Wie die Salzburg AG mit einer neuen Crowdinvesting-Plattform die Energiewende vorantreibt

12.12.2025

KI-AGENTEN

KI-Agenten: „Wir haben mehr als 4.500 Entwicklerjahre eingespart“

Interview. Swami Sivasubramanian ist Vice President für Agentic AI bei Amazon Web Services (AWS). Im brutkasten-Interview spricht er über den aktuellen Stand bei KI-Agenten - und ihr langfristiges Potenzial.

/artikel/aws-ki-agenten

✨ AI Kontextualisierung

Swami Sivasubramanian ist Vice President für Agentic AI bei Amazon Web Services (AWS) – und zählt zu den Produkt- und Technologiearchitekten hinter zentralen KI- und Datenservices des Cloud-Anbieters. Bei AWS hat er die Entwicklung und Skalierung von unterschiedlichen Angeboten wie Amazon DynamoDB, Amazon SageMaker, Amazon Bedrock und Amazon Q maßgeblich mitverantwortet. In seiner aktuellen Rolle richtet Sivasubramanian den Fokus auf agentische KI. Anlässlich der TEDAI Vienna war Sivasubramanian Ende September im Wien.

brutkasten: Alle reden über KI-Agenten, es gibt einen Hype um das Thema. Aber wo stehen wir wirklich, was Agentic AI im Jahr 2025 angeht?

Swami Sivasubramanian: KI‑Agenten sind eine der transformativsten Technologien unserer Zeit. Wenn man zwei Jahre zurückblickt, war das Gros der generativen KI im Kern Chatbot-artig: Man stellte eine Frage und bekam eine Antwort als Text, Bild oder Video.

Agentische KI unterscheidet sich in zwei Punkten. Erstens: Die großen Sprachmodelle dahinter sind inzwischen so intelligent, dass sie wirklich begründet entscheiden, planen und handeln können. Zweitens: Diese Handlungsfähigkeit verbindet sich mit der Rechenintelligenz.

Stellen Sie sich eine Forscherin in einem Pharmalabor vor, die neue Proteine für die Wirkstoffforschung entwirft. Sie kann einem Agenten ein Ziel vorgeben – und der liefert nicht bloß Ideen, sondern recherchiert, erstellt einen Plan, zerlegt das Ziel in Schritte und wählt für jeden Schritt die passenden Werkzeuge. Diese Kombination aus Spitzenintelligenz und der Fähigkeit, tatsächlich zu handeln, verändert alles – das ist das Neue an agentischer KI.

Viele reden über Agenten, wenige nutzen sie wirklich. Was ist überhaupt ein Agent – und wie grenzt er sich von anderen KI-Anwendungen ab? Wenn ich ein Tool entwickle, dass LLM-basiert Eingangsrechnungen an die jeweiligen Unternehmensabteilungen zur Freigabe weiterleitet, ist das bereits ein Agent?

Nicht unbedingt. Ein Einzelschritt‑Workflow, bei dem man eine Aufgabe per Prompt auslöst und eine einmalige Entscheidung oder Ausgabe erhält, ist eher ein Chatbot. Ein Agent beginnt damit, dass der Nutzer oder die Nutzerin ein Ziel vorgibt. Der Agent zerlegt dieses Ziel selbstständig in umsetzbare Schritte, wählt aus den verfügbaren Tools die richtigen – und entwickelt bei Bedarf sogar neue Werkzeuge, indem er Codes schreibt und ausführt.

Anschließend prüft er, ob das Ziel erreicht ist, reflektiert, wo er falsch lag, und iteriert den Plan. Ein Beispiel aus unserer Praxis: Wir haben 2023 Amazon Bedrock Agents und Software Development Agents mit Amazon Q Developer im Preview eingeführt, um mühsame Aufgaben in der Software-Entwicklung und -Betrieb zu automatisieren. Und heute haben wir eine agentenbasierte Entwicklungsumgebung (IDE) namens Kiro.

