Wer über KI liest, liest über Größe. Rechenzentren mit dem Strombedarf einer Großstadt, Chips, die man in Lieferketten-Kriegen verteilt, Modelle mit immer mehr Parametern. Das ist ein echtes Rennen, und es ist wichtig. Es ist nur nicht das Rennen, das ein Industrieunternehmen gewinnen muss.
Eine Werkleiterin fragt nicht, wie viele Gigawatt hinter einer Antwort stehen. Sie fragt, was eine richtige Antwort kostet, wie schnell sie kommt und ob die Daten dafür das Haus verlassen. Aus dieser Perspektive sieht die Zukunft der Industrie-KI anders aus: kleiner, spezieller und näher an der Maschine.
Strom ist in Deutschland teuer, und das bleibt ein Faktor
Für Nicht-Haushaltskunden mit einem Jahresverbrauch zwischen 500 und 2.000 Megawattstunden kostete Strom im zweiten Halbjahr 2025 im EU-Schnitt 18,37 Euro je 100 Kilowattstunden. In Deutschland waren es 22,64 Euro, der dritthöchste Wert in der EU, in Finnland 7,48 Euro (Eurostat). Das Statistische Bundesamt nennt die im internationalen Vergleich hohen Arbeits- und Energiekosten ausdrücklich als einen Grund für die schwierige Lage der exportorientierten Industrie (Destatis).
Für den einzelnen Betrieb ist das zuerst eine Standortfrage, keine Frage des Preises pro Antwort. Wer KI pro Aufruf aus einer Cloud bezieht, zahlt den Strom nur indirekt mit, im Preis des Anbieters. Direkt zählt er dort, wo Rechenzentren gebaut werden, und dort, wo Modelle im eigenen Haus laufen. Wer in Europa KI vor allem über rohe Rechenleistung skalieren will, spielt deshalb ein Spiel, bei dem die Regeln gegen ihn stehen. Das ist keine Absage an KI. Es ist eine Aufforderung, sie anders zu bauen.
Wie Arbeit in der Fabrik wirklich aussieht
Schau dir an, welche Fragen in einem Industriebetrieb jeden Tag anfallen. Gehört diese Reklamation zu einem bekannten Fehlerbild? Welche Zeichnungsrevision gilt für diesen Auftrag? Liegt dieser Messwert innerhalb der Prüfgrenze? Welche Bestellung passt zu diesem Lieferschein? Ist diese Anfrage vollständig, oder fehlt die Werkstoffangabe?
Diese Fragen sind schmal, häufig und wiederholen sich. Sie verlangen Genauigkeit, keinen Esprit. Kein Mensch würde für sie einen Universalgelehrten einstellen, und kein vernünftiges System sollte für jede von ihnen das größte Modell der Welt befragen.
Nimm die Reklamation als Beispiel. Ein Kunde schickt drei Fotos und zwei Sätze. Die Aufgabe ist, das Schreiben einem von vielleicht vierzig bekannten Fehlerbildern zuzuordnen, die betroffene Charge zu nennen und die passenden früheren Fälle beizulegen. Dafür braucht das Modell kein Weltwissen über Lyrik, Steuerrecht oder Geschichte. Es braucht die vierzig Fehlerbilder, die Chargendaten und die alten Fälle, und es muss in dieser engen Welt zuverlässig sein.
Eine Forschungsgruppe hat genau das als These formuliert: In agentischen Systemen erledigen Sprachmodelle meist wenige spezialisierte Aufgaben, wiederholt und mit wenig Abwechslung. Dafür seien kleine Sprachmodelle ausreichend leistungsfähig, besser geeignet und notwendigerweise wirtschaftlicher; große Modelle brauche es dort, wo offenes Gespräch gefragt ist (Belcak et al.). Das ist ein Positionspapier, kein Naturgesetz. Aber es beschreibt die Fabrik besser als jede Schlagzeile über Rechenzentren.
Die Kurven laufen in dieselbe Richtung
Hinzu kommt, dass kleine Modelle immer leistungsfähiger werden. Vor allem durch sie fielen die Kosten für ein System auf dem Niveau von GPT-3.5 zwischen November 2022 und Oktober 2024 um mehr als das 280-Fache. Die Kosten für KI-Hardware fielen um etwa 30 Prozent pro Jahr, die Energieeffizienz stieg um etwa 40 Prozent pro Jahr (Stanford AI Index). Und der Preis, ein festes Leistungsniveau zu erreichen, sank in den gemessenen Fällen je nach Aufgabe um das 9- bis 900-Fache pro Jahr, im Median um das 50-Fache. Ob die schnellsten Rückgänge anhalten, ist nach Aussage der Forschenden offen (Epoch AI).
