Von der Kaffeemaschine zum Fahrzeug: Ursache-Wirkung statt AI-Halluzination

👉🏻 Jetzt reinschauen: betterCode() Testing - Die Online-Software-Test-Konferenz von Heise am 8. Juni - Mit dem Code 2026_TESTING_SOFTWARETESTING erhalten die ersten 20 Anmeldungen 10% Rabatt. Schnell sein lohnt sich.

„Halluzinationen sind nicht ein Fehler von LLM, sondern es ist die Architektur, die es bringt." - Dr. Thomas Fehlmann

In dieser Episode spreche ich mit Thomas Fehlmann, Six Sigma Experte und Pionier für Quality Function Deployment (QFD), über eine Methode, die Kundennutzen messbar mit Tests verbindet. Während moderne LLMs keine Ursache-Wirkung-Analysen beherrschen, zeigt Thomas, wie QFD genau diese Lücke schließt und Testern hilft, aus tausenden möglichen Tests jene herauszufiltern, die wirklich zählen. Wir sprechen darüber, warum gut getestete Autos nicht teurer verkauft werden können, wie personalisierte Tests in der Garage Realität werden könnten und warum diese japanische Methode in der Softwareentwicklung noch immer ein Schattendasein fristet. Thomas öffnet eine Tür zu kausalem Denken in einer Welt, die gerade von statistischen Modellen dominiert wird.

Thomas Fehlmann ist seit 2016 offiziell im Ruhestand - theoretisch. Praktisch jedoch bleibt er ein aktiver und leidenschaftlicher Forscher. Seine Arbeit präsentiert er regelmäßig auf internationalen Konferenzen, wo er Erkenntnisse mit Fachkollegen diskutiert und seine neuesten Ergebnisse veröffentlicht.

Ursprünglich prägten Themen wie Six Sigma und Prozesssteuerung seine wissenschaftliche Laufbahn. Doch seine Neugier für künstliche Intelligenz reicht viel weiter zurück: Bereits im Studium beschäftigte er sich intensiv damit – und blieb der Disziplin treu, selbst durch mehrere KI-Winter hindurch.

Heute widmet sich Thomas der Frage, wie Graphmodelle der kombinatorischen Logik helfen können, das Innenleben moderner KI-Modelle nachvollziehbarer zu machen. Sein Fokus liegt darauf, besser zu verstehen, wie KI funktioniert und welchen realen Mehrwert sie für ihre Nutzer schafft.

Highlights:

QFD verbindet Kundennutzen mit Tests durch Ursache-Wirkung-Analyse – LLMs können das nicht.
Weniger Tests, höherer Wert: Kundennutzen priorisiert, welche Tests wirklich relevant sind.
QFD scheitert oft an Matrixgröße – erst seit 2014 rechnerisch machbar.
Gut getestete Autos verkaufen sich nicht teurer – Tests bleiben unsichtbarer Kostenfaktor.
Personalisierte Tests für einzelne User möglich – Industrie 4.0 statt Massenproduktion.

Weitere Links zur Episode:

Intelligente, zertifizerbare und testbare AI Systeme

Warum KI keine Ursache-Wirkung kann – und QFD hilft - Dr. Thomas Fehlmann