Ob Model-Drift oder explodierende Compute-Kosten: Klassische KI-Ansätze stoßen in dynamischen Märkten schnell an ihre Grenzen. Das DeepTech-Startup Wakeline setzt hier mit adaptivem Continuous Learning an – einer KI-Architektur, die im laufenden Betrieb lernt. Wir haben mit Marius Kremeyer, dem Founding Chief Revenue Officer (CRO) von Wakeline, darüber gesprochen, wie er diese technologische Innovation in handfesten wirtschaftlichen Mehrwert für den Energiemarkt übersetzt, warum DeepTech einen langen Atem braucht und weshalb Kunden am Ende keine Architektur kaufen, sondern die Lösung für ihr konkretes Problem
Können Sie sich unseren Leserinnen und Lesern kurz vorstellen und erzählen, welche Aufgaben Sie als Chief Revenue Officer bei Wakeline übernehmen?
Ich bin Marius Kremeyer und seit Kurzem Founding Chief Revenue Officer (CRO) bei Wakeline. Mein Fokus liegt darauf, unsere Technologie erfolgreich auf den Markt zu bringen und die Brücke zwischen Innovation und den Bedürfnissen unserer Kunden zu schlagen. Gemeinsam mit dem Team identifiziere ich die Anwendungsfälle mit dem größten wirtschaftlichen Potenzial, baue strategische Partnerschaften und Pilotprojekte auf und entwickle daraus skalierbare Go-to-Market-Strukturen.
Gerade im DeepTech-Umfeld geht die Rolle eines Chief Revenue Officers weit über den klassischen Vertrieb hinaus. Es geht darum, die technologischen Möglichkeiten mit den Herausforderungen des Marktes zu verbinden. Viele Unternehmen stoßen mit heutigen KI-Ansätzen an Grenzen, etwa durch Model-Drift, steigende Compute-Kosten oder fehlende Trainingsdaten. Meine Aufgabe ist es, daraus konkrete, wirtschaftlich relevante Anwendungsfälle zu entwickeln.
Wakeline entwickelt mit Continuous Learning einen neuen Ansatz für Künstliche Intelligenz. Wie vermitteln Sie potenziellen Kunden den Mehrwert dieser Technologie?
Im Gespräch steht deshalb zunächst nicht unsere Architektur im Mittelpunkt, sondern das konkrete Problem des Kunden. Viele Unternehmen erleben, dass ihre KI-Modelle zunächst sehr gute Ergebnisse liefern, mit der Zeit jedoch an Zuverlässigkeit verlieren, sobald sich Daten oder Rahmenbedingungen verändern. Die Folgen sind zusätzlicher Aufwand, steigende Betriebskosten und Entscheidungen, die nicht mehr auf einer aktuellen Datengrundlage basieren.
Genau hier setzt unser Continuous-Learning-Ansatz an. Statt Modelle regelmäßig komplett neu trainieren zu müssen, kann sich unsere Architektur im laufenden Betrieb an neue Signale und veränderte Bedingungen anpassen. Für unsere Kunden bedeutet das weniger operativen Aufwand, kürzere Iterationszyklen und belastbarere Entscheidungen in dynamischen Umgebungen. Entscheidend ist dabei, dass Continuous Learning bei Wakeline kein unkontrolliertes Selbstlernen bedeutet, sondern innerhalb klar definierter Leitplanken mit kontinuierlichem Monitoring und regelmäßiger Evaluierung erfolgt.
Welche Branchen und Unternehmen profitieren aktuell besonders von den Lösungen von Wakeline, und wo sehen Sie das größte Wachstumspotenzial?
Aktuell konzentrieren wir uns auf Branchen, in denen Dynamik, Unsicherheit und hohe Entscheidungskosten zusammenkommen. Der Energiemarkt ist dafür ein sehr gutes Beispiel: Angebot, Nachfrage, Wetter, Regulierung und Marktverhalten verändern sich kontinuierlich. Gleichzeitig werden wirtschaftlich relevante Entscheidungen auf Basis von Prognosen getroffen, etwa im Energiehandel, Lademanagement oder in energieintensiven Industrien.
Darüber hinaus sehen wir großes Potenzial in der industriellen Fertigung, da Prozesse dort sehr individuell sind und sich kontinuierlich verändern. Doch auch im Bereich Medizin kann adaptive KI eine wichtige Rolle spielen, weil klassische Modelle häufig an der hohen Variabilität zwischen einzelnen Menschen scheitern. Gemeinsam mit Pilotkunden und Designpartnern wollen wir zunächst nachweisen, in welchen Anwendungsfeldern der größte messbare Mehrwert entsteht und darauf aufbauend konkrete Produkte bauen.
Welche Herausforderungen begegnen Ihnen dabei, eine neuartige KI-Technologie am Markt zu etablieren, die sich deutlich von klassischen KI-Modellen unterscheidet?
