Im Rahmen des NADIKI-Projekts haben wir 10 KI-Startups in Deutschland interviewt, um zu verstehen, wie relevant die NADIKI-Methode für ihre Infrastruktur ist — und ob sie bereit wären, NADIKI bei sich zu installieren.

Das zentrale Ergebnis: Die meisten dieser Startups betreiben weder eigene KI-Modelle noch führen sie eigenes Training oder eigene Inferenz durch. Stattdessen bauen sie ihre Produkte auf Basis bestehender API-Dienste — insbesondere von OpenAI, Anthropic und OpenRouter. Der Grund dafür ist pragmatisch: Eigene Modelle zu trainieren und eine eigene Inferenz-Infrastruktur aufzubauen ist komplex, kostspielig und zeitaufwändig. Der schnellere Weg zum Markt führt über fertige Sprachmodell-APIs.

Was das für NADIKI bedeutet

Für das NADIKI-Projekt ist dieser Befund eine wichtige Einschränkung. Die NADIKI-Methode ist derzeit darauf ausgelegt, die Umweltwirkung von KI-Anwendungen an der eigenen Infrastruktur zu messen — entweder beim eigenen Training auf eigenen Servern oder bei eigener Inferenz. In der typischen Situation eines deutschen KI-Startups, das über eine Drittanbieter-API arbeitet, greift die Methode im heutigen Stand nicht.

Warum wir trotzdem weitermachen

Wir gehen davon aus, dass sich der Markt weiterentwickelt. Steigende API-Kosten, Qualitäts- und Datenschutzanforderungen sowie zunehmende Spezialisierung werden dazu führen, dass mehr Unternehmen auf eigene Modelle oder eigene Inferenz setzen — auch in Deutschland. Die Frage ist nicht ob, sondern wann.

Für NADIKI bedeutet das eine strategische Neuausrichtung im Fokus: Wir priorisieren den Anwendungsfall Inferenz. Dieser bietet das schnellste Potenzial für Messbarkeit und liegt am nächsten am Nutzer — denn jedes einzelne Prompt kann mit NADIKI eine messbare Umweltwirkung zugewiesen bekommen. Das macht Inferenz zum praktisch relevantesten Ansatzpunkt für Transparenz und Vergleichbarkeit.