Stefan Mesken, Chief Scientist på DeepL – Intervjuserie

Stefan Mesken, Chief Scientist på DeepL, har tillbringat över fem år på DeepL med att utveckla företagets kärnforskning och vetenskapliga ledarskap, började som forskningsvetenskapsman i oktober 2020, avancerade till VP of Research i november 2023 och gick in i sin nuvarande roll i april 2025 i München. Innan DeepL arbetade han som Data Scientist på real.digital i Köln-Bonn-regionen och bedrev forskning i matematisk logik vid Universitetet i Münster. Hans karriär spänner över grundläggande matematisk forskning och tillämpad AI, vilket gör honom lämplig att leda den vetenskapliga riktningen bakom DeepLs storskaliga språkmodeller och flerspråkiga AI-system.

DeepL är ett tyskt AI-företag som fokuserar på att bygga avancerade språk-AI-system som möjliggör exakt, sammanhangsmedveten översättning och kommunikation på över 100 språk. Grundat 2017 och med huvudkontor i Köln, servar företaget miljontals användare världen över och erbjuder företagslösningar via prenumeration och API-erbjudanden. Plattformen har expanderat bortom översättning till en bredare Language AI-svit, som inkluderar skrivhjälp och röstfunktioner, designad för att stödja säker, skalbar kommunikation för globala företag och organisationer.

Du började din karriär inom matematisk logik innan du gick över till tillämpad data science och så småningom ledde DeepLs forskningsorganisation. När du ser tillbaka, hur påverkade den tidiga arbetet inom formell resonemang sättet du nu tänker på att bygga autonoma, företagsklassade AI-system?

Det som drog mig in i fältet för mängdteori och matematisk logik från början var en outsinlig nyfikenhet att lära sig hur dessa komplexa system fungerar – från första principer och in i allt större djup. Den nyfikenheten har varit en konstant i mitt liv sedan barndomen. Det är också den aspekten av mitt arbete som jag älskar mest. För närvarande är utmaningen att främja utvecklingen av AI med ett intensivt fokus på verklig användbarhet. Utöver säkerhet och tillit ägnar jag min tid åt att se till att företag och användare av alla slag kan dra nytta av denna otroliga teknologi. Hittills har trenden varit annorlunda: De flesta verkliga AI-användningar är antingen helt passiva (t.ex. rekommendationssystem som du konsumerar men inte kontrollerar) eller främst används av högt utbildade, tekniska personer (t.ex. kodassistenter). Jag vill stänga den luckan: Varje individ och företag bör vara utrustade för framgång och kunna revolutionera hur de närmar sig arbetet.

DeepL har byggt sitt rykte på högprecisionsöversättning. Hur påverkade den grundläggande språkmodelleringen företagets tidiga tankar om att gå bortom översättning till mer allmänna AI-system?

Det som gör AI så magiskt är att mycket liknande koncept och idéer kan leda till nya lösningar i väldigt olika domäner: schackmotorer, rekommendationssystem, proteinveckning, självkörande bilar, översättningsmotorer och många fler. De drivs alla av samma uppsättning principer och tekniker. Efter att ha behärskat dessa tekniker under nästan ett decennium nu tänker vi naturligt på nya problem att fokusera på. Internt har detta alltid varit fallet, vilket har lett till uppfinningen av Glossary, Write, Voice, Customization Hub och mer.

Som Chief Scientist, hur skiljer du på att bygga språkmodeller som genererar flytande utdata och bygga system som kan agera tillförlitligt inom verkliga företagsflöden?

De grundläggande idéerna är förbluffande lika: Vi behöver förstå på djupet vad våra användare vill ha och sedan anpassa våra AI-system till dessa mål och preferenser. Ibland är de uppenbara och uttryckliga; andra gånger är de nyanserade och outtalade. I båda fallen är det vårt jobb att se till att arbetet vi producerar är av högt värde för våra användare.
DeepL har alltid utmärkt sig inom detta område på grund av vår fokus på kunden. Vi jagar inte artificiella benchmark eller akademiska publikationer – vi jagar kundtillfredsställelse. Detta har aldrig varit viktigare än nu, när vi expanderar vår horisont och hjälper människor med deras dagliga arbete.

DeepL Agent representerar en skiftning från assisterande AI till autonom utförande. Vilka var de största tekniska utmaningarna i att göra den övergången fungera i praktiken?

Med största sannolikhet var den största utmaningen i att bygga DeepL Agent användbarheten. Under många år har AI-ekosystemet främst inriktat sig på programvaruutvecklare och högt utbildade experter. Med DeepL Agent syftar vi till att ändra på detta och utrusta varje kunskapsarbetare med sofistikerade verktyg för att lösa och automatisera komplexa problem. För att uppnå detta har vi arbetat hårt för att skapa en sammanhängande, sömlös och elegant lösning för slut-till-slut-assistans och arbetsflödesautomatisering.

