Europas KI kann plötzlich mithalten. Aber wer betreibt sie?

Wer die Entwicklung künstlicher Intelligenz verfolgt, blickt meistens nach Kalifornien. Zu OpenAI, Google und Anthropic. Inzwischen lohnt sich der Blick nach Paris, Heidelberg, London oder Freiburg. 

In Europa ist in den vergangenen Monaten eine bemerkenswerte Gruppe von KI-Unternehmen entstanden. Mistral entwickelt in Frankreich große Sprachmodelle, Aleph Alpha in Heidelberg Modelle für Unternehmen und Behörden. ElevenLabs, gegründet von zwei polnischen Programmierern und mit Hauptsitz in London, arbeitet an künstlichen Stimmen. Black Forest Labs aus Freiburg gehört zu den bekanntesten Entwicklern generativer Bildmodelle. 

In diesen Tagen zeigen alle vier, wie schnell sich die Branche bewegt. Mistral arbeitet mit „Le Chonk“ an einem neuen großen Open-Weight-Modell. Rund eine Billion Parameter soll es umfassen, wobei dank einer Mixture-of-Experts-Architektur jeweils nur ein Teil davon aktiv ist. Trainiert wurde das Modell nach Angaben des Unternehmens auf 4.000 Nvidia Grace Blackwell GPUs in europäischen Rechenzentren. 

Aleph Alpha hat derweil Kolibri-1 veröffentlicht. Das Modell umfasst 78 Milliarden Parameter, von denen pro Token nur etwa 3,5 Milliarden aktiviert werden. Es beherrscht Deutsch und Englisch, kann Werkzeuge aufrufen und sehr große Mengen an Kontext verarbeiten. Vor allem aber sind die Gewichte offen verfügbar. Unternehmen können das Modell herunterladen und auf eigener Infrastruktur betreiben. 

ElevenLabs beschäftigt sich mit einem Problem, das weniger abstrakt klingt, im Alltag aber sofort auffällt: der kleinen Pause zwischen einer Frage und der Antwort eines Sprachassistenten. Das neue Modell v4 Turbo soll diese Verzögerung weiter reduzieren. Bei Voice AI können wenige hundert Millisekunden darüber entscheiden, ob sich ein Gespräch natürlich anfühlt oder eben doch wie ein Gespräch mit einer Maschine. 

Und in Freiburg versucht Black Forest Labs, aus seinen erfolgreichen FLUX-Bildmodellen Systeme zu entwickeln, die mehr von der Welt verstehen als einzelne Bilder. Die Modelle sollen verschiedene Medienformen verarbeiten und langfristig auch für Anwendungen interessant werden, bei denen KI nicht nur Inhalte erzeugt, sondern ihre Umgebung interpretiert und darauf reagiert. 

Man sollte solche Ankündigungen nicht überbewerten. KI-Benchmarks sind Momentaufnahmen, und kaum eine Woche vergeht, ohne dass irgendwo ein neues Modell einen bisherigen Spitzenwert übertrifft. Trotzdem ergibt sich aus den einzelnen Meldungen ein größeres Bild. Europa entwickelt inzwischen ernstzunehmende KI-Technologie in mehreren Bereichen gleichzeitig. Das allein löst Europas KI-Problem allerdings nicht. Es verschiebt es. 

Nach dem Modell kommt die Infrastruktur 

Solange sich die KI-Debatte vor allem darum drehte, wer das größte Sprachmodell trainieren kann, schien die Sache relativ einfach. Wer über genügend GPUs, Daten und Kapital verfügte, hatte einen Vorsprung. Doch inzwischen wandert KI aus den Forschungslaboren in den Alltag von Unternehmen. Modelle beantworten Kundenanfragen, schreiben Software, analysieren Dokumente oder steuern Sprachassistenten. Und dort zählen andere Dinge als ein Platz auf einer Benchmark-Liste. Wie schnell kommt die Antwort? Was kostet eine Anfrage? Wo werden die Daten verarbeitet? Was passiert, wenn plötzlich hundertmal so viele Nutzer auf einen Dienst zugreifen? Und welches Modell braucht man überhaupt für welche Aufgabe? Gerade die letzte Frage wird wichtiger. Es wäre wirtschaftlich unsinnig, jede Übersetzung, Zusammenfassung oder Klassifizierung durch das größte verfügbare Modell laufen zu lassen. Für manche Aufgaben reicht ein kleineres Modell. Andere benötigen komplexes Reasoning. Wieder andere müssen aus Datenschutzgründen auf einer bestimmten Infrastruktur oder in einer bestimmten Region laufen. Die Folge ist eine KI-Landschaft, die deutlich unübersichtlicher wird als die bisherige Vorstellung von einem großen Modell in der Cloud. 

Unternehmen werden mehrere Modelle gleichzeitig einsetzen. Manche offen, manche geschlossen. Manche in zentralen Rechenzentren, andere näher am Nutzer. Entscheidend wird sein, Anfragen dorthin zu schicken, wo das passende Verhältnis aus Qualität, Geschwindigkeit und Kosten entsteht. 

Aus einem Modellproblem wird damit zunehmend ein Infrastrukturproblem. 

Offen heißt nicht automatisch unabhängig 

Besonders sichtbar wird das bei Open-Weight-Modellen wie Kolibri oder den Modellen von Mistral. Sie geben Unternehmen etwas zurück, das in den vergangenen Jahren verloren zu gehen drohte: Wahlfreiheit. Wer eine geschlossene KI ausschließlich über die API eines Anbieters nutzt, übernimmt weitgehend dessen technische Infrastruktur. Bei offenen Modellen lässt sich dagegen selbst entscheiden, wo sie laufen, welche Hardware verwendet wird und in welcher Region Daten verarbeitet werden. Das ist gerade für Europa relevant, wo die Debatte über technologische Souveränität häufig bei der Herkunft eines Modells endet. Doch ein europäisches KI-Modell ist noch keine europäische KI-Infrastruktur. Ein Modell muss trainiert werden. Es braucht GPUs. Es muss in Rechenzentren betrieben und über leistungsfähige Netze zu seinen Nutzern gebracht werden. Und wenn daraus ein Produkt mit Millionen Nutzern werden soll, muss all das gleichzeitig und möglichst störungsfrei funktionieren. Europa kann deshalb durchaus eigene leistungsfähige Modelle entwickeln und trotzdem an anderer Stelle abhängig bleiben. Die interessantere Frage der kommenden Jahre lautet daher vielleicht nicht mehr, ob Europa ein eigenes OpenAI hervorbringen kann. Möglicherweise ist diese Frage ohnehin zu klein gedacht. Mistral, Aleph Alpha, ElevenLabs und Black Forest Labs zeigen, dass sich ein eigenständiges europäisches KI-Ökosystem entwickelt – mit unterschiedlichen Unternehmen, Modellen und Spezialisierungen. Nun muss sich zeigen, ob auch die Infrastruktur entsteht, auf der dieses Ökosystem wachsen kann.