KI - kurz und informativ, Klartext "to Go" in unter 5 Minuten

Mehr als die Steckdose der Republik: KI-Rechenzentren, grüner Strom und Gesundheitsdaten.

Kann ein kleines Bundesland zum Vorbild für digitale Souveränität werden? Interview mit Minister Dr. Wolfgang Blank.

Es geht um die entscheidende Frage: Wer behält im KI-Stack die Wertschöpfung?

Mecklenburg-Vorpommern hat vieles, was KI-Infrastruktur braucht: grünen Strom im Überfluss, mittlerweile die niedrigsten Netzentgelte Deutschlands, grosse Flächen und mit dem Seekabel C-Lion1 in Rostock eine leistungsstarke Datenanbindung nach Nordeuropa. Laut Bitkom-Studie 2025 punktet das Land vor allem bei Stromnetz und Fläche. Bei der installierten Rechenleistung ist es allerdings noch Schlusslicht.

Wir sprechen darüber, warum MV nicht nur Energie liefern, sondern auch digitale Dienstleistungen und ein wirtschaftliches Ökosystem ansiedeln will und damit im „Five Layer Cake" von der Energie- bis zur Anwendungsebene aufsteigen möchte.

Ausserdem schauen wir uns die SHIP-Studie mit ihren einzigartigen Gesundheitsdatensätzen an, sprechen über den Digital Health Hub bis zur Frage, wie sich damit Startups anlocken lassen. Und warum echte Innovation nicht nur Technologie bedeutet, sondern auch neue Prozesse und Arbeitsweisen.

Schau gerne auch auf der neuen Website zum Podcast vorbei:

https://podcast.pyucation.de

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Kimi K3 von Moonshot AI ist gerade in aller Munde. Ein Open-Weight-Modell mit 2,8 Billionen Parametern, das mit den besten Modellen aus den USA mithalten will. Aber wie installiert man eigentlich ein solches Modell selbst?

In dieser Folge nehmen wir Kimi K3 als Aufhänger, um den kompletten Prozess zu erklären: Was unterscheidet ein Open-Weight-Modell von proprietären Systemen wie ChatGPT oder Claude? Warum könnt ihr Kimi K3 selbst trotz Quantisierung nicht auf eurem Laptop laufen lassen und welche kleineren, alltagstauglichen Modelle funktionieren stattdessen?

Ich erkläre euch Hugging Face als zentrale Anlaufstelle für Open-Weight-Modelle, erkläre die wichtigsten Dateiformate GGUF und Safetensors, und stellen die drei populärsten Tools für den lokalen Betrieb vor: Ollama, LM Studio und Open WebUI.

Diese Folge baut auf unseren vorherigen Episoden zu Quantisierung und Speicherarten (VRAM, RAM, Unified Memory) auf und liefert den praktischen Einstieg zum Selbermachen.

Themen: Kimi K3, Moonshot AI, Open-Weight-Modelle, Hugging Face, GGUF, Ollama, LM Studio, lokale LLMs, KI selbst hosten

Links:

- Erklärung GGUF: https://huggingface.co/docs/hub/gguf

- Erklärung Safe Tensors:

https://huggingface.co/docs/safetensors/index

- Kimi K3 auf Hugging Face: https://huggingface.co/moonshotai/Kimi-K3

- Open WebUI: https://docs.openwebui.com/

- Ollama: https://ollama.com/

- LM Studio: https://lmstudio.ai/

Sollte euer Unternehmen KI-Modelle selbst hosten oder aus der Cloud mieten. Und was hat der US Cloud Act damit zu tun?

In dieser Folge von "KI kurz und informativ" schliessen wir unsere Mini-Serie zu Hardware und Hosting von KI-Modellen ab. Wir vergleichen On-Premise-Betrieb und Cloud-Computing anhand der vier klassischen Abwägungspunkte: Kosten, Kontrolle, Skalierung und Beschaffung.

Ausserdem schauen wir uns an, warum ein Serverstandort in Frankfurt oder Amsterdam allein noch keine Garantie für europäisches Recht ist und was der US CLOUD Act damit zu tun hat. Neben den vier genannten Kriterien ist Datensouveränität ebenso eine zentrale Grösse, die sich schwer in Geld bemessen lässt.

Diese Folge baut auf unseren letzten beiden Episoden zu Quantisierung und Speicherarten (VRAM, RAM, Unified Memory).

