Kann Europa die amerikanische Dominanz brechen, ohne das Silicon Valley zu kopieren?

1. Forschungsfrage und methodischer Rahmen

LeitgedankeKann Europa ein eigenes ChatGPT entwickeln?

Technisch wäre ein europäischer Chatbot möglich. Er wäre aber noch keine eigenständige europäische KI-Industrie.

LeitgedankeKann Europa eine wirtschaftlich tragfähige, gesellschaftlich nützliche und sicher kontrollierbare KI-Struktur aufbauen, die amerikanischen Plattformen in ausgewählten Märkten Konkurrenz macht, kritische Abhängigkeiten begrenzt und einen relevanten Teil der Wertschöpfung in Europa hält?

Diese Frage umfasst mindestens fünf Dimensionen:

• Technologische Fähigkeit: Kann Europa leistungsfähige Modelle entwickeln, betreiben, prüfen und anpassen?

• Wirtschaftliche Tragfähigkeit: Können daraus dauerhaft zahlungsfähige Produkte und Unternehmen entstehen?

• Industrielle Wirkung: Erhöht die Technologie die Produktivität europäischer Unternehmen und öffentlicher Institutionen?

• Verteilung: Wer erhält die Produktivitätsgewinne – Plattformbetreiber, Eigentümer, Kunden, Beschäftigte oder die Allgemeinheit?

• Sicherheit und Kontrolle: Wer prüft die Systeme, und wie lassen sich gefährliche oder unerwartete Fähigkeiten begrenzen?

Eine Strategie, die nur das erste Ziel verfolgt, bleibt unvollständig. Europa könnte ein technisch leistungsfähiges Modell entwickeln und dennoch wirtschaftlich scheitern. Es könnte profitable KI-Unternehmen aufbauen und gleichzeitig menschliche Fähigkeiten entwerten. Es könnte europäische Server betreiben und bei Chips, Cloudsoftware oder Modellarchitekturen weiterhin strukturell abhängig sein.

1.1 Grenzen der verfügbaren Daten

Die Wirtschaftlichkeit führender KI-Unternehmen lässt sich gegenwärtig nicht exakt beurteilen.

Die Unternehmen veröffentlichen nur unvollständig:

• Inferenzkosten je Nutzer,

• Bruttomargen einzelner Produkte,

• interne Preise für Rechenleistung,

• Auslastung ihrer Rechenzentren,

• Abschreibungsdauer von Chips,

• Kosten kostenloser Angebote,

• Forschungsbudgets einzelner Modellgenerationen,

• Umfang der Quersubventionierung.

Auch die technische Transparenz nimmt teilweise ab. Der Stanford AI Index weist darauf hin, dass gerade bei besonders leistungsfähigen Modellen Datenmengen, Trainingsdauer, Trainingscode, Parameterzahlen und Rechenaufwand häufig nicht vollständig offengelegt werden.

Eine genaue Berechnung, wie viel Umsatz die Modellbranche benötigt oder welche heutigen Anbieter 2030 noch existieren werden, wäre deshalb Scheingenauigkeit.

Belastbar analysieren lassen sich dagegen:

• Investitions- und Infrastrukturtrends,

• Marktstruktur und Eintrittsbarrieren,

• technologische Leistungsabstände,

• europäische Finanzierungsdefizite,

• Energiebedarf,

• Governance- und Sicherheitsanforderungen,

• verschiedene industriepolitische Szenarien.

2. Was bedeutet es, den KI-Wettbewerb zu gewinnen?

Der Satz „Amerika gewinnt die KI“ ist ohne Definition des betrachteten Marktes unbrauchbar.

Die KI-Wertschöpfung besteht aus mehreren Ebenen.

2.1 Recheninfrastruktur

Zur materiellen Grundlage der KI gehören:

• Rechenzentren,

• KI-Beschleuniger,

• Speicher,

• Hochleistungsnetzwerke,

• Kühlung,

• Stromerzeugung und Netzanschlüsse,

• Cloudplattformen.

Hier besitzen amerikanische Unternehmen einen erheblichen strukturellen Vorteil. Amazon, Microsoft und Google verfügen über globale Rechenzentren, bestehende Unternehmenskunden und profitable Geschäftsbereiche, aus denen sie den Ausbau ihrer KI-Infrastruktur mitfinanzieren können.

Die IEA schätzt, dass der weltweite Stromverbrauch von Rechenzentren von rund 485 Terawattstunden 2025 auf etwa 950 Terawattstunden 2030 steigen könnte. Bezahlbare und verlässliche Energie werde damit zu einem entscheidenden Standortfaktor für KI.

Europa wird die USA auf dieser Ebene kurzfristig kaum überholen.

