Große Sprachmodelle haben gezeigt, wie schnell Künstliche Intelligenz Inhalte erzeugen kann. Geschwindigkeit allein löst jedoch noch keine komplexen Probleme. Während die Diskussion um generative KI an einigen Stellen an Grenzen stößt, rücken neue Ansätze in den Fokus, die stärker auf Präzision, Fachwissen und nachvollziehbare Entscheidungen setzen. Entsteht hier gerade eine europäische Antwort auf die nächste Entwicklungsstufe der Künstlichen Intelligenz?

Nach dem Hype um große Sprachmodelle, dem eine Ernüchterung gefolgt ist, zeichnet sich eine nächste Welle der Künstlichen Intelligenz ab. Bei dieser sogenannten NextAI ergänzen Energy Based Models (EBM), also KI-Modelle, die Lösungen anhand von Wahrscheinlichkeiten und energetisch günstigen Zuständen bewerten, die bisherigen Ansätze. Wichtige theoretische Grundlagen hat bereits 2006 ein Forscherteam um den Franzosen Yann LeCun gelegt.

Der langjährige KI-Chef von Meta und Gründer des neuen Startups AMI Labs ist seit kurzem auch Mitglied des Verwaltungsrates des seit Januar 2025 bestehenden Start-ups Logical Intelligence aus San Francisco. AMI steht für Advanced Machine Labs. Der Hauptsitz des Unternehmens, das in einer ersten Finanzierungsrunde 890 Millionen Euro eingesammelt hat, ist Paris. Geplant sind Partnerschaften mit Industrieunternehmen, beispielsweise in den Bereichen Produktion und Robotik.

Energy Based Models als Grundlage für eine nächste KI-Welle

Das zentrale Versprechen energiebasierter Modelle besteht darin, komplexe Probleme präziser, robuster und mit geringerem Energieverbrauch zu lösen als heutige generative KI-Systeme wie große Sprachmodelle. Yann LeCun vertritt die Ansicht, dass sich die aktuelle generative Künstliche Intelligenz zu stark auf das Vorhersagen von Sprache konzentriert und deshalb an Grenzen stößt.

Für Eva Bodnia, die Gründerin des Start-ups Logical Intelligence, ist Sprache lediglich das sichtbare Ergebnis von Denkprozessen. Das menschliche Gehirn arbeitet dabei möglichst energieeffizient. Genau daran orientieren sich Energy Based Models (EBMs): Sie suchen nicht einfach die wahrscheinlichste Wortfolge, sondern bewerten verschiedene Lösungswege und steuern auf den stabilsten und energetisch günstigsten Zustand zu.

Vereinfacht gesagt funktioniert ein EBM wie eine Landschaft mit Hügeln und Tälern. Gute und wahrscheinliche Lösungen liegen in den Tälern. Das System bewegt sich durch diese Landschaft und sucht den Zustand mit der niedrigsten „Energie“, also die plausibelste Lösung. Besonders interessant sind solche Modelle für Aufgaben, bei denen hohe Präzision gefragt ist, beispielsweise bei der Fehlererkennung in der Produktion oder in der Robotik.

Nach Einschätzung von LeCun könnten EBMs außerdem eine wichtige Grundlage für zukünftige KI-Agenten bilden, die komplexe Aufgaben eigenständig lösen. Daraus ergeben sich Chancen für eine wissensspezifische und vertrauenswürdige Künstliche Intelligenz aus Europa.

Verbindung von EBM-Architekturen mit spezifischem Wissen

Energiebasierte Modelle liefern vereinfacht gesagt die Grundstruktur dafür, wie eine KI Lösungen bewertet und lernt. Damit solche Systeme jedoch sinnvoll arbeiten können, benötigen sie zusätzlich spezifisches Fachwissen aus der jeweiligen Anwendung. Genau hier kommen sogenannte Physics Informed Neural Networks (PINNs) ins Spiel. Dabei handelt es sich um neuronale Netze, die physikalische Regeln und wissenschaftliche Modelle direkt in die KI integrieren.

Für die Kombination aus EBMs und PINNs gibt es bereits zahlreiche Anwendungen, beispielsweise bei der Proteinfaltung, der Batterieforschung, der Robotik oder der Stabilisierung von Stromnetzen. Ein Vorteil dieser Ansätze besteht darin, dass sie oft mit weniger Trainingsdaten auskommen und gleichzeitig robuster gegenüber Fehlern sind.