Quellen:

- Microsoft kann keine Datensouveränität garantieren: https://www.forbes.com/sites/emmawoollacott/2025/07/22/microsoft-cant-keep-eu-data-safe-from-us-authorities/

- US Cloud Act: https://www.digital-chiefs.de/eu-tech-sovereignty-paket-cloud-souveraenitaet-vorstand-cloud-act-dach/

- Hyperscaler Marktanteile: https://www.itreseller.ch/Artikel/104615/Hyperscaler-Kapazitaet_hat_sich_mehr_als_vervierfacht.html (ältere Zahlen aus Jan. 2026)

Speicher ist nicht gleich Speicher. Wie viel Arbeitsspeicher braucht ein LLM wirklich? Warum reicht es nicht aus, einfach mehr "Speicher zu kaufen"?

In dieser Folge von "KI kurz und informativ" schauen wir uns die drei physischen Speicherebenen im PC oder Server an: VRAM (Grafikkarte), RAM (Arbeitsspeicher) und Massenspeicher (SSD/HDD). Ausserdem erklären wir, was Apple mit seinen M-Chips und dem sog. "Unified Memory" anders macht als klassiche Windows-PCs mit dedizierter Grafikkarte, warum die aktuellen RAM-Preissteigerungen direkt mit dem KI-Boom zusammenhängen, und wieso Kontextlänge (KV-Cache) und Nutzerzahl (Concurrency) den Speicherbedarf in der Praxis zusätzlich in die Höhe treiben.

Diese Folge baut auf unserer letzten Episode zu Quantisierung auf und bereitet den Boden für die nächste Folge: Cloud vs. On-Premise-Hosting von KI-Modellen aus Business-Sicht.

Quellen:

Apple M7 im Tapeout: https://www.heise.de/news/M-Chips-M7-mit-bis-zu-1-5-TByte-und-warum-Apple-den-M6-ueberspringt-11362052.html

Large Language Models (LLMs) wie GPT auf dem eigenen PC oder Smartphone laufen lassen? Ja, das geht!

Quantisierung ist eine Schlüsseltechnik, mit der das funktioniert. Damit können riesige KI-Modelle drastisch verkleinern lassen, ohne dabei komplett auf Qualität zu verzichten.

Du erfährst in der Folge:

• Warum LLMs so viel Speicherplatz brauchen (und was FP32, FP16 und INT8 damit zu tun haben).
• Wie Quantisierung den Speicherbedarf eines Modells

reduziert.

• Was die Vor- und Nachteile sind und wie du dank Quantisierung, ein LLM theoretisch lokal auf deinem PC, Mac oder Home-Server betreiben könntest.

„Wissen ins Unternehmen bringen" ist schon die falsche Formulierung, denn Wissen ist kein Paket, das man einkauft und ins Regal stellt.

In dieser Folge geht es darum, wie ihr KI-Kompetenz wirklich intern aufbaut. Wir schauen uns die drei üblichen Wege an: Einkauf, Lernplattformen und die isolierte KI-Abteilung und warum sie für sich genommen selten reichen.

Wir schauen uns Ansatz gezielt an, erötern die Vor- und Nachteile und ich erkläre, was ich in der letzten Folge mit dem Sprichwort über den Fisch meinte.

("Gib einem Mann einen Fisch und er ernährt sich einen Tag. Zeig dem Mann wie man fischt und er ernährt sich sein Leben lang.")

Das heisst, dass ihr euch die Frage jedes Mal stellen solltet, wenn ihr externe Hilfe zu Rate zieht: Verkauft mir jemand gerade einen Fisch oder zeigt er mir das Fischen?

Quellen:

https://www.datacamp.com/blog/the-state-of-data-and-ai-literacy-in-2026-definitions-statistics-and-the-ai-skills-gap

Links:

Folge über KI-Jobrollen: https://open.spotify.com/episode/1f4cAqCJhRU1eT8CYxZ5cS?si=RkAdQfwZTdeTZxbASfaSEg

Letzte Folge über KI-Einführung im Unternehmen: https://open.spotify.com/episode/2ZAWIVLmuE0podQArCKwAo?si=mQpXtTAaShizR887T5n9hQ

Wie führt man KI im Unternehmen ein? Schaut man sich erst alle Use Cases an? Setzt man zuerst eine Governance auf oder kauft man Copilot-Lizenzen?

