Dr. Yair Adato, CEO und Gründer von Bria – Interview-Serie

Dr. Yair Adato, CEO und Gründer von Bria, ist ein Experte für maschinelles Lernen und Computer-Vision, der für seine Fähigkeit bekannt ist, fortschrittliche Technologie mit realen Geschäftsanwendungen zu verbinden. Bevor er Bria gründete, war er als CTO von Trax Retail tätig, wo er eine zentrale Rolle bei der Transformation des Unternehmens von einem 20-köpfigen Startup in ein globales Unicorn mit über 850 Mitarbeitern spielte. Im Laufe seiner Karriere hat Yair auch als Berater für mehrere AI-getriebene Unternehmen wie Sparx, Vicomi, Tasq, DataGen und Anima gearbeitet. Seine Führung ist geprägt von einem starken Engagement für verantwortungsvolle Innovation, Datenbesitz und die Demokratisierung von AI-Technologie.

Bria ist ein Pionierunternehmen im Bereich der verantwortungsvollen visuellen generativen AI, das mit der Mission gegründet wurde, eine offene und ethische Plattform für die Bildgenerierung zu schaffen. Das Unternehmen verwendet einen einzigartigen Ansatz, der Datenbesitzer für ihre Beiträge durch einen Attribution-Engine belohnt, um Transparenz und Fairness im AI-Ökosystem zu gewährleisten. Durch die Konzentration auf Kreativität, Zusammenarbeit und Compliance ermöglicht Bria es Organisationen, generative AI sicher in ihre Workflows zu integrieren und gleichzeitig neue Standards für Rechenschaftspflicht und Vertrauen in der visuellen Inhaltsindustrie zu setzen.

Sie haben Bria gegründet, um eine verantwortungsvolle und offene Plattform für visuelle generative AI zu schaffen. Was hat Sie dazu inspiriert, das Unternehmen zu gründen, und welche frühen Herausforderungen oder Erkenntnisse haben die Richtung des Unternehmens geprägt?

Ich sah Goodfellow, der das GAN-Papier 2014 präsentierte, und es war sofort klar, dass die kreative Produktion grundlegend verändert werden würde. Bei dieser Präsentation waren die Auswirkungen offensichtlich – dies war nicht nur eine inkrementelle Verbesserung, sondern ein neues Paradigma für die Art und Weise, wie Maschinen visuelle Inhalte erlernen können.

Aber von Anfang an erkannte ich eine grundlegende Lücke in der Art und Weise, wie diese Systeme aufgebaut wurden: keine Rechenschaftspflicht für die Trainingsdaten, kein Rahmen für die verantwortungsvolle Einsetzung, keine Berücksichtigung der Kreativen, deren Arbeit all dies ermöglichte.

Die frühen Herausforderungen waren nicht technischer Natur – sie waren strukturell. Wie kann man generative AI schaffen, die kreative Arbeit verbessert, ohne die Menschen, die diese Arbeit leisten, zu untergraben? Wie kann man diese Systeme in Produktionsumgebungen einsetzen, in denen Rechtssicherheit ebenso wichtig ist wie die Qualität der Ausgabe? Diese Fragen prägten alles, was wir aufbauten. Wir gründeten Bria auf dem Prinzip, dass Innovation und Verantwortung keine gegensätzlichen Kräfte sind – sie müssen gemeinsam voranschreiten, oder die Technologie versagt allen.

Ihr akademischer Hintergrund in Computer-Vision und Ihre 50+ Patente verbinden Forschung und reale Innovation. Wie hat diese Erfahrung Brias technische Roadmap und langfristige Strategie beeinflusst?

Mein Forschungshintergrund hat mich gelehrt, in Systemen zu denken – wie verschiedene Schichten des Verständnisses sich verbinden, um Bedeutung zu bilden. Viele meiner Patente konzentrieren sich darauf, wie Maschinen die Struktur visueller Informationen interpretieren, und diese Denkweise hat sich natürlich in Brias Ansatz widerspiegelt. Wir betrachten die Bildgenerierung als einen kompositorischen Prozess, nicht als einen zufälligen.

