Die KI-Branche hat ein Physikproblem – und es kostet Einzelhändler 890 Milliarden Dollar

Eine Modemarke zeigte mir letztes Jahr ihr neues KI-gestütztes virtuelles Anprobe-Tool. Sie waren stolz darauf – und ehrlich gesagt sah es unglaublich aus. Ein Nutzer konnte ein Selfie hochladen, ein Kleid auswählen, und die KI rendert ein wunderschönes Bild von ihm, wie er es trägt. Das Licht war weich, der Stoff fiel wunderbar, die Passform war makellos.

Das war das Problem. Die Passform war immer makellos.

Ich bat sie, etwas auszuprobieren: das Foto einer Person hochzuladen, die eindeutig Größe 44 hat, und ein Kleid in Größe 36 auszuwählen. Die KI zeigte nicht, wie der Reißverschluss spannte. Sie zeigte nicht, wie der Stoff an den Nähten zog. Sie verformte das Kleid, um den Körper perfekt zu bedecken – oder schlimmer noch, sie verformte subtil den Körper, damit er in das Kleid passte. Es war ein Fantasiespiegel, keine Umkleidekabine. Und jeder Kunde, der auf Basis dieser Fantasie kaufte, würde das Produkt zurücksenden.

Diese Demo brachte etwas auf den Punkt, mit dem ich seit Monaten bei Veriprajna gerungen hatte. Die KI-Branche hat kein Intelligenzproblem. Sie hat ein Physikproblem. Generative Modelle optimieren auf Pixelkohärenz – darauf, dass Bilder richtig aussehen. Aber in der realen Welt hat Stoff Zugfestigkeit. Schallwellen haben Urheberrechtsinhaber. Und „größtenteils richtig“ ist kein Geschäftsmodell, wenn man bei Retouren Margen ausblutet oder einer Klage der Universal Music Group gegenübersteht.

Dies ist die Geschichte, warum wir den vorherrschenden Ansatz für Enterprise-KI aufgegeben und etwas grundlegend Anderes gebaut haben.

Der 890-Milliarden-Dollar-Fantasiespiegel

Hier ist eine Zahl, die jeder E-Commerce-Führungskraft den Schlaf rauben sollte: Verbraucherretouren im Einzelhandel beliefen sich auf geschätzte 890 Milliarden Dollar im Jahr 2024, laut der National Retail Federation. Nicht Millionen. Milliarden. Und Bekleidung ist der schlimmste Übeltäter – Online-Rückgabequoten für Kleidung übersteigen durchgängig 25–30 %, wobei einige High-Fashion-Kategorien in Spitzenzeiten 50 % erreichen.

Die Grundursache ist nicht kompliziert. Menschen können anhand eines Fotos nicht erkennen, ob Kleidung passen wird. „Falsche Größe, schlechte Passform und Farbe“ machen 55 % aller Retouren aus. Diese Unsicherheit hat ein Verbraucherverhalten hervorgebracht, das man „Bracketing“ nennt – man kauft dasselbe Hemd in drei Größen, probiert sie zu Hause an und schickt zwei zurück. 2024 gaben 51 % der Verbraucher der Generation Z zu, dies zu tun. Sie haben ihre Schlafzimmer in Umkleidekabinen und den Postdienst in ein Retouren-Förderband verwandelt.

Die Bearbeitung einer einzigen Retoure kostet Einzelhändler im Durchschnitt 27 % des Kaufpreises des Artikels. Versand, Prüfung, Reinigung, Neuverpackung – alles für einen Artikel, der am Ende ohnehin heruntergesetzt werden könnte. Es ist ein Margen-Verbrennungsofen.

Die Modebranche hat kein Konversionsproblem. Sie hat ein Wahrheitsproblem. KI, die schmeichelt statt zu informieren, beschleunigt lediglich den Retouren-Kreislauf.

Also wandte sich die Branche der Technologie zu. Virtuelle Anprobe-Tools, angetrieben von generativer KI – GANs, Diffusionsmodelle, das ganze Arsenal. Und diese Tools sind in einer Sache brillant: Verkäufe zu erzielen. Sie optimieren auf Klickraten und anfängliche Konversionen. Sie verkaufen den Traum.

Sie können die Realität nur nicht liefern.

Warum halluziniert generative KI die Passform?