Wir analysieren heute, was bestehende Ansätze gut und nicht so gut machen, wie in der Vergangenheit transformative Technologien eingeführt wurden und schliessen daraus unsere Erkenntnisse.

Nach einer etwas längeren Herleitung bekommt ihr sieben Leitplanken zur Einführung von KI in Unternehmen. Das Ergebnis dürfte den ein oder anderen überraschen.

Schreibt gerne in die Kommentare, was eure Meinung dazu ist. Ich freue mich immer über eure Ansichten!

Ausgewählte Quellen:

https://www.weforum.org/stories/2019/04/the-latest-technology-isnt-enough-you-need-the-business-model-to-go-with-it/

https://writer.com/blog/enterprise-ai-adoption-2026/

https://bsykes.substack.com/p/the-state-of-ai-adoption-in-the-enterprise

Wie lernt ein neuronales Netz eigentlich aus seinen Fehlern? In dieser Folge von „KI – kurz und informativ" schauen wir uns das Perzeptron an, das erste und einfachste neuronale Netz der Welt. Wir erklären, was eine Loss Function (Verlustfunktion) ist, wie Backpropagation funktioniert und warum moderne KI-Modelle Milliarden von Parametern haben.

Wie immer an einem einfachen Beispiel erklärt, diesmal anhand vom Dart-Spielen.

Wenn ihr diese Folge inkl. dem ersten Teil zu neuronalen Netzen verstanden habt, seid ihr sehr gut aufgestellt, was die Grundlagen von Deep Learning angeht.

Teil 1: Einführung in Neuronale Netze: https://open.spotify.com/episode/0olv9oEjTD0MtPIue4BRtv?si=HYZatk6lSJGQ0NghUga8zA

Teil 2 zum EU AI Act. Nachdem wir in der letzten Folge geklärt haben, wer betroffen ist und welche Risikoklassen es gibt, geht es heute um die Pflichten, die bereits gelten, was ab August 2026 gelten wird und welche Strafen im Zweifelsfall drohen.

Drei Themen stehen im Mittelpunkt: die KI-Kompetenzpflicht, die schon seit Februar 2025 gilt und von den meisten noch nicht auf dem Schirm ist, die Transparenz- und Kennzeichnungspflichten, die in wenigen Wochen greifen und das Bussgeldsystem, das die DSGVO-Strafen deutlich übertrifft.

Fragen für diese Folge:

• Dokumentiert ihr, wer im Unternehmen wie mit KI arbeitet und welche Schulungen stattgefunden haben?
• Setzt ihr Chatbots oder generative KI im Kundenkontakt ein? Seid ihr auf die Kennzeichnungspflichten ab August 2026 vorbereitet?
• Habt ihr ein KI-Inventar, respektive eine Liste aller eingesetzten Systeme mit grober Risikoeinschätzung?

Links:

EU AI Act - Was ist das und wen betrifft das? | Teil 1: https://open.spotify.com/episode/2PMaslOzW7gGOax1h6RErv?si=xxaLUD5NRdKHSrNHGiYKhQ

Der EU AI Act ist das erste KI-spezifische Gesetz weltweit, aber was bedeutet das konkret für euch?

Was steckt hinter der zentralen Idee des risikobasierten Ansatzes? Seid ihr Anbieter oder Betreiber eines KI-Systems und warum macht das einen grossen Unterschied? Und in welche Risikoklasse fällt euer System eigentlich?

Ich bin kein Jurist, das ist auch keine Rechtsberatung und soll euch einfach als Überblick dienen.

Fragen für diese Folge:

• In welcher Rolle sitzt ihr: Anbieter oder Betreiber?
• Welche eurer KI-Systeme könnten in den Hochrisiko-Bereich fallen? Wie sieht der Weg zu einem Hochrisiko-KI-System in der Praxis aus?
• Nutzt ihr Open-Source-Modelle? Habt ihr geprüft, ob die Open-Source-Ausnahme wirklich greift?

Im zweiten Teil stellen wir dann die Fragen: Welche Pflichten gelten bereits heute, wie sieht der Zeitplan aus und was kostet euch Nichtbeachtung (Strafen)?

Weiterführende Links:

• Vollständiger EU AI Act (offizieller Text): https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32024R1689
• Anhang III – Hochrisiko-Systeme im Detail: https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32024R1689#d1e38-206-1
• AI Act Explorer und Compliance Checker (Englisch): https://artificialintelligenceact.eu/de/