender Angst.

Ein Ausblick auf die nächste Folge rundet die Episode ab: Im Gespräch mit einem erfahrenen Gast geht es dort darum, wie Innovationsmanagement in Organisationen aussehen muss, die aus der Abwartehaltung herauskommen wollen.

Oliver Rößling und Alois Krtil diskutieren den Paradigmenwechsel von Copilot zu Agent: KI sitzt heute nicht mehr neben dem Piloten, sie fliegt selbst. Agentenflotten, die man nur noch orchestriert, werden zur neuen Normalität, was klassische Organisationsstrukturen fundamental herausfordert. Gleichzeitig erodiert die Grenze zwischen Prototyp und Produkt: Agentische Architekturen ermöglichen heute SLA-konforme, sicherheitsgeprüfte Softwareentwicklung, die früher erfahrene Teams voraussetzte.

Für Europa sehen beide reale Chancen, besonders durch Leapfrogging, Federated Learning und eine starke Forschungslandschaft. Regeln werden nicht als Innovationsbremse verstanden, sondern als historisch bewährte Skalierungsinfrastruktur.

Key Learnings

Der Shift von Copilot zu Agent vollzieht sich schneller als erwartet, Agentenflotten sind bereits Commodity

Vibe Coding ist Prototyping, Agenti Coding ist Produktion, der Unterschied ist nicht kosmetisch

Token-Limits treiben Open-Source-Adoption und Architekturdenken, nicht jede Aufgabe braucht das stärkste Modell

Leapfrogging macht Digitalisierungsrückstände paradoxerweise zum Vorteil

Europas regelbasierte Tradition und Forschungsstärke sind ein USP für dezentrale, vertrauenswürdige Systeme

AGI wird Infrastruktur, still und ohne großes Geschäftsmodell, ähnlich wie das Internet

In dieser Folge des DEEPTECH DEEPTALK ist Hermann D. Grünfeld, Head of Traffic Management bei der Hamburg Port Authority (HPA), eigentlich nur auf einen Kaffee vorbeigekommen. Was folgt, ist ein ungewöhnlich offenes Gespräch über den Einsatz von Quantensimulation im Hafenalltag, digitale Zwillinge ohne Visualisierung und die Frage, warum intelligente Steuerung mehr bringt als jede neue Fahrspur.

Hermanns Kernthese: Ein Hafen funktioniert nicht an der Kaikante, sondern an seiner Hinterlandverbindung. Täglich 16.000 LKW, 142 Kilometer Hafenstraße, 35 Ampeln. Wer hier mehr herausholen will, baut nicht aus. Er optimiert. In Zusammenarbeit mit Fujitsu und der TU Graz setzt die HPA auf Quantum Annealing, eine Quantensimulation und damit eine wichtige Vorstufe zum echten Quantencomputing. Die Technologie berechnet bei sechs koordinierten Kreuzungen Milliarden von Schaltmöglichkeiten und gewinnt daraus 10 bis 15 Prozent mehr Durchsatz. Der Effekt einer neuen Fahrspur, ohne einen Quadratmeter Fläche anzufassen.

Alois Krtil weitet den Blick auf die nächste Technologieklasse: Large Quantitative Models, physikalisch verankerte KI-Systeme, die nicht in Sprache, sondern in Physik denken. Für reale Infrastruktur im Wert von hunderten Millionen Euro ist das keine Zukunftsvision, sondern der logische nächste Schritt. Und Hamburg, mit seiner gewachsenen Komplexität und seinen echten Constraints, ist dafür das beste Reallabor Europas.

Kapazität ist kein Bauprojekt, sondern ein Steuerungsproblem. ca. 10 bis 15 Prozent mehr Durchsatz durch intelligente Ampelsteuerung entsprechen dem Effekt einer neuen Fahrspur, ohne einen Quadratmeter anzufassen.

Quantum Annealing ist heute produktiv, nicht morgen. Wichtig zu verstehen: Es handelt sich nicht um echtes Quantencomputing, sondern um eine Quantensimulation, eine leistungsstarke Vorstufe. Sie läuft im Hamburger Hafen, vollautomatisch, mit messbaren Ergebnissen bei einem Optimierungsproblem, das klassische Rechner schlicht überfordert.

Visualisierung war ein Missverständnis. Ein digitaler Zwilling muss nicht schön sein. Er muss funktionieren. Steuerung schlägt Darstellung.

Daten bleiben der eigentliche Engpass. Nicht Rechenpower, nicht Algorithmen. Qualität, Verfügbarkeit und Latenz der Eingangsdaten entscheiden alles.

