Das Spin-off Flower Labs der Universität Cambridge bringt mit Endeavor 1.0 ein KI-Modell auf den Markt, das laut Unternehmen mit US-Spitzenmodellen konkurrieren soll und lokale Datenverarbeitung ermöglicht
Das britische Unternehmen Flower Labs, eine Ausgründung der Universität Cambridge mit Standorten in London und Hamburg, hat die Einführung seines neuen KI-Modells Endeavor 1.0 bekannt gegeben. Das Modell soll nach Angaben des Unternehmens eine Alternative zu führenden US-amerikanischen Sprachmodellen wie GPT-5.6 Sol von OpenAI und Claude Fable 5 von Anthropic bieten und kann direkt in den IT-Systemen von Unternehmen betrieben werden. Die Ankündigung erfolgte am heutigen Tag und richtet sich insbesondere an Organisationen, die Wert auf Datenhoheit und lokale Verarbeitung legen.
Technische Ausrichtung und Positionierung
Endeavor 1.0 basiert auf einer Kombination aus offenen Modellen und proprietärer Technologie von Flower Labs. Das Unternehmen beschreibt das System als "frontier-class" und hebt hervor, dass es für den Einsatz in sensiblen Bereichen wie dem Gesundheitswesen oder im Finanzsektor konzipiert wurde. Die Architektur erlaubt es, KI-Anwendungen zu entwickeln, ohne dass sensible Daten in externe Cloud-Infrastrukturen übertragen werden müssen. Nach Unternehmensangaben können Organisationen das Modell unter Lizenz erwerben und auf eigenen Servern trainieren oder betreiben.
Flower Labs wurde 2023 gegründet und hat bislang über 23 Millionen britische Pfund an Kapital eingeworben. Zu den Gründern zählen Alumni des US-Accelerators Y Combinator. Das Unternehmen versteht sich als Full-Stack-Anbieter für KI-Infrastruktur und entwickelt neben Modellen auch Agentensysteme und Software für den Unternehmenseinsatz.
Vergleich mit etablierten Modellen und Marktumfeld
Nach Angaben von Flower Labs erreicht Endeavor 1.0 auf bestimmten Benchmarks eine vergleichbare Leistung wie GPT-5.6 Sol von OpenAI und Claude Fable 5 von Anthropic. In einzelnen Tests soll das Modell zudem Moonshot Kimi K3 übertreffen. Unabhängige Vergleiche oder externe Benchmarks liegen bislang jedoch nicht vor. Die Markteinführung erfolgt zunächst für ausgewählte Unternehmenskunden, darunter nach Unternehmensangaben die britische Gesundheitsbehörde NHS und JP Morgan. Ein breiterer Rollout ist geplant, sobald die notwendige Recheninfrastruktur bereitsteht.
Die Entwicklung von Endeavor 1.0 fällt in eine Phase, in der europäische Unternehmen und Regierungen verstärkt nach Alternativen zu US-dominierten KI-Plattformen suchen. Die britische und europäische Politik betonen zunehmend die Bedeutung von digitaler Souveränität und Datenresidenz. Auch andere Start-ups verfolgen ähnliche Ansätze, wie etwa das dänische Team hinter Repodo, das mit einer KI-basierten Audit-Plattform auf den Markt drängt (weitere Details zur europäischen KI-Start-up-Landschaft).
Lizenzmodell, Anwendungsbereiche und offene Fragen
Endeavor 1.0 wird als lizenzpflichtiges Produkt angeboten. Unternehmen können das Modell auf eigenen Systemen betreiben und mit eigenen Daten weitertrainieren, ohne dass diese Daten zentral gespeichert werden müssen. Flower Labs positioniert das Angebot als "souveräne" Alternative zu US-amerikanischen Cloud-Lösungen, betont aber zugleich, dass die tatsächliche Leistungsfähigkeit im Praxiseinsatz noch zu evaluieren ist. Die vollständige Offenlegung der Modellarchitektur und der Trainingsdaten ist bislang nicht erfolgt. Auch unabhängige Sicherheits- und Qualitätsprüfungen stehen noch aus.
Die Frage, inwieweit Endeavor 1.0 tatsächlich mit den etablierten US-Modellen konkurrieren kann, bleibt damit vorerst offen. Für Unternehmen in regulierten Branchen könnte das Angebot dennoch eine relevante Option darstellen, sofern die versprochene Datenhoheit und die technische Leistungsfähigkeit im praktischen Einsatz bestätigt werden.
Foundation Models sind große KI-Modelle, die auf umfangreichen Datenmengen trainiert werden und als Basis für vielfältige Anwendungen dienen. Sie unterscheiden sich von spezialisierten Modellen durch ihre breite Einsetzbarkeit und die Möglichkeit, durch Feinabstimmung (Fine-Tuning) an spezifische Aufgaben angepasst zu werden. Die Kontrolle über Trainingsdaten, Modellarchitektur und Infrastruktur ist für viele Unternehmen und öffentliche Institutionen ein zentrales Kriterium bei der Auswahl solcher Systeme, insbesondere im Hinblick auf Datenschutz, regulatorische Anforderungen und digitale Souveränität.
