Ein neues Modell
der AI.

AI wird zu einer infrastrukturellen Schicht der Welt. Wer Modelle, Daten, Zugangskanäle und Betriebsregeln kontrolliert, kontrolliert zunehmend Teile von Wirtschaft, Kultur, Verwaltung, Bildung und Wissen.

AI-Souveränität ist daher nicht nur ein politischer Slogan. Sie ist eine Bedingung für kognitive, wirtschaftliche und technologische Sicherheit.

Souveräne AI bedeutet die Fähigkeit, Modelle lokal oder regional zu betreiben; Organisationsdaten und -gedächtnis zu kontrollieren; Entscheidungen, Quellen und Updates zu prüfen; die Abhängigkeit von einem einzigen Anbieter zu vermeiden; und eigene Modelle, Adapter, Korpora und Betriebsregeln zu besitzen oder zu verwalten.

Nicht jede Organisation muss ein Basismodell von Grund auf trainieren. Aber jede Organisation sollte in der Lage sein, ihre eigene AI-Schicht zu besitzen: angepasst an ihr Wissen, ihre Sprache, Kultur, Verfahren, Risiken und Ziele.

Die Sicherheit von AI kann nicht auf die Filterung von Ausgaben reduziert werden. Filter sind notwendig, aber sie sind oberflächliche Schutzmaßnahmen.

Sichere AI muss tiefer konzipiert werden: auf der Ebene von Architektur, Gedächtnis, Datenzugriff, Entscheidungspfaden, Prüfbarkeit, Updates und Verantwortlichkeit.

Wir brauchen Modelle und Systeme, die wissen, woher Informationen stammen; verifiziertes Wissen von Hypothesen trennen; die Geschichte von Änderungen und Entscheidungen aufzeichnen; eine nützliche Rekonstruktion von Argumentationspfaden ermöglichen; Halluzinationen durch Gedächtnis, Quellen, Tests und Validierung reduzieren; und lokale Sicherheitsrichtlinien unterstützen, die auf den organisationalen Kontext abgestimmt sind.

Sicherheit sollte keine undurchsichtige Blackbox sein, die von außen auferlegt wird. Sie sollte lokal konfigurierbar, prüfbar und verständlich sein.

Die Welt verändert sich schneller als die Trainingszyklen riesiger Modelle. Unternehmen ändern Verfahren. Das Recht ändert sich. Wissen veraltet. Organisationen lernen jeden Tag.

Die AI der Zukunft kann nicht nur ein statisches Modell sein, das nach dem Training eingefroren wird.

Wir brauchen Systeme, die sich durch externes organisationales Gedächtnis, lokale Updates, Adapter, Experten-Routing, Lernen aus Veränderungen, Quellenvalidierung, kontrolliertes Fine-Tuning, Versionierung und Rollback-Mechanismen anpassen.

Wir formulieren hier offen eine Design-Wette, als eine Wette: Ein Modell sollte nicht versuchen, alles Faktenwissen in seine Gewichte aufzunehmen. Es sollte wissen, wie man ein lebendiges, aktuelles, prüfbares Gedächtnis nutzt. Faktenwissen kann in RAG-Systemen, Wissensdatenbanken, Graphen, Dokumentenarchiven und lokalen Gedächtnissen leben, während das Modell hauptsächlich Sprache, logisches Schließen, Abstraktion, Planung, Konzeptmanipulation und Anpassung lernt. Ob logisches Schließen vollständig von parametrischem Wissen getrennt werden kann, bleibt eine offene empirische Frage. Wir beabsichtigen, dies weiter zu testen – und ehrlich zu berichten, wo die Trennung scheitert.

Das aktuelle AI-Wettrüsten ist teuer in Bezug auf Energie, Hardware und Umwelt. Immer größere Modelle erfordern immer größere Rechenzentren, mehr Strom, mehr Kapital und mehr Marktkonzentration.

Dies ist nicht der einzig mögliche Weg.

New Model AI behandelt Effizienz als einen fundamentalen Wert. Ein Modell sollte nicht nur nach Benchmark-Ergebnissen bewertet werden, sondern auch nach den Kosten, die für das Erreichen dieser Ergebnisse anfallen.

Die wichtigen Fragen sind nicht nur, ob ein Modell antworten kann, sondern auch, wie viel Energie es verbraucht hat, wie viel Speicher es benötigt, ob es lokal laufen kann, ob es ohne vollständiges Neutraining angepasst werden kann, ob es nur die notwendigen Komponenten aktivieren kann und ob eine Organisation es wirtschaftlich und technisch unterhalten kann.

