KI Ablatic AI : KI ohne Silicon Valley: Warum Talos aus Linz jetzt die Tech-Giganten herausfordert

Das Linzer JKU-Spin-off Ablatic AI versucht sich an einem Projekt, das vor wenigen Jahren noch nahezu unmöglich geklungen hätte: Das Startup rund um die Gründer Florian Zimmermann und Julian Mauerkirchner entwickelt ein eigenes Large Language Model, das auf europäischer Supercomputer-Infrastruktur trainiert wird. Damit tritt das Unternehmen gegen Mistral, OpenAI, Anthropic und Google an, und gegen eine immer aggressivere chinesische Open-Weight-Welle. Das Modell heißt Talos. Der offizielle Marktstart war am 15. September 2026, mehr als 100 Unternehmen hatten es zuvor in der Beta-Phase getestet.

Nie mehr die wichtigsten News aus Österreichs Industrie verpassen? Abonnieren Sie unser Daily Briefing: Was in der Industrie wichtig wird. Täglich um 7 Uhr in ihrer Inbox. Hier geht’s zur Anmeldung!

Das eigentlich Interessante ist dabei weniger, dass aus Linz ein LLM kommt. Spannender ist die ökonomische Wette dahinter. Ablatic AI greift dort an, wo europäische Industrieunternehmen derzeit zwischen zwei unangenehmen Alternativen sitzen. Auf der einen Seite stehen extrem leistungsfähige amerikanische Cloudmodelle und Hyperscaler. Auf der anderen Seite erscheinen offene chinesische Systeme mit rapide fallenden Inferenzkosten. Dazwischen sucht der Mittelstand nach einer Lösung, die performant, bezahlbar und europäisch kontrollierbar ist.

Billigere Intelligenz aus China: Warum Europas Industrie neu rechnen muss

Chinesische Anbieter drücken den Preis für KI-Intelligenz aggressiv nach unten und greifen nach dem Markt. Ablatic AI will an diesem Preisverfall teilnehmen, die Wertschöpfung aber in Europa halten. Talos soll auf Infrastruktur europäischer Anbieter betrieben werden. Das Spinoff wirbt mit EU-Rechenzentren, einer OpenAI-kompatiblen API, keinem Training auf Kundendaten und dem Versprechen, Prompts und Antworten ohne dauerhafte Speicherung zu verarbeiten.

Als Zielgruppe nennen die Gründer regulierte Branchen und B2B-Softwareanbieter. Banken, Versicherungen, IT-Systemhäuser, Softwareunternehmen und Firmen mit sensiblen Dokumenten sollen nicht den nächsten universellen Chatbot bekommen, sondern ein Modell, das sich in bestehende Anwendungen einbauen lässt. Und die Gründer trauen sich einiges zu: „Mit unserem Modell können wir auch heute schon 80 bis 90 Prozent der Aufgaben, die man ChatGPT oder Claude geben würde, ohne Probleme lösen", sagt CTO Mauerkirchner.

Die Benchmarks stützen diese Selbsteinschätzung dort, wo es um Werkzeuggebrauch und das Befolgen von Anweisungen geht. Auf Toolathlon, einem Test für Aufgaben in echter Software wie Mail, Kalender und Tabellen, erreicht Talos-1 74,4 Prozent; Claude Opus 5 liegt bei 80,6, GPT-5.6 Sol bei 74,9. Beim präzisen Befolgen komplexer Instruktionen (IFBench) kommt das Modell auf 82,2 Prozent und liegt damit vor GPT-5.6 Sol und DeepSeek V4 Pro. Auf Agents' Last Exam, einem Test der UC Berkeley für lange Arbeitsaufgaben am Computer, erreicht es 49,0 Prozent gegenüber 55,2 für Claude Opus 5. Der Abstand zur Weltspitze ist hier ein Abstand von wenigen Prozentpunkten, kein Graben.