Auch Nvidia setzt auf diese Technologien. Das Unternehmen nutzt in seinen Entwicklungs-Tools Modulus und Omniverse EBMs als Rechenbasis und PINNs als modularen Baukasten für simulationsbasierte KI-Anwendungen. Diese Werkzeuge bilden wichtige Bestandteile der neuen Nvidia-Plattform Rubin. Damit unterstützt Nvidia Industrieunternehmen beispielsweise bei der Entwicklung Digitaler Zwillinge, also virtueller Abbilder von Maschinen, Anlagen oder Produktionsprozessen.

Die Chance für Europa mit seiner Vielzahl an Unternehmen, die über spezifisches Wissen verfügen, liegt in vertrauenswürdigen KI-Ökosystemen. Bei der Gestaltung dieser Hochleistungssysteme sollte in Europa eine Künstliche Intelligenz zum Einsatz kommen, die

• präzise ist, nicht halluziniert und sich an ethischen Normen orientiert
• das spezifische Wissen und Können von Unternehmen nutzt
• mit einer vertrauenswürdigen Infrastruktur arbeitet, die weniger Energie benötigt und
• den europäischen Rechtsrahmen einhält.

Zusammengefasst streben vertrauenswürdige KI-Ökosysteme an, ein Gegengewicht zu den autoritären Machtstrukturen zu schaffen, die der Philosoph Peter Sloterdijk in seinem Buch „Der Fürst und seine Erben“ beschreibt. Darin beschäftigt er sich unter anderem mit der Frage, wie politische und technologische Macht zunehmend von wenigen Akteuren kontrolliert wird und welche Auswirkungen das auf Gesellschaft und Freiheit haben kann.

Aus der Anwendung von EBMs und PINNs kann eine solche vertrauenswürdige NextAI entstehen. Erforderlich hierzu wäre eine Strategie zur gezielten Weiterentwicklung der europäischen KI-Ökosysteme. Die Entstehung und Umsetzung einer solchen Strategie wird nur erfolgreich sein, wenn es gelingt, die Zusammenarbeit zwischen den Sektoren Politik, Wissenschaft, Wirtschaft und Gesellschaft zu verbessern. Eine wichtige Rolle bei den beteiligten Führungskräften spielt die Fähigkeit zur Empathie.

Empathie als Kernkompetenz im Rahmen einer menschenzentrierten KI

In den 1990er Jahren sind viele Ansätze des Wissensmanagements daran gescheitert, dass die Bedeutung des impliziten Wissens unterschätzt worden ist. Daraus sollte man bei der Arbeit mit einer NextAI lernen. Die Botschaft an einen erfahrenen Mitarbeitenden: „Teile mit uns dein implizites Wissen, damit wir dich durch einen KI-Agenten ersetzen können“, muss bei dem Mitarbeitenden Widerstand auslösen. Daher ist es erfolgsentscheidend, dass Führungskräfte bei einer KI-basierten Neugestaltung der Arbeit Empathie zeigen.

Der an der Stanford University lehrende Psychologe Jamil Zaki unterscheidet zwischen einer emotionalen, kognitiven und sozialen Dimension von Empathie. KI beherrscht allenfalls die kognitive Dimension. Führungskräfte mit einer umfassenden Empathie würdigen die Fähigkeiten ihrer Mitarbeitenden und motivieren diese, ihre Leistung mit Hilfe von KI zu steigern, dabei aber ethische Normen einzuhalten. Hieraus ergeben sich wichtige Implikationen für eine Human Centric AI, die Einzelnen und Teams hilft, ihre persönlichen Potenziale und die von KI besser auszuschöpfen. Große Sprachmodelle tendieren dazu, Menschen das zu sagen, was diese hören wollen, um sie möglichst lange im Chat zu halten. Dieser Ansatz birgt Gefahren. Eine Forschung zu menschenzentrierter Künstlicher Intelligenz sollte daher eine Brücke zwischen humaner und technischer Leistungsfähigkeit schlagen. Dies erfordert eine transdisziplinäre, gestaltende Managementforschung. Transdisziplinär bedeutet, dass die Forschung nicht nur Disziplinen, sondern auch Theorie und Praxis verbindet. Eine solche gestaltende Managementforschung findet verstärkt in den Unternehmen selbst statt.

NextAI als Gegenstand einer gestaltenden Managementforschung ist somit ein Sammelbegriff, der verschiedene Entwicklungslinien zusammenfasst. Besonders relevant erscheinen

• Energy Based Models (EBMs) und Physics Informed Neural Networks (PINNs) sowie
• eine wissensspezifische, vertrauenswürdige und menschenzentrierte KI.

Diese Entwicklungslinien sollte Europa verfolgen, um beim Thema KI aufzuholen.

