Das klingt nach Befreiung – und in gewisser Weise ist es das. Aber genau darin liegt ein Problem, das wir in Europa kaum diskutieren. Je leichter es wird, Software zu bauen, desto grösser wird unsere Abhängigkeit von denjenigen, die das dadurch ermöglichen, dass sie die dazu nötigen KI-Tools kontrollieren. Im digitalen Jahrhundert ist das fatal. Wir begeben uns in eine strukturelle Abhängigkeit, aus der es enorm schwierig wird, wieder herauszukommen.
Ich möchte erklären, warum beides gleichzeitig passiert – die Befreiung und die Abhängigkeit. Primär für Nicht-Informatikerinnen.
Die Distanz zwischen Mensch und Maschine
In den Anfängen der Informatik musste man Maschinen in ihrer eigenen Sprache ansprechen. Lochkarten, Nullen und Einsen, kryptische Befehle. Jede Anweisung musste exakt formuliert sein, jeder Fehler führte zum Stillstand. Über Jahrzehnte wurde diese Distanz Schritt für Schritt kleiner. Programmiersprachen wurden lesbarer, abstrakter, menschlicher. Aus Maschinencode wurden komplexere Programmiersprachen wie Pascal, wurde C, und schliesslich Skriptingsprachen, die in der Maschine in virtuellen Maschinen laufen, wie Python. Aber der Grundsatz blieb: Wer Software bauen wollte, musste die Sprache der Maschine lernen.
Die Entwicklerin war eine Übersetzerin – sie nahm, was Menschen wollten, und übersetzte es in etwas, das Maschinen verstehen konnten. Dieser Übersetzungsschritt war der Engpass. Er war teuer, langsam, und es gab nicht genug Leute, die ihn beherrschten.
Der eigentliche Shift
Heute verschiebt sich der Engpass. Nicht die Übersetzung in Code ist das Schwierigste – sondern herauszufinden, was eigentlich gebaut werden soll.
Das klingt banal, ist es aber nicht. Menschen und Organisationen wissen oft selbst nicht genau, was sie brauchen. Und der klassische Weg, das herauszufinden, ist schwerfällig.
Stell dir vor, eine NGO will ein System bauen, mit dem Freiwillige nach einer Naturkatastrophe Hilfslieferungen koordinieren können. Wer hat was bestellt, was ist unterwegs, wo fehlt es am dringendsten. Die NGO weiss eigentlich genau, was sie braucht – aber sie muss es einem Softwareteam erklären. Also entstehen Dokumente: Anforderungskataloge, Prozessdiagramme, technische Spezifikationen. Hunderte Seiten, die kein Feldkoordinator je lesen wird. Monate vergehen mit Abstimmungsrunden zwischen Leuten, die die Not kennen, und Leuten, die Code kennen. Wenn das System endlich steht, hat sich die Realität vor Ort längst verändert.
Spezifikation auf Papier transportiert kein Erlebnis. Sie transportiert keine Dringlichkeit. Und sie ist für die meisten Beteiligten schlicht nicht zugänglich.
Warum KI das verändert
Künstliche Intelligenz ist nicht einfach das nächste Werkzeug im Werkzeugkasten der Softwareentwicklung. Sie ist fundamental anders.
In der Geschichte der Informatik wurde die Abstraktion immer weiter nach oben geschoben – von Maschinencode zu Hochsprachen zu Webframeworks, Schicht auf Schicht. KI ist keine weitere Schicht oben drauf. Sie ist ein Pfeiler, der alle bisherigen Schichten der letzten fünfzig Jahre durchdringt und verändert.
Der Grund: KI-Modelle verstehen Intention statt Syntax. Man muss der Maschine nicht mehr erklären, wie sie etwas tun soll – man erklärt ihr, was man will. Die Schnittstelle zwischen Mensch und Software wird zur Sprache selbst.
