Mistral-Gründer Mensch: Wer auf proprietäre KI-Modelle setzt, riskiert sein Geschäftsgeheimnis

Mistral-Gründer Arthur Mensch spricht sich für Open-Source-KI aus. Bei LinkedIn warnt er Unternehmen davor, sich auf geschlossene KI-Modelle zu verlassen.

Anbieter solcher Modelle würden zunehmend Daten speichern und so Einblick in Geschäftsprozesse ihrer Kunden gewinnen. Mensch behauptet, manche Anbieter hätten in der Vergangenheit solche Informationen genutzt, um erfolgreiche Kunden gezielt als Konkurrenten anzugreifen.

Er rät Firmen, ihre Daten in offenen Systemen zu speichern, eigene Zugriffsregeln für KI-Systeme einzurichten und ein eigenes Training aufzubauen, auch wenn das eine Mammutaufgabe sei. So entstünden KI-Systeme, die Wettbewerber nicht kopieren könnten. "Führende KI kann das Wachstum eures Unternehmens beschleunigen, aber wenn sie nicht in euren Händen liegt, wird es nicht euer Wachstum sein", schreibt Mensch.

Menschs Äußerungen folgen auf Aussagen von Palantir-CEO Alex Karp, der sich ebenfalls für eigene KI-Modelle in Firmen statt proprietärer Lösungen von außen aussprach. Seine Firma veröffentlichte zudem ein Manifest für sichere KI in Unternehmen. Darin heißt es unter anderem: "Wer seine Gewichte kontrolliert, kontrolliert sein Schicksal. Gewichte sind die destillierte Form von hart erarbeitetem, über Jahre angesammeltem Unternehmenswissen. Wer anderen die Kontrolle über seine Gewichte überlässt, erlaubt ihnen, den Wettbewerbsvorteil des eigenen Unternehmens auf ihr eigenes zu übertragen."

Mehrere Wahrheiten

Menschs Thesen sind begründet. Zur Wahrheit gehört aber auch, dass Mistral als einziges EU-Unternehmen mit relevanten KI-Modellen den Leistungen der Frontier-Modelle wie GPT-5.6 Sol oder Fable 5 wenig entgegensetzen kann. Das Geschäftsmodell von Mistral ist stark auf EU-Souveränität ausgerichtet, denn hier kann die Firma am ehesten punkten, auch wenn ungefähr 30 Prozent der Anteile bei US-Investoren liegen.

Zudem hat sich in der Vergangenheit häufig gezeigt, dass große generalisierende KI-Modelle auch in Spezialistenbenchmarks besser abschneiden als spezialisierte Modelle, sofern das Spezialwissen Teil der Trainingsdaten war. Mensch argumentiert also im eigenen Geschäftsinteresse.

Allerdings bestätigt ein kürzlich veröffentlichtes Experiment zur Auswertung von Finanzdokumenten Menschs Perspektive teilweise. Internes Expertenwissen, das nicht in den Trainingsdaten der großen Modelle enthalten ist, kann einen klaren Vorteil bringen. Der Hedgefonds Bridgewater und Thinking Machines Lab, das Start-up der früheren OpenAI-Technikchefin Mira Murati, trainierten das offene Modell Qwen3-235B mit eigenen Investorenbewertungen nach. Das nachtrainierte Modell erreichte laut eigener Auswertung 84,7 Prozent Treffsicherheit bei der Einschätzung von Finanzdokumenten, während das beste Frontier-Modell bei 78,2 Prozent lag. Die Betriebskosten waren dabei fast 14-mal niedriger.

Ein unabhängiger Vergleich ist das allerdings nicht, da beide Unternehmen ein Interesse am Verkauf ihres Produkts haben. Zudem können Firmen wie Anthropic oder OpenAI solche Daten für zukünftige Trainings einfach kaufen oder selbst erstellen und wären dann wohl wieder im Vorteil.