KI: “Unternehmen müssen Energiestrategie und Innovation miteinander verzahnen.”

Digitale Souveränität und Energieeffizienz sind Treiber für Innovation bei Sprachmodellen und Infrastruktur.

KI-Modelle treten 2026 in eine neue Entwicklungsphase ein: Die Effizienz der Modelle wird zum zentralen Maßstab. Fortgeschrittene Kompressionstechniken und Edge-Computing erlauben die Ausführung direkt auf Nutzergeräten sowie in kritischen Umgebungen, wie etwa dem militärischen Bereich.

Roman Orús, Mitgründer und Chief Scientific Officer von Multiverse Computing, ist überzeugt: “Lokal ausgeführte LLMs werden immer mehr zu ernsthaften Alternativen zu Cloud-Diensten. Dieser Wandel beruht auf ultra-komprimierten KI-Modellen, die den Übergang vom Rechenzentrum auf das Endgerät ermöglichen und Edge-KI praktisch unverzichtbar machen.”

Laut Orús bereitet das den Weg für “Hyperpersonalisierung direkt auf dem Gerät. Laptop-Hersteller und Anbieter von Unterhaltungselektronik integrieren zunehmend komprimierte KI-Modelle direkt in ihre Hardware. So entsteht ein hochgradig personalisierter digitaler Assistent, wie ein ganz persönlicher, lokal laufender ChatGPT-Agent, der Offline-Funktionalität bietet.”

Wie nah diese Zukunft bereits ist, weiß Sarah Wieskus, Global Director of Commercial Client Sales bei Intel, die in einem Exklusivinterview mit Computing verrät, wie die neuen Intel Core Ultra-Prozessoren die Grenzen dessen erweitern, was Unternehmen von ihren Endgeräten erwarten können.

Roman Orús geht noch einen Schritt weiter mit seiner Prognose: “Künftige Architekturen werden dabei auch intelligente Orchestrierung integrieren.”

Als Beispiel nennt er den Anwendungsbereich Netzwerke: “Ein kleineres Router-AI-Modell entscheidet dynamisch, ob eine Anfrage sofort lokal verarbeitet oder für komplexere Aufgaben sicher in die Cloud weitergeleitet wird.”

Die Integration von KI in Endgeräte wird vor allem Edge Computing einen Schub gewähren: “Der technologische Wettlauf konzentriert sich zunehmend darauf, hochleistungsfähige, ultra-komprimierte LLMs direkt auf lokalen Geräten auszuführen und damit umfassende KI-Fähigkeiten aus herkömmlichen, beziehungsweise zentralisierten Cloud-Umgebungen an den Netzwerkrand zu verlagern.”

Effizienz statt Größe

Orús’ Firma Multiverse Computing setzt auf quanteninspirierte Komprimierungstechnik, mit der sich Modellgröße und Energieverbrauch eines großen Sprachmodells (LLM) drastisch reduzieren lassen – bei gleichbleibender Leistung.

Bereits für 2025 sagte McKinsey eine „small‑model explosion” voraus, die KI in Geräte, Maschinen und Edge‑Umgebungen bringt. Eine Voraussetzung dafür sind “sinkende Inferenzkosten, die den produktiven Einsatz wirtschaftlich machen”.

Auch Samsung setzt auf Minimalismus. Deren Tiny Recursive Model (TRM) verwendet ein kleines neuronales Netz mit zwei Schichten. Mit nur 7 Millionen Parametern (weniger als 0,01 % der Parameter vergleichbarer großer Sprachmodelle) erreichte das TRM in Benchmarks eine Testgenauigkeit von 45 % bei ARC-AGI-1 und 8 % bei ARC-AGI-2 und schnitt besser ab als die meisten LLMs, darunter Deepseek R1, o3-mini, Gemini 2.5 Pro.

