SOOFI als souveräne Basisschicht für B2B-Wachstumssysteme
Wenn Unternehmen über künstliche Intelligenz sprechen, sprechen sie meist über Anwendungen: Assistenten, Content-Generatoren, Suchsysteme, Agenten oder automatisierte Workflows. Die strategische Abhängigkeit entsteht jedoch eine Ebene tiefer.
Sie entsteht dort, wo Modelle trainiert, Daten kuratiert, Inferenz betrieben, Schnittstellen definiert und Nutzungsbedingungen festgelegt werden. Wer diese Basisschicht nicht kontrolliert, kann produktive KI-Systeme bauen. Er baut sie jedoch auf Entscheidungen, Kostenstrukturen und Verfügbarkeiten anderer.
SOOFI ist deshalb weniger als weiteres Sprachmodell interessant denn als Versuch, in Deutschland eigene Modell-, Daten- und Trainingskompetenz aufzubauen. Das Projekt soll nicht nur ein Modell veröffentlichen. Es soll einen Teil jener technischen Fähigkeit verfügbar machen, auf der künftige industrielle, administrative und kommerzielle Prozesse beruhen.
Die entscheidende Frage lautet:
Ist souveräne KI lediglich ein europäisches Herkunftsversprechen – oder eine überprüfbare Fähigkeit, Modelle, Daten und Betrieb auch unter veränderten Marktbedingungen selbst zu beherrschen?
SOOFI ist ein Kompetenzprojekt, nicht nur ein Modellprojekt
SOOFI steht für „Sovereign Open Source Foundation Models“. Das im September 2025 gestartete und vom Bundesministerium für Wirtschaft und Energie geförderte Forschungsprojekt wird vom KI Bundesverband koordiniert. Forschungseinrichtungen, Universitäten und KI-Unternehmen arbeiten gemeinsam an Modellen, Trainingsverfahren, Datenpipelines und Evaluation.
Diese Einordnung ist wichtig. Ein einzelnes Modell kann schnell veralten. Die Fähigkeit, Daten zu kuratieren, Architekturen zu entwickeln, Trainingsläufe zu steuern, Ergebnisse zu evaluieren und weitere Generationen zu bauen, bleibt dagegen strategisch relevant.
Technologische Souveränität ist deshalb kein Produktmerkmal. Sie ist eine wiederholbare Organisationsfähigkeit.
Nach Darstellung des SOOFI-Teams im begleitenden Forschungspapier besitzt SOOFI S insgesamt 30 Milliarden Parameter, von denen durch eine Mixture-of-Experts-Architektur nur rund drei Milliarden je Token aktiviert werden. Das Modell kombiniert Mamba- und Transformer-Komponenten, wurde auf ungefähr 27 Billionen Token mit bewusster Gewichtung deutscher und englischer Inhalte vortrainiert und auf der German Industrial AI Cloud in München entwickelt.
Die Architektur zielt auf einen praktischen Zielkonflikt: hohe Modellkapazität bei beherrschbarem Rechenaufwand, langen Kontexten und vielen parallelen Anfragen. Das ist für produktive B2B-Systeme relevanter als eine isolierte Demonstration im Chatfenster.
Ein Benchmark ist noch kein Geschäftsprozess
Das Forschungspapier berichtet starke Ergebnisse im Vergleich mit ausgewählten offenen Basismodellen, darunter bei deutsch- und englischsprachigen Aufgaben sowie Code-Benchmarks. Solche Werte sind ein notwendiger technischer Nachweis. Sie beantworten jedoch nicht automatisch die Fragen eines Unternehmens.
Ein Benchmark zeigt Leistung unter definierten Testbedingungen. Ein produktiver Prozess verlangt zusätzlich aktuelle Fachinformationen, konsistente Quellen, Berechtigungen, Protokollierung, Fehlermanagement und menschliche Verantwortung.
Für die Auswahl eines Basismodells reichen daher keine aggregierten Ranglisten. Entscheidend sind aufgabenspezifische Tests:
- Wie zuverlässig verarbeitet das Modell die eigene Fachsprache?
- Wie verhält es sich bei langen technischen Dokumenten und widersprüchlichen Quellen?
- Welche Fehlertypen entstehen bei Extraktion, Klassifikation, Code und Textgenerierung?
- Wie hoch sind Latenz, Durchsatz und Gesamtkosten im vorgesehenen Betrieb?
