Warum Deutschland bei LLMs verliert, aber bei SLMs gewinnen kann

René Obermann hat am 22. April 2026 im Industrie-Club Düsseldorf etwas ausgesprochen, was viele in der deutschen KI-Szene nicht hören wollen. Deutschland und Europa haben beim Wettrennen um Large Language Models gegen die USA keine Chance mehr. Der Vorsprung ist zu groß. Die Investitionen sind zu hoch.

Anthropic alleine investiert 30–40 Milliarden Dollar pro Jahr. Hyperscaler benötigen 6–7 Gigawatt Energie. Ein Kernkraftwerk liefert 1,5 Gigawatt.

Aber dann kam der entscheidende Punkt. "If you can't win the game, change the type of the game." Deutschland muss das Generalist-LLM-Spiel gar nicht gewinnen. Es kann ein anderes Spiel spielen und dort dominieren.

Die deutsche Chance liegt bei Small Language Models

Wo Deutschland tatsächlich Vorsprung hat: in der hohen Dichte an Tiefenwissen. Sensorik. Manufacturing. Diagnostik. Lasertechnologie. Spezialisierte Industrieprozesse. Tiefe Unternehmensdaten, die seit Jahrzehnten akkumuliert wurden.

Genau dort liegt die Chance für Small Language Models. Hochspezifisch. Domänentief. Auf gesicherten APIs trainiert. Mit echtem Industrie-Know-how gefüttert. Nicht das Modell, das alles kann — sondern das Modell, das in seiner Domäne unschlagbar ist.

Wir sehen das bei unseren Kunden täglich. Ein globales Marktforschungsinstitut mit 40 Jahren proprietärer Daten. Eine Anwaltskanzlei mit hochspezifischem Regulierungs-Know-how. Ein Immobilienunternehmen mit lokaler Marktintelligenz. Sie gewinnen nicht durch generische Chatbots. Sie gewinnen durch KI, die tief in ihre spezifischen Prozesse eingebettet ist.

Europa ist dramatisch hinterher

Obermanns andere Diagnosen waren ernüchternd. Beim Zugang zum Weltraum: 180 US-Raketenstarts pro Jahr, eine ähnliche Zahl in China, 8 in Europa. Iran nutzt mittlerweile Baidu aus China als GPS-Alternative. Starlink steht in Europa nicht zur Verfügung.

Bei der Verteidigung: 750 Milliarden Euro Verteidigungsausgaben — und ein Vergabeprozess, der so überbürokratisiert ist, dass innovative Unternehmen kaum andocken können. Eine Combat Cloud existiert in Europa nicht. Daten ja, aber keine Integration, keine Analytik.

Palantir liefert in den USA. In Europa gibt es kein vergleichbares Produkt — nicht aus Mangel an Talent, sondern aus Mangel an Beschaffungs-Geschwindigkeit.

Hybride Kriegsführung läuft seit Jahren. Trollfabriken. Cyberattacken bis zum Bundestag. Spionage. Unterseekabelattacken. Propaganda im Space. Die Verteidigung Europas dagegen ist nahezu nicht vorhanden.

Lichtblicke gibt es trotzdem

Helsing. Auterion. Quantum Systems. Parloa. Lovable. Isar Aerospace. Proxima Fusion mit magnetbasierter Kernfusion. Marvel Fusion mit laserbasierter Fusion. Eine neue Generation europäischer Tech-Unternehmen zeigt, dass Innovation hier durchaus möglich ist — wenn die Beschaffungs- und Regulierungsmaschinerie sie nicht ausbremst.

Was wir daraus mitnehmen

Obermanns SLM-Diagnose ist genau die Strategie, die in der KI-Praxis funktioniert. Nicht das nächste ChatGPT bauen. Die zehntausend SLMs bauen, die in den Industrien wirklich gebraucht werden. Deutsche Unternehmen haben Jahrzehnte an Domänenwissen akkumuliert. Dieses Wissen in spezialisierte KI-Modelle zu gießen — das ist die echte Chance.

KI-Regulierung verlangsamt die Adaptionsrate hierzulande messbar. Obermann nannte 15–50%. Das ist real. Das ist ein Standortnachteil. Gleichzeitig ist es kein Grund zum Aufgeben. Es ist ein Grund, gezielter zu arbeiten.

Nicht in Schockstarre fallen. Den Spielbereich wechseln, in dem wir gewinnen können. Das ist der Appell, den wir teilen.

Häufig gestellte Fragen

Warum kann Deutschland bei Large Language Models nicht mithalten?

Die Investitionen sind zu hoch — Anthropic alleine investiert 30–40 Milliarden Dollar pro Jahr. Hyperscaler benötigen 6–7 Gigawatt Energie, während ein Kernkraftwerk nur 1,5 Gigawatt liefert. Der Vorsprung der USA ist unaufholbar.

Was sind Small Language Models und warum sind sie Deutschlands Chance?

SLMs sind hochspezialisierte KI-Modelle, die auf spezifische Domänen trainiert sind. Deutschland hat dichte Expertise in Sensorik, Manufacturing, Diagnostik und Industrieprozessen — perfekt für SLMs, die in ihrer Nische unschlagbar sind.

Wie sehr verlangsamt KI-Regulierung die deutsche Adoption?

Obermann nannte 15–50% Verlangsamung durch ex ante-Regulierung. Das ist ein messbarer Standortnachteil, aber kein Grund aufzugeben — sondern ein Grund, gezielter zu arbeiten.

Welche europäischen KI-Unternehmen gibt es als Lichtblicke?

Helsing, Auterion, Quantum Systems, Parloa, Lovable, Isar Aerospace, Proxima Fusion und Marvel Fusion zeigen, dass Innovation in Europa möglich ist — wenn Beschaffung und Regulierung nicht ausbremsen.

Wie können deutsche Unternehmen ihre KI-Strategie anpassen?

Fokus auf domänenspezifische SLMs statt generische LLMs. Jahrzehntelang akkumuliertes Industrie-Know-how in spezialisierte KI-Modelle einbetten, die in ihrer Nische unschlagbar sind.