Open Source vs. geschlossene KI: Die 600-Milliarden-Dollar-Frage, die jeder Builder beantworten muss

Der DeepSeek-Schock

Am 20. Januar 2025 veröffentlichte ein chinesisches KI-Labor namens DeepSeek R1, ein Open-Source-Reasoning-Modell. Innerhalb von Stunden stand die grundlegende Annahme der KI-Branche infrage: dass Frontier-KI Milliarden an Recheninvestitionen erfordert.

DeepSeek R1 wurde für ungefähr 294.000 $ mit 512 Huawei-kompatiblen H800-Chips trainiert. Das war alles. Nicht 100 Millionen Dollar. Nicht eine Milliarde. 294.000 $. Die Trainingskosten wurden anschließend in Nature peer-reviewed und veröffentlicht, was bestätigte, dass es sich nicht um Marketing-Hype handelte.

Das Modell erreichte Frontier-Reasoning-Leistung. Es erreichte oder übertraf GPT-4 auf mehreren Benchmarks. Es verwendete einen neuartigen Ansatz: reines Reinforcement Learning für Reasoning, ohne die teure Phase des überwachten Feintunings, auf die westliche Labore angewiesen waren. Die Technik (die DeepSeek offen publizierte) wurde „Reasoning via RL" genannt und zeigte, dass sorgfältige algorithmische Innovation Brute-Force-Rechenleistung ersetzen kann.

Die Marktreaktion war sofort. NVIDIA verlor an einem einzigen Handelstag über 600 Milliarden Dollar an Börsenwert, der größte Tagesverlust in der Geschichte des US-Aktienmarktes. Die Logik war einfach: Wenn Frontier-KI keine massiven GPU-Cluster erfordert, könnte die Nachfrage nach NVIDIAs teuersten Chips geringer sein als prognostiziert.

Für Builder bedeutete der DeepSeek-Schock etwas Praktischeres: Die Kostenuntergrenze für wettbewerbsfähige KI fiel um Größenordnungen. Wenn ein Forschungslabor in China ein Frontier-Modell für 294.000 $ trainieren konnte, brachen die Eintrittsbarrieren für KI-gestützte Produkte zusammen. Man brauchte keine 100 Millionen Dollar mehr, um Zugang zu Frontier-KI zu erhalten. Man brauchte gute Ideen, gute Daten und gutes Engineering.

DeepSeek R1 ist unter der MIT-Lizenz verfügbar, was bedeutet, dass jeder es kommerziell nutzen, modifizieren und einsetzen kann, ohne Einschränkung. Kosten für Eingabe-Tokens: 0,07 $ pro Million, ungefähr 27-mal günstiger als gleichwertige geschlossene Modell-Alternativen.

---

Wo offene Modelle gewinnen

Die Benchmark-Konvergenz zwischen offenen und geschlossenen Modellen erfolgte schneller, als fast jeder vorhergesagt hatte. Stanfords AI Index Report 2025 dokumentierte es: Offene Modelle erreichen oder übertreffen jetzt geschlossene Modelle bei MMLU, MATH-500, AIME und GPQA Diamond.

Fünf unabhängige Open-Weight-Modellfamilien erreichten innerhalb desselben 12-Monats-Zeitraums Frontier-Qualität:

Die Unternehmensadoption erzählt die Verbreitungsgeschichte. Der Einsatz von Open-Source-KI in Unternehmen stieg von 23 % auf 67 %, eine fast Verdreifachung in weniger als zwei Jahren. Unternehmen berichteten von 70-90 % Kosteneinsparungen gegenüber geschlossenen Modell-Alternativen. Der gesamte Open-Source-KI-Markt wuchs um 340 % im Jahresvergleich.

Die Vorteile offener Modelle sind strukturell, nicht vorübergehend:

Kosten. DeepSeek R1 Eingabe-Tokens kosten 0,07 $/M. Vergleichen Sie das mit GPT-5.2 bei 1,75 $/M (Eingabe) oder Claude Opus 4.6 bei 5 $/M. Bei hochvolumigen Inferenz-Workloads ist dieser Unterschied der Unterschied zwischen einem tragfähigen Geschäft und einer Geld verbrennenden Operation.

