Sequoia Capital, das kalifornische Venture-Capital-Unternehmen, hat 80 Portfoliounternehmen eine Präsentation gezeigt. Ihre Botschaft: Wer seine KI-Modelle bis zu den Gewichten selbst besitzt, verliert nicht an Leistung, sondern gewinnt einen Vorsprung. Das betrifft vor allem Unternehmen, die nicht zu den zehn größten Tech-Konzernen gehören.
Dieser Beitrag stützt sich auf den Artikel des Newsletters „AI Market Fit“ von Guillermo Flor. Flor hat die 17 Minuten von Sonya Huangs Vortrag „Own Your Intelligence“ analysiert und die Argumentation Folie für Folie zerlegt. Seine Ergebnisse sind für strategische Entscheider und technische Teams gleichermaßen relevant.
Sovereign AI heißt: eigene Modellgewichte besitzen. Vier Gründe sprechen für eigene Modelle. Ein eigenes KI-Team lässt sich in vier Schritten aufbauen. Und die Kosten werden oft unterschätzt.
Warum offene Gewichte die alte Rechnung kippen
Vor einem Jahr wäre diese Behauptung kaum haltbar gewesen. Open-Weight-Modelle wie Qwen und GLM sind inzwischen so stark, dass sie nahe an die kommerzielle Spitze heranreichen. Unternehmen müssen daher nicht mehr am unteren Ende der Leistungsskala starten. Sie können nahe der Frontier beginnen, sagt Sequoia.
Diese Verschiebung hat einen Namen: das Own-vs-Rent-Framework. Es präzisiert die alte Frage „Kaufen oder Mieten?“. Mieten heißt: Du nutzt ein System wie ChatGPT oder Claude über eine Schnittstelle. Eigentum heißt: Du besitzt die Modellgewichte und kontrollierst alle Stellschrauben. Die frühere Rechnung, dass Besitzen Qualität kostet, stimmt laut Sequoia nicht mehr.
Ein Open-Weight-Modell als Fundament gibt dir viele Optionen. Du kannst es mit eigenen Daten feintunen, in deine Infrastruktur einbetten und laufend verbessern. Das ist schneller, zielgerichteter und unabhängiger, als wenn du eine Cloud-API nutzt.
Sovereign AI: Eigene Gewichte, aber nicht gegen Opus und GPT
Sequoia nennt diese Strategie Sovereign AI – souveräne Intelligenz. Ein Unternehmen besitzt und kontrolliert die zentralen Gewichte seiner Modelle. Wer sein eigenes Modell betreibt, kann es anpassen, ohne auf die Roadmap eines großen Anbieters zu warten.
Sovereign AI bedeutet allerdings nicht, dass du die teuersten Modelle selbst entwickeln musst. Huang zieht die Linie an einer anderen Stelle. Für allgemeines Schlussfolgern und für Coding-Agenten bleiben die geschlossenen Schnittstellen die vernünftige Wahl, weil sie ohne Zusatzarbeit stark sind und es dort selten auf Millisekunden ankommt. Eigene Gewichte lohnen sich dort, wo ein Modell sehr oft läuft, sehr schnell antworten muss oder mit Daten arbeitet, die es sonst nirgends gibt. Ihre Beispiele: die Codevervollständigung im Editor, Anwendungen in der IT-Sicherheit und die Biotechnologie.
Kosten, Geschwindigkeit, Leistung, Kontrolle
Der erste ist der Preis. Solange ein KI-Produkt klein ist, fallen die Kosten pro Anfrage kaum auf. Wächst es, wandern sie in die Herstellkosten und drücken die Marge genau dann, wenn das Produkt endlich läuft. Huang nennt das den unangenehmen Beifang des Erfolgs: Je besser ein Dienst angenommen wird, desto teurer wird der eingekaufte Verstand dahinter. In Geschäften mit dünner Marge ist das kein Rechenfehler, sondern eine Existenzfrage.
Der zweite Grund ist Geschwindigkeit. In der Programmierung und in der Sicherheitsanalyse schlägt ein kleines, destilliertes Spezialmodell ein großes Allzweckmodell regelmäßig, nicht weil es klüger wäre, sondern weil es früher fertig ist. Wo eine Antwort im Tippfluss erscheinen soll, entscheidet die Wartezeit über die Brauchbarkeit.
