KI-Kompass Region 18 der TH Rosenheim, Ausgabe 1

Autor: Prof. Dr. Sebastian P. Bayerl, Technische Hochschule Rosenheim
Stand: 24.08.2026

Inhalt dieser Ausgabe

1. Editorial

2. KI Hype oder Substanz? KI-Kennzeichnungspflicht: nützliche Transparenz oder vorauseilender Gehorsam?

3. Nachrichten aus der Hochschule

4. Feature Thema: SOOFI S: Souveräne Modelle als Infrastrukturfrage

5. Tool oder Methode dieser Ausgabe: Qwen3.8-27B lokal: Open Weights als Option, nicht als Dogma

6. SOTA-Überblick

7. Veranstaltungen und Termine: KI und digitale Souveränität für Unternehmen und Behörden – Netzwerkveranstaltung Bayern und Tirol

8. Hinweise einreichen
 

Mit dieser ersten Ausgabe startet der KI-Kompass Region 18 als vierteljährlicher Newsletter für Unternehmen, Organisationen und Partner der Technischen Hochschule Rosenheim.

Die Region zwischen München und der österreichischen Grenze ist mittelständisch, wirtschaftlich stark und anwendungsnah geprägt. Wirtschaftlich starke Regionen in Bayern entstanden häufig dort, wo leistungsfähige Unternehmen, berufliche Bildung, Hochschulen und angewandte Wissenschaft eng beieinanderliegen. Die Nähe zwischen Wissenschaft und Industrie ist dabei kein Standortschmuck, sondern ein praktischer Beschleuniger für Innovation, Fachkräfteentwicklung und Transfer in den Mittelstand.

Gerade rund um das Thema KI wird diese Verbindung wieder wichtiger, weil Unternehmen nicht nur neue Werkzeuge brauchen, sondern auch Orientierung, Evaluationskompetenz und verlässliche Partner für die Umsetzung sowie die Fachkräfte von morgen. Dieser Newsletter enthält daher auch KI-Nachrichten aus der Hochschule, aktive Forschungsprojekte, Transferaktivitäten und relevante Veröffentlichungen, die regelmäßig in die News-Sektion einfließen.

Bei der Flut der Neuheiten und Angebote braucht die Region keinen weiteren hektischen KI-Newsticker, sondern eine ruhige Einordnung dessen, was technisch, wirtschaftlich und organisatorisch wirklich relevant wird. Der Anspruch dieses Newsletters ist daher Entschleunigung ohne Verharmlosung, Information ohne Überfrachtung, Einordnung statt Sensation.

In den vergangenen Wochen kamen mehrere leistungsstarke Modellmeldungen fast gleichzeitig: OpenAI machte GPT-5.6 mit den Stufen Sol, Terra und Luna allgemein verfügbar [OpenAI zu GPT-5.6] und aktualisierte ChatGPT im August [OpenAI August-Update], Anthropic veröffentlichte Claude Opus 5 als neues starkes Alltags- und Agentenmodell [Anthropic zu Claude Opus 5], Google positioniert Gemini 3.7 Flash auf einer Intelligence-versus-Time-Pareto-Linie [Artificial Analysis zu Gemini 3.7 Flash], Z.ai listet GLM-5.3 als sehr leistungsfähiges proprietäres Coding- und Agentenmodell [Artificial Analysis zu GLM-5.3], Alibaba stellt Qwen3.8-Modelle mit langen Kontextfenstern und offenen Gewichten heraus [Alibaba zu Qwen3.8-27B] und DeepSeek hat V4-Pro aktualisiert und zugleich seine API-Preise geändert [The Decoder zu DeepSeek V4-Pro]. 

Für die meisten Anwendungsfälle im Mittelstand ist aber nicht entscheidend, welches Modell in dieser Woche einen Benchmark anführt. Entscheidender sind belastbare Fragen: Welche Daten dürfen genutzt werden, wo entsteht messbarer Prozessnutzen, wie bleiben Kosten planbar, welche Mitarbeitenden werden befähigt, und welche Risiken entstehen durch Abhängigkeit von einzelnen Plattformen.

Ein Unternehmen, das heute mit KI arbeitet, muss deshalb nicht jede Modellgeneration verstehen und mitgehen. Es muss aber verstanden werden, welche Aufgaben wiederkehrend, datenreich, fehleranfällig oder wissensintensiv genug sind, um eine systematische KI-Unterstützung zu rechtfertigen. Umgekehrt ist eine KI-Einführung oder ein Modellwechsel ohne Prozessziel selten ein Fortschritt.

Diese Ausgabe setzt deshalb drei Schwerpunkte:

• Erstens geht es um die neue Transparenzlogik rund um KI-generierte Inhalte.
• Zweitens werfen wir einen Blick auf souveräne und lokal betreibbare Modelle.
• Drittens ordnen wir aktuelle Benchmark-Meldungen so ein, dass daraus keine Beschaffungsempfehlung nach Tabellenplatz entsteht.