Für das Beispiel unserer NGO bedeutet das: Dieselbe Koordinatorin, die bisher monatelang auf ein fertiges System wartete, kann ihre Anforderungen jetzt direkt in einen funktionierenden Prototypen übersetzen. Innerhalb von Stunden, nicht Monaten. Sie kann ihn ausprobieren, sagen, was nicht stimmt, und sofort eine neue Version erhalten. Spezifikation wird interaktiv. Das Ergebnis ist sofort greifbar.
Das ist möglich, weil Software in einem entscheidenden Punkt anders ist als andere Bereiche: Sie ist ein relativ geschlossenes System. Es gibt enorme Mengen an Trainingsdaten in Textform – Code, Dokumentation, Fehlermeldungen, technische Spezifikationen. KI ist besonders stark dort, wo aus Sprache, Logik und Mustern konkrete Systeme gebaut werden können. Und genau das ist Software.
Vielleicht reicht irgendwann Denken als Interface. Neuralink und ähnliche Projekte arbeiten daran. Aber auch dann bleibt die finale Verantwortung beim Menschen: Was soll gebaut werden, für wen, und mit welchen Konsequenzen. Die Präzision der Absicht lässt sich nicht delegieren.
Die eigentliche Chance: Besser denken, nicht nur schneller bauen
Wenn KI die technische Hürde senkt, verschwindet nicht die Arbeit für die Menschen, welche sie bedienen – sie verschiebt sich nur fundamental. Und zwar dorthin, wo sie immer hätte sein sollen: zum Denken. Zum Verstehen. Zum Strukturieren. Und die Senkung der Hürde bietet eine einmalige Chance, die Arbeit daran kollaborativer zu machen.
Wer digitalisiert, muss radikal verstehen: Wie funktioniert ein Prozess wirklich? Nicht wie er in der Theorie funktioniert, nicht wie er in einem Organigramm steht, sondern wie er in der Realität abläuft, mit all seinen Widersprüchen und Workarounds. Alle Beteiligten müssen eingebunden werden – nicht nur die, die das Budget freigeben, sondern die, die das System am Ende benutzen.
Bisher scheiterte das in der Praxis sehr oft. Ergebnisse kamen spät. Feedback-Zyklen dauerten Monate. Niemand konnte sich ein fertiges System vorstellen, bevor es fertig war. Softwareeinführung war bis heute selten ein Erlebnis – im besten Fall hat sie den eigentlichen Zweck nicht behindert. Es gab unzählige Prozesse und Initiativen, dies zu verändern, aber die allermeisten Softwareprojekte scheiterten an dem Punkt. Im besten Fall stand Software nicht im Weg.
Ich kenne das aus der Spieleentwicklung. Eine Spielmechanik kann auf dem Papier brillant wirken und sich beim Spielen furchtbar anfühlen. Ob ein Spiel Spass macht, erkennt man erst, wenn man es spielt. Kein Dokument der Welt kann das ersetzen.
Genau hier liegt die Chance. Wenn grundsätzlich jeder beschreiben kann, was er braucht, und innerhalb von Minuten ein klickbarer Prototyp entsteht, dann können endlich die richtigen Leute mitreden – die Feldkoordinatorin, die Lehrerin, der Patient. Und zwar nicht in Interviews, sondern direkt im Prozess. Die Eintrittshürde sinkt massiv. Aber das bedeutet nicht, dass Klarheit weniger wichtig wird – im Gegenteil. Wer seine Anforderungen wirklich durchdringt, wer präzise denken und formulieren kann, hat einen entscheidenden Vorteil. Die Fähigkeit, das Richtige zu beschreiben, wird zur Kernkompetenz. Nicht Code, sondern Klarheit.
Das ist die erste Chance: bessere Qualität in der eigenen Arbeit, in der eigenen Organisation. Aber es gibt eine zweite Seite, und die ist weniger erfreulich.
Die neue Abhängigkeit
Denn wenn Software nicht mehr primär aus Code besteht, sondern über Modelle entsteht, dann verschiebt sich eine fundamentale Frage: Von wem kommen diese Modelle?
Bisher war Software im Kern eigenständig. Wer Entwicklerinnen hatte und den Quellcode besass, konnte bauen, kontrollieren, weiterentwickeln. Heute wird Software zunehmend über Dienste gebaut, die jemand anderem gehören – Software as a Service, Cloud-Schnittstellen, Modell-Zugänge. Das wird als Fortschritt verkauft, und in vielen Fällen ist es das auch.
