Die Woche hat gezeigt, wie weit KI-Regulierung noch von systematischer Governance entfernt ist. Die Freigabe von OpenAIs Sol-Modell lief offenbar über informelle Kabinettsgespräche – ohne klare Zuständigkeiten, dafür mit bemerkenswerter Nähe zwischen Technologiekonzernen und Regierung. Was fehlt, ist nicht Tempo, sondern Struktur.

Gleichzeitig verschärft sich der geopolitische Rahmen für Unternehmen mit internationalem Geschäft. Chinas neue Gegensanktionsgesetze zwingen Firmen zur expliziten Positionierung in Konflikten, die bislang Staaten untereinander austrugen – ein strukturelles Problem, das besonders den Mittelstand ohne eigene Rechtsabteilung hart trifft.

Wer im Corporate M&A mit fragmentierten Tools und manueller Recherchearbeit arbeitet, kennt das: zwei, drei Wochen für eine Longlist. StrategyBridgeAI bündelt Target Research, Market-Intelligence und Due Diligence in einem durchgängigen Workflow – und macht daraus zwei bis drei Nachmittage. Einen ersten Eindruck gewinnen Sie hier mit 30 kostenlosen Targets.

Damit das KI-Briefing für Sie maximal nützlich bleibt, freuen wir uns über Ihr Feedback. Teilen Sie uns gerne mit, welche Impulse für Sie am wertvollsten sind – und helfen Sie dabei, unser Briefing in Ihrem Netzwerk bekannt zu machen. Gemeinsam können wir eine Community aufbauen, die voneinander lernt und sich gegenseitig stärkt. Falls Sie diesen Newsletter weitergeleitet bekommen haben, können Sie sich ganz einfach hier anmelden.

Regulierung

Zusammenfassung: OpenAI hat sein Spitzenmodell Sol für die breite Öffentlichkeit freigegeben. Wie genau die staatliche Genehmigung zustande kam, ist unklar – selbst für Branchenexperten und Mitarbeiter der Frontier-Labore. Gespräche fanden offenbar auf Kabinettsebene statt, belastbare Prüfprozesse fehlen jedoch. Ein Exekutivdekret vom vergangenen Monat skizziert zwar einen Rahmen für die Bewertung solcher Modelle, konkrete Zuständigkeiten sollen aber erst bis Anfang August festgelegt werden.

Warum das wichtig ist: Das eigentliche Problem ist kein technisches, sondern ein strukturelles. Wenn Freigabeentscheidungen für Modelle auf dem Niveau potenzieller Dual-Use-Technologie über informelle Kabinettsgespräche laufen, entsteht ein System, das auf persönlichen Beziehungen statt auf Expertise beruht. Das begünstigt Unternehmen mit politischen Zugängen und benachteiligt alle anderen – ein klarer Wettbewerbsverzerrung. Langfristig untergräbt diese Intransparenz die gesellschaftliche Akzeptanz der Technologie und liefert Argumente für weitaus schärfere Regulierung durch künftige Regierungen.

In Kooperation mit The Pioneer

Zusammenfassung: Das unabhängige Medienunternehmen The Pioneer, gegründet von Gabor Steingart, veranstaltet am 23. und 24. September 2026 die MyWay 2026 – den Strategiegipfel der Familienunternehmen – im Westhafen Berlin. Unter dem Motto „Zukunft kommt von Zuversicht.“ treffen Unternehmer, CEOs, Gründer, politische Entscheider und führende Köpfe aus Wirtschaft, Technologie und Geopolitik zusammen.

Warum das wichtig ist: Die MyWay richtet den Blick nicht auf abstrakte Zukunftsdebatten, sondern auf konkrete Entscheidungen: Wie wird KI vom Experiment zum Produktivitätshebel? Wie entstehen aus digitaler Infrastruktur echte Standortvorteile? Wie sichern Unternehmen in einer neuen geopolitischen Ordnung ihre Lieferketten, Märkte und Investitionen? Und wie gelingt Transformation, ohne die eigene unternehmerische Identität zu verlieren? Wenn diese Themen auch für Sie entscheidend sind, dann sichern Sie sich jetzt Ihr Ticket für die MyWay 2026 und profitieren von einem exklusiven 10% Preisnachlass mit dem Code: KI-Briefing_10_MYWAY2026_BERLIN

