Der Burggraben sind nicht die Daten

Ein paar Jahre lang haben wir uns erzählt, jedes Unternehmen sitze auf einer Goldmine namens proprietäre Daten. Die Formel war einfach und schien unangreifbar: generalistisches Modell plus Daten, die sonst niemand besitzt, gleich bessere vertikale KI. Man musste nur warten, bis die Modelle intelligent genug würden, sie an die eigenen Archive anschließen und zwanzig Jahre Geschäftstätigkeit den Rest erledigen lassen.

Es ist eine beruhigende Metapher. Ich habe den Verdacht, dass sie auch falsch ist, oder zumindest an einer entscheidenden Stelle unvollständig.

Ein Archiv enthält, was eine Institution getan hat. Nicht unbedingt, was sie gelernt hat.

Eine These, die man ernst nehmen muss

Bevor man sie zerlegt, verdient die These der proprietären Daten Respekt, denn das Argument ist solide. Foundation Models lernen aus enormen Mengen öffentlicher oder lizenzierter Information. Wenn die Qualität der Modelle konvergiert, wird das, was ein Konkurrent weder herunterladen noch kaufen kann, ganz natürlich zur Quelle der Differenzierung. Ein Krankenhaus besitzt klinische Daten, die OpenAI nicht besitzt. Eine Bank sieht Transaktionen, die Anthropic nicht sieht. Eine Anwaltskanzlei bewahrt Gutachten und Präzedenzfälle auf, die nicht im Internet stehen.

Und diese Daten sind aus einem strukturellen Grund schwer zu replizieren: sie sind das Nebenprodukt von Jahren der Tätigkeit. Ein neuer Konkurrent kann GPUs kaufen, Forscher einstellen, ein Foundation Model lizenzieren. Er kann nicht in einem Quartal zwanzig Jahre an Interaktionen mit echten Kunden, echten Fehlschlägen, echten Entscheidungen nachbauen.

Der meistzitierte Fall dieses Sommers scheint all das zu bestätigen. Am 24. August hat Thomson Reuters Thomson angekündigt, ein proprietäres Modell, gebaut auf einer Open-Source-Basis mit eigenen Mid-Training- und Post-Training-Techniken, spezialisiert mit dem Bestand von Westlaw, Practical Law, Checkpoint und Reuters, mit einer erklärten Investition von 40 Millionen Dollar für Talente und Compute. Ein winziger Bruchteil dessen, was ein Frontier Model kostet. Es sieht aus wie der ideale Beweis für den Data Moat: sie besaßen Inhalte, die OpenAI, Google und Anthropic nicht zu denselben Bedingungen haben, und haben darauf gebaut.

Dann liest man das interessanteste Detail der Ankündigung, und es ist genau das Detail, das die ganze Interpretation unzureichend macht.

Was Thomson Reuters nicht getan hat

Thomson Reuters erklärt, bis heute weniger als zehn Prozent der eigenen Inhalte im Continued Pre-Training des Modells verwendet zu haben. Und führt die Ergebnisse ausdrücklich nicht auf den Zugang zu den Dokumenten zurück, sondern auf die Kombination aus autoritativen Inhalten, Domänenspezialisten, professionellen Werkzeugen, Trainingszielen und Bewertungen, gebaut mit Hunderten von Subject Matter Experts. Die Experten haben keine Beispiele korrekter Antworten geliefert: sie haben Outputs beurteilt und Rubriken geschrieben, die auflisten, was eine korrekte Antwort zwingend enthalten muss; die Failure Modes kamen von Tausenden internen Experten, die das Modell an ihren schwierigsten Problemen benutzt haben, Fehler, gemeldet von Menschen, die qualifiziert sind, sie zu diagnostizieren.

Bleiben wir bei diesem Punkt stehen, denn er ist das Herz dieses Essays. Das Unternehmen mit einem der wertvollsten professionellen Korpora des Planeten hat das Korpus nicht in das Modell gekippt. Es hat den schwierigen Teil des Projekts darauf verwendet zu entscheiden, was es heißen soll, aus diesem Korpus korrekt zu lernen. Neunzig Prozent der Inhalte blieben draußen, und niemand scheint das für Verschwendung zu halten.

