Wie sich künstliche Intelligenz in neue Technologiefelder ausdifferenziert
Kurzbeschreibung: Die KI-Entwicklung löst sich vom einfachen Wettbewerb um immer größere Sprachmodelle. Es entstehen eigenständige Felder mit unterschiedlichen technischen Logiken, Infrastrukturen und Geschäftsmodellen. Zugleich verbinden sich diese Felder auf einer höheren Ebene wieder zu komplexen, domänenspezifischen KI-Systemen.
Die öffentliche Debatte beschreibt die Entwicklung künstlicher Intelligenz häufig noch als linearen Wettbewerb: Modelle werden größer, Benchmarks steigen, Trainingsläufe werden teurer – und irgendwann entsteht ein System, das nahezu jede kognitive Aufgabe beherrscht.
Diese Erzählung war nützlich, solange die Entwicklung vor allem durch immer leistungsfähigere Basismodelle geprägt wurde. Inzwischen erfasst sie jedoch nur noch einen Teil der tatsächlichen Dynamik.
KI differenziert sich aus.
Aus dem relativ einheitlich wahrgenommenen Feld der generativen KI entstehen mehrere technische und wirtschaftliche Bereiche mit jeweils eigenen Anforderungen, Infrastrukturen, Risiken und Geschäftsmodellen. Agentische Systeme benötigen andere Architekturen als klassische Chatbots. Industrielle KI muss mit Sensoren, Maschinenzuständen und physikalischen Restriktionen umgehen. Scientific Machine Learning verbindet Daten mit Differentialgleichungen, Simulationen und Domänenwissen. Inference Engineering optimiert Kosten, Latenz und Hardwareauslastung. Evaluation und Governance werden zu eigenständigen technischen Disziplinen.
Gleichzeitig führt diese Ausdifferenzierung nicht zu dauerhaft voneinander getrennten Teilmärkten. Die einzelnen Komponenten verbinden sich auf einer höheren Ebene wieder zu komplexen KI-Systemen.
Der Wert verschiebt sich vom isolierten Modell zum Zusammenspiel von Modellen, Daten, Werkzeugen, Wissen, Infrastruktur, Orchestrierung, Evaluation und menschlicher Entscheidung.
Aus Sicht komplexer Systeme ist diese Entwicklung besonders relevant. Sobald mehrere Modelle, Datenquellen, Werkzeuge und Entscheidungsebenen gekoppelt werden, entstehen Rückkopplungen, Verzögerungen, Unsicherheiten und nicht unmittelbar vorhersehbare Systemeigenschaften. KI wird damit zunehmend zu einer Aufgabe der Systemanalyse – und nicht nur der Modellentwicklung.
Das Ende der einfachen KI-Erzählung
Die Fortschritte großer Sprachmodelle bleiben erheblich. Gleichzeitig werden etablierte Benchmarks schneller gesättigt und verlieren damit einen Teil ihrer Aussagekraft. Die Fähigkeit, eine wachsende Zahl standardisierter Aufgaben zu lösen, sagt zudem nur begrenzt aus, wie zuverlässig ein Modell in einem realen organisatorischen oder technischen System arbeitet. (Stanford AI Index 2026 – Technical Performance)
Damit treten andere Fragen in den Vordergrund:
- Wie robust ist ein System gegenüber unvollständigen oder widersprüchlichen Informationen?
- Wie hoch sind Kosten und Latenz einer Aufgabe?
- Kann das System Werkzeuge und externe Datenquellen zuverlässig nutzen?
- Wie werden Ergebnisse geprüft?
- Welche Aufgaben dürfen autonom ausgeführt werden?
- Wie integriert sich das System in bestehende Prozesse?
- Was geschieht bei Fehlern, Ausfällen oder unerwarteten Zuständen?
- Wie werden Datenherkunft, Zugriffsrechte und Verantwortlichkeiten kontrolliert?
Ein Basismodell kann ein zentraler Baustein sein. Es ist aber noch kein produktives KI-System.
