Von der Physik zur KI: Die gebürtige Kanadierin Catherine Laflamme ist Quantenphysikerin und heute als KI-Forscherin bei Fraunhofer tätig, zudem ist sie als Research & Industry Lead beim Think Tank AI Austria für Reinforcement Learning verantwortlich. Sie vertritt AI Austria auch beim European AI Forum. Ihr Fokus liegt auf dem Transfer von Forschung in industrielle Anwendungen.
Interview mit Catherine Laflamme
Rolle: Research Scientist bei Fraunhofer Research und Research & Industry Lead bei AI Austria
Thema: Wie Unternehmen den passenden Einstiegspunkt für KI finden, von Reinforcement Learning über hybride Systeme bis zu autonomen Agenten
Relevanz: Laflamme kommt aus der Quantenphysik und arbeitet heute an industriellen KI-Anwendungen. Sie erklärt, warum das Verständnis der eigenen Prozesse wichtiger ist als die neueste Technologie, und wo sie beim Einsatz autonomer Agenten eine klare Grenze zieht.
KI KOMPASS: Viele österreichische KMU interessieren sich für KI, tun sich aber mit dem Einstieg schwer. Wie können sich Unternehmen aus Ihrer Sicht heute auf den aktuellen Stand bringen, was Forschung und Praxis in Österreich leisten?
Catherine Laflamme: In Österreich passiert in dem Bereich tatsächlich schon sehr viel. Es gibt eine Community von Leuten, die nicht nur Forschung betreiben, sondern auch versuchen, das Thema in die Öffentlichkeit zu bringen. Der Schwerpunkt ist sicher im Osten, in Wien passiert am meisten, aber auch in anderen größeren Städten gibt es laufend Meetups und Events. Das ist eine sehr gute Möglichkeit, sich entspannt mit Expertinnen und Experten auszutauschen und am Laufenden zu bleiben, ohne gleich ein großes Projekt starten zu müssen. Wir organisieren zum Beispiel bei AI Austria Social Meetups und haben eine WhatsApp-Gruppe. Das ist eine sehr niederschwellige, auch passive Möglichkeit: Diejenigen, die am meisten mit KI arbeiten, posten am meisten, andere lesen mit, stellen Fragen oder schreiben einzelne Personen direkt an, wenn sie etwas genauer interessiert. Oft werden dort auch Fragen geteilt, etwa: Ich habe das ausprobiert, es hat nicht funktioniert, worauf muss ich achten? Solche Fragen sind ausdrücklich willkommen. Auf diese Weise kann man einfach ohne großen Druck einsteigen, mitlesen, lernen und bei wachsendem Interesse Schritt für Schritt aktiver werden, bis hin zu eigenen Talks, wenn man etwas ausprobiert hat. Das ist ein Einstieg ohne großes Investment.
KI KOMPASS: Und was wäre der nächste Schritt nach diesem Einstieg?
Laflamme: Der nächste Schritt ist dann, wenn man wirklich konkret investieren will. Dann gibt es Unterstützung durch Consultants oder Projektpartner, die sagen: Wir schauen uns diese Frage im Detail an und bauen eine konkrete Lösung. Aber bis dahin gibt es eben diese Möglichkeit, sich erst einmal einen Überblick zu verschaffen: Was wäre für mich möglich? Was könnten wir machen? Und für viele ist die erste Hürde tatsächlich: Welche Fragen soll ich überhaupt stellen?
Zielführender ist es, zuerst zu hinterfragen: Wo stehen wir und welches Tool passt realistisch zu diesem Punkt?
KI KOMPASS: Wie würden Sie insgesamt den Stand der KI-Umsetzung im Unternehmensalltag in Österreich im Vergleich zu anderen Ländern beschreiben?
Laflamme: Der Einsatz von KI ist sehr breit aufgestellt, ein einfacher Vergleich ist aber schwierig. Unterschiedliche Länder haben sehr unterschiedliche Rahmenbedingungen, etwa die USA und Europa. Wichtig ist aus meiner Sicht weniger die Frage, wo wir in einem Ranking stehen, sondern die Frage: Was bringt uns als Firma am meisten dort, wo wir gerade sind? Viele Unternehmen haben ja den Reflex: Das ist der Stand der Dinge, das müssen wir implementieren. Aber zielführender ist es, zuerst zu hinterfragen: Wo stehen wir und welches Tool passt realistisch zu diesem Punkt? Es ist nicht immer sinnvoll, die allerneueste Forschungsentwicklung einzusetzen, wenn man selbst noch gar nicht so weit ist. In Österreich gibt es viele Expertinnen und Experten, die von unterschiedlichen Seiten versuchen, Unternehmen zu unterstützen. Entscheidend ist, dass wir das effizient machen, also nicht doppelt arbeiten, und dass es für KMU und Start-ups so leicht wie möglich wird, KI sinnvoll zu nutzen. Dazu gehört auch, dass Initiativen und gesetzliche Rahmenbedingungen so gestaltet werden, dass gute Leute, die in Europa bleiben und hier Firmen gründen wollen, tatsächlich unterstützt werden und Dinge ausprobieren können.
