Hur Europa kommer ikapp med "Modulär AI": Prisfällan för stora amerikanska språkmodeller – Bild: Xpert.Digital
Frihetens arkitektur: Varför Europa måste förlita sig på modulära språkmodeller
Den som kontrollerar modellerna kontrollerar kunskapen – och Europa tittar fortfarande bara på
Den globala marknaden för storskaliga språkmodeller liknar ett oligopol med ett välbekant mönster. Ett fåtal amerikanska teknikföretag avgör vilka modeller som är tillgängliga, under vilka villkor de får användas och vilka informationsarkitekturer de stöder. Inom företagssegmentet delade tre leverantörer på lejonparten år 2025: Anthropic kontrollerade cirka 40 procent av företagens utgifter för språkmodeller, OpenAI stod för 27 procent och Google för 21 procent. Hela den amerikanska företagsmarknaden för generativ AI tredubblades till cirka 37 miljarder dollar. Europeiska leverantörer spelar ingen mätbar roll i denna statistik.
Denna koncentration är inte bara ett ekonomiskt problem; det är ett problem för demokratin. Monolitiska språkmodeller fungerar som svarta lådor för sina användare. Deras träningsdata, interna viktningar, partiska strukturer och beslutslogik förblir ogenomskinliga. I ett öppet samhälle som förlitar sig på åsiktsmångfald, verifierbarhet och institutionell tillsyn utgör denna brist på transparens en systemrisk. Autokratiska regimer kan använda centraliserade AI-arkitekturer som instrument för övervakning och informationskontroll. Demokratier behöver motsatsen: transparens, modularitet och förmåga till självkorrigering.
Relaterat till detta:
Sagan om öppen AI från utlandet
Det vanliga svaret på suveränitetsproblemet är ofta att Europa kan förlita sig på öppna modeller från USA eller Kina. Denna strategi är naiv och strategiskt kortsiktig av flera skäl.
Öppna AI-modeller som Metas Llama-familj fungerar under ensidiga communitylicenser som kan modifieras, begränsas eller återkallas när som helst. Företagen bakom dessa modeller agerar inte av altruism, utan snarare av strategisk beräkning. I juli 2025 visade Meta sin brist på respekt för europeiska intressen genom att vägra att underteckna EU:s frivilliga AI-kod. Joel Kaplan, Metas vice vd för globala frågor, uttalade offentligt att Europa var på fel spår när det gäller AI och kritiserade koden som överreglerande och hämmande av innovation. Detta är anmärkningsvärt eftersom Meta samtidigt planerar att aggressivt positionera sina AI-modeller på den europeiska marknaden, till exempel genom att integrera dem i Qualcomm-smartphones och Ray-Ban-glasögon.
Kinesiska modeller som DeepSeek är tekniskt imponerande. DeepSeek V3 tränades för endast 5,6 miljoner dollar, medan GPT-4 kostade mellan 78 och 191 miljoner dollar. För säkerhetsrelevanta, industriella eller offentliga tillämpningar i Europa är dock kinesiska modeller ofta olämpliga, oavsett om det är av regulatoriska, geopolitiska eller dataskyddsskäl.
Det verkliga problemet ligger i plattformsekonomins spelbok: amerikanska företag lockar kunder med låga inträdespriser och transparenta viktningar. Företag implementerar dessa modeller i sina processer, ersätter mänskliga arbetare med maskiner och blir beroende. När detta beroende är etablerat och modellerna är mogna stiger priserna. Kunderna måste föra över dessa kostnader, utan någon garanti för att deras kunder är villiga att acceptera de ökade priserna. OpenAI har råd med aggressiva prissättningsstrategier eftersom enbart ChatGPT-prenumerationer genererar 3,6 miljarder dollar årligen, vilket korssubventionerar API-priser. Europeiska företag har inte en jämförbar förhandlingsposition i detta spel.
Investeringsgapet: Europas strukturella underskott
Siffrorna talar för sig själva. År 2023 investerades uppskattningsvis 8 miljarder dollar i AI i EU. I USA var det 68 miljarder dollar och i Kina 15 miljarder dollar. Europeiska AI-startups attraherar bara 6 procent av den globala AI-finansieringen, medan amerikanska startups får 61 procent. Europeiska kommissionen har tillkännagivit ett program på 200 miljarder euro med sitt InvestAI-initiativ, varav 50 miljarder euro ska komma från offentliga medel och 150 miljarder euro från privata investerare. Huruvida dessa summor faktiskt kommer att mobiliseras återstår att se. Som jämförelse utlovade Trump-administrationen ensam 500 miljarder dollar för jämförbara AI-utvecklingsprogram.