Je stärker sich die Leistungsunterschiede zwischen verfügbaren Modellen in vielen praktischen Anwendungen verringern, desto mehr entscheidet die Qualität der Systemarchitektur. Relevant wird nicht allein, welches Modell auf einem allgemeinen Benchmark vorne liegt, sondern wie gut ein Gesamtsystem für eine konkrete Aufgabe entworfen, integriert, evaluiert und betrieben wird.
Basismodelle, offene Modelle und spezialisierte Modelle
Auch das Feld der Modelle selbst differenziert sich aus.
Frontier-Modelle maximieren allgemeine Leistungsfähigkeit. Ihr Vorteil liegt in der Breite: Ein einziges Modell kann Texte analysieren, Code erzeugen, Bilder interpretieren, Werkzeuge verwenden und komplexe Aufgaben bearbeiten. Nachteile sind hohe Kosten, Abhängigkeit von einzelnen Plattformanbietern und eingeschränkte Kontrollierbarkeit.
Open-Weight-Modelle ermöglichen dagegen den Betrieb in eigener Infrastruktur, die Anpassung an spezielle Domänen und eine bessere Kontrolle sensibler Daten. Sie sind nicht nur eine günstigere Variante geschlossener Modelle, sondern können Bestandteil einer eigenständigen Infrastrukturstrategie sein.
Für viele klar abgegrenzte Aufgaben ist zudem ein möglichst großes Modell nicht die optimale Lösung. Kleine und domänenspezifische Modelle können schneller, günstiger und leichter überprüfbar sein.
Daraus entsteht eine mehrstufige Modelllandschaft:
- große allgemeine Modelle für offene und komplexe Aufgaben,
- spezialisierte Modelle für definierte Domänen,
- kleine lokale Modelle für hohe Frequenz oder sensible Daten,
- klassische statistische und physikalische Modelle für strukturierte Teilprobleme.
Die relevante Architektur besteht damit häufig nicht aus einem einzelnen Modell, sondern aus einer Kombination unterschiedlicher Modellklassen.
Agentische KI: Vom Antworten zum Handeln
Sprachmodelle erzeugten zunächst Inhalte. Agentische Systeme sollen Aufgaben bearbeiten.
Dazu erhalten sie Zugriff auf:
- Werkzeuge und APIs,
- Datenbanken und Dokumente,
- Softwareumgebungen,
- Speicher und Kontext,
- Planungs- und Kontrollschritte,
- andere spezialisierte Agenten.
Die Europäische Kommission beschreibt agentische KI als Übergang zu Systemen, die Ziele verfolgen, planen, Entscheidungen treffen und Aktionen in digitalen oder physischen Umgebungen ausführen können. (European Commission – Agentic AI)
Damit verändert sich die technische Problemklasse. Ein Chatbot kann anhand einzelner Antworten bewertet werden. Ein Agentensystem erzeugt dagegen eine Folge voneinander abhängiger Zustände und Aktionen. Fehler können sich fortpflanzen. Entscheidungen verändern den weiteren Informationsstand. Werkzeuge können ausfallen. Pläne können in Schleifen geraten. Kosten und Laufzeiten werden selbst zu Systemgrößen.
Bei mehreren Agenten kommen Kommunikations- und Koordinationsprobleme hinzu. Google DeepMinds Co-Scientist verwendet beispielsweise spezialisierte Agenten, die Hypothesen erzeugen, strukturieren, debattieren und weiterentwickeln. (Google DeepMind – Co-Scientist) Das zeigt: Nicht nur die Fähigkeit des Basismodells bestimmt das Ergebnis. Auch Rollenverteilung, Interaktionsstruktur, Bewertungsmechanismen und Abbruchbedingungen werden zu Bestandteilen des Systemdesigns.
Daraus entstehen neue Arbeitsfelder:
- Agent Architecture,
- Tool Integration,
- Workflow Orchestration,
- Context and Memory Management,
- Multi-Agent Coordination,
- Agent Evaluation,
- Runtime Monitoring,
- Human-in-the-loop Design,
- Reliability and Failure Analysis.
