Federated Learning: Souveräne KI-Modelle mit Flower Labs trainieren

Wie können hunderte Krankenhäuser ein gemeinsames KI-Modell trainieren, ohne sensible Patientendaten preiszugeben? Federated Learning macht es möglich und Daniel J. Beutel, Co-Founder von Flower Labs, erklärt, warum dieser dezentrale Ansatz für Unternehmen strategisch überlebenswichtig ist. Mit jedem Prompt an ein externes Modell wie ChatGPT verlässt ein Stück deines Wettbewerbsvorteils das Unternehmen - eine schleichende Enteignung, die langfristig die eigene Innovationskraft untergräbt. In dieser Episode von AI to the DNA spricht Host Christoph Magnussen mit Daniel über die fundamentale Entscheidung zwischen zentraler und dezentraler KI-Architektur. Es geht darum, wie Unternehmen durch souveräne, sich selbst verbessernde KI-Systeme ihre Datenhoheit wahren und einen nachhaltigen Vorsprung aufbauen können. Daniel zeigt auf, warum Europa im Bereich der industriellen KI eine führende Rolle einnehmen kann, wenn es jetzt die richtigen Weichen stellt.

Das Wichtigste auf einen Blick

• Zentrale vs. dezentrale KI-Architektur: Klassische Anbieter wie OpenAI nutzen eine zentrale Architektur, bei der alle Daten zur Verarbeitung an ihre Server gesendet werden müssen. Flower Labs verfolgt einen dezentralen Ansatz, bei dem Unternehmen den kompletten KI-Stack auf ihrer eigenen Infrastruktur betreiben und die volle Datenhoheit behalten.
• Federated Learning als Schlüsseltechnologie: Dieser Ansatz ermöglicht es mehreren Parteien, ein KI-Modell gemeinsam zu trainieren, ohne ihre Rohdaten zu teilen. Statt der Daten werden nur die lokalen Lernergebnisse (Modell-Updates) ausgetauscht. Dies ist besonders für datensensible Bereiche wie das Gesundheitswesen oder die Finanzbranche revolutionär.
• Das IP-Dilemma: Daniel argumentiert, dass jeder Prompt an ein externes Modell einen Teil des firmeneigenen Wissens und geistigen Eigentums (IP) preisgibt. Langfristig führt dies dazu, dass man die Kuh verkauft, um später die Milch zurückzukaufen und so seinen Wettbewerbsvorteil an die Modell-Anbieter verliert.
• Vom KI-Assistenten zum KI-nativen Workflow: Der wahre Wandel liegt nicht darin, Mitarbeitern einen Chatbot zur Seite zu stellen (KI-assistiert). Vielmehr geht es darum, ganze Arbeitsabläufe mit KI-Agenten neu zu denken (KI-nativ) und geschlossene Lernkreisläufe (Closed-Loop-Systeme) zu schaffen, in denen die KI mit jeder Interaktion besser wird.
• Europas strategische Chance: Daniel sieht für Europa, insbesondere für den deutschen Mittelstand und die Industrie, eine riesige Chance, im Bereich der industriellen KI führend zu werden. Voraussetzung ist, dass Unternehmen den Wert ihrer Daten und Prozesskenntnisse erkennen und in souveräne KI-Lösungen investieren, statt ihr Wissen abfliessen zu lassen.

Zentral vs. Dezentral: Der Kampf um die Hoheit über Unternehmensdaten

Im Kern der aktuellen KI-Revolution steht eine grundlegende architektonische Entscheidung, die jedes Unternehmen für sich treffen muss. Christophs Gast Daniel J. Beutel erklärt den Unterschied zwischen den zwei vorherrschenden Paradigmen. Die großen, bekannten KI-Anbieter wie OpenAI oder Anthropic setzen auf eine zentralisierte Architektur. Das bedeutet: Um ihre Modelle zu nutzen, musst du deine Daten - deine Prompts, deinen Kontext, dein geistiges Eigentum - an deren Server senden. Alles landet an einem zentralen Ort, den du nicht kontrollierst.