Kontrolle. Offene Modelle können selbst gehostet, feingetuned und modifiziert werden. Sie kontrollieren die Datenpipeline, die Inferenz-Infrastruktur und das Modellverhalten. Kein Anbieter kann Preise ändern, das Modell einstellen oder Fähigkeiten ohne Ihre Zustimmung ändern.

Datenschutz. Selbst gehostete offene Modelle halten Daten auf Ihrer Infrastruktur. Für Gesundheitswesen, Finanzen, Regierung und jeden Bereich mit strengen Anforderungen an die Datenlokalisierung ist dies oft eine zwingende Voraussetzung. Patientendaten an eine Drittanbieter-API zu senden, kann HIPAA verletzen. Inferenz auf der eigenen Infrastruktur auszuführen, tut das nicht.

Anpassung. Offene Modelle können mit domänenspezifischen Daten feingetuned werden. Ein Legal-AI-Unternehmen kann Llama 4 mit Millionen von Rechtsdokumenten feintunen, um ein Modell zu erstellen, das GPT-5 bei Rechtsaufgaben übertrifft, obwohl GPT-5 auf allgemeinen Benchmarks „besser" ist. Domänen-Feintuning ist der große Gleichmacher.

Kein Vendor Lock-in. Mit mehreren wettbewerbsfähigen offenen Modellfamilien sind Sie nie von den Preisen, der Verfügbarkeit oder den Geschäftsentscheidungen eines einzelnen Anbieters abhängig. Wenn DeepSeek die Preise erhöht, wechseln Sie zu Llama. Wenn die nächste Version von Llama enttäuscht, wechseln Sie zu Qwen.

---

Wo geschlossene Modelle weiterhin dominieren

Die Benchmark-Konvergenz-Erzählung hat einen wichtigen Vorbehalt: Offene Modelle erreichen geschlossene Modelle auf Benchmarks, aber nicht bei allen Produktionsaufgaben. Die Lücke besteht genau in den Bereichen fort, die für anspruchsvolle KI-Anwendungen am wichtigsten sind.

SWE-bench Verified. Der Goldstandard für KI-Codierungsfähigkeit. Claude Opus 4.5 führt mit 80,9 %. Offene Modelle liegen deutlich zurück. Für produktive KI-Codierung (die Art, auf die Claude Code und Cursor angewiesen sind) bleiben geschlossene Modelle materiell besser.

Chatbot Arena / LMArena Elo. Menschliche Präferenz-Rankings zeigen Gemini 3 Pro an der Spitze mit 1501 Elo. Die Top-Plätze sind alle geschlossene Modelle. Bei subjektiver Qualität (wie hilfreich, nuanciert und genau die Antworten sind) behalten geschlossene Modelle einen Vorsprung.

Komplexe agentische Aufgaben. Mehrstufige Workflows, die Planung, Tool-Nutzung, Fehlerbehebung und Kontextmanagement über viele Runden erfordern. Geschlossene Modelle bewältigen diese besser, weil sie speziell für agentenartiges Verhalten trainiert und optimiert sind. Anthropics Agent Teams-Funktion (Multi-Agenten-Koordination) funktioniert am besten mit Opus 4.6. OpenAIs Computer-Nutzungsfähigkeiten erfordern GPT-5-Klasse-Modelle.

Long-Context-Zuverlässigkeit. Gemini 3 Pro bietet ein 1M-Token-Kontextfenster mit gutem Recall. Claude Opus 4.6 verarbeitet 1M Tokens effektiv. Offene Modelle haben ihre Kontextfenster erweitert, zeigen aber oft abnehmende Leistung an den Extremen.

Sicherheit und Alignment. Anbieter geschlossener Modelle investieren stark in RLHF, Constitutional AI und Sicherheits-Feintuning. Das Sicherheitsverhalten geschlossener Modelle ist generell zuverlässiger und konsistenter als das offener Modelle, die feingetuned werden können, um Sicherheitsmaßnahmen zu umgehen. Für kundenorientierte Anwendungen, bei denen unangemessene Ausgaben Haftung erzeugen könnten, ist das wichtig.

Die praktische Zusammenfassung:

Die Schlussfolgerung ist nicht „offen ist besser" oder „geschlossen ist besser". Es ist, dass offene Modelle für viele Workloads ausreichen (besonders hochvolumige, kostensensitive), während geschlossene Modelle für die anspruchsvollsten Aufgaben notwendig sind (besonders Codierung, agentische Workflows und sicherheitskritische Anwendungen).