2.2 Allgemeine Basismodelle

Allgemeine Modelle verbinden zunehmend:

• Sprachverarbeitung,

• Programmierung,

• Mathematik,

• Bilder und Video,

• Recherche,

• Werkzeugnutzung,

• agentische Aufgabenbearbeitung.

Auch hier führen überwiegend amerikanische Unternehmen. Zugleich schrumpft auf bestimmten Benchmarks der Abstand zwischen den besten amerikanischen und chinesischen Systemen. Der Stanford AI Index beziffert den Abstand der jeweils führenden Modelle im März 2026 auf 2,7 Prozentpunkte, warnt allerdings zugleich vor wachsenden Problemen bei Zuverlässigkeit und Manipulierbarkeit gängiger Benchmarks.

Die USA führen. Ein uneinholbarer technologischer Vorsprung ist daraus jedoch nicht ableitbar.

2.3 Plattformen und Distribution

Ein Modell wird wirtschaftlich besonders mächtig, wenn es über bestehende Plattformen verbreitet wird.

Microsoft kann KI mit Azure, Microsoft 365, Windows und GitHub verbinden. Google verfügt über Suche, Werbung, Android und Workspace. Amazon besitzt AWS und große Handels- und Logistiksysteme. Meta kontrolliert globale Kommunikationsplattformen.

Diese Unternehmen müssen keine neue Kundenbeziehung von null aufbauen. Sie können Modelle als Bestandteil bestehender Produkte anbieten und ihre Kosten über mehrere Geschäftsbereiche verteilen.

Ein eigenständiger europäischer Modellhersteller verfügt über diese Möglichkeit zunächst nicht.

2.4 Integration in Unternehmen

Unternehmen kaufen selten nur ein Modell.

Sie benötigen:

• Datenanbindungen,

• Zugriffsverwaltung,

• Sicherheitskontrollen,

• Überwachung,

• Support,

• Verfügbarkeitsgarantien,

• Haftung,

• Anpassung an interne Prozesse.

Auf dieser Ebene können europäische Unternehmen auch dann einen großen Teil der Wertschöpfung kontrollieren, wenn das zugrunde liegende Basismodell aus den USA stammt.

2.5 Spezialisierte Anwendungen

In Bereichen wie Medizin, Industrie, Energie, Recht, Logistik oder Übersetzung entscheidet nicht allein die allgemeine Modellleistung.

Entscheidend sind:

• Fachwissen,

• proprietäre Daten,

• Zertifizierung,

• Zuverlässigkeit,

• Integration,

• Haftung,

• bestehende Kundenbeziehungen.

Die USA können daher die Infrastruktur- und Basismodellschicht dominieren, ohne automatisch jede Anwendungsschicht zu kontrollieren.

3. Warum die USA der klare Favorit bleiben

3.1 Kapital

Der amerikanische Investitionsvorsprung ist erheblich. Der Stanford AI Index dokumentiert für 2025 einen starken Anstieg der weltweiten Unternehmensinvestitionen und eine besonders dominante Rolle der USA.

Kapital ermöglicht:

• größere Trainingsläufe,

• parallele Forschung,

• hohe Gehälter,

• langfristige Verlustfinanzierung,

• den frühen Einkauf knapper Rechenkapazität,

• weltweiten Vertrieb.

3.2 Vertikale Integration

Amerikanische Großunternehmen kontrollieren gleichzeitig:

• Infrastruktur,

• Modelle,

• Plattformen,

• Anwendungen,

• Kundenschnittstellen.

Ein isolierter Modellanbieter muss sein Modell direkt monetarisieren. Ein integrierter Technologiekonzern kann ein Modell auch dann strategisch nutzen, wenn es vorübergehend keine eigenständige hohe Rendite erzielt.

3.3 Die europäische Scale-up-Lücke

Europas Schwäche liegt nicht nur bei der Gründung, sondern vor allem bei der Skalierung.

Nach Analysen der Europäischen Investitionsbank nehmen europäische Scale-ups bis zum zehnten Unternehmensjahr rund 50 Prozent weniger Kapital auf als vergleichbare Unternehmen im Raum San Francisco. Das Defizit besteht über Branchen und Konjunkturzyklen hinweg.

Die EIB verweist außerdem darauf, dass das europäische Venture-Capital-Volumen deutlich unter dem amerikanischen liegt und erfolgreiche Unternehmen häufig von ausländischen Investoren abhängig werden.

3.4 Geschwindigkeit

Amerikanische Technologieunternehmen veröffentlichen Produkte häufig früh, testen sie im Markt und verbessern sie anschließend.

Diese Strategie kann erhebliche Sicherheits- und Qualitätsprobleme erzeugen. Im schnelllebigen Softwaremarkt schafft sie aber zugleich einen Zeitvorsprung.