Flower Labs verfolgt den entgegengesetzten, dezentralen Ansatz. Die Vision ist es, jedem Unternehmen zu ermöglichen, einen vollständigen KI-Stack auf der eigenen Infrastruktur zu betreiben, sei es im eigenen Rechenzentrum oder in einer selbst gewählten Cloud-Region. So bleiben die Daten jederzeit unter der vollen Kontrolle des Unternehmens. Daniel betont, dass es nicht um ein Entweder-Oder geht. Ein Unternehmen kann sich entscheiden, unkritische Aufgaben wie das Verfassen eines Social-Media-Posts weiterhin über externe Modelle abzuwickeln, während strategisch wichtige Prozesse auf dem eigenen, souveränen System laufen. Um dabei eine Performance zu erreichen, die mit den großen Frontier-Modellen mithalten kann, entwickelt Flower Labs sogenannte Fusion-Modelle. Diese agieren wie ein intelligenter Router, der unter der Haube verschiedene, spezialisierte Open-Weight-Modelle je nach Aufgabe kombiniert und so deren jeweilige Stärken ausspielt.

Wie funktioniert Federated Learning in der Praxis?

Was passiert, wenn kein einzelnes Krankenhaus genügend Daten hat, um ein brauchbares KI-Modell zur Diagnose von Krankheiten zu trainieren? Die zentrale Lösung wäre, alle Patientendaten an einem Ort zu sammeln - ein aus Datenschutzgründen undenkbares Szenario. Hier kommt Federated Learning ins Spiel. Daniel beschreibt, wie dieser Ansatz es ermöglicht, die Stärke der Masse zu nutzen, ohne die Sicherheit des Einzelnen zu kompromittieren. In Netzwerken, die Flower Labs unterstützt, kommen teilweise über hundert Institutionen zusammen.

Der Prozess funktioniert so: Statt die Daten zu zentralisieren, wird das KI-Modell zu den Daten geschickt. Jedes Krankenhaus trainiert das Modell lokal auf seinen eigenen, anonymisierten Datensätzen, zum Beispiel auf tausenden von radiologischen Aufnahmen. Anschliessend werden nicht die sensiblen Daten, sondern nur die daraus resultierenden Lernergebnisse - also die Verbesserungen des Modells - gesammelt, aggregiert und an alle Teilnehmer zurückgespielt. Dieser Zyklus wird so lange wiederholt, bis ein robustes, hochpräzises Modell entsteht, das quasi auf dem Wissen aller Institutionen basiert, ohne dass ein einziger Datensatz seinen Ursprungsort verlassen hat. Zusätzliche Techniken wie Differential Privacy und Secure Multi-Party Computation (MCP) sorgen für mathematisch garantierte Sicherheit und verhindern, dass Rückschlüsse auf einzelne Datenpunkte möglich sind.

Jeder Prompt ist ein Stück verkaufte Zukunft

Die Verlockung, die neuesten und leistungsfähigsten Modelle von externen Anbietern zu nutzen, ist groß. Doch Daniel warnt eindringlich vor den strategischen Langzeitfolgen. Er vergleicht die Situation mit dem Verkauf der eigenen Kuh, nur um später die Milch teuer zurückkaufen zu müssen. Mit jedem Prompt, der sensible Unternehmensinformationen enthält - sei es eine neue Produktidee, eine interne Strategie oder eine Kundenanalyse -, fütterst du das Modell eines anderen Unternehmens. Du gibst kontinuierlich ein kleines Stück deines Wettbewerbsvorteils ab.

