Forschung

Forschung, die im Peer Review besteht.

Wir bauen KI-Systeme für den Mittelstand. Unsere Methoden prüfen wir dort, wo am strengsten geprüft wird: in begutachteten Fachzeitschriften, gemeinsam mit dem Max-Planck-Institut und Forschenden an Universitäten. Derselbe Anspruch an Belege steckt in jedem System, das wir liefern.

8.300×: schneller als ein klassischer Löser, veröffentlicht mit dem Max-Planck-Institut
168: Zitationen des Artikels in der Fachliteratur, Stand November 2026
4: Kooperationen mit Forschenden seit 2020, in Deutschland, Argentinien und Indien

Mit dem Max-Planck-Institut

Wir haben einer KI Festkörpermechanik beigebracht.

Im Juli 2021 haben DeepMetis und das Max-Planck-Institut für Eisenforschung (MPIE) in Düsseldorf einen Deep-Learning-Löser veröffentlicht. Er berechnet lokale Spannungen in heterogenen Materialien bis zu 8.300-mal schneller als ein klassischer numerischer Löser.

Das Problem

Wie komplexe Materialien unter Last reagieren, entscheidet über die Sicherheit von Autos, Brücken und Maschinen. Klassische Löser rechnen genau, aber iterativ. Eine einzige Simulation nichtlinearen Materials dauert Minuten bis Stunden.

Unser Ansatz

Wir haben ein modifiziertes U-Net, ein faltendes neuronales Netz, mit 1.000 vollständigen Simulationen aus der Open-Source-Software DAMASK des MPIE trainiert. Danach liefert das Netz das komplette Spannungsfeld in einem einzigen Durchlauf. Ohne Iteration, auch für Geometrien, die es im Training nie gesehen hat.

Unsere Rolle

DeepMetis hat das Konzept mitentwickelt, das neuronale Netz entworfen und trainiert. Dr. Jaber Rezaei Mianroodi (MPIE) hat die Simulationsdaten erzeugt. Prof. Dierk Raabe, Direktor am MPIE, hat die Arbeit betreut.

Warum das für die Industrie zählt

Schnelle Ersatzmodelle machen rechenintensive Aufgaben praktikabel: Design- und Topologieoptimierung, frühes Erkennen von Spannungsspitzen und bessere Startwerte für klassische Löser.

Erschienen Open Access in npj Computational Materials (Nature Portfolio), bisher 168-mal zitiert. Das MPIE heißt heute Max-Planck-Institut für Nachhaltige Materialien.

Artikel bei Nature lesen Pressemitteilung des MPIE

Laufende Forschung 3 laufende Projekte

Woran wir gerade forschen.

Drei laufende Projekte zu Fragen, die direkt in unsere Kundenprojekte einfließen: wie LLM-Systeme im Betrieb zuverlässig bleiben, woraus Softwarearbeit wirklich besteht und wann ein Unternehmen bereit für KI ist.

Qualitätssicherung für LLM-Systeme

Damit KI nach dem Livegang nicht leise kaputtgeht.

Beteiligte Institutionen

Uka Tarsadia University Bardoli, Indien

Mit Sapan Naik, Assistant Professor an der Uka Tarsadia University (Bardoli, Indien), und zwei seiner Studierenden. Gemeinsames Forschungspapier, begonnen im Januar 2025.

LLM-Systeme sind instabil. Wer einen Prompt ändert, das Basismodell tauscht oder ein Werkzeug ergänzt, behebt ein Verhalten und bricht unbemerkt ein anderes.

Das Framework stammt aus unserem Forschungs- und Entwicklungsteam. Jeder LLM-Schritt wird zu einer gekapselten Komponente mit festen Ein- und Ausgabeschemata. So wird Qualitätsverlust sichtbar, bevor Kunden ihn bemerken.

Das Framework ist modellunabhängig. Es kombiniert einfache Prüfungen wie Schema-Gültigkeit und Pflichtbegriffe mit Bewertungen durch ein LLM zu Faktentreue, Ähnlichkeit und Kriterien. Dasselbe Prinzip nutzen wir heute in unseren Kundensystemen.

So wächst der Testpool

Fehler, schlechte Antwort oder neues Feature Jeder Fall wird festgehalten, statt nur behoben zu werden.
Wird zum Testfall Mit fester Eingabe und erwarteter Ausgabe, im wachsenden Pool.
Jede Änderung läuft gegen alle Fälle Neue und alle früheren, egal ob Prompt, Modell oder Werkzeug.
Live nur, wenn alle bestehen Was früher funktioniert hat, bleibt nachweisbar funktionsfähig.

Eigene Forschung

Zwei Fragen, die uns jeder Kunde stellt.

2026 haben wir begonnen, eigene Forschung zu veröffentlichen: Woraus besteht ein Projekt wirklich? Und ist ein Unternehmen überhaupt bereit für KI? Beide Arbeiten sagen offen, was schon belegt und was noch Hypothese ist.