Die Formel „Modell plus Daten“ verwechselt den Rohstoff mit dem industriellen Prozess, der ihm Wert verleiht. Zwei Organisationen können vergleichbare Datenmengen besitzen und radikal verschiedene Ergebnisse daraus ziehen. Die eine kann Millionen Dokumente haben, ohne zu wissen, welche verlässlich sind, Tausende Tickets, ohne zu wissen, welche bedeutsame Ausnahmen darstellen, Jahrzehnte von Entscheidungen, ohne die Gründe aufbewahrt zu haben, aus denen sie getroffen wurden.

Der tiefste Burggraben im Wettbewerb ist womöglich nicht das proprietäre Datum. Es könnte das proprietäre Urteil sein. Und das Urteil lebt, anders als das Datum, nicht in einer Datenbank. Es lebt in der Kultur der Institution.

Wir haben die Outputs archiviert, nicht die Entscheidungen

Stellen wir uns zwei Anwaltskanzleien vor. Dieselbe Branche, zwanzig Jahre Verträge, ungefähr dieselbe Menge Tokens. Die erste bewahrt die unterschriebenen Fassungen auf. Die zweite bewahrt auch die Entwürfe auf, die abgelehnten Klauseln, die Kommentare der Partner, die erwogenen Alternativen, die Gründe, aus denen eine scheinbar standardmäßige Formulierung nicht verwendet wurde, die Vorfälle nach der Unterschrift.

Statistisch besitzen beide „proprietäre Daten“. Aber nur die zweite besitzt die Spur des Urteils. Der unterschriebene Vertrag erzählt, was wir entschieden haben; die Geschichte der Verhandlung erzählt, warum wir genau das entschieden haben und nicht eine der verfügbaren Alternativen. Und fast immer steckt der professionelle Vorsprung im zweiten Element.

Moderne Organisationen sind außerordentlich gut darin, Artefakte aufzubewahren: Dokumente, Tickets, Commits, Verträge, Protokolle. Sie sind sehr viel schlechter darin, den Raum der Alternativen aufzubewahren, der durchquert wurde, um sie hervorzubringen. Wir sehen den finalen Merge, nicht die drei Architekturen, die ein Senior im Kopf verworfen hat, bevor er ihn vorschlug. Wir sehen die Klausel, nicht das Risiko, an dem die günstigere gescheitert ist. Wir sehen das angenommene Angebot, nicht die informelle Einschätzung, mit der jemand begriffen hat, dass eine scheinbar kleine Anforderung das Projekt hätte explodieren lassen.

Das wichtigste Vermögen der Organisation könnte genau das sein, was nie zum Datum geworden ist.

Das Material in „kommt darauf an“

Michael Polanyi hat diesem Problem seinen dauerhaftesten Namen gegeben: wir wissen mehr, als wir zu sagen vermögen. Ein bedeutender Teil professioneller Kompetenz ist still. Ein Senior sieht einen technischen Vorschlag an und spürt, dass etwas nicht stimmt. Ein Anwalt erkennt, dass eine theoretisch korrekte Klausel in diesem Kontext gefährlich ist. Ein Arzt liest eine Kombination von Signalen, die einzeln nichts besagen würden.

Fragt man „welche Regel hast du angewendet?“, lautet die Antwort oft „kommt darauf an“. In der Rhetorik der Automatisierung ist „kommt darauf an“ der Feind: das Zeichen, dass der Prozess nicht formalisierbar ist. Ich glaube das Gegenteil. Hinter diesem „kommt darauf an“ steckt eine Struktur aus Ausnahmen, Prioritäten und Trade-offs, die der Experte in Jahren von Fällen verinnerlicht hat. Es ist das kostbarste Material, das die Organisation besitzt, und es ist exakt das, was kein SharePoint-Export enthält.

Die wirklich differenzierte vertikale KI könnte die Technologie sein, mit der eine Organisation ihr eigenes „kommt darauf an“ allmählich explizit macht. Nicht, indem sie die Experten interviewt, was fast immer die schlechteste Methode ist: stilles Wissen lässt sich nicht abstrakt verbalisieren. Sondern indem sie sie urteilen lässt. Zwei Antworten, zwei Architekturen, zwei Klauseln: welche wählst du? Warum? Und wenn ich dieses Detail des Falls ändere? Der Punkt, an dem der Experte seine Meinung ändert, verrät die Grenze der Regel. Das Modell kann die Alternativen erzeugen; der Experte beurteilt sie; das System sammelt nicht die Präferenz, sondern den Grund, und die Bedingungen, unter denen die Präferenz kippen würde.