---

Die Infrastruktur-Bifurkation

Die Hardware-Schicht teilt sich in zwei, und diese Bifurkation spiegelt die Offene/Geschlossene-Teilung auf interessante Weise wider.

Der große Deal: NVIDIA übernahm Groq für 20 Milliarden Dollar Ende 2025. Groqs LPU-Chips (Language Processing Unit) liefern 877 Tokens pro Sekunde bei Llama 3 8B, ungefähr 2x schneller als die schnellsten GPU-Alternativen und 10-30x schneller als typischer GPU-Durchsatz. Bei 30-50 % niedrigeren Kosten pro Token.

Cerebras, ein weiteres Custom-Silizium-Unternehmen, liefert 20x schnellere Inferenz als GPU-basierte Systeme bei bestimmten Workloads. Together AI und Fireworks AI halten jeweils etwa 10 % der gesamten KI-Infrastrukturausgaben.

Der Markt teilt sich in zwei deutliche Segmente:

Custom-Silizium für Geschwindigkeit. Groqs LPU und Cerebras' Wafer-Scale-Chips optimieren für Inferenz-Durchsatz. Sie sind ideal für latenz-sensitive Anwendungen: Echtzeit-Chat, agentische Workflows, bei denen die Antwortgeschwindigkeit direkt die Benutzererfahrung beeinflusst, und hochvolumige Produktions-Inferenz. Sie funktionieren tendenziell besser mit offenen Modellen (die auf jeder Hardware eingesetzt werden können) als mit geschlossenen Modellen (die von der Infrastruktur des Modellanbieters bereitgestellt werden).

GPUs für Flexibilität. NVIDIAs H100/B200-GPUs bleiben der Standard für Training, Feintuning und Inferenzaufgaben, die Flexibilität erfordern. Sie können jedes Modell ausführen, benutzerdefinierte Architekturen unterstützen und über Trainings- und Inferenz-Workloads skalieren. GPU-Clouds (CoreWeave, Lambda, Nebius) bedienen dieses Segment.

Preisentwicklung. Cloud-H100-Stundenpreise fielen 64-75 % vom Höchststand und stabilisierten sich bei etwa 2,85-3,50 $/Stunde. Die allgemeine Inferenzkostenentwicklung (laut Epoch AI) zeigt, dass sich die Kosten bei festem Leistungsniveau alle 2 Monate halbieren. Die mediane Kostensenkungsrate stieg nach Januar 2024 von 50x/Jahr auf 200x/Jahr.

Für Builder bildet die Infrastrukturwahl direkt auf die Modellstrategie ab:

Der kluge Schritt ist nicht, eine Infrastruktur zu wählen. Es ist, eine Abstraktionsschicht zu bauen, die verschiedene Aufgaben basierend auf Latenz-, Kosten- und Qualitätsanforderungen an verschiedene Infrastrukturen routet.

---

Die strategische Logik von Open-Source-KI

Warum investieren Google, Meta und andere Milliarden in Modelle, die sie kostenlos verschenken? Die strategische Logik unterscheidet sich je nach Unternehmen, aber die Muster sind konsistent.

Metas Llama-Strategie. Meta veröffentlichte Llama 4 als Open-Weight-Modelle in drei Stufen (Scout, Maverick, Behemoth). Die Logik: Meta verkauft keine KI-Modelle. Es verkauft Werbung. Wenn die gesamte Industrie auf Llama aufbaut, werden Metas KI-Forschungskosten über das Ökosystem amortisiert, während das Kerngeschäft Werbung von KI-Fortschritten profitiert. Open Source rekrutiert auch Talente (Forscher wollen an Modellen arbeiten, die die Welt nutzt) und schafft ein Ökosystem, das Metas Infrastrukturinvestitionen verstärkt.

Llamas Verbreitung schuf etwas Beispielloses: Nationen, die Llama für „Souveräne KI"-Initiativen nutzen. Länder, die nicht von US-kommerziellen KI-Anbietern abhängig sein wollen, können Llama auf ihrer eigenen Infrastruktur einsetzen. Diese geopolitische Dimension festigt Metas Open-Source-Strategie weiter.