Aber die Patente sind nicht nur technischer Natur – sie sind auch eine Brücke zwischen Technologie und Geschäftswirklichkeit. Ein erheblicher Teil unseres IP-Portfolios befasst sich mit der Systemebene: Wie kann man Attribution-Frameworks schaffen, die generierte Inhalte mit ihren Trainingsquellen verbinden? Wie kann man wirtschaftliche Modelle aufbauen, die Kreativen im großen Maßstab entschädigen? Diese sind nicht rein technische Probleme – sie sind Fragen der Infrastruktur, der Geschäftsmodelle und des Marktdesigns.

Diese umfassendere Sicht hat unsere langfristige Strategie geprägt. Innovation ist nicht nur die Weiterentwicklung der zugrunde liegenden Modelle. Es geht darum, neue wirtschaftliche Strukturen, neue vertragliche Rahmenbedingungen, neue Wege für die Industrie zu schaffen, um nachhaltig zu operieren. Das Ziel ist nicht nur, bessere Ergebnisse zu produzieren – es geht darum, zu verstehen, wie diese Ergebnisse entstehen, wer dazu beigetragen hat und wie der Wert durch das System fließt. Dort treffen sich Wissenschaft, ProduktDenken und Geschäftsarchitektur.

Bria hat soeben FIBO angekündigt, das als weltweit erstes deterministisches visuelles Grundmodell für professionelle AI-Generierung bezeichnet wird. Was macht FIBO im Vergleich zu bestehenden visuellen AI-Systemen fundamental anders?

Der Name selbst signalisiert unseren Ansatz: FIBO steht für Fibonacci, die mathematische Folge, die für ihre inhärenten ästhetischen Eigenschaften bekannt ist. Das goldene Verhältnis – das Verhältnis zwischen aufeinanderfolgenden Zahlen in der Fibonacci-Folge – tritt in dem auf, was wir als visuell ansprechende Proportionen in Mathematik, visueller Kunst, Geometrie und Architektur wahrnehmen. Man sieht es in den Dimensionen des römischen Pantheons und des Weißen Hauses, im menschlichen Körper und Gesicht, wie es in Leonardos Vitruvianischen Menschen dargestellt ist, und in natürlichen Formen. Diese Verbindung zwischen mathematischer Struktur und visueller Schönheit ist genau das, was FIBO verkörpert: ästhetische Qualität durch formale Struktur.

FIBO verändert die Beziehung zwischen Intent und Ausgabe. Die meisten visuellen AI-Systeme fügen Schichten der Interpretation zwischen das, was Sie wollen, und das, was Sie erhalten, ein – Sie schreiben einen Prompt, das Modell übersetzt es durch Sprachencoder, diffundiert es durch Rauschen, und Sie hoffen, dass das Ergebnis Ihrem Vorhaben entspricht. FIBO entfernt diese Schichten vollständig.

Wir haben visuelle AI so gestaltet, dass sie wie Code funktioniert – jedes kreative Element wird bearbeitbar und wiederholbar. Das ist ein Durchbruch für Profis, die mit dem Prompt-Roulette feststeckten. Jedes Element, Lichtintensität, Kamera-Winkel, Farb-Palette, Komposition, Stil existiert als explizite, steuerbare Eigenschaft. Die JSON-Struktur ermöglicht es Ihnen, nur die Parameter zu modifizieren, die Sie ändern möchten, während alle anderen gesperrt bleiben. Sie können die Lichtintensität anpassen, ohne die Komposition zu beeinflussen, oder den Kamera-Winkel ändern, ohne die Farb-Palette zu verändern. Das System tut genau das, was Sie angeben, jedes Mal.

Wir führen Hackathons mit Fal und NVIDIA (NVDA ) durch, um Entwicklern zu zeigen, wie deterministische Generierung in der Praxis funktioniert. Die JSON-Struktur selbst öffnet die Blackbox – Sie können genau sehen, welche Parameter ein Bild erstellt haben, es reproduzieren und mit Präzision modifizieren. Es ist ein völlig anderes Paradigma als Prompt-Engineering.

Traditionelle Text-Bild-Systeme verlassen sich auf immer komplexere Prompts, um spezifische Ergebnisse zu erzielen. Wie löst FIBOs Ansatz das Problem der Prompt-Komplexität?

