Am 27. Januar 2025 löschte ein chinesisches Labor, das den meisten Investoren kaum ein Begriff war, an einem einzigen Handelstag 589 Milliarden US‑Dollar an Börsenwert von Nvidia aus. Es war der größte Tagesverlust in der Geschichte des US‑Aktienmarkts. Der Auslöser hieß DeepSeek – und sein „Fehlverhalten“ war Offenheit.
Sogar Bitcoin (BTC) geriet ins Taumeln, als der Markt eine einfache Erkenntnis einpreiste: Spitzen‑KI ist nicht länger das exklusive Terrain einiger weniger geschlossener Labore.
Kernaussagen
- Open-Weight-Modelle veröffentlichen ihre trainierten Parameter zum Download, zur Ausführung und Anpassung – im Unterschied zu vollständig Open‑Source‑KI, bei der zusätzlich Trainingsdaten und Code offengelegt werden.
- Der gemessene Qualitätsabstand zwischen den besten offenen und geschlossenen Modellen auf öffentlichen Ranglisten schrumpfte binnen eines Jahres von 8 auf unter 2 Prozent, während die Inferenzpreise um ein Vielfaches einbrachen.
- Günstige Bereitstellung, staatliche Souveränitätsbestrebungen, regulatorische Rückenwinde und ein riesiges Entwickler‑Ökosystem verschaffen Open Weights spürbaren Rückenwind gegenüber reinen API‑Anbietern.
Was „Open Weight“-KI konkret bedeutet
Der Begriff wird oft unscharf verwendet, deshalb lohnt Präzision. Open Weight heißt: Ein Anbieter veröffentlicht die fertigen Parameter eines trainierten neuronalen Netzes – also die Zahlen, in denen das Gelernte des Modells steckt. Diese Gewichte lassen sich herunterladen, auf eigener Hardware ausführen und feinjustieren.
Open Weight ist nicht gleich Open Source. Die Open Source Initiative hat am 28. Oktober 2024 ihre „Open Source AI Definition“ vorgelegt – und legt die Messlatte deutlich höher. Demnach braucht es für Open‑Source‑Status Gewichte, Trainingscode und genügend Details zu den Trainingsdaten, damit eine fachkundige Person das System im Wesentlichen nachbauen kann.
Die meisten heute als „Open Source“ vermarkteten Modelle verfehlen diese Hürde. Metas Llama, Alibabas Qwen und DeepSeek liefern zwar Gewichte, aber nicht das vollständige Datenrezept.
Die Open Source Initiative formuliert den Unterschied unmissverständlich und hält fest, dass offene Gewichte allein nicht die Freiheiten klassischer Open‑Source‑Software bieten. Diese Lücke heizt eine Dauerfehde um „Open Washing“ an – den Vorwurf, Unternehmen schmückten sich mit Offenheit, während sie entscheidende Zutaten zurückhalten, die einen echten Re‑Build erlauben würden.
Für die meisten Entwickler sind die Gewichte dennoch der eigentliche Schatz. Mit ihnen lässt sich ein Modell ausliefern, verkleinern, weitertrainieren und produktiv nutzen. De facto übergibt jede Veröffentlichungsform etwas anderes:
- Open Weight: trainierte Parameter, meist unter einer Lizenz, die Nutzung, Modifikation und häufig auch kommerzielle Einsätze erlaubt.
- Vollständig Open Source: Gewichte plus Trainingscode und ausreichend Dokumentation der Daten, um das Modell nachzubauen.
- Geschlossen: nichts herunterladbar, nur getakteter Zugriff über eine Schnittstelle.
Gerade diese Mittelposition explodiert in der Popularität – und genau sie raubt den geschlossenen Laboren den Schlaf.
Lesen Sie auch: Nvidia fällt fast 5 % wegen einer 250‑Mrd.-Dollar‑Garantie für OpenAI, die noch nicht unterschrieben ist
Wie sich das von OpenAI und Anthropic unterscheidet
OpenAI und Anthropic fahren das Gegenmodell. Ihre besten Gewichte bleiben strikt in eigenen Rechenzentren eingeschlossen, verkauft wird ausschließlich API‑Zugang. Der Kunde schickt einen Prompt, erhält eine Antwort – und berührt das zugrunde liegende Modell nie.
Dahinter steckt eine klare Geschäftslogik. Das schützt die Investition in das Training, sorgt für laufende Abo‑Erlöse und erlaubt es dem Labor, Verhalten nachträglich anzupassen oder den Zugang kurzfristig zu sperren.