Ur ett arkitekturperspektiv, vilka funktioner måste finnas på plats innan ett AI-system kan lita på att fungera autonomt i företagsmiljöer?

För en mängd administrativa uppgifter är tekniken redan här. DeepL Agent kan tillförlitligt agera i din miljö, söka råd när det behövs och erbjuda mänsklig verifiering i önskad utsträckning. Denna nivå av syntetisk intelligens var ren fiktion för bara några månader sedan. Ändå finns det fortfarande en lång väg att gå. Under de kommande åren kommer AI-agenter att bli en horisontell lager i företag — outtröttligt arbetande i bakgrunden, samarbetande med människor och varandra för att eliminera tråkigt arbete och ge oss möjlighet att lösa problem som tidigare varit utom räckhåll.

Du har talat om djup språkförståelse som en förutsättning för ansvarsfulla AI-agenter. Vad menar du med “djup” i detta sammanhang, utöver ytnivåfluent?

Språk är förbluffande tvetydigt och sammanhangsberoende — särskilt i professionella domäner. Du har förmodligen upplevt detta själv: att höra en grupp vänner diskutera en hobby du inte delar eller en professionell specialisering du saknar erfarenhet i… Det kanske inte gör någon mening för utomstående, men på något sätt förstår de varandra perfekt. Vi vill att AI-assistans ska kännas lika sömlös som att tala med en erfaren, betrodd kollega som du har samarbetat med i år. Implicita preferenser bör förbli implicita. Du bör inte behöva förklara om och om igen hur du vill att arbetet ska utföras. Detta kan låta uppenbart, men det kräver enorm forskning för att göra rätt. Det är vad jag menar med “djup” språkförståelse.

Hur närmar du dig säkerhetsåtgärder och tillsyn när du distribuerar autonoma system som kan vidta verkliga åtgärder snarare än bara ge rekommendationer?

För att AI-assistans ska fungera i affärssammanhang måste vi noggrant balansera kapacitet med kontroll. Större kapacitet skapar enorma möjligheter för produktivitet, men om den lämnas okontrollerad blir den en belastning. Detta kan inte hända. Från dag ett har DeepL Agent utrustats med företagsklassade säkerhetsåtgärder, implementerade i flera former. Delade arbetsytor ger användarna exakt kontroll över data och åtkomst, samtidigt som de driver granskningslogg, mänsklig tillsyn och mänsklig verifiering. Dessutom har systemadministratörer finmaskig kontroll över de system som DeepL Agent kan navigera och mekanismer för att meddela underliggande verktyg när de används av agenten.

Vilka lärdomar har du dragit om att föra idéer från forskning till produktion utan att offra tillförlitlighet eller vetenskaplig disciplin?

Klyftan mellan forskning och produktutveckling är bredare än vad som allmänt troddes. Båda börjar med en rigorös ansats för att lösa tidigare olösliga problem och en noggrann registrering av vad som fungerar och vad som inte fungerar. Medan forskning kan förenkla omfattningen och anta en enklare världmodell, måste produktutveckling ta hänsyn till komplexiteten i verkliga användares sammanhang. Inom AI-assistans är verktygsanvändning ett exempel. Det är frestande att anta att miljöer alltid är förberedda för automatisering, med systemåtkomst sorterad och API:er klara. Verkligheten skiljer sig. Liksom självkörande bilar måste hantera den fulla komplexiteten i dagens infrastruktur, måste AI-agenter fungera effektivt inom de åtkomstmönster, data och system som företag förlitar sig på. Denna tidiga insikt ligger till grund för DeepL Agents design.

När DeepL expanderar från en fokuserad språkplattform till ett bredare företags-AI-system, hur bestämmer du vilka funktioner som bör förbli tajt kontrollerade och vilka som bör exponeras för mer autonomt beteende?

Nivån på kontroll som krävs för en uppgift bestäms av två faktorer: tillförlitligheten hos den mänskliga eller systematiska utföraren och den potentiella påverkan av fel. Detta gäller lika för mänsklig och maskinell utförande. AI-tillförlitligheten har ökat massivt under de senaste åren och kommer att fortsätta förbättras. Därför kommer tajt kontroll att krävas för färre och färre uppgifter. Till slut kommer AI-tillförlitligheten att överstiga till och med mänskliga expertnivåer för många uppgifter. Detta gäller också för kontrollmekanismer, som kommer att alltmer skifta till AI-övervakning. Internt gör DeepL Agent redan detta, frågar användarna om hjälp när självkorrigering inte är möjlig.

När du ser framåt, vilka genombrott inom språkförståelse eller agentdesign tror du kommer att forma företags-AI mest under de kommande två åren?

AI-agenter kommer inte bara att hjälpa till med enskilda uppgifter. De kommer att bilda en samarbetsinriktad produktivitetsskikt i företag som arbetar på vår vägnar för att minska distraktioner, förbereda och presentera information exakt när det behövs och lösa problem och alltmer komplexa uppgifter helt i bakgrunden.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka DeepL.