Am 23. Juni 2026 fand in München wieder der Munich AI Day statt. Veranstaltet wird er vom Munich Center for Machine Learning (MCML) – einem Forschungsverbund, an dem die Ludwig-Maximilians-Universität und die Technische Universität München maßgeblich beteiligt sind. Die Veranstaltung brachte führende KI-Forscher aus Deutschland und dem Ausland sowie Vertreter aus Wirtschaft, Politik und Medien zusammen.
Was beim Besuch des Events schnell auffiel: KI ist in aller Munde – in der Wissenschaft war maschinelles Lernen das allerdings schon lange, bevor der Begriff in Unternehmensstrategien auftauchte.
Die Vorträge des Tages zeigten, wie weit „KI“ in der angewandten Forschung bereits ist – und wo die Grenzen liegen.
KI im Gesundheitswesen: das Problem sind die Daten
Prof. Björn Eskofier von der LMU München stellte eine zentrale These in den Raum: Das Potenzial von KI in der Medizin ist längst bekannt. Was fehlt, ist die Infrastruktur.
Diagnosen und Behandlungsentscheidungen könnten durch KI präziser und personalisierter werden – das zeigen zahlreiche Studien. In der klinischen Praxis angekommen ist das bislang kaum, weil Gesundheitsdaten zwischen Kliniken, Geräten und Anbietern nicht kompatibel sind. Ein viel diskutierter Ansatz sind persönliche Gesundheitsdatenspeicher (Health Data Space), bei denen der Patient selbst im Mittelpunkt steht.
Auf regulatorischer Ebene gibt es Bewegung: Der European Health Data Space (EHDS), eine EU-Verordnung vom Februar 2025, schafft erstmals einen rechtlichen Rahmen für die sektorübergreifende Nutzung von Gesundheitsdaten in Europa. Bayern geht hier einen Schritt weiter. Im Januar 2026 haben Wissenschaftsminister Markus Blume und Gesundheitsministerin Judith Gerlach die Bavarian Health Cloud gestartet. Die staatlich kontrollierte Plattform macht Gesundheitsdaten der sechs bayerischen Universitätskliniken strukturiert und datenschutzkonform zugänglich. Die erste funktionsfähige Version soll bis Ende 2026 in Betrieb gehen. Eskofier nannte auch eine Frage, die die Branche noch nicht beantwortet hat: Ab wann wird es aus ethischer Sicht erforderlich sein, KI bei medizinischen Entscheidungen mit einzubeziehen?
KI verstehen – nicht nur einsetzen
Prof. Klaus Robert Müller vom BIFOLD (Berlin Institute for the Foundations of Learning and Data) beschäftigt sich mit einem Grundproblem moderner KI-Modelle: Sie liefern Ergebnisse, aber keine Erklärungen. Sein Forschungsschwerpunkt liegt auf Methoden, die maschinelle Lernmodelle interpretierbar machen – sogenannte Explainable AI (XAI).
Sein Hinweis auf den „Clever Hans“-Effekt blieb im Saal hängen: Clever Hans war ein Pferd, das scheinbar rechnen konnte – tatsächlich reagierte es auf unbewusste Signale seines Trainers. KI-Modelle können ähnliche Artefakte lernen und dabei trotzdem gute Testergebnisse erzielen. Wer KI im Einsatz hat, sollte verstehen, warum sie zu einem bestimmten Ergebnis kommt.
Was Satellistendaten mit dem Klimawandel und Urbanisierung zu tun haben
Die Methoden hinter der Erdbeobachtung klingen nach Raumfahrt – tatsächlich sind es dieselben KI-Ansätze, die zunehmend auch in der Industrie, der Stadtplanung oder der Versicherungsbranche Einzug halten. Prof. Xiaoxiang Zhu vom MCML und der TU München forscht daran, wie sich aus den riesigen Datenmengen moderner Erdbeobachtungssatelliten verwertbare Informationen gewinnen lassen.
KI-Methoden machen es möglich, aus diesen Daten konkrete Erkenntnisse zu ziehen: Wo wachsen Städte unkontrolliert? Wo drohen Naturkatastrophen? Wie verändert sich die Vegetation durch den Klimawandel? Zhu zeigte Anwendungsbeispiele, die von der Erkennung von Slums in Städten des Globalen Südens bis zur Krisenreaktion nach Katastrophen reichen.
Ihr Fazit war nüchtern: Die Grundlagenforschung zur KI-gestützten Erdbeobachtung habe enormes Potenzial, „but we are just scratching the surface.“
Wenn der Vogel ein Vogel ist – aber welcherdenn genau?
Prof. Serge Belongie von der Universität Kopenhagen und Präsident des ELLIS Board – dem europäischen KI-Forschungsnetzwerk – sprach über sogenannte Fine-Grained Image Analysis: die Herausforderung, nicht nur „Vogel“ oder „Auto“ zu erkennen, sondern konkrete Unterarten oder Modelle. Moderne Large Vision-Language Models haben hier in den letzten Jahren erhebliche Fortschritte gebracht.
Fazit
Der Munich AI Day macht deutlich: Deutschland und Europa spielen in der KI-Forschung keine Nebenrolle. Umso paradoxer ist unsere Abhängigkeit von Modellen und Plattformen aus den USA oder China, obwohl die Methoden dahinter oft auf europäischer Forschung aufbauen.
Was die Münchner Forschungsgruppen zeigen, ist solide und anwendungsnah. Zwischen Forschungsergebnis und Marktreife liegen in Europa aber oft Jahre. Nicht wegen fehlender Ideen, sondern wegen träger Entscheidungsprozesse und einer Regulierung, die vor allem Risiken im Blick hat anstatt neuer Möglichkeiten. Der Schutz vor Datenmissbrauch ist richtig und wichtig. Aber er darf nicht zur eingeschränkten Handlungsfähigkeit führen – oder dazu, dass Gründer ihre Startups ins Silicon Valley verlagern, weil Investoren dort weniger Bürokratie vorfinden.