Wir waren von den Möglichkeiten begeistert. Wir haben ein neuro‑symbolisches Verifikationssystem implementiert, um sicherzustellen, dass die APIs korrekt funktionieren. Dieses Zusammenspiel – ein reasoning‑fähiges Modell plus ein Verifikator, der kontinuierlich Rückmeldung gibt – macht aus einem bloßen LLM einen echten Agenten.

Sind Reasoning-Modelle also ein Schritt in Richtung Agenten?

Sie sind eine notwendige Zutat, aber nicht die einzige. Agenten müssen auch autonom handeln können: APIs aufrufen, Webseiten besuchen, eine Websuche durchführen oder Code schreiben und ausführen. Und weil Vertrauen essenziell ist, brauchen wir Verifikatoren. Neuro‑symbolische Systeme, die die Schritte eines Agenten automatisch prüfen und Rückmeldungen geben, erhöhen Genauigkeit und Zuverlässigkeit erheblich.

Wie beurteilen Sie die technologische Entwicklung bei Agentic AI? Sind KI-Agenten beispielsweise jetzt deutlich besser als vor einem Jahr?

Wir stehen am Anfang dieser Transformation, sehen aber bereits massive Effekte – besonders in einigen Domänen. Eine ist die Softwareentwicklung bei Modernisierungsprojekten. Eine der stärksten Fähigkeiten von Amazon Q Developer ist die automatische Aktualisierung von Java-Versionen, wodurch Java-Anwendungen in einem Bruchteil der üblichen Zeit umgestellt werden können.

Wir haben diese Fähigkeit in Amazons interne Systeme integriert und konnten damit 30.000 Produktivanwendungen von älteren Java-Versionen, also beispielsweise 8 oder 11, auf Java 17 umstellen. Im Vergleich zur herkömmlichen Vorgehensweise haben wir mehr als 4.500 Entwicklerjahre eingespart. Durch die verbesserte Performance konnten wir zudem jährliche Kosteneinsparungen von 260 Millionen Dollar erreichen. Das ist nur ein Beispiel. Ähnliches passiert in der Wirkstoffforschung oder in der Präzisionslandwirtschaft.

In Europa etwa setzt BMW, mit über 150.000 Beschäftigten, Agenten ein, um Serviceausfällen schneller auf den Grund zu gehen. Mit rund 85 Prozent Trefferquote gelingt die Ursachenanalyse heute in deutlich kürzerer Zeit.

Auch in der Formel 1 zeigt der Einsatz einer KI-gestützten Lösung beeindruckende Ergebnisse: Durch die Implementierung von Amazon Bedrock, Bedrock Agents und Knowledge Bases konnte die Formel 1 die Lösungszeit bei Problemen um 86 Prozent, also von Wochen auf Minuten, und die anfängliche Analysezeit von über einem Tag auf unter 20 Minuten reduzieren.

In welchem Bereich war das BMW‑Beispiel konkret?

Es ging um Root Cause Analysis bei Systemausfällen in ihrer vernetzten Flotte von 23 Millionen Fahrzeugen. Ingenieurinnen und Ingenieure konnten die Zeit für die Fehlersuche erheblich verkürzen.

Das ist erst der Anfang. Neben Entwicklung und Betrieb sehen wir einen großen Sprung im Kundenservice. Jeder kennt das: Man ruft im Contact‑Center an, um den Status einer Bestellung zu klären. Agenten können hier Anfragen verstehen, Informationen zusammentragen und im Namen der Kundin oder des Kunden handeln. Solche agentischen Service‑Assistenten sind aus meiner Sicht reif für den breiten Einsatz.

Wie stellen Unternehmen sicher, dass Agenten zwar autonom handeln, aber wo nötig der Mensch eingebunden bleibt?

Das ist zentral. Teams müssen entscheiden, welche Entscheidungen vollständig automatisiert werden und bei welchen ein „Human‑in‑the‑Loop“ bestätigt. Ein einfaches Beispiel: die Rückerstattung im Kundenservice. Alles unter 10 bis 15 Euro kann beispielsweise – bei einer Modellgenauigkeit von 95 bis 99 Prozent – der Agent automatisch abwickeln. Liegt der Betrag darüber, prüft ein Mensch und gibt frei. Das ist ein risikobasierter, regelbasierter Ansatz.

