Mistral-Gründer und CEO Arthur Mensch warnt Unternehmen davor, sich auf geschlossene KI-Modelle großer Anbieter zu verlassen. Anbieter solcher Modelle würden zunehmend Kundendaten speichern und dadurch tiefen Einblick in die Geschäftsprozesse ihrer Kunden gewinnen – ein Einblick, den einzelne Anbieter nach Menschs Darstellung bereits genutzt hätten, um erfolgreiche Kunden gezielt als Konkurrenten anzugreifen.
Menschs Kernargument: Kontrollverlust durch geschlossene Modelle
In einem LinkedIn-Beitrag rät Mensch Unternehmen, ihre Daten in offenen Systemen zu speichern, eigene Zugriffsregeln für KI-Systeme einzurichten und ein eigenes Training aufzubauen – auch wenn das nach seinen eigenen Worten einer kompletten Neuaufstellung der IT gleichkomme und eine Mammutaufgabe sei. Ziel sei es, KI-Systeme zu schaffen, die Wettbewerber nicht kopieren könnten. “Führende KI kann das Wachstum eures Unternehmens beschleunigen, aber wenn sie nicht in euren Händen liegt, wird es nicht euer Wachstum sein”, schreibt Mensch. Besonders heikel sei dabei die Frage der Zugriffsrechte, da KI-Modelle sehr gut darin seien, Informationen offenzulegen, auf die Mitarbeitende eigentlich keinen Zugriff haben sollten.
Bemerkenswert an Menschs Vorwurf: Den zentralen, schärfsten Teil seiner Behauptung – dass Anbieter gezielt gegen ihre erfolgreichsten Kunden vorgegangen seien – belegt er in seinem Beitrag nicht mit konkreten Beispielen oder Belegen, wie TheNextWeb in seiner Analyse anmerkt.
Nicht allein: Palantirs “AI-Sovereignty”-Manifest
Mensch steht mit dieser Position nicht allein. Palantir-CEO Alex Karp hatte kurz zuvor öffentlich ähnlich argumentiert und das Geschäftsmodell großer KI-Anbieter bei einem CNBC-Interview scharf kritisiert. Unternehmen zahlten steigende Rechnungen für Token-Nutzung, während sie gleichzeitig ihre wertvollsten Daten und ihr geschäftliches Know-how preisgäben, so Karp. Palantir hatte tags zuvor ein neunteiliges “AI-Sovereignty”-Manifest veröffentlicht, das unter anderem festhält: Wer die Kontrolle über die eigenen Modellgewichte an andere abgebe, erlaube diesen, den Wettbewerbsvorteil des eigenen Unternehmens auf ihr eigenes zu übertragen. Auch das Konzept des “Tokenmaxxing” – möglichst viel Geld für KI-Nutzung auszugeben – kritisiert Palantir darin als trügerisches Fortschrittsgefühl.
Eine berechtigte Warnung mit Eigeninteresse
Zur vollständigen Einordnung gehört, dass sowohl Mensch als auch Karp ein direktes wirtschaftliches Interesse an ihren jeweiligen Warnungen haben. Mistral kann den Leistungen aktueller Frontier-Modelle großer US-Anbieter bislang wenig entgegensetzen und positioniert sich stattdessen strategisch über das Argument der europäischen Souveränität – ein Geschäftsmodell, das durch genau die Sorge um Kontrollverlust gestützt wird, vor der Mensch warnt. Palantir wiederum verkauft mit seiner erweiterten Nvidia-Partnerschaft eigene, souveräne KI-Infrastrukturlösungen als direkte Alternative zum nutzungsbasierten Preismodell der Frontier-Labs.
Hinzu kommt ein technisches Gegenargument: Große, generalisierende KI-Modelle schneiden in der Praxis häufig auch bei spezialisierten Aufgaben besser ab als kleinere, spezialisierte Modelle, sofern das relevante Fachwissen Teil ihrer Trainingsdaten war. Menschs Argumentation, wonach unternehmenseigenes Training zwangsläufig überlegen sei, lässt sich also nicht pauschal auf jeden Anwendungsfall übertragen.
Ein Gegenbeispiel: Bridgewater und Thinking Machines Lab
Ein aktuelles, unabhängig von Mensch entstandenes Beispiel stützt seine Perspektive dennoch teilweise. Wie Thinking Machines Lab in einem eigenen technischen Bericht beschreibt, trainierten der Hedgefonds Bridgewater und das von der früheren OpenAI-Technikchefin Mira Murati gegründete KI-Start-up gemeinsam das offene Modell Qwen3-235B mit eigenen, von erfahrenen Investoren erstellten Bewertungsdaten nach. Bei sechs Aufgaben zur Einordnung von Finanzdokumenten erreichte das nachtrainierte Modell laut den Autoren eine durchschnittliche Genauigkeit von 84,7 Prozent, während das beste getestete Frontier-Modell – nach eigenen, sorgfältig konstruierten Prompts – bei 78,2 Prozent lag. Bei einfachen, wenig optimierten Anfragen erreichten die großen Modelle laut dem Bericht sogar nur rund 50 Prozent Genauigkeit. Die Betriebskosten des spezialisierten Modells lagen dabei rund 14-mal niedriger als bei den führenden Frontier-Modellen.
Ein unabhängiger Vergleich ist das allerdings nicht: Sowohl Bridgewater als auch Thinking Machines Lab haben ein wirtschaftliches Interesse am Erfolg dieses Ansatzes, und die Ergebnisse wurden nicht von einer außenstehenden Institution überprüft. Zudem ist offen, ob sich dieser Vorteil dauerhaft hält – Anbieter wie Anthropic oder OpenAI könnten vergleichbare Fachdaten künftig selbst einkaufen oder erzeugen und ihren Vorsprung dadurch zurückgewinnen.
Einordnung
Menschs Warnung trifft einen wunden Punkt, den mittlerweile auch andere Marktteilnehmer wie Palantir öffentlich artikulieren: Die Frage, wer am Ende die Kontrolle über unternehmenseigene Daten, Modellgewichte und daraus resultierendes Wettbewerbswissen behält, gewinnt mit wachsender KI-Durchdringung an Bedeutung. Gleichzeitig sind beide Warnungen erkennbar auch strategische Positionierungen im eigenen Geschäftsinteresse, und der konkrete Vorwurf gezielter Angriffe auf erfolgreiche Kunden bleibt bislang unbelegt. Das Bridgewater-Beispiel zeigt, dass firmeneigenes Fachwissen tatsächlich einen messbaren Vorteil bringen kann – ob dieser Vorteil von Dauer ist, sobald auch die großen Anbieter nachziehen, bleibt jedoch offen.
