Auf der Computex in Taipeh kam Anfang Juni endlich die Ankündigung: Mit einem guten Jahr Verspätung sollen ab Herbst 2026 Windows-11-Notebooks mit dem Nvidia RTX Spark zu kaufen sein. Hinter RTX Spark verbirgt sich der unter dem Namen N1X entwickelte CPU-GPU-Kombichip von Nvidia und MediaTek. Er ähnelt stark dem GB10 aus der Nvidia-Workstation DGX Spark. Alle großen Notebook-Hersteller und auch Microsoft selbst bringen RTX-Spark-Geräte auf den Markt und Microsoft auch einen damit ausgerüsteten Mini-PC.

Gleichzeitig mit der Computex lief die Windows-Entwicklerkonferenz Build, auf der Microsoft hochtrabende neue Pläne für agentische KI auf Windows-Rechnern präsentierte. Und zwar ausdrücklich am Beispiel der kommenden RTX-Spark-Systeme. Von Copilot – noch 2024 als neue Strategie für KI unter Windows herausposaunt – war weniger die Rede. Microsoft verzettelt sich immer stärker bei seinen KI-Ambitionen für Windows. Eine klare Botschaft an potenzielle Käufer ist nicht zu erkennen, außer „irgendwas mit KI“. Noch laufen aber nur sehr wenige KI-Funktionen lokal auf einem Windows-11-Notebook oder -PC, die attraktive Vorteile bringen. Die kostenpflichtigen Copilot-KI-Funktionen von Microsoft 365 hingegen berechnet irgendwo eines der riesigen Microsoft-Azure-Rechenzentren und nicht die Hardware des jeweiligen Nutzers.

Frankreich meldet IT-Investitionsvorhaben im Gesamtwert von insgesamt rund 110 Milliarden Euro über die nächsten Jahre. Der größte Brocken wiegt 75 Milliarden Euro, die der japanische Konzern SoftBank in Kooperation mit mehreren französischen Firmen investieren will, vor allem in KI-Rechenzentren. SoftBank hält die Mehrheit am CPU-Entwickler ARM und ist am KI-Projekt Stargate in den USA beteiligt. Zunächst sollen bis 2031 rund 45 Milliarden Euro in drei Rechenzentren im Norden Frankreichs fließen, die zusammen 3,1 Gigawatt Kapazität für KI-Server bereitstellen. Eines davon entsteht am Fährhafen Dünkirchen, also am Ärmelkanal. Dort befindet sich eines der größten Atomkraftwerke Europas, Gravelines. Seine sechs Reaktoren leisten zusammen 5,46 Gigawatt und nutzen Meerwasser zur Kühlung. Außerdem sind im Ärmelkanal große Windkraftanlagen mit mehreren Gigawatt Leistung im Bau oder in Planung.

Das war die Leseprobe unseres heise-Plus-Artikels „Bit-Rauschen: Microsoft verzettelt sich bei KI für Windows“.
Mit einem heise-Plus-Abo können Sie den ganzen Artikel lesen.

Wenn die PV-Anlage gerade viel Sonnenlicht umwandelt oder der dynamische Stromtarif aktuell günstige Preise bietet, ist der Akku des E-Autos ein sinnvoller Abnehmer für den Energieüberschuss. Mithilfe von Software lässt sich derart kostensparendes Tanken besser timen. Tado will das automatisierte Lademanagement von privaten Elektrofahrzeugen für die eigene Smart-Home-Kundschaft noch einen Tick einfacher machen.

Das, was bisher eine separate „Smart Charging“-App des Herstellers bot, ist ab heute in dessen „normaler“ Anwendung für Android und iOS verfügbar. Darin kann man bisher neben Heiz- und Kühlthermostaten ohnehin schon Stromtarife managen. Nun lassen sich dort zusätzlich für E-Autos Ladeautomatiken für Zeiten mit besonders niedrigen Strompreisen aktivieren. Dazu brauchte man zuvor die Smart-Charging-App. Wie dort sollen in Tados Hauptanwendung abrufbare Profile kompatibler Fahrzeugmarken den Vorgang vereinfachen. Autos von 15 Herstellern seien kompatibel, darunter Audi, Mercedes, Tesla, Volkswagen sowie BMW respektive Mini.

