Stefan Mesken, Chief Scientist at DeepL – Interview-Serie

Stefan Mesken, Chief Scientist at DeepL, hat über fünf Jahre bei DeepL die Kernforschung und wissenschaftliche Führung vorangetrieben, beginnend als Research Scientist im Oktober 2020, fortschreitend als VP of Research im November 2023 und übernehmend seine aktuelle Rolle im April 2025 in München. Vor DeepL arbeitete er als Data Scientist bei real.digital in der Region Köln-Bonn und führte Forschungen in mathematischer Logik an der Universität Münster durch. Seine Karriere verbindet grundlegende mathematische Forschung und angewandte KI, was ihn in die Lage versetzt, die wissenschaftliche Richtung hinter DeepLs groß angelegten Sprachmodellen und mehrsprachigen KI-Systemen zu leiten.

DeepL ist ein deutsches KI-Unternehmen, das sich auf den Bau von fortschrittlichen Sprach-KI-Systemen konzentriert, die genaue, kontextbezogene Übersetzung und Kommunikation in über 100 Sprachen ermöglichen. Gegründet im Jahr 2017 und mit Hauptsitz in Köln, bedient das Unternehmen Millionen von Nutzern weltweit und bietet Unternehmenslösungen über Abonnements und API-Angebote an. Seine Plattform hat sich von der Übersetzung auf ein breiteres Language-AI-Paket erweitert, einschließlich Schreibassistenz und Sprachfunktionen, das darauf abzielt, sichere, skalierbare Kommunikation für globale Unternehmen und Organisationen zu unterstützen.

Sie begannen Ihre Karriere in mathematischer Logik, bevor Sie in die angewandte Datenwissenschaft wechselten und schließlich die Forschungsorganisation von DeepL leiteten. Wenn Sie auf diese frühe Arbeit in formaler Argumentation zurückblicken, wie hat sie Ihre Art und Weise beeinflusst, autonome, unternehmensgrade KI-Systeme zu entwickeln?

Was mich ursprünglich in das Feld der Mengenlehre und mathematischen Logik gezogen hat, war eine unstillbare Neugier, zu lernen, wie diese komplexen Systeme funktionieren – von den Grundprinzipien bis in immer größere Tiefe. Diese Neugier ist ein konstanter Bestandteil meines Lebens seit meiner Kindheit. Es ist auch der Aspekt meiner Arbeit, den ich am meisten liebe. Derzeit besteht die Herausforderung darin, den Stand der KI-Entwicklung mit einem intensiven Fokus auf reale Nutzbarkeit voranzutreiben. Jenseits von Sicherheit und Vertrauen widme ich meine Zeit der Gewährleistung, dass Unternehmen und Nutzer aller Art von dieser unglaublichen Technologie profitieren können. Bisher war der Trend anders: Die meisten realen KI-Anwendungen sind entweder vollständig passiv (z. B. Empfehlungssysteme, die Sie konsumieren, aber nicht kontrollieren) oder hauptsächlich von hoch ausgebildeten, technischen Personen genutzt (z. B. Codierassistenten). Ich möchte diese Lücke schließen: Jedes Individuum und jedes Unternehmen sollte für den Erfolg gerüstet sein und in der Lage sein, die Art und Weise, wie es arbeitet, zu revolutionieren.

DeepL hat seinen Ruf auf hochpräziser Übersetzung aufgebaut. Wie hat diese Grundlage in der Sprachmodellierung das frühe Denken des Unternehmens über den Übergang von der Übersetzung zu allgemeineren KI-Systemen geprägt?

Was KI so magisch macht, ist, dass sehr ähnliche Konzepte und Ideen zu neuen Lösungen in ganz unterschiedlichen Bereichen führen können: Schachengines, Empfehlungssysteme, Proteinfaltung, selbstfahrende Autos, Übersetzungsmaschinen und viele mehr. Sie alle werden von demselben Satz von Prinzipien und Techniken angetrieben. Nachdem wir diese Techniken fast ein Jahrzehnt lang beherrscht haben, denken wir natürlich über neue Probleme nach, die wir angehen können. Intern war dies immer der Fall, was zur Erfindung des Glossars, Write, Voice, Customization Hub und vielem mehr geführt hat.