Googles Absicherung. Google unterhält sowohl geschlossene Modelle (Gemini, mit 185 Milliarden Dollar Capex für 2026) als auch offene Beiträge. Gemini 2.5 Pro führt das LMArena-Leaderboard an. Aber Google trägt auch zur offenen Forschung bei und veröffentlichte kleinere offene Modelle. Die Strategie: das Premium-Segment mit Gemini gewinnen und gleichzeitig sicherstellen, dass sich das Open-Source-Ökosystem nicht in eine Richtung bewegt, die Googles Cloud-Geschäft benachteiligt.

Chinas notwendigkeitsgetriebene Offenheit. DeepSeek, Qwen und GLM sind teilweise offen, weil chinesische KI-Labore eine andere Wettbewerbslandschaft haben. US-Exportkontrollen beschränken ihren Zugang zu den neuesten NVIDIA-Chips (daher DeepSeeks Verwendung von H800, der exportkonformen Variante). Das Open-Sourcing ihrer Modelle baut globalen Einfluss auf, zieht internationale Forschungsbeiträge an und positioniert chinesische KI als tragfähige Alternative zu US-kommerziellen Anbietern.

Mistrals europäische Positionierung. Mistral nutzt seinen Pariser Hauptsitz und seine offenen Modelle, um sich als „europäische KI-Alternative" zu positionieren, die die Anforderungen des EU AI Act von vornherein erfüllt. Für europäische Unternehmen, die sich um Datensouveränität und regulatorische Konformität sorgen, ist ein französisches Open-Weight-Modell strategisch attraktiv.

Der Nettoeffekt: Open-Source-KI wird von Unternehmen mit unterschiedlichen Motivationen finanziert, was sicherstellt, dass selbst wenn ein Akteur seine Investitionen reduziert, andere weitermachen. Das macht das Open-Source-KI-Ökosystem dauerhafter, als es aus den Finanzen eines einzelnen Unternehmens erscheinen mag.

---

Regulatorische Auswirkungen

Die Regulierungslandschaft für KI divergiert dramatisch zwischen den Jurisdiktionen, und diese Divergenz wirkt sich direkt auf die Strategie offener vs. geschlossener Modelle aus.

EU AI Act. Die umfassendste KI-Regulierung weltweit. Im August 2024 Gesetz geworden. Verbotene Praktiken traten im Februar 2025 in Kraft. Regeln für KI-Allzweckmodelle traten im August 2025 in Kraft. Regeln für Hochrisikosysteme sind für August 2026 vorgesehen (möglicherweise auf Dezember 2027 verlängert). Jeder Mitgliedstaat muss bis August 2026 eine KI-regulatorische Sandbox einrichten. Bußgelder erreichen bis zu 7 % des weltweiten Jahresumsatzes.

Für die Modellauswahl ist der EU AI Act wichtig, weil KI-Allzweckanbieter Trainingsprozesse dokumentieren, Risiken bewerten und Transparenzanforderungen erfüllen müssen. Die Verwendung offener Modelle, die Sie selbst hosten, kann Ihnen mehr Kontrolle über die Compliance-Dokumentation geben. Die Verwendung geschlossener Modelle bedeutet, von der Compliance-Haltung des Anbieters abhängig zu sein.

Vereinigte Staaten. Deutliche Divergenz von der EU. Executive Order 14179 (Januar 2025) betonte „Beseitigung von Barrieren für Amerikas Führung in der KI". Die Executive Order vom Dezember 2025 forderte ein „minimal belastendes" nationales Framework, das strengere staatliche Regulierung ersetzen soll. Es gibt kein umfassendes Bundes-KI-Gesetz. Der US-Ansatz bevorzugt Selbstregulierung der Industrie und Innovation gegenüber präskriptiver Konformität.

China. Das geänderte Cybersicherheitsgesetz (gültig seit Januar 2026) behandelt KI explizit mit Sicherheitsüberprüfungs- und Datenlokalisierungsanforderungen. Für generative KI, Deepfakes und algorithmische Empfehlungen bestehen separate regulatorische Tracks. Chinas Anforderungen sind eigenständig und oft präskriptiver als US-Regeln, insbesondere beim Umgang mit Daten.