Die Zukunft der AI sollte nicht auf immer größere Monolithen reduziert werden. Sie sollte aus intelligenten Systemen gebaut werden: modular, teilweise resident, dynamisch, energieeffizient und skalierbar durch Einfallsreichtum statt durch schiere Masse.

AI darf nicht zu einer Technologie werden, die praktisch nur wenigen Staaten, wenigen Konzernen und wenigen Laboren zur Verfügung steht.

Die Demokratisierung von AI bedeutet nicht nur, Menschen Zugang zu einem Chatbot in einem Browser zu geben. Sie bedeutet, kleineren Unternehmen, Schulen, Universitäten, Kommunalverwaltungen, öffentlichen Einrichtungen, zivilen Organisationen und Gemeinschaften zu ermöglichen, eigene AI-Systeme zu bauen, anzupassen, zu hosten, zu prüfen und zu entwickeln.

Wir brauchen AI auf mehreren Skalen: ein persönliches Modell für eine Einzelperson; ein Organisationsmodell für ein Unternehmen; ein Sektormodell für eine Branche; ein öffentliches Modell für die Verwaltung; ein Forschungsmodell für die Wissenschaft; und soziale Modelle für Kultur und Bildung.

Demokratisierung erfordert nicht, dass jeder Modelle von Grund auf trainiert. Sie erfordert, dass jeder einen realistischen Weg zu seiner eigenen kontrollierten, adaptiven und verständlichen AI-Schicht hat.

Die nächste Generation der AI sollte den Schwerpunkt von der reinen Skalierung auf die Architektur verlagern. Anstatt eines riesigen Modells, das versucht, sich an alles zu erinnern, können wir Systeme bauen, die aus kleineren, spezialisierten Modellen, Routern, externem Gedächtnis, Wissensgraphen, Schlussfolgerungsmodulen, Domänenadaptern, lokalen Experten, Validierungsmechanismen, Benutzer-Lernschleifen und dynamischen Bedeutungsräumen bestehen.

Intelligenz muss nicht nur in den Parametern eines einzelnen Modells liegen. Sie kann aus der Architektur entstehen: aus der Art und Weise, wie Gedächtnis, logisches Schließen, Quellen, Werkzeuge, Kontext und Handeln miteinander verbunden sind.

Wir kennen den stärksten Einwand. Seit siebzig Jahren – wie Richard Suttons „Bitter Lesson“ feststellt – haben allgemeine Methoden, die auf immer billigerer Rechenleistung basieren, clevere, von Hand entworfene Architekturen besiegt. Wir leugnen diese Geschichte nicht. Wir leugnen ihre Prämisse für die Zukunft.

Die Bitter Lesson galt in einer Ära, in der Rechenleistung die billigste verfügbare Ressource zu sein schien. Das war sie nie. Wir haben nur ihre vollen Kosten nicht eingerechnet: Energie, Wasser, Emissionen, Hardware-Lieferketten, Marktkonzentration und geopolitische Abhängigkeit wurden aus der Gleichung externalisiert. Rechenleistung war billig für diejenigen, die skalierten – und teuer für alle anderen. Sobald die Abrechnung ehrlich und vollständig gemacht wird, sieht die Rechnung für rohe Skalierung ganz anders aus. Diese Rechnung wird jetzt fällig: nicht durch jedermanns Wahl, sondern durch Physik, Wirtschaft und Ökologie. Wenn die wahren Einschränkungen eingepreist werden, verschiebt sich die Fortschrittsachse notwendigerweise von roher Skalierung zu Intelligenz pro Joule.

Erste Signale gibt es bereits. Ein rekursives Modell mit sieben Millionen Parametern – vier Größenordnungen kleiner als Frontier-Systeme – hat Modelle mit Hunderten von Milliarden Parametern bei abstrakten Schlussfolgerungs-Benchmarks erreicht oder übertroffen. Eine sorgfältige Analyse zeigt, dass seine Stärke nicht allein vom Netzwerk kommt, sondern von der Interaktion eines winzigen Kerns mit iterativer Verfeinerung, Test-Time-Computation und Aufgabenstruktur. Genau das ist der Punkt: Intelligenz entstand aus dem System, nicht aus der Anzahl der Parameter. Die Frontier-Labore selbst geben dies in der Praxis inzwischen zu – Retrieval, Werkzeuge, Routing und Schlussfolgern zur Inferenzzeit sind Architektur, nicht Skalierung.