Die Grundidee beschäftigt die Gründer schon seit Längerem, seit einem Dreivierteljahr trainieren und entwickeln sie intensiv. Die Rechenleistung dafür stammt nicht aus einem eigenen Serverraum in Linz: Ablatic AI nutzt zum Großteil das europäische EuroHPC-System und die AI Factory Austria. Die EU baut über EuroHPC ein Netzwerk aus KI-optimierten Supercomputern und AI Factories auf. Zwischen 2021 und 2027 sollen die öffentlichen Investitionen von EU, Mitgliedstaaten und Partnerländern rund zehn Milliarden Euro erreichen. Für Start-ups und universitäre Forschung ist ein Detail entscheidend: Der Zugang wird über Calls kostenlos vergeben. Ablatic AI konnte dadurch auf Rechenleistung zugreifen, die ein junges österreichisches Unternehmen kaum finanzieren könnte. Hinzu kommt das Interesse mehrerer europäischer Hosting-Anbieter, die den Betrieb unterstützen wollen.

Die Konstruktion ist bemerkenswert. Europa muss nicht darauf warten, dass eine österreichische Firma zu Beginn hunderte Millionen Euro Venture Capital einsammelt, bevor sie ein Modell trainieren kann. Den kapitalintensivsten Teil der Wertschöpfung stellt die öffentliche europäische Infrastruktur bereit. Ablatic AI hat sich bislang nach Aussage der Gründer vor allem über EU-Unterstützung und Partnerunternehmen finanziert. Externes Kapital soll erst für die Beschleunigung hinzukommen. „Es gibt mehrere Gespräche. Jetzt geht es darum, Geld für die schnellere Skalierung aufzunehmen", sagt CEO und Co-Founder Zimmermann. Das Motiv sei nicht akuter Finanzbedarf: „Die AI-Branche wächst einfach so enorm schnell. Da muss man sehr schnell iterieren und wachsen können, um mithalten zu können."

Warum sich die eigene GPU selten rechnet

Im Produktivbetrieb soll die Inferenz in Rechenzentren europäischer Unternehmen stattfinden. Zimmermann und Mauerkirchner nennen Exoscale, Scaleway und Verda als relevante europäische Infrastrukturplayer. Exoscale gehört zu A1 Digital und positioniert sich inzwischen explizit mit einem europäischen Sovereign-AI-Stack. A1 beschreibt Exoscale als „built in Europe, operated in Europe", mit EU- beziehungsweise österreichischen Datacentern, lokal gehosteten Open-Source-Modellen und dem Anspruch, Abhängigkeiten von Hyperscalern zu reduzieren.

Für Ablatic AI entscheidet dabei nicht Patriotismus allein, sondern GPU-Ökonomie. „Wo wir auf einer GPU beziehungsweise auf diesem GPU-Gerüst mehr Nutzer bedienen können, sinkt am Ende des Tages der Cost per Token für den User", sagt Mauerkirchner. Das ist die zentrale Kostenformel des jungen Unternehmens.Die Preisliste zum Marktstart: ein Euro pro Million Eingabe-Tokens, vier Euro pro Million Ausgabe-Tokens und zehn Cent pro Million zwischengespeicherter Eingabe-Tokens. Gegenüber Mistral wollen die Gründer damit zumindest nicht teurer und möglichst günstiger sein.

Eigenes On-Premise-Compute ist für sie keine Universallösung. Nach Einschätzung der Gründer rechnet sich eigene GPU-Hardware für ein Unternehmen mit wenigen Mitarbeitern in der Regel nicht: Anschaffungskosten im hohen sechsstelligen bis siebenstelligen Bereich stehen einer Auslastung gegenüber, die dafür zu gering bleibt. Für einen Konzern mit zehntausenden Nutzern könne die Rechnung dagegen völlig anders aussehen. Das ist eine wichtige Trennlinie in der neuen KI-Ökonomie. Ein kleines Unternehmen kann ein LLM nicht automatisch billiger selbst betreiben, nur weil die Modellgewichte frei verfügbar sind. Ein schlecht ausgelasteter GPU-Cluster kann teurer sein als eine API. Die Frage lautet daher nicht Cloud oder On-Premise. Sie lautet: Bei welchem Nutzungsprofil erreicht eine GPU genügend Auslastung, damit ihre Kosten pro Token unter den API-Preis fallen?