- Welche Kontrollen sind nötig, bevor ein Ergebnis einen Kunden, ein CRM oder ein operatives System erreicht?
Ein leistungsfähiges Basismodell ist eine Voraussetzung. Geschäftlicher Wert entsteht erst in der Verbindung mit Daten, Prozessen und Entscheidungen.
Offenheit besitzt mehrere Ebenen
Open Source wird bei KI häufig wie eine binäre Eigenschaft behandelt. In Wirklichkeit besteht Offenheit aus mehreren Ebenen: Modellgewichte, Architektur, Trainingscode, Hyperparameter, Evaluationscode, Datenzusammensetzung, Zwischenstände und Nutzungsrechte.
Das SOOFI-Team kündigt permissive Zugangsbedingungen, Modellgewichte, ausgewählte Zwischen-Checkpoints, Trainings- und Evaluationscode sowie eine detaillierte Dokumentation der Datenmischung an. Wo Datenlizenzen eine Veröffentlichung zulassen, sollen auch Artefakte der Datenkonstruktion verfügbar werden. Kommerziell lizenzierte Quellen können naturgemäß nicht vollständig offengelegt werden.
Das ist weitergehend als ein bloßer API-Zugang. Es ist dennoch kein Zustand, den Unternehmen ungeprüft voraussetzen sollten. Zum Zeitpunkt dieses Beitrags befindet sich SOOFI S laut Projektseite in einer Beta-Testphase; der öffentliche Open-Source-Release ist für 2026 geplant.
Eine angekündigte Offenheit ist noch keine operativ erprobte Exit-Fähigkeit.
Vor einer strategischen Festlegung müssen deshalb Lizenz, tatsächlich veröffentlichte Artefakte, Reproduzierbarkeit, Supportmodell, Updatepolitik und Hardwareanforderungen anhand der finalen Veröffentlichung geprüft werden.
Souveränität ist eine Lieferkette
Ein in Deutschland entwickeltes Modell kann auf importierten Chips laufen, von proprietären Softwarebibliotheken abhängen, kommerziell lizenzierte Daten enthalten und durch externe Betreiber bereitgestellt werden. Das entwertet das Projekt nicht. Es zeigt nur, dass digitale Souveränität nicht mit dem Standort eines Rechenzentrums gleichgesetzt werden darf.
Souveränität besitzt mindestens fünf Ebenen:
Gewichte, Architektur, Evaluation
Herkunft, Rechte, Qualität
Cloud, Hardware, Energie
APIs, Regeln, Protokolle
Know-how, Haftung, Exit
Systemgrafik: Souveränität entsteht erst durch die kontrollierbare Verbindung aller Ebenen.
Ein Unternehmen ist nicht souverän, weil es ein offenes Modell auswählt. Es wird souveräner, wenn es Anbieter wechseln, Modelle selbst oder bei unterschiedlichen europäischen Betreibern ausführen, Daten exportieren, Entscheidungen nachvollziehen und kritische Fähigkeiten intern erhalten kann.
Die relevante Kennzahl ist nicht Herkunft. Es ist Handlungsfähigkeit unter Abhängigkeit.
Deutschkompetenz kann im B2B ein Architekturvorteil sein
In internationalen Benchmarks erscheint Sprache häufig als Leistungsdimension unter vielen. In deutschen B2B-Prozessen ist sie Teil der fachlichen Struktur. Verträge, Ausschreibungen, Normen, technische Dokumentationen, Serviceberichte und regulatorische Texte verwenden Begriffe, deren Bedeutung sich aus Domäne und Rechtsraum ergibt.
Ein Modell mit stärkerer deutscher Datenbasis kann hier Vorteile bieten. Daraus folgt jedoch nicht, dass es automatisch rechtsverbindliche oder fachlich korrekte Aussagen erzeugt. Sprachliche Sicherheit kann fachliche Unsicherheit sogar verdecken.
Gerade in regulierten oder sicherheitskritischen Anwendungen müssen Unternehmen deshalb Quellenzugriff, Retrieval, Prüfregeln und Freigaben ergänzen. Das Modell formuliert. Die Organisation verantwortet.
Agentische Systeme benötigen günstige Wiederholung
Ein Chatbot beantwortet einzelne Anfragen. Ein agentisches System beobachtet Signale, ruft Werkzeuge auf, bewertet Zwischenstände und wiederholt Schritte. Dadurch vervielfacht sich die Zahl der Modellaufrufe.