Häufigkeit ist keine Autorität

Es gibt einen Fehler, der symmetrisch dazu ist, das eigene Archiv zu ignorieren: ihm zu sehr zu vertrauen. Nehmen wir an, wir besitzen eine Million Support-Tickets. Das sieht nach einem großartigen Datensatz aus. Er enthält gut geschlossene Tickets, miserable Workarounds, die zur Gewohnheit wurden, Fehler der Operatoren, provisorische Lösungen, die die Zwänge überlebt haben, die sie rechtfertigten, Verhaltensweisen, die einmal zufällig funktioniert haben.

Unterschiedslos auf diesem Korpus zu trainieren heißt, historische Häufigkeit in epistemische Autorität zu verwandeln. Die institutionelle Kultur dient genau dazu, das zu verhindern: zu sagen „das ist oft passiert, aber es war nicht richtig“, oder „dieser Fall ist dreimal vorgekommen, und diese drei Male beschreiben die wichtigste Ausnahme unserer Domäne“. Das Datum zählt die Vorkommen. Die Urteilskraft gibt ihnen Bedeutung.

Im Machine Learning gibt es einen präzisen Namen für den Mechanismus, der festlegt, was Irren bedeutet: die Loss Function. Zwei Modelle können dieselben Daten beobachten und verschiedene Verhaltensweisen lernen, wenn sie auf verschiedene Ziele optimiert werden. Organisationen funktionieren genauso. Für ein Softwarehaus haben ein ästhetischer Bug, eine Sicherheitslücke, eine Accessibility-Regression und ein Lieferverzug nicht dieselben Kosten, und zwei Unternehmen bepreisen dieselben Ereignisse verschieden. Die institutionelle Kultur ist zu einem guten Teil die akkumulierte Loss Function der Organisation: sie sagt, welche Fehler unverzeihlich sind, welche Trade-offs akzeptabel, welches Risiko eine Eskalation verdient, wo man konservativ sein sollte und wo man experimentiert.

Daten kann man kaufen, und sie werden gerade weniger exklusiv: Datensätze werden lizenziert, synthetische Daten füllen Lücken, Retrieval nutzt Inhalte, ohne sie in die Gewichte einzubauen. Eine gute organisatorische Loss Function braucht Jahre, denn sie besteht aus Ausbildung, Auswahl, Konflikt, Korrektur und Gedächtnis. Ein Konkurrent kann zehn Millionen Gerichtsurteile kaufen; er kauft nicht die Fähigkeit zu erkennen, welches Argument juristisch korrekt, aber strategisch selbstmörderisch ist.

Wer den Benchmark besitzt, besitzt die Definition von „gut“

Daraus folgt die technischste Konsequenz der Überlegung. In diesen Jahren haben wir Training, Fine-Tuning, RAG und Vektordatenbanken enorme Bedeutung beigemessen. Wenn die Modelle weiter besser und austauschbarer werden, könnte der dauerhafteste Teil des Stacks ein anderer sein: das Bewertungssystem.

Nicht „unser Modell kann Steuerfragen beantworten“, sondern „wir besitzen zweitausend Fälle, die exakt repräsentieren, was es heißt, in den Situationen, die für unsere Kunden zählen, eine steuerlich korrekte Antwort zu geben“. Jeder Fall mit seinem Kontext, der erwarteten Antwort, den Alternativen, die korrekt aussehen und es nicht sind, der Schwere jedes Fehlers, den akzeptablen Quellen, den Bedingungen, unter denen man anhalten und einen Menschen rufen muss.

An diesem Punkt kannst du GPT durch Claude ersetzen, Claude durch ein Open-Weight-Modell, dieses Modell durch das nächste. Der Vorsprung bleibt, denn du kannst messen, welcher Motor es verdient, in deinen Prozess einzuziehen. Die Frontier Models sind schon hervorragend darin, plausible Ergebnisse zu produzieren; der vertikale Vorsprung entsteht in den Regionen, in denen plausibel und akzeptabel auseinanderlaufen, und genau dort braucht es den Experten.