KI KOMPASS: Sie meinen also, dass vor einer KI-Einführung die eigenen Prozesse verstanden werden müssen. Aber was heißt das konkret für ein Unternehmen?
Laflamme: Das Wichtigste ist, zu verstehen: Was ist meine Situation, was ist mein Problem und wo gibt es Potenzial? Wenn ich weiß, dass mein System ohnehin gut optimiert ist und ich keine bessere Entscheidung finden kann, brauche ich keine KI.
KI KOMPASS: Und wenn es Verbesserungsbedarf gibt?
Laflamme: Dann gilt umgekehrt: Wenn ich merke, dass Prozesse nicht rund laufen, muss ich zuerst ehrlich klären, wo das Problem liegt und ob es überhaupt durch bessere Entscheidungen lösbar ist. Nehmen wir das Beispiel Scheduling: Wenn die Kosten zu hoch sind, muss ich wissen, ob das an schlechten Scheduling-Entscheidungen liegt oder an ganz anderen Faktoren, die mit dieser Entscheidung gar nichts zu tun haben. Diese Analyse klingt einfach, ist in der Praxis aber oft nicht gemacht. Solange man die eigenen Prozesse und Schwächen gut versteht und idealerweise quantifizieren kann, hat man eine solide Basis. Dann kann man gezielt sagen: Hier sehen wir Potenzial, hier brauchen wir eine bessere Lösung, und überlegen, ob KI dafür der richtige Ansatz ist. Ohne dieses Bild hilft es wenig, zu wissen, wie KI technisch funktioniert.
KI KOMPASS: Sie sind auf Reinforcement Learning spezialisiert. Erklären Sie uns bitte, was das konkret bedeutet und was der Unterschied dieses Ansatzes zu klassischen KI-Datenanalysen ist.
Laflamme: Reinforcement Learning ist eine Art von maschinellem Lernen, bei der es nicht darum geht, aus statischen Beispielen zu lernen, wie bei Bildern von Katzen und Hunden, sondern darum, den optimalen Weg durch einen Prozess zu finden. Die bekanntesten Beispiele sind Spiele wie Schach oder Go. Dort muss man eine ganze Reihe von Entscheidungen treffen, das Ziel dabei ist aber, am Ende zu gewinnen. Es reicht nicht, jeden Zug isoliert zu optimieren, man muss in jeder Situation überlegen: Welcher Zug gibt mir die beste Chance, am Schluss zu gewinnen? Dieses sozusagen zeitversetzte Ziel ist für klassische Optimierungsverfahren schwierig, weil sie die aktuelle Situation optimieren, aber die Zukunft nicht vorhersagen können. Reinforcement Learning bringt Erfahrung ins Spiel: Das System lernt durch viele Versuche, was wahrscheinlich passieren wird, wenn es jetzt eine bestimmte Entscheidung trifft. Dadurch kann es Entscheidungen treffen, die kurzfristig vielleicht nicht optimal aussehen, langfristig aber zum besseren Ergebnis führen.
KI KOMPASS: Wo kann diese Art des Entscheidens bei Anwendungen in Unternehmen helfen?
Laflamme: In allen Fällen, in denen es um Entscheidungsreihen geht. Ein klassisches Beispiel ist das bereits erwähnte Scheduling in der Produktion: Laufend kommen Bestellungen rein, man muss laufend entscheiden, auf welche Maschine ein Auftrag geht. Man weiß aber nicht, welche Aufträge später kommen, welche Prioritäten sie haben und welche Maschinen sie brauchen. Trotzdem möchte man in Echtzeit möglichst gut entscheiden, etwa mit Blick auf Gesamtdurchlaufzeit oder Gesamtkosten. Reinforcement Learning kann hier helfen, diese Entscheidungen fortlaufend zu optimieren, statt nur eine statische Planung zu machen. Ein anderes Feld ist die Robotik, etwa fahrerlose Transportsysteme. Man kann einen Weg durch ein Lager vorprogrammieren. Aber was passiert, wenn plötzlich etwas im Weg steht? Darf das Fahrzeug selbst entscheiden, wie es am schnellsten oder sichersten darum herumfährt, oder muss ein Mensch kommen und eingreifen? Mit Reinforcement Learning kann das System lernen, eigenständig sinnvolle Routen zu finden, ohne dass jeder Einzelfall vorprogrammiert ist. Auch in Energiemanagementsystemen gibt es Arbeiten in diese Richtung. Überall dort, wo es laufend wechselnde Situationen und eine Reihe von Entscheidungen mit einem übergeordneten Ziel gibt.
