„Zenture: Zweifel beseitigen, Vertrauen messbar machen“ – welche konkrete Erfahrung hat den Ausschlag gegeben, zenture zu bauen?

Am Ende gab vor allem die Häufigkeit den Ausschlag. Immer wieder zeigte sich: KI ist mächtig, aber mit Vorsicht zu genießen. Informationen stimmten nicht immer – und dann folgte der Klassiker: „Oh stimmt, du hast recht, ich muss meine Aussage korrigieren.“

Gleichzeitig hatte sich die Branche darauf konzentriert, Menschen durch Agenten zu ersetzen und Content zu generieren – Quantity over Quality, statt Nutzer mit qualitativen Informationen zu stärken. Genau das wollten Sauren und Tresselt verändern.

Was genau misst der AI-Reliability Score – und was misst er bewusst nicht?

Der Reliability Score verbindet die wichtigsten Kriterien zur Bewertung einer KI-Aussage: die Attribution von Aussagen durch Quellen, Konsistenz und vor allem die tatsächliche Aufgabenerfüllung. Im Kern beantwortet er eine Frage: Wie wahrscheinlich ist es, dass diese Antwort richtig ist?

Bewusst nicht gemessen wird die generelle „Güte“ eines Modells. zenture bewertet ausschließlich die qualitativen Eigenschaften der konkret generierten Antwort – modellunabhängig. Entscheidend ist: Wie gut erfüllt diese Antwort die gestellte Aufgabe?

KI-Antworten wirken oft überzeugend, selbst wenn sie falsch sind. Woran erkennt ein Nutzer den Unterschied, ohne selbst Experte im jeweiligen Thema zu sein?

Wer ein Thema nicht vollständig beherrscht, kann kaum erkennen, ob eine Information stimmt – je fremder das Thema, desto höher das Risiko. Dennoch gibt es Hinweise: zugängliche Quellen, die Aussagen stützen, eine konsistente Argumentation und möglichst wenige relativierende Wörter wie „wahrscheinlich“. Ebenso wichtig: möglichst wenige unbelegte Annahmen innerhalb der Antwort selbst.

Warum ein Multi-KI-Chat statt eines einzelnen, optimierten Modells – was verrät der Vergleich mehrerer Antworten, das eine einzelne KI allein niemals zeigen würde?

Vor allem die Überdeckung zwischen mehreren Antworten: Je höher sie ausfällt, desto wahrscheinlicher ist die Information korrekt. Gleichzeitig werden Ausreißer und ein Abdriften einzelner Modelle sichtbar – ebenso wie Meinungsextreme und mögliche Verzerrungen, die sich so deutlich schneller identifizieren lassen.

Für welche Art von Entscheidung ist zenture aus Ihrer Sicht unverzichtbar – und für welche bewusst überdimensioniert?

Unverzichtbar ist zenture vor allem für professionelle Wissensarbeit – überall dort, wo belastbare Aussagen in Geschäfts- und Arbeitsprozessen wichtige Entscheidungen tragen. Überdimensioniert ist es eher bei einfachen Alltagsfragen wie einem Kuchenrezept – es sei denn, auch dort zählt maximale Verlässlichkeit.

Gibt es einen konkreten Fall, in dem eine überprüfbare KI-Antwort einen greifbaren Unterschied gemacht hat – im positiven Sinn oder als rechtzeitiges Warnsignal?

In der Closed-Alpha-Phase arbeiteten unter anderem Studierende mit zenture. Bei der Ausarbeitung von Studienarbeiten und der Suche nach Belegen half das Tool, dünne Faktenlagen frühzeitig zu erkennen. Auch bei komplexeren Themen mit schlechter Datenlage zeigte sich schnell, wenn nur wenige valide Quellen existierten – ein Signal, selbstbewusst klingende KI-Aussagen kritisch zu hinterfragen.

Unternehmen diskutieren KI-Governance meist auf Prozessebene. Wie fügt sich die Überprüfbarkeit einzelner KI-Antworten in dieses größere Bild ein?

KI ist ein sehr starkes Instrument, das zunehmend den Arbeitsalltag prägt – genau deshalb sollten geschäftskritische Entscheidungen durch eine solche Überprüfbarkeit zusätzlich abgesichert werden. Man kann es als unabhängiges Vier-Augen-Prinzip für KI-Antworten verstehen.

Was ist der teuerste Irrtum, dem Nutzer im Umgang mit KI-Vertrauenswürdigkeit aktuell unterliegen?

Der größte Irrtum: Selbstbewusst klingende Aussagen sind nicht automatisch richtig. Das kann zu Entscheidungen auf falscher Grundlage führen – mit Zeit- und Kostenfolgen, vor allem aber mit Risiken für die eigene Reputation als verlässlicher Akteur. Verstärkt wird das dadurch, dass Fakten heute oft ohne großes Hinterfragen übernommen werden. zenture übernimmt genau diese Prüfung, bevor eine Antwort überhaupt beim Nutzer ankommt.

Wie hat sich Ihre eigene Definition einer verlässlichen KI-Antwort seit dem Start von zenture verändert?

Die zentrale Erkenntnis: Selbstbewusst, schön formulierte Aussagen klingen verlässlich, sind es aber nicht automatisch. Verlässlichkeit bedeutet für zenture heute, dass unabhängige Instanzen dieselbe Argumentation stützen und Belege liefern. Vor zenture schenkte man wohlformulierten Antworten aus dem Bauchgefühl heraus zu schnell uneingeschränkt Glauben – diese Erkenntnis ist inzwischen fest im Scoring-System verankert.

Wo steht zenture in zwei Jahren – welche Fähigkeit fehlt dem Produkt heute noch, die Sie als Nächstes unbedingt nachrüsten wollen?

Das Ziel ist, zenture als Reliability Layer zwischen Menschen und KI zu etablieren – als unabhängige Prüfinstanz für verlässlichere KI-Arbeitsergebnisse. Dafür soll zenture nicht nur eigenständig nutzbar sein, sondern direkt dort, wo Nutzer bereits arbeiten: in ChatGPT, Claude oder über eine API als Erweiterung der gängigen Frontier-Systeme. Zusätzliches Potenzial sieht zenture in der eigentlichen Kernkompetenz – der Auswertung von KI-Antworten – sowohl auf algorithmischer als auch auf infrastruktureller Ebene, um Evaluierungen schneller und zuverlässiger zu machen.