Der nächste Entwicklungsschritt besteht nicht darin, möglichst viele Agenten miteinander sprechen zu lassen. Er besteht darin, agentische Systeme gezielt zu planen, zu modellieren, zu testen und zu steuern. (Ähnlich, aber anders: A company is just a piece of software)
Multimodale KI: Heterogene Daten in einem System
Reale Systeme bestehen selten nur aus Text. Unternehmen arbeiten gleichzeitig mit Dokumenten, Tabellen, Bildern, Video, Sprache, Zeitreihen, Sensordaten, Geodaten und technischen Zeichnungen.
Multimodale KI versucht, diese Datenarten in einer gemeinsamen Verarbeitungsarchitektur zusammenzuführen.
Ein industrielles Diagnosesystem könnte etwa Messreihen, Wartungsberichte, Schaltbilder und Aufnahmen eines Bauteils gemeinsam auswerten. Ein wissenschaftliches Assistenzsystem könnte Publikationen, Versuchsdaten, Diagramme und Simulationsergebnisse verbinden. Ein Infrastruktursystem könnte Geodaten, Wetterprognosen, Netzzustände und technische Dokumentation gemeinsam berücksichtigen.
Die eigentliche Herausforderung ist dabei nicht nur die multimodale Eingabe. Entscheidend sind:
- zeitliche und räumliche Synchronisation,
- unterschiedliche Messunsicherheiten,
- widersprüchliche Informationsquellen,
- fehlende Werte,
- Datenherkunft und Versionierung,
- semantische Zuordnung zwischen Modalitäten.
Multimodalität erhöht damit nicht nur die Leistungsfähigkeit, sondern auch die Komplexität von Integration und Evaluation.
Scientific Machine Learning und AI for Science
Scientific Machine Learning verbindet datengetriebene Verfahren mit wissenschaftlichen Modellen. Ziel ist nicht, physikalische oder mathematische Beschreibung vollständig durch neuronale Netze zu ersetzen. Vielmehr werden unterschiedliche Wissensformen kombiniert:
- Messdaten,
- Differentialgleichungen,
- Erhaltungssätze,
- Simulationsmodelle,
- Randbedingungen,
- Expertenwissen,
- probabilistische Unsicherheit.
Zu diesem Feld gehören unter anderem:
- Physics-Informed Neural Networks,
- Neural Operators,
- Surrogatmodelle,
- differenzierbare Simulation,
- inverse Modellierung,
- Parameteridentifikation,
- hybride digitale Zwillinge,
- Unsicherheitsquantifizierung,
- wissenschaftliche Foundation Models.
Der Nutzen liegt häufig dort, wo rein datengetriebene Modelle an Grenzen stoßen. Technische und naturwissenschaftliche Systeme liefern oft nur begrenzte, teure oder unvollständige Daten. Gleichzeitig existiert bereits Wissen über die zugrunde liegende Dynamik. Dieses Wissen kann den Lösungsraum einschränken, Datenanforderungen reduzieren und die Interpretierbarkeit verbessern.
AI for Science erweitert dieses Feld um Systeme, die wissenschaftliche Arbeitsprozesse unterstützen: Literaturauswertung, Hypothesengenerierung, Versuchsplanung, Simulation, Auswertung und iterative Verfeinerung.
Es entsteht damit eine neue Arbeitsteilung zwischen formalen Modellen, Simulationen, experimentellen Daten, generativen Modellen, Suchverfahren und menschlicher Bewertung.
Industrial AI und Physical AI
In industriellen Anwendungen muss KI mit der materiellen Welt umgehen. Maschinen verschleißen, Sensoren driften, Prozesse wechseln ihr Regime, Anlagen haben Sicherheitsgrenzen und Eingriffe erzeugen reale Kosten.
Industrial AI umfasst deshalb weit mehr als die Anwendung eines Klassifikators auf Produktionsdaten. Relevante Felder sind:
- Zustandsüberwachung,
- Predictive Maintenance,
- Qualitätsprognose,
- Prozessoptimierung,
- visuelle Inspektion,
- Sensorfusion,
- adaptive Steuerung,
- Produktionsplanung,
- digitale Zwillinge,
- autonome und teilautonome Systeme.