Als Chief Scientist, wie unterscheiden Sie sich zwischen dem Aufbau von Sprachmodellen, die flüssige Ausgaben erzeugen, und dem Aufbau von Systemen, die zuverlässig in realen Unternehmensworkflows handeln können?

Die grundlegenden Ideen sind erstaunlich ähnlich: Wir müssen verstehen, was unsere Nutzer wollen, und unsere KI-Systeme mit diesen Zielen und Vorlieben in Einklang bringen. Manchmal sind sie offensichtlich und explizit; manchmal sind sie subtil und unausgesprochen. In beiden Fällen ist es unsere Aufgabe, sicherzustellen, dass die Arbeit, die wir produzieren, für unsere Nutzer von hohem Wert ist. DeepL hat in diesem Bereich immer durch seine kundenorientierte Ausrichtung hervorgestochen. Wir jagen keine künstlichen Benchmarks oder akademischen Veröffentlichungen – wir jagen Kundenzufriedenheit. Dies war noch nie wichtiger als jetzt, da wir unseren Horizont erweitern und Menschen bei ihrer täglichen Arbeit unterstützen.

DeepL Agent stellt einen Übergang von assistierender KI zu autonomen Ausführungen dar. Welche waren die größten technischen Herausforderungen bei der Umsetzung dieses Übergangs in der Praxis?

Die größte Herausforderung beim Aufbau von DeepL Agent ist die Benutzerfreundlichkeit. Seit Jahren hat das KI-Ökosystem hauptsächlich Software-Entwicklern und hoch qualifizierten Experten gedient. Mit DeepL Agent wollen wir dies ändern und jedem Wissensarbeiter sophisticated Tools an die Hand geben, um komplexe Probleme zu lösen und zu automatisieren. Um dies zu erreichen, benötigen wir das gleiche Maß an Komplexität in Erkennung, Argumentation, Planung und Aktion. Anstatt den Nutzern eine reiche, aber komplexe Reihe von Tools vorzustellen, haben wir hart daran gearbeitet, eine kohärente, nahtlose und elegante Lösung für die End-to-End-Unterstützung und Workflow-Automatisierung zu schaffen.

Aus architektonischer Sicht, welche Fähigkeiten müssen vorhanden sein, bevor ein KI-System in der Lage ist, autonom in Unternehmensumgebungen zu operieren?

Für eine Vielzahl von administrativen Aufgaben ist die Technologie bereits vorhanden. DeepL Agent kann zuverlässig in Ihrer Umgebung handeln, Rat suchen, wenn benötigt, und menschliche Überprüfung anbieten, wann immer gewünscht. Dieses Maß an synthetischer Intelligenz war vor wenigen Monaten noch reine Fiktion. Es gibt jedoch noch einen langen Weg vor uns. In den nächsten Jahren werden KI-Agenten eine horizontale Ebene in Unternehmen bilden – unaufhörlich im Hintergrund arbeitend, mit Menschen und anderen zusammenarbeitend, um Bürokratie zu eliminieren und uns zu ermöglichen, Probleme zu lösen, die bisher außer Reichweite lagen.

Sie haben über tiefes Sprachverständnis als Voraussetzung für verantwortungsvolle KI-Agenten gesprochen. Was bedeutet “tief” in diesem Kontext jenseits von oberflächlicher Flüssigkeit?

Die Sprache ist bemerkenswert mehrdeutig und kontextabhängig – insbesondere in professionellen Bereichen. Sie haben dies wahrscheinlich selbst erlebt: das Mithören einer Gruppe von Freunden, die über ein Hobby sprechen, das Sie nicht teilen, oder eine professionelle Spezialisierung, in der Sie keine Erfahrung haben… Es mag für Außenstehende keinen Sinn ergeben, aber irgendwie verstehen sie sich perfekt. Wir möchten, dass KI-Unterstützung so nahtlos wie das Sprechen mit einem erfahrenen, vertrauenswürdigen Kollegen wirkt, mit dem Sie Jahre der Zusammenarbeit teilen. Implizite Vorlieben sollten implizit bleiben. Sie sollten nicht wiederholt erklären müssen, wie Sie die Arbeit haben möchten. Dies mag offensichtlich klingen, erfordert aber immense Forschung, um es richtig zu machen. Das ist, was ich mit “tiefem” Sprachverständnis meine.