Mot bakgrund av minskande transatlantisk tillförlitlighet står Europa inför ett grundläggande strategiskt beslut. Hittills har det inte varit möjligt att samla data, talang och finansiella resurser på ett sådant sätt att man kan skapa grundläggande modeller med flera hundra miljarder parametrar på ett flertal europeiska språk. De institutionella hindren mellan länder, forskningsinstitutioner och företag är betydande. Företagspolitik, isolerat tänkande och regelkrav förhindrar ofta även sammanslagningen av jämförelsevis blygsamma datamängder.
Modulär intelligens: Europas asymmetriska fördel
Om Europa inte kan vinna loppet om den största monolitiska modellen måste de ändra spelreglerna. Modulära arkitekturer erbjuder just denna möjlighet. De kräver betydligt färre resurser i form av grafikkort, data och talang, och kan utvecklas decentraliserat. Detta är en avgörande aspekt i tider av osäkra marknader och ofta kortsiktiga forskningsbudgetar.
Den centrala byggstenen i modulära tillvägagångssätt är Mixture-of-Experts (MoE)-arkitekturen. Stora modeller som ChatGPT, DeepSeek och Mistral använder redan MoE-mekanismer internt. För varje inmatning aktiveras endast utvalda specialiserade experter, vilket använder datorresurser effektivt. Allen Institute for AI har avsevärt utvecklat denna metod med FlexOlmo och släppt den som en kommersiellt tillgänglig öppen källkodslösning. FlexOlmo använder en 7x7B-arkitektur med totalt 33 miljarder parametrar, där varje expert tränas oberoende på lokala, icke-delade datamängder. Resultaten är anmärkningsvärda: en relativ förbättring på 41 procent jämfört med rent offentliga modeller och en överlägsenhet på 10,1 procent jämfört med tidigare sammanslagningsmetoder, bekräftat över 31 riktmärken och presenterat på NeurIPS 2025.
Nyckeln till FlexOlmo är dess paradigm för datasamarbete utan datadelning. Varje dataägare skapar sin expert lokalt, baserat på en delad publik basmodell. En router lär sig vilka experter som ger de bästa svaren på vilka frågor. Experter kan aktiveras eller inaktiveras när som helst, och i en riktad rekonstruktionsattack kan maximalt 0,7 procent av träningsdatan återställas. Med pseudonymiseringsåtgärder kan denna siffra minskas till under 0,1 procent, vilket till och med skulle uppfylla stränga europeiska dataskyddskrav. Detta koncept är lämpligt för användning både inom ett företag över divisioner och för distribuerad inlärning mellan flera företag.
En ny dimension av digital transformation med 'Managed AI' (Artificial Intelligence) - Plattform & B2B-lösning | Xpert Consulting
En ny dimension av digital transformation med 'Managed AI' (Artificial Intelligence) – Plattform & B2B-lösning | Xpert Consulting - Bild: Xpert.Digital
Här får du lära dig hur ditt företag kan implementera skräddarsydda AI-lösningar snabbt, säkert och utan höga inträdesbarriärer.
En hanterad AI-plattform är din heltäckande och bekymmersfria lösning för artificiell intelligens. Istället för att behöva hantera komplex teknik, dyr infrastruktur och långa utvecklingsprocesser får du en färdig lösning skräddarsydd efter dina behov från en specialiserad partner – ofta inom bara några dagar.
De viktigaste fördelarna i korthet:
⚡ Snabb implementering: Från idé till färdig applikation på dagar, inte månader. Vi levererar praktiska lösningar som skapar omedelbart mervärde.
🔒 Maximal datasäkerhet: Dina känsliga uppgifter stannar hos dig. Vi garanterar säker och korrekt behandling utan att dela data med tredje part.
💸 Ingen ekonomisk risk: Du betalar bara för resultat. Höga initiala investeringar i hårdvara, mjukvara eller personal elimineras helt.
🎯 Fokusera på din kärnverksamhet: Koncentrera dig på det du gör bäst. Vi tar hand om hela den tekniska implementeringen, driften och underhållet av din AI-lösning.
