Der Cheat-Code für KI

Lesen Sie, wie Sie schneller ans (KI-)Ziel kommen.NuPenDekDee | shutterstock.com



Die Grenzen von Large Language Models (LLMs) verschieben sich täglich. GPT, Claude und Gemini übertreffen mittlerweile regelmäßig das, was noch vor wenigen Monaten als „Cutting Edge“ galt. Mit der zunehmenden Verbreitung kommerzieller KI hören wir immer wieder dieselbe Frage von Führungskräften in Unternehmen: Wie können wir diese Leistungsfähigkeit nutzen?



Die Antwort: Wer besonders schnell vorankommen möchte, sollte auf den Cheat-Code für KI zurückgreifen: Open Source.



Open-Source-Wissen vorinstalliert



Millionen von Dateningenieuren, Wissenschaftlern und Analysten weltweit vernetzen sich über Open-Source-Technologien wie OpenTelemetry, Prometheus, Linux, Kubernetes und Apache Spark. In Blogs, Videos, Git-Repositories und anderen öffentlichen Dokumentationen führen sie ungefilterte Diskussionen, tauschen Best Practices, APIs und Dashboards aus und vieles mehr. Das alles findet nicht in proprietären abgeschotteten Systemen, sondern im offenen Web statt.



Im Ergebnis haben die führenden LLMs längst das Wissen „an Bord“, um mit diesen offenen Ökosystemen zu interagieren. Sie wurden auf Tausenden von öffentlichen Post-Incident-Reviews in Zusammenhang mit Open Source Software trainiert. Sie verstehen auch einschlägige Fachsprache in diesem Zusammenhang und können Tasks verzögerungsfrei ausführen, die viele nicht-technisch ausgerichtete Menschen verblüffen würden. Das haben wir auch am eigenen Leib erfahren: Innerhalb weniger Tage konnten wir eine neue KI-Agenten-Schnittstelle erstellen und skalieren. In erster Linie deshalb, weil die zugrunde liegenden Modelle nicht erst darauf trainiert werden mussten, unsere Open-Source-Systeme zu verstehen und mit ihnen zu interagieren.



Natürlich besteht trotzdem immer das Risiko, dass Modelle schlechte oder ungenaue Informationen aus einem Dokumentationskorpus generieren. Insbesondere neue, quelloffene Technologien sind oft inhaltlich noch nicht breit und tief genug, um richtig von KI-Modellen erfasst zu werden.



Quelloffen zur “AI Readiness”



Die KI-Ambitionen prallen vielerorts auf die Realität: Unter dem Druck ihrer Investoren versuchen Unternehmen, möglichst schnell voranzukommen. Sie wollen ihren Engineers, Kundenbetreuern, Marketing-Profis und anderen Chatbot-ähnliche Erfahrungen bieten, um die Produktivität und Effizienz zu verbessern und neue Wachstumschancen zu erschließen. Parallel befürchtet laut einer Umfrage von PwC allerdings fast jedes zweite Unternehmen, hinter der Konkurrenz zurückzufallen. Aus diesem Grund suchen sie zunehmend nach Standalone-Systemen, die sie schnell einführen und für eine Vielzahl von Anwendungsfällen einsetzen können. Zudem legen die Anwenderfirmen auch Wert darauf, ihre eigenen, proprietären und domänenspezifischen Daten einfließen zu lassen, um die KI-Performance bei Bedarf zu optimieren.



Die Softwareindustrie stellt das vor eine neue Herausforderung: OpenAI, Anthropic und andere KI-Konzerne verfügen über Investitionskapital in Höhe von mehreren Milliarden Dollar. Und über Teams, die mit den weltweit besten Talenten besetzt sind. Andere Unternehmen können hier schlicht nicht mithalten. Das ist auch der Grund, warum selbst datenfokussierte Unternehmen wie Snowflake nicht mehr im Bereich der Modellentwicklung tätig sind.



Allerdings ist es nicht so einfach, seine Systeme mit ChatGPT-5, Grok 4 und anderen marktführenden LLMs direkt nach deren Release zu verbinden. Oftmals gibt es dafür eine Integrationsphase, in der die Technologieanbieter Zeit, Talente und Ressourcen aufwenden müssen, um neue Modelle im Umgang mit ihren proprietären Systemen zu schulen. Das ist bei Open Source – oder weit verbreiteten, offenen Standards wie SQL und JSON – nicht der Fall. Die großen Mengen von öffentlich verfügbaren Inhalten zu quelloffenen Technologien – etwa in Form von Forumsdiskussionen oder Tutorials –ist mittlerweile in die führenden KI-Grundmodelle integriert. Zwar gibt es auch öffentliche Dokumentationen für proprietäre Software. Diese sind jedoch oft deutlich weniger umfangreich und reichen nicht aus, um Reinforcement Learning effektiv zu unterstützen.



Letztendlich steigt mit dieser Entwicklung jedoch vor allem der Druck auf die Open-Source-Anbieter, die Communities hinter ihren Projekten weiterhin zu unterstützen – schließlich sind sie der Kraftmultiplikator, der das Trainingsmaterial für die KI bereitstellt. Und da immer mehr tägliche Interaktionen über agentenbasierte KI-Schnittstellen stattfinden, ist es essenziell, diese auf robuste, genaue und vertrauenswürdige Art und Weise zu dokumentieren. Parallel trägt Open Source aufgrund seines Interoperabilitätsfokus auch dazu bei, dass KI-Agenten ein integriert(er)es Erlebnis bieten können.



In einem Markt, in dem Ergebnisse am besten schon gestern vorliegen, bietet Open Source einen raren Vorteil: sofortige AI Readiness. Oder anders ausgedrückt: schnellere Innovation mit weniger Ressourcen. Für CIOs und Entwickler ist der Cheat-Code eine KI, die auf offenen Systemen fußt. (fm)



Dieser Beitrag wurde im Rahmen des englischsprachigen Experten-Netzwerks von Foundry veröffentlicht.