Eine Technologie zu entwickeln ist das eine. Herauszufinden, wie Unternehmen sie tatsächlich einsetzen können, ist etwas anderes. Für das CISPA-Startup InputLab begann dieser Lernprozess mit rund 40 Gesprächen mit Banken und Versicherungen – und mit einer überraschenden Erkenntnis: Das größte Problem liegt oft nicht in der Technologie.
Seit August 2025 hat das Team mit Menschen aus Qualitätssicherung, Produktmanagement und anderen Fachbereichen gesprochen. Dabei wurde schrittweise klar: Die technische Generierung oder Anonymisierung von Testdaten ist zwar anspruchsvoll, aber oft nicht der eigentliche Engpass.
„Als Wissenschaftler sind wir zunächst davon ausgegangen, dass die zentrale Herausforderung darin besteht, hochwertige synthetische Daten mit komplexen strukturellen und semantischen Eigenschaften zu erzeugen“, sagt Dominic Steinhöfel, CEO von InputLab. „Das bleibt technisch relevant. Aber in der Praxis sind viele Organisationen noch gar nicht an diesem Punkt: Zuerst muss geklärt werden, welche Eigenschaften die Daten überhaupt haben sollen.“
Das Problem beginnt vor der Technologie
Bei einem neuen Testvorhaben müssen Qualitätssicherung, Entwicklung, Product Owner, Business Analysts und teilweise Datenbankteams gemeinsam festlegen, welche Kundenprofile, Grenzfälle und fachlichen Eigenschaften benötigt werden. Diese Abstimmung kann lange dauern. Und selbst wenn erste Daten bereitgestellt wurden, zeigt sich nicht selten, dass Anforderungen unterschiedlich verstanden wurden. Die Herausforderung besteht also nicht nur darin, Daten zu erzeugen, sondern das Wissen darüber zusammenzubringen.
Das hat auch die Produktentwicklung von InputLab verändert. „Überrascht hat uns vor allem, wie wichtig Funktionen für Zusammenarbeit und die Einbindung in bestehende Strukturen sind“, erklärt Steinhöfel. Dazu gehören Rollen- und Rechtekonzepte, Versionierung, die Anbindung an bestehende Systeme und Formate sowie eine Oberfläche, in der auch nichttechnische Personen ihr Fachwissen einbringen können. Aus dem ursprünglichen Fokus auf die Datengenerierung wurde so eine kollaborative Enterprise-Lösung.
Datenwissen als Wettbewerbsvorteil
Eine weitere Überraschung: In manchen Unternehmen seien Datenlandschaften erstaunlich wenig dokumentiert, so Steinhöfel. Wissen über Abhängigkeiten und fachliche Eigenschaften liegt häufig in den Köpfen einzelner Experten oder ist nur indirekt in gewachsenen Softwaresystemen abgebildet. Wenn diese Personen das Unternehmen verlassen, müssen Zusammenhänge teilweise regelrecht aus der Software rekonstruiert werden.
Das erklärt auch, warum Unternehmen weiterhin Echtdaten für Tests nutzen: Nicht unbedingt, weil das die beste Lösung ist, sondern weil darin die benötigten fachlichen Eigenschaften bereits enthalten sind. Gleichzeitig entstehen Nachteile bei Datenschutz und gezielter Testabdeckung. Die Annahme, dass ein besserer Algorithmus allein das Problem löst, erwies sich damit als zu kurz gegriffen.
Vom Spin-off zum Unternehmen
Die Lernkurve betrifft nicht nur das Produkt. InputLab startete als Spin-off am CISPA und wurde im Mai 2025 gegründet. Während der CISPA-Zeit hat das Startup drei erfolgreiche unbezahlte Pilotprojekte durchgeführt. Aktuell führt das Team konkrete Gespräche über weitere Pilotprojekte im Versicherungsbereich.
Auch der Weg dorthin ist Teil des Lernprozesses. Kontakte entstanden über Konferenzen, Messen und Events, aber auch über direkte Ansprache. Bis zu einer ersten Demo gibt es typischerweise zwei bis fünf Kontakte mit einem potenziellen Kunden. Bei Versicherern können Vertriebszyklen zwölf bis 24 Monate dauern, erklärt Steinhöfel. Parallel entwickelt InputLab sein Angebot für mittelständische Unternehmen, bei denen das Team mit kürzeren Entscheidungszyklen rechnet.
Was aus Forschung Technologietransfer macht
Die Erfahrungen von InputLab zeigen: Technologietransfer endet nicht mit einer guten Technologie. Dann beginnt ein neuer Lernprozess. Für Deep-Tech-Startups bedeutet das, die Forschungsperspektive um eine Markt- und Kundenperspektive zu erweitern. Gespräche, Netzwerke und Pilotprojekte helfen dabei, Annahmen zu überprüfen und die eigene Lösung weiterzuentwickeln. Steinhöfel: „Als Wissenschaftler versuchst du, natürliche oder technische Systeme zu verstehen. Als Unternehmer ist es deine Hauptaufgabe, Menschen zu verstehen.“