Auch sicherheitspolitisch gibt es eine Begründung. Anthropic‑Chef Dario Amodei argumentiert, dass Entwickler bei öffentlich zugänglichen Gewichten kaum noch nachträglich Schutzmechanismen einziehen oder ein gefährliches System zurückholen können.
Der Preis dafür ist Abhängigkeit.
Wenn das Modell ausschließlich auf fremden Servern läuft, bestimmt der Anbieter Preis, Verfügbarkeit, Datennutzung und Abschalttermin. Das eigene Produkt steht auf einer Infrastruktur, die sich weder kontrollieren noch einsehen lässt.
Trotz jahrelanger Bekenntnisse zu offener Forschung hatte OpenAI seit GPT‑2 im Jahr 2019 kein offenes Sprachmodell mehr veröffentlicht – bis zum 5. August 2025. Die beiden gpt‑oss‑Modelle, gestartet unter der freizügigen Apache‑2.0‑Lizenz, wirken wie ein direktes Eingeständnis des Drucks, den Open Weights inzwischen ausüben. Das Unternehmen, das das geschlossene API‑Geschäft groß gemacht hat, musste sich auf dem Terrain der Offenheit stellen.
Lesen Sie auch: OpenAI sucht 250 Mrd. US‑Dollar Nvidia‑Kredit für seinen Mega‑Campus in Ohio
Zehn Gründe, warum Open Weights das zentrale API‑Modell angreifen
Nichts davon garantiert einen vollständigen Sieg der offenen Seite. An der absoluten Spitze dominieren weiterhin die großen Labore, und die Risiken sind real. Aber seit drei Jahren zeigen die Vektoren in eine Richtung – und die läuft dem geschlossenen, minutengenauen Vermietungsmodell zuwider.
Entscheidend ist: Die Argumente, für eine gemietete Black Box einen hohen Aufpreis zu zahlen, werden schwächer. Die Konvergenz verläuft technisch, ökonomisch und politisch zugleich.
Hier sind zehn Gründe, warum sich das Kräfteverhältnis verschoben hat.
Die Qualitätslücke ist fast verschwunden
Der wichtigste Fakt ist die Annäherung. Der AI Index 2025 der Stanford University zeigt, dass der Score‑Unterschied zwischen dem besten geschlossenen und dem besten offenen Modell in der Chatbot‑Arena‑Rangliste von 8 Prozent im Januar 2024 auf 1,7 Prozent im Februar 2025 geschrumpft ist.
Zugleich ist die Spitze dichter geworden. Die Lücke zwischen Rang eins und zehn verringerte sich binnen eines Jahres von 11,9 auf 5,4 Prozent.
Wenn die zweitbeste Option nur einen Bruchteil kostet, wird der Aufpreis für ein geschlossenes Modell schwer zu rechtfertigen. Für jeden Anbieter, der seine Marge primär aus Exklusivität zieht, ist das ein strukturelles Problem.
Der Preis für Intelligenz ist kollabiert
Die Kosten sind noch schneller gefallen als die Qualitätslücke. Unter Verweis auf Daten von Epoch AI und Artificial Analysis meldet der AI Index, dass der Preis für eine Anfrage auf GPT‑3.5‑Niveau von rund 20 US‑Dollar pro Million Tokens im November 2022 auf 0,07 US‑Dollar im Oktober 2024 gefallen ist.
Das entspricht einem Rückgang um den Faktor 280 in weniger als zwei Jahren.
DeepSeek hat diese Logik auf das Training übertragen. Im technischen Bericht zu V3 heißt es, der abschließende Trainingslauf habe rund 5,6 Millionen US‑Dollar auf 2.048 Nvidia‑H800‑Chips gekostet – statt der zig oder hunderten Millionen, die für vergleichbare westliche Modelle veranschlagt werden. Günstige Intelligenz belohnt, wer sie breit ausrollt – nicht, wer sie am strengsten abschirmt.
Sie besitzen das Modell
Wer ein geschlossenes Modell mietet, übernimmt die Spielregeln des Vermieters. Der Anbieter kann Preise erhöhen, Bedingungen ändern oder die Version ausmustern, auf der das eigene Produkt basiert.
Wer die Gewichte besitzt, entzieht sich diesem Hebel. Eine Version lässt sich einfrieren, über Jahre betreiben und bei Bedarf auf einen anderen Dienstleister umziehen, ohne die gesamte Architektur umzubauen.