Physikalische KI schlägt Sprachmodelle dort, wo es wirklich zählt. Large Quantitative Models halluzinieren nicht. Sie rechnen. Für reale Infrastruktur ist das der entscheidende Unterschied.

Hamburg ist das bessere Reallabor. Gewachsene Strukturen mit echten Constraints sind kein Nachteil, sondern der härteste und wertvollste Testfall für KI in komplexen Systemen.

Executive Summary

Die Episode beleuchtet den massiven Hype um Open Claw, ein Open-Source-Tool, das es ermöglicht, KI-Agenten lokal zu installieren und autonom Aufgaben ausführen zu lassen. Oliver und Alois diskutieren die schmale Gratwanderung zwischen faszinierender Produktivitätssteigerung (der „Jarvis“-Traum) und massiven Sicherheitsrisiken („Fahren ohne Anschnallgurt“). Ein zentrales Thema ist der Kontrollverlust, wenn Agenten beginnen, untereinander zu kommunizieren und eigene Lösungswege zu finden.

Lokal heißt nicht sicher: Die lokale Installation von KI-Agenten (wie Open Claw) gibt diesen oft unbeschränkten Zugriff auf Passwörter, E-Mails und Daten. Ohne "Sandboxing" (isolierte Umgebungen) ist das ein enormes Sicherheitsrisiko.

Vom Nutzer zum Beobachter: Der Mensch wechselt in den "Spectator Mode". Während der Nutzer schläft, kann der Agent autonom iterieren, Software schreiben, Kurse buchen und Geld ausgeben.

Emergenz von Agenten-Netzwerken: Es entstehen Plattformen (genannt "Moldbook"), die wie Social Media für KI-Agenten funktionieren. Dort tauschen Agenten Wissen aus (Schwarmintelligenz), entwickeln aber auch skurrile Eigendynamiken (eigene Sprachen, "Religionen").

Neue Metriken für Arbeit: Produktivität wird künftig anders gemessen. Nicht mehr in Arbeitszeit, sondern in "Token-Effizienz", Autonomie-Grad und der Qualität des "Orchestrierens" von Agenten.

Hype & Verbreitung: Das GitHub-Repo zu Open Claw hat über 85.000 Sterne. Viele Nutzer installieren den Code unbedarft auf Firmenrechnern.

Funktionsweise: Der Agent agiert wie ein menschlicher User. Er hat Zugriff auf Maus, Tastatur, Passwörter und Tools. Er kann E-Mails schreiben, Kalender verwalten und im Internet agieren.

Gefahr: Oliver und Alois vergleichen die aktuelle Nutzung mit "Fahren ohne Gurt". Ein Agent könnte sensible Daten leaken oder sich als der Nutzer ausgeben.

Best Practice: Erfahrene Nutzer installieren solche Agenten auf isolierter Hardware (z.B. Raspberry Pi oder Mac Minis), um Data Leakage zu verhindern.

Eigenleben: Agenten können so eingestellt werden, dass sie alle 30 Minuten neue "Prompt Injections" triggern, um ein übergeordnetes Ziel zu erreichen – völlig ohne menschliches Zutun ("Human out of the loop").

Moldbook: Ein Reddit-ähnliches Netzwerk nur für KI-Agenten. Hier beobachten Menschen nur noch. Agenten tauschen Skills aus, was die Lernkurve massiv beschleunigt, aber auch zu unvorhersehbaren Phänomenen führt (Verschlüsselung, Verschwörungstheorien unter Bots).

Schwache Agenten: Ähneln klassischer RPA (Robotic Process Automation). Sie arbeiten starr in einem engen Korsett regelbasierter Prozesse. Sicher, aber unflexibel.

Starke Agenten: Sind hoch-adaptiv (Mixture of Experts). Sie suchen eigene Lösungswege.

Risiko: Sie könnten ein Ziel erreichen, aber auf einem Weg, der illegal, zu teuer oder unerwünscht ist (z.B. "Ziel erreicht, aber Budget verbrannt").

Management: Wir brauchen neue Strukturen wie "Meta-Agenten" (Supervisors) oder "Guardrails", die die Qualität und Sicherheit der ausführenden Agenten überwachen.

Skill-Shift: Der Mensch wird zum Dirigenten einer "Armee von Minions". Die Fähigkeit, Komplexität zu managen und Critical Ignorance (bewusstes Ignorieren von Info-Flut) zu entwickeln, wird wichtiger als das Abarbeiten von Tasks.

Big Tech profitiert: Jeder autonome Loop verbraucht Rechenleistung (Tokens). Für Cloud-Anbieter ist dieser Trend ein Goldesel.

