ETH trainiert KI mit NASA-Daten: Eine neue Ära für Schweizer Modelle?

Was ist passiert?

Am 16. Juli 2026 gab die ETH Zürich bekannt, ein aussergewöhnliches Datenpaket gesichert zu haben: 100 Petabyte an Klima- und Erdbeobachtungsdaten, die von der US-Weltraumorganisation NASA über die letzten 50 Jahre gesammelt wurden. Diese gewaltige Datenmenge, vergleichbar mit dem Inhalt von rund 20 Millionen Kinofilmen, wurde an das Nationale Hochleistungsrechenzentrum der Schweiz (CSCS) in Lugano transferiert.

Das erklärte Ziel dieses von Ex-NASA-Forschungschef und ETH-Professor Thomas Zurbuchen initiierten Projekts ist es, die nächste Generation von KI-Modellen zu trainieren. Gespeichert und verarbeitet werden die Daten auf dem Supercomputer «Alps», einem der weltweit leistungsfähigsten Systeme seiner Art. Damit positioniert sich die Schweiz an vorderster Front bei der Entwicklung von KI-Modellen, die auf realen, physikalischen Daten basieren, nicht nur auf Texten aus dem Internet.

Warum ist das für Sie als Fach- und Führungskraft relevant?

Bisher konzentrierte sich die Diskussion um KI in Unternehmen oft auf grosse Sprachmodelle (LLMs) wie GPT-4 oder Claude. Diese sind darauf trainiert, Sprache zu verstehen und zu generieren. Das ETH-Projekt zielt jedoch auf eine andere, potenziell noch wirkungsvollere Klasse von KI ab: sogenannte «Foundation Models for Science» oder «World Models». Diese Modelle lernen die fundamentalen Gesetze physikalischer Systeme, in diesem Fall das komplexe Klimasystem der Erde.

Für Schweizer Unternehmen, insbesondere in datenintensiven und risikosensiblen Branchen, eröffnet dies völlig neue Möglichkeiten:

• Finanz- und Versicherungswirtschaft: Stellen Sie sich vor, Sie könnten die langfristigen Klimarisiken für ein Immobilienportfolio oder eine Lieferkette nicht nur auf Basis historischer Statistiken, sondern mit einem hochpräzisen, lernenden Modell des Erdsystems bewerten. Die Genauigkeit bei der Preisgestaltung von Versicherungen oder der Bewertung von Anlagen (ESG-Faktoren) könnte sich dramatisch verbessern.

• Energie und Versorgung: Energieversorger sind extrem abhängig von Wetter- und Klimabedingungen. KI-Modelle, die auf diesem Datenschatz trainiert sind, könnten die Prognose von Stromproduktion aus erneuerbaren Energien (Sonne, Wasser, Wind) und des Verbrauchs revolutionieren. Das optimiert die Netzstabilität und den Energiehandel.

• Logistik und Industrie: Extreme Wetterereignisse führen immer häufiger zu Unterbrüchen in globalen Lieferketten. Ein präzises KI-Klimamodell kann helfen, Routen proaktiv zu optimieren und die Resilienz von Produktionsstandorten und Transportwegen strategisch zu planen.

• Software-Entwicklung und Data Science: Das Projekt schafft nicht nur neue Modelle, sondern auch einen einzigartigen Talent-Pool. Schweizer Unternehmen erhalten Zugang zu Data Scientists und Ingenieuren, die Erfahrung im Training und im Umgang mit KI-Modellen dieser Grössenordnung haben. Dies ist ein entscheidender Standortvorteil im globalen Wettbewerb um KI-Fachkräfte.

Der entscheidende Punkt ist die Spezialisierung. Während ein allgemeines Sprachmodell einen Geschäftsbericht zusammenfassen kann, kann ein auf NASA-Daten trainiertes Modell vorhersagen, wie sich eine Veränderung der Eisschilde auf die Niederschlagsmuster in Europa und damit auf die Landwirtschaft oder die Pegelstände des Rheins auswirken könnte. Das ist eine neue Qualität der strategischen Entscheidungsfindung.

Ihre konkrete Handlungsempfehlung

Diese Entwicklung signalisiert einen strategischen Wandel: Weg vom reinen Anwenden fremder, allgemeiner KI-Modelle, hin zur Nutzung hochspezialisierter, in der Schweiz entwickelter Modelle für spezifische Kernprobleme. Für Ihr Unternehmen bedeutet das:

Evaluieren Sie Ihre «physikalischen» Datenprobleme.

Setzen Sie sich mit Ihren Daten- und Fachteams zusammen und stellen Sie sich folgende Frage: «Welche unserer grössten geschäftlichen Herausforderungen hängen von komplexen Systemen der realen Welt ab, die wir bisher nur unzureichend modellieren können?»

Identifizieren Sie 1 bis 2 Anwendungsfälle, bei denen eine präzisere Vorhersage physikalischer Ereignisse (Wetter, Klima, Materialermüdung, Systemauslastung) einen direkten und messbaren Einfluss auf Ihren Umsatz oder Ihre Kosten hätte. Beispiele sind die Ausfallprognose von Industrieanlagen, die Erntevorhersage für Agrarhändler oder die Simulation von Extremwetterereignissen für Rückversicherer.

Betrachten Sie dies nicht als rein technisches Thema, sondern als strategische Initiative. Die Verfügbarkeit solcher Modelle aus dem Schweizer Ökosystem könnte in den nächsten Jahren zu einem entscheidenden Wettbewerbsvorteil werden. Unternehmen, die heute beginnen, die richtigen Fragen zu stellen und ihre Datenstrategie darauf auszurichten, werden morgen die Gewinner sein.