Wie gehen Sie vor, wenn es um Sicherheitsvorkehrungen und Überwachung geht, wenn autonome Systeme eingesetzt werden, die reale Aktionen ausführen können und nicht nur Empfehlungen geben?

Für die Funktionsweise von KI-Unterstützung in Geschäftskontexten müssen wir sorgfältig Fähigkeiten mit Kontrolle ausbalancieren. Größere Fähigkeiten schaffen immense Chancen für Produktivität, aber wenn sie unkontrolliert bleiben, werden sie zu einer Belastung. Dies kann nicht passieren. Seit dem ersten Tag ist DeepL Agent mit unternehmensgradigen Sicherheitsvorkehrungen ausgestattet, die in mehreren Formen umgesetzt sind. Gemeinsame Arbeitsbereiche geben den Nutzern präzise Kontrolle über Daten und Zugriff, während sie Prüfprotokolle, menschliche Überwachung und menschliche Überprüfung ermöglichen. Zusätzlich haben Systemadministratoren feingranulare Kontrolle über die Systeme, die DeepL Agent navigieren kann, und Mechanismen, um zugrunde liegende Tools zu benachrichtigen, wenn sie vom Agenten betrieben werden.

Welche Lektionen haben Sie gelernt, wenn es darum geht, Ideen aus der Forschung in die Produktion umzusetzen, ohne Zuverlässigkeit oder wissenschaftliche Disziplin zu opfern?

Die Lücke zwischen Forschung und Produktentwicklung ist größer, als allgemein angenommen. Beide beginnen mit einem strengen Ansatz zur Lösung bisher ungelöster Probleme und einer sorgfältigen Aufzeichnung dessen, was funktioniert und was nicht. Während Forschung den Umfang vereinfachen und eine einfachere Weltmodellierung annehmen kann, muss die Produktentwicklung die Komplexität der realen Kontexte der Nutzer berücksichtigen. Bei KI-Unterstützung ist die Werkzeugnutzung ein prominentes Beispiel. Es ist verlockend, anzunehmen, dass Umgebungen immer für die Automatisierung vorbereitet sind, mit Systemzugriffen und APIs, die bereit sind. Die Realität unterscheidet sich. Genau wie selbstfahrende Autos die volle Komplexität der heutigen Infrastruktur meistern müssen, müssen KI-Agenten effektiv innerhalb der Zugriffsmuster, Daten und Systeme operieren, auf die Unternehmen angewiesen sind. Diese frühe Erkenntnis liegt im Herzen der Konstruktion von DeepL Agent.

Wenn DeepL von einer fokussierten Sprachplattform zu einem umfassenderen Unternehmens-KI-System expandiert, wie entscheiden Sie, welche Fähigkeiten eng kontrolliert bleiben sollten und welche für autonomes Verhalten freigegeben werden sollten?

Das Maß an Kontrolle, das für eine Aufgabe erforderlich ist, wird durch zwei Faktoren bestimmt: die Zuverlässigkeit der Person oder des Systems, das sie ausführt, und die potenzielle Auswirkung von Fehlern. Dies gilt gleichermaßen für menschliche und maschinelle Ausführung. Die Zuverlässigkeit von KI hat sich in den letzten Jahren massiv verbessert und wird weiter verbessern. Daher wird engere Kontrolle für immer weniger Aufgaben notwendig sein. Letztendlich wird die Zuverlässigkeit von KI die von menschlichen Experten für viele Aufgaben übersteigen. Dies gilt auch für Kontrollmechanismen, die zunehmend auf KI-Überwachung umstellen werden. Intern stellt DeepL Agent bereits jetzt den Nutzern Hilfe an, wenn Selbstkorrektur nicht möglich ist.

Wenn Sie in die Zukunft blicken, welche Durchbrüche im Sprachverständnis oder in der Agentenkonstruktion glauben Sie, werden das Unternehmens-KI in den nächsten zwei Jahren am stärksten prägen?

KI-Agenten werden nicht nur bei einzelnen Aufgaben helfen. Sie werden eine kooperative Produktivitätsebene in Unternehmen bilden, die auf unsere Seite arbeitet, um Ablenkungen zu reduzieren, Informationen genau dann zu präsentieren, wenn sie benötigt werden, und Probleme und immer komplexere Aufgaben vollständig im Hintergrund zu lösen.

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