Warum KI-Research mehrere Modelle braucht

Morgen & Stern unterstützt weltweit über 600 Sammler beim An- und Verkauf von Blue-Chip Kunst, das bedeutet Kunstwerke mit einem Wert von mehr als einer Million US-Dollar. Bei Transaktionen dieser Größenordnung ist eine umfangreiche Due Diligence unabdingbar. Bei der damit einhergehenden Auswertung großer teils proprietärer, teils öffentlich zugänglicher Datenmengen kann Künstliche Intelligenz einige ihrer Stärken voll ausspielen. Das Spannende und Besondere bei Kunst ist dabei, dass man sie sehr gut auf zwei Ebenen analysieren kann. Inhaltlich in Textform, mit Informationen wie Titel des Werks, Technik, Jahr der Entstehung, Format, Provenienz, Ausstellungsverzeichnis und Literaturliste. Optisch, aufgrund der Einzigartigkeit der meisten Werke unterscheidet sich Kunst hier von anderen Recherchen und bietet zusätzliche Möglichkeiten, um wertvolle Informationen ausfindig zu machen und zu validieren.

Lokale Modelle versus Cloud-Modelle
Die marktbeherrschenden Sprachmodelle, wie ChatGPT, Claude, Gemini & Co. bezeichnet man als Cloud-Modelle, die in den Rechenzentren der jeweiligen Anbieter gehostet werden. Sie zeichnen sich durch ihre Nutzerfreundlichkeit, vielfältige Funktionalität, riesige Datenbestände und beeindruckende Rechenleistung aus. Doch trotz der teils strengen Datenschutzrichtlinien dieser Anbieter, scheuen wir uns davor sensible Daten in diese Systeme einzuspeisen, zum Beispiel von historischen Transaktionen aus dem Bereich Private Sales, die anders als Auktionsdaten eben nicht öffentlich einsehbar und streng vertraulich sind. Das Gleiche gilt für weitere wertvolle Daten, die wir über mehrere Jahrzehnte und Generationen hinweg gesammelt haben, zum Beispiel, welches Werk, wann, von wem, zu welchem Preis als Privatverkauf angeboten wurde.  Solcherlei Daten analysieren wir mit lokalen Modellen. Diese laufen „on-premise“ auf „eigenen air-gapped Servern“, sprich auf Rechnern in unseren Büros, die komplett vom Internet abgeschottet sind. Auch hier gibt es verschiedene Modelle, wie Deepseek, Llama oder Qwen, von denen man das passende für den jeweiligen Einsatzzweck auswählen kann. Egal, ob Cloud oder lokale Modelle stellen wir immer wieder fest, dass die einzelnen Modelle gewisse Inselbegabungen haben. Die besten Ergebnisse entstehen unserer Erfahrung nach, wenn man die Ergebnisse verschiedener Modelle übereinanderlegt, miteinander abgleicht, und so in einem mehrstufigen Verfahren validiert. Damit reduziert man zusätzliche mögliche Halluzinationen der KI-Modelle, die unserer Erfahrung nach zwar weit seltener geworden, aber eben auch nicht komplett ausgeschlossen sind. Letztendlich sollte man sich insbesondere bei solch hochpreisigen Transaktionen, wie in unserem Tagesgeschäft, nur auf jene Informationen verlassen, die im Zusammenspiel zwischen Maschine und Maschine sowie zwischen Mensch und Maschine validiert wurden.

Mensch versus Maschine oder Mensch mit Maschine
Die Kunstbranche ist sehr traditionell und im Vergleich zu anderen Branchen oft noch relativ rudimentär digitalisiert. Zahlreiche Branchenexperten gehen immer noch davon aus, dass ihr Wissen und ihre Erfahrung niemals von einer Maschine ersetzt werden kann. Niemand kann mehr Bilder gesehen, Bewertungen erstellt, und Nachforschungen zu ikonischen Werken betrieben haben, wie jemand, der bereits seit Jahrzehnten in einem der führenden Auktionshäuser tätig ist. Ähnliche Vorbehalte und Denkweisen herrschen natürlich auch in anderen Branchen vor. Doch gerade bei der Verarbeitung großer Datenmengen kann ein Mensch schlichtweg nicht mit einer Maschine konkurrieren. Diese kann innerhalb weniger Sekunden Millionen von Datenpunkten, wie zum Beispiel öffentlich zugängliche Auktionsergebnisse, auswerten und miteinander verknüpfen. Dazu ist das menschliche Gehirn schlichtweg nicht im Stande, egal wie sehr wir uns das auch wünschen oder wie schwer es Menschen teilweise fällt sich dies einzugestehen.