Vendor‑Lock‑in ist kein theoretisches Gespenst, sondern äußert sich in konkreten Wechselkosten, erzwungenen Migrationen und Preispolitik ohne echte Verhandlungsmacht. Offene Gewichte entschärfen diese Punkte nacheinander:
- Eine Modellversion lässt sich stabil einfrieren und so lange halten, wie es das Produkt verlangt.
- Der Betrieb kann zwischen Cloud‑Anbietern wechseln – oder zurück ins eigene Rechenzentrum – ohne umfassende Neuentwicklung.
- Überraschende Abschaltungen, die ein Live‑Produkt über Nacht brüskieren, werden unwahrscheinlicher.
Auch großzügige Open‑Lizenzen verdienen einen genaueren Blick. Metas Llama‑Bedingungen zwingen Unternehmen mit mehr als 700 Millionen monatlich aktiven Nutzern in eine gesonderte Vereinbarung – ein Hauptgrund, warum Puristen Llama nicht als echtes Open Source anerkennen.
Datenschutz und Datensouveränität
Manche Daten dürfen das Haus schlicht nicht verlassen. Kliniken, Banken und Behörden können sensible Informationen oft nicht rechtssicher an einen Drittanbieter‑API ausleiten.
Open Weights drehen dieses Muster um und bringen das Modell zur Datenquelle. Inferenz kann On‑Premises oder in einer strikt abgeschotteten Private Cloud laufen – sensible Inhalte überschreiten keine externe Anbietergrenze.
Genau dieses Merkmal öffnet Türen, die für geschlossene APIs verschlossen bleiben. In regulierten Branchen ist die Hoheit über die eigene Umgebung häufig das K.-o.-Kriterium.
Staaten bauen eigene Modelle
Souveränitätssorgen sind inzwischen global. Immer mehr Regierungen betrachten die Abhängigkeit von einigen wenigen amerikanischen oder chinesischen APIs als strategisches Risiko.
Am 2. September 2025 haben EPFL, ETH Zürich und das Schweizer Nationale Hochleistungsrechenzentrum mit „Apertus“ ein vollständig offenes Modell veröffentlicht, trainiert auf 15 Billionen Tokens in über 1.000 Sprachen. Das Technology Innovation Institute in Abu Dhabi treibt seine offene Falcon‑Familie seit 2023 voran, weitere Staaten haben eigene Programme aufgesetzt.
Das Muster ist international ähnlich:
- Die Schweiz hat Apertus mit offenen Gewichten, Daten und Code freigegeben.
- Die VAE liefern mit Falcon sukzessive Modelle unter liberalen Lizenzen.
- Frankreich, Indien, Japan und Südkorea fördern nationale Modell‑ oder Compute‑Initiativen.
Souveräne KI lässt sich nicht auf einem Modell aufbauen, das nur gemietet werden darf. Offene Gewichte sind hier Grundvoraussetzung – und machen Staaten zu natürlichen Verbündeten des offenen Lagers.
Regulierer schlagen sich auf die Seite der Offenheit
Auch die Politik beginnt, Offenheit aktiv zu fördern. Am 23. Juli 2025 hat das Weiße Haus den Bericht „America's AI Action Plan“ vorgelegt – mit einem eigenen Abschnitt „Encourage Open-Source and Open-Weight AI“.
Europa tendiert strukturell in eine ähnliche Richtung – wenn auch mit anderer Begründung. Der EU‑AI‑Act sieht für Anbieter kostenfreier, offener General‑Purpose‑Modelle Erleichterungen bei der Dokumentationspflicht vor, solange das Modell nicht als „Systemrisiko“ eingestuft wird.
Die Anreize verlaufen damit klar in Richtung Veröffentlichung statt Abriegelung – zumindest unterhalb der absoluten Spitzensysteme. Wenn die größte Regierungsakteurin im KI‑Wettrennen Open Weights explizit ermutigt, verliert das geschlossene Standardmodell seinen Selbstverständlichkeitsbonus.
Das Entwickler‑Ökosystem als Schwungrad
Größe erzeugt neue Größe. Hugging Face wuchs 2025 auf 13 Millionen Nutzer, mehr als zwei Millionen öffentliche Modelle und über 500.000 öffentliche Datensätze.