—> Jetzt exklusiven Ticket-Rabatt sichern

Exportkontrollen

Zusammenfassung: Seit März 2026 hat Peking zwei neue Verordnungen erlassen, die Chinas Vergeltungsfähigkeit gegenüber westlichen Sanktionen und Exportkontrollen erheblich ausweiten. Ein drittes Gesetz befindet sich im Entwurfsstadium. Multinationale Unternehmen geraten dadurch zwischen widersprüchliche Rechtspflichten: US- und EU-Sanktionsregeln auf der einen, chinesische Gegensanktionen auf der anderen Seite. Verstöße können Vermögenssperren, Investitionsbeschränkungen und Handelsverbote zur Folge haben.

Warum das wichtig ist: Peking schafft bewusst Rechtsunsicherheit als strategisches Instrument. Konzerne mit China-Geschäft können US-Sanktionspflichten nicht mehr routinemäßig umsetzen, ohne chinesisches Recht zu riskieren – und umgekehrt. Das zwingt Unternehmen zur expliziten Positionierung in geopolitischen Konflikten, die bislang die Staaten allein austrugen. Mittelfristig beschleunigt dies die operative Entflechtung globaler Lieferketten und erhöht den Druck auf Firmen, parallele Strukturen für China- und Westgeschäft aufzubauen. Kleine und mittelgroße Unternehmen ohne eigene Rechtsabteilungen trifft das überproportional hart.

Urheberrecht

Zusammenfassung: Die New York Times und The Daily News erheben schwere Vorwürfe gegen OpenAI im laufenden Urheberrechtsprozess. OpenAI habe trotz gegenteiliger gerichtlicher Beteuerungen intern bereits Suchabfragen auf dem Trainingskorpus durchgeführt und eine Datenbank mit 78 Millionen anonymisierten ChatGPT-Gesprächen angelegt. Zusätzlich soll OpenAI nach Klageeinreichung Milliarden von Chatprotokollen gelöscht und eine angeforderte Stichprobe so stark geschwärzt haben, dass sie gerichtlich als „nicht verwendbar" eingestuft wurde.

Warum das wichtig ist: Dieser Fall könnte zur Blaupause für den gesamten Umgang mit Trainingsdaten in KI-Rechtsstreitigkeiten werden. Sollten die Vorwürfe zutreffen, stünde OpenAI nicht nur vor Sanktionen wegen Beweisvereitelung, sondern hätte intern längst dokumentiert, was das Unternehmen öffentlich bestritt. Das wäre ein schwerwiegender Glaubwürdigkeitsverlust. Für die Branche insgesamt erhöht sich der Druck, Trainingsdatenpraktiken offenzulegen. Regulierer in der EU und den USA werden den Ausgang aufmerksam verfolgen, da er Präzedenzcharakter für die Durchsetzbarkeit von Urheberrecht gegenüber Foundation-Model-Anbietern hat.

Foundation Model

Zusammenfassung: OpenAI hat die GPT-5.6-Modellfamilie allgemein verfügbar gemacht. Die Familie umfasst drei Stufen: Sol als Flaggschiff, Terra als Mittelklassemodell und Luna als kosteneffizienteste Variante. Sol übertrifft laut OpenAI Anthropics Claude Fable 5 auf dem Benchmark „Agents' Last Exam" um über 13 Punkte, bei einem Viertel der geschätzten Kosten. Die Modelle sind ab sofort über ChatGPT, Codex und die OpenAI-API verfügbar.

Warum das wichtig ist: OpenAI verschiebt den Wettbewerbsrahmen bewusst von der reinen Benchmark-Überlegenheit hin zu Kosten-Leistungs-Verhältnissen. Damit greift das Unternehmen Anthropic und Google dort an, wo Enterprise-Einkäufer am empfindlichsten sind: beim Token-Preis bei gleichwertiger Ausgabequalität. Das dreigliedrige Modellsystem senkt zudem die Einstiegshürde für kleinere Unternehmen, ohne Premiumnutzer zu verprellen. Langfristig gefährlicher ist die Selbstbeschleunigungs-These: Wenn KI-Modelle die eigene Forschungsproduktivität messbar steigern, entsteht ein Entwicklungsvorteil, den Wettbewerber ohne vergleichbare interne Nutzungsdichte nur schwer aufholen können.