Physical AI erweitert diese Perspektive auf Systeme, die ihre physische Umgebung wahrnehmen, modellieren und durch Handlungen verändern. Dazu gehören Robotik, autonome Fahrzeuge, intelligente Maschinen und verkörperte Assistenzsysteme.
Die NIST-Roadmap 2026 für KI und Machine Learning im Smart Manufacturing zeigt, wie breit sich dieses Feld entwickelt: industrielle Datenanalyse, autonome Systeme, digitale Zwillinge, Robotik, nachhaltige Produktion, semantische Modelle, Physics-informed AI sowie zuverlässige und skalierbare Integration werden als zusammenhängende Entwicklungslinien behandelt. (NIST – 2026 Roadmap for AI and Machine Learning in Smart Manufacturing)
In diesen Anwendungen ist die zentrale Frage nicht nur, ob ein Modell im Mittel genau ist. Entscheidend ist, ob es:
- Unsicherheit und unbekannte Zustände erkennt,
- physikalische und betriebliche Grenzen einhält,
- mit veränderten Anlagenzuständen umgehen kann,
- Korrelation und Ursache nicht verwechselt,
- in bestehende Steuerungs- und Entscheidungsprozesse integrierbar ist.
Industrial AI wächst damit zu einer Systemtechnik, in der Datenwissenschaft, Modellierung, Regelung, Softwarearchitektur und Betrieb zusammengeführt werden.
KI für Energie und Infrastruktur
Der KI-Ausbau ist selbst zu einem Infrastrukturthema geworden. Rechenzentren benötigen Strom, Netzanbindung, Kühlung, Flächen, Chips und Kapital. Gleichzeitig kann KI zur Planung und Steuerung genau dieser Systeme eingesetzt werden.
Daraus entsteht ein wechselseitiges Feld.
Infrastruktur für KI:
- Rechenzentren und Netzanschlüsse,
- Energieversorgung und Speicher,
- Kühl- und Wärmesysteme,
- Compute Scheduling,
- Hardwareauslastung,
- Standort- und Kapazitätsplanung.
KI für Infrastruktur:
- Last- und Erzeugungsprognosen,
- Netzsteuerung,
- Speicheroptimierung,
- Wartung kritischer Anlagen,
- Verkehrs- und Logistiksysteme,
- Wasser- und Wärmenetze,
- Szenarioanalyse und Resilienzplanung.
Diese Systeme sind dynamisch, gekoppelt und häufig nur teilweise beobachtbar. Entscheidungen wirken über unterschiedliche Zeitskalen: Millisekunden in der Regelung, Stunden im Dispatch, Monate bei der Wartungsplanung und Jahre bei Investitionsentscheidungen.
Hier reicht weder ein isoliertes Sprachmodell noch ein rein datengetriebener Forecast. Gefragt sind kombinierte Systeme aus Prognose, Simulation, Optimierung, Unsicherheitsanalyse und operativer Entscheidungslogik.
Inference Engineering: Der Betrieb wird zum Technologiefeld
Während das Training großer Modelle besonders sichtbar ist, entsteht ein erheblicher Teil der laufenden Kosten bei ihrer dauerhaften Anwendung.
Inference Engineering befasst sich mit der effizienten Ausführung von KI-Modellen. Relevante Themen sind:
- Quantisierung,
- Distillation,
- Modellkompression,
- Mixture-of-Experts-Routing,
- Batch- und Request-Scheduling,
- KV-Cache-Management,
- Hardware-Software-Co-Design,
- Edge Inference,
- Latenz- und Durchsatzoptimierung,
- energie- und kostenbewusste Modellauswahl.
Damit wird Modellleistung zu einer mehrdimensionalen Größe. Ein System muss nicht nur qualitativ gute Ergebnisse erzeugen. Es muss dies innerhalb von Kosten-, Zeit-, Energie- und Verfügbarkeitsgrenzen tun.
