KI-Souveränität: Warum man den Anbieterwechsel üben sollte

Steffen Reithermann (RPTU Kaiserslautern, KI-Allianz Rheinland-Pfalz) hat gezeigt, auf welchen Ebenen KI-Abhängigkeiten entstehen und wie man sich trotzdem Optionen offenhält.

Was passiert, wenn dein KI-Dienst morgen doppelt so teuer ist? Oder wenn das Modell, auf dem die halbe Prozesskette läuft, über Nacht abgeschaltet oder spürbar eingeschränkt wird? Für Steffen Reithermann ist das kein Gedankenspiel. Er erinnerte an einen weit verbreiteten Virtualisierungsanbieter, dessen Lizenzkosten sich praktisch von heute auf morgen vervierfacht haben. Manche Kunden haben gezahlt, andere sind gewechselt. Wie weh das tat, hing allein davon ab, wie gut sie vorbereitet waren.

Souverän heißt nicht autark

Steffens Kernthese räumt mit einem Missverständnis auf: Niemand muss jede KI selbst bauen oder in Deutschland betreiben. Souverän ist, wer seine Abhängigkeiten kennt und weiß, wie schnell er auf Alternativen umsteigen kann. Solange es nur um den Chatbot geht, ist ein Wechsel schnell erledigt. Je tiefer KI aber unter der Haube von Produktion und Prozessen steckt, desto teurer wird jede Abhängigkeit.
Dazu kommt die unbequeme Frage, wo eigentlich überall Prompts, Protokolle und Embeddings liegen. Bei einem Cloud-Anbieter mit Unterauftragnehmern, Servicepartnern und Beratern im Pfad ist das gar nicht so leicht zu beantworten.

Engpässe auf jeder Ebene

Wo hakt es? Kurz gesagt: überall. Bei den Chips gibt es kaum Lieferanten, bei Rechenzentren und Energie hinkt Deutschland hinterher, und Frontier-Modelle lassen sich in Europa nicht mal eben nachbauen. Wie real das ist, zeigte Steffen am eigenen Beispiel: Für zwei frisch bestellte GPU-Server wurden ihm 36 Wochen Lieferzeit genannt.
Seine Gegenthese macht trotzdem Mut. Europa sitzt mit seinem Industrie-Know-how, etwa in der Chemie, auf einem Datenschatz, der für spezialisierte Industriemodelle wie gemacht ist. Wir müssen nur schneller werden.

Die Treppe von lokal bis US-Cloud

Wohin also mit den Daten? Steffen sortiert die Optionen in ein Stufenmodell, nach Vertraulichkeit. Ganz oben: KI auf dem eigenen Gerät, was dank quantisierter Modelle selbst auf einem gut ausgestatteten MacBook zunehmend klappt. Dann der eigene GPU-Server im Haus, danach Colocation im fremden Rechenzentrum, dann eine echte EU-konforme Cloud.
Skeptisch wird Steffen bei der „souveränen Cloud Deutschland GmbH“ mit US-Mutter: Wenn es hart auf hart kommt, wird die Tochter nicht einfach Nein sagen können, nicht zuletzt wegen des US Cloud Act. Ganz unten stehen die direkte Nutzung von US-Anbietern und kostenlose Modelle, die erklärtermaßen auf euren Daten trainieren. Dann steckt das Ingenieurswissen irgendwann in der nächsten Modellversion.

Kritikalität entscheidet, nicht Ideologie

Muss man sich für eine dieser Welten entscheiden? Nein. Der Marketingflyer darf in die globale Cloud, Firmendaten gehören eher in eine EU-kontrollierte Umgebung, Betriebsgeheimnisse am besten nach Hause. Steffen betreut etwa Projekte in der chemischen Verfahrenstechnik und bei Automobilzulieferern, wo Anomalieerkennung und Qualitätskontrolle auf Sensordaten laufen. Dafür reichen kleine, sogar lokal trainierte Modelle.
Teilnehmer Tobias brachte es in der Fragerunde auf ein schönes Bild: eine Matrix aus Souveränität und Kritikalität des Geschäftsprozesses, in der ein Quadrant leer bleiben muss, nämlich „hochkritisch, aber kaum souverän“.

Den Exit üben, nicht nur planen

Die Leitfrage, die Steffen mitgab: Könnten wir binnen 30 Tagen auf ein anderes Modell wechseln? Dafür braucht es die Klassiker: eigene Datenkontrolle, offene Schnittstellen und entkoppelte Bausteine, damit sich Modell, Daten und Workflows einzeln tauschen lassen. Vor allem aber sollte man den Ausfall von Anbieter A ab und zu wirklich durchspielen.

Steffens persönlicher Pragmatismus-Trick: Aus jedem relevanten Chatverlauf lässt er sich Markdown-Dateien mit den Kernergebnissen erzeugen und legt sie in einer Ordnerstruktur ab. Wechselt er das Modell, lädt er den Ordner hoch und sagt: „Nimm das als Baseline.“ Abstraktionsschichten über Modelle und Tools sind noch Start-up- und Forschungsterrain. Bis dahin gilt: Die Disziplin, Wissen portabel rauszuschreiben, muss man selbst aufbringen.

Du möchtest genauer verstehen, wie Knowledge Graphen funktionieren? Schau dir die Erklärung und die Demonstration in der Aufzeichnung an.

Jetzt anmelden um die Aufzeichnung zu sehen