Auswirkungen auf Startups. Die meisten Startups werden regulatorische Schwellenwerte nicht direkt auslösen (die Regeln des EU AI Act für KI-Allzweckmodelle zielen auf Anbieter, nicht Nutzer von Foundation-Modellen). Aber diese Vorschriften gestalten Folgendes um:

• Lieferantenverträge: Unternehmenskunden fordern zunehmend KI-spezifische Vertragsergänzungen, die Datenverarbeitung, Modelltransparenz und Haftung abdecken
• Produktarchitektur: Logging, Audit-Trails, Mechanismen zur menschlichen Aufsicht und Datenherkunftsverfolgung werden zu Anforderungen, nicht zu Nice-to-haves
• Internationaler Marktzugang: Ein US-Startup, das nur geschlossene US-basierte Modelle nutzt, kann Hindernisse beim Bedienen von EU-Kunden haben, die sich um Datensouveränität sorgen. Eine Open-Model-Deployment-Option auf EU-Infrastruktur adressiert dies.

Für die Modellstrategie drängt die Regulierung in Richtung Flexibilität. Unternehmen, die offene Modelle on-premises für regulierte Workloads einsetzen und gleichzeitig geschlossene Modelle für maximale Qualität bei weniger sensiblen Aufgaben nutzen können, sind in allen Jurisdiktionen am besten aufgestellt.

---

Ein Entscheidungs-Framework

Anstatt offen vs. geschlossen abstrakt zu debattieren, hier ein praktisches Framework für die Entscheidung basierend auf Ihrer spezifischen Situation.

Wählen Sie offene Modelle, wenn:

Ihr Inferenzvolumen hoch ist. Wenn Sie täglich Millionen von Anfragen verarbeiten, ist der 10-70-fache Kostenunterschied zwischen offenen und geschlossenen Modellen der Unterschied zwischen tragfähiger und untragfähiger Stückökonomie. Bei 0,07 $/M Tokens (DeepSeek R1) vs. 5 $/M Tokens (Claude Opus 4.6) kostet ein Workload, der bei Opus 150.000 $/Monat kostet, bei DeepSeek 2.100 $.

Ihre Daten sensibel sind. Gesundheitswesen, Finanzen, Regierung, Recht. Selbst gehostete offene Modelle halten Daten auf Ihrer Infrastruktur und vereinfachen die Konformität mit HIPAA, SOC 2, DSGVO und branchenspezifischen Vorschriften.

Sie domänenspezifische Leistung brauchen. Wenn Ihr Anwendungsfall eng und gut definiert ist (medizinische Codierung, Rechtsdo­kumentenanalyse, Finanzberichterstellung), wird das Feintuning eines offenen Modells auf Ihren Domänendaten wahrscheinlich ein allgemeines geschlossenes Modell übertreffen. Das Modell muss nicht in allem gut sein; es muss in Ihrer spezifischen Aufgabe exzellent sein.

Latenz kritisch ist. Das Deployment offener Modelle auf Custom-Silizium (Groq LPU, Cerebras) gibt Ihnen Antwortzeiten unter 100 ms, die API-basierte geschlossene Modelle nicht erreichen können. Für Echtzeitanwendungen (Trading, Live-Kundensupport, interaktive Agenten) ist das wichtig.

Sie Infrastrukturunabhängigkeit wollen. Wenn Ihr Geschäft von KI abhängt, ist die Abhängigkeit von der API eines einzelnen Anbieters (der jederzeit Preise, Rate Limits oder Verfügbarkeit ändern kann) ein strategisches Risiko. Offene Modelle auf Ihrer Infrastruktur geben Ihnen Kontrolle.

Wählen Sie geschlossene Modelle, wenn:

Die Aufgabenkomplexität hoch ist. Mehrstufiges Reasoning, komplexe Codegenerierung, Long-Context-Analyse, anspruchsvolle agentische Workflows. Geschlossene Modelle behalten einen bedeutsamen Qualitätsvorsprung bei den schwierigsten Aufgaben. Wenn der Qualitätsunterschied direkt das Wertversprechen Ihres Produkts beeinflusst, zahlen Sie die Prämie.

