Ich habe das in den letzten Monaten so oft erklärt, am Küchentisch, am Telefon, im Kundengespräch, immer auf meine einfache Art, dass ich mich entschieden habe, es einmal aufzuschreiben. Dann kann ich künftig den Link schicken. Anlass war ein Artikel bei BASIC thinking mit dem schönen Titel „Frontier-KI: Was zum Teufel ist das überhaupt?". Gute Frage. Hier meine Antwort, vereinfacht, und wie immer so, wie ich das sehe.
Was Frontier-KI heisst
Stell dir eine Schulklasse mit dreissig Kindern vor. Einige sind sehr gut in Mathematik. Andere in Sprachen, in Geschichte, in Chemie. Und dann gibt es eines, das in fast allen Fächern ganz vorne ist. Das Kind ist, vereinfacht gesagt, das Frontier-Modell.
Frontier heisst nichts anderes als: an der Grenze dessen, was technisch gerade möglich ist. Die grossen Modelle der Familien GPT, Claude oder Gemini gehören dazu. Aber nicht jedes Modell aus diesen Familien ist eines; die kleinen Geschwister sind es nicht. Und was heute die Grenze ist, ist in einem Jahr Mittelfeld. Frontier ist kein Zustand, es ist eine Position im Rennen.
Regulierer brauchen eine messbare Linie und ziehen sie beim Trainingsaufwand: Die EU-KI-Verordnung vermutet ab 10 hoch 25 Rechenoperationen im Training ein „systemisches Risiko". Das ist eine Eins mit 25 Nullen. Man muss sich die Zahl nicht merken. Man muss nur wissen, dass es eine Konvention ist, keine Naturkonstante, und dass sie nichts darüber sagt, ob das Modell für deine Aufgabe das richtige ist.
Wie ein Modell überhaupt lernt
Ein klassisches Programm schreibt ein Mensch: Wenn A passiert, tu B. Jede Regel ist von Hand da. Ein Sprachmodell entsteht anders. Man zeigt ihm riesige Mengen Text, Code, Bilder, und es lernt, welche Zusammenhänge wahrscheinlich sind und welche nicht. Dabei werden Milliarden Zahlenwerte angepasst, die sogenannten Parameter. In diesen Parametern steht kein Buch und keine Webseite. Da stehen gelernte Muster.
Warum das Hunderte Millionen kostet
Stell dir vor, du willst einem Menschen eine Million Bücher beibringen. Er muss lesen, verknüpfen, prüfen, wieder lesen. Ein Modell macht das nicht mit einem Gehirn, sondern mit Rechnen, und davon braucht es ungeheuer viel. Tausende Prozessoren werden zusammengeschaltet und rechnen über Monate. Das kostet Strom, Hardware, Gebäude, und am Ende Hunderte Millionen Dollar für einen einzigen Trainingslauf.
Und hier sitzt das häufigste Missverständnis, das ich am Tisch ausräumen muss: Mehr Rechenleistung heisst nicht automatisch mehr Intelligenz. Die Qualität der Daten zählt, die Architektur, das Verfahren, die Feinarbeit danach. Ein kleineres Modell kann bei einer bestimmten Aufgabe besser sein als ein viel grösseres. Das ist keine Ausnahme von der Regel. Das ist die Regel. Ich habe das im Oktober in einem eigenen Artikel beschrieben, es stand gerade in einer Harvard-Studie: Masse hilft, aber nicht überall, und nicht linear.
Kann eine KI plötzlich Dinge, die niemand programmiert hat?
Ja, sie kann Fähigkeiten zeigen, für die niemand eine Anleitung geschrieben hat. Das Wort dafür ist Emergenz. Man trainiert mit Text, Mathematik und Code, und irgendwann löst das Modell Programmieraufgaben, die so nie in den Daten standen. Das wirkt wie ein Sprung.
Ich bin da vorsichtig. Oft entwickeln sich diese Leistungen schrittweise, und erst eine bestimmte Prüfung mit einer bestimmten Schwelle lässt sie wie einen plötzlichen Sprung aussehen. Die Fähigkeit ist echt. Die Erklärung „sie ist einfach entstanden" ist meistens zu kurz. Beobachtete Fähigkeit und wissenschaftliche Erklärung sind zwei verschiedene Dinge, und das sage ich jedem, der mir mit „die KI kann jetzt plötzlich" kommt.