Der Nachteil ist, dass diese Entscheidungskraft oft in einem neuronalen Netz liegt, dessen innere Logik schwer nachvollziehbar ist.
KI KOMPASS: Wer muss oder soll dann letztlich eine Entscheidung treffen, immer der Mensch?
Laflamme: KI hat gleichzeitig einen großen Vorteil und einen großen Nachteil. Der Vorteil ist: Sie kann Dinge lernen und optimieren, die wir mit klassischen Methoden vielleicht gar nicht in den Griff bekommen würden. Der Nachteil ist, dass diese Entscheidungskraft oft in einem neuronalen Netz liegt, dessen innere Logik schwer nachvollziehbar ist. In vielen industriellen Anwendungen ist die Frage, weshalb eine gewisse Entscheidung getroffen wurde, aber entscheidend, auch mit Blick auf Verantwortung. Deshalb arbeiten wir an hybrider KI. Die Idee ist, KI nicht als alleinige Black Box zu nutzen, sondern sie mit klassischen, erklärbaren Systemen zu kombinieren.
KI KOMPASS: Auch das müssen Sie uns bitte erklären.
Laflamme: Ganz einfach gesagt: Wir können einen klar verständlichen Regelsatz haben. Wenn Bedingung A eintritt, passiert Aktion B. Dann wissen wir: Ist B passiert, lag es an A. Gleichzeitig können diese Regeln selbst vielleicht besser definiert werden. Für das Optimieren oder Neuaufsetzen solcher Regeln kann KI genutzt werden. So bleibt der Entscheidungsprozess für Menschen nachvollziehbar, während KI im Hintergrund hilft, die Parameter oder Regeln zu verbessern. Man implementiert KI also nicht einfach allein, auch wenn das aus reiner Ergebnis-Sicht manchmal verlockend wäre, sondern findet einen Weg, der Erklärbarkeit und menschlichen Aspekt bewusst mitnimmt.
Bevor solche Systeme eingesetzt werden, muss wirklich verstanden werden, was sie tun, welche Berechtigungen sie haben und wo ihre Grenzen liegen.
KI KOMPASS: Agentische KI ist derzeit in aller Munde. Wie viel muss man davon verstehen, bevor man so etwas im Unternehmen einsetzt?
Laflamme: Für kleinere Unternehmen, die keine eigene KI-Abteilung haben, ist detailliertes technisches Verständnis nicht unbedingt entscheidend. Wichtig ist, dass sie ihre eigenen Prozesse und Schwachstellen kennen. Dann können sie mit Partnern arbeiten, die die technischen Lösungen entwickeln. Aber bei autonomen Agenten sehe ich eine klare Grenze: Bevor solche Systeme eingesetzt werden, muss wirklich verstanden werden, was sie tun, welche Berechtigungen sie haben und wo ihre Grenzen liegen. Es geht nicht nur darum, dass ein System halt irgendwie funktioniert, sondern darum, dass man seine möglichen Aktionen voraussieht und begrenzt. Technisch muss der Mensch am Ende nicht entscheiden. Man kann ein System auf dem Computer loslassen, ihm alle Berechtigungen geben und hoffen, dass es gut geht, auch mit Internetzugang. Das birgt aber extreme Risiken. Auf jeden Fall muss man sehr aufpassen. Ein gutes Verständnis der Grenzen und des Handlungsspielraums ist entscheidend, bevor automatische Agenten in reale Systeme eingreifen. Und dieses Bewusstsein ist inzwischen auch recht verbreitet. Trotzdem würde ich klar davor warnen, solchen Systemen unkontrollierten Zugriff zu geben.
KI KOMPASS: Nach dem großen KI-Hype sehen wir zunehmend Beispiele, in denen der Einsatz im Alltag nur halbwegs funktioniert. Sehen Sie die Gefahr einer Ernüchterung oder ist diese Entwicklung sogar hilfreich?