Ihnen ML-Infrastruktur-Expertise fehlt. Selbst-Hosting, Feintuning und Optimierung offener Modelle erfordert ML-Engineering-Fähigkeiten, die nicht jedes Team hat. Wenn Ihr Team aus 3 Personen besteht und keiner ML-Ingenieur ist, ist die Nutzung von Claude oder GPT via API die rationale Wahl. Die Kostenprämie kauft Ihnen operative Einfachheit.

Sicherheit kritisch ist. Kundenorientierte Chatbots, Gesundheitsberatung, Finanzempfehlungen. Geschlossene Modelle mit robustem Sicherheitstraining und Alignment sind vorhersehbarer als offene Modelle (die feingetuned werden können, um Sicherheitsmaßnahmen zu umgehen, aber auch unerwartetes Verhalten in Randfällen zeigen können).

Sie multimodale oder hochmoderne Fähigkeiten brauchen. Die neuesten Fähigkeiten (Computernutzung, fortgeschrittene Vision, Echtzeit-Sprache) erscheinen typischerweise zuerst in geschlossenen Modellen. Wenn Ihr Produkt von Fähigkeiten an der Frontier abhängt, geben geschlossene Modelle Ihnen Zugang Monate bevor offene Alternativen aufholen.

Der hybride Weg (empfohlen für die Mehrheit)

Die meisten Produktionssysteme sollten beide nutzen:

Die zentrale Architekturanforderung: Bauen Sie eine Abstraktionsschicht, die Anfragen basierend auf Aufgabentyp, erforderlicher Qualität, Latenzanforderungen und Kostenbeschränkungen routet. Das gibt Ihnen die Qualität geschlossener Modelle, wo Sie sie brauchen, und die Kosteneffizienz offener Modelle überall sonst.

---

Hybride Architekturen aufbauen

So implementieren Sie tatsächlich eine hybride Open/Closed-Modell-Architektur in der Produktion.

1. Definieren Sie Ihre Aufgaben-Taxonomie

Bevor Sie Modelle wählen, kategorisieren Sie jeden KI-Workload in Ihrer Anwendung:

• Tier 1 (Kritische Qualität): Aufgaben, bei denen die Ausgabequalität direkt Umsatz oder Nutzervertrauen beeinflusst. Verwenden Sie das beste verfügbare Modell unabhängig von den Kosten.
• Tier 2 (Gut genug): Aufgaben, bei denen kompetente Leistung ausreicht. Offene Modelle zu deutlich niedrigeren Kosten.
• Tier 3 (Massenverarbeitung): Hochvolumige Aufgaben, bei denen Kosten dominieren. Das günstigste Modell, das Mindestqualitätsschwellen erfüllt.

2. Bauen Sie die Router-Schicht

Ihr Modell-Router sollte berücksichtigen:

• Aufgabentyp: Codierungsaufgaben gehen zu Claude. Zusammenfassung geht zu offenen Modellen. Klassifikation geht zu feingetunten Modellen.
• Latenzanforderung: Echtzeit-Interaktionen gehen zu schneller Inferenz (Groq). Batch-Verarbeitung geht zu kostenoptimierten GPU-Clouds.
• Qualitätsschwelle: Aufgaben, die Frontier-Qualität erfordern, gehen zu geschlossenen Modellen. Aufgaben, die „gut genug" erfordern, gehen zu offenen Modellen.
• Fallback-Logik: Wenn das primäre Modell nicht verfügbar oder langsam ist, wechseln Sie zu einer Alternative. Bauen Sie keinen Single Point of Failure.

3. Investieren Sie in Evaluation

Der schwierigste Teil hybrider Architekturen ist nicht ihr Aufbau. Es ist zu wissen, welches Modell bei welchen Aufgaben am besten abschneidet. Das erfordert:

• Benchmarking auf Ihren Daten: Standard-Benchmarks sagen Ihnen nicht, welches Modell für Ihre spezifischen Anwendungsfälle am besten ist. Führen Sie Evaluationen auf repräsentativen Stichproben Ihrer tatsächlichen Workloads durch.
• A/B-Tests in der Produktion: Routen Sie einen Prozentsatz des Traffics zu verschiedenen Modellen und messen Sie die Ergebnisqualität (Nutzerzufriedenheit, Aufgabenabschlussrate, Fehlerrate).
• Kosten-Qualitäts-Monitoring: Verfolgen Sie die Kosten pro Qualitätseinheit für jede Modell-Aufgaben-Kombination. Wenn Modelle aktualisiert werden und sich Preise ändern, ändert sich auch das optimale Routing.