Technologie

Zusammenfassung: Das Startup PrismML hat Alibabas Open-Source-Modell Qwen 3.6 mit 27 Milliarden Parametern auf unter 4 Gigabyte komprimiert – von ursprünglich 54 Gigabyte – und damit auf dem iPhone 17 Pro zum Laufen gebracht. Apple hat bereits Gespräche mit PrismML geführt. Das Modell soll komplexe Aufgaben wie autonome Agenten und Programmierung direkt auf dem Gerät ausführen. Der Open-Source-Download ist für kommende Woche angekündigt.

Warum das wichtig ist: Sollte sich PrismMLs Kompressionsverfahren in der Praxis bewähren, verschiebt sich die Grundannahme der KI-Infrastruktur. Für Apple wäre es ein Ausweg aus der teuren und strategisch unkomfortablen Abhängigkeit von Google Cloud. Für die gesamte Branche stellt sich die Frage, ob der milliardenschwere Rechenzentrumsaufbau von Microsoft, Amazon und Meta langfristig in dem Umfang notwendig bleibt. Gerätehersteller, die On-Device-KI beherrschen, könnten Datenschutzvorteile ausspielen und Cloud-Anbieter unter Margendruck setzen.

Bildung

Zusammenfassung: Wirtschaftsprofessor Roberto Serrano der Brown University entdeckte massenhaften KI-Betrug in seinem Kurs, nachdem 86 Studierende im Take-Home-Midterm einen Durchschnitt von 96 von 100 Punkten erzielt hatten – historisch lag er zwischen 65 und 80. Als er die Abschlussprüfung kurzfristig auf Präsenzformat umstellte, brach der Schnitt auf 48 Punkte ein. 27 Studierende, darunter 22 mit Bestnote im Midterm, traten gar nicht erst an.

Warum das wichtig ist: Der Fall Serrano ist ein Stresstest für das Hochschulsystem im KI-Zeitalter. Er zeigt, dass selbst leistungsstarke Studierende an Eliteuniversitäten kurzfristige Optimierung über Kompetenzaufbau stellen, sobald die Anreizstruktur es zulässt. Das ist kein individuelles Versagen, sondern ein strukturelles Problem. Universitäten, die keine klaren Prüfungsformate und Konsequenzen durchsetzen, verlieren ihre Kernfunktion als Beglaubigungsinstanz für Qualifikationen. Für Arbeitgeber, die Hochschulabschlüsse als Kompetenznachweis nutzen, entsteht ein ernstes Glaubwürdigkeitsproblem – mit Folgen weit über den Campus hinaus.

KI-Chips

Zusammenfassung: Meta beginnt im September mit der Serienproduktion seines KI-Chips „Iris", entwickelt gemeinsam mit Broadcom und gefertigt bei TSMC. Das geht aus einem internen Schreiben hervor, das Reuters einsehen konnte. Ziel ist es, die Abhängigkeit von Nvidia und AMD zu reduzieren und die Kosten beim Ausbau der KI-Infrastruktur zu senken. 2026 investiert Meta einen dreistelligen Milliardenbetrag in Rechenzentren mit sieben Gigawatt Leistungsaufnahme.

Warum das wichtig ist: Jeder große Technologiekonzern, der erfolgreich eigene KI-Chips in Produktion bringt, entzieht Nvidia direkt Umsatz und schwächt dessen Preissetzungsmacht. Gelingt Meta die Skalierung von Iris, steigt der Druck auf andere Plattformkonzerne, ähnliche Eigenentwicklungen voranzutreiben. Nvidia verliert damit nicht nur einen Großkunden, sondern auch das Narrativ der Unersetzbarkeit. Für den Halbleitermarkt insgesamt verschiebt sich die Nachfrage weg von Standardprodukten hin zu kundenspezifischen Lösungen, was Auftragsfertigern wie TSMC und Designpartnern wie Broadcom dauerhaft zugutekommt.

