Die Zukunft der agentenbasierten Künstlichen Intelligenz (Agentic AI) liegt laut aktueller Entwicklungen in offenen, datengetriebenen und kleinen Sprachmodellen (Small Language Models, SLMs). Dieser Paradigmenwechsel markiert einen Bruch mit der bisherigen Fokussierung auf große, zentrale Sprachmodelle (LLMs). Eine kürzlich veröffentlichte Studie von NVIDIA stellte fest, dass SLMs besonders gut für agentele Systeme geeignet sind – jene KI-Systeme, die eigenständig planen, schließen und handeln können. Diese Erkenntnis löste erhebliches Interesse auf dem Markt aus und unterstreicht eine tiefgreifende Trendwende in der KI-Entwicklung. Ein aktueller arXiv-Bericht, Is Open Source the Future of AI? A Data-Driven Approach, liefert empirische Grundlagen für diese Entwicklung. Die Analyse basiert auf Daten aus Hugging Face und GitHub und zeigt, dass offene Quellcode-Modelle zunehmend dominieren – insbesondere kleinere, auf populären Basismodellen wie Llama oder Mistral aufbauende Varianten. Diese werden häufig fine-tuned und speziell für Chat-Anwendungen optimiert, was zu schnellen Verbesserungen durch die Community führt. Besonders auffällig: Modelle mit weniger als 20 Milliarden Parametern erhielten 85 % aller Downloads, wobei jene zwischen 10 und 15 Milliarden besonders beliebt sind. Gleichzeitig steigen die Leistungen auf Benchmarks kontinuierlich – kleine Modelle schließen die Lücke zu großen LLMs deutlich, ohne dass massive Rechenressourcen erforderlich sind. NVIDIA betont, dass SLMs für agentele Anwendungen ideal sind, da die meisten Aufgaben im Alltag eng begrenzt sind und keine umfassende Allgemeinwissenfähigkeit erfordern. Vorteile liegen in der Effizienz: schnelle Inferenz, geringe Latenz, einfache Fine-Tuning-Anpassung, dezentrale Ausführung auf Edge-Geräten und bessere Kosten-Nutzen-Relation. Experimente zeigen, dass SLMs bereits 40 bis 70 Prozent der LLM-Aufrufe übernehmen können, ohne signifikante Leistungseinbußen. NVIDIA schlägt hierfür einen sechsstufigen Algorithmus zur nahtlosen Migration von LLMs zu SLMs vor, um technische Hürden wie Tooling-Lücken und Konvertierungsprobleme zu überwinden. Trotz der Fortschritte gibt es Herausforderungen: Nachhaltigkeit im Open-Source-Ökosystem, Überabhängigkeit von wenigen Entwicklern und Risiken durch Missbrauch. Auch fehlen noch ausgereifte Tools für das Fine-Tuning von SLMs. Eine datengetriebene Transformation hin zu effizienter KI ist notwendig, wobei große Tech-Unternehmen möglicherweise ihre Strategie von proprietären Modellen zu SaaS-Lösungen auf offenen Grundlagen verlagern werden. Industrieexperten sehen in diesem Trend eine nachhaltige, transparente und wettbewerbsfähige Zukunft. Open-Source-Modelle fördern Innovation, Transparenz und Vertrauen – entscheidend für die Akzeptanz von KI im Alltag. Unternehmen wie Kore.ai, die sich auf agentele Anwendungen und Dev-Frameworks spezialisiert haben, positionieren sich bereits als Treiber dieser Entwicklung. Die Kombination aus kleineren, datengetriebenen Modellen, offener Innovation und agiler Architektur könnte die nächste Ära der KI prägen – effizienter, zugänglicher und menschzentrierter als je zuvor.