Europa kann den amerikanischen Wettbewerb daher nicht mit mehrjährigen politischen Abstimmungsverfahren beantworten.

4. Warum der amerikanische Vorsprung nicht automatisch den gesamten Markt entscheidet

4.1 Modellleistung wird schneller reproduzierbar

Die Leistungsabstände zwischen führenden Systemen sind auf mehreren Bewertungen geringer geworden. Gleichzeitig werden klassische Benchmarks zunehmend schneller ausgeschöpft und sind teilweise anfällig für Datenkontamination oder strategische Optimierung.

Ein technologischer Vorsprung kann daher erheblich sein, ohne dauerhaft stabil zu bleiben.

4.2 Der Modellmarkt bleibt dynamisch

Die OECD sieht zwar deutliche Konzentrationsrisiken bei Compute, Cloudinfrastruktur, Daten und Fachkräften. Zugleich beobachtet sie fallende Preise, mehr Modelle und weiterhin neue Markteintritte.

Das wahrscheinlichste Bild ist deshalb kein vollständiges Monopol, sondern:

• ein oligopolistischer Kern sehr großer Plattformen,

• mehrere regionale oder staatlich gestützte Anbieter,

• offene Modellökosysteme,

• spezialisierte Unternehmen.

4.3 Offene Modelle begrenzen Abhängigkeit

Offene Modellgewichte ermöglichen:

• lokale Bereitstellung,

• eigene Anpassung,

• unabhängige Tests,

• geringere Wechselkosten.

Der International AI Safety Report 2026 weist allerdings darauf hin, dass bei offenen Modellen Sicherheitsbeschränkungen leichter entfernt werden können und veröffentlichte Modellgewichte praktisch nicht zurückgerufen werden können. Offenheit fördert Wettbewerb und Forschung, erhöht bei sehr leistungsfähigen Systemen aber auch Missbrauchsrisiken.

4.4 Modell-Routing schafft einen Mehranbietermarkt

Unternehmen müssen nicht jede Aufgabe mit dem leistungsfähigsten Modell bearbeiten.

Ein System kann:

• einfache Fälle lokal verarbeiten,

• Standardaufgaben an günstige Modelle weiterleiten,

• sensible Daten intern halten,

• komplexe Ausnahmefälle an Frontier-Modelle senden.

Damit sinkt die Notwendigkeit, sich vollständig an einen einzelnen Anbieter zu binden.

5. Das Kostenproblem unabhängiger Modellhersteller

Die wirtschaftliche Spannung des Modellmarktes besteht aus zwei gegenläufigen Entwicklungen.

5.1 Bereits erreichte Leistung wird günstiger

Effizientere Architekturen, leistungsfähigere Hardware, kleinere Modelle und Wettbewerb senken die Kosten für bereits bekannte Fähigkeiten.

5.2 Die technologische Spitze bleibt kapitalintensiv

Wer an der Modellgrenze bleiben will, muss:

• große Rechencluster sichern,

• hoch qualifizierte Teams beschäftigen,

• neue Trainingsverfahren entwickeln,

• Fehlversuche finanzieren,

• Sicherheits- und Evaluierungssysteme aufbauen.

Die Umsätze führender Unternehmen wachsen schnell. Zugleich steigen Infrastruktur- und Compute-Ausgaben stark, während verlässliche Daten zu Bruttomargen und freiem Cashflow fehlen.

5.3 Inferenz erzeugt laufende Kosten

Jede zusätzliche Nutzung benötigt Rechenleistung. Besonders aufwendig sind:

• lange Kontexte,

• Sprach- und Videoverarbeitung,

• umfangreiches Reasoning,

• agentische Systeme mit vielen Werkzeugaufrufen.

Die IEA berichtet, dass der Stromverbrauch von Rechenzentren 2025 weltweit um 17 Prozent stieg. Gleichzeitig sinkt der Energieverbrauch je Aufgabe schnell. Das Gesamtwachstum der Nutzung und rechenintensive Anwendungen können diese Effizienzgewinne jedoch überkompensieren.

5.4 Werbung ist eine Möglichkeit, nicht die einzige

Ein kostenloser oder sehr günstiger Verbraucherassistent benötigt einen Zahler. Das kann sein:

• der Nutzer,

• ein Unternehmenskunde,

• ein Werbekunde,

• ein Plattformbetreiber,

• ein Handelspartner,

• ein staatlicher Auftraggeber.

Werbung ist daher kein notwendiges Geschäftsmodell für KI insgesamt. Sie kann aber zur Finanzierung kostenloser Massenangebote beitragen.

Für europäische Unternehmen sind direkte Erlösmodelle wahrscheinlich attraktiver:

• Unternehmenslizenzen,

• nutzungsabhängige Preise,

• lokale Installation,

• Integration,

• Serviceverträge,

• ergebnisabhängige Vergütung.