KI zwischen Experiment und Prognose

Hört man manchen Entscheidungsträgern zu, so könnte man meinen, KI sei eine Glaskugel. Man muss nur genug Daten reingeben, dann berechnet sie uns die Zukunft. Diese Erwartung verkennt aber nicht nur die Funktionsweise von KI, sondern den Kern von Erkenntnisprozessen selbst. Um zu verstehen, wo KI leistungsfähig ist und wo nicht, muss man ebenso verstehen, wie menschliche Erkenntnis funktioniert – und wo sich KI von dieser unterscheidet: Menschliche Erkenntnis speist sich nicht aus Datensätzen, sie speist sich aus gelebter Erfahrung. Und genau deshalb ist sie KI bei vielen Arten der Vorhersagen überlegen. Wer diese Überlegenheit nicht genau versteht, läuft Gefahr, KI an falscher Stelle einzusetzen.

Versteht man menschliche Erfahrung nach einem phänomenologischen Ansatz, wird klar, dass individuelle Lebenserfahrung immer auch leibliche Erfahrung ist. Der menschliche Welt-Kontext ist nicht nur systematisch lernend, sondern frei assoziativ durch eine individuelle Biografie bestimmt. Wir ziehen Parallelen, erkennen Muster über Bereiche hinweg, spüren mitunter rein intuitiv, wenn ein Ereignis aus einem anderen Kontext auf die Lage vor uns durchschlägt. Wir leben in multidimensionalen Erfahrenskontexten. Sie zeichnen sich nicht durch Datenmenge oder Datenvielfalt aus, sondern durch einzigartige, unlogische Zusammenhänge diverser Kontextfelder, die aus individueller, verkörperter Lebenspraxis entstehen.

Weder Mensch noch KI sagt die Zukunft je perfekt voraus, das liegt in der Natur der Sache. Doch in dieser spontanen, individuellen Art des Erfahrungshorizonts, scheint ein menschlicher Vorteil bei Vorhersagen zu liegen – der empirisch gut dokumentiert ist. Beispielsweise wurde bei den Prognoseturnieren der Plattform Metaculus festgestellt, dass menschliche Superforecaster die besten KI-Bots von 2024 bis 2025 hinweg durchgehend schlagen. Eine Auswertung von elf weiteren Analysen im EA Forum bestätigt das Bild. Zwar nähern sich die Bots dem Niveau der Profis an, doch in allen Turnieren gilt weiterhin, dass Menschen die Nase vorn haben. Der Rückstand ist gering, aber beständig. Wo die Zukunft offen ins Feld greift, bleibt der Mensch vorn.

Dabei gibt es eine klare Ausnahme: KI ist in Vorhersagen wohl überlegen, sobald der Raum klar abgesteckt ist. Domänenspezifische Modelle konnten Menschen bei Zukunftsprognosen übertreffen, allerdings ausschließlich in engen, für einen bestimmten Zweck gebauten Domänen. Geht es also um Datenmengen in klar definierbaren oder logisch aufeinander aufbauenden Kontexten, hat KI einen Vorteil in der schnellen Verarbeitung großer Datenmengen mit teils hochkomplexen Zusammenhängen.

Das eignet KI von eine ganz bestimmte Art von Vorhersagen: für Experimente. Denn die Besonderheit von Experimenten besteht darin, dass sie immer zunächst in abgegrenzten klar definierten Räumen durchgeführt werden, um so ihre Reproduzierbarkeit abzusichern, bevor sie in der Praxis validiert werden können. So sichern wir seit den Anfängen der modernen Wissenschaft valide Thesen, die sich in der realen Welt beweisen.

Die Eignung von KI für iterative Forschungsprozesse im Feld komplexer Experimente belegt kein Feld deutlicher als die Wirkstoffforschung. Laut IntuitionLabs befinden sich Anfang 2026 bereits 173 KI-originierte Wirkstoffprogramme in klinischer Entwicklung, bei einem Marktvolumen von etwa 2,6 Milliarden Dollar und Phase-I-Erfolgsquoten von 80 bis 90 Prozent gegenüber historisch rund 52 Prozent. KI-Agenten planen Experimente, führen sie durch und interpretieren Ergebnisse. Zugleich mahnen Experten zur Vorsicht: Auch Forschungsergebnisse aus KI-gestützen Experimenten müssen sich am Ende real beweisen.