Die hybride Mixture-of-Experts-Architektur von SOOFI S ist in diesem Zusammenhang wirtschaftlich interessant. Wenn pro Token nur ein Teil der gesamten Parameter aktiv ist und der Speicherbedarf bei langen Kontexten günstiger skaliert, können Durchsatz und Betriebskosten bei hoher Parallelität profitieren.
Doch architektonische Effizienz ist nicht identisch mit niedrigen Gesamtkosten. Hinzu kommen Infrastruktur, Integration, Überwachung, Datenaufbereitung, Evaluierung und menschliche Prüfung. Ein günstiger Token kann Teil eines teuren Prozesses sein.
Geschwindigkeit entsteht ebenfalls nicht allein durch schnelle Inferenz. Wie bei einem modernen ERP-System wird sie zur Führungsarchitektur: Informationen müssen aktuell sein, Zuständigkeiten geklärt und Entscheidungen ohne unnötige Übergaben umsetzbar werden.
Vom Modell zum B2B-Wachstumssystem
Für B2B-Marketing und Vertrieb liegt die Versuchung nahe, SOOFI direkt mit automatisierter Contentproduktion oder Outreach zu verbinden. Das greift zu kurz.
Die knappste Ressource ist nicht Content. Generative KI macht Varianten, Texte und Interaktionen nahezu unbegrenzt skalierbar. Knapp bleiben Aufmerksamkeit, Vertrauen, Budgetverantwortung und die Bereitschaft, ein geschäftliches Risiko einzugehen.
Reichweite wird inflationär. Wertschöpfung nicht.
Ein sinnvolles B2B-Wachstumssystem verbindet deshalb fünf Aufgaben:
- Target: wirtschaftlich relevante Accounts und Rollen definieren.
- Signal: beobachtbares Verhalten von bloßen Annahmen unterscheiden.
- Influence: Inhalte und Interaktionen an konkrete Entscheidungskonflikte anschließen.
- Conversion: Übergänge von Interesse zu Lead, Opportunity und Abschluss messbar machen.
- Learning: Vertriebsfeedback in Daten, Regeln und Modelle zurückführen.
SOOFI kann in dieser Architektur Texte verstehen, Informationen strukturieren, Entwürfe erzeugen, Code unterstützen und agentische Schritte ausführen. Es ersetzt jedoch weder die Definition des Ideal Customer Profile noch die wirtschaftliche Bewertung einer Opportunity.
Das Modell optimiert Sprache und Muster. Das Unternehmen muss Wertbeitrag definieren.
Die Agentur wird zur Orchestrierungsinstanz
Sobald Agenturen Modelle mit Markenwissen, Produktdaten, CRM-Prozessen, Media und Content-Plattformen verbinden, liefern sie nicht mehr nur Kommunikation. Ihre Entscheidungen wirken dauerhaft im Betrieb des Kunden.
Die zentrale KI-Kompetenz einer Agentur liegt daher nicht im Zugang zu einem bestimmten Modell. Dieser Zugang wird austauschbar. Wertvoll ist die kontrollierte Verbindung von Menschen, Modellen, Daten und Plattformen.
Ein souveränes Basismodell kann die Abhängigkeit von einzelnen API-Anbietern reduzieren. Es kann sie zugleich auf Integratoren, Infrastrukturpartner oder internes Spezialwissen verlagern. Kundenspezifische Feinabstimmungen erhöhen den Domänennutzen, können aber neue Wartungs- und Portabilitätsprobleme schaffen.
Eine Agentur wird zum Architekturpartner, sobald ihre Modellentscheidung den Kampagnenzeitraum überdauert.
Dann müssen andere Fragen gestellt werden: Wem gehören Adapter und Trainingsartefakte? Wo liegen Evaluationsdatensätze? Wer dokumentiert Prompts, Tools und Schnittstellen? Wie kann der Kunde Modell oder Betreiber wechseln? Welche Entscheidungen bleiben bewusst menschlich?
Ein offenes Modell schafft noch keine offene Organisation
Viele Unternehmen verfügen bereits heute über Daten, die technisch nutzbar wären. Sie sind jedoch über CRM, ERP, Content-Systeme, Sharepoints, Projektablagen und persönliche Postfächer verteilt. Begriffe sind uneinheitlich, Rechte unklar und Verantwortlichkeiten fragmentiert.