Ich erinnere mich an den genauen Moment, in dem mein Team aufhörte, an die generative virtuelle Anprobe zu glauben. Wir bewerteten ein auf Diffusionsmodellen basierendes System – eines der gut finanzierten – im Vergleich zu physischen Kleidungsmustern. Wir hatten eine Jeansjacke, roh und unnachgiebig, die Art von Stoff, die praktisch keine Dehnung hat. Wir fütterten das System mit einem Nutzerfoto und dem Jackenbild.

Die KI renderte ein wunderschönes Ergebnis. Die Jacke passte perfekt. An einem Körper, der in der physischen Realität nicht einmal den linken Arm durch den Ärmel bekommen hätte.

Mein Mitgründer sah auf den Bildschirm und sagte: „Es probiert die Jacke nicht an. Es photoshoppt die Jacke.“ Und genau das ist richtig. Die Zielfunktion eines Diffusionsmodells ist Pixelkohärenz – das Ausgabebild statistisch plausibel wirken zu lassen angesichts seiner Trainingsdaten. Es hat kein Konzept von Zugsteifigkeit. Es weiß nicht, dass sich rohe Jeans nicht dehnt. Es weiß überhaupt nichts über Stoff.

Das führt zu drei kaskadierenden Fehlern:

Die Passform-Halluzination. Das Modell verformt das Kleidungsstück, um den Körper zu bedecken, oder verformt den Körper, damit er in das Kleidungsstück passt. So oder so sieht der Kunde eine Lüge. Branchenanalysen waren dazu unverblümt: „Virtuelle Anproben mangelt es an realer Genauigkeit, sie ignorieren das Verhalten von Stoff und können Kunden darüber täuschen, wie ein Kleidungsstück wirklich passt und sich anfühlt.“

Texturverschlechterung. GANs leiden unter Mode-Kollaps – feine Details wie Spitze, Stickereien oder komplexe Gewebe werden zu generischen Mustern verschwommen. Diffusionsmodelle erfinden manchmal Details, die am physischen Produkt nicht existieren. Nun ist der Kunde sowohl von der Passform als auch vom Erscheinungsbild überrascht.

Der Papierpuppen-Effekt. Die meisten 2D-basierten Systeme kleben ein flaches Bild der Kleidung über einen Nutzer. Keine Tiefenwahrnehmung. Kein Verständnis dafür, wie Stoff über die Rundung einer Hüfte fällt oder sich an der Taille rafft. Für alles Lockere oder Fließende – wo der Fall das Stilelement ist – ist das Ergebnis nutzlos.

Wir betrachteten eine Technologie, die Verkäufe steigerte und Retouren in etwa gleichem Maße steigerte. Nettoeffekt auf die Marge: vernachlässigbar, möglicherweise negativ. Da wusste ich, dass wir eine völlig andere Architektur brauchten.

Das Kleid simulieren, statt es sich vorzustellen

Der Durchbruch war kein besseres neuronales Netz. Es war die Entscheidung, die virtuelle Anprobe als maschinenbauliches Problem zu behandeln statt als Bildgenerierungsproblem.

Bei Veriprajna haben wir gebaut, was ich eine „Deterministischer Kern, Probabilistischer Rand“-Architektur nenne. Der Kern – der Teil, der bestimmt, ob ein Kleidungsstück passt – ist eine Physiksimulations-Engine, ähnlich der, die professionelle Modedesigner in Tools wie CLO3D oder Marvelous Designer verwenden. Wir trainieren kein neuronales Netz mit Bildern von Kleidung. Wir nehmen die tatsächlichen CAD-Schnittmuster der Kleidungsstücke auf und weisen ihnen die physikalischen Eigenschaften ihrer realen Stoffe zu.

Das ist wichtiger, als es klingen mag. Jeder Stoff hat messbare mechanische Eigenschaften: Biegesteifigkeit (fällt er wie Seide oder bleibt er starr wie Denim?), Schersteifigkeit (wie verhält er sich im schrägen Fadenlauf?), Zugsteifigkeit (wie stark dehnt er sich unter Spannung?), innere Dämpfung (wie legt er sich am Körper zurecht?), Knickverhältnis (wie bauscht und rafft er sich?). Unsere Simulation kalibriert gegen all diese.

Das Ergebnis ist, dass, wenn ein Körper der Größe 44 in unserem System ein Kleid der Größe 36 anprobiert, die Simulation genau zeigt, was in einer physischen Umkleidekabine passieren würde. Spannungslinien erscheinen. Das „X“-Muster an der Taille, das jeder Schneider erkennen würde. Der Stoff schließt sichtbar nicht. Es ist nicht schmeichelhaft. Es ist ehrlich.