Die größte Herausforderung ist, dass wir nicht in eine bestehende Kategorie passen. Viele Unternehmen wissen inzwischen, was klassische Machine-Learning-Modelle oder LLMs leisten können. Unser Ansatz setzt daher an einer anderen Stelle an: bei dynamischen Umgebungen, kontinuierlicher Anpassung und dateneffizientem Lernen. Das gilt es zunächst verständlich zu vermitteln.
Aus kommerzieller Sicht kaufen Kunden keine Architektur, sondern die Lösung eines konkreten Problems. Deshalb identifizieren wir Anwendungsfälle, in denen der Status quo nachweislich hohe Kosten verursacht. Wenn wir dann zeigen können, dass unsere Technologie dort bessere und robustere Ergebnisse liefert, wird aus einer technologischen Innovation ein klarer wirtschaftlicher Mehrwert.
Wie wichtig ist es für Wakeline, komplexe DeepTech-Innovationen verständlich zu kommunizieren und Vertrauen bei Unternehmen aufzubauen?
Extrem wichtig. Gerade weil wir eine neue Architektur entwickeln, müssen wir besonders klar vermitteln, wo sie sinnvoll eingesetzt werden kann und wo ihre Grenzen liegen. Vertrauen entsteht nicht durch große Versprechen, sondern durch Transparenz, nachvollziehbare Pilotprojekte und messbare Ergebnisse.
Für Unternehmen ist darüber hinaus entscheidend, dass adaptive KI kontrollierbar bleibt. Sie müssen nachvollziehen können, wie ein System zu einer Vorhersage, Erkenntnis oder Entscheidung gelangt und wie das Lernen im laufenden Betrieb begrenzt und überwacht wird. Deshalb ist Kommunikation bei Wakeline kein Marketingthema, sondern ein zentraler Bestandteil unserer Strategie und damit auch Chefsache.
Mit Market Edge unterstützt Wakeline den Energiemarkt bei der Prognose von Strompreisen. Welche Erfahrungen haben Sie bei der Markteinführung dieser Lösung gesammelt?
Der Energiemarkt bestätigt viele unserer Grundannahmen. Er ist dynamisch, datenreich und gleichzeitig von Situationen geprägt, in denen historische Muster allein nicht ausreichen. Viele Marktteilnehmer stehen dabei im Kern vor derselben zentralen Frage: Wie entwickeln sich Angebot und Nachfrage zu einem bestimmten Zeitpunkt, und welche wirtschaftlichen Entscheidungen lassen sich daraus ableiten?
Mit Market Edge sehen wir, dass gerade seltene oder außergewöhnliche Marktphasen besonders spannend sind. Genau dort stoßen statische Verfahren häufig an ihre Grenzen. Für uns ist der Energiemarkt deshalb nicht nur ein erster Anwendungsfall, sondern auch ein wichtiges Lernfeld, um unsere Technologie im realen Betrieb weiterzuentwickeln und ihren wirtschaftlichen Mehrwert zu belegen.
Welche Rückmeldungen erhalten Sie von Kunden, die erstmals mit adaptiver KI und Continuous Learning arbeiten?
Viele Kunden reagieren zunächst mit großem Interesse, haben aber gleichzeitig einen hohen Informationsbedarf. Sie möchten verstehen, wie unsere Technologie im laufenden Betrieb lernt, wie Veränderungen bewertet werden und welche Kontrollmechanismen bestehen. Das ist völlig nachvollziehbar, denn gerade in wirtschaftlich relevanten Anwendungen darf Anpassungsfähigkeit nicht zulasten von Transparenz und Nachvollziehbarkeit gehen.
Sobald wir die Funktionsweise erläutern, zeigt sich häufig ein Aha-Moment. Viele Unternehmen kennen die Grenzen klassischer KI-Ansätze aus eigener Erfahrung. Model-Drift, volatile Märkte, individuelle Prozesse und hohe Compute-Kosten sind für sie keine theoretischen Herausforderungen. Wenn deutlich wird, dass Continuous Learning genau an diesen Punkten ansetzt, wird der konkrete Mehrwert unserer Technologie sehr schnell greifbar.
Wie arbeiten Vertrieb, Produktentwicklung und Forschung bei Wakeline zusammen, um Kundenanforderungen schnell in die Weiterentwicklung der Technologie einfließen zu lassen?
Bei uns arbeiten Vertrieb, Produktentwicklung und Forschung eng zusammen, weil wir eine neue Technologie in reale Anwendungen überführen. Der Austausch mit den Kunden liefert uns dabei wichtige Erkenntnisse: Wo ist der Bedarf am größten? Welche Daten stehen tatsächlich zur Verfügung? Welche Entscheidungen hängen von einer Prognose oder Erkenntnis ab? Und woran messen Kunden den Erfolg?
Diese Informationen fließen direkt in die Produktentwicklung und Forschung zurück. Umgekehrt müssen wir aus technologischer Sicht genau verstehen, welche konkreten Anwendungsfälle bereits heute sinnvoll umsetzbar sind und wo noch Grundlagenarbeit erforderlich ist. Gerade in der frühen Phase geht es deshalb nicht darum, ein fertiges Standardprodukt möglichst breit zu vermarkten, sondern gemeinsam mit Designpartnern Proof-of-Value zu schaffen.