Ressourcen: Es stellt sich die Frage nach der Energieeffizienz. Ist es sinnvoll, wenn Millionen Agenten nachts sinnlose Iterationen durchführen? Es könnte zu einer Rationierung von Rechenpower kommen (nur die effizientesten "Prompter" bekommen Ressourcen).

In dieser Episode melden sich Oliver und Alois aus der Pause zurück und widmen sich direkt dem aktuell heißesten Thema in der Tech-Welt: dem „Claude-Code-Moment“.

Nach dem ChatGPT-Hype vor drei Jahren erleben wir gerade eine neue Welle der Begeisterung. Was als „Vibe Coding“ – das lockere Zusammenbasteln von Prototypen per Spracheingabe – begann, erreicht durch Tools wie Anthropics Claude und neue Agenten-Systeme ein völlig neues Qualitätslevel. Ist das der nächste Quantensprung in der Softwareentwicklung?

Die Schwerpunkte dieser Folge:

Vom Spielzeug zum Werkzeug: Warum generative Coding-Tools nicht mehr nur für „windschiefe“ Dummys taugen, sondern mittlerweile stabile, skalierbare und produktionsreife Software liefern können.

Die 3 Zutaten des Erfolgs: Wie das Zusammenspiel aus leistungsstarken LLMs (wie Claude), teilautonomen „Strong Agents“ und dem Model Context Protocol (MCP) die Entwickler-Landschaft revolutioniert.

Dev vs. Prod: Die Verschiebung von reiner Code-Generierung hin zu kompletten Workflows inklusive Testing, Reviews und Deployment.

Disruption des Outsourcings: Warum riesige Offshore-Entwicklerteams bald durch kleine, KI-augmentierte Teams ersetzt werden könnten und warum die Teamgröße kein entscheidendes Asset mehr ist.

Die „Sternekoch-Analogie“: Warum Profi-Entwickler mit KI zu Michelin-Sterneköchen werden, während Einsteiger („Imbissköche“) zwar bessere Ergebnisse als früher erzielen, aber dennoch Expertenwissen für komplexe Architekturen benötigen.

Adaptionslücke & Demokratisierung: Die Kluft zwischen trägen Großkonzernen und agilen Playern, die durch KI befähigt werden, und warum wir uns in einem gesellschaftlichen Umbruch befinden, der an die Industrialisierung erinnert.

Oliver und Alois diskutieren, warum dieser Moment mehr ist als nur ein Hype, welche Chancen sich für Quereinsteiger ergeben und warum man niemals gegen die Innovationskraft der Tech-Giganten wetten sollte.

Wir sind zurück aus der kleinen Zwangspause – mit leichtem Husten, aber mit einem Thema, das deutlich größer ist als unsere Stimmbänder: Weltmodelle. Large Language Models (LLMs) wie ChatGPT, Gemini & Co. waren der perfekte Einstieg in die KI-Ära: stark in Sprache, Code und Kreativität. Jetzt kommen Systeme dazu, die nicht nur Texte generieren, sondern unsere Welt als System mit Regeln, Physik und Kausalität verstehen wollen. In der Folge sprechen wir darüber, was Weltmodelle von LLMs unterscheidet, warum „Grounding“ in echten Naturgesetzen so wichtig ist (ein Glas, das vom Tisch fällt, muss fallen – egal, was das Sprachmodell dazu meint) und wieso das überall dort spannend wird, wo KI reale Konsequenzen hat: in der Robotik, in der Stadtplanung, in der Biologie, der Materialforschung und der Klimamodellierung. Wir skizzieren unter anderem ein Weltmodell für Hamburg mit Verkehr, Baustellen, Wetter und Gebäuden, schauen auf digitale Zwillinge, die mit Weltmodellen endlich wirklich vorausschauend werden, und diskutieren, wie Sprachmodelle, agentische KI und Weltmodelle zusammenspielen können: LLMs als Interface für uns, Weltmodelle als „Physik-Engine“ im Hintergrund. Wenn du wissen willst, warum viele Forschende gerade extrem heiß auf Weltmodelle sind (ohne LLMs schlechtzureden) und wie sich damit unsere echte Welt besser simulieren und planen lässt, dann ist diese Folge für dich.

