Stefan Mesken, Chief Scientist bij DeepL – Interview Serie

Stefan Mesken, Chief Scientist bij DeepL, heeft meer dan vijf jaar bij DeepL gewerkt aan de ontwikkeling van de kernonderzoek en wetenschappelijke leiding, beginnend als onderzoeker in oktober 2020, vervolgens als VP van Onderzoek in november 2023 en uiteindelijk in zijn huidige functie in april 2025 in München. Voordat hij bij DeepL kwam, werkte hij als Data Scientist bij real.digital in de regio Keulen-Bonn en voerde hij onderzoek uit naar mathematische logica aan de Universiteit van Münster. Zijn carrière overspant zowel fundamenteel mathematisch onderzoek als toegepaste AI, waardoor hij de wetenschappelijke richting achter DeepL’s grote taalmodellen en meertalige AI-systemen kan leiden.

DeepL is een Duits AI-bedrijf dat zich richt op het ontwikkelen van geavanceerde taal-AI-systemen die nauwkeurige, contextuele vertaling en communicatie mogelijk maken in meer dan 100 talen. Het bedrijf is opgericht in 2017 en heeft zijn hoofdkantoor in Keulen. DeepL bedient miljoenen gebruikers wereldwijd en biedt ondernemingsoplossingen aan via abonnementen en API-aanbiedingen. Het platform is uitgebreid van vertaling naar een bredere Language AI-suite, met ondersteuning voor schrijven en spraak, om veilige, schaalbare communicatie te ondersteunen voor wereldwijde bedrijven en organisaties.

U bent uw carrière begonnen in de mathematische logica voordat u overstapte naar toegepaste datawetenschap en uiteindelijk de onderzoeksorganisatie van DeepL leidde. Kijkt u terug, hoe heeft dat vroege werk in formele redenering uw manier van denken over het bouwen van autonome, ondernemingsbrede AI-systemen beïnvloed?

Wat me aanvankelijk aantrok tot het vakgebied van verzamelingenleer en mathematische logica, was een onverzadigbare nieuwsgierigheid om te leren hoe deze complexe systemen werken – vanaf de eerste principes en tot in steeds grotere diepte. Die nieuwsgierigheid is een constante in mijn leven sinds mijn kindertijd. Het is ook het aspect van mijn werk dat ik het meest liefheb. Op dit moment is de uitdaging om de staat van AI-ontwikkeling te verbeteren met een intense focus op real-life bruikbaarheid. Naast veiligheid en vertrouwen, besteed ik mijn tijd aan het waarborgen dat bedrijven en gebruikers van alle soorten kunnen profiteren van deze geweldige technologie. Tot nu toe is de trend anders geweest: de meeste real-life AI-gebruik is ofwel geheel passief (bijv. aanbevelingssystemen die u consumeert maar niet controleert) of voornamelijk gebruikt door zeer getrainde, technische mensen (bijv. code-assistenten). Ik wil die kloof dichten: elk individu en elk bedrijf zou moeten worden ingericht voor succes en in staat zijn om de manier waarop ze werken te revolutioneren.

DeepL heeft zijn reputatie opgebouwd op hoge precisievertaling. Hoe heeft die basis in taalmodellering het vroege denken van het bedrijf over het verder gaan dan vertaling naar meer algemene AI-systemen gevormd?

Wat AI zo magisch maakt, is dat zeer vergelijkbare concepten en ideeën kunnen leiden tot nieuwe oplossingen in zeer verschillende domeinen: schaakengines, aanbevelingssystemen, eiwitvouwing, zelfrijdende auto’s, vertaalengines en vele anderen. Ze worden allemaal aangedreven door hetzelfde set van principes en technieken. Nu we deze technieken bijna een decennium meester zijn, denken we natuurlijk na over nieuwe problemen om ons op te richten. Intern is dit altijd het geval geweest, wat heeft geleid tot de uitvinding van de Glossary, Write, Voice, Customization Hub en meer.

Als Chief Scientist, hoe onderscheidt u zich tussen het bouwen van taalmodellen die vloeiende output genereren en het bouwen van systemen die betrouwbaar kunnen functioneren binnen echte ondernemingswerkprocessen?

De basisideeën zijn opmerkelijk vergelijkbaar: we moeten diep begrijpen wat onze gebruikers willen en onze AI-systemen vervolgens afstemmen op deze doelen en voorkeuren. Soms zijn ze overduidelijk en expliciet; andere keren zijn ze subtiel en onuitgesproken. In beide gevallen is het onze taak om ervoor te zorgen dat het werk dat we produceren van hoge waarde is voor onze gebruikers.
DeepL is altijd in deze gebieden uitgebleven vanwege onze klantgerichte aanpak. We jagen geen kunstmatige benchmarks na of academische publicaties – we jagen klanttevredenheid na. Dit is nooit belangrijker geweest dan nu, aangezien we onze horizon uitbreiden en mensen helpen met hun dagelijkse werk.

DeepL Agent vertegenwoordigt een verschuiving van ondersteunende AI naar autonome uitvoering. Wat waren de grootste technische uitdagingen om die overgang te laten werken in de praktijk?

Verreweg de grootste uitdaging bij het bouwen van DeepL Agent is bruikbaarheid. Jarenlang heeft het AI-ecosysteem voornamelijk gediend voor softwareontwikkelaars en zeer technische experts. Met DeepL Agent willen we dat veranderen en elke kenniswerker uitrusten met geavanceerde tools om complexe problemen op te lossen en te automatiseren. Om dit te bereiken, hebben we hetzelfde niveau van sofisticatie nodig in herkenning, redenering, planning en actie. In plaats van gebruikers voor te stellen met een rijke maar complexe set tools, hebben we hard gewerkt om een coherente, naadloze en elegante oplossing te creëren voor eind-tot-eindondersteuning en workflowautomatisering.