Zwei Probleme müssen gelöst werden. Erstens gibt es das Problem der Prompt-Zufälligkeit, weil aktuelle Modelle versuchen, die Benutzerintention zu extrahieren und das hinzufügen, was das Modell für ästhetisch oder wünschenswert hält, durch Prompt-Verbesserung. Zweitens fehlt die Kontrolle über professionelle Eigenschaften.

FIBO invertiert dies. Das Modell wurde auf mehr als 1.000 Wörtern visueller Beschreibungen pro Bild trainiert, die explizit über 100 unabhängige Attribute in JSON-Format kodieren. Dies wurde nicht nachbearbeitet oder extrahiert – es war das native Trainingsformat. Da jedes Attribut von Anfang an strukturell dargestellt wurde, lernte das Modell visuelle Komposition als eine Reihe diskreter, steuerbarer Parameter und nicht als eine unscharfe Interpretation von Text.

Was dies in der Praxis bedeutet: Sie definieren ästhetische Intention durch Struktur, nicht durch “Prompt und beten”. Die Ebene der Text-Bild-Übereinstimmung ist fundamental höher, weil es keine Übersetzungsschicht gibt. Sie sprechen die Muttersprache des Modells. Und da Eigenschaften unabhängig sind, können Sie die Lichtintensität anpassen, ohne die Komposition zu beeinflussen, oder die Farb-Palette ändern, ohne den Stil zu verändern. Die Kontrolle ist chirurgisch präzise.

FIBO führt einen “Refine”-Workflow ein, der sich von typischer iterativer Generierung unterscheidet. Wie verändert dies, wie Profis visuelle Produktion angehen?

Die meisten generativen Workflows sind iterativ auf eine frustrierende Weise – Sie generieren, bewerten, passen Ihren Prompt an, generieren erneut, hoffen, dass es näher kommt. Dieses “Prompt und beten”. Sie sind nie ganz sicher, was sich geändert hat oder warum.

Refine verwandelt Experimentieren in Design. Sie raten nicht, was ein neuer Prompt bewirken könnte – Sie steuern das Bild genau so, wie Sie Licht oder Farbe in Photoshop anpassen. Sie müssen nicht direkt auf der JSON-Ebene arbeiten – ein vision-sprachliches Modell modifiziert die JSON für Sie basierend auf natürlichen Sprachanweisungen. Aber die JSON selbst lässt Sie verstehen, was genau passiert ist. Sie generieren ein anfängliches Bild, untersuchen seine JSON-Darstellung, identifizieren, welche Eigenschaften angepasst werden müssen – vielleicht ist die Lichtintensität zu hoch oder der Kamera-Winkel muss um 15 Grad verschoben werden – und Sie passen nur diese Werte durch einfache Anweisungen an. Alles andere bleibt gesperrt.

Diese Struktur ist perfekt für agente-gesteuerte Workflows. Ein AI-Agent kann die JSON analysieren, den vollständigen Zustand des Bildes verstehen, gezielte Anpassungen vornehmen und seine Argumentation erklären – all dies, weil die Parameter explizit und interpretierbar sind. Der Agent ratet nicht, was eine Prompt-Änderung bewirken könnte; er nimmt präzise Anpassungen an bekannten Eigenschaften vor.

Dies entfernt die Unvorhersehbarkeit, die Profis von generativer AI skeptisch gemacht hat. Wenn Sie die vollständige Parametermenge sehen können, die ein Bild erstellt hat, verstehen, was jede Eigenschaft steuert, und einzelne Attribute mit der Sicherheit anpassen, dass nichts anderes driftet, sind Sie nicht mehr experimentell – Sie entwerfen. Die JSON-Sichtbarkeit öffnet die Blackbox vollständig. Für professionelle Produktionsworkflows, in denen Konsistenz und Kontrolle wichtiger sind als Neuheit, ist dies der Unterschied zwischen einem kreativen Spielzeug und einem Produktionswerkzeug.

Datenethik und Marken-Sicherheit sind zu zentralen Aspekten von Unternehmens-AI geworden. Wie stellt Brias Verwendung vollständig lizenzierter, rechtsklarer Daten sowohl Compliance als auch Respekt für die IP von Kreativen sicher?

