KI-Ökosystem 2026 – Anbieter, Modelle, Open Source vs. Closed

Lernziele

• Sie können das aktuelle KI-Anbieter-Ökosystem nach geografischen Clustern und Modellkategorien strukturieren.
• Sie erklären die wesentlichen Unterschiede zwischen Open-Source- und Closed-Source-Modellen mit Blick auf Datenschutz, Kosten und Anpassbarkeit.
• Sie kennen die wichtigsten Modellkategorien (Chatbots, Code-Assistenten, Bild-KI, Embedding-Modelle) und deren typische Einsatzfelder.
• Sie können für drei konkrete Szenarien eine begründete Toolempfehlung ableiten.
• Sie ordnen GPAI-Modelle im EU AI Act-Kontext ein und kennen die daraus folgenden Pflichten für Deployer.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

Stand Anfang 2026 gibt es weltweit mehr als 400 dokumentierte Sprachmodelle. Mindestens ein Dutzend davon sind für alltägliche Unternehmensaufgaben ernsthaft einsetzbar. Diese Marktvielfalt ist sowohl Chance als auch Herausforderung: Chance, weil für jeden Anwendungsfall das optimale Werkzeug verfügbar ist; Herausforderung, weil die Orientierung im Markt tatsächliche Fachkompetenz erfordert.

Stellen Sie sich vor, ein Kollege fragt: „Wir wollen KI für unsere Rechtsabteilung einsetzen. Welches Modell empfehlen Sie?” Die Antwort hängt von mindestens vier Faktoren ab: Welche Datenschutzanforderungen gelten? Welches Budget steht zur Verfügung? Welche bestehende IT-Infrastruktur ist vorhanden? Und: Ist maximale Performance wichtiger als Datensouveränität?

Diese Einheit gibt das Rüstzeug, um diese Fragen strukturiert zu beantworten — nicht durch das Auswendiglernen von Produktnamen, sondern durch das Verständnis der zugrundeliegenden Strukturprinzipien des KI-Marktes.

Lerntext — Theorie und Konzepte

Die großen Anbieter-Cluster im globalen KI-Markt

Das KI-Ökosystem 2026 lässt sich nach geografischen und strategischen Clustern strukturieren:

US-amerikanische Hyperscaler dominieren den Markt für Foundation Models: OpenAI (mit Microsoft als Hauptinvestor) mit der GPT-Serie und ChatGPT; Anthropic (mit Amazon und Google als Investoren) mit der Claude-Serie; Google DeepMind mit Gemini; Meta mit den Llama-Modellen (Open Source); Amazon mit Titan und Bedrock-Plattform.

Europäische Anbieter spielen eine zunehmend wichtige Rolle, besonders für EU-konforme Lösungen: Mistral AI (Frankreich) mit den Mistral- und Mixtral-Modellen sowie dem Le-Chat-Interface — DSGVO-konforme Rechenzentren in der EU sind explizites Geschäftsmodell. Aleph Alpha (Deutschland) hat sich in Richtung Enterprise-Lösungen für behördliche und kritische Infrastrukturbereiche entwickelt.

Chinesische Modelle — insbesondere DeepSeek und Qwen (Alibaba) — haben technisch beeindruckende Ergebnisse gezeigt, sind aber für EU-Unternehmen aus regulatorischen Gründen problematisch: Datenschutz-Compliance mit der DSGVO ist bei in China gehosteten Diensten nicht sichergestellt, und potenzielle Geheimdienstkooperationen stellen ein operatives Risiko dar.

Abb. 3.1 — KI-Ökosystem 2026: Anbieter-Mindmap nach Clustern und Kategorien

Foundation Models vs. Fine-Tuned Models: Wann welche Strategie?

Ein Foundation Model (auch: Basismodell) ist ein großskaliges Modell, das auf massiven allgemeinen Datensätzen trainiert wurde und als Ausgangspunkt für viele verschiedene Anwendungen dienen kann. GPT-4o, Claude 3.5, Gemini 2.5 Pro sind Foundation Models — sie können Texte formulieren, Code schreiben, Bilder analysieren und vieles mehr, ohne für diese Aufgaben spezifisch trainiert worden zu sein.

Ein Fine-Tuned Model ist ein Foundation Model, das auf einem domänenspezifischen Datensatz nachtrainiert wurde, um in diesem Bereich besser zu werden. Beispiele: Harvey AI (spezialisiert auf juristische Analyse, basierend auf Claude/GPT), Jasper (auf Marketing-Texte optimiert), GitHub Copilot (auf Code-Repositories trainiert). Fine-Tuning ist sinnvoll, wenn: die Domäne sehr spezifisch ist (z. B. Steuerrecht in Deutschland), besondere Terminologie verwendet wird, oder Performance-Anforderungen für Standardaufgaben mit kleinerem Modell erfüllt werden sollen.

Für die Praxis gilt: Fine-Tuning lohnt sich erst ab einer bestimmten Anwendungsreife. In der Anfangsphase sind Foundation Models mit gutem Prompt Engineering in der Regel ausreichend und deutlich kostengünstiger in der Implementierung.

Merksatz

Foundation Models sind der wirtschaftlichste Einstieg für die meisten Unternehmensanwendungen. Fine-Tuning ist ein leistungsstarkes, aber ressourcenintensives Werkzeug — sorgfältig einsetzen, wenn Prompt-Optimierung nicht ausreicht.

Open Source vs. Closed Source: Die Entscheidungsmatrix

Diese Unterscheidung ist für Unternehmenskunden eine der wichtigsten strategischen Fragen:

Closed-Source-Modelle (GPT-4o, Claude, Gemini): Der Quellcode und die Gewichte des Modells sind proprietär. Vorteile: Beste Performance in den meisten Benchmarks, regelmäßige Updates durch den Anbieter, umfangreicher Enterprise-Support. Nachteile: Datenschutz-Bedenken (Trainingsnutzung von Daten je nach Vertragslage), Vendor-Lock-in, laufende API-Kosten pro Token, keine Anpassung der Modellgewichte möglich.

Open-Source-Modelle (Llama 3/4, Mistral, Phi-3): Die Modellgewichte sind öffentlich verfügbar und können selbst betrieben werden. Vorteile: Vollständige Datensouveränität durch On-Premise-Hosting, keine laufenden Token-Kosten nach Infrastruktur-Investment, prinzipielle Anpassbarkeit durch Fine-Tuning, Unabhängigkeit von einzelnem Anbieter. Nachteile: Erheblicher Infrastrukturaufwand (GPU-Server, IT-Personal), Performance oft unter den besten Closed-Source-Modellen, volle Verantwortung für Sicherheit und Compliance liegt beim Betreiber.

Die EU-Perspektive: Das Argument für Open Source in europäischen Unternehmen ist vor allem der Datenschutz. Wenn ein Modell auf eigenen Servern in Deutschland betrieben wird, verlassen keine Kundendaten das Unternehmen — ein entscheidender Vorteil bei der Verarbeitung personenbezogener Daten nach DSGVO.