Um Smart Charging zu nutzen, wählt man in der Tado-App eine Fahrzeugmarke aus und legt eine gewünschte Abfahrtszeit fest. Ein Algorithmus analysiert dann die Preise der kommenden Tage und plant den Ladevorgang während der günstigsten und grünsten Zeitfenster, verspricht Tado. Damit man nicht im Ungewissen bleibt, soll ein eingeblendeter Ladeplan transparent prognostizieren, wann der Akku voll ist.

Sparen beim Laden kostet jetzt was

Anders als bisher knüpft Tado das Feature an ein Bezahlmodell. Nach einer sechsmonatigen, kostenlosen Testphase werden 2,99 Euro pro Monat fällig. Nichts extra überweisen muss, wer bereits einen Stromtarif des Anbieters gebucht hat, entweder einen der Marke Tado Energy oder der Firma aWATTar, die zu Tado gehört. Die zusätzlichen Kosten werden dann eben darauf umgelegt.

Inwiefern und zu welchen Konditionen die Smart-Charging-App verfügbar bleibt, ließ das Unternehmen zunächst offen. Auf Nachfrage erklärte der Anbieter, dass die Smart-Charging-App am 30. Juni eingestellt wird. Über die Funktionsübernahme in die Hauptanwendung freut sich, wer tief in der Tado-Welt steckt und vom gleichen Hersteller auch vernetzte Thermostate für klassische Heizungen und Wärmepumpen sowie Infrarot-WLAN-Funkbrücken für Klimaanlagen nutzt. Für alles, was Tado bietet, reicht nun eine Bedienoberfläche.

(dahe)

Je intelligenter KI-Systeme werden, desto deutlicher wird: Modelle allein skalieren nicht. Viele Anwendungen beginnen mit einem Modell im Zentrum und improvisieren den Rest. Das funktioniert, solange das System nur Fragen beantworten soll. Doch sobald es handeln, Entscheidungen treffen oder mehrere Schritte koordinieren muss, stößt dieser Ansatz an seine Grenzen. Die Architektur bricht nicht spektakulär in sich zusammen, sondern sie zerfasert über die Zeit: in Workarounds, Sonderfälle und unkontrollierbare Abhängigkeiten.

Die eigentliche Frage beim Systementwurf lautet deshalb nicht, wie man ein Modell verbessert, sondern wie man ein System baut, das intelligenter werden darf, ohne instabil zu werden. Wer versteht, wie ein KI-System aufgebaut ist und wie sich die Rollen seiner Schichten verändern, kann Anwendungen entwickeln, die nicht von der nächsten Modellgeneration überrollt werden, sondern von ihr profitieren und sie nahtlos integrieren.

Moderne KI-Systeme bestehen nicht aus einem Modell mit etwas Logik darum herum, sondern aus klar abgegrenzten Schichten, die jeweils eine eigene Verantwortung tragen und gemeinsam bestimmen, wie intelligent ein System werden kann.

Die Schichten eines KI-Systems

Die Architektur eines KI-Systems lässt sich in fünf Schichten gliedern: Präsentation, Orchestrierung, Integration, Wissen und Infrastruktur. Jede Schicht erfüllt eine eigene Rolle im Gesamtsystem und hat Auswirkungen darauf, wie es Aufgaben formuliert, Entscheidungen trifft, Informationen nutzt und Aktionen ausführt. Erst im Zusammenwirken entsteht ein System, das nicht nur Antworten liefert, sondern handeln kann, und das auch dann stabil bleibt, wenn sich die Umgebung ändert und Modelle sich weiterentwickeln.

1. Präsentation – die Formulierung von Bedeutung und Rückgabe

Die Präsentationsschicht ist die Stelle, an der ein KI-System erfährt, worum es überhaupt geht. Hier wird eine menschliche Absicht oder ein Ziel so formuliert, dass das System damit arbeiten kann – sei es über eine Benutzeroberfläche, über eine API oder über interne Mechanismen wie Rollen und Systemprompts, die den Rahmen der Interaktion festlegen. Doch die Präsentationsschicht liefert nicht nur die Aufgabenstellung, sondern auch den Kontext, den das System für die Bearbeitung benötigt: Ziele, Einschränkungen, Hintergrundinformationen und Rollen.