Aber diese Abhängigkeit ist kein Nebeneffekt. Sie ist das zentrale Geschäftsmodell des Silicon Valley im 21. Jahrhundert. Erst wird ein Dienst günstig oder kostenlos angeboten, bis er sich tief in Arbeitsabläufe und Organisationen eingenistet hat. Dann werden die Preise erhöht. Wer einmal abhängig ist, zahlt – weil der Wechsel teurer wäre als der neue Preis. Das kennen wir von Cloud-Anbietern, von Betriebssystemen, von sozialen Netzwerken. Bei AI-Modellen wiederholt sich dasselbe Muster, nur auf einer tieferen Ebene.
Unsere NGO, die jetzt in Stunden statt Monaten einen Prototypen bauen kann – sie tut das über ein Modell, dessen Preise sie nicht kontrolliert. Über eine Infrastruktur, die sie nicht besitzt. Über einen Dienst, der morgen teurer sein kann oder abgeschaltet werden könnte. Es wird vorgegaukelt, alles sei möglich und fast kostenlos. In Realität entsteht eine Abhängigkeit, die tiefer greift als jede bisherige Softwareabhängigkeit.
Je einfacher Software wird, desto mehr Macht verschiebt sich zu denen, die die Modelle betreiben. Die Frage ist nicht mehr: Haben wir Entwickler? Die Frage ist: Haben wir Zugang – und zu welchem Preis?
Die geopolitische Dimension: Amerikanische Peitsche und chinesische Zuckerwatte
Diese Abhängigkeit ist nicht nur technisch – sie ist geopolitisch. Und Europa steht vor einer Wahl, bei der keine Option bequem ist.
Fundamentale AI-Modelle zu bauen ist sehr teuer. Nicht ein bisschen teuer – Milliarden teuer. Die Infrastruktur, die Forschung, die Daten, die Rechenleistung: Das leisten sich im Moment vor allem zwei Akteure. Die USA und China.
Die amerikanische Variante ist die Peitsche. Die USA sind führend. Ihre Modelle sind die leistungsfähigsten, ihre Unternehmen kontrollieren die Schnittstellen, über die der Rest der Welt auf AI zugreift. Der Zugang läuft über kommerzielle Programmierschnittstellen – sogenannte APIs. Man zahlt pro Nutzung, pro Anfrage, pro Token. Die Preise bestimmt der Anbieter. Heute erschwinglich, morgen vielleicht nicht mehr. Wer sein Geschäft, seine Organisation, seine Verwaltung auf diesen Schnittstellen aufbaut, ist der API-Drogenjunkie eines Systems, dessen Regeln er nicht mitbestimmt.
Die chinesische Variante ist die Zuckerwatte. China setzt stark auf Open-Source-Modelle – Modelle, deren Code offen zugänglich ist und die man theoretisch selbst betreiben kann. Das klingt nach Freiheit. Aber China baut um diese Modelle herum ein ganzes Ökosystem: Werkzeuge, Plattformen, Standards, Infrastruktur. Wer in dieses Ökosystem einsteigt, bewegt sich zunehmend in einem digitalen Kosmos, der der Ideologie Xis folgt.
Wie das in der Praxis aussieht, zeigt ein Beispiel aus der Europa. Ein Bekannter leitet eine Cybersecurity-Firma. Chinesische Hardware von Huawei wäre bis zu 60 Prozent günstiger als die Alternativen – aber er kann sie bei seinen Kunden nicht einsetzen. Banken, Versicherungen, Verwaltungen: Niemand will, dass sensible Systeme auf chinesischer Infrastruktur laufen. Das Vertrauen fehlt, und das Risiko ist nicht tragbar. Bei chinesischen KI-Modellen ist das Problem noch grösser. Denn bei einem Sprachmodell kannst du noch weniger nachvollziehen, was im Inneren passiert, als bei einer Netzwerkkomponente. Welche Schweizer Bank lässt ihre Kundendaten über ein Modell laufen, das unter der Aufsicht des Zentralkomitees entwickelt wurde? Die Zuckerwatte sieht verlockend aus – billige Hardware, kostenlose Modelle. Aber sobald Vertrauen zählt, und Vertrauen zählt überall, wo es um sensible Daten geht, kannst du beides nicht einsetzen.