Welche Faktoren sind aus Ihrer Sicht entscheidend, um ein DeepTech-Unternehmen wie Wakeline erfolgreich zu skalieren?
Der erste Faktor ist Fokus. DeepTech-Unternehmen laufen leicht Gefahr, sich in den vielfältigen Möglichkeiten ihrer Technologie zu verlieren. Skalierung entsteht jedoch erst, wenn die richtigen ersten Märkte und Anwendungsfälle identifiziert werden, in denen der Mehrwert messbar und wiederholbar ist.
Der zweite Faktor ist Patient Capital. Wer grundlegende architektonische Herausforderungen löst, braucht Investoren und Partner, die an die langfristige Vision glauben und den notwendigen Zeithorizont mitbringen. Der dritte Faktor ist die Nähe zum Kunden. Man muss früh aus dem Labor in reale Umgebungen gehen, auch wenn sich diese zunächst noch nicht perfekt skalieren lassen. Denn nur so lässt sich verstehen, wie Daten tatsächlich fließen, welche Entscheidungen in der Praxis wirklich getroffen werden und welches Produkt langfristig skalieren kann.
Welche Märkte oder Branchen stehen für Wakeline in den kommenden Jahren besonders im Fokus?
Kurzfristig steht für uns der Energiemarkt klar im Fokus, da er von hoher Dynamik geprägt ist und gleichzeitig eine große Datenbasis liefert. Themen wie Strompreisprognosen, Lademanagement, Energiehandel oder energieintensive Industrie sind konkrete Anwendungsfälle, in denen eine bessere Anpassungsfähigkeit unmittelbar wirtschaftlichen Mehrwert schaffen kann.
Darüber hinaus prüfen wir weitere Branchen, insbesondere die industrielle Produktion und medizinische Anwendungen. Entscheidend ist für uns allerdings nicht, möglichst viele Märkte gleichzeitig zu bedienen, sondern diejenigen zu identifizieren, in denen Continuous Learning einen echten Wettbewerbsvorteil schafft. Wenn wir diesen Mehrwert nachweisen können, wollen wir darauf aufbauend Schritt für Schritt in weitere Branchen skalieren.
Wie möchten Sie dazu beitragen, Wakeline als Unternehmen langfristig weiterzuentwickeln und international zu positionieren?
Mein Beitrag besteht vor allem darin, aus einer starken Technologie ein kundenorientiertes Unternehmen mit klaren Zielmärkten, konkreten Anwendungsfällen und skalierbaren Wachstumsmodellen zu entwickeln. Dafür müssen wir zeigen, wo unsere Architektur bereits heute messbaren wirtschaftlichen Mehrwert schafft und diese Erfolge systematisch in Produkte, Partnerschaften und internationale Marktchancen übersetzen.
Langfristig sehe ich Wakeline als einen europäischen Anbieter einer eigenständigen KI-Architektur, die nicht einfach bestehende Paradigmen kopiert. Gerade für Europa ist das von großer Bedeutung. Denn wenn die Wertschöpfung im KI-Bereich zunehmend von wenigen proprietären Modellen und Infrastrukturen geprägt wird, braucht es leistungsfähige Alternativen. Wakeline kann dazu beitragen, indem wir robuste, dateneffiziente und adaptive KI-Systeme entwickeln, die Unternehmen mehr technologische Kontrolle und Unabhängigkeit ermöglichen.
Welche drei Ratschläge würden Sie anderen Gründerinnen, Gründern oder Führungskräften geben, die innovative DeepTech-Lösungen erfolgreich am Markt etablieren möchten?
Findet Investoren und Partner, die wirklich an eure Vision glauben. DeepTech braucht Zeit, weil man nicht nur ein Produkt entwickelt, sondern häufig ein grundlegendes technologisches Problem löst. Dafür braucht es Patient Capital und keine rein transaktionale Erwartungshaltung ab Tag eins.
Startet früh mit Designpartnern. Sobald das technologische Fundament steht, müsst ihr raus aus dem Labor. Sucht euch Kunden mit einem massiven, messbaren Problem und beweist im Live-Betrieb, dass eure Technologie einen echten wirtschaftlichen Vorteil schafft. Erst der Proof-of-Value, dann die Skalierung.
Übersetzt Technologie konsequent in Nutzen. Es reicht nicht, nur eine spannende Architektur zu entwickeln. Kunden müssen verstehen, welches Problem gelöst wird, warum bisherige Ansätze an ihre Grenzen stoßen und woran sich der Erfolg messen lässt. Wer DeepTech erfolgreich am Markt etablieren möchte, muss wissenschaftliche Tiefe mit kommerzieller Klarheit verbinden.
Bild Marius Kremeyer Bildcredits Roland Baege
Wir bedanken uns bei Marius Kremeyer für das Interview
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.
