Souveränität allein trainiert kein Modell

Die KI-Branche entdeckt gerade, dass eigene Daten der eigentliche Wettbewerbsvorteil sind. Für die Energiewirtschaft ist das nur die halbe Wahrheit – denn die wertvollsten Daten sind dort genau die, von denen jeder Einzelne zu wenig hat.

In der KI-Debatte hat sich in den letzten Wochen etwas verschoben. Mistral-Gründer Arthur Mensch warnt öffentlich davor, geschäftskritisches Wissen in geschlossene KI-Modelle zu kippen – wer das tue, riskiere sein Geschäftsgeheimnis. Palantir-Chef Alex Karp spottet über die großen Anbieter, deren Modelle zu austauschbarer „commodity cognition” konvergierten. Die Botschaft beider: Der Vorteil liegt nicht im größten Modell, sondern in den eigenen Daten – und in der Kontrolle über die Gewichte, die daraus entstehen.

Fast zeitgleich lieferten Bridgewater Associates und Thinking Machines Lab die passende Empirie. Der größte Hedgefonds der Welt hat gemeinsam mit dem Startup von Ex-OpenAI-CTO Mira Murati ein offenes Modell (Qwen3-235B) auf die Urteile der eigenen Analysten nachtrainiert – und damit bei sechs realen Aufgaben der Dokumenten-Triage die besten Frontier-Modelle geschlagen: 84,7 Prozent Trefferquote gegenüber 78,2 Prozent beim stärksten Konkurrenzmodell, bei rund einem Vierzehntel der Betriebskosten. (Zur Einordnung: Es ist eine Eigenmessung der beiden Beteiligten, kein unabhängiger Benchmark. Aber die Richtung ist plausibel – und sie deckt sich mit dem, was viele Fachbereiche im Alltag erleben.)

Der entscheidende Punkt des Experiments wird oft überlesen: Nicht die Dokumente machten das Modell besser, sondern die Urteile der Experten darüber, was relevant ist. Wissen, das in keinem öffentlichen Trainingsdatensatz steckt, schlägt rohe Modellgröße.

Was das für die Energiewirtschaft bedeutet – und was nicht

Übersetzt man diese Erkenntnis in den Energiesektor, klingt sie zunächst wie eine Steilvorlage: Netzbetreiber, Stadtwerke und Erzeuger sitzen auf Betriebsdaten, die es nirgendwo sonst gibt. Sensordaten von Transformatoren und Umspannwerken, Lastgänge, Zählerdaten aus dem iMSys-Rollout, Störungshistorien über Jahrzehnte. Nichts davon steht im Internet. Nichts davon können OpenAI, Google oder Anthropic einfach kaufen – anders als Finanzdaten sind Betriebsdaten kritischer Infrastruktur regulatorisch eingehegt und faktisch nicht handelbar. Der „Burggraben” aus nicht-eintrainiertem Wissen ist im Energiesektor dauerhafter als in fast jeder anderen Branche.

Also: eigenes Modell trainieren, Souveränität behalten, fertig?

Hier bricht die Analogie. Bridgewater konnte den Weg gehen, weil ein einziges Haus genug eigene Daten hatte – tausende von Analysten gelabelte Beispiele für einen häufigen, gut definierten Vorgang. In der Energiewirtschaft liegt der Fall bei den wertvollsten Anwendungen genau umgekehrt:

Ein Transformator fällt selten aus. Die Anomalien, die einem Schaden vorausgehen, sind in den Daten eines einzelnen Betreibers so dünn gesät, dass sich daraus kein belastbares Modell lernen lässt – egal wie souverän man mit den Daten umgeht (warum das ein Paradefall für gemeinsames Lernen ist, steht in einem eigenen Beitrag). Dasselbe Muster zeigt sich bei Prognosen für Haushalte mit PV, Wärmepumpe und Wallbox: Die Pflicht-Einbaufälle des Smart-Meter-Rollouts erzeugen genau die Lastprofile, für die lokale Historien allein nicht ausreichen (ein ehrlicher Test auf echten Stadtwerk-Daten). Die seltensten Ereignisse sind die wertvollsten – und zugleich diejenigen, von denen jeder Einzelne am wenigsten hat.