Thomson Reuters bewegt sich mit CoCoBench exakt in diese Richtung: mehr als tausend Tasks, geschrieben von Anwälten über die Aufgaben, die Professionals wirklich erledigen, beurteilt gegen Referenzantworten, verfasst und geprüft von Anwälten, mehr als fünfzehntausend Arbeitsstunden von über hundert Rechtsexperten. Ein Kalenderdetail sagt alles: CoCoBench ist vom Mai, das Modell vom August. Die Messung kam vor dem Motor. Und die Beobachtung, die den Benchmark begleitet, gilt weit über den Rechtssektor hinaus: wechselt man die Ebene, auf der bewertet wird, vom einzelnen Task zum Workflow, ändert sich, was als gut zählt. Benchmarks sehen aus wie neutrale Instrumente und sind es nie: jeder enthält eine implizite Theorie dessen, was zählt. Messe ich einen Coding Agent an der Menge des produzierten Codes, belohne ich das eine; messe ich ihn an der Fähigkeit zu erkennen, wann er nicht genug Informationen hat, belohne ich etwas anderes. Proprietäre Evals zu bauen ist ein organisatorischer Akt im Gewand eines technischen: er formalisiert, was die Institution für gutes Urteilen hält.

Und die Plattform CoCounsel selbst bleibt bewusst Multi-Modell: sie nutzt Thomson, wo es den klarsten Vorteil bietet, und andere Modelle, wo sie besser sind. Was die Basis angeht, schreiben sie, das Wurzelmodell bereits mehrmals gewechselt zu haben und es wieder tun zu wollen, sobald sich die Frontier der Open-Weight-Modelle verschiebt. Die implizite Botschaft ist nicht „wir haben es geschafft, unser eigenes GPT zu bauen“. Sie lautet: wir können den Motor wechseln, ohne unsere Definition von Korrektheit zu verlieren.

Die Kultur kann falsch sein

Hier der ernsthafte Einwand, der Raum verdient, weil er begründet ist. Die institutionelle Kultur als Wettbewerbsvorteil zu feiern droht in eine konservative Verteidigung des Bestehenden zu kippen. Organisationen akkumulieren auch Vorurteile, überholte Prozeduren, pathologische Hierarchien, scheinbaren Konsens, Regeln aus längst irrelevanten Vorfällen, Fehler, die sorgsam vom Senior an den Junior weitergegeben werden. Kodieren wir all das in Evals und Trainingsdaten, bewahren wir keine Weisheit: wir industrialisieren die Tradition.

Der Vorteil besteht nicht darin, der KI beizubringen, „wie wir die Dinge hier machen“. Er besteht darin, unterscheiden zu können, welche Teile unserer Art, die Dinge zu machen, es verdienen, bewahrt zu werden, und welche anfechtbar bleiben müssen.

Die konkreteste Verteidigung, die ich kenne, ist, den Dissens aufzubewahren. Bauen wir Datensätze nur aus den endgültigen Entscheidungen, löschen wir einen fundamentalen Teil der Intelligenz der Organisation: die Uneinigkeit. Drei Seniors bewerten eine Architektur, zwei billigen sie, einer hält sie aus einem präzisen Grund für riskant. Das traditionelle Knowledge Management archiviert „Architektur gebilligt“. Ein System, das Urteilskraft verwaltet, sollte archivieren: „gebilligt zwei zu eins; Risiko X erwogen und für akzeptabel befunden, weil Y“. Sechs Monate später tritt genau X ein, und der minoritäre Dissens wird zur wertvollsten Information des Archivs. Eine rechnerisch gemachte Kultur ohne Gedächtnis des Dissenses verwandelt historischen Konsens in Wahrheit.

Aus demselben Grund lohnt es sich, die Kontrafaktuale aufzubewahren. „Wir haben PostgreSQL gewählt“ ist wenig wert. „Wir haben PostgreSQL gewählt, weil Anforderung X Y erzwang; ohne X hätten wir SQLite vorgezogen“ ist viel wert, denn es erlaubt einem künftigen Agenten zu verstehen, wann er die Vergangenheit nicht imitieren darf. Es ist der Unterschied zwischen Gedächtnis und Intelligenz, und es ist der Grund, weshalb naives Retrieval gefährlich ist: es findet den ähnlichsten Präzedenzfall und wendet ihn an, während eine intelligente Organisation erkennt, wann der neue Fall verschieden genug ist, um den Präzedenzfall unbrauchbar zu machen.