Laflamme: Wenn KI in Bereichen eingesetzt wird, in denen sie schlecht funktioniert, ist Skepsis aus meiner Sicht völlig berechtigt. Das ist gar nicht negativ, sondern spiegelt wider, wie groß die Erwartungen waren und was tatsächlich möglich ist. Es gibt diesen bekannten Hype Cycle: Zuerst kommt eine Phase großer Erwartungen, dann ein Tief, und irgendwann pendelt sich die Technologie auf einem stabileren Niveau ein. Ich finde diesen Prozess nicht schlecht. In der Hype-Phase ist vieles vielleicht nur eine menschliche Reaktion ohne Substanz. Im Hintergrund entsteht aber trotzdem ständig neues Verständnis. Wichtig ist, wie steil diese Verständniskurve ist, und zwar nicht nur bei Forschenden, sondern auch bei politischen Entscheidern und in der Gesellschaft insgesamt. Wenn mehr Menschen verstehen, wie diese Systeme funktionieren, was sie können und was nicht, ist das immer positiv. KI ist jetzt Teil unseres Alltags, und das Verständnis dafür sollte auch in Schulen und allgemeinen Bildungsangeboten ankommen. Probleme entstehen, wenn etwa Förderentscheidungen stark von Hype und Enttäuschung abhängig sind. Dann fließt zuerst viel Geld und später weniger, was natürlich Auswirkungen auf Entwicklungen hat. Vermeiden lässt sich das nur, wenn möglichst viele Akteure auf einem guten Wissensstand sind, was eine große, aber wichtige Aufgabe ist.
Es gibt derzeit niemanden, der konkret darauf wartet, dass ein Quantencomputer ein ganz bestimmtes KI-Problem enorm erleichtern könnte.
KI KOMPASS: Sie kommen aus der Quantenphysik und haben zu Quantencomputing geforscht. Wo sehen Sie heute die Verbindung von Quantencomputing und KI, und wie nah sind wir daran?
Laflamme: Quantencomputing ist technologisch sehr komplex und es ist noch nicht klar, wo genau die Use Cases liegen, die wirklich konkret und bezahlt eingesetzt werden. Es gibt einige klassische Kandidaten wie Verschlüsselung und Sicherheitssysteme, die immer genannt werden und wichtig sind. Doch es gibt derzeit niemanden, der konkret darauf wartet, dass ein Quantencomputer ein ganz bestimmtes KI-Problem enorm erleichtern könnte. Es existieren Kombinationen in beide Richtungen: Quantencomputer, die bestimmte KI-Prozesse effizienter machen, und KI-Lösungen, die Quantencomputer besser nutzbar machen. Keine dieser Richtungen ist aber an einem Punkt, an dem ein klarer, breiter Use Case in der Wirtschaft da wäre.
KI KOMPASS: Wie rasch wird die Entwicklung da voranschreiten?
Laflamme: Ich bin hier vorsichtig optimistisch. Der Abstand zwischen dem technologischen Stand von Quantencomputing und dem wirtschaftlichen Verständnis ist groß. Quantenphysik fordert deutlich mehr Hintergrundwissen, um die Grundlagen wirklich zu verstehen. Ich habe Kurse für Nicht-Physiker gegeben, um zu erklären, wie ein Quantencomputer funktioniert. Ein Basisverständnis ist also durchaus möglich, ohne ein komplettes Physikstudium. Aber wenn man tatsächlich einen Quantencomputer bauen möchte, braucht man die volle physikalische Ausbildung. Möglicherweise sind Quantencomputer-Anwendungen irgendwann auch so weit, dass man quasi kein Physikverständnis haben muss, um Anwender zu sein. Gute Use Cases zu definieren ist in diesem Bereich schwieriger als bei KI. Denn die Frage, was ein Quantencomputer kann und ein klassischer Computer nicht, ist schwerer zu beantworten. Bei KI ist besser sichtbar, was sie schafft, das klassisches Programmieren nicht kann. Und das ist vermutlich einer der Gründe, warum KI so viele Menschen anspricht, und gleichzeitig ein Risiko, wenn Systeme eingesetzt werden, deren Wirkung man nicht mehr wirklich überblickt.
Zur Person
Catherine Laflamme ist Research Scientist bei Fraunhofer Research und Research & Industry Lead bei AI Austria. Sie arbeitet an der Schnittstelle von Forschung, Unternehmenspraxis und der europäischen KI-Community. Laflamme unterstützt Unternehmen und Organisationen dabei, KI-Tools nachvollziehbar und kontrolliert anzuwenden.