GPAI-Modelle im EU AI Act: Was Deployer wissen müssen

Seit August 2025 gelten die Anforderungen des EU AI Act Titel VIII für GPAI-Modelle (General Purpose AI Models) — also für Modelle mit allgemeinem Verwendungszweck wie GPT, Claude oder Gemini. Anbieter dieser Modelle müssen technische Dokumentation bereitstellen, urheberrechtsrelevante Trainingsdaten offenlegen und bei Modellen mit systemischem Risiko besondere Sicherheitsbewertungen durchführen (Art. 51–56 EU AI Act).

Für Organisationen als Deployer — also Unternehmen, die ein GPAI-Modell im eigenen Namen einsetzen — entstehen daraus indirekte Pflichten: Sie müssen sicherstellen, dass der von ihnen gewählte Anbieter seiner Dokumentationspflicht nachkommt, und sie sind für den konkreten Einsatzzweck verantwortlich.

Merksatz

Open Source bedeutet nicht automatisch mehr Sicherheit — es bedeutet mehr Kontrolle und mehr Verantwortung. Wer ein Modell lokal betreibt, ist für Sicherheit, Updates und Compliance vollständig selbst zuständig.

Benchmark-Kultur und ihre Grenzen

Wichtige Benchmarks: - MMLU (Massive Multitask Language Understanding): 57 Fachgebiete, Multiple-Choice-Fragen. Misst Breite des Faktenwissens. GPT-4o: ca. 88 %, Claude 3.5: ca. 87 %. Einschränkung: Misst Wissensabfrage, nicht Anwendungsfähigkeit. - HumanEval: Code-Generierungsaufgaben. Misst Programmier-Kompetenz in Python. - GPQA (Graduate-Level Google-Proof Q&A): Expertenfragen in Biologie, Chemie, Physik. - Chatbot Arena (LMSYS): Menschliche Nutzer bewerten Ausgaben im Blindtest.

Warum Benchmarks mit Vorsicht zu genießen sind: Modelle können auf Benchmark-Datensätze überoptimiert sein. Benchmark-Performance ≠ Performance in der konkreten Aufgabe. Für aktuelle, unabhängige Benchmark-Vergleiche: artificialanalysis.ai.

Vertiefung — Die API-Ökonomie und Token-Kalkulation

Moderne KI-Dienste werden über APIs (Application Programming Interfaces) konsumiert. Das Token-basierte Preismodell: Aktuelle Preise (Stand 2025): GPT-4o ca. 2,50 $ / 1 Mio. Input-Tokens und ca. 10 $ / 1 Mio. Output-Tokens; Claude 3.5 Sonnet ca. 3 $ / 1 Mio. Input-Tokens und 15 $ / 1 Mio. Output-Tokens.

Für typische Unternehmensanfragen mit 500–2.000 Tokens liegen die Kosten im Cent-Bereich pro Anfrage. Allerdings skaliert dies schnell bei hohem Volumen. Ein Unternehmen, das 500 Kundensupport-Tickets täglich mit je 500 Token Input und 200 Token Output verarbeitet, zahlt bei GPT-4o ca. 0,73 $ täglich — unter 25 $ pro Monat. Das ist wirtschaftlich interessant für Automatisierungsvorhaben, aber vor der Implementierung ist eine Kostenmodellierung zwingend.

Für die Systemarchitektur in Kundenprojekten bedeutet das: Die Wahl des richtigen Modells für einen bestimmten Anwendungsfall hängt direkt vom Token-Budget ab. Das Verständnis von Embeddings eröffnet zudem den Weg zu einem der wirkungsvollsten Unternehmensanwendungen — semantische Suche in internen Dokumenten. Statt Keyword-Suche ermöglicht Embedding-basierte Suche, Dokumente nach semantischer Ähnlichkeit zu finden. Das ermöglicht natürlichsprachige Suchanfragen wie „Wie handhaben wir Datenschutzanfragen von Kunden?” — und das System findet die relevante Richtlinie, auch wenn sie das Wort „Datenschutzanfrage” nicht enthält.

Vertiefung II — Cognitive Architectures: Von SOAR zu ACT-R und modernen LLMs

Das Verständnis, wie menschliches Denken und Problemlösen funktionieren, hat die KI-Forschung von Anfang an beeinflusst. Kognitive Architekturen sind theoretische Rahmenwerke, die versuchen, die grundlegenden Mechanismen menschlicher Kognition zu modellieren — und die dabei gleichzeitig Blaupausen für KI-Systeme liefern.

Was sind kognitive Architekturen?

Eine kognitive Architektur ist ein Modell der strukturellen und funktionalen Prinzipien des menschlichen Denkens. Im Gegensatz zu reinen Verhaltensmodellen beschreiben kognitive Architekturen, wie Wissen repräsentiert wird, wie Probleme gelöst werden und wie Lernen stattfindet. Sie sind damit sowohl Gegenstand der Kognitionswissenschaft als auch Werkzeug für KI-Forscher.

Die bedeutsamsten kognitiven Architekturen sind SOAR und ACT-R — beide entstanden in den 1980er Jahren und haben die Forschung bis heute geprägt.

SOAR: State, Operator, and Result

SOAR (State, Operator, and Result) wurde in den frühen 1980er Jahren von Allen Newell und John Laird an der Carnegie Mellon University entwickelt. Die Grundidee: Jedes Problemlösungsverhalten kann als Navigation durch einen Problemraum beschrieben werden. Ein Agent befindet sich in einem Zustand (State), wendet einen Operator an, um in einen neuen Zustand überzugehen, und verfolgt dabei ein angestrebtes Ziel (Result).

SOAR nutzt sogenannte Produktionsregeln: Wenn eine bestimmte Bedingung zutrifft, wird eine bestimmte Aktion ausgelöst. Lernen in SOAR erfolgt durch „Chunking” — häufig genutzte Problemlösungspfade werden als neue Produktionsregeln gespeichert und können fortan direkt abgerufen werden, ohne den vollständigen Problemlösungsprozess zu durchlaufen.

Merksatz

Kognitive Architekturen wie SOAR und ACT-R modellieren, wie menschliches Wissen gespeichert und abgerufen wird. Moderne LLMs sind keine kognitiven Architekturen im technischen Sinne — sie haben kein explizites Regelwerk, kein deklaratives Gedächtnis und keine planende Kontrollstruktur. Sie simulieren kognitive Leistungen durch statistische Musterabbildung auf enormen Datensätzen.

ACT-R: Adaptive Control of Thought — Rational

ACT-R (Adaptive Control of Thought — Rational) wurde von John Anderson an der Carnegie Mellon University entwickelt und ist bis heute eines der meistzitierten Modelle der Kognitionswissenschaft. ACT-R unterscheidet zwischen zwei Gedächtnistypen: deklaratives Gedächtnis (explizites Faktenwissen, z. B. „Paris ist die Hauptstadt von Frankreich”) und prozedurales Gedächtnis (implizites Handlungswissen, z. B. „Wie man Fahrrad fährt”).

