Das Problem
Ein KI-Modell, das auf Millionen von Chemie-Lehrbüchern trainiert wurde, hat soeben eine neue Molekularstruktur für Ihren Batterie-Elektrolyten vorgeschlagen. Sie sieht richtig aus. Sie liest sich richtig. Aber sie verletzt grundlegende Valenzregeln — die fundamentalen Gesetze, die bestimmen, wie Atome Bindungen eingehen. Dieser einzelne Fehler, verborgen unter Schichten von Plausibilität, könnte ein thermisches Durchgehen (Thermal Runaway) auslösen: eine sich selbst verstärkende Kettenreaktion, die ein Batteriepack in Millisekunden in ein Feuer verwandelt. Unterdessen hat in Ihrer Mediensparte ein generatives Audio-Tool soeben einen Soundtrack produziert, der statistisch einer urheberrechtlich geschützten Beatles-Melodie ähnelt. Ihrem Team ist das nicht aufgefallen. Dem Anwalt der Klagepartei wird es auffallen.
Das ist die Kerngefahr der heutigen generativen KI. Diese Systeme berechnen keine Antworten — sie sagen das wahrscheinlichste nächste Wort, den wahrscheinlichsten nächsten Pixel oder die wahrscheinlichste nächste Schallwelle voraus. Sie sind Motoren der Plausibilität, keine Motoren der Wahrheit. Die Ausgabe ist zu 99% überzeugend und zu 1% physikalisch unmöglich oder rechtlich eine Rechtsverletzung. Für Ihr Unternehmen ist dieses 1% kein Rundungsfehler. Es ist die Lücke, in der Katastrophen leben. Gängige Large Language Models sagen Token voraus, keine Elektronendichten. Diffusionsmodelle erzeugen Audio ohne jegliches Konzept von Eigentum oder Herkunft. Die nutzerfreundliche Oberfläche verbirgt das reine Raten des Modells hinter einem sauberen Dashboard, und Sie sehen das Risiko nie — bis eine Batterie in Brand gerät oder eine Urheberrechtsklage auf Ihrem Schreibtisch landet.
Warum das für Ihr Unternehmen wichtig ist
Die finanzielle und rechtliche Exposition ist hier nicht theoretisch. Sie bildet sich unmittelbar in Ihrer Bilanz, Ihren Compliance-Pflichten und der Risikobereitschaft Ihres Vorstands ab.
Betrachten wir zunächst die physische Seite. Lithium-Ionen-Batterien versagen über eine deterministische dreistufige Kaskade. Stufe 1 beginnt bereits bei 80°C, wenn die Schutzschicht auf der Anode zerfällt. In Stufe 2, bei 110°C–135°C, schmilzt der Separator und es bilden sich entflammbare Gase. Oberhalb von 200°C kollabiert die Kathode, setzt Sauerstoff frei, und die Verbrennung beginnt. Ihr Elektrolyt ist der Brennstoff dieser letzten Stufe. Wenn die KI ein thermodynamisch instabiles Elektrolytmaterial vorschlägt — eines, das sich zersetzt, statt zusammenzuhalten —, haben Sie eine Bombe konstruiert, keine Batterie.
Nun zur rechtlichen Seite:
- Unbewusstes Plagiat ist Ihr Haftungsrisiko. Enthält ein generierter Audiotrack eine Vier-Takt-Schleife, die identisch mit einem urheberrechtlich geschützten Song ist, haftet Ihr Unternehmen wegen Rechtsverletzung — selbst wenn niemand es beabsichtigt hat.
- „Saubere Daten“-Behauptungen schützen Sie nicht. Die Rechtmäßigkeit des Trainierens von KI mit urheberrechtlich geschütztem Material wird derzeit aktiv in Verfahren wie Andersen v. Stability AI und New York Times v. OpenAI ausgefochten. Sollten Gerichte gegen die Modellanbieter entscheiden, könnten Ihre generierten Assets über Nacht ungültig werden.
- Der chemische Suchraum ist unvorstellbar riesig. Es gibt schätzungsweise 10^100 mögliche Kombinationen anorganischer Kristalle. Rein zufällige experimentelle Suche hat eine Trefferquote von unter 1%. Sich hier zu irren verschwendet nicht nur F&E-Mittel — es verzögert Ihre Time-to-Market um Monate pro gescheitertem Kandidaten.
Ihr CFO sieht verschwendete F&A-Ausgaben. Ihr General Counsel sieht unkalkulierbares IP-Risiko. Ihre Sicherheitsbeauftragte sieht Haftungsrisiken durch Rückrufe. Alle drei Probleme führen auf dieselbe Grundursache zurück: eine KI, die plausible Vermutungen statt verifizierter Antworten erzeugt.