Daraus folgt eine klare Konsequenz. Wer KI jetzt schon mit hochwertigem Output einsetzen will, muss wissen wofür. Nicht für Vorhersagen, sondern für Experimente. Experimente, in denen durchaus riesige Datenmengen verarbeitet werden können, die aber in geschlossenen Räumen stattfinden. Experimente, die sich an den klassischen wissenschaftlichen Best Practices orientieren und sich in der realen Welt an realer Erfahrung beweisen müssen. Wer dagegen wirklich mit KI die Zukunft deuten will, der muss auf aktuelle Entwicklungen in der KI-Forschung hoffen. Um Vorhersagen in einer offenen, multidimensionalen Welt zu treffen, müsste KI neben ihrer Fähigkeit große Datenmengen schnell zu verarbeiten eine eigene, inkosistente Erfahrungswelt bekommen, sprich eine Biografie und womöglich sogar einen Körper mit diversen Sinnen. Genau daran arbeiten die derzeit größten DeepTech-Wetten. Yann LeCun sammelte eine Milliarde Dollar für eine KI, die die physische Welt versteht, und Fei-Fei Lis World Labs entwickelt eine KI auf Basis räumlicher Intelligenz.

Ob man schlussendlich KI diese Art von Erfahrungshorizont geben will, muss Teil einer ethischen Debatte sein. Stand Jetzt ist der Mensch der KI in der vorausschauenden Interpretation über Kontexte hinweg jedenfalls noch überlegen. Sich dessen bewusst zu sein und zwischen Experiment im geschlossenen und Vorhersage im offenen Raum zu unterscheiden, kann daher über Erfolg und Scheitern ganzer Investitionsstrategien entscheiden.

Podcast

Impuls der Woche: Dwarkesh Podcast – AI is discovering new proofs. Is that AGI?

Inhalt: Das Gespräch zeigt, warum mathematische Durchbrüche durch KI kein Beleg für AGI sind – und weshalb gerade Mathematik der härteste Prüfstein für die eigentlichen Grenzen aktueller Modelle ist. Im Zentrum steht die These, dass nicht das Beweisen von Sätzen, sondern das Entwickeln neuer Definitionen, Objekte und Forschungsrichtungen die eigentliche Hürde bleibt – eine Fähigkeit, die sich kaum als Benchmark formulieren lässt. Besonders produktiv ist die Analyse, warum mathematische Fortschritte durch KI derzeit grindbar und verifizierbar sein müssen, und weshalb genau das die Grenzen dessen zeigt, was als Nächstes kommen kann.

Kontext: Der Dwarkesh Podcast von Dwarkesh Patel ist eines der anspruchsvollsten Interviewformate im englischsprachigen Raum zu Themen an der Schnittfläche von KI, Wissenschaft und gesellschaftlichem Wandel. Für Entscheider ist diese Folge relevant, weil sie anhand von Mathematik exemplarisch durcharbeitet, welche Tätigkeiten KI automatisieren kann und welche nicht – und was das für Wissensarbeit, Ausbildung und strategische Planung bedeutet.

Ihre Meinung interessiert uns

Ergebnisse der vorherigen Umfrage

Wie beurteilen Sie die Fähigkeit Ihrer Organisation, die Datenbasis bereitzustellen, die KI-Agenten für zuverlässige Entscheidungen benötigen?