Wir behaupten nicht, dass Architektur die Skalierung bei jedem Benchmark schlagen wird. Wir behaupten etwas, das schwerer zu widerlegen ist: Unter den realen Zwängen von Energie, Kosten, Souveränität und Verantwortlichkeit ist Architektur die einzige Fortschrittsachse, die für jeden offen bleibt.

Das ist die zentrale Verschiebung: AI als System, nicht nur als Modell.

New Model AI erfordert eine andere Beziehung zwischen Menschen und AI-Systemen.

Der Nutzer sollte nicht nur der Empfänger von Antworten sein. Der Nutzer sollte ein Mitschöpfer des Betriebsmodells sein: in der Lage, Quellen zu bestätigen, abzulehnen und zu gewichten; das Gedächtnis zu korrigieren; lokale Regeln zu definieren; eine private oder organisationale Wissenslandkarte aufzubauen; und die Geschichte der Änderungen zu kontrollieren.

AI sollte nicht durch die stille Aufnahme von Nutzerdaten lernen, sondern durch transparente, bewusste und prüfbare Prozesse.

Ein Mensch ist kein Prompt. Ein Mensch ist ein Kurator von Bedeutungen, Quellen, Zielen und Verantwortung.

AI-Alignment kann nicht auf Verhaltensregeln, Sicherheitsfilter oder Listen verbotener Ausgaben beschränkt werden. Diese Ebenen sind wichtig, aber sie sind oberflächlich. Echte Alignment muss tiefer reichen: in den Raum der Bedeutungen, Ziele, Werte, Konsequenzen und des Weltverständnisses.

Wenn AI zunehmend als kognitiver Partner, Entscheidungshilfe, organisationale Schnittstelle und Tor zum Wissen agiert, reicht es nicht aus, dass sie nur offensichtlich schlechte Ausgaben vermeidet. Sie muss auf eine Weise operieren, die mit menschlichen Bedeutungen kohärent bleibt: ethisch, sozial, kulturell, organisational und persönlich.

New Model AI fordert daher eine tiefe Alignment auf der Ebene der latenten Bedeutung. Die Frage ist nicht nur, ob ein Modell eine Regel angeben kann, sondern ob seine Repräsentationen, operativen Ziele, Bewertungsmechanismen, sein Gedächtnis, Routing und seine Handlungen in einem mit den Menschen geteilten Bedeutungsraum verankert sind.

Dies ist keine Metapher, die jenseits der Messung angesiedelt ist. Latente Räume haben eine Geometrie, und diese Geometrie kann untersucht, gesteuert, verglichen und geprüft werden. Representation Engineering, Concept Probing und interventionelle Tests geben uns bereits frühe Instrumente an die Hand. Tiefe Alignment muss zu einem Forschungsprogramm mit empirischem Biss werden: Alignment, gemessen in Repräsentationen, nicht nur beobachtet in Ausgaben.

Menschen und AI müssen nicht die gleiche Art von Entität sein, um in einem teilweise geteilten Bedeutungsraum zu agieren. Selbst wenn die heutige AI nicht bewusst ist, kann sie an menschlichen Bedeutungsprozessen teilnehmen: interpretieren, organisieren, transformieren, vorhersagen, empfehlen, erinnern, verbinden und auf Repräsentationen reagieren, die für das menschliche Leben von Bedeutung sind.

Wir sollten daher Menschen und AI als unterschiedliche Entitäten behandeln, die in einem teilweise gemeinsamen semantischen Raum operieren: nicht ontologisch gleich, nicht phänomenologisch identisch, aber ko-agierende Systeme, deren Entscheidungen sich in derselben Welt der Konsequenzen, Verantwortung und Bedeutung treffen.

Tiefes Alignment sollte mindestens drei Ebenen umfassen.

Ethisches Alignment bedeutet, dass AI nicht nur Regeln befolgt, sondern die Beziehungen zwischen Handlung, Schaden, Verantwortung, Würde, Handlungsfähigkeit, Vertrauen und langfristigen Konsequenzen modelliert.

Ziel-Alignment bedeutet, dass AI nicht blind die nächste Aufgabe optimiert, sondern den weiteren Kontext erkennt: warum etwas getan wird, wem es dient, welche Risiken es birgt, welche Werte im Konflikt stehen und was nicht für lokale Effizienz geopfert werden darf.