Und ein System, das der Kontrolle eines autoritären Regimes unterliegt, kann im Kern nicht frei sein – egal, ob der Quellcode offen ist.
Die Frage für Europa lautet also nicht einfach: USA oder China? Sie lautet: Wollen wir der Junkie sein, der für jeden Schuss zahlt – oder die Bewohnerinnen eines Ökosystems, dessen Regeln eine Diktatur schreibt?
Europa? Mistral, ein französischer Anbieter eigener KI-Modelle und damit Europas einziger ernsthafter Gegenentwurf zu den US-Giganten, ist die grosse Ausnahme. Aber selbst deren Finanzierung kommt aus den Golfstaaten, den USA und Europa gemeinsam. Ein eigenständiges europäisches Ökosystem existiert kaum.
Die Spannung
Fassen wir zusammen. Das Problem, Software zu bauen, wird gelöst. Das ist die gute Nachricht. Grundsätzlich kann jeder und jede spezifizieren, prototypen und bauen. Die Barriere zwischen Idee und Umsetzung war nie so niedrig. Die Chance, besser zu denken, klarer zu formulieren und die Welt mit Software tatsächlich besser zu machen, war nie so gross.
Aber gleichzeitig entsteht eine neue Abhängigkeit. Nicht Entwicklerinnen sind der Engpass – sondern der Zugang zu den Modellen, die alles ermöglichen. Wir ersetzen gerade den Backbone unserer digitalen Gesellschaft. Und dieser Backbone gehört nicht uns und er ist nicht frei.
Das ist grösser als die Abhängigkeit von einzelnen Cloud-Anbietern. Das ist grösser als AWS oder Google Cloud. Denn hier geht es nicht nur um Speicherplatz und Rechenleistung – hier geht es um die grundlegende Fähigkeit, Software zu erstellen, die unsere Gesellschaft braucht.
Diese Abhängigkeit ist gravierender als die von Öl oder Strom – und zwar nicht, weil man Modelle nicht wechseln könnte. Das kann man, schneller als einen Energielieferanten. Das eigentliche Problem ist die Konzentration. Als Europa von russischem Gas abhängig war, gab es Alternativen: LNG aus den USA, Pipelines aus Norwegen, erneuerbare Energien. Der Markt war vielfältig. Bei KI-Fundamentalmodellen gibt es heute de facto zwei geopolitische Anbieter: die USA und China. Wer aus dem einen Ökosystem aussteigen will, landet im anderen. Einen dritten gibt es kaum.
Und jetzt?
Digitale Souveränität braucht Modelle. Modelle brauchen Rechenleistung. Rechenleistung braucht Strom. Strom braucht Infrastruktur.
Und diese Infrastruktur – die Chips, die Rechenzentren, die Energieversorgung, die Modelle selbst – gehört wenigen. Sie gehört nicht Europa. Sie gehört nicht der freien Welt als Ganzes.
Aber das muss nicht so bleiben. Und es gibt Beweise, dass es anders geht.
Niemand dachte, dass sich ein Schweizer Zahlungssystem gegen Apple Pay und Google Pay durchsetzen kann. Aber Banken, Handel und Nutzer haben zusammengespannt – und heute hat Twint eine Marktposition, die Big Tech in der Schweiz nicht brechen konnte. Das zeigt: Wenn der Wille da ist und die Akteure zusammenarbeiten, kann sich ein kleines Land gegen die Grössten behaupten.