🟨⬜️⬜️⬜️⬜️⬜️ 🏗️ Solides Fundament:
🟨🟨🟨🟨⬜️⬜️ 🧩 Flickenteppich-Realität
🟩🟩🟩🟩🟩🟩 🏚️ Strukturelles Erbe
⬜️⬜️⬜️⬜️⬜️⬜️ 🌫️ Keine ehrliche Antwort möglich

Geschäftsmodelle

Es gehört zu den wiederkehrenden Mustern technologischer Umbrüche, dass die Anbieter einer neuen Basistechnologie ihre Preissetzungsmacht für dauerhaft halten. Drei Jahre lang konnten OpenAI und Anthropic weitgehend allein bestimmen, was Zugang der zur maschinellen Intelligenz kostet, wie abgerechnet wird und welche Bedingungen gelten. Die Kunden zahlten, weil die Alternativen fehlten und die Erwartungen an Produktivitätsgewinne alles zu rechtfertigen schienen. Doch mit den ersten belastbaren Bilanzen dieses Einsatzes kehrt in die Vorstandsetagen jene nüchterne Rationalität zurück, die jeder Hype-Phase früher oder später folgt. Was gegenwärtig unter dem Begriff der Tokenpanik firmiert, ist weniger ein Kostenschock als das Ende einer kurzen Ausnahmesituation.

Die Geschichte der industriellen Moderne kennt dieses Muster in zahlreichen Varianten. Ob Eisenbahn, Elektrifizierung oder frühe Unternehmenssoftware – jede Basistechnologie durchläuft eine Phase, in der ihre Erfinder die Konditionen diktieren, gefolgt von einer längeren, in der die Anwender ihre Bedingungen erzwingen. Der eigentliche wirtschaftliche Nutzen einer Technologie entfaltet sich in aller Regel erst in dieser zweiten Phase, wenn Standardisierung, Wettbewerb und Wahlmöglichkeiten den Preis von der Erfindung entkoppeln. Die derzeit sichtbare Rebellion der KI-Kunden ist damit weniger eine Krise als ein Reifezeichen des Marktes.

Bemerkenswert ist weniger die Höhe der Kosten als deren Intransparenz. Wenn ein neues Modell denselben Auftrag in rund dreißig Prozent mehr Abrechnungseinheiten zerlegt, ohne dass diese Verteuerung in der offiziellen Preisliste erscheint, verlässt die Branche jene Vertragskultur, auf der belastbare Geschäftsbeziehungen beruhen. Hinzu kommt eine geopolitische Abhängigkeit, die im Juni sichtbar wurde, als eine Exportbeschränkung aus Washington Entwicklerteams außerhalb der USA über Nacht arbeitsunfähig machte. Wer zentrale Produktivitätsprozesse an eine Infrastruktur bindet, die durch eine Verfügung einer fremden Regierung deaktiviert werden kann, betreibt keine Digitalisierung, sondern verlagert unternehmerisches Risiko in einen Bereich, den er selbst nicht mehr steuert.

Die Antwort darauf entsteht derzeit in einer bemerkenswerten Konstellation aus chinesischen Open-Source-Modellen, europäischen Router- und Orchestrierungsplattformen und einer wachsenden Zahl von Konzern-IT-Abteilungen, die den Einsatz von Modellen konsequent an die tatsächliche Aufgabe koppeln. Für Standardanfragen genügt ein kleines, günstiges Modell, für komplexe Analysen bleibt das Frontier-Modell reserviert. Dass ausgerechnet chinesische Anbieter westlichen Unternehmen die Wahlfreiheit zurückgeben, ist ein widersprüchlicher Befund, aber ein aufschlussreicher. Technologische Souveränität entsteht nicht durch politische Absichtserklärungen, sondern durch verfügbare Alternativen, an denen westliche Anbieter bislang nur zögerlich arbeiten.

Die entscheidende Verschiebung liegt damit weniger in der Technik als im Verhältnis zwischen Anbietern und Kunden. Nicht das Modell mit der höchsten Benchmark-Punktzahl setzt sich durch, sondern jenes mit der besten Kombination aus Qualität, Geschwindigkeit und Kosten. Für OpenAI und Anthropic bedeutet das, dass ihre Spitzenmodelle unverzichtbar bleiben werden, ihre Preissetzungsmacht aber nicht. Das ist keine Krise der Technologie, sondern die Normalisierung eines Marktes, der zu lange von seinen eigenen Versprechen lebte.

Sie sind einer anderen Meinung? Oder Sie wollen einen Gastbeitrag veröffentlichen? Schreiben Sie uns gerne eine E-Mail indem Sie einfach auf diese Mail antworten.