"Die Vorstellung, man müsse sich zur Lösung komplexer Aufgaben auf große Modelle verlassen, die von einem großen Unternehmen für Millionen von Dollar trainiert wurden, ist falsch.“ sagte Alexia Jolicoeur-Martineau, leitende Forscherin für künstliche Intelligenz am Samsung Advanced Institute of Technology (SAIT) in Montreal, Kanada im sozialen Netzwerk X. „Derzeit wird zu viel Wert auf die Nutzung von LLM gelegt (große Sprache Modelle) als neue Richtungen zu entwerfen und zu erweitern."

Durch die KI-Modell-Kompression lassen sich Speicherbedarf und Rechenleistung drastisch reduzieren, ohne die Genauigkeit der Ergebnisse zu beeinträchtigen. “Dieser Fortschritt [bringt] besonders im Verteidigungssektor eine tiefgreifende Transformation”, glaubt Orús. “Die Integration von KI direkt in Drohnen, Fahrzeugen, Schiffen oder tragbaren Gefechtssystemen bedeutet, dass Streitkräfte unmittelbare operative Widerstandsfähigkeit und Geschwindigkeit gewinnen. Aus den Echtzeit-Daten, die Sensoren liefern, können Bedrohungen vor Ort erkannt, kritische Auffälligkeiten identifiziert und unbemannte Systeme in feindlichen Gebieten auch ohne GPS gesteuert werden.”

Er ist überzeugt: “Edge-KI wird zu einer Schlüsseltechnologie, weil militärische Operationen häufig in Umgebungen stattfinden, in denen Konnektivität eingeschränkt oder umkämpft ist. Abhängigkeit von entfernten Cloud-Rechenzentren ist dort nicht akzeptabel.”

Aber auch andere Bereiche profitieren von der Technologie: “Im Gesundheitswesen werden ultra-komprimierte KI-Modelle auf Krankenhaus-Workstations oder in abgeschotteten Private-Cloud-Umgebungen unverzichtbar. Sie ermöglichen lokale Diagnostik, klinische Zusammenfassungen und unterstützen direkt bei klinischen Entscheidungen. Sensible Patientendaten bleiben dadurch innerhalb der organisatorischen Firewall, was ein entscheidender Vorteil für den Datenschutz, Compliance und beim Risikomanagement ist.”

Diesen Trend sieht er auch bei Behörden, die verstärkt auf komprimierte, selbst gehostete LLMs setzen, “um Effizienz- und Geschwindigkeitsvorgaben sowie strenge Sicherheitsanforderungen zu erfüllen. KI-Tools automatisieren zeitintensive Verwaltungsabläufe, erstellen Zusammenfassungen und analysieren umfangreiche Konsultationsdaten, sodass politische Entscheidungen besser evidenz-basiert getroffen werden können.”

Außerdem blieben die “Daten vollständig unter Kontrolle der Behörde und nur für autorisierte Nutzer zugänglich – ein zentraler Schritt zur sicheren Skalierung von KI im öffentlichen Raum.”

Der wichtigste Treiber für lokale Bereitstellung ist die digitale Souveränität. Regierungsstellen arbeiten mit hochsensiblen Informationen. Um Risiken durch externe Datenverarbeitung und potenzielle Datenlecks zu minimieren, verlagern viele Organisationen KI-Modelle in interne, isolierte Netzwerke.

Der wichtigste Treiber für Innovation jedoch ist der Energiebedarf. Der enorme Energiehunger moderner KI ist zur globalen Herausforderung geworden. Effizienz wird damit von einem technischen Detail zu einer regulatorischen und ökologischen Notwendigkeit.

“Effizienz wird zum Kern neuer KI-Wettbewerbsfähigkeit.“

Das haben auch die Regulierungsbehörden erkannt, die zunehmend auf Transparenz und Rechenschaftspflicht setzen. So verpflichtet z. B. der EU AI Act die Anbieter von General-Purpose-KI zur Dokumentation des Energieverbrauchs ihrer Modelle. Und auch die EU-Energieeffizienzrichtlinie 2023 schreibt Berichte zu Strom- und Wasserverbrauch sowie zum Anteil erneuerbarer Energien vor.