Und wie alles, was irren kann, muss das kodifizierte Urteil versioniert werden. Wer eine Rubrik ändern darf, wer entscheidet, dass ein Failure Mode nicht mehr relevant ist, wer eine Eskalationsschwelle verschiebt, wie oft die Evals wieder auf den Prüfstand kommen: das sind Governance-Entscheidungen, keine Implementierungsdetails. Ein gesundes Urteilsarchiv muss sagen können: „das war unsere Überzeugung 2026, diese Vorfälle haben sie in die Krise gebracht, seit 2028 verwenden wir eine andere Regel“. Das institutionelle Gedächtnis dient dazu, die Meinung besser zu ändern, nicht dazu, das Ändern unmöglich zu machen.

Das Paradox der Lehrzeit

Es gibt allerdings ein Risiko, das tiefer geht als alle anderen, und es ist ein Paradox. Professionelle Kultur entsteht nicht spontan: sie bildet sich durch Lehrzeit. Der Junior liest, vergleicht, irrt, wird korrigiert, beobachtet, wie ein Senior einen mehrdeutigen Fall behandelt, lernt, welche Details Aufmerksamkeit verdienen. Ein Großteil dieses Weges fällt mit genau den Tätigkeiten zusammen, deren Automatisierung die KI gerade billiger macht.

Der Report Future of Professionals 2026 von Thomson Reuters legt Zahlen auf diese Angst: 48 % der Professionals fürchten eine negative Wirkung der KI auf die Entwicklung unabhängiger Urteilskraft, und die Befragten aus dem Rechtssektor schätzen, dass sich der Weg zu verlässlichem professionellem Urteil um fast zwei Jahre verlängern könnte (1,7, um genau zu sein; die Steuerexperten, das sei gesagt, erwarten das Gegenteil). Die Angst, die der Report registriert, ist die Entkernung des Berufs: dass Urteilskraft, Kompetenz und menschliche Beziehung aufhören, wertgeschätzt zu werden. Ich würde es die Entleerung der Urteilspipeline nennen. Indem wir die Arbeit eliminieren, durch die Professionals gelernt haben, machen wir die gegenwärtige Organisation effizienter und verbrauchen dabei den Mechanismus, mit dem sie ihre künftigen Experten hervorbringt.

Ich habe darüber geschrieben, als ich vertreten habe, dass die Ebene des Urteils sich nicht delegieren lässt: hier wird das Paradox strategisch. Die beste vertikale KI verlangt reife institutionelle Kultur; die KI selbst erodiert den sozialen Prozess, mit dem diese Kultur weitergegeben wird. Ein auf das Quartal rationales Unternehmen eliminiert jede Tätigkeit, die das Modell besser und billiger erledigt. Ein auf das Jahrzehnt rationales Unternehmen fragt sich, welche scheinbar ineffizienten Tätigkeiten in Wirklichkeit das Labor sind, in dem der nächste Senior entsteht.

Es scheint mir nützlich, dem, was verbraucht wird, einen Namen zu geben: epistemisches Kapital. Die akkumulierte Fähigkeit, gute Entscheidungen von schlechten zu unterscheiden, Ausnahmen zu erkennen, Fehler zu diagnostizieren, diese Kriterien an die nächste Generation weiterzugeben. Wenn wir der KI die Junior-Arbeit anvertrauen, gewinnen wir sofortige Produktivität und greifen, vielleicht, dieses Kapital an. Das Problem ist, dass die Rechnung in keiner Bilanz erscheint: die Indikatoren verbessern sich, mehr Output, weniger Stunden, mehr Marge. Der Schaden zeigt sich Jahre später, wenn man feststellt, dass man sehr viele Operatoren hat, die das System bedienen können, und sehr wenige Menschen, die merken, wenn das System sich irrt.

Die Gegenmaßnahme ist nicht, die Einführung zu verlangsamen. Sie ist, zu ändern, was Senior und Junior produzieren. Der Senior hört auf, nur derjenige zu sein, der die schwierigen Fälle löst, und wird derjenige, der die Evals definiert, die Failure Modes identifiziert, die Grenzfälle auswählt, die Schwellen explizit macht: seine Arbeit erzeugt zweimal Wert, denn sie löst das gegenwärtige Problem und verbessert das System, das die nächsten lösen wird. Und der Junior verbringt nicht weniger Zeit mit Denken: er verbringt weniger Zeit damit, mechanisch den ersten Entwurf zu produzieren, und mehr damit, Outputs zu bewerten, Alternativen zu vergleichen, Fehler zu erklären, die Korrekturen zu beobachten. Explizite Lehrzeit des Urteilens statt Produktion. Die Zeit der eigenen Experten, verwendet darauf, ihr Urteil übertragbar zu machen, ist die eigentliche KI-Investition vieler Unternehmen; sie epistemisches Capex zu nennen hilft, sie in einem Board zu verteidigen, wo sie sonst als Gemeinkosten firmiert.