Das Verkaufsargument heißt Jurisdiktion

Die vielleicht härteste Abgrenzung zu OpenAI, Microsoft und den US-Hyperscalern betrifft nicht Modellqualität, sondern Jurisdiktion. Die Gründer versprechen, Talos nur bei Unternehmen zu hosten, deren Sitz und relevante Infrastruktur innerhalb der EU liegen. US-Hyperscaler sollen in der vorgesehenen Kette möglichst nicht vorkommen. Das hat einen juristischen Hintergrund. Der US CLOUD Act erlaubt amerikanischen Behörden unter gesetzlichen Voraussetzungen, Anbieter unter US-Gerichtsbarkeit zur Herausgabe bestimmter Daten zu verpflichten, auch wenn diese Daten außerhalb der USA gespeichert sind. Genau diese extraterritoriale Wirkung haben europäische Datenschutzbehörden mehrfach als Konfliktfeld analysiert. Das JKU-Spin-off baut sein Geschäftsmodell auf die Restunsicherheit dieser Konstellation.

Was Talos bewusst nicht kann

Talos soll allerdings nicht alles können. Besonders bemerkenswert ist, was die Gründer bewusst nicht priorisieren: Coding. „Wir können im Prinzip alles machen, was Claude kann, nur sind wir nicht so gut im Coding", sagt CEO Zimmermann. Coding ist bereits eines der härtesten Schlachtfelder des gesamten LLM-Marktes. OpenAI investiert massiv in Codex, Anthropic hat Claude Code, Google, chinesische Anbieter und zahlreiche Start-ups trainieren ebenfalls auf Softwareentwicklung. Das JKU-Spin-off müsste dort enorme Ressourcen investieren, um einen kleinen Vorsprung zu erzielen. Das Modell soll stattdessen in Geschäftsprozesse eingebettet werden oder Bestandteil anderer Softwareprodukte werden. Für eine große Softwareentwicklungsabteilung, die ihren kompletten Codebestand mit einem Agenten bearbeiten will, sei die schwächere Coding-Performance tatsächlich ein Nachteil, räumen die Gründer ein. „Aber das ist nicht unsere Zielgruppe."

Die Zahlen zeichnen genau dieses Bild. Beim Lösen realer Software-Tickets in bestehenden Code-Repositories (DeepSWE) liegt Talos-1 mit 51,8 Prozent im hinteren Feld; Claude Opus 5 erreicht 73,6, GPT-5.6 Sol 72,7. Es ist der eine Bereich, in dem der Rückstand nicht in Prozentpunkten, sondern in einer Kategorie gemessen wird, und die Gründer bestreiten ihn nicht.

Aus dieser Perspektive ist die Benchmarkleistung eines Frontier-Modells nur ein Teil des Produkts. Ein Modell, das 80 bis 90 Prozent der Aufgaben erledigt, aber europäisch kontrolliert, günstiger und stabil in einen Geschäftsprozess eingebaut werden kann, kann wirtschaftlich wertvoller sein als das weltweit leistungsfähigste Modell.