📈 Framtidssäkert och skalbart: Din AI växer med dig. Vi säkerställer kontinuerlig optimering och skalbarhet, och anpassar modellerna flexibelt till nya krav.
Mer information här:
Projekt SOOFI: Tysklands AI-fabrik utvecklar det europeiska svaret på ChatGPT
Resonemangsmodeller: Logik istället för storlek
En andra avgörande komponent är stora resonemangsmodeller. Modeller som ChatGPT-o3, DeepSeek R1 eller OLMo 2 är utformade för att lösa komplexa problem genom stegvis, logiskt resonemang, vilket skapar sammanhängande argumentationskedjor. De använder tekniker som tankekedjans uppmaning för att bryta ner problem i individuella steg och symboliskt resonemang för att analysera logiska samband. År 2025 kallades allmänt för resonemangets år, ett år då RLVR och GRPO satte undervisningen i modeller för logiskt resonemang i centrum för sina utvecklingsinsatser.
Av särskild relevans för Europa är kostnadseffektiviteten hos dessa modeller. Att träna DeepSeek R1 baserat på DeepSeek V3 kostade endast ytterligare 294 000 dollar. Resonemangsmodeller använder och utökar kunskapen från basmodellerna, vilket är anledningen till att de kan byggas även med begränsad datorinfrastruktur. Domänspecifika resonemangsmodeller finns redan för kodning, matematik och medicin. SOOFI-projektet planerar uttryckligen att utveckla en resonemangsmodell vid sidan av den grundläggande LLM.
Detta öppnar upp konkreta affärsmöjligheter för företag: kundförfrågningar, felanalyser, juridiska granskningar och preliminära medicinska bedömningar kan behandlas automatiskt och transparent. Detta sparar inte bara tid utan minskar även kostnaderna i samband med fel. Medelstora företag och specialistavdelningar kan utveckla skräddarsydda AI-lösningar utan stora investeringar, initialt baserade på befintliga modeller med öppen källkod och senare migrerade till en europeisk basmodell.
Relaterat till detta:
Agenter i testtidsberäkning: Intelligens vid körning
Den tredje komponenten i modulära system är agenter i testtidsberäkning. I denna metod genererar en språkmodell initialt potentiella svar under inferens. Högspecialiserade agenter verifierar sedan dessa svar oberoende av varandra. Den största fördelen: Kostnaderna för testtidsberäkning har minskat avsevärt under åren, och modelljusteringar under träning är onödiga.
Det mest imponerande exemplet på kraften i denna metod gavs av Microsoft med sin AI Diagnostic Orchestrator. MAI-DxO använder fem specialiserade AI-agenter, som var och en fyller olika medicinska roller: en hypotesgenerator, en testväljare, en evidenstolkare, en konsensusbyggare och en slutlig diagnostiker. I en jämförelse med 304 komplexa fall från New England Journal of Medicine uppnådde systemet en diagnosfrekvens på 85,5 procent, medan erfarna läkare, under begränsade förhållanden, endast korrekt diagnostiserade 20 procent av fallen. Samtidigt minskade systemet behovet av laboratorie- och bilddiagnostiska tester med 28 procent.
Detta generator-verifierar-paradigm kan implementeras av enskilda företag, även med egen IT-personal. Agenter kan utvecklas oberoende, vilket möjliggör distribuerad utveckling. Många företag har nu råd med denna metod eftersom inga komplexa modelljusteringar krävs.
SOOFI-projektet: Europas svar börjar ta form
SOOFI-projektet visar att Europa inte bara teoretiskt utan också praktiskt är kapabelt att agera. SOOFI står för Sovereign Open Source Foundation Models och är ett av de mest ambitiösa projekten för att stärka den europeiska AI-suveräniteten. Ett konsortium av sex tyska forskningsinstitutioner, inklusive Fraunhofer IAIS, Fraunhofer IIS, DFKI och universiteten i Würzburg, Hannover och TU Darmstadt, utvecklar en öppen språkmodell med cirka 100 miljarder parametrar tillsammans med två startups.
Det tyska federala ministeriet för ekonomi och energi finansierar projektet med 20 miljoner euro fram till juli 2026. Modellen tränas i T-Systems Industrial AI Cloud, en av Europas största AI-fabriker med över 10 000 GPU:er, en datorkraft på 0,5 exaFLOPS och en lagringskapacitet på cirka 20 petabyte. SOOFI är avsett att ersätta den befintliga Teuken-7B-modellen, som Fraunhofer utvecklade 2024 som en flerspråkig europeisk modell med sju miljarder parametrar. Utöver grundmodellen utvecklas även en resonemangsmodell som kan strukturerat tänka och lösa problem i flera steg.