Roman Orús sagt dazu: “Angesichts dieses regulatorischen Rahmens müssen Unternehmen und Behörden verstärkt auf KI-Modelle setzen, die hohe Leistung bei möglichst geringem Energieverbrauch bieten. Durch Kompression und Edge-Optimierung reduzieren Organisationen nicht nur Kosten und Latenz, sondern erfüllen auch globale Umwelt- und Nachhaltigkeitsberichterstattung.”

Kleinere und effizientere KI-Modelle und -Anwendungen ermöglichen nicht nur eine kosteneffiziente Nutzung sowie schnellere Arbeitsabläufe. Sie haben auch wesentlich geringere Hardwareanforderungen.

Vor dem Hintergrund stetig steigender Rechenbedarf haben Halbleiterhersteller wie Ampere längst die Notwendigkeit von energieeffizienten Rechnerarchitekturen erkannt. “KI-Workloads benötigen enorme Rechenleistung, um Daten zu analysieren, Inferenzmodelle auszuführen und Millionen Parallelnutzer gleichzeitig zu bedienen. Jede KI-Anfrage, jede Empfehlung und jeder Austausch von Chatbots läuft über leistungsstarke Inferenzmodelle. Wenn Millionen Anwender gleichzeitig mit diesen Tools interagieren, wächst die kumulative Arbeitsbelastung exponentiell. ”

Während das Training von KI-Modellen in Wirklichkeit nur punktuell und in kontrollierten Umgebungen stattfindet, läuft Inferenz durchgehend. Rein durch Frequenz und Skalierung muss im Laufe der Zeit immer mehr Gesamtenergie aufgebracht werden.

Das Ergebnis ist ein deutlich höherer Energieverbrauch in Rechenzentren weltweit. Laut einer Studie vom Öko-Institut für Greenpeace benötigten Rechenzentren bereits 2025 weltweit etwa 650 Terawattstunden Strom pro Jahr – Tendenz steigend. Jens Gröger vom Öko-Institut rechnet bis 2023 mit einer Verdopplung. Damit verbunden ist ein Anstieg der Treibhausgas-Emissionen von Rechenzentren von 212 Millionen Tonnen im Jahr 2023 auf 355 Millionen Tonnen im Jahr 2030, trotz des angenommenen Ausbaus von erneuerbaren Energien zur Stromproduktion. „Auch in den kommenden Jahren werden Rechenzentren weiterhin auf fossile Energieträger wie Erdgas und Kohle angewiesen sein – mit entsprechend hohen ökologischen Kosten“, so der Forschungskoordinator für nachhaltige digitale Infrastrukturen am Öko-Institut.

Verstärkt wird das Dilemma durch ineffiziente Rechenzentrums-IT: Während in Edge-Devices und Consumer Electronics in der Regel sparsamere ARM- oder RISC-V-Prozessoren verbaut sind, kommt in Rechenzentren fast ausschließlich x86-Technologie zum Einsatz. Diese “Legacy-Prozessoren, die für allgemeine Arbeitslasten entwickelt wurden, arbeiten unter diesen Bedingungen meist ineffizient. Laufen Inferenzmodelle gleichzeitig über riesige Datenmengen, vervielfacht sich folglich die Schieflage, und jede Millisekunde Latenz sowie jedes Watt verlorene Energie summiert sich.”

McKinsey propagiert in seinem Trends 2025 Bericht “Unternehmen müssen Energiestrategie und Innovation miteinander verzahnen.” Laut den Analysten von McKinsey stehen Unternehmen 2026 vor der Wahl: “weiter experimentieren oder endlich industrialisieren.”

Auch Ampere ist überzeugt: “Die Unternehmen, die ihre Infrastruktur modernisieren und Effizienz priorisieren, sind am besten in der Lage, KI verantwortungsvoll und wettbewerbsfähig zu skalieren. Sie werden den Standard für die nächste Generation setzen, in der Innovation und Verantwortung Hand in Hand gehen.”