DEEPTECH DEEPTALK

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.

In dieser Folge sprechen Oliver und Alois über KI im Mittelstand und die Lücke zwischen Hype und tatsächlicher Nutzung. Der Mittelstand bleibt Rückgrat der Wirtschaft, kämpft aber mit Legacy-Systemen und Generationenwechsel. Ihr Vorschlag: nicht im Kernprozess starten, sondern in begleitenden Bereichen wie Service oder Vertrieb einen klaren Schmerzpunkt wählen, diesen als 12-Wochen-Pilot mit Vorher-nachher-Messung testen und daraus lernen. Die Modelle werden iterativ reifer, kleine spezialisierte Varianten reichen oft; entscheidend sind saubere Abläufe, verlässliche Daten, klare Verantwortlichkeiten und einfache Regeln für Qualität und Sicherheit. Technisch pragmatisch bleiben: offene Modelle dort betreiben, wo es sinnvoll ist, für komplexere Fälle APIs nutzen, Kosten, Datenschutz und Lock-in im Blick. Europa bietet genügend Bausteine und Partner – Abwarten ist keine Strategie. Fazit: jetzt starten, klein und messbar vorgehen, den eigenen KI- und Datenmuskel aufbauen und Schritt für Schritt Wirkung erzielen. Wesentliche Learnings • Nicht warten, jetzt starten – klein, risikoarm, messbar • Erst außerhalb des Kernprozesses beginnen (z. B. Service, Vertrieb) • Drei KPIs definieren (Antwortzeit, Lösungsquote, Zufriedenheit) und Vorher-nachher vergleichen • 12-Wochen-Pilot: erst Mitarbeitende unterstützen, dann Routinefälle teilautomatisieren • Qualität vor Größe: kleines Senior-Kernteam, das KI-Werkzeuge souverän nutzt • Governance früh klären: Datenzugriffe, Verantwortlichkeiten, Review/Freigaben • Abhängigkeiten reduzieren: Hybrid fahren, Tokenkosten und Lock-in aktiv managen • KI- und Datenkompetenz zur Chefaufgabe machen und regelmäßig trainieren • Europäische Optionen prüfen und Partner einbinden statt auf „das eine“ Modell zu warten • Iteration akzeptieren: kein Big Bang, sondern stetige, messbare Verbesserungen