Finansiering tillhandahålls genom 8ra-initiativet, som inrättats av tolv EU-medlemsstater. Parallellt har Tyskland och Frankrike lanserat ytterligare ett initiativ, den fransk-tyska AI-chefsdialogen, som involverar ledande europeiska företag som Siemens Energy, Deutsche Telekom, Arte och Schwarz Digits. Målet är en branschorienterad, implementeringsfokuserad AI-färdplan för Europa, driven av Fraunhofer, Inria och Institute Mines-Telecom som kärnpartners.
Den europeiska suveränitetens triad
De tekniska byggstenarna resulterar i en konkret trestegsplan som är genomförbar inom det befintliga europeiska ramverket.
Det första steget innebär att främja en europeisk basmodell som ett initiativ med blandade experter, utformat som en åtgärd för öppen källkodsinfrastruktur. Att utveckla en högpresterande, öppen modell är den digitala motsvarigheten till el- eller transportnätet. SOOFI och Teuken utgör utgångspunkten. Basmodellen kan gradvis utökas med högkvalitativ, domänspecifik data och som en Model of Enterprise (MoE)-arkitektur.
Det andra steget innebär att bygga specialiserade resonemangsmodeller, med stöd av företag. Dessa projekt är betydligt mindre komplexa än träningsbasmodeller. Resonemangsmodeller skulle initialt bygga på befintliga öppen källkodsbasmodeller från USA eller Mistral och senare migrera till en europeisk basmodell. Mindre team skulle kunna uppnå betydande resultat med budgetar i intervallet sex till sju siffror.
Det tredje steget innebär att utöka användningen av agenter i testtidsberäkningar, skapa modularitet, återkopplingsslingor och ekosystem. Företag kan utöka modeller med agenter parallellt. Den resulterande återkopplingsdatan förbättrar resonemangsmodellerna, vilket i sin tur berikar basmodellerna med ytterligare världskunskap. Detta skapar ett cirkulärt system som förbättrar sig självt med varje ny expert som läggs till i basmodellen. Detta lärandeekosystem skulle vara öppet för företag, den akademiska världen och öppen källkod-communities.
Fönstret stängs: Handling istället för hopp
Den strategiska situationen är tydlig. Så länge tillgången till öppna modeller bibehålls kan Europa fortsätta vägen mot modulära språkmodeller. Förutsättningarna finns: en hög nivå av vertikal integration inom industrin, en rik talangpool vid universitet och forskningsinstitutioner, och ett regelverk som kräver transparens och dataskydd, vilket med modulära arkitekturer inte är en nackdel utan en konkurrensfördel.
Detta öppet fönster är dock inte obegränsat. Medan trenden mot regionala och specialiserade språkmodeller ökar över hela världen, förstärks dominansen av amerikanska leverantörer för varje kvartal som går. År 2026 kommer ett tydligt skifte från monolitiska språkmodeller till specialiserade, autonoma AI-agenter att vara tydligt. Europeiska företag som inte lyckas utveckla sin egen expertis nu kommer att vara helt beroende av externa leverantörer inom några år, liknande situationen med molntjänster, där Europa har blivit enbart en användare av utländska kärnteknologier.
De nödvändiga teknikerna finns, koncepten har testats och de första projekten är igång. Det som saknas är inte teknisk genomförbarhet, utan den politiska och entreprenöriella viljan att skala upp dessa metoder. Europa står inför ett val mellan teknisk autonomi genom smart arkitektur och ständigt beroende genom passivitet. Beslutet måste fattas nu.
Din globala partner för marknadsföring och affärsutveckling
☑️ Vårt affärsspråk är engelska eller tyska
☑️ NYTT: Korrespondens på ditt modersmål!
Konrad Wolfenstein
Jag och mitt team står gärna till er förfogande som er personliga rådgivare.
Du kan kontakta mig genom att fylla i kontaktformuläret här wolfenstein@xpert.digital:eller helt enkelt ringa mig på +49 7348 4088 965. Min e-postadress är
Jag ser fram emot vårt gemensamma projekt.
