Es gibt ein Fenster von zwei oder drei Jahren, und Europa muss es nutzen.

Es gibt ein Fenster, vielleicht zwei oder drei Jahre, in dem es noch machbar ist, ein Frontier-Lab von Grund auf in Europa zu starten und Bedeutung zu erlangen. Mit jedem Jahr, das vergeht, werden mehr der architektonischen und politischen Entscheidungen, die das nächste Jahrzehnt der KI prägen werden, in San Francisco und Hangzhou getroffen – ohne europäischen Sitz am Tisch. Die aktuelle Konstellation, in der Europa größtenteils KI reguliert, die es nicht selbst gebaut hat, ist strategisch nicht nachhaltig; sie erzeugt weder echte Souveränität noch selbstbewusste Regulierung. SPRIND ist das seltene europäische Programm, das den tatsächlichen Aufbau von Frontier-Kapazitäten mit ernsthaftem Geld und einem langfristigen Mandat unterstützt. Es geht nicht darum, dass 2026 ein besonderer Moment ist – aber öffentlicher Wille für Programme dieser Größenordnung ist selten, und ich würde ernsthafte KI-Entwickler:innen ermutigen, es zu nutzen, solange es da ist.

Die Förderung ist wichtig, und 125 Millionen Euro mit einem Follow-on-Pfad zu einer Milliarde ist ein ernsthaftes Commitment, nach jedem Maßstab. Was ich denke, dass Teams daneben schätzen sollten, ist der Zeithorizont. Zwei Jahre für Grundlagenforschung, bevor man aufgefordert wird zu kommerzialisieren, ist weltweit gerade ungewöhnlich, und das Programm wurde bewusst so strukturiert, dass diese Startbahn geschützt wird. Diese Geduld ist es, die es Teams erst ermöglicht, die schwierigen Probleme anzugehen. Der zweite Aspekt ist institutionelles Gewicht. Dass SPRIND der Geldgeber ist, verändert, wie ein Team von Investor:innen, von leitenden Forschenden, die einen Beitritt in Betracht ziehen, und von den politischen Entscheidungsträger:innen, die die Umgebung gestalten, in der sie operieren werden, wahrgenommen wird. Es signalisiert, dass dies ernsthafte, öffentlich unterstützte Arbeit ist, was es materiell einfacher macht, Talente zu rekrutieren, Follow-on-Kapital aufzunehmen und in einer öffentlichen Debatte zu operieren, die oft verwirrt ist darüber, was Frontier-AI-Labs tatsächlich tun. In Kombination mit dem Compute-Commitment, der Infrastruktur und der Kohorte anderer ambitionierter Teams, die parallel arbeiten, bringt das Programm annähernd den vollständigen Satz an Bedingungen zusammen, die ein Frontier-Lab braucht, um zu funktionieren. Das gestaffelte Design, mit wachsendem Commitment, wenn Teams ihre These beweisen, ist eine der durchdachteren Strukturen, die ich für den Start eines solchen Programms gesehen habe.

Ich habe darauf keine eindeutige Antwort, und bei jedem, der eine solche Antwort hat, wäre ich vorsichtig. Was ich mir von diesen Labs erhoffen würde, wäre ein Ergebnis, das die großen Labs in den USA und China dazu zwingt, ihre Annahmen darüber zu aktualisieren, wie Frontier AI aussehen muss. Entweder ein Weg, der für die aktuellen Fähigkeiten weniger Daten oder Rechenleistung benötigt – was einen echten wirtschaftlichen und strategischen Wandel bedeuten würde – oder substanzielle Fortschritte bei etwas, woran das Feld ehrlich gesagt feststeckt: Trainingsmethoden, die nicht von immer größeren Datenmengen abhängen, Alignment-Eigenschaften, die überprüft statt nur abgeleitet werden können, oder KI für die Wissenschaft, die das Tempo wissenschaftlicher Entdeckungen tatsächlich verändert. Also eine Richtung, in der Europas wissenschaftliche Tiefe ihm eine echte Chance gibt, eine Führungsrolle einzunehmen, statt nur hinterherzulaufen. Weniger begeistert wäre ich von einer etwas späteren, etwas weniger leistungsfähigen Version von etwas, das anderswo bereits veröffentlicht wurde.

Foundation Models ähneln eher einer Infrastruktur als einem Konsumprodukt, und die Teams, die sie entwickeln, übernehmen damit eher Verpflichtungen wie ein Pharmaunternehmen oder eine Fluggesellschaft als wie ein Softwareanbieter. Dazu gehören eine ernsthafte Evaluierungsarbeit, die nicht vom eigenen Lab konzipiert wurde, Red-Teaming durch Personen außerhalb der Anreizstrukturen des Unternehmens, eine ehrliche Offenlegung darüber, welche Trainingsdaten verwendet wurden und wozu das System tatsächlich in der Lage ist, sowie Investitionen in Interpretierbarkeit, die mit den Fähigkeiten des Modells wachsen, anstatt erst als Reaktion auf Zwischenfälle nachträglich ergänzt zu werden. Darüber hinaus gibt es eine Verantwortung, die jeder konkreten Modellversion vorgelagert ist: die Bedingungen zu bewahren, die später eine Kurskorrektur ermöglichen, falls etwas schiefgeht. Das bedeutet, den offenen wissenschaftlichen Austausch zu schützen, die Macht ausreichend zu verteilen, damit jemand außerhalb des Labs glaubwürdig Einwände erheben kann, und zu verhindern, dass die Informationsumgebung mit synthetischen Inhalten überflutet wird, bis eine Rückkehr zum Ausgangszustand nicht mehr möglich ist. Die riskanteste Kombination, die man in die Welt entlassen kann, ist hohe Leistungsfähigkeit gepaart mit geringer Transparenz – und guten Absichten innerhalb des Labs.

Der schwierigste Teil ist, sich vom Gravitationsfeld des Mainstreams zu befreien. Generative LLMs sind zu einer Art Schwarzem Loch geworden. Energie, Rechenleistung, Daten, Talente, Geld – alles biegt sich in Richtung desselben Paradigmas, und die innovativen Alternativen werden hineingezogen und zerdrückt, bevor sie jemals eine Chance haben zu wachsen. Europas Herausforderung ist es, Fluchtgeschwindigkeit zu erreichen: ausreichend Finanzierung, beharrliche Geduld und die Überzeugung, die Architekturen zu verfolgen, die die etablierten Player nicht anfassen.