Wir haben den Fantasiespiegel durch eine Physik-Engine ersetzt. Wenn das Kleidungsstück nicht passt, zeigt es die Simulation – Spannungslinien, Ziehen, Stoff, der nicht schließt. Ehrlichkeit erweist sich als besser fürs Geschäft als Schmeichelei.

Ich habe über die vollständige technische Architektur – die PBR-Rendering-Pipeline, die Parameter der Stoffsimulation, das Differential-Rendering-Compositing – in der interaktiven Version unserer Forschung geschrieben. Aber die Kernerkenntnis ist einfach: Eine Physik-Engine kann nicht halluzinieren. Sie rechnet. Und Berechnung ist, anders als Generierung, deterministisch.

Der schwierigste Teil war nicht die Physik

Hier ist, was ich nicht erwartet hatte: Die Physiksimulation war der einfache Teil. Das wirklich schwierige Problem war, das Ergebnis real genug aussehen zu lassen, damit Kunden ihm vertrauen würden.

Eine perfekt genaue Physiksimulation, mit schlechtem Licht gerendert, sieht aus wie ein Videospiel-Asset, das auf ein Foto geklebt wurde. Kunden werfen einen Blick darauf und tun es ab. Wir hatten das Genauigkeitsproblem gelöst und ein Glaubwürdigkeitsproblem geschaffen.

Hier haben wir die KI wieder ins Spiel gebracht – nicht, um das Kleidungsstück zu generieren, sondern um die Herausforderung von Beleuchtung und Integration zu lösen. Wir verwenden Physically Based Rendering (PBR), um mit physikalisch korrekten Formeln zu modellieren, wie Licht mit Stoffoberflächen interagiert. Albedo für die Grundfarbe, Roughness-Maps dafür, wie Licht gestreut wird (Baumwolle versus Satin), Normal-Maps für mikroskopische Oberflächentextur wie das Gewebe von Köper.

Aber die eigentliche Magie liegt darin, was passiert, wenn man dieses 3D-Kleidungsstück in das 2D-Foto eines Kunden platziert. Wenn die Beleuchtung auf dem digitalen Kleid nicht zur Beleuchtung im Raum des Kunden passt, sieht das Ganze fake aus – wie ein Aufkleber, der auf ein Bild geklatscht wurde.

Wir haben Wochen damit verbracht. Nächtelange Diskussionen darüber, ob die CNN-basierte Umgebungsschätzung gut genug war, ob das Schattenfangen zu aggressiv war, ob das Light-Wrapping an den Kanten des Kleidungsstücks zu subtil war. Es gab einen bestimmten Donnerstag – ich erinnere mich, weil wir Pizza bestellt hatten und sie kalt geworden war –, als unser Rendering-Lead einen Vergleich aufrief: unser Composite neben einem echten Foto desselben Kleidungsstücks an derselben Person. Drei von uns konnten nicht sagen, welches welches war. Die vierte konnte es, aber nur, weil ihr ein leichter Farbtemperatur-Unterschied an einem Reißverschlusszipper auffiel.

Das war der Moment, in dem ich wusste, dass wir etwas hatten.

Die Technik heißt Differential Rendering – man berechnet den Effekt des 3D-Objekts auf die Szene, ohne die Szene selbst neu zu rendern. Schattenfänger, aus dem Foto des Nutzers geschätzte Umgebungs-Maps, Light-Wrapping an den Kanten, um Subsurface-Scattering zu simulieren. Das Kleidungsstück wirft einen realistischen Schatten auf die echten Beine des Nutzers. Die Knöpfe reflektieren dasselbe Fensterlicht, das sich in den Augen des Nutzers befindet.

Auf welche Kennzahl sollte virtuelle Anprobe eigentlich optimieren?

Hier wird die Geschäftslogik interessant, und hier hat meiner Meinung nach der Großteil der Branche es rückwärts verstanden.

Generative KI-basierte virtuelle Anprobe optimiert auf die Konversionsrate. Sie verkauft die Fantasie. Unser System optimiert auf Nettoumsatz – Umsatz minus Retouren. Indem wir die Wahrheit zeigen, selbst wenn die Wahrheit „das passt dir nicht“ lautet, verhindern wir den margentötenden Retouren-Kreislauf.