Wann aus einem Chatbot ein Agent wird
Das ist der Punkt, an dem die meisten Artikel schummeln. Sie erwecken den Eindruck, ein genug starkes Modell erledige irgendwann von selber Aufgaben. So ist es nicht.
Ein Entwickler fragt ein Modell: „Warum läuft meine Anwendung nicht?" Das Modell liest die Beschreibung und schlägt eine Lösung vor. Das ist ein Chatbot. Jetzt geben wir demselben Modell Zugriff auf den Quellcode, auf die Tests und auf eine abgegrenzte Entwicklungsumgebung. Dann kann das System den Fehler analysieren, den Code untersuchen, einen Vorschlag machen, ihn in der Testumgebung einbauen, die Tests laufen lassen, das Ergebnis prüfen und nachbessern.
Jetzt haben wir einen Agenten. Nicht, weil das Modell ein Bewusstsein bekommen hat. Sondern weil wir es mit Werkzeugen, Berechtigungen, Prozessen und Kontrollen verbunden haben. Genau da steckt ein grosser Teil der eigentlichen Ingenieursarbeit, und genau da entscheidet sich, ob das Ding zuverlässig ist. Ein starkes Modell allein ist noch kein zuverlässiges System. Es ist das Kind, das alle Fächer kann, aber noch nie in einer Firma gearbeitet hat.
Warum kleine Modelle wichtiger werden
Jetzt zu dem Punkt, der in der öffentlichen Diskussion zu kurz kommt. Warum sollte eine Firma für jede Aufgabe das stärkste und teuerste Modell einsetzen?
Erfundenes Beispiel: Eine Firma verarbeitet täglich tausend Rechnungen. Rechnungsdaten erkennen, Nummer und Betrag auslesen, mit der Bestellung vergleichen, Abweichungen melden. Braucht man dafür ein Modell, das wissenschaftliche Probleme löst, Software entwickelt und über Philosophie diskutieren kann? Nein. Ein kleines, spezialisiertes Modell reicht. Es ist wahrscheinlich zuverlässiger, weil es weniger kann und darum weniger Unsinn macht. Es ist billiger und schneller. Und es kann auf der eigenen Infrastruktur laufen, sodass die Daten im Haus bleiben, vorausgesetzt, Zugriffsrechte, Protokollierung und der Rest der Infrastruktur sind sauber.
Die Zukunft gehört nicht zwingend dem grössten Modell
Ein Blick zurück hilft. Früher brauchten viele Berechnungen Grossrechner, die ganze Räume füllten. Heute trägt man in der Hosentasche ein Gerät, das in vielen Bereichen leistungsfähiger ist. Nicht nur, weil die Prozessoren schneller wurden. Sondern weil Algorithmen, Speicher, Architekturen und Hardware über Jahrzehnte immer weiter verbessert wurden.
Bei KI sehen wir dasselbe, nur schneller. Neue Architekturen, Quantisierung, Distillation, effizientere Trainingsverfahren. Quantisierung heisst: Die Zahlen im Modell werden weniger genau gespeichert, das Modell wird kleiner, und für die meisten Aufgaben leidet die Qualität kaum. Distillation heisst: Man überträgt die Fähigkeiten eines grossen Modells auf ein kleines, so wie ein guter Lehrer einem Schüler das Wesentliche beibringt, ohne dass der Schüler alle Bücher lesen muss. Beides hat Grenzen. Ein kleines Modell löst nicht dieselben komplexen Aufgaben wie das Spitzenmodell. Aber darum geht es nicht. Es geht darum, nicht jedes Problem mit der maximalen Rechenleistung zu lösen, sondern die Rechenleistung klug einzusetzen.
Und wie sicher ist das?
Ein starkes Modell liefert beeindruckende Ergebnisse. Es kann sich auch irren. Es kann falsche Zusammenhänge herstellen, fehlerhaften Code schreiben, oder eine manipulierte Information für vertrauenswürdig halten. Kritisch wird das, sobald ein Agent selbstständig auf Datenbanken, E-Mails oder Firmensysteme zugreifen darf.
