Self-Sovereign AI

Die meisten Programme, die heute Texte schreiben oder Bilder erzeugen, laufen nicht auf dem eigenen Gerät. Sie laufen in den Rechenzentren großer Firmen, meist in den USA. Wer sie nutzt, schickt seine Daten dorthin und bekommt eine Antwort zurück. Self-Sovereign AI beschreibt den Gegenentwurf dazu: Man betreibt solche Systeme selbst und behält die Kontrolle darüber. Gemeint ist damit ein Bündel von Bedingungen — eigene Rechner oder zumindest eigene Verträge, offengelegte Programmbausteine und Daten, die das eigene Haus nicht verlassen. Der Begriff wird sowohl für einzelne Firmen als auch für ganze Staaten verwendet.

Abhängigkeit von wenigen Anbietern

Derzeit hängt fast die gesamte KI-Nutzung an einer Handvoll Konzerne. Sie besitzen die stärksten Modelle, die größten Rechenzentren und die Spezialchips dafür. Wer davon abhängt, hat drei Probleme. Der Preis kann steigen, das Angebot kann eingestellt werden, und die Regeln des Anbieters gelten auch für einen selbst.

Für Unternehmen kommt der Datenschutz dazu. Eine Kanzlei oder ein Krankenhaus darf sensible Unterlagen nicht einfach an einen externen Dienst schicken. Auch Industriefirmen zögern, weil Konstruktionsdaten zu ihrem wertvollsten Besitz gehören. Ein selbst betriebenes Modell löst dieses Problem, weil die Daten im eigenen Netz bleiben.

Auf Staatsebene geht es um mehr. Regierungen in Europa, Indien und Japan argumentieren, dass KI zur kritischen Infrastruktur wird — ähnlich wie Strom- oder Mobilfunknetze. Solche Infrastruktur vollständig aus dem Ausland zu beziehen, gilt vielen als Risiko. Deshalb fließen inzwischen Milliardenbeträge in nationale Rechenzentren und Modelle.

Die vier Bausteine der eigenen Kontrolle

Souveränität entsteht nicht durch einen einzigen Schritt, sondern auf vier Ebenen. Die erste ist die Hardware: Rechner mit passenden Grafikkarten, die einem gehören oder in einem Rechenzentrum im eigenen Land stehen. Die zweite ist das Modell selbst. Hier helfen offene Modelle wie Llama, Mistral oder Qwen, deren Bauplan und Gewichte man herunterladen darf.

Die dritte Ebene sind die Daten. Trainingsdaten und Nutzereingaben bleiben in der eigenen Umgebung und werden nicht zum Verbessern fremder Systeme verwendet. Die vierte Ebene ist die Software drumherum: Werkzeuge zum Betrieb, zur Überwachung und zur Anpassung des Modells. Fehlt eine dieser Ebenen, ist die Souveränität nur teilweise gegeben.

In der Praxis trainiert kaum jemand ein großes Modell von Grund auf neu. Das kostet zweistellige Millionenbeträge. Üblich ist stattdessen das Feintuning: Man nimmt ein fertiges offenes Modell und trainiert es mit eigenen Dokumenten nach. Das ist um Größenordnungen billiger und reicht für die meisten Anwendungen aus. Der Preis der Souveränität sind dann eigenes Personal und eigene Verantwortung für Sicherheit und Aktualität.

Von nationalen Rechenzentren bis zum Laptop

In den Nachrichten taucht der Begriff meist in der Variante Sovereign AI auf. Gemeint sind dann staatlich geförderte Rechenzentren und Modelle, etwa in Frankreich, Saudi-Arabien oder Indien. Der Chiphersteller Nvidia verkauft diese Idee aktiv, weil jedes nationale Projekt tausende seiner Chips braucht. Kritiker nennen das teilweise Marketing, weil die Chips selbst weiterhin aus wenigen Fabriken kommen.

Im Unternehmensalltag begegnet man dem Konzept als sogenannter On-Premise-Lösung. Das bedeutet schlicht, dass die Software auf Servern im eigenen Haus läuft statt in der Cloud. Banken und Behörden schreiben das häufig vor. Anbieter wie Aleph Alpha oder IBM werben gezielt mit dieser Betriebsart.

Die kleinste Form kann man selbst ausprobieren. Mit Programmen wie Ollama oder LM Studio lässt sich ein offenes Sprachmodell auf einem normalen Laptop starten. Es antwortet langsamer und weniger klug als die großen Dienste, dafür ohne Internetverbindung. Ein häufiger Irrtum ist, offene Modelle mit Souveränität gleichzusetzen. Solange man sie über die Server ihres Herstellers nutzt, hat man nichts gewonnen — entscheidend ist, wo sie laufen.