Keine neuen Datencenter? Wie Small Language Models nachhaltige KI ermöglichen

Der Fortschritt generativer KI hat eine bislang selten reflektierte Kehrseite: Neue Datencenter verschlingen Strom, Wasser und spezialisierte Hardware und treiben die ökologischen Kosten digitaler Innovation massiv nach oben. Diese Session vertritt eine Gegenposition. Nicht größere Modelle sind der nächste Evolutionsschritt, sondern kleinere.

Small Language Models, spezialisiert und gezielt finetuned, erreichen für klar umrissene Aufgaben eine Qualität auf dem Niveau großer Modelle, wie GPT-5. Ihr entscheidender Vorteil zeigt sich jedoch jenseits reiner Performance. Sie lassen sich lokal auf vorhandener Infrastruktur ausführen, auf Laptops, Smartphones oder CPU-Servern. So wird KI vom energieintensiven Cloud-Dienst zu einer effizienten, dezentralen Technologie.

Wir zeigen, dass Spezialisierung der Schlüssel zu Skalierung ist und weshalb lokale Inferenz Kosten und Ressourcen spart. Kurz beleuchten wir offene Fragen zu Training, synthetischen Daten und der Rolle großer Modelle. Ziel der Session ist es, Small Language Models als ernsthafte, nachhaltige Alternative im KI-Ökosystem zu positionieren und und zur Diskussion einzuladen.