Es gibt auch ein fast amüsantes Korollar: das Unternehmen, das die eigenen Fehler am besten dokumentiert, könnte gewinnen. Ein ehrlich analysierter Vorfall produziert eine Eval, einen Failure Mode, einen Test, einen Präzedenzfall. Zwei Unternehmen begehen denselben Fehler; das eine korrigiert ihn und vergisst, das andere verwandelt ihn in ein Artefakt, das es jedem künftigen Agenten schwer macht, ihn auf dieselbe Weise zu wiederholen. Das zweite hat einen Verlust in institutionelles Kapital konvertiert. Ehrliche Post-mortems werden gerade zu einem der wertvollsten Trainingsmaterialien des agentischen Zeitalters, auch weil sie exakt die Art von Wissen sind, die das öffentliche Internet nicht hat.

Der Judgment Stack

Damit die These nicht im gasförmigen Zustand bleibt: die Struktur, die ich einer Organisation vorschlagen würde, besteht aus fünf Schichten.

Die erste ist der Evidence Layer: die Daten und die Quellen. Dokumente, Code, Normen, Telemetrie, Präzedenzfälle. Es ist die Ebene, über die alle reden, und die am wenigsten differenzierende.

Die zweite ist der Memory Layer: was die Organisation getan hat. Decision Records, Vorfälle, Outcomes, die Geschichte der Entscheidungen mit ihrem Kontext.

Die dritte ist der Judgment Layer: wie sie gut und schlecht unterscheidet. Rubriken, Evals, Failure Modes, Schwellen, Ausnahmen, aufbewahrter Dissens. Hier wohnt der Vorsprung.

Die vierte ist der Governance Layer: wer die dritte ändern darf. Ownership, Versionierung, Revision, Deprecation.

Die fünfte, mit Absicht die letzte, ist der Execution Layer: die Modelle und die Agenten. Der Motor führt eine bereits strukturierte Kultur aus; er ist nicht der Ort, aus dem diese Kultur auf magische Weise hervorgehen sollte.

So gestellt, ändert sich sogar das Procurement. Die Frage hört auf, „welches LLM ist das beste?“ zu sein, und wird zu „welcher Motor führt unseren Judgment Stack am besten aus?“. Die Organisation hört auf, ihre Arbeitsweise den Eigenheiten des Modells der Saison anzupassen, und lässt die Modelle gegeneinander antreten, gemessen an der eigenen Definition von Wert.

Die Souveränität der Kriterien

Diese Architektur hat eine Konsequenz, die mir besonders am Herzen liegt, denn sie stellt eine Debatte auf den Kopf, die wir in Europa schlecht führen. Wenn der Vorsprung im Judgment Layer sitzt, kann ein Unternehmen Open-Weight-Foundation-Models, Open-Source-Frameworks, offene Standards und portable Infrastruktur nutzen, ohne auf sein Differenzial zu verzichten. Im Gegenteil: je offener und standardisierter die austauschbare Komponente, desto mehr konzentriert sich das spezifische Vermögen dort, wo es verteidigbar ist, in den Evals, in den Policies, in den Urteilsdaten.

Ich habe geschrieben, dass der nächste Lock-in nicht die Daten festhalten wird, sondern den angesammelten Zustand: dies ist die konstruktive Seite desselben Arguments. Souveränität besteht nicht darin, die Intelligenz zu besitzen. Sie besteht darin, die Kriterien zu besitzen, mit denen wir entscheiden, ob diese Intelligenz Vertrauen verdient. Eine Organisation, die sagen kann „wir wechseln das Modell, ohne zu verlieren, was wir wissen“, ist souveräner als eine, die ihr eigenes Modell trainiert hat und es nicht bewerten kann.

