Ausprobieren.
Ideen werden erst interessant, wenn sie auf Realität treffen. Wir bauen, testen und schauen genau hin.
AI Lab
Experiments first. Business model later.
Neue Technologien versteht man am besten, wenn man mit ihnen arbeitet.
Wir testen, kombinieren, messen und verwerfen. Ein Experiment darf zu einem Produkt oder Kundenprojekt werden. Es darf aber ebenso zeigen, dass eine Idee nicht funktioniert.
Auch das ist ein Ergebnis.
Reallabor für Künstliche Intelligenz und natürlichen Menschenverstand
KI einschalten.
Hirn anlassen.
Wir testen, was KI kann. Und behalten die Verantwortung für das, was wir daraus machen. Mit Neugier, Widerspruch und der Bereitschaft, auch die eigene Idee zu verwerfen.
Not immune to stupidity. Just remarkably good at surviving it.
Hinterfragen.
Eine überzeugende Antwort ist noch kein belastbares Ergebnis. Wir prüfen Annahmen, suchen Gegenbeispiele und machen Grenzen sichtbar.
Verantworten.
KI kann Vorschläge machen und Arbeit übernehmen. Richtung, Urteil und die Verantwortung für Entscheidungen bleiben bei uns.
Warum ein AI Lab?
Generative AI entwickelt sich zu schnell, um ihre Möglichkeiten allein aus Produktankündigungen, Benchmarks oder Demonstrationen abzuleiten.
Deshalb arbeiten wir mit den Systemen selbst.
Wir bauen reale Workflows, testen sie unter praktischen Bedingungen und beobachten, wo sie zuverlässig funktionieren — und wo nicht.
Dabei interessiert uns nicht nur der sichtbare Output.
Ebenso wichtig sind:
- Wiederholbarkeit
- Kontrolle
- Qualitätssicherung
- Orchestrierung
- Daten und Messung
- Kosten und Produktionsaufwand
- menschliche Entscheidung und Verantwortung
Vom AI-Tool zum AI-nativen System
Ein einzelnes AI-Modell löst selten die gesamte Aufgabe.
Deshalb kombinieren wir Sprach-, Bild-, Video- und Voice-Systeme mit klassischer Software, lokalen Modellen, Cloud-Diensten, Daten und spezialisierten AI-Rollen.
Dabei gilt nicht automatisch:
Mehr AI = besser.
Deterministische Aufgaben lassen sich oft zuverlässiger mit klassischer Software erledigen.
AI wird besonders dort interessant, wo Kontext, Interpretation, Exploration oder kreative Entscheidungen erforderlich sind.
Der eigentliche Versuch beginnt deshalb häufig zwischen den Systemen.
Spezialisierung statt Universalbot
Wir testen zunehmend AI-native Produktionssysteme, bei denen unterschiedliche Rollen unterschiedliche Aufgaben übernehmen.
Eine AI kann recherchieren und Gegenmodelle entwickeln.
Eine andere kann visuelle Systeme steuern und Ergebnisse prüfen.
Weitere Systeme übernehmen Daten, Messung oder wiederkehrende operative Prozesse.
Menschen setzen Richtung, Geschmack, Grenzen und finale Entscheidungen.
Nicht eine AI. Ein System.
AI als Ideengeber
Eine weitere Frage interessiert uns besonders:
Kann AI nicht nur vorhandene Ideen schneller produzieren, sondern neue Suchräume öffnen?
Zwanzig Varianten derselben Idee sind noch keine kreative Exploration.
Interessanter wird es, wenn ein System:
- neue Achsen vorschlägt
- Regeln verändert
- unerwartete Kombinationen findet
- Gegenmodelle entwickelt
- oder einen bisher nicht betrachteten Lösungsraum öffnet
Die Auswahl bleibt menschlich.
Aber die Idee muss nicht mehr ausschließlich vom Menschen kommen.
Lernen unter realen Bedingungen
Der Test endet nicht mit einem gelungenen Bild oder Video.
Interessant wird ein System erst dann, wenn es wiederholt unter wechselnden Bedingungen funktioniert.
Deshalb unterscheiden wir konsequent zwischen:
Beobachtung → Interpretation → Entscheidung
Nicht jede Korrelation ist eine Ursache.
Nicht jede plausible Erklärung ist bereits ein Fakt.
Und nicht jeder Fehlschlag braucht sofort eine neue Theorie.
More experiments
Weitere Experimente erscheinen hier, wenn es etwas gibt, das tatsächlich sehenswert ist.