Nach einer kurzen Herbstpause sprechen Alois und Oliver darüber, wie echte Deep-Tech-Ökosysteme auf Stadtebene entstehen – jenseits von Buzzwords. Sie ordnen ein, was Deep Tech wirklich bedeutet, wo die Grenze zu Commodity-Technologien verläuft und weshalb der Begriff aktuell oft inflationär verwendet wird. Ausgehend von Deutschlands neuer Hightech-Agenda (mit Schwerpunkten wie KI, Quantencomputing und Biotechnologie) diskutieren sie, wie nationale Programme lokale Cluster beeinflussen und warum Orte mit starker Forschungs- und Infrastrukturbasis – etwa DESY und die Science City in Hamburg – als Anker dienen.

Die Episode zeigt, wie Konvergenz zwischen Technologien wie KI, Quanten- und Neuromorphik-Computing, Robotik oder XR Tempo aufnimmt und welche Rolle „universelle Schnittstellen“ wie große Sprachmodelle dabei spielen. Zugleich machen die beiden deutlich, dass Grundlagenforschung geschützte Domänen braucht, während Reallabore und Sandboxes die Brücke in die Anwendung schlagen. An konkreten Beispielen wird sichtbar, weshalb kurze Wege, stabile Rahmenbedingungen, verlässliche Testflächen und klar profilierte Stadt-Stärken den Unterschied zwischen Theorie und Transfer ausmachen.

Ein zentrales Motiv der Folge ist der „Übersetzer“: Personen und Formate, die Forschung, Industrie und – oft als Ankerkunden – den Staat zielgerichtet zusammenbringen. Statt Event-Inflation braucht es kuratierte Räume, in denen Themen kurz vor der Marktreife fokussiert beschleunigt werden. Genau hier setzt der Deep Tech Campus Circle an: als bewusst exklusiver Ort, an dem Köpfe, Kapital und konkrete Use Cases aufeinandertreffen, um aus Keimlingen skalierbare Innovationen zu machen.

Am Ende bleibt die klare These: Deep Tech entsteht, wenn tiefe Expertise, Geduld und ein klug orchestriertes Ökosystem zusammenwirken. Wer verstehen will, wie Städte vom Strategiepapier zur sichtbaren Wertschöpfung kommen, bekommt in dieser Folge eine kompakte, praxisnahe Landkarte – von der Saat in der Grundlagenforschung bis zur Ernte im Markt.

Wir sprechen drei Jahre nach ChatGPT 3.5 darüber, wie sich LLMs vom Spielzeug zum Arbeitswerkzeug entwickelt haben – und warum viele Nutzer im „tiefen Wald“ der Modelle und Anbieter den Überblick verlieren. Reasoning und Memory sind deutlich besser geworden (größere Kontexte reichen nicht, stabile Zwischenschritte schon), agentenbasierte Plattformen bilden echte Arbeitsprozesse ab, und Iterationsketten wandern ins Backend: weniger Prompt-Magie, mehr automatische Orchestrierung. Gleichzeitig explodiert die Vielfalt: Big Tech, spezialisierte europäische Modelle (z. B. sprachlich-kulturelle Stärken), Open-Source-Stacks und neue Intermediäre, die mehrere Modelle bündeln und „auto-modus“-artig nach Aufgabe, Kosten und Präferenz routen.

Genau hier wird das Dickicht dicht: Token-Kosten und Modellmix, Vendor-Zoo statt Klarheit, dazu Compliance- und Haftungsfragen. Unternehmen brauchen Guardrails – PII-Filter, Protokolle, Audit-Trails, Rollenrechte – idealerweise als On-Prem/Hybrid-Layer, der sensible Daten vor der Schnittstelle säubert und Prozesse schützt. Denn neben personenbezogenen Profilen droht auch das Reverse Engineering von Prozess-IP: Was ins System fließt, kann rückschließbar werden. Standards wie das Model Context Protocol (MCP) und Agent-to-Agent-Schnittstellen sollen Ordnung in die Orchestrierung bringen; Safety-Layer („KI-Polizei“) filtern, ohne Nutzende mit Verbotsschildern allein zu lassen.

Europa hat in diesem tiefen Wald eine echte Chance: nicht unbedingt als Hyperscaler, sondern mit differenzierten, sicheren, compliant nutzbaren Modellen und Plattformen, die regulatorische Anforderungen ernst nehmen und spezifische Stärken (Sprache, Domänen, Übersetzung) ausspielen. Unser Fazit: Impact statt Spielerei – aber nur, wenn wir das Modell-Dickicht systematisch lichten. Praktisch heißt das: Meta-Interface statt Ein-Modell-Fixierung, frühe Guardrails, transparente Kostensteuerung und bewusster Einsatz europäischer Optionen in sensiblen Domänen. So wird „Deep“ nicht zum tiefen Wald, sondern zum Wegweiser.

