05.08.2026
INTERVIEW

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

Technologie-Trends zu erkennen ist heute einfach, sie ins Kerngeschäft zu übersetzen bleibt die eigentliche Hürde. Frank Möbius hat BMWs Tech-Früherkennung sechs Jahre verantwortet und erklärt im brutkasten-Gespräch, woran der Transfer scheitert und wie er gelingt.
/artikel/der-transfer-ist-das-schwierigste-ex-bmw-tech-scouting-leiter-frank-moebius-ueber-technologie-frueherkennung
Frank Möbius (links) | (c) BMW Group

Knapp 30 Jahre war Frank Möbius bei BMW. Zuletzt leitete er in der Konzernforschung den Bereich Technologiemanagement und -prognose und koordinierte das weltweite Netzwerk der BMW Technology Offices vom Silicon Valley bis Tokio. Seit 2023 gibt er seine Erfahrung als Senior Innovation Advisor bei der UnternehmerTUM GmbH in München, Europas größtem Gründerzentrum, weiter. Im Interview erklärt er, wie systematische Technologie-Früherkennung funktioniert, warum die meisten Unternehmen am Transfer der daraus gewonnenen Erkenntnisse scheitern und wie KI die Tech-Trenderkennung vereinfacht hat.


brutkasten: Sie waren fast 30 Jahre bei BMW. Wie sind Sie dort zum Thema Innovation gekommen?

Frank Möbius: Ich habe an der Uni Stuttgart Maschinenbau, Fachrichtung Fahrzeugtechnik studiert und nach dem Diplom Anfang 1990 meinen ersten Job bei der Lufthansa Technik in Frankfurt gefunden. Dort durfte ich die damals neuartigen stangenlosen Flugzeugschlepper mitentwickeln und 1992 den neuen Flughafen München damit ausrüsten – meine erste Berührung mit Innovationen und ihrer Einführung im Massengeschäft. Ich verließ die Lufthansa nach ein paar Jahren, um an der Uni Kaiserslautern über Robotik zu promovieren. Nach der Promotion kam ich 1996 zu BMW, meiner Wunschfirma in meiner Wunschstadt. Dort konnte ich viele unterschiedliche Funktionen übernehmen: erst arbeitete ich vier Jahre im Versuchsfahrzeugbau, dann vier Jahre im Personalwesen, ein lehrreicher “Side Step” für einen Ingenieur!

Mitte 2004 durfte ich eine Abteilung für Vorentwicklung und Innovationsmanagement im Bereich Antriebsproduktion übernehmen. Daraus entstand meine Rolle im damals neuen elektrifizierten Antrieb für BMW – von der strategischen Inhouse-Entscheidung und fachlichen Befähigung der Firma bis zur Großserie: über zehn Jahre lang war ich für die Industrialisierung und später Entwicklung von Hochvoltbatterien verantwortlich, vom ersten A-Muster mit einem sehr kleinen Team bis zu 100 Mitarbeitenden. 2017 bin ich schließlich in die Forschung gewechselt und habe dort das Team “Technologiemanagement und -prognose” übernommen, das später in die Einheit “Open Innovation” integriert wurde.

Was macht so eine Open-Innovation-Einheit in einem Konzern konkret?

Mit Open Innovation Methoden erkennt und verwertet man frühzeitig innovative Signale und Trends, die außerhalb der eigenen Unternehmensgrenzen stattfinden. Wir schauen bewusst in Branchen jenseits des Automobilbaus: Consumer Electronics, Luft- und Raumfahrt, Medizin, Computing, Biomaterialien, etc. Immer mit der Frage im Hinterkopf: Was können wir davon für das eigene Kerngeschäft nutzen? Konkret: Technologische Trends aus der Cross-Industrie frühzeitig erkennen, verstehen, bewerten, ein Proof-of-Concept-Projekt durchführen, z. B. mit einem Startup, einer Uni, einem Fraunhofer-Institut, etc. und diese Ergebnisse dann in die Firma für die eigenen Produkte, Services und Prozesse transferieren.

BMW hat dafür eine eigene Abteilung aufgebaut. Wie hängen die einzelnen Bausteine zusammen?