Europa muss nicht versuchen, die amerikanische Gratis- und Werbelogik zu kopieren.

6. Was Airbus tatsächlich beweist

Airbus beweist nicht, dass Europa grundsätzlich bessere Produkte baut.

Airbus beweist:

LeitgedankeEine bestehende amerikanische Dominanz kann durch koordinierte Industriepolitik, gebündelte Kompetenz, langfristige Finanzierung und unternehmerische Integration aufgebrochen werden.

6.1 Bündelung vorhandener Fähigkeiten

Europa verfügte bereits über Luftfahrtunternehmen, Ingenieure, Forschungseinrichtungen und Zulieferer. Diese Kompetenzen waren jedoch national zersplittert.

6.2 Klar definierter Markt

Airbus entwickelte ein eindeutiges Produkt für klar identifizierbare Kunden: sichere, zugelassene und wirtschaftlich betreibbare Verkehrsflugzeuge.

6.3 Verbindliche Nachfrage

Europäische Fluggesellschaften und öffentliche Akteure bildeten einen wichtigen Heimatmarkt.

6.4 Organisatorische Integration

Airbus entwickelte sich von einem Konsortium zu einem stärker integrierten Unternehmen mit gemeinsamer Führung. Diese Integration war entscheidend, um nationale Teilinteressen einer einheitlichen Produkt- und Unternehmensstrategie unterzuordnen.

6.5 Fehler des Wettbewerbers

Boeings dokumentierte Qualitätsprobleme verstärkten den europäischen Erfolg.

Das NTSB sah die Ursache des Türverschluss-Zwischenfalls von 2024 in unzureichender Schulung, Anleitung und Aufsicht durch Boeing. Die FAA stellte zahlreiche Verstöße gegen das Qualitätssystem fest und verschärfte ihre Aufsicht.

Diese Befunde beziehen sich auf Boeing. Sie sind kein Beleg dafür, dass amerikanische Unternehmen generell keine Qualität liefern können.

7. Warum die Airbus-Organisation nicht unverändert auf KI übertragbar ist

7.1 Unterschiedliche Produktzyklen

Ein Flugzeugprogramm läuft über Jahrzehnte. Ein KI-Modell kann innerhalb weniger Monate relativ an Wettbewerbsfähigkeit verlieren.

7.2 Unterschiedliche Wechselkosten

Eine Fluggesellschaft kann ihre Flotte nicht kurzfristig austauschen. Zulassung, Wartung, Ausbildung und Ersatzteile erzeugen hohe Bindung.

Ein KI-Modell kann technisch über eine Schnittstelle gewechselt werden. Die Wechselkosten steigen aber, sobald Daten, Agenten und Prozesse tief integriert sind.

7.3 Höhere Modularität

Eine KI-Anwendung kann Komponenten verschiedener Herkunft kombinieren:

• ein amerikanisches Basismodell,

• europäische Datenhaltung,

• deutsches Branchenwissen,

• französische Modellanpassung,

• eine unabhängige Prüfstruktur.

7.4 Unklare Produktdefinition

Ein europäischer „KI-Airbus“ könnte bedeuten:

• Basismodell,

• Cloud,

• Rechenzentrum,

• Industrieplattform,

• Behördenassistent,

• offenes Modell,

• Verbraucherprodukt.

Ein Unternehmen, das alle diese Aufgaben erfüllen soll, würde wahrscheinlich organisatorisch überfordert.

LeitgedankeEuropa braucht das Airbus-Prinzip, nicht zwingend ein einzelnes Airbus-Unternehmen.

8. Europäische Qualität muss messbar werden

Europa kann nicht gewinnen, indem es sich selbst moralische oder technische Überlegenheit bescheinigt.

Qualität bei KI muss anhand konkreter Kriterien beurteilt werden:

Fachliche Richtigkeit

Wie häufig erzeugt das System sachlich falsche Ergebnisse?

Zuverlässigkeit

Liefert es bei vergleichbaren Aufgaben konsistente Resultate?

Kalibrierung

Kann das Modell erkennen, wann es unsicher ist?

Nachvollziehbarkeit

Können Quellen, Modellversionen, Daten und Bearbeitungsschritte dokumentiert werden?

Kontrollierbarkeit

Kann der Betreiber zulässige Werkzeuge, Datenquellen und Aktionen begrenzen?

Datenschutz und Rechtskontrolle

Wo werden Daten verarbeitet, und welchem Recht unterliegen Betreiber und Infrastruktur?

Langfristige Verfügbarkeit

Kann das System über Jahre betreut, aktualisiert und ersetzt werden?