Wir geben außerdem Daten aus, nicht nur Bilder. Unser System erzeugt einen Fit-Confidence-Score – so etwas wie „95 % Übereinstimmung an der Taille, 60 % Übereinstimmung an den Hüften“. Das bewirkt etwas Kontraintuitives: Es entmutigt manchmal einen Kauf. Aber die Käufe, die es nicht entmutigt, kommen fast nie zurück. Und der Kunde vertraut dem System beim nächsten Mal mehr. Vertrauen summiert sich. Retouren nicht.

Leute fragen mich, ob das Anzeigen unvorteilhafter Passform-Informationen die Konversionsraten schädigt. Kurze Antwort: ja, anfänglich. Längere Antwort: Die Kunden, die man verliert, sind diejenigen, die das Produkt ohnehin zurückgeschickt hätten. Man verliert keinen Umsatz – man verliert die Illusion von Umsatz, der in zwei Wochen verpufft wäre, wenn die Retoure aufgetaucht wäre.

Das andere Minenfeld: Warum generatives Audio eine juristische Zeitbombe ist

Während wir Physik-Engines für Mode bauten, navigierten wir gleichzeitig durch einen ebenso tückischen Bereich: Audio. Und hier ist das Problem nicht Physik – es ist Recht.

Die Musik- und Sprachindustrie steckt mitten in einer existenziellen Krise wegen generativer KI. Universal Music Group, Sony Music und die RIAA haben große Klagen gegen KI-Unternehmen wie Suno und Udio eingereicht. Der Kern des Problems: Die meisten generativen Audiomodelle wurden mit urheberrechtlich geschützter Musik trainiert, die aus dem Web abgegriffen wurde. Wenn ein Unternehmen eines dieser Modelle nutzt, um einen Jingle zu erzeugen, und diese Ausgabe unbeabsichtigt ein urheberrechtlich geschütztes Werk nachahmt – ein Phänomen namens „Regurgitation“ –, haftet das Unternehmen für die Verletzung. Und weil die Modelle Blackboxes sind, kann man die Herkunft dessen, was herauskommt, nicht verifizieren.

Es wird noch schlimmer. Nach der aktuellen Leitlinie des U.S. Copyright Office sind Werke, die ausschließlich von KI ohne signifikante menschliche Beteiligung geschaffen wurden, nicht für Urheberrechtsschutz berechtigt. Das bedeutet: Wenn eine Marke ein rein generatives Tool nutzt, um ein Sound-Logo zu erstellen, kann sie es nicht besitzen. Es fällt in die Gemeinfreiheit. Wettbewerber können es frei verwenden. Für kommerzielles geistiges Eigentum ist das ein Ausschlusskriterium.

Wenn man nicht beweisen kann, woher das eigene KI-Audio stammt, und nicht besitzen kann, was es produziert, hat man kein Asset – man hat eine Haftung.

Wir sind früh gegen diese Wand gelaufen. Eine Werbeagentur kam mit dem Wunsch nach KI-generierter Sprecherarbeit für eine Kampagne zu uns. Sie hatten ein beliebtes Text-to-Speech-Tool verwendet und gerade eine Unterlassungsaufforderung erhalten. Das Tool war offenbar mit Sprachdaten trainiert worden, die Samples eines wiedererkennbaren Schauspielers enthielten. Niemand konnte es definitiv beweisen – Blackbox –, aber niemand konnte es auch widerlegen. Die Kampagne wurde auf Eis gelegt.

Wie erstellt man KI-Audio, das tatsächlich legal ist?

Wir haben dies gelöst, indem wir das Paradigma „von Grund auf generieren“ vollständig verworfen haben. Stattdessen bauten wir einen transformativen Workflow mit zwei tiefgehenden Technologien: Deep Source Separation und Retrieval-Based Voice Conversion (RVC).

Deep Source Separation ist der Prozess, eine fertige Audiodatei in ihre einzelnen Stems zu entmischen – Gesang, Schlagzeug, Bass, Instrumente. Man kann es sich vorstellen wie das Entbacken eines Kuchens, was unmöglich klingt, aber modernes Deep Learning hat es bemerkenswert effektiv gemacht. Unsere Engine verwendet eine U-Net-Architektur, die auf Audio-Spektrogrammen operiert und weiche Masken ausgibt, die die Frequenzen jedes Stems isolieren. Wir verwenden Varianten im Wellenform-Bereich, um die „wässrigen“ Phasenartefakte zu vermeiden, die standardmäßige spektrogrammbasierte Ansätze plagen.