Strategische Arbeit

Problemstellung: Strategische Entscheidungen in Unternehmen stützen sich oft auf verstreutes Wissen, das in Tabellen, Positionierungsdokumenten und Köpfen einzelner Mitarbeiter liegt. Ohne strukturierten Zugriff auf diese Grundlagen bleiben Analysen unvollständig und schwer nachvollziehbar. Zugleich fehlt vielen Führungskräften eine Methode, um KI-Output systematisch mit eigenem Fachurteil abzugleichen.

Lösung: Das BlackMountain° Strategy Studio bündelt ein leistungsfähiges Sprachmodell mit einer klar getrennten Wissens- und Anweisungsebene zu einer festen Arbeitsumgebung. In der Wissensebene werden Grundlagen wie die eigene Positionierung sowie strukturierte Daten die den Status Quo abbilden hinterlegt. In der Anweisungsebene wird das Ziel, die Strategie-Prinzipien und die Verantwortlichkeiten im Team definiert. Das Modell arbeitet ausschließlich auf dieser kuratierten Basis und liefert Empfehlungen, die anschließend einer menschlichen Bewertung unterzogen werden. Ein vorgeschalteter Prompt-Engineering-Schritt sorgt dafür, dass die Fragestellungen präzise und wiederholbar die tatsächliche Absicht der Planung darstellen.

Anwendungsbeispiele: Ein Geschäftsführer kann Positionierungsentscheidungen prüfen lassen, indem er Marktdaten und eigene Prinzipien gemeinsam einspeist. Im Controlling lassen sich Szenarien aus Tabellen und linearen Berechnungen direkt mit strategischen Zielen verknüpfen. Bei der Aufgabenverteilung hilft die hinterlegte Team-Struktur, Empfehlungen konkreten Verantwortlichkeiten zuzuordnen. Der menschliche Bewertungsschritt erlaubt es, Vorschläge zu verwerfen, anzupassen oder als belastbare Handlungsgrundlage freizugeben. So entsteht ein wiederholbarer Ablauf für strategische Fragen statt einmaliger Einzelabfragen.

Erklärungsansatz: Die Trennung von Wissen und Anweisungen ist entscheidend, weil sie Fakten von Zielvorgaben abgrenzt und die Nachvollziehbarkeit erhöht. Das Sprachmodell greift auf die hinterlegten Dokumente zu und interpretiert sie im Rahmen der vorgegebenen Prinzipien. Der Prompt-Engineering-Schritt verbessert die Qualität der Fragen und reduziert unpräzise oder mehrdeutige Anfragen. Die menschliche Bewertung bleibt bewusst als Kontrollinstanz erhalten, da das Modell selbst keine Verantwortung für die Entscheidung trägt. Nach aktuellem Stand hängt die Ergebnisqualität stark von der Sorgfalt bei der Pflege der Wissensbasis ab.

Fazit: Ein BlackMountain° Strategy Studio verbindet kuratiertes Unternehmenswissen mit klaren Zielvorgaben und einem festen Bewertungsschritt. Es eignet sich für diverse strategische Fragestellungen, ersetzt jedoch nicht das fachliche Urteil der Verantwortlichen. Der Nutzen steht und fällt mit der Pflege der Wissens- und Anweisungsebene.

Bei Interesse melden Sie sich gerne: [email protected]

Surveillance State

Kaum ein Technologieunternehmen der Welt ist tiefer in staatliche Strukturen eingebettet und gleichzeitig weniger öffentlich sichtbar als Palantir. Gegründet von Peter Thiel und Alex Karp im Schatten des 11. September, mit dem erklärten Ziel, das zu leisten, was dem US-Geheimdienst nicht gelungen war: alle verfügbaren Daten so zu verknüpfen, dass künftige Anschläge verhindert werden können. Aus dieser Ursprungsidee ist ein Konzern mit einer Bewertung von bis zu 400 Milliarden Dollar geworden, der heute in nahezu jeden bewaffneten Konflikt der Welt verwickelt ist – und dessen Software tief im Inneren von Regierungen, Militärapparaten und Gesundheitssystemen steckt.