Wirtschaftlichkeit

Wie hoch sind die Gesamtkosten des gesamten Prozesses, nicht nur die Kosten einzelner Tokens?

Menschliche Wirkung

Erweitert das System die Fähigkeiten von Beschäftigten, oder reduziert es sie auf Überwachung und Fehlerkorrektur?

Ein europäisches Modell muss nicht auf jedem allgemeinen Benchmark führen. Es kann besser sein, wenn es eine konkrete Aufgabe kontrollierbarer, sicherer und wirtschaftlicher löst.

9. Erste Bedingung: KI muss menschliche Fähigkeiten erweitern

Die europäische Debatte konzentriert sich stark auf Modelle, Rechenzentren und Unternehmensbewertungen. Sie fragt zu selten, welche Art von Arbeit durch diese Technologie entstehen soll.

9.1 Produktivitätsgewinne sind möglich, aber nicht garantiert

Der Stanford AI Index beschreibt messbare Produktivitätsgewinne in klar strukturierten Tätigkeiten, etwa in Softwareentwicklung, Kundenservice oder Marketing. Auf gesamtwirtschaftlicher Ebene ist die Evidenz jedoch weiterhin früh und uneinheitlich.

Daron Acemoglu analysiert KI in einem auf Aufgaben basierenden Modell. Er unterscheidet zwischen Automatisierung, der Ergänzung menschlicher Arbeit und der Entstehung neuer Aufgaben. Eine Technologie kann einzelne Tätigkeiten ersetzen, ohne dadurch automatisch große gesamtwirtschaftliche Produktivitätsgewinne zu erzeugen.

9.2 Automatisierung ist nicht identisch mit gesellschaftlichem Fortschritt

Ein europäisches KI-System wäre gesellschaftlich schwach, wenn sein hauptsächlicher Nutzen darin bestünde:

• Beschäftigte zu überwachen,

• Personal abzubauen,

• Fachwissen in proprietären Systemen zu zentralisieren,

• menschliche Entscheidungen durch nicht nachvollziehbare Modelle zu ersetzen.

9.3 Ergänzende KI als europäische Entwicklungsrichtung

Europa sollte bevorzugt Systeme fördern, die:

• Technikern bessere Diagnosen ermöglichen,

• Pflegekräfte von Dokumentation entlasten,

• kleine Unternehmen mit Fachwissen versorgen,

• Beschäftigte in ihrer Muttersprache unterstützen,

• berufliche Weiterbildung in den Arbeitsprozess integrieren,

• wissenschaftliche Arbeit ergänzen.

9.4 Verteilung der Produktivitätsgewinne

Produktivitätsgewinne können an Eigentümer, Plattformbetreiber, Kunden, Beschäftigte oder den Staat fließen.

Eine europäische KI-Strategie sollte deshalb nicht nur messen, wie viel Arbeitszeit eingespart wird. Sie sollte auch untersuchen:

• ob Löhne steigen,

• ob neue qualifizierte Aufgaben entstehen,

• ob Beschäftigte weitergebildet werden,

• ob kleine und mittlere Unternehmen profitieren,

• ob die Qualität der Arbeit zunimmt.

• Je stärker ein KI-System menschliche Arbeit verändert, desto stärker müssen Beschäftigte an Entwicklung, Einführung und Bewertung beteiligt werden.

10. Zweite Bedingung: Europa braucht eine öffentliche Mission

„Europäische Souveränität“ ist noch keine vollständige Mission. Sie beschreibt eine Fähigkeit, aber kein konkretes gesellschaftliches Ergebnis.

Mariana Mazzucatos missionsorientierter Ansatz versteht Industriepolitik nicht allein als Korrektur von Marktfehlern. Staat und Wirtschaft sollen Märkte gemeinsam auf überprüfbare öffentliche Ziele ausrichten.

10.1 Eine mögliche europäische Mission

• Europa entwickelt bis 2035 eine kontrollierbare KI-Infrastruktur, die industrielle Produktivität erhöht, öffentliche Dienstleistungen verbessert, menschliche Fähigkeiten erweitert und kritische Abhängigkeiten von einzelnen außereuropäischen Plattformen begrenzt.

• geringerer Energie- und Materialverbrauch in der Industrie,

• weniger Dokumentationsaufwand im Gesundheitswesen,

• kürzere Bearbeitungszeiten in Verwaltungen,

• bessere mehrsprachige Kommunikation,

• Zugang kleiner Unternehmen zu hochwertiger KI,

• offene Werkzeuge für Wissenschaft und Bildung.

10.2 Öffentliche Finanzierung benötigt Gegenleistungen

Wenn die Öffentlichkeit:

• Rechenzentren finanziert,

• Forschung bezahlt,

• Entwicklungsrisiken übernimmt,

• langfristige Aufträge garantiert,

darf der wirtschaftliche Erfolg nicht vollständig privatisiert werden.