Der dritte Grund ist neu und der eigentliche Bruch mit der alten Regel. Ein offenes Modell, das mit eigenen Daten nachtrainiert wurde, kann ein geschlossenes in seinem engen Feld überholen. Nicht insgesamt, nicht auf einer Rangliste, sondern genau bei der Aufgabe, um die es geht. Wer bisher offene Gewichte wählte, nahm Leistungseinbußen in Kauf. Diese Kopplung ist gelöst.
Der vierte Grund ist Kontrolle. Huang spricht davon, dass Unternehmen ein eigenes Standbein brauchen, statt sich mit Haut und Haaren an Anthropic oder OpenAI zu binden. Wer mietet, übernimmt fremde Preislisten, fremde Abkündigungen und fremde Zeitpläne. Das ist erträglich, solange das Modell ein Werkzeug unter vielen ist. Sobald es das Produkt trägt, wird daraus ein Klumpenrisiko.
In vier Schritten zum eigenen KI-Team
Der erste Schritt ist die Strategie, und er ist eine Sortierarbeit. Für jede Fähigkeit im Produkt wird geklärt, was sie kostet, wie schnell sie sein muss, wie gut sie sein muss und wie eigen die Daten sind, die sie sieht. Was bei allen vier Fragen unauffällig bleibt, wird weiter gemietet. Was bei mehreren auffällt, ist ein Kandidat für eigene Gewichte.
Der zweite Schritt ist das Team, und hier widerspricht Huang der verbreiteten Erwartung. Die Leitung kann aus der Forschung kommen oder aus der Entwicklung, beides funktioniert. Wichtiger ist, dass die Gruppe neu aufgesetzt wird und nicht als Anhängsel der Plattformabteilung entsteht. Als Beleg dient Harvey, wo nach ihrer Darstellung sieben Leute gereicht haben. Klein anfangen und bei null anfangen sind hier kein Widerspruch, sondern dieselbe Empfehlung.
Der dritte Schritt heißt Sichtbarkeit, und auf ihm besteht Huang am nachdrücklichsten. Gemeint ist nicht Werbung, sondern nachprüfbare Öffentlichkeit: eigene Forschung veröffentlichen, technisch argumentieren, der Arbeit einen Namen geben. Der Gedanke dahinter ist nüchtern. Wer Intelligenz einkauft, kann von außen kaum beurteilen, wer sie beherrscht. Veröffentlichte Arbeit ist eines der wenigen Signale, die sich nicht einfach behaupten lassen.
Der vierte Schritt ist der technische Fahrplan, und er hat eine feste Reihenfolge. Zuerst werden Bewertungsmaßstäbe definiert, also die Frage beantwortet, woran gutes Verhalten überhaupt erkennbar ist. Dann kommen Router und Harness, also die Verteilung der Anfragen und das Gerüst um das Modell herum. Erst danach folgt das Nachtrainieren, später das Training auf mittlerer und früher Stufe, und am Ende Rückkopplungsschleifen, die aus dem laufenden Betrieb lernen. Wer diese Folge umdreht und mit dem Training beginnt, trainiert ohne Maßstab.
Was das kostet, sagt der Vortrag nicht
An dieser Stelle bleibt die Präsentation auffällig sparsam. Es fallen keine Beträge, keine Zahl an Grafikkarten, keine Gehälter. Das einzige konkrete Maß ist die Teamgröße von sieben. Wer eine Wirtschaftlichkeitsrechnung erwartet, bekommt sie hier nicht.
Trotzdem lässt sich sagen, was sich verschiebt. Mieten kostet pro Anfrage und wächst mit dem Erfolg. Besitzen kostet vorab und danach ziemlich gleichmäßig weiter: Leute, Rechenzeit, Datenpflege und die Veröffentlichungsarbeit aus dem dritten Schritt, die nie fertig wird. Aus einer variablen Kostenzeile wird eine feste. Der Punkt, an dem sich das lohnt, hängt am Volumen, und den muss jedes Unternehmen selbst ausrechnen. Genau deshalb steht die Strategie am Anfang und nicht der Einkauf von Hardware.
Praktisch heißt das: Der erste Schritt kostet fast nichts und ist trotzdem der unbequemste. Nimm die Fähigkeiten deines Produkts einzeln durch und beantworte für jede die vier Fragen ehrlich. Wenn dabei nichts übrig bleibt, das eigene Gewichte rechtfertigt, hast du eine Antwort und sparst dir den Rest. Bleibt etwas übrig, fang bei den Bewertungsmaßstäben an, nicht beim Modell. Alles andere ist ein Umbau, dessen Ergebnis du nicht messen kannst.
Quellen: theaiopportunities.com und sequoiacap.com