Kann die Maschine den Menschen hier also vollständig ersetzen? Keinesfalls! Denn genau hier wird Artificial Intelligence zu Augmented Intelligence. Sie kann dem Menschen helfen sich genau auf die Punkte zu konzentrieren, bei denen er seine Stärke voll ausspielen kann. Digitale Dokumente können Fragen aufwerfen. Bei der Recherche zu einem zu verkaufenden Meisterwerk tauchte beispielsweise Zweifel auf, ob es wirklich Teil einer Ausstellung im vorletzten Jahrhundert war oder ein Fehler vorliegt, der über mehr als hundert Jahre hinweg in diversen Auktionskatalogen führender Anbieter einfach nur reproduziert wurde. Technologie hilft solche Schwachstellen zu identifizieren. Die finale Prüfung, teilweise in nicht digitalisierten alten Archiven, kann hingegen nur der Mensch vornehmen. Dabei muss er allerdings nicht mehr die Nadel im Heuhaufen suchen, sondern weiß genau, wo er nachschauen muss. In dem oben beschriebenen Fall musste tatsächlich die Provenienz des Werks im offiziellen Catalogue Raisonné eines weltweit bekannten Künstlers korrigiert werden. Wobei das genauso andersherum funktioniert und wir auch schon einen Fall hatten, bei dem ein Werk in einem renommierten Museum ausgestellt war, ohne dass der Eigentümer dies wusste und anschließend von der damit einhergehenden Wertsteigerung profitiert hat.

Browser-Variante versus API
Zu guter Letzt eine Erkenntnis, die mich an vergangene Technologiezyklen erinnert, zum Beispiel den Siegeszug von Social Media. In den ersten Jahren liegt der Fokus auf möglichst schneller Marktdurchdringung bei den Endkunden, was teilweise zu Lasten der B2B-Funktionen erfolgt. Insbesondere bei komplexen Recherchen stellen wir zum Beispiel immer wieder fest, dass wir bessere Ergebnisse erzielen, wenn wir die Recherche über die Browser-Variante anstoßen, statt direkt per API auf ein Modell zuzugreifen. Das liegt teilweise an System-Prompts, die eine Nutzerfrage während der Bearbeitung automatisch im Hintergrund optimieren, der Live-Websuche, welche die Recherche und Ergebnisse anreichern, oder Prompt-Chains, welche direkt mehrere Schritte weiter denken und arbeiten. Hier können wir nachschärfen, indem wir dem System Anweisungen mitgeben, wie „Du bist ein erfahrener Kunsthistoriker. Bitte prüfe alle Informationen sehr detailliert und sachlich. Verwende nur Informationen, die du über mindestens zwei unabhängige Quellen verifizieren kannst…“ oder eigene Tools und Agenten entwickeln. Doch auch das stößt in der Praxis oft an seine Grenzen, so dass wir gewöhnlich mit einem Mix aus der Browser-Variante und APIs arbeiten.

Fazit: Wie so oft, die gesunde Mischung macht’s!
Lange Rede, kurzer Sinn, ich könnte noch viele weitere Beispiele nennen. Letztendlich läuft es aber immer wieder auf die zentrale Erkenntnis heraus, dass es nicht die eine Lösung, nicht den einen Weg, nicht das eine Modell, nicht das eine Tool, nicht das eine was auch immer gibt, sondern die Kunst im Zusammenspiel vieler verschiedener Elemente besteht, und der Mensch dabei auch weiterhin oft als zentrale Schnittstelle und Schaltzentrale dient. Sowohl bei so etwas nur allzu menschlichem, wie der Kunst, als auch darüber hinaus.