Mazzucato und weitere Autoren schlagen dafür industriepolitische Konditionalitäten vor. Diese können in Förder-, Beschaffungs- und Beteiligungsverträgen festgeschrieben werden.

Mögliche Bedingungen wären:

• offene Schnittstellen,

• Datenportabilität,

• Reinvestitionen in europäische Forschung,

• Ausbildungs- und Standortzusagen,

• transparente Energiekennzahlen,

• europäische Betriebsoptionen,

• faire Lizenzbedingungen für öffentliche Einrichtungen,

• Rückzahlungs- oder Beteiligungsmechanismen bei außergewöhnlichem Erfolg.

Die Grundregel lautet:

LeitgedankeWer öffentliches Risiko erhält, schuldet öffentlichen Wert.

Das bedeutet nicht, dass Ministerien technische Entscheidungen treffen sollten. Der Staat definiert Missionen, Bedingungen und Grenzen. Unternehmen konkurrieren um die beste Umsetzung.

11. Dritte Bedingung: Sicherheit braucht unabhängige Institutionen

Ein europäischer Anbieter wäre nicht automatisch sicherer als ein amerikanischer.

Auch europäische Unternehmen hätten Anreize:

• schnell zu veröffentlichen,

• Fähigkeiten positiv darzustellen,

• Risiken herunterzuspielen,

• Marktanteile zu gewinnen.

Deshalb darf der Hersteller nicht allein bewerten, ob sein System sicher ist.

11.1 Mehrschichtige Sicherheitskonzepte

Der International AI Safety Report 2026 kommt zu dem Ergebnis, dass leistungsfähige allgemeine KI-Systeme neue Fähigkeiten entwickeln, während technische Schutzmaßnahmen weiterhin Grenzen besitzen. Der Bericht empfiehlt unter anderem Evaluierungen gefährlicher Fähigkeiten, Schwellenwerte und vorab definierte Sicherheitsreaktionen.

11.2 Unabhängige Evaluierung

Modelle für kritische Anwendungen sollten extern geprüft werden auf:

• Cyberfähigkeiten,

• biologische oder chemische Risiken,

• manipulative Fähigkeiten,

• autonome Werkzeugnutzung,

• Datenschutz,

• Zuverlässigkeit,

• Umgehbarkeit von Schutzmaßnahmen.

11.3 Modell- und Compute-Register

Große Trainingsvorhaben und besonders leistungsfähige Systeme sollten ab definierten Schwellenwerten dokumentiert werden.

Anknüpfungspunkte könnten sein:

• verwendete Rechenleistung,

• konkrete Fähigkeiten,

• Grad der Autonomie,

• Einsatz in kritischen Bereichen.

11.4 Vorfallsberichterstattung

Schwere Zwischenfälle sollten verpflichtend gemeldet werden:

• erfolgreiche Umgehung von Schutzmechanismen,

• gefährliche Fehlentscheidungen,

• Datenabflüsse,

• unkontrollierte Agentenhandlungen,

• Missbrauch in Cyber- oder Biokontexten.

11.5 Trennung von Hersteller und Prüfer

Ein europäisches System benötigt drei getrennte Rollen:

• Hersteller,

• unabhängige technische Prüfinstitution,

• staatliche oder europäische Aufsicht.

Der Hersteller darf nicht zugleich Entwickler, Gutachter und abschließender Sicherheitsgarant sein.

11.6 Risikobasierte Offenheit

Kleine und mittlere Modelle können weitgehend offen angeboten werden. Bei besonders leistungsfähigen Systemen können kontrollierte Zugänge oder gestufte Veröffentlichungen erforderlich sein.

Offenheit und Sicherheit sind keine absoluten Gegensätze. Sie müssen nach Fähigkeiten und Risiken abgewogen werden.

12. DeepL als europäische Fallstudie

DeepL ist strategisch relevant, weil das Unternehmen nicht primär versucht, das größte allgemeine Modell der Welt zu entwickeln.

Es konzentriert sich auf:

• Übersetzung,

• Schreibunterstützung,

• Terminologie,

• Dokumente,

• mehrsprachige Unternehmensprozesse.

DeepL gibt an, von mehr als 200.000 Unternehmen genutzt zu werden. Da die Angabe vom Unternehmen selbst stammt und keine vollständigen Informationen zu Umsatz oder Profitabilität enthält, belegt sie Marktreichweite, nicht automatisch wirtschaftliche Robustheit.

12.1 Warum das Modell interessant ist

DeepL adressiert ein bestehendes Problem mit vorhandener Zahlungsbereitschaft. Unternehmen besitzen bereits Budgets für Übersetzung, Lokalisierung und internationale Kommunikation.