Das erschließt enormen Wert aus bestehenden, lizenzierten IP-Katalogen. Ein Medienunternehmen kann Dialog von der orchestralen Filmmusik trennen, um synchronisierte Fassungen zu erstellen. Plattenlabels können Legacy-Master „freischalten“, bei denen die originalen Mehrspurbänder verloren sind, und neue Remixe oder immersive Dolby-Atmos-Mischungen erstellen. Jeder Schritt respektiert bestehende Rechte, weil wir mit eigenem oder lizenziertem Ausgangsmaterial arbeiten.

Für die Stimmmodifikation verwenden wir RVC – ein Speech-to-Speech-Framework, das das Timbre einer Stimme verändert, während die Prosodie (Rhythmus, Tonhöhe, Emotion) der ursprünglichen Darbietung erhalten bleibt. Das System entzieht einer Stimme mithilfe selbstüberwachter Modelle wie HuBERT ihre Identität und rekonstruiert sie dann mit einer FAISS-indizierten Datenbank der tatsächlichen Stimm-Embeddings des Zielsprechers. Es halluziniert keine Stimme – es setzt eine aus mikroskopischen Ausschnitten echter, einwilligungsbasierter Aufnahmen wieder zusammen.

Für die vollständige technische Aufschlüsselung sowohl der Source-Separation-Architektur als auch der RVC-Pipeline siehe unser vertiefendes Forschungspapier.

Die Einwilligungs-Infrastruktur, über die niemand spricht

Die Technologie ist nur die halbe Geschichte. Was dies enterprise-tauglich macht, ist das Compliance-Rahmenwerk darum herum.

Wir verwenden keine öffentlichen RVC-Modelle, die mit abgegriffenen Prominentendaten trainiert wurden. Wir bauen maßgeschneiderte Modelle, die ausschließlich mit Sprechern trainiert werden, die spezifische AI-Commercialization-Releases unterzeichnet haben – ausdrückliche Einwilligung für bestimmte Verwendungen, mit nachverfolgten Tantiemen, wann immer ihr Stimmmodell eingesetzt wird.

Hier ist der Teil, der für die rechtliche Verteidigung am wichtigsten ist: Weil das RVC-System eine Retrieval-Datenbank verwendet, können wir mathematisch beweisen, welches Stimmmodell eine bestimmte Ausgabe erzeugt hat. Wenn jemand behauptet „das klingt wie Prominenter X“, können wir den FAISS-Index prüfen und nachweisen, dass jedes Embedding von einwilligendem Sprecher A stammte. Das ist keine „wir glauben“-Verteidigung – es ist eine kryptografische.

Und weil die Ausgabe ein abgeleitetes Werk ist, das auf einer menschlichen Darbietung und einer von Menschen geschaffenen Komposition basiert, qualifiziert sie sich für Urheberrechtsschutz. Das Unternehmen kann das finale Asset tatsächlich besitzen. Versuchen Sie mal, das von einem Text-to-Music-Generator zu bekommen.

Es gab einen Moment – ich glaube, es war während eines Telefonats mit dem Rechtsteam eines Medienunternehmens –, als deren Chefsyndikus innehielt und sagte: „Moment, Sie können uns tatsächlich zeigen, welche Stimme für jede Millisekunde Audio verwendet wurde?“ Als ich Ja sagte, herrschte lange Stille. Dann: „Ist Ihnen klar, wie viel Geld wir für die rechtliche Prüfung von KI-generierten Inhalten ausgegeben haben?“ Da verstand ich, dass die Compliance-Infrastruktur kein Feature ist. Sie ist das Produkt.

Warum können Unternehmen dafür nicht einfach GPT verwenden?

Diese Frage bekomme ich ständig. Meist von Investoren, manchmal von potenziellen Kunden, die beeindruckende Demos von Foundation-Model-Anbietern gesehen haben. Die Antwort ist architektonisch, nicht philosophisch.