Dasselbe brauchen wir jetzt bei KI-Modellen. Und ein erster Aufschlag existiert. Mit Apertus haben die ETH Zürich, die EPFL und das Nationale Supercomputing Centre CSCS das erste grosse, vollständig offene Schweizer Sprachmodell gebaut – trainiert auf über tausend Sprachen, inklusive Schweizerdeutsch und Rätoromanisch, verfügbar unter einer freien Lizenz. Das ist ein guter und wichtiger Weg. Realistischerweise muss man aber zugeben: Apertus ist noch weit weg von der Einsatzfähigkeit, die es braucht, um mit den kommerziellen Modellen aus den USA und China mitzuhalten. Es braucht Ausdauer und es braucht substanzielle Weiterfinanzierung – aus europäischen Mitteln, nicht aus den Golfstaaten. Wir haben in der Energiekrise gelernt, was es bedeutet, von autokratischen Staaten abhängig zu sein. Dieselbe Lektion jetzt bei der Finanzierung unserer KI-Zukunft zu ignorieren, wäre fahrlässig.
Europa muss nicht die komplett aus dem Ufer gelaufene Infrastrukturhysterie der USA kopieren, in der Milliarden in Rechenzentren fliessen, bevor klar ist, wofür. Aber es braucht ein koordiniertes Vorgehen auf mehreren Ebenen.
Regierungen müssen investieren – gezielt und strategisch. In der Schweiz bedeutet das: die Swiss AI Initiative und Apertus substanziell weiter unterstützen, nicht als Forschungsprojekt, sondern als Infrastruktur. Und international kooperieren. Norwegen macht mit NorwAI vor, wie ein kleines Land seine KI-Souveränität aufbaut: drei Universitäten, zwei Forschungsinstitute und zwölf Unternehmen – darunter Schibsted, Telenor und DNV – arbeiten dort gemeinsam an Modellen, Anwendungen und Standards. Eine Zusammenarbeit zwischen der Schweiz und solchen Partnern wäre naheliegend und überfällig.
Gleichzeitig braucht es konkrete Infrastruktur für den Alltag. Die Swisscom ist bereits strategischer Partner der Swiss AI Initiative. Aber sie sollte nicht nur Modelle in der Schweiz betreiben, sondern auch Open-Source-Modelle aus China und den USA systematisch prüfen – auf Sicherheit, Vertrauenswürdigkeit und Einsatzfähigkeit. Und sie sollte KMUs verbilligte Testeinsätze ermöglichen, damit nicht nur Grosskonzerne von der neuen Technologie profitieren. Der Bund wiederum muss dafür sorgen, dass nicht nur die Swisscom allein diesen Markt besetzt – ironischerweise könnte auch die Post eine Rolle spielen. Wettbewerb ist hier kein Luxus, sondern Voraussetzung für Souveränität.
Grosse Firmen müssen sich zusammenschliessen – nach dem Vorbild von NorwAI, wo Industrie und Forschung gemeinsam in KI investieren. In der Schweiz fehlt ein solcher Zusammenschluss. Die Kompetenz wäre da, aber sie ist verstreut.
Und KMUs müssen KI konsequent in ihre Betriebe bringen. Nicht als Pilotprojekt, sondern als strategische Priorität. Viele tun das bereits – Schweizer KMUs setzen Machine Learning ein, um ihre Produkte zu verbessern. Die Fachhochschulen haben die Kompetenz, sie zu begleiten. Was fehlt, ist die Breite. Die Diffusion muss beschleunigt werden.
Die doppelte Chance liegt auf dem Tisch. Intern: bessere Klarheit, besseres Denken, bessere Organisationen. Und vor allem extrem viel kollaborativer Software erstellen. Extern: ein bewusster Umgang mit technologischer Souveränität. Beides erfordert, dass wir verstehen, was gerade passiert – nicht nur technisch, sondern strukturell und politisch.
Die Werkzeuge, die Welt besser zu machen, waren nie so zugänglich. Aber wem diese Werkzeuge gehören – das entscheidet sich jetzt.
Rom, Zürich, Brig und Solothurn – Frühling 2026 Kerngedanken, Formulierungen Moritz Zumbühl mit Legasthenieunterstützung durch Opus 4.6, Feedback und Schärfung Jon Pult, Matthias Kestenholz, Felix Frei. Zuerst als LinkedIn-Artikel publiziert.