Mistral hat am 29. Oktober 2026 ML4 vorgestellt — ein Billion-Parameter-Modell, das vollständig selbst gehostet werden kann. Was das für Unternehmen bedeutet, die Datensouveränität ernst nehmen.
Das französische KI-Unternehmen Mistral hat am 29. Oktober 2026 sein bisher ambitioniertestes Modell veröffentlicht: ML4. Mit rund einer Billion Parametern und einer Mixture-of-Experts-Architektur, bei der pro Token nur rund 49 Milliarden Parameter aktiv sind, erreicht es Benchmark-Ergebnisse auf dem Niveau der führenden US-Cloud-Modelle — und kann dennoch vollständig auf unternehmenseigener Hardware betrieben werden. Eine Kombination, die es bisher bei Frontier-Modellen dieser Größenordnung nicht gab.
ML4 basiert auf einer Mixture-of-Experts-Architektur (MoE). Das bedeutet: Das Modell hat eine nominale Größe von rund einer Billion Parametern, lädt beim Verarbeiten einer Anfrage aber nur einen Bruchteil davon in den Arbeitsspeicher — konkret etwa 49 Milliarden. Damit sinkt der Rechenaufwand pro Token erheblich, ohne die Modellqualität zu opfern.
Auf dem Coding Agent Index erreicht ML4 laut heise.de 48 Prozent — damit liegt es auf dem Niveau von GLM-5.3. Beim CyberGym-E2E-Benchmark, der KI-Agenten in Cybersecurity-Aufgaben misst, erzielt es 79 Prozent und befindet sich damit auf Augenhöhe mit MiMo-V2.6-Pro. Beide Referenzmodelle gehören zur aktuellen Spitze im jeweiligen Bereich.
Technisch vorausgesetzt werden vier Nvidia-GB300-GPUs in FP4-Quantisierung. Das ist eine anspruchsvolle Hardware-Anforderung — für Forschungseinrichtungen und größere Mittelständler mit eigenem Rechenzentrum aber grundsätzlich realisierbar. Eine Cloud-Version über Mistrals API ist ebenfalls verfügbar, falls der Selbstbetrieb nicht in Frage kommt.
Das entscheidende Argument für ML4 ist nicht die Benchmark-Position, sondern die Betriebsform: Wer das Modell auf eigener Hardware betreibt, schickt keine Daten an externe Server. Das ist für viele Mittelständler aus zwei Gründen relevant.
Erstens stellt die DSGVO konkrete Anforderungen daran, wo personenbezogene Daten verarbeitet werden dürfen. Cloud-APIs von US-Anbietern sind rechtlich nicht unkompliziert, wenn sensible Kundendaten im Spiel sind. Ein selbst gehostetes Modell umgeht diesen Zielkonflikt vollständig.
Zweitens gibt es Branchen — Recht, Steuer, Medizin, Versicherung — in denen vertrauliche Informationen strukturell nicht an externe Dienste übertragen werden sollten. ML4 macht hier erstmals ein Frontier-fähiges Modell verfügbar, das vollständig im eigenen Netzwerk bleibt.
Verträge enthalten häufig sensible Konditionen, die nicht über externe APIs laufen sollten. Mit ML4 on-premises lässt sich eine automatisierte Erstprüfung aufsetzen, die Klauseln markiert, Risiken einordnet und Handlungsempfehlungen formuliert — ohne dass Vertragsinhalte das Unternehmensnetz verlassen. Der manuelle Prüfaufwand sinkt in solchen Setups erfahrungsgemäß um rund 40 bis 60 Prozent bei klar definierten Prüfroutinen.
Produktionsdaten, Qualitätshandbücher, interne Prozessdokumente — viele Mittelständler verfügen über umfangreiche Wissensspeicher, die bisher nicht maschinell auswertbar waren. Ein lokal betriebenes Sprachmodell kann diese Daten indizieren und als unternehmensinterner Assistent dienen: Mitarbeitende fragen auf Deutsch, das System antwortet aus den eigenen Dokumenten.
Unternehmen mit eigenen Entwicklungsteams und proprietärem Code haben ein nachvollziehbares Interesse daran, dass Sourcecode nicht über externe APIs läuft. ML4 liegt beim Coding-Benchmark auf dem Niveau aktueller Spitzenmodelle und eignet sich damit für automatisierte Code-Reviews, Dokumentationsgenerierung und Fehleranalysen — alles lokal.
„Ein Modell auf Frontier-Niveau, das vollständig im eigenen Rechenzentrum läuft — das war bisher eine Lücke, die ML4 nun schließt."
Hardware-Hürde realistisch einschätzenVier Nvidia-GB300-GPUs kosten aktuell je nach Konfiguration zwischen 100.000 und 150.000 Euro. Der Betrieb ist damit für Unternehmen ohne eigenes Rechenzentrum oder Cloud-GPU-Zugang nicht direkt realisierbar. Mistrals Cloud-API bleibt eine valide Alternative — mit dem Unterschied, dass dann Daten auf Mistrals europäischen Servern verarbeitet werden, nicht auf den eigenen. Wichtig: Das ist regulatorisch deutlich besser als US-Cloud-APIs, aber nicht identisch mit On-premises.
| Modell | Betriebsform | Coding-Benchmark | Besonderheit |
|---|---|---|---|
| Mistral ML4 | On-premises möglich | 48 % (Coding Agent Index) | Datensouveränität, Europa |
| Claude Opus 5.5 | Nur Cloud-API | Führend Agentic | Stärkstes Allroundmodell |
| Llama 4 (Meta) | On-premises möglich | Mittelfeld | Kostenlos, weniger Leistung |
| Gemini 4 Carbon | Nur Cloud-API | Führend Cybersecurity | Eingeschränkter Zugang |
Wer ML4 selbst betreiben will, braucht vier Nvidia GB300 — aktuell die teuerste verfügbare GPU-Generation. Realistisch kalkuliert landet man für eine Produktivinstanz bei einer Hardware-Investition von 400.000 bis 600.000 Euro, hinzu kommen Betrieb, Wartung und Integration. Das ist kein KMU-Einstiegsprojekt.
Realistischer für viele Mittelständler ist der Weg über Mistrals API oder über Managed-GPU-Dienste europäischer Cloud-Anbieter wie Hetzner, OVH oder Scaleway, die GB300-Kapazitäten in der Vergangenheit als Mietmodell angeboten haben. Das kombiniert Datensouveränität mit überschaubarem Kapitaleinsatz.
ML4 ist das erste Modell, das Frontier-Leistung und echte On-premises-Betriebsoption in einem vereint. Für Unternehmen, bei denen Datensouveränität keine optionale Anforderung ist, sondern eine strukturelle, verändert das die Lage spürbar. Bisher hieß die Wahl: Entweder leistungsschwächere Open-Source-Modelle lokal, oder starke Modelle in der Cloud.
Bei ATLAS Consulting beobachten wir die Verfügbarkeit über europäische Managed-GPU-Anbieter und werden ML4 in unsere Modellempfehlungen für Kunden mit erhöhten Datenschutzanforderungen einbeziehen, sobald belastbare Praxistests vorliegen. Wer heute ein KI-Projekt mit sensiblen Daten plant, sollte ML4 als Option auf dem Radar behalten.
ATLAS Consulting begleitet Sie vom ersten Use-Case bis zur produktiven Integration — ohne Hype, ohne Blackbox, mit klaren Zahlen.