Wenn man auf einer Drittanbieter-API aufbaut, erbt man die stochastische Natur dieses Modells. Wenn das Modell halluziniert – eine falsche Passform, eine urheberrechtlich geschützte Melodie, eine geklonte Stimme –, kann man es nicht beheben. Die Gewichte sind proprietär. Man ist machtlos. Wahrscheinlich hat man auch proprietäre Daten preisgegeben: unveröffentlichte Modekollektionen, die in ein Cloud-Modell hochgeladen wurden, könnten in dessen Trainingsdaten landen. Unsere Systeme sind mit Docker und Kubernetes containerisiert und vollständig innerhalb der privaten Cloud eines Kunden oder auf On-Premise-Servern einsetzbar. Sie benötigen keinen Internetzugang. Sie telefonieren nicht nach Hause. Der Air Gap ist keine Paranoia – er ist eine vertragliche Anforderung von jedem seriösen Enterprise-Kunden, mit dem wir gearbeitet haben.

Es gibt auch die Frage der Verteidigungsfähigkeit. PitchBook-Analysten waren unverblümt: Der Markt ist übersättigt mit Startups, die „dünne Wrapper um Foundation-Modelle“ ohne strukturelle Verteidigungsfähigkeit sind. Diese Unternehmen sind eingezwängt zwischen Hyperscalern, die die zugrunde liegende Intelligenz kontrollieren, und Endnutzern, die über Nacht zum nächsten Wrapper wechseln können. Wenn OpenAI seine Preise oder Fähigkeiten ändert, haben Wrapper-Unternehmen keine Handhabe.

Der nachhaltige Wert in der KI wird nicht Unternehmen zufallen, die API-Zugang weiterverkaufen. Er wird jenen zufallen, die die schweren, domänenspezifischen Probleme lösen, die generische Modelle strukturell nicht lösen können.

Wir haben auch auf Latenz optimiert – Modellquantisierung lässt unsere RVC-Pipeline auf Consumer-Hardware mit einer Latenz von unter 50 Millisekunden laufen und eliminiert teure Cloud-GPU-Roundtrips. Jedes Bild und jeder Audioclip, den wir produzieren, trägt ein unsichtbares Wasserzeichen, das die Lizenz-ID, die Nutzer-ID und den Zeitstempel kodiert. Wenn ein Asset durchsickert oder angefochten wird, beweist das Wasserzeichen seine Herkunft.

Das Ende von „größtenteils richtig“

Ich baue nun lange genug bei Veriprajna, um das Muster klar zu erkennen. Die erste Welle der Enterprise-KI drehte sich um Begeisterung – was könnten generative Modelle leisten? Die zweite Welle, in die wir jetzt eintreten, dreht sich um Verantwortlichkeit – was sollten sie leisten, und was passiert, wenn sie falsch liegen?

In der Mode bedeutet „größtenteils richtig“ eine Rückgabequote von 30 % und einen Kunden, der nie wiederkommt. Bei Audio bedeutet „größtenteils richtig“ eine Klage und ein Asset, das man nicht besitzen kann. Der Wrapper-Ansatz – schnell, billig, probabilistisch – funktioniert gut für Prototyping und Verbraucher-Apps mit geringem Risiko. Aber für jeden Bereich, in dem Genauigkeit, Compliance und Verteidigungsfähigkeit zählen, ist er keine Abkürzung. Er ist eine Haftung.

Die Architektur, die wir bei Veriprajna gebaut haben, ist nicht glamourös. Physik-Engines lassen sich nicht so gut demonstrieren wie generative KI. Compliance-Rahmenwerke geben keine aufregenden Pitch-Decks her. Deterministische Systeme produzieren nicht die Art von magischen, überraschenden Ausgaben, die in sozialen Medien viral gehen.

Aber sie funktionieren. Sie funktionieren, wenn das Kleid nicht passt und die Kundin es wissen muss, bevor sie kauft. Sie funktionieren, wenn der Sprecher bezahlt werden muss und das Rechtsteam Beweise braucht. Sie funktionieren, wenn das Unternehmen seine Assets besitzen und seine Daten hinter seinen eigenen Mauern halten muss.

Die KI-Branche wird irgendwann begreifen, dass die schwierigsten Probleme nicht dadurch gelöst werden, dass man Modelle größer macht. Sie werden dadurch gelöst, dass man Lösungen tiefer macht – verwurzelt in der Physik, wo Physik zählt, verwurzelt im Recht, wo Recht zählt, und verwurzelt in der unglamourösen, mühsamen Arbeit, Systeme zu bauen, die die Wahrheit sagen.

Das ist es, was wir bauen. Nicht das aufregendste KI-Unternehmen. Das ehrlichste.