In Hochrisikoumgebungen – Gesundheit, Finanzregulierung, Grundrechte – ist besondere Sorgfalt nötig: Agenten sollen dort Menschen befähigen, fundierte Entscheidungen zu treffen. Kurz: Man braucht einen klaren Risikomanagement‑Rahmen für den Einsatz von Agenten.

Bedeutet das auch, dass sich nach Branche unterscheidet, wie geeignet KI-Agenten sind?

Genau. Branchen haben unterschiedliche Regulierungen – aber fast überall gibt es viele Backend‑Aufgaben, die heute noch manuell und ineffizient erledigt werden. Nehmen Sie Spesen: Eine E‑Mail mit Beleg kommt an, Daten werden händisch in ein anderes System übertragen. Das lässt sich durch Agenten automatisieren.

In der Software ist es ähnlich: Nicht nur neue Features schreiben, sondern auch Upgrades, Wartung und Performance‑Optimierung sind typische „Routinearbeiten“. Agenten können diesen nicht differenzierenden Aufwand übernehmen. Darum erhöhen sie bereits heute die Geschwindigkeit und Produktivität in vielen Bereichen.

Technologisch geht es rasant voran. Aber was bremst Unternehmen in der Einführung?

Ich sehe drei Hürden. Erstens: Der Sprung vom Prototyp zur Produktion. Ein Proof of Concept auf dem Laptop ist in ein paar Wochen gebaut. Aber in Produktion braucht es Sicherheit, Identitäts‑ und Rechtemanagement, Gedächtnis und Personalisierung, die saubere, abgesicherte Integration mit Backend‑APIs und Microservices sowie Observability und Metriken. Das dauert heute oft Monate. Um diesen undifferenzierten Aufwand zu verringern, haben wir „Amazon Bedrock AgentCore“ entwickelt. Seit Oktober dieses Jahres ist es allgemein verfügbar.

Zweitens: Es fehlten lange agentenfreundliche Frameworks. Viele Open‑Source‑Ansätze arbeiten mit festen „Chains“ oder Flows. Doch mit wachsender Modellintelligenz braucht man Frameworks, in denen nicht Entwickler die Abläufe vordefinieren, sondern das Modell den Workflow dynamisch erzeugt. Wir haben dafür „Strand Agents“ als Open Source veröffentlicht; innerhalb von zwei bis drei Monaten erreichte das Projekt rund eine Million Downloads, und mehr als ein Dutzend Modellanbieter und andere trugen dazu bei.

Drittens: Daten. Ohne einen soliden Datenunterbau und Zugriff auf die relevanten Systeme können Agenten keine guten Entscheidungen treffen. Unternehmen, die ihre Datenlandschaft für Agenten vorbereiten und optimieren, werden den größten Nutzen daraus ziehen.

Warum haben Sie das Framework als Open Source veröffentlicht?

Wir sind in den „Day‑Zero“‑Tagen der agentischen KI. Da ist offener Ideenaustausch essenziell. Ein Framework muss modell- und anwendungsneutral sein, sonst setzt es sich nicht breit durch. Außerdem wollen wir diese Basistechnologie allen Entwicklern und Anbietern zugänglich machen.

Das entspricht unserer Open‑Source‑Strategie seit den frühen AWS‑Jahren: Wir sind etwa einer der größten Beitragsleister zu PostgreSQL, wir haben Amazon Linux aufgebaut und mit OpenSearch ein offenes Such‑Ökosystem vorangetrieben. In der Formationsphase hilft Offenheit der gesamten Community.

Viele unserer Leser:innen sind Gründer:innen oder auch gründungsinteressierte Personen. Wenn Agenten die Produktivität in der Softwareentwicklung so stark steigern, werden Teams dann deutlich kleiner?