Ein Foundation Model löst diese Organisationsprobleme nicht. Es kann sie beschleunigt reproduzieren.
Wenn Marketing einen Lead anders definiert als Sales, erzeugt KI keine gemeinsame Wahrheit. Wenn Produktdaten widersprüchlich sind, liefert Retrieval schneller widersprüchliche Antworten. Wenn niemand eine Entscheidung besitzt, automatisiert ein Agent die Unklarheit.
Unternehmenswissen wird wirtschaftlich nutzbar, wenn Daten, Prozesse und Verantwortung verbunden werden. Das Modell ist ein Bestandteil dieser Verbindung, nicht ihr Ersatz.
Governance muss vor der Skalierung entstehen
Je stärker ein Modell in operative Abläufe eingreift, desto weniger genügt eine allgemeine KI-Richtlinie. Ein System, das Texte entwirft, hat ein anderes Risikoprofil als ein Agent, der Preise abruft, CRM-Daten verändert oder Nachrichten versendet.
Governance muss deshalb am konkreten Prozess ansetzen:
- Welche Daten darf das Modell lesen, speichern oder zum Training verwenden?
- Welche Werkzeuge darf ein Agent aufrufen?
- Welche Aktionen benötigen eine menschliche Freigabe?
- Wie werden Quellen, Modellversionen und Entscheidungen protokolliert?
- Wie werden Fehler erkannt, begrenzt und korrigiert?
- Wer trägt fachliche, technische und rechtliche Verantwortung?
Souveränität ohne Governance verlagert Kontrolle lediglich vom Anbieter zum Betreiber. Sie macht die Kontrolle nicht automatisch gut.
Was B2B-Unternehmen an SOOFI prüfen sollten
Aus dem Projekt ergeben sich acht Grundsätze:
Erstens: SOOFI als Aufbau europäischer Modellkompetenz beurteilen, nicht nur als nächsten Chatbot.
Zweitens: technische Leistungswerte durch eigene deutsche und domänenspezifische Tests ergänzen.
Drittens: Open Source anhand der tatsächlich veröffentlichten Gewichte, Codes, Dateninformationen und Lizenzen prüfen.
Viertens: Souveränität über die gesamte Lieferkette betrachten: Modell, Daten, Hardware, Betrieb, Organisation und Exit.
Fünftens: Effizienz nicht nur in Parametern oder Tokenkosten, sondern als Gesamtkosten eines kontrollierten Geschäftsprozesses messen.
Sechstens: ein Basismodell austauschbar halten und proprietäres Unternehmenswissen in portablen Daten-, Retrieval- und Evaluationsschichten organisieren.
Siebtens: agentische Automatisierung erst skalieren, wenn Berechtigungen, Protokollierung, Freigaben und Verantwortlichkeiten funktionieren.
Achtens: KI-Leistung nicht an produziertem Output, sondern an verbesserter Entscheidungsgeschwindigkeit und nachweisbarem Wertbeitrag messen.
Die entscheidende Frage lautet nicht:
Ist SOOFI S das beste verfügbare Modell?
Sie lautet:
Kann eine Organisation ein Modell wie SOOFI so mit eigenen Daten, Prozessen und Verantwortlichkeiten verbinden, dass ihre Handlungsfähigkeit wächst, ohne eine neue undurchsichtige Abhängigkeit zu schaffen?
Wo nur ein Modell ausgetauscht wird, bleibt die KI-Strategie eine Tool-Entscheidung.
Wo Daten, Infrastruktur, Governance und wirtschaftliche Ziele gemeinsam gestaltet werden, kann souveräne KI zur Basisschicht eines belastbaren B2B-Wachstumssystems werden.
Quellen und Vertiefung: SOOFI-Projektseite · Forschungspapier zu SOOFI S · Industrial AI Cloud der Deutschen Telekom
Hinweis: Der Beitrag trennt veröffentlichte technische Angaben von strategischen Ableitungen. SOOFI S befindet sich laut Projektseite derzeit in der Beta-Testphase; der öffentliche Open-Source-Release ist für 2026 angekündigt. Lizenz, Artefakte und Produktivreife sollten nach der Veröffentlichung erneut geprüft werden.