Die Auswahl der Nachrichten folgt nicht dem Anspruch, vollständig zu sein. Sie folgt der Frage, was für Unternehmen, Verwaltung, Forschung und Transfer in der Region 18 in den kommenden Monaten entscheidungsrelevant werden kann.

Rückmeldungen, Hinweise und regionale Praxisbeispiele sind für die kommenden Ausgaben ausdrücklich erwünscht!

KI-Kennzeichnungspflicht: nützliche Transparenz oder vorauseilender Gehorsam?

Seit dem 2. August 2026 gelten die Transparenzpflichten nach Artikel 50 des EU AI Act, darunter maschinenlesbare Markierungen für KI-generierte oder manipulierte Inhalte durch Anbieter und bestimmte Offenlegungspflichten für Anwender [EU-Kommission].

Anthropic hat darauf mit Text-Wasserzeichen für Claude reagiert und beschreibt das Verfahren als statistische Markierung in der Wortwahl, nicht als unsichtbare Zeichen oder Metadaten [Anthropic via Public]. The Decoder greift die Debatte auf und zeigt, warum das Thema für professionelle Texte heikler ist als ein technischer Compliance-Haken [The Decoder]. Für Unternehmen ist die praktische Lehre: Kennzeichnung ist kein Ersatz für Governance.

Ein Wasserzeichen kann helfen, maschinelle Beteiligung wahrscheinlicher zu machen, aber es beweist weder Autorenschaft noch Qualität noch rechtliche Zulässigkeit. Besonders wichtig ist die Unterscheidung zwischen Anbieterpflicht und Anwenderverantwortung.

Wenn ein Modellanbieter eine technische Markierung einbaut, bleibt das Unternehmen trotzdem verantwortlich für Datenfreigabe, fachliche Prüfung, Dokumentation und Kommunikation. In der Praxis dürfte deshalb weniger die Frage "Ist dieser Text markiert?" entscheidend sein, sondern ob intern nachvollziehbar ist, wer den Text mit welchem Tool, welchen Daten und welcher Freigabe erstellt oder bearbeitet hat.

Der vertiefende Beitrag diskutiert, warum Transparenzpflichten sinnvoll sind, warum Text-Wasserzeichen trotzdem begrenzt bleiben und welche internen Regeln für Unternehmen robuster sind als blinder Tool-Gehorsam.

Mehr dazu

Smart Vitality Care: KI-gestützte Assistenzsysteme für die digitale Pflege

KI aus Rosenheim für eine intelligentere Produktion

Gebäude-KI marktreif machen: Wie AI4Energy Energiekosten senkt und Rüstaufwände abbaut

SOOFI S: Souveräne Modelle als Infrastrukturfrage

SOOFI S ist ein deutsches Forschungsprojekt für ein offenes, souveränes Sprachmodell, das nach Angaben des Konsortiums auf deutscher Infrastruktur trainiert wurde und Gewichte, Code sowie Trainingsdokumentation offenlegen soll [Soofi], [Fraunhofer DSAI].

SOOFI S schlägt kurzfristig und mittelfristig keine internationalen Spitzenmodelle. Relevant ist, dass Europa mit eigenen Datenpipelines, Trainingsverfahren, Evaluationskompetenz und Betriebsmodellen wieder handlungsfähiger werden will. Der Punkt ist strategisch, aber nicht abstrakt. Wer KI nur als fremde Webanwendung einkauft, überlässt Modellversionen, Preismodelle, Datenpfade und oft auch Produktlogik einem externen Anbieter. Dann entstehen zwar kurzfristig nutzbare Lösungen, aber kaum eigenes Know-how.

Gerade bei Foundation Models entsteht entscheidende Kompetenz nicht durch Beobachten, sondern durch praktische Erfahrung mit Daten, Training, Evaluation, Betrieb und Fehleranalyse. Dieses technische Wissen muss in Lehrstühle, Professuren, Forschungsgruppen und Unternehmen diffundieren, wenn es für die Region wirksam werden soll. Die heutigen Autorinnen, Autoren, Doktorandinnen und Doktoranden solcher Projekte sind häufig die morgigen Forschungsgruppenleitungen, KI-Verantwortlichen, Gründerinnen, Gründer und Professorinnen. Und die Wahrheit ist, dass eigene Kompetenzen im Bereich KI nicht durch Buchwissen aufgebaut wird, sondern durch Tun!

Für die Region 18 ist das ein Transfer-Thema. Souveräne KI ist spätestens seit neuen Export- und Zugriffsbeschränkungen auf leistungsfähige Modelle keine abstrakte Industriepolitik mehr. Sie betrifft Unternehmen überall dort, wo KI eingesetzt, in Prozesse integriert oder teilweise automatisiert werden soll. Dazu gehören Datenschutz, IT-Sicherheit, Beschaffung, Kostenkontrolle und die Frage, welche Kompetenzen im Unternehmen, in der Hochschule und im Land bleiben.

