NVIDIA’s Maxine Eye Contact API, ursprünglich für die Verbesserung von Videokonferenzen entwickelt, wird nun in einem innovativen Kontext eingesetzt: der Sicherheitsüberwachung von Fahrzeugoperatoren, insbesondere bei schweren Maschinen wie Caterpillar-Haul-Trucks. Der Kerngedanke ist einfach, aber tiefgreifend: Blickrichtung ist ein universeller Indikator für Aufmerksamkeit – sei es in menschlichen Gesprächen oder in sicherheitskritischen Arbeitsumgebungen. Während Sprache und Ton in der Interaktion eine Rolle spielen, ist der Blick die ursprünglichste und präziseste Form der Kommunikation. Forschungen zeigen, dass Augenkontakt den Fluss von Gesprächen steuert, Aufmerksamkeit signalisiert und Vertrauen aufbaut. In der Praxis weisen Sprecher bei der Formulierung oder Abschluss eines Satzes oft Blickkontakt auf, um die Gesprächsleitung zu übergeben – ein Mechanismus, der in der menschlichen Interaktion nahezu unbewusst funktioniert. Doch moderne Sprachassistenten und Voice-UIs ignorieren diese nonverbalen Signale komplett. Sie verfügen über keine Augen, keine Gesichtsreaktionen, keine Fähigkeit, Blickrichtung zu erkennen. Das führt zu einer signifikanten Lücke zwischen natürlicher Kommunikation und menschlich-technischer Interaktion. Um diese Lücke zu schließen, nutzt ein Prototyp die NVIDIA Maxine Eye Contact API, die ursprünglich dafür gedacht ist, den Blick in Videoanrufen „zu korrigieren“, sodass der Nutzer immer in die Kamera sieht – selbst wenn er tatsächlich wegschaut. Der Trick: Die API korrigiert den Blick nicht nur optisch, sondern verarbeitet auch die tatsächliche Blickrichtung. Wenn die Korrektur minimal ist, war der Blick bereits auf die Kamera gerichtet. Unterscheidet sich das Bild stark, war der Blick abgelenkt. Die Stärke der Korrektur liefert also eine quantitative Messung der Ablenkung. Der Prototyp misst diese Veränderungen im oberen Drittel des Bildes – dem Gesichts- und Augenbereich – und erzeugt eine annotierte Ausgabe mit einer farbigen Rahmenfarbe (grün: aufmerksam, gelb: abgelenkt, rot: hohe Ablenkung), einem Statusbanner, einer Score-Leiste, einem Zeitverlauf der Ablenkung und einem abschließenden Sicherheitsbericht mit Aufmerksamkeitsquote, Ereignisanzahl und Bewertung (PASS/WARNING/FAIL). Die gesamte Pipeline läuft über ein einfaches Gradio-Interface, das eine Videoeingabe erlaubt und mit einem NGC-API-Schlüssel arbeitet. Der Code ist knapp 300 Zeilen lang und ermöglicht sowohl lokale Ausführung als auch Testmodus mit synthetischen Daten. Diese Anwendung verbindet zwei scheinbar getrennte Bereiche: Conversational Design und industrielle Sicherheit. Beide hängen von der gleichen Grundfrage ab: Ist der Mensch wirklich da? In der Sprachtechnologie fehlt der Blick – in der Industrie kann das Leben kosten. Durch die Umwendung einer KI-Technologie für Videokonferenzen in eine Sicherheitsüberwachung zeigt sich, wie flexibel und vielseitig moderne AI-gestützte Systeme sein können. Experten loben den Ansatz als „elegante Lösung für ein altes Problem“ und sehen darin ein Modell für zukünftige „aware“-Systeme, die menschliche Aufmerksamkeit in Echtzeit erfassen und reagieren. Kore.ai, der Entwickler, positioniert sich als Pionier im Bereich agenter KI und Sprachtechnologie, wobei die Integration von nonverbalen Signalen wie Blickrichtung einen entscheidenden Schritt hin zu natürlicher, sicheren und menschzentrierter Interaktion darstellt.