Dieser schleichende IP-Abfluss schafft eine gefährliche Abhängigkeit. Zum einen, weil du die Kontrolle darüber verlierst, wer von deinem Wissen profitiert - im schlimmsten Fall wird der Modell-Anbieter selbst zu deinem Konkurrenten. Zum anderen, wie die jüngsten politischen Entscheidungen der US-Regierung zeigen, kann der Zugang zu diesen Schlüsseltechnologien jederzeit eingeschränkt werden. Für europäische Unternehmen stellt sich daher die fundamentale Frage, ob sie auf eine Infrastruktur setzen wollen, die sie nicht kontrollieren können, oder ob sie in eigene, souveräne Systeme investieren, um ihren wertvollsten Schatz - ihr Wissen und ihre Daten - zu schützen und auszubauen.

Der Sprung von KI-assistiert zu KI-nativ

Vielen Unternehmen einen Chatbot wie ChatGPT zur Verfügung zu stellen, ist laut Daniel nur der erste, oberflächliche Schritt. Er bezeichnet dies als KI-assistiertes Arbeiten: Die alten Prozesse bleiben bestehen, werden aber durch ein Werkzeug leicht beschleunigt. Der wahre Paradigmenwechsel liegt im Übergang zu einer KI-nativen Arbeitsweise. Hier geht es darum, komplette Workflows von Grund auf neu zu denken und rund um KI-Agenten zu gestalten, die Aufgaben autonom ausführen können.

Der entscheidende Baustein dafür ist ein geschlossener Lernkreislauf, eine sogenannte Self-Improvement-Loop. In einem solchen System lernt der KI-Agent mit jeder Interaktion und jedem Feedback dazu. Wenn ein Mitarbeiter das Ergebnis eines Agenten korrigiert, wird diese Korrektur zur neuen Lerngrundlage. Das System merkt sich Präferenzen, Formulierungen und Fachwissen und wird so kontinuierlich besser. Anstatt bei jeder Anfrage bei null anzufangen, baut das Unternehmen einen sich selbst verstärkenden Wissensschatz auf. Die Rolle des Menschen wandelt sich vom Ausführenden zum Supervisor, der die KI-gesteuerten Prozesse überwacht, verbessert und die Qualität der Ergebnisse sicherstellt.

Praktische Schritte für den Einstieg in die souveräne KI

1. Triff eine bewusste strategische Entscheidung: Der erste und wichtigste Schritt muss von der Führungsebene kommen. Analysiere, welche Daten und Prozesse den Kern deines Wettbewerbsvorteils ausmachen. Entscheide auf dieser Basis, wo du auf externe Modelle setzen kannst und wo eine souveräne, interne Lösung unerlässlich ist, um dein geistiges Eigentum langfristig zu schützen.
2. Fange klein an und lerne schnell: Versuche nicht, sofort das gesamte Unternehmen umzukrempeln. Identifiziere einen einzelnen, klar abgrenzbaren Workflow, der einen hohen manuellen Aufwand erfordert. Starte mit einem Pilotprojekt, um diesen Prozess mithilfe eines KI-Agenten zu automatisieren. Der erste Case ist der schwierigste, liefert aber die wertvollsten Erkenntnisse für die nächsten Schritte.
3. Schaffe geschützte Experimentierräume: Deine Mitarbeiter müssen die Freiheit haben, neue Technologien auszuprobieren, ohne Datenschutz- oder Sicherheitsrisiken einzugehen. Eine souveräne KI-Plattform, die intern gehostet wird, schafft einen solchen Sandbox-Bereich. Fördere eine Kultur, in der Fehler als Teil des Lernprozesses gesehen werden.
4. Setze auf Geschwindigkeit und Iteration: Das KI-Feld entwickelt sich so rasant, dass langfristige Wasserfall-Projekte zum Scheitern verurteilt sind. Daniel betont, was er im Y Combinator gelernt hat: Geschwindigkeit ist alles. Arbeite in kurzen, iterativen Zyklen. Probiere etwas aus, lerne aus dem Ergebnis und passe deine Strategie schnell an.