WIT

An Intent-Centered Framework for Classifying Software Work Items

Frage: Warum gibt es ein Ticket überhaupt, und wie lässt sich Arbeit über Werkzeuge wie Jira, Azure DevOps und GitHub hinweg einheitlich einordnen?
Methode und Belege: Fallstudie mit 183 Tickets, 50 Meeting-Transkripten und Projektdokumenten. Sechs Intent-Typen, Übereinstimmung zwischen Bewertenden κ = 0,72. Pilotiert an 244 Open-Source-Issues auf GitHub.

AIRO

An AI Readiness Framework for SMB and Mid-Market Enterprises

Frage: Welche Art von KI kann ein kleines oder mittleres Unternehmen realistisch aufnehmen, und mit welchem Ertrag?
Methode und Belege: Design-Science-Framework mit 4 Dimensionen und 25 Unterdimensionen. Scoping Review von rund 120 Quellen, 37 bewertbare Fälle aus der DACH-Region. Delphi-Studie und fsQCA-Validierung sind geplant.

Die Interface-Dichte-These aus AIRO

Wie gut die Systeme eines Unternehmens miteinander verbunden sind, sagt den Erfolg von KI besser voraus als die Raffinesse eines einzelnen Systems.

Das deckt sich mit unserer Praxis: Die meiste KI im Unternehmen liest aus einem System und schreibt in ein anderes.

Weitere Kooperationen

Geforscht wird seit dem Gründungsjahr.

2020

Mit einem Forscher der TU Berlin

Erklärbare KI für kritische Entscheidungen

In unserem Gründungsjahr haben wir an erklärbarer KI (XAI) gearbeitet: Methoden, die zeigen, warum ein Modell zu einer Entscheidung kommt. Das ist Voraussetzung für KI in Medizin, Versicherung und Verwaltung. Unser Forschungsteam hat dafür „Smart Highlighting“ entwickelt. Es markiert die Stellen in Patientenakten, die die Einschätzung eines Modells bestimmt haben. So prüfen klinische Forschende Vorerkrankungen schneller und können jede Entscheidung nachvollziehen.

Am 17. Dezember 2020 haben wir die Online-Veranstaltung „Explainable AI: Opening the Algorithmic Black Box for Critical Decision Making“ ausgerichtet. Es sprachen Damien Foucard, Machine-Learning-Forscher an der TU Berlin, über XAI-gestützte Zusammenfassung dynamischer Daten, unser Head of Research und Tarek R. Besold von neurocat. Der Austausch mit der TU Berlin ging 2021 in gemeinsamen technischen Workshops weiter.

2023–2024

Forschungsgruppe „Seguridad en Democracia“, Argentinien

KI-Werkzeuge für Forschung im öffentlichen Interesse

Die Gruppe an der Universidad Nacional del Sur unter Leitung von Dr. Tobías J. Schleider untersucht, wie neue Technologien und Gewaltprävention zusammenhängen. Wir haben ihr kostenlosen Zugang zu unserer LLM-Agentenplattform gegeben. Sie nutzte generative KI, um Paper zu entwerfen, zu prüfen und zu übersetzen, Literatur zusammenzufassen, Daten auszuwerten und auf Plagiate zu prüfen, immer als Vorarbeit für die Gestaltung öffentlicher Politik.

Die Zusammenarbeit lief in beide Richtungen. Das strukturierte Feedback der Gruppe, etwa zum Gesprächsverlauf, zum Export von Ergebnissen und zur Übersetzung längerer Texte, ging direkt in unser Produkt-Backlog.

Die Kooperation bezieht sich auf die Forschungsgruppe „Seguridad en Democracia“, nicht auf die Universidad Nacional del Sur als Institution.

In Ihrem Projekt

Forschung ist bei uns kein Nebenprojekt. Sie entscheidet, was wir bauen.

Literaturrecherche vor Architekturentscheidungen

Bevor wir eine Architektur festlegen, prüfen wir, was Forschung und Praxis dazu wissen. Eine Übersicht von 2026 zu Multi-Agenten-Systemen in der Softwareentwicklung prägt heute, wie wir selbst liefern.
Plattform-Recherche

Wir dokumentieren die Datenmodelle der ERP-Systeme, die wir ablösen oder anbinden, aus Herstellerquellen. Darunter Microsoft Dynamics 365, Sage, ERPNext, Odoo und Oracle NetSuite.
Technologie-Radar

Ein regelmäßiges internes Briefing verfolgt neue Modelle und Open-Source-Werkzeuge und bewertet ihre Reife, bevor wir sie bei Kunden einsetzen.
Nur geprüfte Zahlen

Jede Statistik verfolgen wir bis zur Primärquelle zurück und stufen sie als geprüft, teilweise geprüft oder ungeprüft ein. Ungeprüfte Zahlen erreichen keine Kundendokumente.

Ihr System verdient denselben Maßstab.

Zeigen Sie uns Ihren Prozess. Wir sagen Ihnen ehrlich, wo KI hilft, wo nicht, und worauf sich das stützt.