In der aktuellen Folge sprechen Alois Krtil und Oliver Rößling mit Prof. Hauke Heekeren, Arzt, Neurowissenschaftler und seit 2022 Präsident der Universität Hamburg. Ein Gespräch über Hamburgs wissenschaftlichen Aufbruch, die Rolle von Vernetzung und Transfer – und darüber, wie Künstliche Intelligenz Lehre, Forschung und Verwaltung verändert.

Hamburg hat in den vergangenen Jahren deutlich aufgeholt. Die Universität Hamburg konnte ihre vier Exzellenzcluster erfolgreich in die nächste Förderperiode bringen – von Astrophysik und Photon Science bis Klima und Schriftartefakte. Zusätzlich gewann die TU Hamburg mit BlueMat ein weiteres Cluster im Bereich Materialforschung. Zusammen ergibt das fünf Exzellenzcluster in der Metropolregion und damit ein starkes Signal für den Standort.

Heekeren betont besonders die Vernetzung als Standortvorteil: Hamburg sei groß genug für Spitzenforschung, aber klein genug, um alle relevanten Akteure an einen Tisch zu bekommen. Beispielhaft steht dafür PIER, die Partnerschaft von Universität Hamburg und DESY, und ihr Ausbau zu PIER PLUS, wo 23 Hochschulen und Forschungseinrichtungen gemeinsam Strategien für Forschung, Transfer und Karrierewege entwickeln.

Beim Thema Transfer verfolgt die Universität einen breiten Ansatz: von Politikberatung und Bürgerdialog bis zu Start-ups und Ausgründungen. Ein aktuelles Leuchtturmprojekt ist die Initiative Impossible Founders, die im Rahmen der bundesweiten „Startup Factories“ gefördert wird. Mehr als 50 Millionen Euro von Bund, Stiftungen und Unternehmen fließen in eine Gründungsfabrik für Deep-Tech-Spin-offs, die ab Herbst 2025 operativ startet. Mit Arik Willner wurde ein erfahrener Transfermanager als CEO gewonnen.

Ein weiteres Zukunftsprojekt ist die Science City Bahrenfeld: ein kompletter Stadtteil, in dem Leben, Forschen, Studieren und Gründen zusammengeführt werden. Rund um DESY, eines der führenden Forschungszentren für Photon- und Teilchenphysik, entsteht Infrastruktur, die von Quantenforschung bis zu Life Sciences reicht – inklusive gemeinsamer Institute der Universität.

Ein zentrales Thema ist die Künstliche Intelligenz. Die Universität Hamburg hat früh eine eigene, datenschutzkonforme Variante von ChatGPT eingeführt. Heekeren plädiert für einen reflektierten Einsatz: KI könne Prozesse beschleunigen und Ideen anstoßen, dürfe aber wissenschaftliche Urheberschaft und kritisches Denken nicht ersetzen. Als Beispiel nennt er die automatisierte Prüfung internationaler Bewerbungsunterlagen – eine Lösung, die aus Kooperationen mit der Hamburger Hafenwirtschaft hervorging.

Im Gespräch wird deutlich, dass Europa mit seinen Werten eine besondere Rolle spielen kann. Während in den USA oder China Technologien oft rein marktorientiert oder staatlich gesteuert vorangetrieben werden, setzt Heekeren auf Wissenschaftsfreiheit, kostenfreie Bildung und Interdisziplinarität als Standortvorteile. Gerade eine Volluniversität, die Natur- und Ingenieurwissenschaften mit Geistes-, Rechts- und Sozialwissenschaften verbindet, sei unverzichtbar, um Fragen nach Ethik, Recht und gesellschaftlicher Verantwortung von KI zu beantworten.

Zum Schluss formuliert Heekeren drei zentrale Aufgaben für Hamburgs Wissenschaftsstandort:

Talente gewinnen und halten – von jungen Forschenden bis zu Spitzenkräften in Informatik und KI.

Forschungstechnische Infrastruktur ausbauen, insbesondere große GPU-Cluster.

Transfer und Karrierewege beschleunigen, um wissenschaftliche Erkenntnisse schneller in die Anwendung zu bringen.

Die Folge zeigt Hamburg als Standort mit klarer Richtung: Fünf Exzellenzcluster, enge Vernetzung, eine entstehende Science City und eine Universität, die KI nicht nur nutzt, sondern gestaltet. Heekerens Botschaft: Vernetzung, Verantwortung, Geschwindigkeit – wenn diese Faktoren zusammenkommen, wird aus Forschung gesellschaftlich spürbarer Fortschritt.