Übersetzt heißt das: Viele Modelle sind inzwischen gut genug für eine klar umrissene Aufgabe, und dieselbe Aufgabe ist bisher jedes Jahr günstiger geworden. Wer heute eine schmale Aufgabe sauber definiert, bekommt, wenn der Trend hält, morgen dieselbe Qualität für weniger Geld und weniger Strom.
Was daraus für die Architektur folgt
Die naheliegende Bauweise sieht so aus: Eine Steuerung entscheidet, was für eine Frage gerade ansteht. Die schmalen, häufigen Fragen gehen an kleine, spezialisierte Modelle. Nur die offenen, ungewöhnlichen Fragen, für die man wirklich breites Wissen braucht, gehen an ein großes Modell.
Das hat drei Vorteile, die über Strom hinausgehen. Erstens die Antwortzeit: Ein kleines Modell antwortet schneller, und am Band oder an der Hotline zählt jede Sekunde. Zweitens die Kosten pro Antwort, die sich planen lassen, weil die häufigen Fälle günstig bleiben. Drittens der Ort: Kleine Modelle können nah an den Daten laufen, im eigenen Rechenzentrum oder in einer europäischen Cloud. Damit beantwortet die Architektur gleich eine der häufigsten Fragen im Mittelstand: Wohin gehen unsere Daten?
Auch die Rechnung ändert sich. Ein großes Modell, das für jede Kleinigkeit aufgerufen wird, erzeugt Kosten, die mit jedem neuen Anwendungsfall steigen und schwer vorherzusagen sind. Eine Flotte kleiner Spezialisten macht die häufigen Fälle billig und hebt das teure Modell für die wenigen Fälle auf, in denen es seinen Preis wert ist. So wird KI von einem Experiment zu einer Betriebsausgabe, die sich planen lässt.
Der Preis für diese Bauweise ist Disziplin. Jemand muss die Aufgaben beschreiben, Beispiele sammeln, prüfen, ob die Antworten stimmen. Aber genau diese Arbeit lohnt sich ohnehin, egal welches Modell am Ende antwortet.
Europas Vorteil sind nicht Watt
Europa wird das Rennen um die größten Rechenzentren nicht über den Strompreis gewinnen. Es muss dieses Rennen aber auch nicht gewinnen, um bei Industrie-KI vorn zu sein. Der eigentliche Vorteil liegt woanders: in Jahrzehnten an Produktions- und Prozesswissen, in präzise beschriebenen Abläufen, in Normen und Prüfvorschriften, die genau festlegen, was eine richtige Antwort ist.
Das sind die besten Voraussetzungen für kleine, spezialisierte Modelle. Sie brauchen keine Gigawatt. Sie brauchen gute Daten und klare Aufgaben.
Unsere Einschätzung
Einschätzung, keine Tatsache: Bis Ende 2027 geht in einem typischen Industrieunternehmen der Großteil der KI-Aufrufe an kleine oder mittelgroße, spezialisierte Modelle. Der Anteil der Ausgaben für das größte Universalmodell sinkt, auch wenn die Nutzung insgesamt wächst.
Die Frage für die nächste Investitionsrunde ist deshalb nicht, wie viel Rechenleistung du dir leisten kannst. Sie lautet: Welche zehn Fragen stellt dein Betrieb jeden Tag tausendmal, und wie klein darf das Modell sein, das sie richtig beantwortet?
Quellen
- Eurostat, 08.05.2026: Non-household electricity prices in 2nd half of 2025: -3.5%
- Statistisches Bundesamt (Destatis), 15.01.2026: Bruttoinlandsprodukt 2025 für Deutschland (Statement zur Pressekonferenz)
- Belcak et al., arXiv, 02.06.2025: Small Language Models are the Future of Agentic AI
- Stanford HAI, Apr. 2025: The 2025 AI Index Report
- Epoch AI, 12.03.2025: LLM inference prices have fallen rapidly but unequally across tasks