Vanuit een architectonisch perspectief, welke mogelijkheden moeten aanwezig zijn voordat een AI-systeem kan worden vertrouwd om autonoom te functioneren in ondernemingsomgevingen?

Voor een breed scala aan administratieve taken is de technologie al beschikbaar. DeepL Agent kan betrouwbaar functioneren in uw omgeving, advies inwinnen wanneer nodig en human-in-the-loop-verificatie aanbieden wanneer gewenst. Dit niveau van synthetische intelligentie was pure fictie slechts een paar maanden geleden. Toch is er nog een lange weg te gaan. In de komende jaren zullen AI-agents een horizontale laag in bedrijven vormen — onvermoeid werken in de achtergrond, samenwerken met mensen en andere agents om drukte te elimineren en ons in staat te stellen problemen op te lossen die eerder onbereikbaar waren.

U hebt gesproken over diepe taalbegrip als een voorwaarde voor verantwoorde AI-agents. Wat betekent “diep” in deze context, voorbij oppervlakkige vloeiendheid?

Taal is opmerkelijk ambigu en contextafhankelijk — vooral in professionele domeinen. U hebt dit waarschijnlijk zelf meegemaakt: het afluisteren van een groep vrienden die een hobby bespreken die u niet deelt of een professionele specialisatie waar u geen ervaring in heeft… Het kan voor buitenstaanders geen zin hebben, maar op de een of andere manier begrijpen ze elkaar perfect. We willen dat AI-ondersteuning zo naadloos aanvoelt als praten met een ervaren, vertrouwd collega met wie u jaren van samenwerking deelt. Impliciete voorkeuren moeten impliciet blijven. U zou niet telkens opnieuw hoeft uit te leggen hoe u werk wilt doen. Dit klinkt misschien vanzelfsprekend, maar het vereist enorm onderzoek om het goed te doen. Dat is wat ik bedoel met “diep” taalbegrip.

Hoe gaat u te werk met waarborgen en toezicht bij het inzetten van autonome systemen die echte acties kunnen ondernemen in plaats van alleen aanbevelingen te doen?

Om AI-ondersteuning te laten werken in bedrijfscontexten, moeten we zorgvuldig de balans tussen capaciteit en controle bewaren. Grotere capaciteit creëert immense kansen voor productiviteit, maar als het ongecontroleerd blijft, wordt het een aansprakelijkheid. Dit kan niet gebeuren. Vanaf de eerste dag is DeepL Agent uitgerust met ondernemingsbrede waarborgen, geïmplementeerd in meerdere vormen. Gedeelde werkruimtes geven gebruikers precieze controle over gegevens en toegang, terwijl ze audittrails, human oversight en human-in-the-loop-verificatie aandrijven. Bovendien hebben systeembeheerders fijne controle over de systemen die DeepL Agent kan navigeren en mechanismen om onderliggende tools te informeren wanneer ze door de agent worden bediend.

Wat zijn de lessen die u heeft geleerd over het overbrengen van ideeën van onderzoek naar productie zonder de betrouwbaarheid of wetenschappelijke discipline op te offeren?

De kloof tussen onderzoek en productontwikkeling is groter dan algemeen aangenomen. Beide beginnen met een rigoureuze aanpak om eerder onoplosbare problemen op te lossen en een zorgvuldige registratie van wat werkt en wat niet. Onderzoek kan de reikwijdte vereenvoudigen en een eenvoudiger wereldmodel aannemen, maar productontwikkeling moet rekening houden met de complexiteit van de context van echte gebruikers. In AI-ondersteuning is toolgebruik een voorbeeld. Het is verleidelijk om aan te nemen dat omgevingen altijd zijn voorbereid op automatisering, met systeemtoegang gesorteerd en API’s klaar. De realiteit verschilt. Net zoals zelfrijdende auto’s de volledige complexiteit van de huidige infrastructuur moeten hanteren, moeten AI-agents effectief opereren binnen de toegangspatronen, gegevens en systemen waar bedrijven van afhankelijk zijn. Deze vroege realisatie ligt aan de basis van het ontwerp van DeepL Agent.

Terwijl DeepL zich uitbreidt van een gefocust taalplatform naar een bredere ondernemings-AI-systeem, hoe beslist u welke mogelijkheden moeten blijven strikt gecontroleerd en welke moeten worden blootgesteld voor meer autonoom gedrag?

Het niveau van controle dat nodig is voor een taak wordt bepaald door twee factoren: de betrouwbaarheid van de mens of het systeem dat het uitvoert en het potentiële effect van fouten. Dit geldt evenzeer voor menselijke als voor machine-uitvoering. De betrouwbaarheid van AI is de afgelopen jaren enorm toegenomen en zal blijven verbeteren. Daarom zal strikte controle in de toekomst nodig zijn voor steeds minder taken. Uiteindelijk zal de betrouwbaarheid van AI de niveaus van menselijke experts voor veel taken overstijgen. Dit geldt ook voor controlemechanismen, die steeds meer zullen verschuiven naar AI-toezicht. Intern doet DeepL Agent dit al, door gebruikers om hulp te vragen wanneer zelfcorrectie niet mogelijk is.

Kijkt u vooruit, welke doorbraken in taalbegrip of agentontwerp denkt u dat het meest zal bijdragen aan ondernemings-AI in de komende twee jaar?

AI-agents zullen niet alleen helpen bij individuele taken. Ze zullen een collaboratieve productiviteitslaag in bedrijven vormen die voor ons werkt om afleiding te verminderen, informatie voor te bereiden en exact op het juiste moment te laten zien en problemen en steeds complexere taken volledig op de achtergrond op te lossen.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen bezoeken DeepL.