Was tatsächlich unter der Haube passiert
So lässt sich am einfachsten verstehen, warum gängige generative KI in Hochrisiko-Umgebungen versagt. Denken Sie an einen sehr begabten Papagei. Der Papagei hat Millionen von Gesprächen über Chemie oder Musik gehört. Er kann Wörter aneinanderreihen, die exakt wie Expertenrede klingen. Aber er versteht nicht, was die Wörter bedeuten. Er weiß nicht, dass Atome Bindungsregeln befolgen. Er weiß nicht, dass Melodien Eigentümer haben.
Große Sprachmodelle funktionieren genau so. Sie sagen den statistisch wahrscheinlichsten nächsten Token in einer Sequenz voraus. Bitten Sie ein Modell, eine Molekularstruktur zu entwerfen, baut es anhand der Muster seiner Trainingsdaten etwas zusammen, das „nach Chemie aussieht“. Aber es prüft niemals, ob die vorgeschlagene Struktur den Gesetzen der Thermodynamik gehorcht. Es gibt keine interne Physik-Engine. Es gibt keine rechtliche Compliance-Prüfung.
Dadurch entsteht, was die Forschung Provenienz-Verschleierung nennt. Bei der Audio-Generierung ist die Ausgabe eine mathematische Verschmelzung der Trainingsdaten. Sie können nicht nachvollziehen, welche urheberrechtlich geschützten Werke zum Ergebnis beigetragen haben. Das Modell durchquert einen hochdimensionalen Raum, um etwas Neues hervorzubringen — aber „neu“ heißt nicht „sauber“. Es kann überanpassen und eine wiedererkennbare Melodie oder Gesangsqualität aus seinem Trainingssatz reproduzieren. Sie haben keinen Audit-Trail, der das Gegenteil beweist.
In der Materialwissenschaft ist das Fehlerbild anders, aber ebenso gefährlich. Ein neuronales Netz kann vorhersagen, dass ein Elektrolyt-Kandidat eine niedrige Bildungsenergie aufweist — was bedeuten soll, dass er stabil ist. Eine niedrige Bildungsenergie allein reicht jedoch nicht aus. Ein Material ist nur dann wirklich stabil, wenn es auf dem liegt, was Physiker die konvexe Hülle nennen — der niedrigstmöglichen Energiegrenze für eine gegebene chemische Zusammensetzung. Materialien oberhalb dieser Grenze zersetzen sich spontan. Ein gängiges KI-Modell besitzt keinen Mechanismus, um die Lage auf der Hülle zu verifizieren. Es rät, und Sie vertrauen.
Was funktioniert (und was nicht)
Beginnen wir mit drei Ansätzen, die vernünftig klingen, in der Praxis aber scheitern:
„Wir nehmen einfach einen besseren Prompt.“ Prompt-Engineering fügt einem Sprachmodell kein Physikwissen hinzu. Sie können es bitten, „vorsichtig zu sein“ — es sagt weiterhin Token voraus, keine thermodynamische Stabilität.
„Wir haben auf sauberen Daten trainiert.“ Selbst Modelle, die auf lizenzierten Datensätzen trainiert wurden, können überanpassen und wiedererkennbare Muster reproduzieren. Und die rechtliche Definition von „sauber“ wird derzeit in laufenden Verfahren entschieden. Ihr Risiko ist damit nicht beseitigt.
„Wir haben einen Haftungsausschluss ergänzt.“ Haftungsausschlüsse stoppen kein thermisches Durchgehen. Sie verhindern keine Urheberrechtsansprüche. Aufsichtsbehörden und Gerichten geht es darum, was Ihr System tatsächlich getan hat — nicht darum, was in Ihrer Fußzeile stand.
Das funktioniert tatsächlich — eine dreistufige Architektur, die KI als Vorschlags-Engine behandelt, nicht als Antworten-Engine:
Die KI schlägt Kandidaten aus einem riesigen Suchraum vor. Für Materialien behandelt ein Graph Neural Network namens GNoME Kristallstrukturen als Graphen — Atome sind Knoten, Bindungen sind Kanten. Es erzeugt Tausende von Kandidatenstrukturen und sagt deren Stabilität voraus. Für Audio zerlegt ein Source-Separation-Modell namens Demucs vorhandene lizenzierte Audiodateien in isolierte Spuren — Gesang, Schlagzeug, Bass — und schafft so eine Bibliothek verifizierter Bausteine. Ihre KI beginnt mit bekannten, autorisierten Zutaten.
