Souveräne KI — der Überblick

Drei Themen kehren in jeder Konstellation wieder. Erstens die Modell-Wahl: Closed-Source-Frontier-Modelle bieten exzellente Performance, aber keinen Audit-Pfad zu Trainings-Daten. Open-Weight-Modelle wie Llama 3.x, Mistral Large oder Teuken-7B erreichen für die meisten produktiven Aufgaben ähnliche Qualität, lassen sich selbst hosten und versionieren. Zweitens die Daten-Architektur: Schrems II hat klargestellt, dass Standardvertragsklauseln allein nicht reichen — Verschlüsselung mit eigener Schlüsselhoheit, Confidential Computing und EU-only-Subprocessor-Ketten sind nicht optional, sondern aufsichtsrechtlich verlangt. Drittens die Vertragslage: Audit-Recht, No-Training-Klausel, vollständige Subprocessor-Transparenz und ein Vertragsgerichtsstand in der EU sind die vier Klauseln, die einen Stack-Wechsel überhaupt erst ermöglichen.

Was sich seit 2024 verändert hat: Open-Weight-Inferenz ist produktiv tragfähig. vLLM, SGLang und TensorRT-LLM liefern OpenAI-kompatible APIs mit Continuous Batching und Speculative Decoding; europäische GPU-Anbieter — Stackit, OVHcloud, IONOS, Scaleway — haben Kapazität aufgebaut; Co-Location lohnt sich bei mittlerer Auslastung über drei Jahre. Die Frage ist nicht mehr 'kann man souverän bauen', sondern 'unter welchen Constraints lohnt sich was'.

Die vier Branchen-Vertiefungen unterscheiden sich auf dieser Stufe vor allem in den Compliance-Schichten und der Beschaffungslogik. Wirtschaftliche Lock-in-Mechaniken stehen im Unternehmen-Pfad vorn; Vergaberecht und BSI-Grundschutz im Verwaltungs-Pfad; Stack-Bibliotheken und Eval-Disziplin bei Tech; Reproduzierbarkeit und Föderation in der Forschung. Wählen Sie unten den Pfad, der die Sprache spricht, in der Sie operativ entscheiden.