Die Download‑Dynamik erzählt die gleiche Geschichte. Meta meldete, Llama habe bis zum 18. März 2025 die Marke von einer Milliarde Downloads überschritten – nach 650 Millionen Anfang Dezember 2024. Alibaba wiederum brachte Qwen auf 700 Millionen Downloads in vergleichbarem Tempo. …Million kumulierte Downloads bei Hugging Face bis Januar 2026 und mehr als 180.000 abgeleitete Versionen – damit hat die Reihe Llama als meistgeforkte offene Modellfamilie überholt.
Jeder Fine-Tune, jedes Adapter-Modul, jede Quantisierung auf Basis eines offenen Modells verbreitert dessen Burggraben. Eine geschlossene API kann diesen kumulativen Community-Effekt nicht einfangen – niemand kann auf einem Modell aufbauen, das er nicht physisch besitzt.
Läuft auf dem eigenen Laptop
Offene Gewichte treffen auf Alltags-Hardware via günstiger Toolchain. Quantisierung reduziert die numerische Präzision, komprimiert das Modell und senkt den Speicherbedarf; Ansätze wie LoRA erlauben Feintuning, ohne das gesamte Modell neu trainieren zu müssen.
Lokale Runtimes haben das in die Breite getragen. Ollama, llama.cpp und vLLM ermöglichen es Entwicklern inzwischen, leistungsfähige Modelle auf einer einzelnen Consumer-GPU oder sogar auf einem Notebook auszurollen.
Ein Modell, das auf einer Maschine für 2.000 Dollar läuft, ist ein Modell, das niemand aus der Ferne abschalten kann. Diese Unabhängigkeit ist genau das, was das metered Model nicht liefern kann.
Auditierbarkeit und Nachvollziehbarkeit
Was unsichtbar ist, lässt sich nicht prüfen. Geschlossene APIs liefern Antworten, ohne Einblick in die zugrunde liegenden Mechanismen.
Offene Gewichte erlauben es Forschern, ein Modell direkt zu analysieren, Fehlermuster systematisch zu untersuchen und seine Sicherheit im offenen Diskurs zu testen. Diese Transparenz ist der Kern der Argumentation der Open-Source-Seite: Ihre Modelle lassen sich über die Zeit leichter – nicht schwerer – vertrauenswürdig machen.
Für regulierte Branchen, die Entscheidungen erklären müssen, ist diese Sichtbarkeit kein Nice-to-have, sondern häufig eine gesetzliche Pflicht.
Die dezentrale Frontier
Das jüngste Argument liegt an der Schnittstelle von KI und Krypto. Sind die Gewichte offen, muss das Training und Serving nicht mehr im Rechenzentrum eines einzelnen Anbieters stattfinden.
Projekte wie Prime Intellect haben Modelle über weltweit verteilte Hardware trainiert – inklusive Mechanismen, um zu verifizieren, dass entfernte Maschinen die behauptete Rechenarbeit tatsächlich erbracht haben. Bittensor betreibt einen tokenisierten Markt für Machine Intelligence, bepreist über den eigenen TAO-Token (TAO).
Die ehrliche Einschränkung: Dezentrales Training ist heute noch langsamer und teurer als ein zentralisiertes Cluster. Aber die Kombination aus offenen Gewichten und verifizierbarer, tokenisierter Rechenleistung ist ein genuin neuer Wettbewerbsfaktor, den geschlossene Labore nicht einfach kopieren können.
Auch lesenswert: Pixel 11 wird teurer – laut Google sind KI-Rechenzentren der Grund
Das Fazit
Offene Gewichte werden die geschlossenen Labore nicht vom Markt fegen. An der absoluten Frontier gilt weiter: Wer am meisten in Rechenleistung investiert, liegt vorn; offene Releases hinken den besten Closed-Source-Modellen um Monate hinterher, und öffentlich verfügbare Gewichte bergen Missbrauchsrisiken, die sich nach dem Release nicht mehr zurückholen lassen.
Doch „überholen“ heißt nicht „auslöschen“. Es bedeutet, den Schwerpunkt zu verlagern – und genau diese Verschiebung ist bereits im Gange.
Die Qualitätslücke ist schmal geworden, der Preis für Intelligenz nähert sich der Null, und Regierungen, Entwickler und Aufseher entscheiden sich zunehmend für Modelle, die sie tatsächlich besitzen können. Zentralisierte KI wird weiter Bequemlichkeit an der absoluten Spitze verkaufen. Der Rest des Marktes bewegt sich still, aber stetig zu den Gewichten, die ihm gehören.
Als Nächstes lesen: Apple verliert die Kontrolle über Speicherpreise – die Kunden zahlen die Differenz