Ein wichtiges Konzept in ACT-R ist die Aktivierungsstärke: Häufig genutzte und kürzlich abgerufene Gedächtnisinhalte haben eine höhere Aktivierungsstärke und werden schneller und zuverlässiger abgerufen. Selten genutzte Informationen verblassen. Diese „Base-Level Activation” spiegelt empirische Befunde aus der Gedächtnisforschung wider.

Warum diese Architekturen heute wieder relevant sind

Mit der Entwicklung von KI-Agenten — also KI-Systemen, die selbstständig über mehrere Schritte hinweg Aufgaben ausführen — erleben kognitive Architekturen eine Renaissance. Systeme wie AutoGPT, LangChain-Agenten oder OpenAIs Function-Calling-APIs versuchen, LLMs mit expliziten Planungs-, Gedächtnis- und Handlungsmodulen zu kombinieren — ähnlich der Struktur von SOAR oder ACT-R. Moderne Forschung zu „Cognitive Architectures for LLMs” (z. B. CoALA-Framework, Sumers et al. 2024) formalisiert diese Verbindung.

Für die Praxis bedeutet das: Das Verständnis kognitiver Architekturen hilft, die Grenzen aktueller LLMs zu verstehen. Ein LLM hat kein persistentes Gedächtnis über Sitzungen hinweg (kein deklaratives Gedächtnis wie ACT-R), keinen expliziten Planungsmechanismus (kein Problemraumnavigator wie SOAR) und kein echtes Lernen aus Nutzungsinteraktionen (kein Chunking wie SOAR). Diese Lücken werden in aktuellen Agentenarchitekturen durch externe Module überbrückt — mit wachsender, aber noch nicht vollständiger Wirksamkeit.

Von symbolischer zu subsymbolischer KI — und zurück zu hybrid

Die historische Linie von SOAR zu modernen LLM-Agenten illustriert einen fundamentalen Paradigmenstreit: Symbolische KI (regelbasiert, erklärbar, fragil bei unbekannten Situationen) vs. subsymbolische KI (lernbasiert, robust, schwer erklärbar). Die Zukunft liegt wahrscheinlich in hybriden Architekturen, die das Beste beider Ansätze verbinden: LLMs für Sprachverständnis und Generierung, symbolische Systeme für Regelkonformität, Planung und Erklärbarkeit.

Von SOAR zu modernen Agentenarchitekturen: Ein praktischer Brückenschlag

Die Verbindung zwischen kognitiven Architekturen der 1980er Jahre und modernen KI-Agenten ist kein akademisches Kuriosum. Sie hilft, den Stand und die Grenzen aktueller Agenten-KI-Systeme realistisch einzuschätzen.

Ein typisches modernes Agenten-System — etwa ein LangChain-Agent oder ein OpenAI-Assistant mit Tools — besteht aus folgenden Bausteinen: einem LLM als Kernintelligenz, externen Tools (Websuche, Code-Interpreter, Datenbankzugriff), einem Speicher (kurzfristig: Konversationshistorie, langfristig: Vektordatenbank) und einer Planungsschicht, die festlegt, welche Tools in welcher Reihenfolge eingesetzt werden. Diese Struktur ist eine funktionale Annäherung an SOAR-Konzepte: Zielzustand (Task), Operatoren (Tools), Arbeitsgedächtnis (Kontext) und Langzeitgedächtnis (Vektordatenbank).

Was fehlt gegenüber echter SOAR-Architektur: Ein SOAR-System hat eine formale Zielhierarchie — es kann Subziele erzeugen, wenn ein Hauptziel scheitert, und systematisch nach alternativen Operatoren suchen. Aktuelle LLM-Agenten sind bei komplexen Planungsaufgaben noch deutlich weniger zuverlässig. Sie neigen dazu, in Schleifen zu geraten, Subziele zu vergessen oder falsche Tool-Sequenzen zu planen. Das ist ein aktives Forschungsgebiet, und die nächsten ein bis zwei Jahre werden zeigen, ob Reasoning-Modelle (o1/o3 von OpenAI, ähnliche Ansätze anderer Anbieter) diesen Abstand verringern können.

Abgrenzung: KI-Agenten vs. KI-Assistenten

In der Praxis ist die Unterscheidung zwischen einem KI-Assistenten und einem KI-Agenten für Systemarchitekten und Berater wichtig:

Ein KI-Assistent beantwortet eine Anfrage und wartet dann auf die nächste. Der Mensch definiert jeden Schritt. Beispiele: ChatGPT im Chat-Modus, Claude als Schreibhilfe. Der Mensch ist der Orchestrierer.

Ein KI-Agent erhält ein übergeordnetes Ziel und plant und führt mehrere Schritte autonom aus, bis das Ziel erreicht ist oder er scheitert. Der Mensch gibt das Ziel vor, der Agent entscheidet über den Weg. Beispiele: AutoGPT (2023, erste Generation, oft instabil), OpenAI Assistants mit Tools (2024, stabiler), Anthropic’s Computer Use (2024). Agenten erfordern eine andere Sicherheitsperspektive als Assistenten: Sie können externe Systeme verändern (Dateien schreiben, E-Mails senden, Code ausführen), was unbeabsichtigte Konsequenzen haben kann.

Für Unternehmenseinführungen gilt: Während KI-Assistenten heute für eine breite Basis von Mitarbeitenden sinnvoll einsetzbar sind, sollten KI-Agenten mit Zugriffsrechten auf Produktionssysteme nur nach sorgfältiger Risikoanalyse und mit klaren Berechtigungs- und Auditierungskonzepten eingesetzt werden.

Praxisvertiefung: API vs. Consumer-Interface — der entscheidende Unterschied für Unternehmenseinsatz

Viele Mitarbeitende kennen KI-Tools über ihre Consumer-Interfaces (chatgpt.com, claude.ai). Für professionellen Unternehmenseinsatz ist jedoch das Verständnis des API-Zugangs fundamental.

Consumer-Interface: Das web-basierte Chat-Interface (z. B. chatgpt.com) ist für persönliche Nutzung und Experimente ausgelegt. Die Datenschutzbedingungen für Consumer-Accounts erlauben es den Anbietern, Eingaben für Modellverbesserungen zu nutzen — was in Unternehmenskontexten mit vertraulichen Daten inakzeptabel ist. Zudem bieten Consumer-Interfaces keine Programmierschnittstellen für Systemintegration.

Enterprise-API: Der API-Zugang (Application Programming Interface) ermöglicht die programmatische Integration von KI-Modellen in eigene Systeme. Wichtige Unterschiede zu Consumer-Interfaces: Datenschutzgarantien (Enterprise-Verträge schließen in der Regel Nutzung für Modelltraining aus), Skalierbarkeit (API kann tausende Anfragen pro Minute verarbeiten), Anpassbarkeit (System-Prompts, eigene Kontexte), Kostentransparenz (pro Token abgerechnet statt Flatrate).

Für Unternehmensarchitekten wichtig: Die Wahl zwischen direkter API-Integration und einer Middleware (LangChain, Azure OpenAI Service, AWS Bedrock) hat architektonische Konsequenzen. Middleware-Schichten abstrahieren Anbieter-APIs und erleichtern Anbieterwechsel — ein strategischer Vorteil, der die Vendor-Lock-in-Risiken reduziert. Azure OpenAI Service zum Beispiel bietet die gleichen GPT-4o-Modelle wie die OpenAI-API, aber mit DSGVO-konformer EU-Datenhaltung und Microsoft-Enterprise-Vertrag.