Ebenso wichtig wie die Eingabe ist auch die andere Richtung: Die Präsentationsschicht bestimmt, in welcher Form die KI Ergebnisse zurückgibt, ob als natürlichsprachliche Antwort, als strukturierte Daten für andere Systeme oder als visuelle Darstellung. Damit bildet diese Schicht die kommunikative Hülle des Systems: Sie definiert, was das System tun soll und wie es seine Ergebnisse für Menschen oder andere Systeme aufbereitet.

Sobald die Aufgabe klar formuliert ist, übernimmt die nächste Schicht, die Orchestrierung, und kümmert sich um den Lösungsweg.

2. Orchestrierung – die Steuerung des Verhaltens

In der Orchestrierungsschicht entsteht aus einer formulierten Aufgabe ein konkreter Ablauf. Diese Schicht strukturiert die Bearbeitung: Sie zerlegt die Aufgabe in einzelne Schritte, wählt die passenden Komponenten aus und legt fest, in welcher Reihenfolge das System sie abarbeiten soll. Diese Schicht steuert die Ausführung, bewertet Zwischenergebnisse und reagiert auf unerwartete Situationen. Dazu gehört auch, Fehler abzufangen, alternative Wege zu wählen und sicherzustellen, dass das Ergebnis der ursprünglichen Intention entspricht. In dieser Schicht liegen Workflows, Pipelines, Policies, Guards und Routing-Logik – alles, was bestimmt, wie das System arbeitet.

Die Orchestrierung trifft Entscheidungen über Ablauf, Struktur und Kontrolle, nicht aber darüber, womit das System interagiert oder welches Wissen es nutzt. Damit bildet sie das operative Zentrum: Sie sorgt dafür, dass aus einer Aufgabenstellung ein nachvollziehbares, konsistentes Verhalten entsteht.

Sobald klar ist, welche Schritte notwendig sind, greift die nächste Schicht, die Integration, und stellt die Verbindung zur Außenwelt her.

3. Integration – die Verbindung zur Außenwelt

Die Integrationsschicht verbindet die internen Abläufe des Systems mit seiner Umgebung. Während die Orchestrierung festlegt, wie eine Aufgabe ausgeführt wird, stellt die Integration die Mittel bereit, um dafür auf Daten, Dienste und Funktionen außerhalb des Systems zuzugreifen. Mit dieser Schicht erhält das System die Fähigkeit, Informationen abzurufen oder externe Funktionen auszuführen. Damit definiert sie den Handlungsspielraum des Systems: welche Dienste erreichbar sind, welche Datenquellen genutzt werden können und welche Operationen grundsätzlich erlaubt sind. Technisch umfasst diese Schicht Schnittstellen wie APIs, Adapter, Connectors, Tools oder Datenbankzugriffe.

Die Integration stellt Möglichkeiten bereit, trifft aber keine Entscheidungen darüber, wann oder warum das System sie nutzen soll. Diese Verantwortung bleibt bei der Orchestrierung. Sobald klar ist, welche Informationen das System benötigt oder welche Daten bereitstehen müssen, übernimmt die nächste Schicht, die Wissensschicht, und strukturiert das dafür notwendige Wissen.

4. Wissen – das Gedächtnis und die Struktur des Wissens

Die Wissensschicht gleicht eine grundlegende Einschränkung moderner Sprachmodelle aus: Sie bringen zwar umfangreiches Sprach- und Weltwissen mit, doch dieses endet zum Zeitpunkt des Trainings. Informationen, die später entstehen oder organisationsspezifisch sind, müssen außerhalb des Modells vorliegen.

Hier setzt die Wissensschicht an. Sie stellt Wissen unabhängig vom Modell bereit, strukturiert es und hält es aktuell. Dazu gehören nicht nur Fakten und Dokumente, sondern auch Kontext, Historie und domänenspezifische Zusammenhänge. Technisch umfasst sie Datenbanken, Vektor-Stores, Wissensgraphen, Dokumente und Metadaten. Die Wissensschicht legt fest, was das System weiß und welche Informationen für eine Aufgabe relevant sind. Sie entscheidet jedoch nicht, wann dieses Wissen genutzt wird oder wie es in den Ablauf eingebettet wird. Das bleibt die Aufgabe der Orchestrierung.

