Als DeepL 2017 startete, war maschinelle Übersetzung noch von starren, regelbasierten Verfahren und hohem manuellem Entwicklungsaufwand geprägt. Der Effizienzsprung der vergangenen Jahre sei eng mit dem Durchbruch neuronaler Netze verbunden, die Sprache nicht mehr nur über starre Regeln, sondern über große Datenmengen erlernen. Kutylowski beschreibt den Ausgangszustand eines neuronalen Netzes als „ungeschriebenes Gehirn“, dessen Ergebnisse zunächst „völlig zufällig“ seien. Erst der iterative Lernprozess führe zu Abstraktion und einem verlässlicheren statistischen Verständnis von Sprache. Übersetzen bedeute für diese Systeme vor allem, Text zu verstehen und auf dieser Grundlage sprachliche Strukturen statistisch fortzuschreiben.

Mit dem breiteren Einsatz der KI verschärfe sich zugleich der globale Wettbewerb mit KI-Modellen wie Gemini oder ChatGPT. „Das ist ein hartes Race, das ist in jedem Bereich von KI so“. Für DeepL liege die strategische Antwort in der Spezialisierung auf professionelle Einsatzfelder, in denen Präzision und Vorhersehbarkeit entscheidend seien. Im Wettbewerb mit Schwergewichten wie Google setze DeepL bewusst auf Spezialisierung statt auf universelle Breite. Besonders im professionellen Umfeld reiche ein allgemeines Sprachverständnis oft nicht aus.

Die Anforderungen unterschieden sich nicht nur zwischen Branchen, sondern auch innerhalb eines Unternehmens. „Für bestimmte ausgewählte große Anwendungsfälle lohnt es sich, separate Modelle und separate Produkte zu bauen“. Solche Systeme halluzinierten weniger und ließen sich besser in bestehende Arbeitsabläufe integrieren.

Der technische Fortschritt habe auch den Blick auf mögliche Anwendungen deutlich erweitert. Es gehe nicht mehr nur um technische Machbarkeit und reine Übersetzung, sondern um die Frage, „wie verändere ich die Art und Weise, wie Menschen etwas machen“, so Kutylowski. Sprache sei dabei früh als zentrales Feld erkennbar geworden. „Da ist viel möglich. Und Sprache wird ein zentraler Punkt davon sein“. Darüber hinaus sieht Kutylowski großes Potenzial in KI-Agenten, die nicht nur Inhalte erzeugen, sondern eigenständig Aufgaben ausführen. „Die Möglichkeiten, die das bietet, sind gigantisch“, so Kutylowski. Der entscheidende Unterschied bestehe darin, dass diese Modelle echte Entscheidungen treffen und nicht mehr darauf begrenzt sind, „ein Stückchen Text zu präsentieren“. In dieser autonomen Wertschöpfung sieht er die eigentliche Kraft der Technologie.

Im internationalen Vergleich äußert sich Kutylowski zur Position Europas eher zurückhaltend. Die Fortschritte der vergangenen Jahre seien vor allem dort entstanden, wo Kapital, Infrastruktur und strategischer Wille zusammenkommen. Europa tue sich damit bislang schwerer: „Wir haben ein Tech-Ökosystem, was insgesamt noch nicht groß genug ist und vielleicht nicht mutig genug“, sagt Kutylowski. Dennoch warnt er davor, den aktuellen Stand der Technik als Endpunkt zu begreifen. „Es ist auf keinen Fall so, dass das Rennen jetzt zu Ende ist. Da ist noch sehr viel Spannendes zu erwarten.“ Für DeepL bedeute diese Dynamik, die eigene technologische Basis weiterzuentwickeln und in neue Anwendungen zu überführen. Inzwischen verstehe sich das Unternehmen zunehmend als allgemeiner KI-Entwickler, der neue Produkte entwickelt und neue Anwendungsfelder erschließt. Die heutige Entwicklungsstufe sei erst ein Anfang. „Da geht noch sehr viel mehr.“

Die Folge ist Teil unseres Podcasts „Künstliche Intelligenz“. Er geht den Fragen nach, was KI kann, wo sie angewendet wird, was sie bereits verändert hat und welchen Beitrag sie in der Zukunft leisten kann. Hosts des Podcasts sind Peter Buxmann, Inhaber des Lehrstuhls für Wirtschaftsinformatik an der TU Darmstadt, und Digitalwirtschaft-Redaktionsleiter Holger Schmidt. Die Podcast-Folgen erscheinen jeweils am ersten Mittwoch im Monat.