Wir sehen klar, dass das Entwicklungstempo in KI‑nativen Teams massiv steigt. Kürzlich haben wir die bereits erwähnte agentische Integrierte Entwicklungsumgebung (IDE) „Kiro“ vorgestellt. Anders als klassische Entwicklungsumgebungen und KI-gestützte Programmierassistenten arbeitet Kiro nach dem Prinzip der spezifikationsgesteuerten Entwicklung: Man beschreibt in natürlicher Sprache, was man entwickeln möchte. Der Agent generiert dann von Anfang bis Ende die komplette Architektur, den Code, die Tests und die Dokumentation.

Aufgaben, für die früher Teams mit 20 oder 30 Personen nötig waren, schafft heute eine Handvoll Leute. Das Team, das Kiro baut, nutzt das Tool selbst und hat seine Commit‑Geschwindigkeit im Schnitt mindestens verdoppelt, teilweise noch stärker. Ich erwarte deshalb mehr Zwei‑bis‑Vier‑Personen‑Startups. Die Limitierung verlagert sich weg von der Teamgröße hin zur Fähigkeit, Agenten präzise zu steuern.

Manche nehmen an, dass durch Agenten die Rolle von Junior-Entwickler:innen stark reduziert oder komplett wegfallen werden. Stimmen Sie zu?

Nein. Junior‑Entwickler:innen bleiben ein wichtiger Bestandteil. Sie haben mit diesen Werkzeugen gelernt und für sie ist das Entwickeln mit KI völlig selbstverständlich. Das beobachte ich sowohl in Projekten mit Studierenden als auch mit Schülerinnen und Schülern. Die Tools beschleunigen alle; Senior‑Leute bringen zusätzlich Erfahrung und wissen, wo die Stolpersteine liegen. Das beste Team ist eine Mischung aus beidem – talentierte Juniors und erfahrene Seniors, die zusammen Agenten sinnvoll einsetzen.

LinktippZur Website der TEDAI Vienna

Deine ungelesenen Artikel:

Martin Pacher

29.07.2026

Wenn die KI das Experiment plant: Zu Besuch im Labor, das sich selbst steuert

Auf dem Campus Hönggerberg der ETH Zürich arbeiten Roboter und Künstliche Intelligenz zusammen: Eine Software des schweizerisch-amerikanischen Startups Atinary entwirft die Experimente, Roboter in den Laboren von SwissCAT+ an der ETH Zürich führen sie aus, rund um die Uhr. brutkasten war vor Ort und hat mit Atinary-Mitgründer und CTO Loïc Roch sowie Christoph Schnidrig, Head of Technology bei Amazon Web Services Schweiz, über den beschleunigten Forschungsbetrieb gesprochen. Und darüber, warum die größte Hürde nicht die Technologie ist.

/artikel/wenn-die-ki-das-experiment-plant-zu-besuch-im-labor-das-sich-selbst-steuert

Martin Pacher

29.07.2026

Wenn die KI das Experiment plant: Zu Besuch im Labor, das sich selbst steuert

/artikel/wenn-die-ki-das-experiment-plant-zu-besuch-im-labor-das-sich-selbst-steuert

Wer auf den Hönggerberg im Norden Zürichs fährt, lässt die Stadt hinter sich. Der zweite Campus der ETH, entstanden ab 1961, liegt in ländlicher Umgebung, hier sind unter anderem die Departemente für Chemie, Physik und Materialwissenschaft zu Hause. Und hier, in den SwissCAT+-Laboren der Hochschule, lässt sich derzeit besichtigen, wie Forschung aussehen könnte, wenn nicht mehr der Mensch jeden einzelnen Handgriff macht.

In diesen Laboren übernehmen Roboter die Arbeit, die sonst Forschende beschäftigt: Sie hantieren mit Flüssigkeiten und Pulvern, bereiten Proben vor, testen sie und messen laufend die Ergebnisse. Das Bemerkenswerte daran ist aber nicht die Automatisierung selbst, sondern wer die Versuche plant: eine Künstliche Intelligenz. Die Software stammt vom Startup Atinary, das an der ETH keinen eigenen Standort hat, sondern mit der Technologieplattform SwissCAT+ zusammenarbeitet. Sie schlägt vor, welches Experiment als nächstes sinnvoll ist, lernt aus jedem Ergebnis und berechnet daraus den nächsten Schritt. Dieser Kreislauf läuft rund um die Uhr, ohne dass ein Mensch eingreifen muss.