4. Planen Sie für Modell-Updates

Sowohl offene als auch geschlossene Modelle werden häufig aktualisiert. Ihre Architektur sollte handhaben können:

• Modellversions-Pinning: Aktualisieren Sie nicht automatisch auf neue Modellversionen in der Produktion. Testen Sie zuerst.
• Schrittweises Rollout: Beim Modellwechsel erhöhen Sie den Traffic schrittweise und überwachen Qualitätsmetriken.
• Rollback-Fähigkeit: Wenn eine neue Modellversion die Qualität bei bestimmten Aufgaben verschlechtert, kehren Sie schnell zurück.

5. Verwalten Sie die Datenpipeline

Feingetunte offene Modelle sind nur so gut wie Ihre Trainingsdaten-Pipeline:

• Interaktionsdaten sammeln: Jede Nutzerinteraktion ist potenzielle Trainingsdaten für domänenspezifisches Feintuning.
• Datenqualität wahren: Müll rein, Müll raus. Investieren Sie in Datenbereinigung, Labeling und Kuration.
• Regelmäßig neu trainieren: Wenn sich Ihre Domäne weiterentwickelt (neue Rechtsprechung, neue medizinische Richtlinien, neue Finanzinstrumente), brauchen Ihre feingetunten Modelle aktualisierte Trainingsdaten.
• Privacy by Design: Stellen Sie sicher, dass Ihre Datenpipeline die geltenden Vorschriften einhält, bevor Sie auf Nutzerdaten trainieren.

---

Häufig gestellte Fragen

Ist Open-Source-KI wirklich „Open Source"?

Es ist kompliziert. Die meisten „offenen" KI-Modelle sind „Open Weight" und nicht wirklich Open Source. Sie veröffentlichen die Modellgewichte (damit Sie Inferenz ausführen und feintunen können), aber nicht die vollständigen Trainingsdaten, den Trainingscode oder die Infrastrukturdetails. DeepSeek R1 ist eine Ausnahme: unter MIT-Lizenz veröffentlicht mit publizierter Trainingsmethodik. Die Open Source Initiative arbeitet an einer formalen Definition von „Open-Source-KI", aber der Industriegebrauch ist ungenau.

Können offene Modelle wirklich GPT-5 und Claude Opus erreichen?

Bei Standard-Benchmarks ja. Bei den schwierigsten praktischen Aufgaben (komplexe Codierung, mehrstufiges Reasoning, anspruchsvolle agentische Workflows) noch nicht. Die Lücke verengt sich bei Benchmarks, besteht aber im Long Tail schwieriger realer Aufgaben fort. Für die meisten Produktionsanwendungsfälle sind offene Modelle ausreichend. Für die schwierigsten 10-20 % der Aufgaben behalten geschlossene Modelle einen bedeutsamen Vorsprung.

Was kostet das Selbst-Hosting eines offenen Modells?

Das hängt von der Modellgröße und Ihrem Traffic ab. Llama 4 Maverick (das Mittelklasse-Modell) auf einer Cloud-GPU-Instanz für Inferenz zu betreiben, kostet ungefähr 3-5 $/Stunde. Für ein Startup mit 100.000 Anfragen/Tag sind das etwa 2-5.000 $/Monat, verglichen mit 10-50.000 $/Monat für äquivalentes Volumen bei geschlossenen Modell-APIs. Der Break-Even-Punkt zwischen Selbst-Hosting und API-Nutzung liegt typischerweise bei etwa 50.000-100.000 Anfragen/Monat, abhängig von Modellgröße und Aufgabenkomplexität.

Sollten Startups mit offenen oder geschlossenen Modellen beginnen?

Starten Sie mit geschlossenen Modellen für Geschwindigkeit und migrieren Sie dann kostensensitive Workloads zu offenen Modellen, wenn Sie skalieren. In der Frühphase ermöglicht Ihnen die API-Einfachheit geschlossener Modelle, sich auf den Product-Market-Fit zu konzentrieren. Sobald Sie Traffic haben und Ihre Workloads verstehen, verlagern Sie selektiv hochvolumige, gut definierte Aufgaben auf feingetunte offene Modelle für 70-90 % Kosteneinsparungen.