Eine deterministische Validierungsschicht prüft jeden Vorschlag gegen die Ground Truth. Für Materialien bedeutet dies Dichtefunktionaltheorie (DFT) — eine quantenmechanische Berechnung, die die tatsächliche Elektronendichte und Energie eines Kristalls berechnet. DFT ist das „Orakel“, das Strukturen aufdeckt, bei denen das neuronale Netz falsch lag. In einer Active-Learning-Schleife schlägt die KI vor, die DFT validiert, und die korrekten Antworten fließen zurück, um das Modell neu zu trainieren. Dieser Zyklus hebt die Trefferquote von unter 1% bei rein zufälliger Suche auf über 80%. Für Audio durchsucht ein Retrieval-System namens FAISS eine Datenbank lizenzierter Sprachaufnahmen. Jedes akustische Detail der Ausgabe — die Behauchtheit, die Resonanz — stammt aus einem konkreten, autorisierten Datenpunkt und wird nicht aus Rauschen erzeugt.
Ein kryptografischer Audit-Trail versieht jede Ausgabe mit einem Siegel. Der C2PA-Standard — ein offenes Protokoll für die Provenienz von Inhalten — bettet ein manipulationssicheres Manifest direkt in jede Mediendatei ein. Dieses Manifest zeichnet das Ausgangsmaterial, das verwendete lizenzierte Voice-Modell, jeden Verarbeitungsschritt sowie eine digitale Signatur Ihres Unternehmens auf. Jeder nachgelagerte Nutzer — ein Rundfunksender, ein Streaming-Dienst, Ihre eigene Rechtsabteilung — kann überprüfen, dass die Ausgabe vollständig aus autorisierten Assets erstellt wurde.
Für Materialien existiert ein vergleichbarer Audit über die DFT-Validierungshierarchie. Jeder Kandidat, der besteht, führt seine berechnete Zersetzungsenergie und seine Position relativ zur konvexen Hülle mit sich. Sie können einer Aufsichtsbehörde exakt zeigen, warum ein Material freigegeben wurde: Seine Energie oberhalb der Hülle betrug 0 meV/atom (stabil) oder unter 50 meV/atom (metastabil und synthetisierbar), validiert durch quantenmechanische Berechnung — nicht durch das Raten eines neuronalen Netzes.
Das ist der Unterschied zwischen einer Blackbox und einer Whitebox. Ihr Compliance-Team kann jede Ausgabe bis zu ihrer Quelle zurückverfolgen. Ihr Rechtsteam kann jedes Asset vor Gericht verteidigen. Ihre Sicherheitsingenieure können jedes Material an der Physik verifizieren.
Die Frage ist nicht, ob Ihre KI beeindruckend ist. Die Frage ist, ob Ihre KI rechenschaftspflichtig ist.
Wichtigste Erkenntnisse
- Gängige generative KI sagt die wahrscheinlichste Ausgabe voraus, nicht die korrekte — 99% plausibel kann dennoch 1% Katastrophe bedeuten.
- Thermisches Durchgehen in Batterien folgt einer deterministischen Kaskade, die bereits bei nur 80°C beginnt, und von KI vorgeschlagene Elektrolyte müssen gegen die echte Physik validiert werden, um es zu verhindern.
- KI-generierte Medien bergen ein verstecktes Urheberrechtsrisiko, weil Sie nicht nachvollziehen können, welche Trainingsdaten die Ausgabe beeinflusst haben.
- Eine Architektur mit Validierungsschicht — bei der die KI Vorschläge macht und Physik- oder Retrieval-Systeme sie verifizieren — hebt die Trefferquoten bei der Materialerkundung von unter 1% auf über 80%.
- Kryptografische Audit-Trails wie C2PA ermöglichen Ihren Rechts- und Compliance-Teams, exakt nachzuweisen, wie jede KI-Ausgabe erstellt wurde.
Fazit
Generative KI ist leistungsfähig, um gewaltige Möglichkeiten zu erkunden, aber sie darf nicht die letzte Instanz bei sicherheitskritischen oder rechtlich heiklen Entscheidungen sein. Die Lösung ist eine Architektur, in der jede KI-Ausgabe eine deterministische Validierungsschicht durchläuft — Physik für Materialien, lizenziertes Retrieval für Medien —, bevor irgendjemand darauf handelt. Fragen Sie Ihren KI-Anbieter: Wenn Ihr Modell ein Material vorschlägt oder ein Media-Asset generiert, können Sie mir den Validierungs-Trail zeigen, der beweist, dass die Ausgabe physikalischen Gesetzen und Immaterialgüterrechten genügt — oder ist es nur eine selbstbewusste Vermutung?