Die wichtigsten Erkenntnisse
- KI ist kein einzelnes Ding – es ist ein Stapel von Technologien: Chips → Modelle → Plattformen → Anwendungen
- Drei Unternehmen dominieren die Basis-Infrastruktur: NVIDIA (Chips), AWS/Azure/Google (Cloud), OpenAI/Anthropic/Google (Modelle)
- Open Source hat aufgeholt: Llama 4 und Mistral Large 4 konkurrieren mit Frontier-Modellen – für viele Use Cases ausreichend
- KI-Agenten sind der nächste große Schritt – aber noch nicht produktionsreif für kritische Anwendungen
- Der Hype-Zyklus ist real: Viele KI-Versprechen sind 3–5 Jahre von der Praxis entfernt
Die vier Ebenen der KI-Technologie
KI ist kein einzelnes Produkt – es ist ein Stapel von Technologien, die aufeinander aufbauen. Wer die Ebenen versteht, versteht auch warum bestimmte Unternehmen so mächtig sind.
Ebene 4: Anwendungen ChatGPT, Copilot, Midjourney, Cursor, Perplexity
↑
Ebene 3: Plattformen Azure OpenAI, Google Vertex AI, AWS Bedrock, Hugging Face
↑
Ebene 2: Modelle GPT-6, Claude 5.5, Gemini 4, Llama 4, Mistral Large 4
↑
Ebene 1: Infrastruktur NVIDIA Blackwell GPUs, Google TPUs, AMD MI300X, Cloud (AWS/Azure/GCP)Warum das wichtig ist: Wer auf Ebene 1 stark ist, hat strukturelle Vorteile auf den Ebenen darüber. Für die praktische Auswahl zählen aber auch Cloud-Verfügbarkeit, Software-Ökosystem, Datenresidenz und Betriebskosten.
Die wichtigsten Player
Infrastruktur: Beschleuniger und Software-Ökosysteme
NVIDIA ist eine prägende Plattform für KI-Beschleuniger und Software. AMD, Google und weitere Anbieter sind je nach Cloud, Hardware-Stack und Modellportfolio relevante Alternativen. Entscheidend sind nicht nur Spitzenwerte, sondern Verfügbarkeit, Energiebedarf, Software-Ökosystem und die Kosten im eigenen Betrieb.
Cloud: Die drei Hyperscaler
AWS, Microsoft Azure und Google Cloud bieten KI-Infrastruktur als Service und bündeln eigene sowie Partner-Modelle:
| Cloud | Schwerpunkt | Eigene Hardware | KI-Plattform |
|---|---|---|---|
| Microsoft Azure | Eigene und Partner-Modelle | Azure-spezifische Beschleuniger | Azure AI Foundry |
| Google Cloud | Gemini- und Partner-Ökosystem | TPU | Vertex AI |
| AWS | Breites Modellangebot | Trainium, Inferentia | Amazon Bedrock |
Modell-Anbieter: Leistungsfähige Modellfamilien
OpenAI (GPT-6) und Anthropic (Claude Fable 5.1, Opus 5.5 und Sonnet 5.5) bieten leistungsfähige proprietäre Modellfamilien. Daneben sind weitere Anbieter relevant:
- Google DeepMind (Gemini 4): Stark bei Multimodalität, Mathe und Google-Integration
- Meta (Llama 4): Wichtige Open-Weight-Modellfamilie für eigene Betriebsmodelle
- Mistral AI (Mistral Large 4, Ministral 3): Europäischer Anbieter mit offenen und kommerziellen Modellen
- xAI (Grok): Elon Musks Antwort auf ChatGPT, integriert in X/Twitter
Das europäische Ökosystem
Europa bietet vor allem Optionen für Datensouveränität, eigene Betriebsmodelle und regulatorische Anforderungen:
- Mistral AI (Frankreich): Technisch stark, Open-Source-Fokus
- Aleph Alpha (Deutschland): Fokus auf Datensouveränität und Behörden
- AI Act (EU-Regulierung): Europa setzt den globalen Regulierungsrahmen
Open Weight vs. proprietäre Modelle
Eine der wichtigsten strategischen Entscheidungen im KI-Ökosystem:
| Open Weight | Proprietär | |
|---|---|---|
| Beispiele | Llama 4, Mistral Large 4, Gemma | GPT-6, Claude 5.5, Gemini 4 |
| Kosten | Nur Infrastruktur | Pay-per-use |
| Datenschutz | Vollständig lokal möglich | Daten gehen an Anbieter |
| Anpassbarkeit | Fine-Tuning, Modifikation | Nur Prompt Engineering |
| Qualität | Nahe an Closed Source (MoE-Modelle) | Meist noch besser (frontier) |
| Support | Community | Kommerziell |
| Kontrolle | Vollständig | Abhängig vom Anbieter |
Wann Open Weight:
- Datenschutz ist kritisch (Gesundheit, Finanzen, Behörden)
- Hohe Volumen machen API-Kosten prohibitiv
- Spezifisches Fine-Tuning nötig
- Volle Kontrolle über Deployment
Wann proprietäre Modelle:
- Beste Qualität für komplexe Aufgaben
- Schneller Einstieg ohne Infrastruktur
- Multimodalität in aktuellen Modell- und Produktvarianten
- Kein eigenes ML-Team
Technologie-Trends 2026
Multimodalität: Text, Bild, Audio, Video
Moderne KI-Plattformen kombinieren Modelle für Text, Bild, Audio und Video. Manche Modelle verstehen mehrere Eingabearten, während separate Spezialmodelle Bilder, Sprache oder Video erzeugen. Prüfe multimodale Fähigkeiten deshalb immer pro Modell und API-Version.
