RTX Spark: Was Nvidias KI-Notebooks für sensible Daten taugen
18. Oktober 2026
KI-generiert, redaktionell von 8thsense ausgewählt, geprüft und freigegeben. EU AI Act, Art. 50
Seit Mitte Oktober sind die ersten Notebooks mit Nvidias neuem Chip RTX Spark im Handel. Sie sollen große Sprachmodelle direkt auf dem Gerät ausführen, ganz ohne Cloud. Für Unternehmen, die mit Patientenakten, Klientendaten oder Personalunterlagen arbeiten, klingt das nach der lang ersehnten Lösung für das Datenschutzproblem bei KI. Die ersten ausführlichen Tests zeichnen ein differenzierteres Bild: Die Technik funktioniert, der Alltag ist aber noch nicht reif für jeden Schreibtisch.
Was hinter RTX Spark steckt
RTX Spark (technisch: N1X) vereint eine Grace-CPU auf Arm-Basis und eine Blackwell-Grafikeinheit in einem Chip. Nvidia verspricht bis zu einem Petaflop KI-Rechenleistung und bis zu 128 GB gemeinsamen Arbeitsspeicher, auf den CPU und GPU gleichermaßen zugreifen (Quelle: blogs.nvidia.com). Genau dieser große, gemeinsame Speicher ist der Kern der Sache: Sprachmodelle brauchen viel davon, und klassische Notebook-Grafikkarten haben zu wenig. Geräte gibt es zum Start von Asus, Dell, HP, Lenovo, Microsoft und MSI. Die Notebooks laufen mit Windows 11 on Arm, ältere x86-Programme werden über die Übersetzungsschicht Prism ausgeführt. Laut den Testern von The Verge klappt das im Büroalltag inzwischen weitgehend unauffällig (Quelle: theverge.com).
Preise: Oberklasse, kein Bürogerät
Nvidia nennt einen Einstiegspreis ab 2.399 US-Dollar. The Verge fand als günstigste getestete Konfiguration allerdings 2.599,99 Dollar, die Spanne der getesteten Geräte reicht bis 6.999,99 Dollar. In Deutschland liegt das von heise getestete Asus ProArt P14 mit 32 GB Speicher bei rund 3.300 Euro. Die Varianten mit mehr Speicher kosten deutlich mehr (Quelle: heise.de):
32 GB: rund 3.300 Euro (Asus ProArt P14)
64 GB: ab etwa 4.300 Euro
128 GB: ab etwa 6.700 Euro
Das ist relevant, weil der Speicher die Modellgröße begrenzt. Der heise-Tester hält 32 GB für zu knapp für ernsthafte lokale KI und wünscht sich mindestens 48 GB. Ein vergleichbares MacBook Pro M5 Pro mit 48 GB kostet laut heise rund 3.550 Euro, ältere Notebooks mit AMDs Strix-Halo-Chip gibt es teils schon unter 2.000 Euro.
Was die Tests zeigen
Im Benchmark von heise schafft RTX Spark mit dem dichten Modell Qwen 27B rund 14,5 Token pro Sekunde, mit dem effizienteren Mixture-of-Experts-Modell Qwen 35B-A3B fast 61 Token pro Sekunde. Das ist flüssig nutzbar und bei rund 40 Watt Dauerlast effizient. Bei der Verarbeitung langer Eingaben liegt der Chip vor der Konkurrenz von Apple und AMD. Ernüchternder sind die Praxisberichte von The Verge: Ein lokaler Agent mit Qwen 27B brauchte für eine Nachrichtenübersicht zehn Minuten und zehn Prozent des Akkus, ein Cloud-Modell lieferte das Ergebnis in der halben Zeit und mit besseren Quellen. Ein anderer Tester verbrauchte 30 Prozent Akku in 36 Minuten, um fünf Produktbilder freizustellen, und das Modell schnitt die Produkte zunächst falsch ab. Fazit dort: Das Ganze fühle sich noch an wie eine Beta für Entwickler.
Wo lokale KI heute trotzdem sinnvoll ist
Der größte Vorteil ist unbestritten: Daten verlassen das Gerät nicht. Ein Verge-Redakteur bringt es auf den Punkt, er würde dem Cloud-Modell, das im Test bessere Ergebnisse lieferte, seine E-Mails trotzdem nicht anvertrauen. Für Unternehmen mit Schweigepflicht oder besonders schützenswerten Gesundheitsdaten ist das ein echtes Argument. Realistisch sind heute vor allem klar umrissene Aufgaben mit sensiblen Inhalten: Gesprächsnotizen zusammenfassen, Dokumente durchsuchen, Entwürfe für Berichte formulieren, Texte auf Fehler prüfen. Weniger geeignet sind komplexe, mehrstufige Agenten-Aufgaben, bei denen Cloud-Modelle schneller und besser sind. Und auch lokal gilt Vorsicht: Der Verge-Tester schloss die Agenten regelmäßig, wenn sie Zugriff auf lokale Dateien hatten. Lokal heißt nicht automatisch sicher, sondern nur, dass die Daten im Haus bleiben.
Was das für Unternehmen bedeutet
Ein RTX-Spark-Notebook für jeden Arbeitsplatz zu kaufen, ist derzeit kaum zu rechtfertigen. Die Geräte sind teuer, die Software für Einsteiger sperrig, und die Modelle, die auf 32 GB passen, liegen spürbar hinter den großen Cloud-Modellen. Der Hardware-Kauf löst außerdem nicht die eigentliche Frage: Welche Aufgabe soll die KI übernehmen, mit welchen Daten, und wie gelangt das Ergebnis zurück in die Fachsoftware? Ein Pflegedienst, der Einsatzberichte lokal vorformulieren lassen will, braucht nicht nur ein Modell, sondern eine saubere Anbindung an seine Dokumentation. Sonst entsteht die nächste Insellösung, die nach drei Monaten niemand mehr nutzt.
Sinnvoller ist ein kleiner Start: einen konkreten Prozess mit sensiblen Daten auswählen, etwa die Zusammenfassung von Beratungsgesprächen in einer Therapiepraxis oder die Vorprüfung von Bewerbungen. Dann prüfen, ob ein lokales Modell auf einem einzelnen Gerät oder einem kleinen Server im Büro reicht, oder ob ein europäisch gehosteter Cloud-Dienst mit Auftragsverarbeitungsvertrag die pragmatischere Wahl ist. Oft ist eine Mischung am besten: sensible Schritte lokal, der Rest in der Cloud. Wer diese Abwägung strukturiert angehen will, findet unter dem Stichwort KI-Automation für den Mittelstand einen Einstieg. Die eigentliche Arbeit liegt ohnehin weniger im Gerät als in der Prozessautomatisierung drumherum.