Merksatz

Consumer-Interface ≠ Enterprise-Einsatz. Für Unternehmensanwendungen mit vertraulichen Daten ist immer ein Enterprise-API-Vertrag mit expliziter Datenschutzgarantie erforderlich. Die Consumer-Nutzung durch einzelne Mitarbeitende ohne Unternehmensvertrag ist in vielen Organisationen eine DSGVO-Grauzone.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

Ein IT-Beratungshaus berät Kunden bei der Digitalisierung ihrer Geschäftsprozesse. Die Kompetenz, verschiedene KI-Modelle nach Einsatzeignung zu differenzieren, ist direkt wertschöpfend. Ein praktisches Entscheidungsframework für Beratungsgespräche: Standard-Office-Automatisierung (E-Mails, Zusammenfassungen, Protokolle) → ChatGPT Enterprise oder Claude Pro. Sensible Kundendaten (Verträge mit Personenbezug) → Le Chat (Mistral, EU-Rechenzentren) oder On-Premise Llama/Mistral. Aktuelle Marktrecherche → Perplexity Pro. Entwicklungsunterstützung → GitHub Copilot oder Cursor mit Claude-Backend. Microsoft-365-Ökosystem → Copilot for M365.

Industrie & Fertigung

Ein mittelständischer Maschinenbauer (200 MA) möchte seine interne Wissensdatenbank durchsuchbar machen. Mitarbeitende in der Produktion sollen per natürlichsprachiger Eingabe Fragen zu Wartungsverfahren, Sicherheitsvorschriften und technischen Spezifikationen stellen können. Besondere Anforderung: Alle Daten müssen auf eigenen Servern bleiben — viele Dokumente enthalten proprietäre Konstruktionsdaten. Empfehlung: On-Premise Llama 3 oder Mistral mit RAG-Architektur. Vollständige Datensouveränität, keine Token-Kosten bei hohem internem Anfragevolumen, RAG verankert das Modell in der eigenen Wissensdatenbank. Nachteil: Erheblicher Infrastrukturaufwand (GPU-Server, IT-Personal).

Finanzdienstleistung & Versicherung

Ein Versicherungsunternehmen möchte eingehende Schadensmeldungen automatisch vorsichten lassen. Verschiedene KI-Optionen stehen zur Auswahl: Ein Closed-Source-Modell (GPT-4o via API) könnte über Nacht alle eingegangenen Meldungen kategorisieren und Prioritäten setzen — günstig, leistungsstark, aber Datenschutzprüfung erforderlich (AVV, DSGVO Art. 28). Ein EU-Modell (Mistral via Le Chat Enterprise) erfüllt die Datenschutzanforderungen direkt, ist aber möglicherweise bei komplexen Schadensbeschreibungen etwas schwächer. Eine On-Premise-Lösung (Llama 3) maximiert Datensouveränität, erfordert aber IT-Investitionen. Die Entscheidung hängt von der Datenschutz-Policy und dem internen IT-Setup ab — es gibt keine universelle Antwort.

Öffentliche Verwaltung

Behörden und Kommunen stehen vor dem Markt mit besonderen Anforderungen: DSGVO-Compliance ist obligatorisch, Haushaltsmittel sind begrenzt, und politische Sensitivität bei US-Cloud-Diensten ist hoch. Für viele öffentliche Auftraggeber ist Mistral AI (Le Chat) die pragmatischste Option: EU-Rechenzentren, transparente Datenschutzpolitik, wettbewerbsfähige Performance, günstigeres Preismodell. Für besonders sensitive Behörden (Nachrichtendienste, kritische Infrastruktur) ist On-Premise-Betrieb eines Open-Source-Modells oft die einzige politisch und rechtlich akzeptable Option — trotz erhöhtem Betriebsaufwand.

Übung 1 — Marktlandkarte: Anbieter kategorisieren

Übung 1 — Marktlandkarte

Aufgabe: Sie ordnen zehn reale KI-Dienste in eine Marktlandkarte ein. Ziel ist die Entwicklung eines strukturierten Überblicks, den Sie in Beratungsgesprächen einsetzen können.

Material: Die folgende Liste von Diensten: ChatGPT, Claude, Gemini, Perplexity AI, GitHub Copilot, Midjourney, ElevenLabs, Whisper (OpenAI), Llama 3 (Meta), Mistral/Le Chat.

Schritt-für-Schritt: 1. Erstellen Sie eine Tabelle mit den Spalten: Dienst / Anbieter / Geografischer Cluster / Modellkategorie / Preismodell (grob) / Open oder Closed Source / EU-Datenschutz-Bewertung. 2. Füllen Sie die Tabelle für alle zehn Dienste aus — nutzen Sie dazu den Lerntext und Ihr Vorwissen. 3. Markieren Sie, welche Dienste Sie für einen deutschen Mittelstandskunden mit sensiblen Personaldaten ohne Bedenken empfehlen würden (grün), mit Vorbehalt (gelb) oder nicht ohne DSGVO-Prüfung (rot). 4. Vergleichen Sie Ihre Bewertung mit einer anderen Person und diskutieren Sie Abweichungen.

Erwartetes Ergebnis: Vollständig ausgefüllte Tabelle mit Begründung der Datenschutz-Farbbewertung für mindestens drei Dienste.

Musterlösung (Auswahl):

Übung 2 — Szenario-Workshop: Toolempfehlung begründen

Übung 2 — Toolempfehlung

Aufgabe: Drei Szenarien aus dem Unternehmensalltag. Für jedes Szenario wählen Sie das geeignetste KI-Tool und begründen Ihre Wahl in drei bis vier Sätzen.

Szenario A: Ein Mittelstandsunternehmen (Maschinenbau, 200 MA) möchte seine interne Wissensdatenbank durchsuchbar machen. Besonderes Anforderung: Alle Daten müssen auf eigenen Servern in Deutschland bleiben.

Szenario B: Das Marketing-Team eines Softwarehauses möchte täglich fünf bis zehn Social-Media-Posts auf Basis von Produktneuigkeiten erstellen — schnell, kreativ, variabel im Ton.

Szenario C: Die Rechtsabteilung eines Unternehmens möchte eingehende Verträge auf kritische Klauseln prüfen lassen. Das Tool soll aktuelle Rechtsprechung berücksichtigen können.

Schritt-für-Schritt: 1. Lesen Sie das Szenario und identifizieren Sie die Kernanforderungen (Datenschutz, Performance, Kosten, Integration). 2. Schließen Sie offensichtlich ungeeignete Tools aus. 3. Wählen Sie das beste Tool und begründen Sie die Entscheidung. 4. Benennen Sie einen potenziellen Nachteil Ihrer Empfehlung.

Musterlösung:

Szenario A: Empfehlung: On-Premise Llama 3 oder Mistral (Open Source) mit RAG-Architektur. Begründung: Vollständige Datensouveränität durch lokalen Betrieb; keine Token-Kosten bei hohem internem Anfragevolumen; RAG verankert das Modell in der eigenen Wissensdatenbank. Nachteil: Erheblicher Infrastrukturaufwand.

Szenario B: Empfehlung: ChatGPT oder Claude mit klarem System-Prompt für Tonalität und Markensprache. Begründung: Maximale sprachliche Kreativität, einfache Iterationen, günstiges Preismodell. Nachteil: Produktneuigkeiten sollten keine sensitiven Geschäftsgeheimnisse enthalten.

Szenario C: Empfehlung: Claude Pro oder ChatGPT Enterprise kombiniert mit Perplexity Pro für Recherchekomponente. Begründung: Claude zeigt besondere Stärke bei langen Dokumenten; Perplexity ermöglicht aktuelle Rechtsprechungsrecherche mit Quellenangaben. Nachteil: KI-gestützte Vertragsanalyse erfordert immer anwaltliche Prüfung; KI ersetzt keine rechtliche Beratung.

Erweiterte Übung 3 — ML-vs-Regelbasiert-Entscheidungsbaum

Übung 3 — Entscheidungsbaum ML vs. Regelbasiert

Aufgabe: Sie entwickeln für sechs unterschiedliche Unternehmensszenarien einen systematischen Entscheidungsbaum, der bestimmt, ob ein ML-Ansatz oder ein regelbasierter Ansatz geeigneter ist. Diese anspruchsvolle Transfer-Aufgabe verknüpft kognitives Verständnis der KI-Methoden mit strategischer Systemwahl.

Material: Die sechs Szenarien. Nutzen Sie das nachfolgende Entscheidungsraster als Analysehilfe.

Entscheidungskriterien: - Ist das Problem vollständig in explizite Regeln formulierbar? (ja/nein) - Gibt es ausreichend historische Daten mit bekannten Ergebnissen? (ja/nein/unklar) - Ist das Ergebnis rechtlich oder sicherheitskritisch erklärungsbedürftig? (ja/nein) - Ändert sich die Umgebung dynamisch, sodass Regeln schnell veralten? (ja/nein) - Ist das Risiko einer Fehlklassifikation hoch? (ja/nein)

Szenarien: - (A) Ein Hersteller möchte Produktionsfehler aus Kamerabildern erkennen. Historische Fehlerbilder liegen vor (50.000 Aufnahmen). Fehler sind visuell subtil und variieren mit der Charge. - (B) Eine Versicherung möchte eingehende Vertragsanfragen automatisch auf Vollständigkeit prüfen. Es gibt einen festen Kriterienkatalog mit 12 Pflichtfeldern. - (C) Ein Kreditinstitut möchte die Kreditwürdigkeit von Antragstellern bewerten. Entscheidung muss gegenüber dem Antragsteller erklärbar und gesetzlich konform sein. - (D) Ein Logistikunternehmen möchte Sendungen automatisch nach Zielregion sortieren. Das System basiert auf PLZ-Zuordnung aus einer zentralen Datenbank. - (E) Ein Krankenhaus möchte aus radiologischen Bildern auffällige Befunde markieren, um Radiologen zu unterstützen. - (F) Ein Online-Händler möchte personalisierte Produktempfehlungen basierend auf Kaufhistorie und Klickverhalten erzeugen.

Schritt-für-Schritt:

1. Beurteilen Sie jedes Szenario anhand der fünf Entscheidungskriterien und tragen Sie die Antworten in eine Tabelle ein.
2. Leiten Sie daraus eine Empfehlung ab: ML-Ansatz, regelbasierter Ansatz oder hybride Lösung.
3. Begründen Sie für die drei interessantesten Szenarien Ihre Entscheidung in je drei Sätzen.
4. Identifizieren Sie das EU AI Act-Risikoprofil für jedes Szenario (kein Hochrisiko / Hochrisiko / verboten).
5. Diskutieren Sie in der Gruppe: Welche Szenarien sind Grenzfälle — und wie würden Sie mit der Unsicherheit umgehen?

Erwartetes Ergebnis: Vollständig ausgefüllte Entscheidungsmatrix, Empfehlung mit Begründung für alle sechs Szenarien, AI Act-Einordnung.

Musterlösung:

Begründungen für ausgewählte Szenarien:

Szenario C (Kreditwürdigkeit): Ein rein regelbasiertes System kann die Komplexität vieler Einflussvariablen auf Kreditwürdigkeit nicht abbilden. Ein reines ML-System scheitert an der gesetzlichen Erklärungspflicht (DSGVO Art. 22, Recht auf menschliche Überprüfung automatisierter Entscheidungen). Die einzige vertretbare Lösung ist ein hybrides System: ML-gestützte Scoring-Empfehlung mit verpflichtender menschlicher Endentscheidung und erklärbarer Begründung. Das System fällt unter Hochrisiko-KI nach EU AI Act Anhang III Nr. 5 (Zugang zu Finanzdienstleistungen).

Szenario E (Radiologie): Radiologische Bildanalyse ist ein klassischer Hochrisiko-ML-Anwendungsfall. Die Datenmenge und die Subtilität von Befunden überfordern regelbasierte Ansätze. Gleichzeitig ist ein vollautomatisches ML-System ohne ärztliche Kontrolle medizin- und haftungsrechtlich nicht vertretbar. Das Modell ist als Entscheidungsunterstützungssystem zu konzipieren: Es markiert auffällige Stellen, aber die Diagnose trifft stets der Radiologe. EU AI Act: Hochrisiko (Medizinprodukt-Klassifikation relevant, ggf. MDR).

Cheatsheet — Die wichtigsten Punkte

• US-Hyperscaler (OpenAI, Anthropic, Google, Meta) dominieren Foundation-Model-Markt 2026.
• Europa: Mistral AI (FR) als wichtigstes EU-konformes Modell; DSGVO-konforme Rechenzentren als Alleinstellungsmerkmal.
• Open Source (Llama, Mistral): Datensouveränität, aber erheblicher Infrastrukturaufwand.
• Closed Source (GPT, Claude, Gemini): Performance-Vorteile, aber Datenschutz-Prüfung nötig.
• GPAI-Modelle: Seit August 2025 besondere EU AI Act-Pflichten für Anbieter (Art. 51–56).
• Für sensible Daten: Immer Auftragsverarbeitungsvertrag (AVV) vor Nutzung abschließen.
• Token-Preismodell: Input + Output werden separat berechnet; typisch 1–15 $ / 1 Mio. Token.
• Tool-Agnostizität: Prompt-Kompetenz ist plattformunabhängig übertragbar.
• Benchmarks: nur als Orientierung nutzen — mit eigenen Testaufgaben aus dem Arbeitsalltag ergänzen.

Prompt-Beispiel: Tool-Auswahl für eine regulierte Umgebung begründen

Rolle: Sie sind IT-Sicherheitsbeauftragter eines mittelgroßen Kreditinstituts (Regionalbank, 800 Mitarbeitende).

Aufgabe: Erstellen Sie eine strukturierte Entscheidungsmatrix für die Wahl zwischen drei KI-Anbieter-Optionen für interne Wissensverwaltung: (A) ChatGPT Enterprise (OpenAI, US-amerikanisch), (B) Mistral Large (europäisch, Closed API), (C) Llama 3.3 (Meta, On-Premises-Deployment).

Kontext: Die Bank verarbeitet personenbezogene Kundendaten und unterliegt BaFin-Aufsicht sowie MaRisk-Anforderungen. Die IT-Infrastruktur ist hybrid (eigene Rechenzentren + Azure-Cloud). Datenschutz hat höchste Priorität. Das Budget für die erste Projektphase beträgt 200.000 Euro.

Format: Tabelle mit Kategorien Datenschutz/Compliance, Kosten, Leistung, Integrationskomplexität, Anbieterrisiko — je Anbieter ein Kurzfazit (2–3 Sätze).

Beispiel-Ergebnis (gekürzt): „Für Mistral Large spricht die europäische Rechtsgrundlage und die damit verbundene DSGVO-Konformität ohne komplexe SCCs. Die On-Premises-Option (C) mit Llama 3.3 bietet maximale Datensouveränität, erfordert jedoch erhebliche interne GPU-Infrastruktur. ChatGPT Enterprise ist leistungsstärker, aber die Datenverarbeitung in US-Infrastruktur erfordert sorgfältige AVV-Prüfung und ggf. Rückfrage bei der BaFin.”

Vertiefung: Die Ökonomie von Foundation Models — warum das Anbieter-Ökosystem so konzentriert ist

Das KI-Ökosystem ist auffallend konzentriert: Wenige große Anbieter dominieren den Markt für hochleistungsfähige Modelle. Diese Konzentration hat ökonomische Ursachen, die für strategische Entscheidungen relevant sind.

Economies of Scale beim Modelltraining: Das Training eines State-of-the-Art-Sprachmodells kostet nach Schätzungen zwischen 50 Millionen und mehreren Milliarden US-Dollar. Diese Kosten lassen sich nicht linear mit der Unternehmensgröße skalieren: Ein Unternehmen mit 10 % des Budgets von OpenAI kann kein Modell mit 10 % der Leistung trainieren — die Skalierungsgesetze sorgen für überproportionale Kostenstrukturen und begünstigen strukturell die größten Akteure.

Datenvorteil durch Nutzerbasis: OpenAI hat durch ChatGPT Zugang zu enormen Mengen an menschlichem Feedback, das über RLHF in die Modellverbesserung einfließt. Dieses Nutzerfeedback entsteht nur durch tatsächliche Massenadoption — es ist nicht käuflich. Neue Marktteilnehmer haben strukturellen Nachteil beim Aufbau dieser Feedbackschleifen.

Der Open-Source-Gegentrend: Meta hat mit der Llama-Modellreihe eine bewusste Gegenstrategie zu dieser Konzentration entwickelt. Indem Meta leistungsfähige Modelle open-source veröffentlicht, unterläuft das Unternehmen die Monetarisierung seiner Wettbewerber und positioniert sich als infrastruktureller Akteur. Wenn viele Unternehmen auf Llama aufbauen, gewinnt Meta strategische Relevanz im Ökosystem — ohne die Modelle direkt zu verkaufen.

Implikationen für Unternehmenskunden: Vendor-Lock-in durch proprietäre APIs ist real — ein Wechsel von OpenAI zu Anthropic erfordert erheblichen Aufwand, wenn interne Systeme tief mit der OpenAI-API integriert sind. Multi-Vendor-Strategien und Open-Source-Optionen sind nicht nur Datenschutz-Entscheidungen, sondern auch Risikodiversifizierungsmaßnahmen gegen Anbieterabhängigkeit.

Branchen-Vignette: Finanzdienstleistung — Modellauswahl im regulierten Kontext

Eine mittelgroße Privatbank (700 Mitarbeitende, Vermögensverwaltung und Private Banking) evaluiert KI-Tools für drei interne Anwendungsfälle: (1) KI-gestützte Zusammenfassung von Research-Reports für Portfolio-Manager, (2) automatische Klassifikation von Kundenkommunikation für Compliance-Prüfungen, (3) KI-Assistent für interne Wissensrecherche in regulatorischen Dokumenten.

Der CISO stellt fest, dass die drei Anwendungsfälle sehr unterschiedliche Risikoprofile haben: Anwendungsfall 1 ist risikoarm — die KI fasst lediglich zusammen, ein Analyst überprüft. Anwendungsfall 2 ist riskant — fehlerhafte Klassifikation kann Compliance-Verstöße erzeugen. Anwendungsfall 3 ist moderat — Halluzinationen in regulatorischen Dokumenten können zu Fehlentscheidungen führen.

Die Schlussfolgerung: Für Anwendungsfall 1 kommt ein Cloud-basiertes Modell mit höchster Leistung in Frage. Für Anwendungsfall 2 ist eine On-Premises-Lösung mit vollständigem Audit-Trail erforderlich — möglicherweise ein feingetuntes Llama-Modell auf eigener Infrastruktur. Für Anwendungsfall 3 eignet sich ein RAG-System auf Basis eines europäischen Anbieters. Diese differenzierte Anbieterauswahl ist nur möglich, wenn das Ökosystem-Wissen aus UE 3 vorhanden ist.

Übung 4 — Anbieter-Marktbeobachtung: Eigene Marktlandkarte aufbauen

Aufgabe: Der KI-Markt entwickelt sich schnell. In dieser Übung trainieren Sie systematische Marktbeobachtung und erstellen eine persönliche „Lebendige Marktlandkarte”, die Sie über die Zeit aktualisieren können.

Schritt-für-Schritt: 1. Legen Sie eine Tabelle mit folgenden Spalten an: Anbieter, Modell/Produkt, Kategorie (LLM/Bildgenerierung/Code/Embedding/Agent), Herkunft (US/EU/China/andere), Open/Closed, zuletzt relevantes Update. 2. Füllen Sie die Tabelle mit mindestens 10 Anbietern/Modellen aus dem Lerntext oder aus eigener Recherche. 3. Markieren Sie zwei Anbieter, über die Sie noch zu wenig wissen, und recherchieren Sie in 10 Minuten je eine Primärquelle (Herstellerwebsite oder technisches Paper). 4. Identifizieren Sie eine Marktveränderung der letzten 6 Monate (neues Modell, Akquisition, Regulierungsentscheidung) und erläutern Sie deren Bedeutung für Ihre Organisation in 3 Sätzen. 5. Legen Sie eine monatliche Erinnerung an, um Ihre Marktlandkarte zu aktualisieren — ein 4-Wochen-Rhythmus ist für professionelles KI-Wissen ausreichend.

Erwartetes Ergebnis: Ausgefüllte Marktlandkarte mit mindestens 10 Einträgen, zwei Kurzrecherche-Ergebnisse, eine formulierte Marktveränderungs-Einschätzung.

Reflexionsfragen

1. Ein Gesprächspartner fragt: „Ist ChatGPT sicherer als eine Open-Source-Lösung?” Wie antworten Sie präzise?
2. Warum ist die Marktkonzentration auf wenige US-Hyperscaler ein strategisches Risiko für europäische KMU?
3. Wie würden Sie einem nicht-technischen Gesprächspartner den Unterschied zwischen einem Consumer-Interface und einem API-Zugang in zwei Sätzen erklären?
4. Welche drei Fragen würden Sie einem KI-Anbieter stellen, bevor Sie ihn für einen Kunden mit besonders schützenswerten Daten empfehlen?

Prompt-Beispiel: Open-Source-vs-Closed-Entscheidung für eine Rechtsabteilung dokumentieren

Rolle: Sie sind IT-Projektleiter in einem Unternehmen mit eigener Rechtsabteilung (15 Juristen).

Aufgabe: Verfassen Sie eine strukturierte Entscheidungsempfehlung (ca. 200 Wörter) für den Einsatz von KI in der Rechtsabteilung. Die Entscheidung liegt zwischen: (A) Claude.ai Pro (Anthropic, Cloud, DSGVO-konform), (B) Llama 3.3 on-premises auf eigenem Server (Meta, Open Source), (C) Azure OpenAI Service (Microsoft, EU-Datenzentrum verfügbar).

Kontext: Die Rechtsabteilung arbeitet mit Vertragsvorlagen, internen Gutachten und mandatsbezogener Korrespondenz — alles potenziell vertraulich. Das IT-Budget ist begrenzt. Kein dedizierter ML-Engineer vorhanden. Datenschutz: DSGVO und unternehmensinterne Geheimhaltungspflichten.

Format: Empfehlung (Option A/B/C) mit drei Begründungsargumenten, ein Risikohinweis, ein Nächster-Schritt-Satz.

Beispiel-Ergebnis (gekürzt): „Empfehlung: Option A (Claude.ai Pro). Begründung: (1) DSGVO-Konformität ohne eigene Infrastruktur; (2) keine ML-Expertise für Betrieb erforderlich; (3) laufende Modellverbesserungen ohne internes Update-Management. Risikohinweis: Vertragsanwälte müssen geschult werden, keine vertraulichen Klientendaten einzugeben. Option B wäre ideal für maximale Datensouveränität, aber ohne ML-Engineer nicht zuverlässig wartbar. Option C ist eine valide Alternative, falls Microsoft bereits als Anbieter im Haus ist.”

Zusätzliche Reflexionsfragen — Vertiefung

1. Ein europäisches Unternehmen möchte keine US-amerikanischen KI-Anbieter einsetzen. Welche konkreten europäischen Alternativen stehen 2025/26 zur Verfügung — und wo liegen deren Leistungsgrenzen im Vergleich zu GPT-4o oder Claude 3.5?
2. Der Begriff „Open Source” bei KI-Modellen ist nicht einheitlich definiert. Was sind die wichtigsten Dimensionen, nach denen Sie ein Modell als „wirklich offen” beurteilen würden (Gewichte, Trainingscode, Trainingsdaten, Lizenz)?
3. Wie verändert sich Ihre Modell-Empfehlung für ein Unternehmen, wenn das Datenschutzniveau von „interne Kommunikation ohne Kundendaten” auf „Verarbeitung von Gesundheitsdaten nach Art. 9 DSGVO” steigt?

Weiterführende Vertiefung: Das europäische KI-Ökosystem — Anbieter, Initiativen und strategische Positionierung

Europas Position im globalen KI-Ökosystem ist ein politisch und wirtschaftlich relevantes Thema. Für Praktiker ist das Verständnis der europäischen Akteure und ihrer strategischen Bedeutung wichtig — nicht nur aus patriotischen Gründen, sondern weil regulatorische, datenschutzrechtliche und souveränitätspolitische Faktoren die Anbieterauswahl direkt beeinflussen.

Europäische LLM-Anbieter: Mistral AI (Paris, gegründet 2023) ist der prominenteste europäische LLM-Anbieter. Mistral hat mit seinen Modellen (Mistral 7B, Mistral Large, Mixtral-MoE) bewiesen, dass europäische Teams mit deutlich weniger Kapital als OpenAI oder Anthropic wettbewerbsfähige Modelle entwickeln können. Mistral veröffentlicht viele seiner Modelle open-weight, was sie für on-premises-Einsätze attraktiv macht. Aleph Alpha (Heidelberg) war zeitweise das bekannteste deutsche KI-Unternehmen, hat jedoch seine Strategie von eigenen LLMs hin zu Enterprise-Software für souveräne KI-Infrastrukturen verschoben.

LEAM und europäische KI-Kooperationen: Die Large European AI Models (LEAM)-Initiative ist ein Zusammenschluss europäischer Forschungseinrichtungen und Unternehmen, der das Ziel verfolgt, europäische Foundation Models zu entwickeln, die europäischen Datenschutzstandards und sprachlichen Besonderheiten (Mehrsprachigkeit, nicht-englische Sprachen) besser gerecht werden. Diese Initiative ist strategisch wichtig, hat aber noch keine marktfähigen Produkte hervorgebracht.

Eureka-Moment für Praktiker: Die europäische KI-Regulierung (EU AI Act, DSGVO, Data Act) ist gleichzeitig Bürde und Vorteil. Bürde: Mehr Compliance-Aufwand bei der Einführung von KI-Systemen. Vorteil: Europäische Anbieter, die von Anfang an auf diese Standards ausgelegt sind, haben einen strukturellen Vertrauensbonus bei Unternehmen und Behörden, die Datensouveränität priorisieren. Für europäische Unternehmen bietet das die Möglichkeit, regulatorische Anforderungen in einen Wettbewerbsvorteil zu verwandeln, statt sie nur als Kosten zu sehen.

Quellen & Weiterlesen

Trainer-Hinweise

Selbstlerner-Hinweise — UE 3

Für Selbstlernende ohne Kurs-Kontext:

Lernpfad: Erstellen Sie eine persönliche Tool-Matrix für Ihre drei relevantesten KI-Tools. Tragen Sie ein: Anbieter, Herkunft, Open/Closed, Datenschutz-Einschätzung, Ihre Use Cases. Aktualisieren Sie diese Matrix alle 4–6 Wochen.

Empfohlene Ergänzungsquellen: Artificial Analysis (artificialanalysis.ai) bietet regelmäßig aktualisierte unabhängige Benchmarks. Der EU AI Act Compliance Checker hilft bei der Einordnung spezifischer KI-Systeme.

Praktische Aufgabe: Testen Sie ein KI-Tool, das Sie noch nicht kennen (z. B. Mistral oder Perplexity), mit demselben Prompt wie Ihr übliches Tool. Notieren Sie drei qualitative Unterschiede in der Antwortqualität.

Zeitaufwand: Lerntext: ca. 60 Minuten. Marktlandkarte (Übung 1): 20 Minuten. Tool-Vergleich: 30–45 Minuten. Gesamt: ca. 2 Stunden.

Selbstkontrollfragen: Können Sie drei Kriterien für Open-Source vs. Closed-Source nennen? Können Sie GPAI-Modelle nach EU AI Act definieren?

Trainer-Hinweise — UE 3

Timing (45 Min): 5 Min Einstieg (Frage: „Welche KI-Tools nutzen Sie aktuell?“), 15 Min Lerntext Anbieter-Cluster und Open/Closed, 15 Min Übung 1 (Marktlandkarte in Kleingruppen), 7 Min Übung 2 (Szenario-Workshop), 3 Min Cheatsheet.

Methodische Empfehlung: Die Marktlandkarte (Übung 1) eignet sich hervorragend als Gruppenarbeit mit Galerie-Rundgang: Jede Gruppe befüllt eine Zeile der Tabelle, dann werden alle Ergebnisse nebeneinandergestellt und verglichen. Das schafft eine geteilte Informationsbasis ohne Frontalvortrag.

Häufige Stolpersteine: (a) Teilnehmende nehmen an, Open Source sei automatisch kostenlos — der Betriebsaufwand (GPU-Server, Wartung) wird unterschätzt. (b) Die DSGVO-Einordnung wird vereinfacht behandelt — darauf hinweisen, dass „EU-Rechenzentrum” nicht automatisch DSGVO-Konformität bedeutet (AVV ist immer erforderlich). (c) Benchmark-Zahlen veralten schnell — betonen, dass Benchmarks Orientierung, keine Entscheidungsgrundlage sind.

Diskussionsfragen für Plenum: (1) „Welches Tool würden Sie für Ihre eigene Organisation empfehlen — und was wäre der wichtigste Kompromiss?” (2) „Warum ist Mistral AI trotz geringerer Bekanntheit in manchen Szenarien die bessere Wahl als GPT-4o?”

Tafelbild-Vorschlag: Drei Säulen: US-Hyperscaler | EU-Anbieter | Open Source. Darunter je drei typische Vertreter. Rechts daneben: Entscheidungskriterien (Datenschutz, Performance, Kosten) mit Ampelfarben.

Differenzierung: Einsteiger: Fokus auf die Marktlandkarte (welches Tool für welchen Zweck). Power-User: Kostenmodellierung für ein konkretes Unternehmensszenario (Übung 1, Schritt 4–5).

Tipp zur Branchenauswahl: Für öffentliche Verwaltung ist die Vignette besonders relevant — hier ist die Frage nach EU-Datenlokalisierung häufig eine Compliance-Pflicht, keine freie Entscheidung. Für Finanzdienstleister ist die Datenschutz-Ampel-Tabelle aus Übung 1 besonders praxisrelevant.

Übergang zur nächsten UE: „Wir wissen nun, welche Tools es gibt und wie wir zwischen ihnen wählen. In UE 4 öffnen wir die Black Box: Wie funktioniert ein LLM tatsächlich? Was sind Tokens, Embeddings, Kontextfenster — und warum ist dieses Wissen für die tägliche Arbeit wichtig?”

Multiplikatoren-Hinweise — UE 3

Für Trainer, Führungskräfte und interne Botschafter:

UE 3 behandelt das KI-Ökosystem — ein Bereich, der sich sehr schnell verändert. Ihre Aufgabe als Multiplikator ist es, den Überblick zu halten und bei der Modellauswahl zu unterstützen, ohne sich in technische Details zu verlieren.

Empfehlungen für die Nachbereitung im eigenen Bereich: - Legen Sie eine kurze Liste der drei für Ihre Organisation relevantesten KI-Modelle an — mit je einem Satz zu Stärken und Einsatzkontext. - Klären Sie intern: Welche KI-Modelle sind aus datenschutzrechtlicher Sicht unbedenklich einsetzbar? Holen Sie ggf. eine Einschätzung von der Rechts- oder Datenschutzabteilung ein. - Teilen Sie die Open-Source-vs.-Closed-Source-Übersicht aus dem Cheatsheet mit Ihrem Team und diskutieren Sie, welche Option für Ihre Abteilung am sinnvollsten wäre.

Wichtig: Modell-Rankings verändern sich monatlich. Empfehlen Sie Ihrem Team, sich auf künftigen Schulungen stets zu vergewissern, ob die Benchmark-Daten noch aktuell sind.

Übung 5 (Transferaufgabe): Modell-Steckbriefe für die eigene Organisation

Ziel: Die wichtigsten KI-Modelle auf den eigenen Unternehmenskontext übertragen und praxisnah bewerten.

Aufgabe: Erstellen Sie für zwei KI-Modelle Ihrer Wahl einen einseitigen „Steckbrief” nach folgendem Schema:

Quellen: Nutzen Sie die Informationen aus UE 3 sowie ggf. aktuelle Dokumentationen der Modell-Anbieter.

Diskussion: Tauschen Sie Ihre Steckbriefe in der Gruppe oder allein aus und diskutieren Sie: Welches Modell würden Sie für Ihren konkreten Anwendungsfall empfehlen — und warum?

Kernaussagen — UE 3 auf einen Blick

1. Das KI-Ökosystem teilt sich in Infrastruktur (Chips, Cloud), Basismodelle und Anwendungsschicht — die meisten Unternehmen operieren auf der Anwendungsschicht.

2. Open-Source-Modelle (Llama, Mistral) bieten Datensouveränität; Closed-Source-Modelle (GPT, Claude, Gemini) bieten oft höhere Qualität bei geringerem Setup-Aufwand.

3. Modell-Rankings ändern sich schnell — eine gute Entscheidung heute kann in sechs Monaten bereits überholt sein.

4. Datenschutz bestimmt die Modellwahl in Europa maßgeblich: Welche Daten dürfen welches System verlassen?

5. Spezialisierte Modelle schlagen oft Generalisten in engen Domänen — Unternehmen profitieren von sorgfältiger Aufgaben-Modell-Zuordnung.

Vertiefende Literaturhinweise — UE 3

Zum KI-Ökosystem und Marktüberblick: - Artificial Analysis (artificialanalysis.ai): Unabhängige, regelmäßig aktualisierte Benchmarks für LLMs. Beste Quelle für aktuelle Modellvergleiche. - Epoch AI (epochai.org): Forschungsorganisation mit detaillierten Analysen zu Modellentwicklung, Trainingskosten und Compute-Trends. - The Gradient (thegradient.pub): Hochwertiges Blog für tiefgehende Analysen zu KI-Entwicklungen, Modellen und Forschungstrends.

Zu Open-Source-KI: - EleutherAI (eleuther.ai): Community-Dokumentation zu Open-Source-Sprachmodellen. Bietet Einblicke in die Entwicklung offener Modelle. - Hugging Face Model Hub (huggingface.co/models): Größtes Repository für Open-Source-KI-Modelle — ein Blick gibt ein Gefühl für die Marktbreite.

Zu Datenschutz und Cloud-KI: - Datenschutzkonferenz (DSK): Orientierungshilfe für den Einsatz von KI-Tools im Unternehmen. Kostenlos auf datenschutzkonferenz-online.de. - ENISA (European Union Agency for Cybersecurity): „AI Security Guidelines for Europe”. Sicherheitsaspekte bei KI-Einsatz aus europäischer Perspektive.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.