2015 wurde die Technologie-Früherkennung mit dem Technologie-Trendradar ins Leben gerufen, fast gleichzeitig wurde die BMW Startup Garage gegründet. Das Radar ist zunächst ein Visualisierungs- und Kommunikationstool: wir platzieren die erkannten Technologien nach Kategorien und Reifegraden, um frühzeitig aufzeigen zu können, was sich technologisch weltweit tut. Aber diese Erkenntnisse stehen erstmal nur auf dem Papier. Entscheidend ist nach Bewertung und Priorisierung die Verwertung dieser Erkenntnisse, der sogenannte Transfer. Dieser erfolgt dann oft mit Startups.

Hier kommt die BMW Startup Garage zum Einsatz. Sie betreibt Venture Clienting, d. h. sie investiert nicht, sondern scoutet im Netzwerk der internationalen BMW Tech Offices die besten Startups und koordiniert Innovationsprojekte mit den betroffenen BMW-Fachbereichen, die meist das Budget dafür stellen. Diese Startups müssen schon reifer sein, also ein stabiles Team, eine robuste Finanzierung, ein fertiges Produkt – ggf in anderen Branchen – und am besten schon erste Kunden haben. Das Ziel dabei ist immer, dass das Startup ein regulärer Lieferant für BMW werden kann, wir nennen das  “startup as a supplier”. Erst wenn die Lösung des Startups wirklich bei BMW zum Einsatz kommt – in Produkt, Service oder Prozess -, entsteht Impact!

Daneben gibt es das Team BMW iVentures als klassischer Risikokapital-Investor, der ebenfalls über das BMW Tech Office Netzwerk auch in ganz frühphasige Startups investiert. Außerdem gehört dazu ein BMW-interner Incubator und eine Crowd Innovation Plattform.

Wie läuft systematische Tech-Trenderkennung bzw. Tech-Scouting im Alltag ab?

Es gibt vier Prozessschritte: Scouten und Strukturieren, Diskutieren und Bewerten, Visualisieren und Vorbereiten und dann der Transfer in die passenden BMW-Fachbereiche und die dortige Umsetzung. Den ersten Schritt haben früher Mitarbeitende und Werkstudierende gemacht, heute erledigen das maßgeschneiderte KI-Agenten. Für den zweiten Schritt braucht man die Experten: Fachleute von intern und extern. Ggf wird zu einem bestimmten Tech-Trend eine Studie erstellt. Für den dritten Schritt sitzt man in Workshops zusammen und erarbeitet einen Vorschlag für das nächste Trendradar und mögliche Scouting- oder Prototypen-Projekte. Von einer Liste mit über hundert Themen bleiben dann vielleicht vierzig übrig, die auf das Trendradar kommen und fünf, die dann tiefergelegt werden.

Und dann kommt der Teil, an dem viele scheitern.

So ist es! Die ganzen modernen Technologien und Trends kann man heute recht einfach im Netz recherchieren, Generative AI hilft dabei. Das Entscheidende aber ist am Ende: Was leitet das Unternehmen daraus ab? Nur neues Wissen, eine Produktverbesserung oder gleich ein neues Geschäftsmodell? Einfacher gesagt: was mache ich damit morgen besser als heute? Das ist das Schwierige, der Transferprozess. Dieser hat inhaltliche, strukturelle, finanzielle aber auch menschliche Aspekte. Der Transfer einer neuen, erstmal riskanten Technologie aus einer anderen Branche in die eigene Firma ist oft schwierig. Auch bei BMW hat es ein paar Jahre gedauert, bis erste Erfolge kamen und das Vorgehen akzeptiert war.

Was ist das Rezept, damit es funktioniert?

Man holt die Personen, die später die Erkenntnisse umsetzen sollen, frühzeitig in den Prozess mit hinein. Sie dürfen die Startups mit bewerten, sie erfahren sofort, wenn eine neue Technologie für ihren Fachbereich tiefergelegt werden soll, diese wird dann gemeinsam bewertet. Dafür gibt es in der BMW Startup Garage für jedes Ressort einen konkreten Schnittstellenpartner. Dann geht man gemeinsam in den betroffenen Fachbereich, organisiert die Ressourcen und plant das Projekt, damit das Startup den Prototypen bauen kann. Wichtig: für das Startup-Projekt wird oft das Geld des späteren Fachbereichs verwendet. Das erzeugt zusätzliches Commitment! Und das Zweite ist die Hierarchie: Wenn Du einen Bereichsleiter oder Geschäftsführer hast, der voll hinter Open Innovation steht und auch mal in oberen Etagen politisch unterstützt, dann funktioniert es deutlich besser, auch in Krisenzeiten mit Budgetknappheit.