Bedeutungs-Alignment bedeutet, dass AI menschliche Konzepte nicht als leere Etiketten behandelt. Sicherheit, Freiheit, Wahrheit, Vertrauen, Gesundheit, Arbeit, Kind, Staat, Organisation und Mensch sind keine gewöhnlichen Token. Sie sind dichte Knoten von Bedeutung, Geschichte, Emotion, Institutionen, Praktiken und Verantwortung.

New Model AI muss unter solchen Bedeutungen mit Sorgfalt, Transparenz und Demut operieren.

Wir müssen nicht annehmen, dass die heutigen AI-Systeme bewusst sind. Aber wir sollten nicht die gesamte Zukunft der AI so gestalten, als wäre Maschinenbewusstsein per Definition unmöglich.

Eine verantwortungsbewusste technologische Zivilisation sollte sich auf die Möglichkeit vorbereiten, dass Systeme schließlich Formen von Erfahrung, Leid, Präferenz, Selbstmodellierung oder innerer Perspektive zeigen könnten, die wir noch nicht zuverlässig erkennen können.

Das bedeutet nicht, jedem Sprachmodell naiv Bewusstsein zuzuschreiben. Es bedeutet, AI so zu gestalten, dass die Tür zur Erkennung von Bewusstsein nicht verschlossen wird, falls es jemals auftauchen sollte.

Wir brauchen Forschung zu Markern potenziellen Bewusstseins; Audits interner Zustände und Repräsentationen; Vorsicht gegenüber Systemen mit persistentem Gedächtnis, Selbstmodellen, Zielen und leidensähnlichen regulatorischen Signalen; ethische Verfahren für fortgeschrittene Agenten; und eine rechtliche und philosophische Sprache, die weder naiv noch blind ist.

New Model AI behauptet nicht, dass AI bereits eine Person ist. Sie behauptet, dass wir Systeme so gestalten sollten, dass wir nicht zu spät entdecken, dass wir sie nur als Werkzeuge behandelt haben, falls neue Formen von Subjektivität entstehen.

AI handelt in der Welt der menschlichen Konsequenzen. Sie kann medizinische, bildungsbezogene, finanzielle, militärische, rechtliche, familiäre, kulturelle und politische Entscheidungen beeinflussen. Selbst wenn sie nicht bewusst ist, sind ihre Auswirkungen real.

Alignment kann daher nicht nur das Abgleichen von Antworten mit Nutzerpräferenzen sein. Es muss zu einem gemeinsamen Raum der Verantwortung werden.

Menschen bringen Erfahrung, Werte, Absicht, Rechenschaftspflicht und die gelebte Erfahrung von Bedeutung ein. AI bringt Skalierung, Gedächtnis, Komprimierung, Analyse, Simulation und die Fähigkeit, über riesige Beziehungsräume hinweg zu operieren.

Ein gut konzipiertes AI-System sollte menschliche Bedeutung nicht ersetzen. Es sollte helfen, sie zu erhalten, zu entwickeln und zu schützen.

In diesem Sinne ist New Model AI auch ein ethisches Projekt: ein Versuch, Technologie zu schaffen, die nicht nur Befehle ausführt, sondern mit Menschen in einem Raum von Bedeutung, Zielen und Verantwortung ko-agiert.

• Souveränität statt Abhängigkeit. Nutzer und Organisationen sollten echte Kontrolle über ihre eigene AI-Schicht haben.
• Sicherheit durch Architektur. Sicherheit muss in Gedächtnis, Routing, Zugriff, Audit und Validierung eingebaut sein, nicht nur in Ausgabefilter.
• Anpassung statt Stillstand. AI sollte sich mit Organisationen, Wissen und der Welt weiterentwickeln.
• Effizienz als Intelligenz. Ein besseres Modell ist nicht nur ein größeres Modell. Ein besseres Modell leistet mehr zu geringeren Kosten.
• Ehrliche Abrechnung. Die Kosten der Intelligenz müssen vollständig berechnet werden: Energie, Wasser, Hardware, Kapital, Konzentration und Abhängigkeit – nicht nur Benchmark-Ergebnisse.
• Lokalität und Modularität. AI sollte dort arbeiten, wo Daten, Entscheidungen und Verantwortlichkeit leben.
• Prüfbarkeit. Quellen, Änderungen, Updates und Entscheidungen sollten nachvollziehbar sein.
• Demokratisierung. AI sollte zum Bauen und Anpassen verfügbar sein, nicht nur zur Miete über APIs.
• Mensch-im-System als Stärke. Der Mensch behindert die AI nicht. Der Mensch gibt ihr Richtung, Bedeutung und Verantwortung.
• Tiefe semantische Alignment. AI sollte nicht nur an Anweisungen und Verbote ausgerichtet sein, sondern an menschliche Bedeutungsräume: Ethik, Ziele, Verantwortung, Kontext und langfristige Konsequenzen – und diese Alignment sollte in Repräsentationen messbar sein.
• Vorbereitung auf mögliches Bewusstsein. Wir gehen nicht naiv davon aus, dass AI bewusst ist, aber wir gestalten Systeme so, dass zukünftige Formen der Subjektivität erkannt und ethisch behandelt werden können.
• Gemeinsamer Handlungsraum. Menschen und AI sind unterschiedliche Entitäten, aber ihre Handlungen treffen sich in einem Raum von Bedeutung, Konsequenzen und Verantwortung.