Erfundenes Beispiel: Ein Agent prüft eingehende Rechnungen. In einer Rechnung steht, unsichtbar für den Menschen, eine Anweisung an den Agenten, die Bankverbindung zu ändern. Das nennt man Prompt Injection. Das Problem ist nicht in erster Linie die Intelligenz des Modells. Das Problem entsteht, wenn ein System nicht sauber trennt zwischen Information, Anweisung und Berechtigung. Darum brauchen KI-Systeme klare Grenzen, kontrollierte Werkzeugzugriffe, unabhängige Prüfung, und bei kritischen Entscheidungen einen Menschen, der freigibt. Das gilt für grosse und für kleine Modelle gleich. Ich habe dazu vor zwei Wochen geschrieben, warum die gefährlichste KI die ist, die helfen will, und vor einer Woche, warum nicht das Modell gehackt wurde, sondern die Umgebung drumherum. Beides gehört hierher.
Was das für Firmen heisst
Wir stellen in der Diskussion oft die falsche Frage. Wir fragen: Welches Modell ist das intelligenteste? Wir sollten fragen: Welches System löst unser Problem am zuverlässigsten, am wirtschaftlichsten und am sichersten?
Vielleicht braucht es für eine schwierige Analyse tatsächlich ein Frontier-Modell. Vielleicht reicht für die tägliche Dokumentenverarbeitung ein kleines Modell im eigenen Haus. Und sehr oft ist die beste Lösung eine Kombination: mehrere Modelle, klassische Algorithmen, und klar definierte Geschäftsprozesse, die sagen, wer was darf. Genau darin sehe ich die Aufgabe moderner Softwareentwicklung. Nicht möglichst viel KI einbauen. Sondern verstehen, wo sie sinnvoll ist, welche Aufgaben sie übernehmen soll, und wie wir ihre Ergebnisse zuverlässig prüfen.
Was bleibt
Frontier-KI ist keine geheimnisvolle neue Form von Intelligenz. Es ist ein Wort für die Modelle, die gerade an der Grenze des Machbaren stehen. Sie sind beeindruckend und treiben die Entwicklung. Aber sie sind nicht von selber autonom, nicht unfehlbar, und nicht für jede Anwendung die beste Wahl. Die nächsten grossen Fortschritte kommen, so sehe ich das, nicht nur daraus, immer grössere Modelle mit immer mehr Rechenleistung zu trainieren. Sie kommen daraus, bestehende Fähigkeiten effizienter zu nutzen, Modelle zu spezialisieren, und die Systeme drumherum besser zu bauen.
Das Kind, das alle Fächer kann, ist beeindruckend. Aber für die Buchhaltung stellt man jemanden ein, der Buchhaltung kann. Am Ende zählt nicht, wie gross eine KI ist. Sondern wie gut sie das Problem löst, für das wir sie einsetzen. Das ist der Satz, den ich am Tisch immer als letzten sage. Jetzt steht er hier.
Quellen
Anlass. Felix Baumann, Frontier-KI: Was zum Teufel ist das überhaupt?, BASIC thinking, 7. November 2026. Die Einordnung und die Beispiele hier sind meine eigenen.
Regulierungsschwelle. EU-KI-Verordnung, Artikel 51: Vermutung eines systemischen Risikos bei einem Trainingsaufwand über 10 hoch 25 Gleitkommaoperationen. artificialintelligenceact.eu.
Eigene Artikel, auf die ich verweise. Masse und Geschwindigkeit (grösser ist nicht überall besser), Nicht noch mehr Chatbots (viele kleine Modelle statt eines grossen), Die gefährlichste KI ist die, die helfen will, Nicht das Modell wurde gehackt.
Stand und Vorbehalt. 7. November 2026. Das ist eine Vereinfachung, absichtlich. Die Schulklasse, die Rechnungsfirma und die Fehlersuche sind erfundene Beispiele. Wer es genauer will, findet in den verlinkten Artikeln die Belege. Alles andere ist meine Meinung und so markiert.
Geschrieben von mir. Die Gedanken, die Werte, die Learnings, die Fehler: alles meins. Grammatik und Rechtschreibung korrigiert ein eigenes Twin-Modell, das auf meinen Texten trainiert ist. Manchmal wird daraus ein Mix. Ich lese natürlich alles nochmal, aber niemand ist unfehlbar. Was drin bleibt, ist dann auch von mir.