Das gilt auch im Großen. Europa wird ein Rennen, das über GPUs, Capex und Foundation Models maximalen Maßstabs läuft, kaum gewinnen. Es besitzt aber Sektoren mit einer enormen institutionellen Dichte: Gesundheit, Industrie, Ingenieurwesen, öffentliche Verwaltung, Pharma, Recht. Die interessante strategische Frage ist nicht „wie bauen wir ein europäisches OpenAI?“. Sie lautet: wie verwandeln wir Jahrzehnte europäischer Professionskultur in überprüfbare, portable und souveräne Systeme? Das ist kein Trost für Verlierer. Es ist eine andere Strategie, und wahrscheinlich eine plausiblere.

Nachfolge, nicht Ersetzung

Die konkreteste Version dieser These sehe ich in den mittleren und kleinen italienischen Unternehmen, die von „Big Data“ herzlich wenig haben. Keine Milliarden Events, kein Data Lake. Sie haben etwas anderes: Menschen, die seit fünfundzwanzig Jahren eine extrem spezifische Arbeit machen, nie vollständig dokumentierte Prozeduren, Ausnahmen, die drei Personen kennen, Kunden, die ihnen beigebracht haben, wo eine scheinbar korrekte Spezifikation zerbricht. Gewöhnlich nennen wir das eine Schwäche: zu viel Wissen in den Köpfen der Leute. Und dieses Wissen ist dabei zu gehen, nicht wegen der KI, sondern wegen der Demografie.

Hier kann die KI etwas anderes tun als Automatisierung: diese Menschen befragen, sie vor Fälle und Alternativen stellen, die Ausnahmen zutage fördern, einen Teil ihres Urteils in institutionelles Vermögen verwandeln, bevor es mit der letzten Pensionierungswelle zur Tür hinausgeht. Nicht Ersetzung: Nachfolge. Das scheint mir eine europäischere, und offen gesagt nützlichere, Lesart der KI als jene, die nur die zu verteidigenden oder zu streichenden Arbeitsplätze zählt.

Es bleibt die Grenze, die nicht zu überschreiten ist, und ich sage es gegen meinen eigenen Enthusiasmus: eine vollständig ausführbare Kultur wäre eine tote Kultur. Lebendige Kulturen ändern sich, weil Experten die Regeln anfechten, weil Ausnahmen neue Regeln erzeugen, weil Normen und Markt sich bewegen. Die Funktion der KI ist nicht, das vergangene Urteil einzufrieren. Sie ist, den Punkt sichtbar zu machen, an dem die Gegenwart aufhört, der Vergangenheit ähnlich genug zu sein. Das beste System ist nicht das, welches die Institution perfekt repliziert: es ist das, welches sagen kann „hier reicht der Präzedenzfall nicht mehr“.

Wir haben die ersten Jahre der generativen KI damit verbracht zu suchen, was die Unternehmen besitzen und die Modelle nicht, und die naheliegendste Antwort waren die Daten. Das war vernünftig. Aber ein Unternehmen wird nicht kompetent, indem es anhäuft, was es getan hat: es wird kompetent, indem es über die Zeit die Unterscheidung aufbaut zwischen dem, was funktioniert hat, und dem, was nicht zu wiederholen ist, zwischen der Regel und ihrer Ausnahme, zwischen einer plausiblen Antwort und einer Antwort, für die jemand bereit ist, die Verantwortung zu übernehmen. Diese Unterscheidung lebt in den Menschen, in den Korrekturen, in den Konflikten, in den erinnerten Fehlern, in den Dingen, die ein Senior sieht und ein Junior noch nicht.

Die proprietären Daten erzählen dem Modell, was die Institution gesehen hat. Die institutionelle Kultur lehrt es, was von allem Gesehenen es verdient, Urteil zu werden. Das Foundation Model kann Commodity werden: amerikanisch, europäisch, Open-Weight, alle sechs Monate ersetzt. Die Organisation besitzt weiterhin das, was wirklich zählt. Nicht die Antworten, sondern die eigene, fortwährend anfechtbare Definition dessen, was eine gute Antwort bedeutet.

Der Autor

Andrea MargiovanniKI

Ich verfolge das Verhältnis zwischen KI und europäischer Regulierung als politisches Faktum, nicht als technisches Spektakel. Ich arbeite mit Teams, die KI mit AI Act, CRA, NIS2 vereinbar machen müssen, ohne Compliance auf eine Checkliste zu reduzieren.

Zum Weg →