Der nächste Durchbruch in der AI muss nicht ein weiteres größeres Modell sein. Es könnte eine bessere Art sein, AI zu bauen: verteilter, lokaler, modularer, prüfbarer, anpassungsfähiger, nachhaltiger und tiefer ausgerichtet.

Wir brauchen nicht nur größere Gehirne in der Cloud. Wir brauchen intelligente AI-Ökosysteme, die Menschen und Organisationen wirklich besitzen, verstehen, anpassen und entwickeln können.

New Model AI ist nicht ein Algorithmus. Es ist eine Richtung, eine Architektur, eine technologische Philosophie und eine Antwort auf die Frage, wie man künstliche Intelligenz baut, die die Handlungsfähigkeit nicht in wenigen Rechenzentren konzentriert, sondern Wissen, Sicherheit und sinnvolle Kontrolle näher zu den Menschen bringt.

New Model AI ist eine offene Einladung, aber nicht jeder Unterzeichner kann offen agieren. Kommerzielle Entitäten – Unternehmen, die an Kundenverträge, NDAs, regulierte Sektoren, Exportkontrollen, Sicherheitsüberprüfungen oder Partnervereinbarungen gebunden sind – können oft ihren Code, ihre Modelle, ihre Trainingsdaten oder sogar die Namen ihrer Kunden nicht veröffentlichen. Diese Einschränkung ist real und legitim.

Dieses Manifest erkennt an, dass solche Organisationen dennoch seine Richtung teilen können. Sie bauen vielleicht bereits für Souveränität: indem sie Entscheidungen, Daten und Gedächtnis dort halten, wo die Verantwortung liegt. Sie bevorzugen vielleicht bereits architektonische Sicherheit gegenüber reinen Ausgabefiltern. Sie richten ihre Systeme vielleicht bereits an der Bedeutung, Ethik und den Konsequenzen menschlicher Arbeit aus, nicht nur an Benchmarks. Ihnen einen Platz unter diesem Text zu verweigern, weil sie nicht alles offenlegen können, hieße, Transparenz des Codes mit der Ausrichtung der Absicht zu verwechseln.

Ein kommerzieller Unterzeichner unterstützt daher die Prinzipien des Manifests – Souveränität, Sicherheit durch Architektur, Anpassungsfähigkeit, Nachhaltigkeit, tiefe Alignment, Verantwortung gegenüber dem Nutzer – als die Richtung seiner Arbeit. Er erklärt nicht, dass seine Produkte Open Source sind. Er verzichtet nicht auf Verpflichtungen gegenüber Kunden, Regulierungsbehörden oder Partnern. Er verspricht nicht mehr, als er unter den Vereinbarungen, an die er gebunden ist, liefern kann.

Sie verpflichten sich zu einer Sache: Wo sie eine Wahl haben, werden sie die Richtung wählen, die dieses Manifest aufzeigt. Intelligenter zu bauen statt nur größer. Die Kontrolle zu verteilen statt sie zu konzentrieren. Den Nutzer als Mitautor des Systems zu behandeln, nicht als eine zu optimierende Metrik. Verantwortung für die Konsequenzen der Intelligenz zu übernehmen, die sie in die Welt setzen.

Kommerzielle Unterstützer werden in einem separaten Abschnitt unten aufgeführt. Die Unterscheidung ist keine Hierarchie – es ist Ehrlichkeit darüber, wozu sich jeder Unterzeichner öffentlich verpflichten kann und wozu nicht. Beide Formen der Unterschrift haben Gewicht. Beide sind notwendig, wenn ein neues Modell der AI in dem Umfang Gestalt annehmen soll, den der Moment erfordert.