In produktiven Architekturen kann daher dynamisch entschieden werden:
- welches Modell eine Aufgabe bearbeitet,
- wie viel Kontext bereitgestellt wird,
- ob ein lokales oder externes Modell genutzt wird,
- wann ein Ergebnis geprüft oder erneut berechnet wird,
- wie Rechenressourcen priorisiert werden.
Inference Engineering verbindet damit ML Engineering, verteilte Systeme, Optimierung und Kapazitätsplanung.
Evaluation, Zuverlässigkeit und AI Assurance
Mit zunehmender Leistungsfähigkeit wächst der Abstand zwischen dem, was KI-Systeme leisten können, und dem, was zuverlässig gemessen und kontrolliert wird. Der Stanford AI Index 2026 weist darauf hin, dass Responsible-AI-Evaluation und Transparenz nicht mit der Entwicklung der Fähigkeiten Schritt halten. Zugleich stieg die Zahl dokumentierter KI-Vorfälle deutlich. (Stanford AI Index 2026 – Responsible AI)
Evaluation kann deshalb nicht länger eine abschließende Benchmark-Prüfung sein. Sie muss Teil des Systemdesigns und des laufenden Betriebs werden.
Dazu gehören:
- domänenspezifische Testfälle,
- Robustheits- und Stresstests,
- Unsicherheitsbewertung,
- Failure-Mode-Analyse,
- Überwachung von Daten- und Modellverschiebungen,
- Red Teaming,
- Auditierbarkeit,
- Eskalations- und Abschaltregeln,
- Bewertung menschlicher Kontrollmöglichkeiten.
Bei agentischen Systemen verschärft sich das Problem. Ein Fehler kann nicht nur eine falsche Antwort erzeugen, sondern eine Kette weiterer Aktionen auslösen. Deshalb müssen nicht nur Modelloutputs, sondern auch Zustandsübergänge, Werkzeugnutzung, Kommunikationspfade und Abbruchbedingungen bewertet werden.
AI Assurance wird damit zu einer eigenständigen technischen Disziplin an der Schnittstelle von Modellvalidierung, Softwarequalität, Risikomanagement, System Safety, Governance und Compliance.
Daten-, Wissens- und Kontextinfrastruktur
Generative KI hat den Bedarf an Dateninfrastruktur nicht verringert. Sie hat ihn erweitert.
Ein produktives KI-System benötigt nicht einfach möglichst viele Dokumente. Es benötigt kontrollierbaren Kontext:
- Welche Informationen sind für eine Aufgabe relevant?
- Aus welcher Quelle stammen sie?
- Welche Version ist gültig?
- Wer darf darauf zugreifen?
- Wie werden widersprüchliche Angaben behandelt?
- Welche Information muss dauerhaft gespeichert werden?
- Welche Information darf nicht in ein Modell gelangen?
Daraus entwickeln sich neue Felder:
- Retrieval Engineering,
- Knowledge Graphs,
- Ontologien,
- semantische Datenmodelle,
- Context Engineering,
- Data Lineage,
- Memory Architectures,
- AI-ready Data Platforms.
RAG-Systeme waren ein früher Schritt. Langfristig geht es um eine Verbindung aus strukturierten Daten, Dokumenten, Wissensmodellen, Echtzeitinformationen und Berechtigungslogik.
Gerade in technischen und wissenschaftlichen Anwendungen muss Information nicht nur sprachlich ähnlich, sondern systemisch korrekt zugeordnet sein: zu einem Bauteil, einem Messpunkt, einem Prozessschritt, einer Version oder einer physikalischen Größe.
Die neue Systemebene
Die beschriebenen Felder entwickeln sich zunächst auseinander, weil sie unterschiedliche Probleme lösen. In realen Anwendungen werden sie jedoch wieder miteinander gekoppelt.
Ein zukünftiges industrielles KI-System könnte beispielsweise:
- multimodale Sensor- und Dokumentdaten verarbeiten,
- mit einem hybriden digitalen Zwilling Anlagenzustände abschätzen,
- über spezialisierte Agenten Diagnosehypothesen erzeugen,
- Simulations- und Optimierungswerkzeuge aufrufen,
- alternative Eingriffe nach Risiko, Kosten und Wirkung bewerten,
- Unsicherheit und Datenqualität dokumentieren,
- einen menschlichen Entscheider bei kritischen Fällen einbeziehen,
- den gesamten Prozess überwachen und auditierbar speichern.