Mehr dazu

Qwen3.8-27B lokal: Open Weights als Option, nicht als Dogma

Qwen3.8-27B ist ein offenes 27B-Modell mit Text-, Bild- und Videoeingabe, textueller Ausgabe, langem Kontextfenster und Apache-2.0-Lizenz laut Artificial Analysis und Alibaba-Dokumentation [Artificial Analysis], [Alibaba Cloud].

Damit wird lokaler oder kontrollierter Betrieb für bestimmte Aufgaben realistischer, insbesondere wenn Datenschutz, Kostenkontrolle oder Offline-Fähigkeit wichtiger sind als maximale Frontier-Leistung. Die Kostenrechnung darf natürlich nicht beim Download der Gewichte enden. Relevant sind Hardware, Energie, Wartung, Modellserving, Quantisierung, Monitoring, Sicherheitsupdates und die Frage, ob die eigene Aufgabe mit einem kleineren Modell stabil genug gelöst wird.

Als Faustregel für Pilotprojekte eignet sich daher ein aufgabenbezogener Vergleich. Man misst nicht, welches Modell allgemein am beeindruckendsten antwortet. Man misst, welches Setup auf den eigenen Dokumenten, Formularen, Tickets, Zeichnungen oder Codebasen die höchste Zahl brauchbarer Ergebnisse pro Euro und Bearbeitungsstunde liefert.

Mehr dazu

Über den State-of-the-Art (SotA) aktueller Modelle berichtet Artificial Analysis. Dort wird nicht nur Modellleistung als reine Rangliste erfasst, sondern auch über Kosten, Geschwindigkeit, Kontextfenster, Tokenverbrauch und methodische Kategorien zusammen [Artificial Analysis]. Diese Perspektive ist für Unternehmen hilfreicher als reine Spitzenplatz-Logik.

Gemini 3.7 Flash zeigt, dass ein Modell durch Geschwindigkeit und Kostenstruktur attraktiv sein kann, obwohl andere Modelle in einzelnen Benchmarks vorne liegen [Artificial Analysis zu Gemini 3.7 Flash].

GPT-5.6 zeigt, dass Frontier-Anbieter ihre Modellfamilien stärker in Leistungsstufen ausdifferenzieren: Sol für komplexe Arbeit, Terra als ausgewogenes Arbeitsmodell und Luna für kostenbewusste Volumennutzung [OpenAI]. 

Claude Opus 5 zeigt dieselbe Bewegung aus einer anderen Richtung: sehr hohe Leistung für Coding, Wissensarbeit und agentische Workflows, aber näher am täglichen Einsatz als ein reines Spitzenmodell [Anthropic].

GLM-5.3 zeigt die Stärke spezialisierter Agenten- und Coding-Modelle, bleibt in der aktuellen Artificial-Analysis-Einordnung aber ein proprietäres Modell [Artificial Analysis zu GLM-5.3].

DeepSeek zeigt, dass günstige API-Preise keine dauerhafte Planungsgrundlage sind, weil die V4-Pro-Preise im August 2026 deutlich verändert wurden [The Decoder].

Für die erste Ausgabe lautet die Einordnung deshalb: Der Markt differenziert sich stärker in schnelle Arbeitsmodelle, teure Frontier-Modelle, offene Spezialmodelle und agentische Toolketten. Die Beschaffungsfrage verschiebt sich damit von "Welches ist das beste Modell?" zu "Welche Modellklasse passt zu welchem Prozess?".

Mehr dazu

7. Veranstaltungen und Termine

Der KI-Kompass lebt von Rückmeldungen aus der Region

Gesucht sind Hinweise auf KI-Initiativen, Transferprojekte, Veranstaltungen, studentische Arbeiten, Unternehmensprojekte und ehrliche Erfahrungsberichte aus der Praxis. Besonders wertvoll sind nicht nur Erfolgsgeschichten, sondern auch gescheiterte oder abgebrochene Vorhaben, weil daraus oft die belastbarsten Lernpunkte entstehen. Interessant sind kurze Erfahrungsberichte aus Produktion, Verwaltung, Handwerk, Gesundheit, Bildung, Tourismus, Softwareentwicklung und Beratung.

Ein guter Hinweis muss nicht perfekt ausgearbeitet sein.

Wichtig sind ein konkreter Anwendungsfall, der erreichte oder verfehlte Nutzen, die größten Hindernisse und die Frage, was andere Organisationen daraus lernen können.

Bitte reichen Sie Hinweise, Feedback und Vorschläge für die Rubrik "Aus der Praxis" bei ki-kompetenzzentrum@th-rosenheim.de ein.

-------

Dieser Newsletter wurde mit Hilfe von Claude Opus 5.0 und ChatGPT 5.6 erstellt. Alle Bilder wurden mit ChatGPT 5.6 erstellt, sofern nicht anders angegeben.

Zurück zum KI-Kompetenzzentrum der TH Rosenheim.