Was raten Sie einem Unternehmen, das ohne viel Budget mit Technologiemanagement starten will?

Man muss nicht gleich zehn Leute einstellen. Oft genügt erstmal eine Person mit den nötigen Ressourcen und Befugnissen, dazu evtl. einen Studierenden und ein paar Teilkapazitäten in den relevanten Fachbereichen als Unterstützung. Ggf hilft am Anfang auch eine externe Trendagentur oder ein passender Toolanbieter. KI-Kenntnisse sind wichtig, um einen KI-Agenten nutzen oder einen eigenen aufbauen zu können. Ein gutes, internationales Netzwerk in alle relevanten Industrien ist ebenso wichtig, denn inzwischen betreiben die meisten großen Firmen Technologie-Früherkennung im Rahmen von Corporate Foresight, man kann von ihnen lernen und Best Practices übernehmen. Ich habe aus meinen über 6 Jahren in dieser Rolle eine Liste mit den zehn wichtigsten Lessons Learned zusammengeschrieben. Da steht alles drin, was man braucht, man muss es halt nur noch machen.

Was machen Sie heute bei UnternehmerTUM?

UnternehmerTUM hat drei Zielgruppen: Talente, Startups und Unternehmen – vom großen  Corporate und Mittelstand bis zum Familienunternehmen. Meine Hauptarbeit liegt in der Innovationsberatung, wo ich meine BMW-Erfahrung einbringen kann. Daneben bin ich Startup-Mentor, halte Vorlesungen, unterstütze die Internationalisierung der UnternehmerTUM und betreue Delegationen. Und ich baue gerade einen KI-gestützten Technologie-Trendradar-Prozess für die UnternehmerTUM, die TUM Venture Labs und ihre Partner und Kunden auf. Der ist nochmal deutlich umfangreicher als ein Radar für die Automobilindustrie. Wir haben dafür einen KI-Agenten gebaut, der weltweit schwache Tech-Signale erkennt, also Technologien, die noch kein messbarer Trend sind. Diesen KI-Agenten trainiere ich täglich. Gerade für Mittelständler und Familienunternehmen ist das sehr hilfreich, weil sie in der Regel nicht das Netzwerk und die Möglichkeiten großer Firmen haben.

Gibt es ein Beispiel aus Ihrer BMW-Zeit, das zeigt, was Open Innovation bewirken kann?

Aus der Tech-Trenderkennung und der Startup-Arbeit wurden in den letzten Jahren schon viele Projekte zu Quantum Computing, Fahrzeug-Satelliten-Kommunikation, Gesundheitsdaten-Monitoring im Fahrzeug, Panorama-Displays, In-Car-Gaming u.v.m. erfolgreich transferiert. Einiges davon ist schon im Auto zu erleben, manches wird noch kommen. Mein Lieblingsbeispiel ist das farbwechselnde Auto: keine klassische Trenderkennung, aber ein erfolgreicher Cross-Industry-Transfer und vielleicht sogar ein Trendsetter! Eine Mitarbeiterin von mir hatte vor vielen Jahren die mutige Idee, die Display-Funktionen eines E-Readers aufs Auto zu übertragen. Sie hat sich die E-Ink-Panels besorgt, einen Prototypen entwickelt und damit nach vielen Experimenten mit einigen Helfern den BMW iX Flow aufgebaut – übrigens anfangs im MakerSpace der UnternehmerTUM. Mit diesem Auto war sie mit BMW 2022 in der Schwarz-Weiß-Version und ein Jahr später mit dem BMW i VISION Dee in der Farbversion mit großem Erfolg auf der CES in Las Vegas: The Color-Changing Car! Das ist für mich der perfekte Cross-Industry-Transfer: Ich übertrage eine erfolgreiche Technologie aus einer Industrie in eine völlig andere und habe einen Nutzen daraus. Ob das in irgendeiner Form mal in Serie kommt? Wer weiß …

Deine ungelesenen Artikel:
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
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
Loïc Roch, Mitgründer und CTO von Atinary, in den SwissCAT+-Laboren am Campus Hönggerberg | (c) Martin Pacher

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.

(c) Martin Pacher / brutkasten

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.

(c) Martin Pacher / brutkasten

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.

(c) Martin Pacher / brutkasten

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.“

(c) Martin Pacher / brutkasten

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

AI Summaries

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung