Anthropic bringt „Fable 5“ heraus. Im Laufe des Tages taucht die Frage wieder auf, wie immer: „Und wir, wo ist unser Pendant?“ Sie wird als Feststellung eines Rückstands gestellt, manchmal auch als Vorwurf. Sie ist falsch gestellt. Nicht, weil Europa sich nichts vorzuwerfen hätte, sondern weil dabei zwei sehr unterschiedliche Dinge verwechselt werden: etwas nicht zu tun und noch nicht über die Mittel zu verfügen, es zu tun. Das ist nicht dasselbe Problem, und es erfordert nicht dieselbe Antwort.
Lassen Sie uns die Begriffe klären. Ohne Nachsicht und ohne Selbstgeißelung.
Was ein Spitzenmodell ist und warum es so viel kostet, wie es kostet
Ein Spitzenmodell ist die allerneueste Errungenschaft der Forschung: das Größte, das Leistungsfähigste, dasjenige, das den Stand der Technik zum Zeitpunkt seiner Markteinführung neu definiert. GPT-4, Claude, Gemini Ultra und Fable 5 fallen in diese Kategorie. Es geht nicht um ein Logo, sondern um die Größenordnung. Und diese Größenordnung hat ihren Preis, den man genau benennen muss.
Das Trainieren eines solchen Modells erfordert Zehntausende von Grafikprozessoren der neuesten Generation, wie die H100 oder H200 von Nvidia, die monatelang für eine einzige Trainingskampagne gebunden sind. Die Rechenkosten für ein State-of-the-Art-Modell belaufen sich auf Hunderte Millionen Dollar, manchmal sogar mehr, ohne Gehälter und ohne die vorgelagerte Forschung. Hinzu kommt die Inferenz: Der Betrieb des Modells für Millionen von Nutzern kostet noch mehr, und zwar kontinuierlich, und diese Kosten lassen sich nicht durch die Einnahmen des ersten Tages decken. Spitzenforschung ist keine isolierte intellektuelle Meisterleistung. Es handelt sich um eine kapitalintensive industrielle Aktivität, die einen garantierten Zugang zu seltenen Chips und einen unerschöpflichen Finanzierungshahn voraussetzt.
Was fehlt und was nicht fehlt
Das ist das eigentliche Thema. Vier Voraussetzungen machen Spitzenforschung möglich, und Europa erfüllt derzeit keine davon vollständig.
Zunächst die Rechenleistung: Der Zugang zu modernsten Chips in großen Mengen erfolgt über eine Lieferkette, die von einem amerikanischen Entwickler, Nvidia, und einem taiwanesischen Chiphersteller, TSMC, dominiert wird. Die Kapazitäten von Rechenzentren, die für das Training im Bereich der Spitzenforschung vorgesehen sind, stehen auf europäischem Boden nach wie vor in keinem Vergleich zu denen, die jenseits des Atlantiks bereitgestellt werden. Dann das Kapital: Spitzenforschung erfordert Risikokapital, das bereit ist, über einen Zeitraum von fünf bis zehn Jahren Milliardenverluste hinzunehmen, bevor sich eine Rendite einstellt – eine Logik, die die europäische Finanzierung, die knapper und vorsichtiger ist, in diesem Umfang nicht verfolgt. Schließlich der Binnenmarkt: Ein Angebot, das einmal in den USA eingeführt wurde, richtet sich von Anfang an an eine homogene Nutzerbasis von mehr als 300 Millionen Menschen, wodurch sich die Kosten amortisieren. Europa bleibt hingegen in Sprachen, Rechtsordnungen und nationalen Märkten zersplittert. Und der Amortisationszyklus: Ein amerikanischer oder chinesischer Akteur kann jahrelange Verluste verkraften, weil die Aussicht auf zukünftige Marktbeherrschung das Risiko rechtfertigt. Diese Wette wird vom europäischen Ökosystem kaum finanziert.
Das Wesentliche lässt sich in einem Satz zusammenfassen: Europa hinkt bei der Spitzenforschung nicht hinterher, es verfügt lediglich noch nicht über die industrielle Basis, um sie voranzutreiben. Diese Nuance ist nicht nur kosmetischer Natur. An Talenten mangelt es nicht. Die europäischen Forschungslabore bilden einige der besten Forscher auf diesem Gebiet aus, und viele von ihnen gehen genau dorthin, wo diese industrielle Basis vorhanden ist. Das Problem liegt nicht in den Köpfen, sondern im Boden unter den Füßen. Man kann mit denselben Händen nicht dasselbe aufbauen, wenn sich die strukturellen Voraussetzungen so stark unterscheiden.
Was Europa tun kann und bereits tut
Aus dieser Diagnose wird allzu oft eine defätistische Schlussfolgerung gezogen. Zu Unrecht, denn die „Frontier“-Klasse ist weder das einzige Spielfeld noch das nützlichste für die meisten Organisationen.
Mistral in Frankreich hat gezeigt: Man kann kleinere, besser optimierte und offene Modelle entwickeln, die die überwiegende Mehrheit der realen Anwendungsfälle abdecken – und das zu einem Bruchteil der Kosten eines State-of-the-Art-Modells. Die Forschung zu Effizienz, Quantifizierung und lokaler Inferenz auf bescheidener Hardware ist ein Bereich, in dem der Unterschied in den Ressourcen eine weitaus geringere Rolle spielt. Dann kommen die vertikalen Märkte: Ein auf Recht, Gesundheit, Industrie oder eine Regionalsprache spezialisiertes Modell muss nicht das größte der Welt sein, sondern in seinem Fachgebiet das beste und den jeweiligen Vorschriften entsprechen. Das ist ein Vorteil der Nähe, kein Wettlauf um Größe. Bleiben noch die Themen Governance und Standards, bei denen Europa eher einen Vorsprung als einen Rückstand hat: Der regulatorische Rahmen, die Souveränitätskriterien sowie die Anforderungen an die Nachprüfbarkeit und den Datenschutz prägen die Regeln, die Modelle einhalten müssen, um auf dem Kontinent eingesetzt werden zu können. Die Festlegung der Spielregeln ist eine Form der Macht, die im Wettlauf um die Parameter oft vergessen wird.
Anwendungsfälle trennen, um die richtige Frage zu stellen
Daher die einzige Frage, die zählt. Nicht „Wo ist unser Fable 5?“, sondern „Was brauchen wir wirklich, und für welches Risiko?“.
Für bestimmte Anwendungsfälle stellt die Abhängigkeit von einem ausländischen Cloud-Modell ein ernstes Risiko dar. Eine kritische Anwendung für Verteidigung, Nachrichtendienste oder lebenswichtige Infrastruktur darf nicht auf einem Dienst beruhen, der durch eine ausländische Entscheidung abgeschaltet oder eingeschränkt werden kann. Die Verarbeitung sensibler Daten, die einer Souveränitätspflicht unterliegen, erfordert kontrollierte Inferenz – auf dem eigenen Staatsgebiet und unter der richtigen Rechtsordnung. Ein stark regulierter Sektor benötigt ein Modell, dessen Kette er selbst kontrolliert. Hier stellt sich die Frage nach der Autonomie wirklich, und die Antwort liegt in effizienten, lokalen, vertikalen Modellen – nicht unbedingt in einem ausländischen Konkurrenten.
Für viele andere Anwendungsfälle hat die Frage nicht das gleiche Gewicht. Wer von den Organisationen, die ein europäisches GPT-5 fordern, hat tatsächlich Verwendung dafür? Verfassen, Zusammenfassen, Klassifizieren, Unterstützung beim Programmieren: Diese Aufgaben laufen bereits sehr gut auf kleineren Modellen, und das Risiko der Abhängigkeit wird dort durch Portabilität und die Wahl des Anbieters gesteuert, nicht durch die Souveränität des Modells selbst. Alle Anwendungsfälle über einen Kamm zu scheren, führt zu derselben verzerrten Argumentation wie der Vergleich eines Low-Cost-Hosting-Anbieters mit einem Hyperscaler: Man vergleicht Objekte, die nicht derselben Risikologik unterliegen.
Die Souveränität der KI lässt sich nicht durch die Forderung nach einem europäischen Klon des neuesten amerikanischen Modells verordnen. Sie entsteht durch die Trennung der Anwendungsfälle, um die Risiken voneinander abzugrenzen, und durch Investitionen in die Grundlagen dort, wo sie wirklich fehlen. Solange man fragt: „Wo ist unser Fable 5?“, geht es nur um Stolz. An dem Tag, an dem man fragt: „Welche Nutzung, welches Risiko, welche Abhängigkeit ist akzeptabel?“, spricht man endlich über das eigentliche Thema.
Quellen
- NIST, AI Risk Management Framework, nist.gov
- Stanford HAI, AI Index Report 2026, Trainingskosten und Rechenkapazität
- Mistral AI, Dokumentation zu offenen Modellen und lokaler Inferenz
- ANSSI, Souveränitätskriterien für KI-Dienste, März 2026
- Europäische Verordnung über künstliche Intelligenz (AI Act), Inkrafttreten 2025–2026
- Epoch AI, Schätzungen der Rechenkosten für State-of-the-Art-Modelle