Von Tag eins an haben wir entschieden, dass die Branche, wenn sie verantwortungsvoll wachsen soll, mit Datenintegrität beginnen muss. Jedes Bild, das FIBO trainiert hat, stammt aus lizenzierten, rechtsklaren Quellen durch Partnerschaften mit Content-Führern wie Getty Images (GETY ) und Envato. Dies stellt sicher, dass unsere Modelle konform und fair sind. Wir sehen Respekt für Kreativen als Teil des Wertschöpfungsprozesses und nicht als Einschränkung. Unternehmen profitieren von dieser Integrität, da sie ihnen die rechtliche und ethische Sicherheit geben, die sie benötigen, um zuversichtlich zu skalieren.

FIBO wurde trainiert, um den einzigartigen Markenstil und die Identität jedes Unternehmens zu lernen. Wie verändert diese Fähigkeit, wie globale Marken Inhalte erstellen und visuelle Konsistenz angehen?

Marken haben ihre eigene visuelle DNA – eine einzigartige Art, Emotionen, Vertrauen und Zweck durch Design auszudrücken. FIBO kann diese Sprache lernen. Sobald trainiert, generiert es visuelle Inhalte, die die gleiche Komposition, den gleichen Ton und die gleiche Atmosphäre widerspiegeln, die die Identität einer Marke definieren. Dies wandelt AI von einem kreativen Assistenten in ein Marken-Asset um. Es hilft globalen Teams, mit Ausrichtung zu schaffen, nicht mit Annäherung. Das Ergebnis ist Konsistenz im großen Maßstab ohne den Verlust von Individualität.

Mit frühen Anwendern, die FIBO bereits nutzen, um Verpackungsdesign, Produktbilder und kreative Kampagnen zu automatisieren, welche Ergebnisse oder Rückmeldungen haben Sie bisher am meisten beeindruckt?

Die Veränderung der Denkweise. Teams beginnen, AI als Teil ihres operativen Werkzeugs und nicht als Neuheit zu betrachten. Ein globales Unternehmen generiert regionale Verpackungsvarianten viel schneller, während es die Markenidentität beibehält. Eine führende Kreativagentur hat die Kampagnenentwicklung um das Zehnfache beschleunigt durch kontrollierte Iteration. Aber das eigentliche Signal kommt von kreativen Direktoren, die uns sagen, dass sie sich mehr im Kontrollbereich fühlen; dass das Modell ihre visuelle Intention versteht. Das ist ein Wendepunkt für die Branche.

Bria positioniert sich als Führer in ethischer und kontrollierbarer AI. Wie sehen Sie diese Philosophie die zukünftigen Regularien oder Branchenstandards für visuelle AI prägen?

Wir haben einen Punkt erreicht, an dem Innovation und Regulierung gemeinsam voranschreiten müssen. Regulierung ist kein Hindernis, sondern die Infrastruktur für nachhaltiges Wachstum. Unser Ansatz – transparente Daten, deterministische Ausgaben, klare Herkunft – stimmt eng mit dem überein, was sich in den aufkommenden Richtlinien abzeichnet. Ich glaube, wir werden neue Standards sehen, die Priorität auf Nachvollziehbarkeit, Erklärbarkeit und Rechtsschutz legen. Brias Philosophie ist es, diese Standards durch Praxis und nicht durch politische Erklärungen zu definieren.

Was kommt als Nächstes für Bria nach FIBO? Stellen Sie sich vor, in multimodale AI zu expandieren, die Bild-, Video- und 3D-Generierung unter einem kontrollierbaren Framework vereint?

Ja. Die gleichen Prinzipien, die FIBO antreiben – Struktur, Kontrolle, Transparenz – gelten über alle visuellen Bereiche hinweg. Wir erkunden bereits Erweiterungen in Video und 3D, wo Determinismus die gleiche Zuverlässigkeit bringen kann, die Unternehmen derzeit mit Bildern haben. Unser Ziel ist einfach: Machen Sie AI-Kreativität so kontrollierbar und sicher wie das Schreiben von Code – und erweitern Sie dies auf jedes visuelle Medium, von Bildern bis hin zu Video und 3D.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Bria besuchen.