Das Produkt besteht außerdem aus mehr als einem Modellaufruf. APIs, Glossare und Unternehmensintegration können Kundenbindung erzeugen.

12.2 Die Gefahr durch Universalmodelle

Allgemeine Modelle können zunehmend gut übersetzen. Einfache Übersetzung könnte daher zu einer kostenlosen Zusatzfunktion werden.

DeepL muss sein Angebot erweitern, ohne zu einem beliebigen Universalassistenten zu werden.

12.3 Die Infrastrukturabhängigkeit

DeepL nutzt eine hybride Infrastruktur aus selbst verwalteten Servern in europäischen Rechenzentren und AWS-Cloudinfrastruktur. DeepL bleibt nach eigenen Angaben der Vertragspartner, während AWS als Unterauftragsverarbeiter fungiert.

LeitgedankeEuropa kann ein international relevantes KI-Produktunternehmen aufbauen.

Und:

LeitgedankeEin europäisches Produktunternehmen besitzt nicht automatisch eine vollständig europäische Infrastruktur.

13. Mistral und Europas Basismodellfähigkeit

Europa benötigt neben spezialisierten Unternehmen zumindest eine eigene allgemeine Modellkompetenz.

Mistral ist gegenwärtig der naheliegendste Kandidat. Das Unternehmen bietet Modelle an, die auf eigener Infrastruktur betrieben werden können.

Mistral berichtet außerdem über eine Zusammenarbeit mit Airbus in ziviler Luftfahrt, Hubschraubern, Verteidigung und Raumfahrt. Genannt werden lokale Bereitstellung und die Kontrolle sensibler Daten. Da diese Angaben vom Anbieter stammen, belegen sie zunächst die strategische Ausrichtung, nicht den langfristigen wirtschaftlichen Erfolg.

Europa sollte allerdings vermeiden, die Abhängigkeit von einem amerikanischen Unternehmen lediglich durch die Abhängigkeit von einem einzelnen europäischen Anbieter zu ersetzen.

Notwendig sind:

• mehrere technische Entwicklungslinien,

• offene Alternativen,

• standardisierte Schnittstellen,

• reale Wechselmöglichkeiten.

14. Die Architektur eines europäischen KI-Industriesystems

Europa benötigt keinen einzigen Superkonzern. Es benötigt ein System aus mehreren Ebenen.

14.1 Recheninfrastruktur

Die EU arbeitet an 19 AI Factories in 16 Mitgliedstaaten; die Mehrheit soll bis Ende 2026 betriebsbereit sein.

Diese Einrichtungen sollen:

• Supercomputer,

• Datenressourcen,

• Start-ups,

• Forschung,

• Ausbildung

verbinden.

Sie sind jedoch nicht mit den größten kommerziellen Frontier-Clustern amerikanischer Hyperscaler gleichzusetzen.

14.2 AI Gigafactories

Für größere AI Gigafactories will die EU 20 Milliarden Euro mobilisieren. Sie sollen privat geführt und öffentlich unterstützt werden und europäischen Unternehmen Zugang zu großskaliger Rechenleistung verschaffen.

Ankündigung, Finanzierung, Bau und produktiver Betrieb sind allerdings unterschiedliche Stufen. Europa besitzt einen Plan, noch keinen abschließenden Erfolgsnachweis.

14.3 Energie

Der Ausbau benötigt:

• schnelle Netzanschlüsse,

• verlässliche Stromversorgung,

• konkurrenzfähige Preise,

• Kühlung,

• gesellschaftlich akzeptierte Standorte.

Ohne Energiepolitik bleibt eine europäische KI-Strategie unvollständig.

14.4 Basismodelle und offene Alternativen

Europa benötigt mindestens einen wettbewerbsfähigen allgemeinen Anbieter und mindestens eine glaubwürdige technische Alternative.

14.5 Spezialisierte Anbieter

Neben DeepL sollten europäische Unternehmen entstehen in:

• Medizin,

• Industrie,

• Robotik,

• Energie,

• Wissenschaft,

• Recht,

• Verwaltung.

14.6 Industrielle Erstkunden

Airbus, SAP, Siemens, Bosch, europäische Automobil-, Energie-, Pharma- und Telekommunikationsunternehmen müssten:

• Anwendungsfälle definieren,

• Daten und Testumgebungen bereitstellen,

• Kapital investieren,

• Mindestabnahmen vereinbaren.

14.7 Öffentliche Beschaffung

Verwaltung, Gesundheit, Bildung, Forschung und Verteidigung können einen großen Heimatmarkt schaffen.

Dabei sollte europäische Herkunft nicht allein entscheidend sein. Gefordert werden sollten:

• offene Schnittstellen,

• lokale Betriebsoptionen,

• Prüfbarkeit,

• Anbieterwechsel,

• langfristige Wartung.