Sobald das relevante Wissen bereitsteht, übernimmt die nächste Schicht, die Infrastruktur, und stellt die technischen Bedingungen bereit, unter denen das gesamte System zuverlässig läuft.

5. Infrastruktur – die technischen Bedingungen des Betriebs

Die Infrastrukturschicht stellt sicher, dass ein KI-System dauerhaft und unter realen Bedingungen zuverlässig arbeitet. Sie bildet das technische Fundament, auf dem alle anderen Schichten aufbauen, und definiert die Betriebsqualität des Systems: Verfügbarkeit, Sicherheit und Skalierbarkeit. Auf technischer Ebene umfasst sie Aspekte wie Rechenleistung, Speichernetzwerke, Identitäten, Deployment-Mechanismen und das Monitoring des Systemzustands.

Die Schichtenarchitektur zeigt, wie ein KI-System aufgebaut ist und wie seine Intelligenz entsteht. Das Sprachmodell selbst ist darin nicht enthalten, was zur entscheidenden Frage führt: Welche Rolle spielt das Modell wirklich?

Das Modell – ein Baustein, aber nicht der Kern des Systems

Intuitiv könnte man das Modell für den Kern eines KI-Systems halten. Doch in der Systemarchitektur ist es keine eigene Schicht, sondern ein kognitiver Baustein, den die Architektur zum Bereitstellen bestimmter Fähigkeiten nutzt: Sprachverständnis, Mustererkennung, Planung, Extraktion oder Klassifikation. Moderne Systeme verwenden dafür nicht ein einzelnes Modell, sondern eine ganze Reihe spezialisierter Modelle, die je nach Aufgabe eingesetzt werden.

Diese Modelle bilden eine eigene Ebene, die neben den fünf Schichten liegt. Jede Schicht kann auf Modelle zugreifen, nutzt sie jedoch für unterschiedliche Zwecke.

Die Präsentationsschicht verwendet Modelle, um natürliche Sprache zu verstehen und aus offenen Formulierungen strukturierte Aufgaben zu erzeugen. Die Wissensschicht nutzt Embedding-Modelle, um relevante Informationen zu finden oder Dokumente semantisch zu verknüpfen. In der Integrationsschicht können externe Agenten angebunden sein, die wiederum über eigene Modelle verfügen und deren Fähigkeiten in das System einfließen lassen. Selbst die Infrastrukturschicht kann Modelle einsetzen, etwa um Betriebszustände zu analysieren, Anomalien zu erkennen oder Lastverhalten vorherzusagen. Die zentrale Instanz, die entscheidet, welches Modell wann und wofür genutzt wird, ist die Orchestrierung. Sie kombiniert Modellaufrufe, bewertet deren Ergebnisse, bindet sie in Prozesse ein und kontrolliert ihren Einsatz. Die Integration liefert die Daten und ermöglicht Interaktion mit der Umgebung, die Wissensschicht ergänzt, was das Modell nicht wissen kann, die Präsentation bereitet Aufgaben für das Modell auf und die Infrastruktur stellt den Betrieb technisch sicher.

Evolution der Schichten zu einem intelligenten System

Je autonomer ein System wird, desto stärker verlagert sich seine Intelligenz aus den Modellen in die Architektur. Nicht die Modelle legen fest, wie ein System denkt und handelt, sondern die Architektur: Sie strukturiert Ziele, bereitet Entscheidungen vor, ordnet Wissen, ermöglicht Aktionen und setzt Grenzen – und nutzt dafür gezielt unterschiedliche Modelle.

Erst das Zusammenspiel der Schichten macht ein System handlungsfähig. Modelle bleiben wichtige Bausteine, die die kognitiven Fähigkeiten liefern, die jede Schicht für ihre Aufgaben benötigt – doch die Architektur bestimmt, wie weit ein System wachsen kann und wie autonom es tatsächlich agiert.