Das Unternehmen betreibt vier zentrale Softwareplattformen: Gotham für Militär und Geheimdienste, Foundry und AIP für kommerzielle Kunden, Apollo für Infrastruktur. Für das US-Verteidigungsministerium powert Palantir das sogenannte Project Maven – ein System, das Schlachtfelddaten, Satellitenbilder und Social-Media-Feeds zu einem einzigen Lagebild zusammenführt. Daneben betreibt es das umstrittene ImmigrationOS für die US-Einwanderungsbehörde ICE, das in Echtzeit Aufenthaltsorte von Migrantinnen und Migranten verfolgt und Trumps Massenabschiebungen operativ unterstützt. Das Wachstum ist bemerkenswert: Im letzten Quartal erzielte Palantir ein Umsatzwachstum von über 80 Prozent – Analysten halten dreistellige Wachstumsraten für realistisch.

In Großbritannien ist das Unternehmen nach den USA zum zweitgrößten Regierungskunden aufgestiegen. Den schillerndsten Fall stellt der NHS-Vertrag dar: Palantir bot seine Dienste während der Pandemie zunächst für symbolische einen Pfund an, sicherte sich so Zugang zu den sensibelsten Gesundheitsdaten der britischen Bevölkerung und gewann schließlich einen 330-Millionen-Pfund-Auftrag für die sogenannte Federated Data Platform – deren Gesamtkosten Kritiker auf nahezu eine Milliarde Pfund schätzen. Interne Dokumente zeigen, dass Palantir-Mitarbeiter dabei unbegrenzten Zugriff auf Patientendaten erhalten haben. Londons Bürgermeister Sadiq Khan sperrte unterdessen einen 50-Millionen-Pfund-Vertrag mit der Metropolitan Police – mit Verweis auf fehlende Transparenz im Vergabeverfahren und ethische Bedenken gegenüber dem Unternehmen.

Was Palantir von anderen Tech-Konzernen unterscheidet, ist nicht allein die Technologie, sondern die ideologische Offenheit, mit der das Unternehmen operiert. Das auf der eigenen X-Plattform veröffentlichte Manifest – mit Forderungen nach nationaler Wehrpflicht, Wiederaufrüstung Deutschlands und Japans sowie einer zentralen Rolle des Silicon Valley für die westliche Verteidigung – hat das Unternehmen zum politischen Blitzableiter gemacht. Kritiker warnen vor Vendor-Lock-in, Datensouveränität und dem strukturellen Einfluss eines privatwirtschaftlichen Akteurs auf staatliche Kerninfrastruktur. Befürworter halten dagegen, dass Palantir schlicht das einzige Unternehmen ist, das diese Komplexität technisch beherrschbar macht. Die eigentliche Frage lautet deshalb nicht, ob die Technologie gut oder böse ist – sondern wer sie kontrolliert, wem sie nützt und welchen Preis Gesellschaften bereit sind zu zahlen.

Werben im KI-Briefing

Das KI-Briefing erreicht eine exklusive Leserschaft aus Wirtschaft, Politik und Zivilgesellschaft – von C-Level-Führungskräften über politische Akteure bis hin zu Vordenkern und Experten. Kontaktieren Sie uns, um maßgeschneiderte Kooperationsmöglichkeiten zu besprechen.

... nehmen wir uns einen der einflussreichsten Texte der jüngeren KI-Geschichte vor: Situational Awareness von Leopold Aschenbrenner. Der ehemalige OpenAI-Forscher skizzierte darin 2024 einen Fahrplan für die KI-Entwicklung bis in die zweite Hälfte des Jahrzehnts – mit konkreten Prognosen zu Modellleistung, geopolitischen Verschiebungen und dem Tempo der Automatisierung. Was hat sich bewahrheitet? Was hat er unterschätzt – und was überschätzt? Ein Realitätscheck, der mehr über den aktuellen Stand der KI verrät als jeder Benchmark.

Wir freuen uns, dass Sie das KI-Briefing regelmäßig lesen. Falls Sie Vorschläge haben, wie wir es noch wertvoller für Sie machen können, spezifische Themenwünsche haben, zögern Sie nicht, auf diese E-Mail zu antworten. Bis zum nächsten mal mit vielen neuen spannenden Insights.

Das strategische Betriebssystem für Entscheidungsträger.

Warteliste…