Praktische Anwendungen:
- Dokumente mit Diagrammen analysieren
- Screenshots beschreiben und Fehler finden
- Gesprochene Sprache direkt verarbeiten (ohne separates STT-Modell)
- Produktbilder für E-Commerce beschreiben
KI-Agenten: Autonome Aufgabenausführung
KI-Agenten sind Systeme die nicht nur antworten, sondern eigenständig Aufgaben ausführen: Web-Recherche, Code schreiben und ausführen, E-Mails senden, Formulare ausfüllen.
Klassisches LLM: User fragt → Modell antwortet → fertig
KI-Agent: User gibt Ziel → Agent plant → führt Schritte aus → prüft Ergebnis → iteriertAktueller Stand: Agenten funktionieren gut für klar definierte, reversible Aufgaben. Für kritische Prozesse (Finanztransaktionen, medizinische Entscheidungen) noch nicht produktionsreif – zu viele Halluzinationen und unerwartete Abweichungen.
Beispiele für Agenten-Frameworks sind LangChain/LangGraph, LlamaIndex, Microsoft Agent Framework und CrewAI.
Reasoning-Modelle: Langsam denken für schwere Probleme
Aktuelle Modellfamilien bieten je nach Variante ein konfigurierbares oder adaptives Reasoning-Verhalten. Das kann Mathematik, Code und Planung verbessern, erhöht aber häufig Kosten und Latenz.
Standard-LLM: Frage → sofortige Antwort (schnell, manchmal falsch)
Reasoning: Frage → internes Denken (Sekunden bis Minuten) → Antwort (langsamer, genauer)Wann sinnvoll: Mathematik, komplexe Logik, mehrstufige Planung, Code-Debugging. Für einfache Aufgaben ist es oft überdimensioniert und teurer. Miss den Effekt an deinen eigenen Aufgaben statt nur an allgemeinen Benchmarks.
Edge-KI: Modelle auf dem Gerät
Statt Anfragen in die Cloud zu schicken, laufen kleine Modelle direkt auf dem Gerät – Smartphone, Laptop, IoT-Sensor.
- Apple Intelligence: Eigene und Llama-basierte Modelle direkt auf iPhone/Mac
- Qualcomm Snapdragon: NPU für KI-Inferenz auf Android
- Microsoft Copilot+ PCs: Neural Processing Unit (NPU) in Windows-Laptops
Vorteile: Keine Latenz, kein Datenschutzproblem, offline-fähig. Nachteil: Kleinere Modelle (1B–7B) sind weniger leistungsfähig als Cloud-Modelle.
Kleine, spezialisierte Modelle
Der Trend geht weg von „größer ist besser” hin zu effizienten, spezialisierten Modellen:
- Microsoft Phi-4 (14B Parameter): Auf Niveau von Modellen 10× größer
- Google Gemma 3 (1B–27B): Effizient, für Edge und Fine-Tuning optimiert
- Ministral 3 (3B/8B/14B): Mistrals kompakte Modellfamilie, multimodal
Warum: Kleinere Modelle sind günstiger in der Inferenz, schneller, und für spezifische Aufgaben oft besser als generische Großmodelle.
Hype vs. Realität
Der Gartner Hype Cycle beschreibt wie neue Technologien überschätzt, dann unterschätzt und schließlich realistisch eingeschätzt werden. KI ist gerade auf dem Weg vom „Peak of Inflated Expectations” in das „Trough of Disillusionment”.
| Versprechen | Realität 2026 |
|---|---|
| „KI ersetzt alle Wissensarbeiter” | KI verändert Aufgaben, ersetzt selten ganze Jobs |
| „AGI in 2–3 Jahren” | Frontier-Modelle sind beeindruckend, aber kein echtes Verstehen |
| „KI-Agenten übernehmen alles” | Agenten funktionieren für klar definierte, reversible Aufgaben – Fortschritte bei Agent Teams |
| „Open Source ist genauso gut” | Llama 4 und Mistral Large 4 konkurrieren mit Frontier-Modellen |
| „KI halluziniert nicht mehr” | Halluzinationen sind reduziert, aber nicht gelöst |
Was wirklich funktioniert:
- Text-Erstellung und -Bearbeitung (sehr gut)
- Code-Assistenz (sehr gut, 20–40% Produktivitätsgewinn messbar)
- Dokumentenanalyse und -zusammenfassung (gut)
- Semantische Suche und RAG (gut)
- Bildgenerierung für kreative Zwecke (sehr gut)
Was noch nicht zuverlässig funktioniert:
- Autonome Agenten für kritische Prozesse
- Echtzeitdaten ohne externe Tools
- Komplexe mehrstufige Planung ohne menschliche Kontrolle
- Medizinische/rechtliche Entscheidungen ohne Expertenkontrolle
Regulierung: Der AI Act
Die EU hat mit dem AI Act (2024) das erste umfassende KI-Gesetz weltweit verabschiedet. Kernpunkte:
- Risikobasierter Ansatz: Je höher das Risiko, desto strenger die Anforderungen
- Verbotene Anwendungen: Soziale Bewertungssysteme, biometrische Massenüberwachung
- Hochrisiko-KI: Medizin, Justiz, kritische Infrastruktur – strenge Anforderungen
- Transparenzpflichten: KI-generierte Inhalte müssen gekennzeichnet werden
- Foundation Models: Besondere Pflichten für Anbieter großer Modelle (OpenAI, Google, Meta)
Zeitplan: Verbote ab 2025, Hochrisiko-Anforderungen ab 2026, volle Anwendung ab 2027.
Für Unternehmen bedeutet das: KI-Anwendungen müssen dokumentiert, auditierbar und erklärbar sein – besonders wenn sie Entscheidungen über Menschen treffen.