Was ist mit den Sicherheitsbedenken bei DeepSeek?

DeepSeeks chinesische Herkunft wirft berechtigte Bedenken für einige Organisationen auf, insbesondere in Regierung, Verteidigung und kritischer Infrastruktur. Die Modellgewichte selbst sind inspizierbar (im Gegensatz zu geschlossenen Modell-APIs), sodass Sicherheitsaudits möglich sind. Für Organisationen mit strengen Lieferkettenanforderungen bieten US-basierte offene Modelle (Llama) oder europäische Alternativen (Mistral) ähnliche Kostenvorteile ohne das geopolitische Risiko.

Wie schnell holen offene Modelle bei der Codierung auf?

Schnell, aber von weit weg. Offene Modelle haben sich 2025 bei Coding-Benchmarks deutlich verbessert, aber die Lücke bei SWE-bench Verified (dem produktionsrepräsentativsten Coding-Benchmark) bleibt erheblich. Claude Opus 4.5 führt mit 80,9 %. Die besten offenen Modelle liegen im Bereich von 50-65 %. Für produktive KI-Codierung (die Art, die Claude Code antreibt) sind geschlossene Modelle weiterhin die klare Wahl. Für einfachere Codierungsaufgaben (Boilerplate, Dokumentation, Basisfunktionen) sind offene Modelle ausreichend.

---

Fazit: Jenseits des Binären

Die Debatte offene vs. geschlossene KI ist ein falsches Entweder-Oder, das die eigentliche strategische Frage verdeckt: Wie baut man Systeme, die das richtige Modell für jede Aufgabe nutzen?

DeepSeek hat bewiesen, dass Frontier-KI keine Milliarden-Dollar-Budgets erfordert. Daten zur Unternehmensadoption beweisen, dass offene Modelle für die meisten Workloads produktionsbereit sind. Aber SWE-bench, LMArena und die Leistung realer Agenten beweisen, dass geschlossene Modelle bei den schwierigsten, wertvollsten Aufgaben einen Vorsprung behalten.

Die Gewinner werden nicht die Unternehmen sein, die die „richtige Seite" von offen vs. geschlossen gewählt haben. Es werden die Unternehmen sein, die flexible Architekturen gebaut, in Evaluation investiert und ihr Modellportfolio für ihre spezifische Mischung aus Aufgaben, Qualitätsanforderungen und Kostenbeschränkungen optimiert haben.

Für CTOs, die heute Entscheidungen treffen:

1. Setzen Sie nicht auf ein einziges Modell oder einen einzigen Anbieter. Bauen Sie Abstraktionen, die es Ihnen ermöglichen, Modelle auszutauschen, wenn sich die Landschaft ändert.
2. Starten Sie mit geschlossen für Qualität, migrieren Sie zu offen für Kosten. Nutzen Sie die API-Einfachheit geschlossener Modelle während der Produktentwicklung und verlagern Sie dann kostensensitive Workloads bei Skalierung auf feingetunte offene Modelle.
3. Investieren Sie in Evaluierungsinfrastruktur. Die Fähigkeit, neue Modelle schnell auf Ihren spezifischen Aufgaben zu benchmarken, ist die Meta-Fähigkeit, die alle anderen Modellentscheidungen verbessert.
4. Tunen Sie für Ihre Domäne. Die KI-Investition mit dem höchsten ROI für die meisten Unternehmen ist nicht ein teureres Modell. Es ist ein feingetuntes offenes Modell, trainiert auf Ihren proprietären Daten.
5. Planen Sie für regulatorische Divergenz. Wenn Sie internationale Kunden bedienen, gibt Ihnen das Vorhandensein sowohl selbst gehosteter als auch API-basierter Modelloptionen Flexibilität über die Regulierungsregime der EU, der USA und anderer Länder hinweg.

Die 600-Milliarden-Dollar-Frage handelt nicht wirklich von offen vs. geschlossen. Sie handelt davon, ob Ihre KI-Infrastruktur flexibel genug ist, sich anzupassen, während sich die Landschaft mit beispielloser Geschwindigkeit weiter verändert. In sechs Monaten werden die Benchmark-Spitzenreiter, Kostenstrukturen und Modellfähigkeiten anders aussehen. Ihre Architektur sollte bereit sein.