Der Souveränitätsansatz à la Mensch und Karp beantwortet die Frage „Wem gehören meine Daten?” – aber nicht die Frage „Reichen meine Daten?”. Für viele Energieunternehmen lautet die ehrliche Antwort auf die zweite Frage: nein.

Die dritte Position: gemeinsam lernen, ohne Daten zu teilen

Zwischen „Frontier-Modell aus der Cloud” und „jeder trainiert allein” gibt es einen dritten Weg, der in der aktuellen Debatte kaum vorkommt: Federated Learning. Mehrere Partner trainieren ein gemeinsames Modell, aber die Rohdaten verlassen zu keinem Zeitpunkt das eigene Haus. Ausgetauscht werden nur Modell-Updates – nicht Zählerstände, nicht Sensorwerte, nicht Kundendaten. (Wie das im Detail funktioniert: Was ist Federated Learning?)

Für die Energiewirtschaft passt dieses Muster ungewöhnlich gut, weil die Branche voller Konstellationen ist, in denen Unternehmen sich organisatorisch nahestehen, aber rechtlich getrennte Datenräume haben: Stadtwerke in Kooperationsnetzwerken, Netzbetreiber mit vergleichbarem Anlagenpark, Vertriebe mit ähnlichen Kundenstrukturen. Gemeinsame Infrastruktur zu betreiben ist etwas anderes, als Rohdaten über Gesellschaftsgrenzen hinweg zusammenzulegen – Letzteres scheitert regelmäßig an DSGVO, Gesellschaftsrecht und schlicht an fehlendem Vertrauen. Federated Learning umgeht genau diese Hürde: Jeder behält die volle Souveränität über seine Daten und bekommt trotzdem ein Modell, das aus dem zwanzigfachen Erfahrungsschatz gelernt hat.

Anders gesagt: Federated Learning ist die konsequente Fortsetzung des Souveränitätsarguments – nicht sein Gegenteil.

Die Frage, die als Nächstes kommt

Wer den Gedanken ernst nimmt, landet schnell bei einer Anschlussfrage, die Karp unfreiwillig aufgeworfen hat: Wenn Gewichte destilliertes Unternehmenswissen sind – wem gehört dann das gemeinsam trainierte Modell?

Das ist keine rhetorische Frage, sondern die erste, die jede Rechtsabteilung stellen wird. Und sie ist lösbar, aber sie muss vor dem ersten Trainingslauf beantwortet werden, nicht danach. In der Praxis gibt es dafür mehrere Muster – vom gemeinsam gehaltenen Globalmodell mit vertraglich geregelten Nutzungsrechten über Lizenzmodelle bis zu Architekturen, bei denen jeder Partner am Ende nur sein eigenes, lokal personalisiertes Modell behält. Welches Muster passt, hängt von der Konstellation der Partner ab – und genau deshalb beginnt jedes Federated-Learning-Vorhaben nicht mit Technik, sondern mit der Frage, wer eigentlich zu wem passt.

Diesem Thema – Governance und Eigentum an föderiert trainierten Modellen – widmen wir einen eigenen Beitrag.

Das Fazit

Die Souveränitätsdebatte hat der Energiewirtschaft einen Gefallen getan: Sie hat etabliert, dass eigene Daten ein strategisches Asset sind, das man nicht leichtfertig aus der Hand gibt. Was in der Debatte fehlt, ist der zweite Schritt: Bei den wertvollsten Anwendungen – seltene Fehler, neue Lastprofile, dünn besetzte Ereignisse – reicht das eigene Asset allein nicht aus. Souveränität und Skalierung sind kein Widerspruch. Man braucht nur die richtigen Partner.

---

fedolink bringt Unternehmen der Energiewirtschaft zusammen, die gemeinsam lernen wollen, ohne Daten zu teilen. Welche Partner-Konstellationen für Ihren Anwendungsfall infrage kommen, steht im Whitepaper – oder schreiben Sie uns direkt. Neue Beiträge gibt es per RSS-Feed.