Gestaltende Managementforschung in
Reallaboren des Wandels

Damit sich solche vertrauenswürdigen KI-Ökosysteme tatsächlich entwickeln und in Unternehmen erfolgreich anwenden lassen, reicht technologische Forschung allein jedoch nicht aus. Entscheidend ist auch die Frage, wie neue Erkenntnisse schneller in die Praxis übertragen werden können. Genau hier setzt die gestaltende Managementforschung an, die Wissenschaft, Wirtschaft und konkrete Anwendung enger miteinander verbindet.

Ein weltweites Vorbild für die gestaltende Managementforschung ist Professor August-Wilhelm-Scheer, der in einem Interview sagt, dass es sein Ehrgeiz sei, Forschungsergebnisse zur Anwendung zu bringen. Dieses Ziel hat er auch bei der Gründung von Unternehmen verfolgt.

Wichtige Impulse für eine gestaltende Managementforschung sind von dem Wirtschaftsnobelpreisträger Herbert Simon ausgegangen, der eine allgemeine Design-Theorie geprägt hat. Simon versteht hierunter eine Wissenschaft des Gestaltens von technischen Systemen und menschengemachten Artefakten.

In der betriebswirtschaftlichen Forschung dominieren seit langem empirische Ansätze, die überwiegend von Universitäten ausgehen. Aufgrund der wachsenden Bedeutung einer inter- oder transdisziplinären Forschung nimmt auch in der Managementwissenschaft inzwischen der Anteil eines verbindenden Gestaltens zu. Diese praxisnahe, design-orientierte Forschung erfolgt zunehmend in Reallaboren des Wandels. Ein wichtiger Treiber dieser Entwicklung ist die Künstliche Intelligenz, die als Motor für die Gründung von Startups und eine Neuausrichtung etablierter Unternehmen wirkt. Wir vertreten die Auffassung, die Managementforschung sollte nach einer Phase des Rückzugs in Universitäten wieder stärker in der Praxis stattfinden und dabei gestaltende Ansätze nutzen.

Nach meiner Erfahrung hat eine gestaltende Managementforschung insbesondere bei der Anwendung von Künstlicher Intelligenz eine Reihe von Vorteilen. Diese sind:

• die Beseitigung von Innovationsbarrieren
• leistungsfähige und vertrauenswürdige Innovationsökosysteme
• motivierte Hochleistungsteams
• ein verbindendes Gestalten als Kernkompetenz
• ein verbesserter Technologietransfer
• beschleunigte Lernschleifen mit agilen Methoden sowie
• konkrete Ergebnisse und messbare Erfolge für alle Stakeholder.

Die Defizite bei der deutschen Energie- und Mobilitätswende sind ein Beispiel dafür, wie wichtig es ist, Innovationsbarrieren zu beseitigen. Hierbei geht es darum, neue Erkenntnisse der Innovationsforschung in praktisches Handeln umzusetzen.

Das Ziel ist die Gestaltung von leistungsfähigen und vertrauenswürdigen Innovationsökosystemen. Ein Kennzeichen dieser Systeme ist die bessere Zusammenarbeit der Akteure aus den Sektoren Politik, Wissenschaft, Wirtschaft und Gesellschaft.

Eine Schlüsselrolle bei der gestaltenden Managementforschung haben motivierte Hochleistungsteams. Führungskräften kommt die Aufgabe zu, ein unternehmerisches Selbstbild vorzuleben und zu fördern. Dies beginnt bei der Ausbildung und setzt sich in der beruflichen Tätigkeit fort.

Eine dabei zu entwickelnde Kernkompetenz ist das verbindende Gestalten. Dies erfordert eine Neuausrichtung von Lehre und Forschung mit KI als Werkzeug. Eine solche Human-Centric AI durchdringt alle Disziplinen.

Ein positiver Nebeneffekt ist der verbesserte Technologietransfer. Dabei geht es um eine Überwindung des deutschen Paradoxes zwischen Stärken in der Grundlagenforschung und Schwächen bei der Vermarktung.

Ein Mittel hierzu sind beschleunigte Lernschleifen in Organisationen. Dabei kommen agile Methoden zum Einsatz. Wichtig ist, ein allgemeines Vorgehenskonzept an spezifische Problemtypen und die jeweilige Situation anzupassen.

Dabei orientieren sich alle Stakeholder an konkreten Ergebnissen und messbaren Erfolgen. Bei gemeinsamen Programmen erfolgt dies mit Hilfe eines transparenten Performance Managements.

Diese möglichen Vorteile einer gestaltenden Managementforschung sollten Akteure aus Politik, Wissenschaft, Wirtschaft und Gesellschaft ermutigen, gemeinsam eine NextAI-Agenda zu erarbeiten. Angesichts der gegenwärtigen geopolitischen Unsicherheit erscheint dies notwendiger denn je.