Die Landschaft der Experten für künstliche Intelligenz hat sich seit dem Aufkommen von Foundation-Modellen neu konfiguriert. Die Profile, die 2026 relevant sind, sind nicht mehr nur Forscher, die in akademischen Konferenzen publizieren: Wir beobachten einen hybriden Kern, in dem Gründer von Startups, Maintainer von Open-Source-Infrastrukturen und Spezialisten für algorithmische Ethik aufeinandertreffen. Zu erkennen, wem man folgen sollte, erfordert ein Verständnis dieser Bruchlinien.
Foundation-Modelle und LLM-Engineering: die technischen Profile, die man im Auge behalten sollte
Die Beherrschung von Sprachmodellarchitekturen unterscheidet heute die Experten, die das Feld vorantreiben, von denen, die es kommentieren. In Europa tauchen drei Namen systematisch in den strukturierten Analysen von 2026 auf: Arthur Mensch, Guillaume Lample und Timothée Lacroix, Mitbegründer von Mistral AI.
Ihre Arbeit konzentriert sich auf das Engineering von LLM, vom Pre-Training bis zum Deployment in der Produktion. Dieses Trio verkörpert eine seltene Expertise, die grundlegende Forschung (Veröffentlichungen über Aufmerksamkeitsmechanismen, Mixture-of-Experts) und den Übergang zur industriellen Skalierung kombiniert.
Diese Profile zu verfolgen, ermöglicht es, die tatsächlichen technischen Abwägungen zu verstehen: Wahl der Tokenisierung, Quantifizierungsstrategien, Kompromisse zwischen Modellgröße und Inferenzlatenz. Themen, die die meisten allgemeinen Listen nicht ansprechen, die jedoch den operativen Wert eines KI-Systems im Unternehmen bestimmen. Um diese Figuren in einem breiteren Panorama zu verorten, gibt es eine Ressource, die die besten Experten für künstliche Intelligenz nach verschiedenen Auswahlkriterien auflistet.
Open Source und KI-Plattformen: Einfluss durch Infrastruktur
Die Open-Source-Infrastruktur prägt den Sektor mehr als geschlossene Forschung. Thomas Wolf und Clément Delangue, CSO und CEO von Hugging Face, sind weltweit zu Referenzen geworden, nicht durch ihre akademischen Veröffentlichungen, sondern durch die Plattform, die sie betreuen.
Hugging Face beherbergt zehntausende Modelle, Datensätze und Demonstrationsräume. Wenn ein KI-Praktiker nach einem vortrainierten Modell oder einer Fine-Tuning-Pipeline sucht, geschieht dies fast immer über diese Infrastruktur. Wolf und Delangue lenken de facto die Entwicklungspraktiken der gesamten Community.
Wir empfehlen, ihre Stellungnahmen zur Governance von offenen Modellen zu verfolgen, ein Thema, das Befürworter des freien Zugangs und europäische Regulierungsbehörden gegeneinander ausspielt. Ihre Lektüre ergänzt die der Gründer von Mistral AI: die ersten bauen die Verteilungsschicht, die zweiten die Modellsicht.
Kriterien zur Bewertung eines Open-Source-Experten
- Direkte Beiträge zum Code oder zur Dokumentation von stark angenommenen Projekten (verifizierbare Commits, nicht nur Konferenzen)
- Klare Positionierung zu Modell-Lizenzen (Apache 2.0, RAIL, Copyleft) und deren Auswirkungen auf Unternehmen
- Fähigkeit, die technischen Grenzen der beworbenen Werkzeuge zu erklären, nicht nur deren Vorteile
KI für Wissenschaft und angewandtes maschinelles Lernen: ein unterschätzter Ansatz
Die Expertenlisten konzentrieren sich auf die generative KI für die breite Öffentlichkeit. Wir beobachten, dass die bedeutendsten Fortschritte oft aus der KI kommen, die auf die Wissenschaften angewendet wird. Max Welling (CuspAI) arbeitet an KI zur Entdeckung neuer Materialien. Christopher Bishop leitet das Programm AI4Science bei Microsoft.
Diese Profile interessieren direkt die Fachleute, die Datensysteme in der Industrie, Pharmazie oder Energie implementieren. Ihre Expertise im maschinellen Lernen geht über die Verarbeitung natürlicher Sprache hinaus und umfasst generative Modelle, die auf molekulare Simulation oder Prozessoptimierung angewendet werden.
Jürgen Schmidhuber, oft zitiert für seine historischen Arbeiten an rekurrenten neuronalen Netzen (LSTM), bleibt eine technische Referenzstimme. Sein Beitrag wird nicht an Followern in sozialen Medien gemessen, sondern an akademischen Zitierungen und Patenten, die die aktuellen Architekturen weiterhin strukturieren.
Französischsprachige KI-Experten: Ausbildung und Berufsvorbereitung
Der französische Markt hat seine eigenen Figuren, die auf Ausbildung in KI-Kompetenzen und Integration in Unternehmen ausgerichtet sind. Alexandre Kantjas (9x) bietet eine fortgeschrittene Expertise zur strategischen Implementierung von Modellen mit einem operativen Ansatz für technische Entscheidungsträger.
Julien Simon produziert strukturierte pädagogische Inhalte über maschinelles Lernen und Sprachmodelle, die auf YouTube zugänglich sind. Sein besonderes Merkmal: Er zerlegt die Konzepte des tiefen Lernens, ohne die technische Strenge zu opfern, was ihn zu einer nützlichen Ressource für Data-Teams macht, die ihre Fähigkeiten ausbauen.
Was einen umsetzbaren Experten von einem Kommentator unterscheidet
- Regelmäßige Produktion von verifizierbarem technischem Inhalt (Tutorials, Notebooks, reproduzierbare Benchmarks)
- Dokumentierte Erfahrung in der Implementierung von KI-Projekten in der Produktion, nicht nur im Prototyping
- Fähigkeit, die Werkzeuge im Hinblick auf geschäftliche Anforderungen zu kontextualisieren (Inferenzkosten, GDPR-Konformität, Wartung der Modelle)
- Transparenz über Misserfolge und Grenzen, die bei realen Projekten aufgetreten sind
Dieses Raster ermöglicht es, Profile zu filtern, die echte Expertise bieten, von denen, die Produktankündigungen ohne kritische Reflexion weitergeben.
Ethik und Regulierung von KI: Stimmen, die man nicht ignorieren sollte
Die UNO hat 2026 ein wissenschaftliches Gremium zur KI ins Leben gerufen, ein Zeichen dafür, dass die Regulierung nun den Diskurs ebenso strukturiert wie die Technik. Experten für algorithmische Ethik sind nicht mehr an den Rand des Sektors gedrängt.
Die Verfolgung der Arbeiten dieses Gremiums und der Forscher, die daran mitwirken, bietet Zugang zu einer ergänzenden Perspektive auf die Herausforderungen: Verzerrungen in den Trainingsdaten, Umweltwirkungen von Recheninfrastrukturen, Fragen der Souveränität über Foundation-Modelle. Für Unternehmen, die KI-Systeme in großem Maßstab implementieren, bestimmen diese Dimensionen direkt die regulatorische Lebensfähigkeit ihrer Projekte.
Die relevantesten Experten, denen man 2026 folgen sollte, teilen ein gemeinsames Merkmal: Sie produzieren verifizierbare Artefakte (Code, Modelle, technische Berichte) anstelle von Meinungen. Seine Überwachung um diese Unterscheidung bleibt der verlässlichste Filter, um eine solide und operationale KI-Kultur zu entwickeln.