14.8 Wachstumskapital

Die europäische Scale-up-Lücke erfordert:

• größere europäische Venture- und Wachstumsfonds,

• Beteiligung von Versicherungen und Pensionsfonds,

• Instrumente der EIB,

• industrielle Langfristinvestoren.

14.9 Sicherheitsarchitektur

Unabhängige Prüfstellen und technisch kompetente Aufsicht müssen von Beginn an Teil der Infrastruktur sein.

15. Pro und Contra des Airbus-Prinzips

Hohe Fixkosten verhindern spontanen Wettbewerb

Neue globale Wettbewerber entstehen bei hohen Infrastruktur- und Forschungskosten nicht zwingend allein durch Marktkräfte.

Europa besitzt bereits Kunden

Die europäische Industrie, Verwaltung und öffentliche Infrastruktur bilden einen großen Heimatmarkt.

Geteilte Infrastruktur senkt Eintrittsbarrieren

Nicht jedes Unternehmen muss ein eigenes Rechenzentrum finanzieren.

Beschaffung schafft Planungssicherheit

Langfristige Aufträge können Forschung und Produktentwicklung finanzierbar machen.

Eine europäische Alternative schafft Verhandlungsmacht

Europa muss nicht jeden Auftrag selbst erfüllen. Es muss glaubhaft zwischen Anbietern wechseln können.

Spezialisierung entspricht Europas Wirtschaftsstruktur

Industrie, Medizin, Energie und Wissenschaft benötigen nicht immer das größte Universalmodell.

Europa könnte zu langsam sein

Die Technologie verändert sich schneller als europäische Entscheidungsprozesse.

Antwort: Infrastruktur und Standards können gemeinsam organisiert werden. Produktentwicklung muss unternehmerisch und dezentral bleiben.

Förderung könnte Mittelmäßigkeit schützen

Europäische Unternehmen könnten aufgrund ihrer Herkunft statt ihrer Leistung unterstützt werden.

Antwort: Förderung braucht messbare Leistungsziele und klare Beendigungskriterien.

Internationale Systeme könnten günstiger sein

Ein europäischer Eigenbau kann höhere Kosten verursachen.

Antwort: Nichtkritische Anwendungen sollten weiterhin die weltweit besten Systeme nutzen. Eigene Fähigkeiten sind dort nötig, wo Abhängigkeit strategisch relevant wird.

Offene Modelle könnten ausreichen

Europa könnte fremde offene Modelle lokal betreiben.

Antwort: Offene Modelle sind wichtig, ersetzen aber nicht Infrastruktur, Forschung, Evaluierung und eigene Weiterentwicklung.

Sicherheitsanforderungen könnten Innovation bremsen

Prüfungen können Entwicklung verzögern.

Antwort: Schlechte Bürokratie bremst Innovation. Technisch kompetente, risikobasierte Prüfung kann dagegen Vertrauen und Marktzugang schaffen.

16. Messbare Erfolgskriterien

Eine europäische KI-Strategie sollte nicht anhand von Pressemitteilungen, Modellgröße oder Unternehmensbewertungen bewertet werden.

Technologische Handlungsfähigkeit

• mindestens zwei unabhängig betreibbare Modelllinien,

• lokale Betriebsoptionen für kritische Anwendungen,

• nachgewiesene Wechselbarkeit zwischen Anbietern.

Wirtschaftliche Wirkung

• mehrere europäische KI-Unternehmen mit globalem Umsatz,

• steigende private Folgeinvestitionen,

• messbare Produktivitätsgewinne bei kleinen und mittleren Unternehmen.

Arbeit und Qualifikation

• Anteil der Systeme, die Beschäftigte ergänzen statt ausschließlich ersetzen,

• Entwicklung von Löhnen, Aufgabenqualität und Weiterbildungszeit,

• Zahl neu geschaffener qualifizierter Tätigkeiten.

Öffentlicher Wert

• Verbesserungen in Verwaltung, Gesundheit, Energie oder Bildung,

• Rückflüsse aus öffentlich finanzierten Unternehmen,

• Reinvestitionen in Forschung und Ausbildung.

Sicherheit

• Anteil extern geprüfter Hochrisikosysteme,

• Zahl und Qualität gemeldeter Vorfälle,

• Zeit zwischen Risikoerkennung und Korrektur,

• funktionsfähige Abschalt- und Wechselmöglichkeiten.

Souveränität

• Zahl kritischer Systeme ohne Bindung an einen einzelnen außereuropäischen Anbieter,

• Grad der Daten-, Betriebs- und Modellkontrolle,

• gesicherter Zugang zu Rechenleistung und Energie.

17. Drei europäische Zukunftsszenarien