Keiner dieser Bausteine allein bildet das System.
Die entscheidenden Eigenschaften entstehen aus ihren Wechselwirkungen:
- Gesamtzuverlässigkeit,
- Skalierbarkeit,
- Kosten,
- Reaktionszeit,
- Fehlertoleranz,
- Anpassungsfähigkeit,
- Kontrollierbarkeit.
Damit verschiebt sich die zentrale Ingenieursfrage.
Sie lautet nicht mehr nur:
Welches Modell ist am leistungsfähigsten?
Sondern:
Wie entwerfen wir ein Gesamtsystem, das unter realen Bedingungen zuverlässig, wirtschaftlich und kontrollierbar arbeitet?
Konsequenzen für Unternehmen
Aus dieser Entwicklung ergeben sich mehrere strategische Konsequenzen.
Modellwahl ist nur eine Teilentscheidung
Die Auswahl eines Basismodells ist wichtig, aber selten dauerhaft differenzierend. Wettbewerbsvorteile entstehen eher durch domänenspezifische Daten, Prozessintegration, Wissensmodelle, Evaluation und organisatorisches Lernen.
KI-Projekte müssen als Systemprojekte geplant werden
Ein Prototyp kann mit wenigen Prompts und einer API entstehen. Ein produktives System benötigt Architektur, Datenmanagement, Monitoring, Berechtigungen, Kostenkontrolle und klare Verantwortlichkeiten.
Hybride Modelle gewinnen an Bedeutung
In vielen Domänen ist die Kombination aus statistischen, physikalischen, regelbasierten und generativen Modellen leistungsfähiger als die vollständige Konzentration auf eine einzige Modellklasse.
Evaluation wird zur Kernfunktion
Je autonomer Systeme handeln, desto wichtiger werden kontinuierliche Tests, Unsicherheitsbewertung, Fehlermodellierung und kontrollierte Eskalation.
Organisationsdesign wird Teil der KI-Architektur
Agentische Systeme bilden Arbeits- und Entscheidungsstrukturen nach. Rollen, Informationsflüsse und Kontrollrechte müssen deshalb ebenso bewusst gestaltet werden wie Softwarekomponenten.
Von der KI-Anwendung zur Systemtechnik
Die nächste Phase der KI wird nicht allein durch größere Modelle bestimmt. Sie entsteht aus der Verbindung unterschiedlicher Technologien zu leistungsfähigen, domänenspezifischen und zunehmend autonomen Systemen.
Das eröffnet neue Möglichkeiten, erhöht aber auch die Anforderungen an Modellierung und Engineering.
Sobald KI-Systeme planen, Werkzeuge verwenden, Aufgaben delegieren, untereinander kommunizieren, Ressourcen verteilen und Entscheidungen vorbereiten oder ausführen, werden sie zu dynamischen Systemen mit Rückkopplungen, Verzögerungen, Unsicherheit und potenziell emergentem Verhalten.
Dann stellen sich Fragen, die aus der klassischen Softwareentwicklung allein nicht beantwortet werden können:
- Welche Architektur ist für eine Aufgabenklasse geeignet?
- Wann ist zentrale, wann dezentrale Steuerung sinnvoll?
- Wie breiten sich Fehler aus?
- Welche Kommunikationsstruktur erzeugt Robustheit?
- Wie lassen sich Kosten, Latenz und Qualität gemeinsam optimieren?
- Wie können Systeme vor dem produktiven Einsatz simuliert werden?
- Welche Zustände müssen überwacht werden?
- Wann muss ein Mensch eingreifen?
Diese Fragen führen zu einem neuen Arbeitsgebiet: der Modellierung, Simulation, Planung und Orchestrierung agentischer und multi-agentischer KI-Systeme.
Der folgende Beitrag wird diese Perspektive vertiefen: Agentische KI benötigt Systemsichtweise