Plötzlich klopft die Robotik an

Die größte Überraschung der ersten Marktphase kommt aus einem Bereich, den das Spin-off ursprünglich gar nicht als Hauptziel definiert hatte: Robotik. „Da bekommen wir sehr viele Anfragen, mehr als gedacht!", sagt Zimmermann. Darunter seien sowohl Anbieter humanoider Systeme als auch Hersteller klassischer Industrieroboter. Noch ist das keine zweite fertige Produktsparte, die Gründer evaluieren, ob daraus eine werden soll. Es eröffnet aber eine interessante strategische Perspektive. Für einen Industrieroboter muss nicht jede KI-Abfrage in ein amerikanisches Rechenzentrum laufen. Kleinere Modelle können perspektivisch näher an der Maschine betrieben werden. Die Latenz sinkt, Daten bleiben lokal, Cloudkosten werden kontrollierbarer. Gerade die Robotik könnte deshalb einer der Märkte werden, in denen europäische souveräne Modelle besonders attraktiv sind. Mistral bewegt sich mit seiner Emmi-AI-Übernahme und einem eigenen Robotics-Modell bereits genau in diese Richtung.

Der Umweg über die Systemhäuser

Ablatic AI baut einen eigenen Vertrieb auf, setzt im Markt aber zusätzlich auf Multiplikatoren. Als Beispiel nennen die Gründer IT-Firmen, die bereits Softwareprojekte für zahlreiche Unternehmen umsetzen. Ablatic liefert das Modell, der Systemintegrator baut daraus Chatbots, Dokumentenextraktion, RAG-Systeme oder andere Anwendungen wie Automatisierungen. „Wir bieten Systemhäusern eine souveräne Grundlage für genau die Projekte, die sie ohnehin umsetzen, vom Chatbot bis zur Dokumentenautomatisierung", erklärt Zimmermann.

Der Grund ist pragmatisch. Produktionsunternehmen haben lange Verkaufszyklen, und fast jede Installation benötigt Anpassungen. „Über einen Systemintegrator erreichen wir mit einem einzigen Gespräch ein ganzes Kundenportfolio", sagt Mauerkirchner. Anfragen von Unternehmen, die direkt mit Talos arbeiten wollen, betreuen die Gründer weiterhin selbst.

Wo Talos im Vergleich steht

Ein Blick auf die öffentlich vergleichbaren Benchmarks ordnet den eigenen Anspruch ein. Talos-1 führt in keiner der Disziplinen, bleibt bei Werkzeuggebrauch, Web-Recherche und Dokumentenverarbeitung aber in Reichweite der Weltspitze und fällt beim Programmieren spürbar ab. Alle Werte in Prozent, fett der beste Wert der Vergleichsmodelle. Ablatic hat die Talos-1-Werte selbst gemessen, bei höchster Reasoning-Stufe und mit dem öffentlichen Test-Harness des jeweiligen Benchmarks; die Vergleichswerte stammen von den offiziellen Leaderboards und aus den Modellkarten der Hersteller, Stand 14. September 2026. „nur Text“: Modell verarbeitet keine Bilder. „–“: kein veröffentlichter Wert.

Was die Tests messen: Agents' Last Exam (UC Berkeley) stellt lange, reale Arbeitsaufgaben am Computer, Terminal und Bildschirm zusammen, bewertet wird das fertige Ergebnis. AutomationBench (Zapier) lässt 600 Geschäftsabläufe über 47 simulierte SaaS-Tools von Anfang bis Ende durchlaufen. Toolathlon prüft Aufgaben in echter Software wie Mail, Kalender, Tabellen und GitHub über deren eigene Schnittstellen. BrowseComp (OpenAI) stellt schwere Fragen, deren Antworten über das Web verstreut sind und durch Recherche gefunden werden müssen. DeepSWE (Datacurve) verlangt, echte Software-Tickets in bestehenden Code-Repositories zu lösen. OmniDocBench misst das Lesen realer Dokumente mit Layouts, Tabellen und Formeln. IFBench prüft, wie genau ein Modell schriftliche Anweisungen befolgt.

Das Bild ist konsistent mit der Selbsteinschätzung der Gründer: nah dran bei Werkzeuggebrauch, Recherche, Dokumenten und Instruktionen, ein Graben beim Coding, dafür ein Modell, das europäisch kontrolliert und in Geschäftsprozesse eingebettet werden kann.