Europa braucht kein eigenes ChatGPT
Europa gewinnt das Rennen um das größte KI-Modell nicht mehr. Warum spezialisierte Modelle auf eigener Hardware für die Industrie der bessere Weg sind.
Apple wird vorgeworfen, das KI-Rennen verloren zu haben, weil das Unternehmen in Teilen auf Googles Gemini setzt. Europa wird vorgeworfen, das KI-Rennen gegen die USA und China verloren zu haben, weil es kein eigenes Frontier-Modell besitzt. Ich finde das eine interessante Parallele.
Spannender wird es aber, wenn man sich anschaut, was Apple tatsächlich tut. Apple läuft das Rennen um immer größere Modelle gar nicht mit, sondern ein anderes.
Das Unternehmen setzt konsequent auf kleine, effiziente Modelle, die direkt auf den Geräten laufen. Sie sind tief in die Prozesse integriert, fügen sich nahtlos ein und sind auf ihre jeweilige Aufgabe spezialisiert. In ihrer Disziplin halten sie mit deutlich größeren Modellen mit, bei einem Bruchteil des Ressourceneinsatzes, ohne Cloud-Abhängigkeit und damit unter Wahrung der Datenhoheit.
Genau davon kann Europa lernen.
Das falsche Rennen
Europa wird das Rennen um das größte Modell nicht mehr gewinnen. Die Investitionssummen, die Rechenkapazität und der zeitliche Vorsprung sprechen dagegen, und daran ändert auch ein weiteres Förderprogramm nichts.
Aber Europa ist vor allem ein Industriekontinent. Wir leben von Fertigung, Maschinenbau, Chemie, Automotive und Pharma. Was hier gebraucht wird, ist selten ein Generalist mit hunderten Milliarden Parametern, der über alles ein bisschen Bescheid weiß. Gebraucht werden Systeme, die eine konkrete Aufgabe in einem konkreten Prozess zuverlässig lösen.
Ein Modell, das Prüfberichte einer bestimmten Anlage einordnet, muss nicht Gedichte schreiben können. Es muss die Anlage kennen.
Und Europa hat dabei etwas, das weder OpenAI noch Google haben: jahrzehntelanges, tiefes Domänenwissen in der Industrie. Sofern wir es ihnen nicht leichtfertig in den Rachen werfen.
Der Bestand ist der Vorteil, nicht das Problem
Brownfield-Anlagen machen rund 80 Prozent der Produktionsstätten in Deutschland aus. Anlagen, die mechanisch robust sind, zuverlässig laufen, gut gewartet und längst abgeschrieben sind. Meist ohne digitale, maschinenlesbare Konstruktionsinformationen.
Das wird gern als Rückstand beschrieben. Ich sehe es umgekehrt.
Müssen diese Maschinen auf den Schrott, und müssen Millionen investiert werden, obwohl die bestehenden Anlagen zuverlässig laufen? Aus technischer, wirtschaftlicher und nachhaltiger Sicht spricht in den meisten Fällen nichts dafür. Der Wunsch nach mehr Einblick, besserer Wartbarkeit und effizienterem Betrieb ist trotzdem da.
Neue Maschinen bringen Sensorik und Intelligenz häufig mit. Sie bedeuten aber auch hohe Investitionen, lange Umstellungsphasen und neue Abhängigkeiten vom jeweiligen Hersteller-Ökosystem.
Der andere Weg ist Retrofit. Bestehende Maschinen laufen weiter und bekommen zusätzliche Fähigkeiten, indem sie messbar werden. Über Sensoren, die Vibrationen, Geräusche, Temperaturen oder Energieflüsse erfassen, bekommen sie ein Gefühl für ihren eigenen Zustand. Dazu kommt KI, die diese Signale einordnet und Veränderungen sichtbar macht.
Entscheidend ist dabei nicht, möglichst viel zu messen, sondern das Richtige. Und die Daten dort auszuwerten, wo sie entstehen. Nah an der Maschine, ohne Umweg und ohne Cloud-Zwang.
So wird aus einer Blackbox schrittweise ein System, das verstanden, optimiert und vorausschauend betrieben werden kann. Kosteneffizient, pragmatisch und bei voller Kontrolle über die eigenen Daten.
Die Voraussetzungen waren nie besser
Zwei Entwicklungen laufen gerade aufeinander zu. Edge-Hardware wird leistungsfähiger und günstiger, und kleine Modelle werden effizienter und besser. Was vor drei Jahren ein Rechenzentrum brauchte, läuft heute auf einem Gerät, das in eine Hand passt und im Betrieb weniger Strom zieht als ein Arbeitsplatzrechner.
Damit verschiebt sich die Wirtschaftlichkeitsrechnung grundlegend. Lokale KI war lange die teurere, umständlichere Option, die man mit Datenschutz begründen musste. Das stimmt so nicht mehr. Für viele industrielle Anwendungen ist sie inzwischen die günstigere, und die Datensouveränität gibt es obendrauf.
Was die Modelle angeht, ist Europa auch nicht so abgeschlagen, wie es oft dargestellt wird. Bei großen Sprachmodellen haben uns die USA und China abgehängt, das ist unbestritten. Bei Modellen für Zeitreihendaten, die in der Industrie oft relevanter sind als Sprache, sieht das Bild anders aus.
Der teuerste Fehler wäre, zu warten
Die aktuelle Generation generativer KI ist beeindruckend, aber fehlerhaft, und sie wird es durch ihre probabilistische Natur auch bleiben. Das ist ein guter Grund, sie sorgfältig einzusetzen. Es ist kein guter Grund, zu warten.
Bei Industrie 4.0 haben wir jahrelang Arbeitskreise gegründet, Absichtserklärungen unterschrieben und auf den Standard gewartet, der alles lösen sollte. Das Ergebnis kennen wir. Wer bei KI auf Perfektion wartet, wiederholt diesen Fehler mit einer Technologie, die sich deutlich schneller bewegt.
Pragmatismus und Geschwindigkeit gewinnen. Perfektionismus und übertriebene Vorsicht verlieren.
Wir müssen aufhören, das falsche Rennen zu laufen. Europa braucht kein eigenes ChatGPT, sondern tausende spezialisierte Modelle, die auf eigener Hardware laufen, zu einem Bruchteil der Kosten großer Cloud-Modelle, und die dabei das schützen, was unsere Industrie tatsächlich wertvoll macht.
Apple hat verstanden, dass nicht immer das größere Modell gewinnt. Europa auch?
Dieser Beitrag fasst Gedanken zusammen, die zuerst in mehreren LinkedIn-Beiträgen im Frühjahr 2026 erschienen sind.