„Ein Labor ist eine große Küche“

Wie soll man sich das vorstellen? Loïc Roch, Mitgründer und CTO von Atinary, greift im Gespräch mit brutkasten zu einem Alltagsbild: „Am Ende ist ein Labor eine große Küche. Wir liefern die Rezepte. Wir nutzen KI, um Rezepte zu erzeugen, die dann im Labor getestet werden.“ Das Ziel: möglichst schnell zum besten Rezept kommen. Denn jeder einzelne Versuch kostet Zeit, Material und Geld. Wer statt tausender Versuche nur ein paar Dutzend braucht, spart enorm.

Genau darauf ist die Software ausgelegt. Statt sich blind durch unzählige mögliche Kombinationen zu probieren, lernt das System mit jedem Experiment dazu und empfiehlt gezielt die vielversprechendsten nächsten Schritte. „Self-Driving Labs“ nennt Atinary das Prinzip, selbstfahrende Labore. Den Begriff hat sich das 2019 gegründete Unternehmen sogar markenrechtlich schützen lassen.

Loïc Roch, Co-founder und CTO von Atinary | (c) Martin Pacher / brutkasten

Den Bedarf für solche Werkzeuge begründet Roch mit einem unbequemen Befund: Forschung wird immer teurer und langsamer, es braucht immer mehr Zeit und Geld, bis Neues gefunden ist. Dazu kommt eine handfeste Vertrauenskrise: Roch verweist auf eine vielzitierte Befragung von rund 1.500 Forschenden, wonach ein Großteil daran scheitert, Experimente zu wiederholen, in der Chemie sind die Quoten besonders hoch. Das ist nicht nur für die Wissenschaft ein Problem: Ohne verlässliche Daten lässt sich auch keine verlässliche KI trainieren.

100 Jahre Forschung in sechs Wochen

Was das System kann, zeigt das Vorzeigeprojekt direkt vor Ort. Gemeinsam mit dem SwissCAT+-Team suchte Atinary nach dem besten Katalysator, also jenem Hilfsstoff, mit dem sich das Treibhausgas CO₂ in Methanol umwandeln lässt, einen Ausgangsstoff für nachhaltige Treibstoffe. Laut Atinary kamen dafür mehr als 20 Millionen mögliche Kombinationen infrage. Das Ergebnis wurde in einem Fachjournal publiziert: In sechs Wochen wurden 144 Katalysator-Kandidaten hergestellt und getestet, mit minimalem menschlichem Zutun. Die Zahl, mit der Atinary seither wirbt, ist eindrucksvoll: eine 1000-fache Beschleunigung, umgerechnet 100 Jahre Katalyse-Forschung in nur sechs Wochen. SwissCAT+-Chef Paco Laveille, der die Umsetzung an der ETH verantwortet, bestätigt beim Besuch die Größenordnung: von Jahren an Forschung hinunter zu Wochen.

Beim konkreten Nutzen für Firmenkunden hält sich Roch hingegen zurück, aus einem strukturellen Grund: „Wir sind ein Dienstleister. Wir sehen den generierten Mehrwert nicht, und die Kunden wollen ihn nicht teilen.“ Das habe auch mit Sicherheitsanforderungen zu tun, ergänzt das Unternehmen: Angaben zum erzielten Return on Investment erhalte Atinary dann, wenn Kunden sie von sich aus teilen — teils münde das in gemeinsame Publikationen.

Die einzige konkrete Zahl, die er im Gespräch nennt, stammt aus einer gemeinsamen Publikation mit dem Aromen- und Duftstoffkonzern dsm-firmenich: Dort konnte der Einsatz eines teuren Edelmetalls so stark reduziert werden, dass dessen Kostenanteil um rund 95 Prozent sank. Es sei nicht die einzige gemeinsame Veröffentlichung mit Kunden, betont das Unternehmen — weitere gebe es etwa mit dem Pharmakonzern Takeda.

Auch ein aktueller gemeinsamer Blogbeitrag von AWS und Atinary liefert Anhaltspunkte. Ein Manager von Takeda wird dort mit der Aussage zitiert, eine Optimierung habe mit dem selbstfahrenden Ansatz rund eine Woche gedauert, verglichen mit ein bis zwei Monaten auf dem herkömmlichen Weg. Am MIT wiederum löste ein Forschungsteam mit der Software eine knifflige Aufgabe aus der Solarzellenforschung in nur 25 Versuchen, innerhalb einer strikten Frist von vier Wochen. Und über das eigene Labor, das Atinary heuer in Boston eröffnet hat, heißt es: Es erzeuge in einer Woche mehr Versuchsdaten, als ein Doktorand in fünf Jahren produziert.

Bezahlter Pilot, Lizenz pro Arbeitsplatz

Wirtschaftlich steht Atinary noch am Anfang. Das Unternehmen befindet sich in der Seed-Phase, öffentlich auffindbar sind laut Roch rund zehn Millionen an bisheriger Finanzierung, eingesammelt über Venture Capital, Family Offices und Förderungen. Als Nächstes peilt er eine Series A an. Das Wachstumskapital dafür werde voraussichtlich aus den USA kommen: „Der Ansatz ist in Europa und den USA sehr unterschiedlich.“

Paco Laveille, Managing Director, SwissCAT+ East, ETH Zurich | (c) Martin Pacher / brutkasten

Verdient wird über Software-Lizenzen, abgerechnet pro Arbeitsplatz. Am Anfang steht ein dreimonatiger, bewusst kostenpflichtiger Testlauf. „Wenn der Pilot nicht bezahlt ist, stecken die Kunden nicht die Ressourcen hinein, um ihn richtig zu testen“, sagt Roch. Dass er mit diesem Modell Geld liegen lässt, räumt er offen ein: Eine Beteiligung am geschaffenen Wert wäre lukrativer, scheitert aber daran, dass die Kunden diesen Wert eben nicht offenlegen.

Die Kundschaft kommt bisher vor allem aus der Pharmabranche, die laut Roch am ehesten bereit ist, Neues zu riskieren; der Rest der Industrie folge dann. Einsatzfelder gibt es aber quer durch: Lebensmittel, Duftstoffe, Materialforschung, grüne Energie, und gemeinsam mit Stanford sogar Zelltherapien gegen Krebs. Umsatz machen vor allem Konzerne. Mit Universitäten arbeitet Atinary eng zusammen, weil sich dort Ergebnisse veröffentlichen lassen, sie werden so zu Botschaftern der Technologie. Auch KMU zählen zu den Kunden, das jüngste sei erst vor wenigen Tagen dazugekommen. Die Arbeitsteilung im Unternehmen: Das Entwicklerteam sitzt bei Roch in Lausanne, das eigene Labor steht in Boston, dort, wo die großen Pharma-Forschungszentren angesiedelt sind.

„Fast jeden zweiten Tag ein neues Startup“

Beim Thema Konkurrenz wird Roch deutlich: Der Bereich „AI for Science“ ziehe derzeit massiv Gründungen an, fast jeden zweiten Tag komme ein neues Startup dazu. Gefährlich sei daran vor allem eines: Mit den heutigen KI-Werkzeugen lasse sich sehr schnell ein beeindruckender Prototyp bauen, der Kunden begeistert. „Unter der Haube ist das aber kein produktionsreifer Code, der bei einem Großunternehmen laufen kann.“ Atinary sieht er im Vorteil, weil man seit 2019 das gesamte Paket aufgebaut habe: die Anbindung an die Laborgeräte, das eigene KI-Training, die Anwendungen und die wissenschaftliche Glaubwürdigkeit durch den eigenen Beirat. Dazu kommt laut Unternehmen ein Netzwerk an Technologiepartnern, darunter AWS, ABB Robotics, Agilent, Bruker, Chemspeed und Mettler-Toledo. Im wissenschaftlichen Beirat sitzt unter anderem der MIT-Chemiker Stephen Buchwald — im Bostoner Labor optimiert Atinary nach eigenen Angaben ausgerechnet die nach ihm benannte Buchwald-Hartwig-Reaktion.

Zugleich beobachtet er seit heuer einen Umschwung im Markt: Kunden dächten zunehmend in einer Wettlauf-Logik. Wer die Technologie nicht als Erster einsetze, riskiere, dass es die Konkurrenz tut. Und wenn diese in Wochen schafft, wofür man selbst Jahre braucht, sei der Rückstand kaum aufzuholen.

Die größte Hürde ist der Mensch

Und was bremst die Verbreitung? Nicht die Technik, sagt Roch, sondern der Mensch. „Der Wissenschaftler im Labor ist oft seit 15, 20 Jahren dort. Wenn man ihm sagt: Wir können deine Forschung um den Faktor zehn oder hundert beschleunigen, sagt er: Nein. Ich kenne mein Fach besser als irgendein Algorithmus.“ Es sei dabei weniger mangelndes Vertrauen, die Technologie werde schlicht als Bedrohung für den eigenen Job empfunden. Christoph Schnidrig von AWS ergänzt: Dieses Muster kenne man von jeder Technologiewelle, von der Einführung der Cloud bis zur KI in der Softwareentwicklung. Rochs Haltung dazu: Jobs würden sich verändern, aber nicht verschwinden. „Am Ende ist es ein Werkzeug. Der Mensch bleibt am Steuer.“

Zum Vertrauen gehört auch die Datenfrage, schließlich legen die Kunden ihr wertvollstes Gut, ihre Forschungsdaten, in die Plattform. Die läuft vollständig auf der Cloud von AWS. Roch verweist auf Prüfungen, Audits und Sicherheitstests; personenbezogene Daten würden praktisch keine gespeichert, schon gar keine Patientendaten, dafür sei man in der Forschung viel zu früh angesetzt. Auch deshalb sieht er im EU AI Act derzeit kein Hindernis: In Kundengesprächen sei die Regulierung bislang schlicht kein Thema gewesen.

Auszeichnung vom Weltwirtschaftsforum

Während brutkasten mit Roch in Zürich spricht, befindet sich sein Mitgründer, CEO Hermann Tribukait, gerade im chinesischen Dalian, um dort den Technology-Pioneer-Award des Weltwirtschaftsforums entgegenzunehmen. Zu den früheren Preisträgern der Auszeichnung zählen Roch zufolge Namen wie Google, Dropbox und Airbnb. Preisgeld gibt es keines, der Wert liege im Zugang zum Netzwerk des Forums und zu Entscheidungsträgern großer Unternehmen. Kunden in China hat Atinary übrigens keine, und das dürfte vorerst so bleiben: Als in den USA registriertes Unternehmen sei das Geschäft mit chinesischen Firmen „wegen der Geopolitik sehr heikel“.

Gefragt nach dem Blick fünf Jahre voraus, skizziert Roch eine Vision, die er ausgerechnet am Vorbild seines Cloud-Partners entwirft: Labore, die wie Rechenleistung aus der Cloud abrufbar sind, weltweit vernetzt, mit einer übergeordneten KI, die Erkenntnisse zwischen Forschungszentren auf verschiedenen Kontinenten austauscht.

Den Antrieb dahinter beschreibt er ganz persönlich: Er und seine Mitgründer seien Naturliebhaber, und die Energiewende brauche schnellere Forschung. „Der Planet kann nicht noch ein Jahrzehnt warten, bis wir Lösungen finden.“ Sein Befund nach sieben Jahren: „R&D ist heute noch zu langsam.“

Disclaimer: Die Reise- und Übernachtungskosten wurden von Amazon Web Services übernommen.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag