Am 27. Januar 2025 löschte ein chinesisches Forschungslabor, das den meisten Investoren bis dahin unbekannt war, in einer einzigen Handelssitzung 589 Milliarden US‑Dollar an Börsenwert von Nvidia aus. Es war der größte Tagesverlust in der Geschichte des US‑Aktienmarkts. Auslöser war DeepSeek – und sein „Vergehen“ war Offenheit.
Sogar Bitcoin (BTC) geriet ins Wanken, als der Markt eine einfache Botschaft verarbeitete: Spitzentechnologie in der KI gehört nicht mehr nur einigen wenigen geschlossenen Laboren.
Zentrale Punkte
- Open-Weight-Modelle veröffentlichen ihre trainierten Parameter, die jeder herunterladen, ausführen und anpassen kann – anders als vollständig offene Open-Source-KI, bei der zusätzlich Trainingsdaten und -code offengelegt werden.
- Der gemessene Qualitätsabstand zwischen den besten offenen und geschlossenen Modellen auf öffentlichen Ranglisten ist binnen rund eines Jahres von 8 auf unter 2 Prozent geschrumpft, während Inferenzpreise um Hunderte Male gefallen sind.
- Günstige Bereitstellung, nationale Souveränitätsprogramme, freundlichere Regulierung und ein riesiges Entwicklerökosystem verschaffen Open Weights nun echten Rückenwind gegenüber reinen API-Anbietern.
Was „Open-Weight-KI“ konkret bedeutet
Der Begriff wird oft unscharf verwendet, deshalb lohnt sich Präzision. Open Weight heißt: Ein Entwickler 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 weitertrainieren.
Open Weight ist nicht gleich Open Source. Die Open Source Initiative hat am 28. Oktober 2024 ihre „Open Source AI Definition“ vorgelegt – mit deutlich höheren Anforderungen. Als wirklich offene Veröffentlichung gelten nur Modelle, bei denen neben den Gewichten auch der Trainingscode sowie ausreichend Details zu den Daten vorliegen, 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 die Abgrenzung unmissverständlich und stellt klar, dass offene Gewichte allein noch nicht die Freiheitsgrade klassischer Open-Source-Software bieten. Genau diese Lücke befeuert den Dauerstreit um „Open Washing“ – den Vorwurf, Unternehmen schmückten sich mit Offenheit, während sie die entscheidenden Bausteine für eine echte Reproduzierbarkeit unter Verschluss halten.
Für die meisten Anwender sind die Gewichte dennoch der eigentliche Schatz. Mit ihnen lässt sich ein Modell betreiben, verkleinern, weitertrainieren und ausliefern. Konkret bedeutet das:
- Open Weight: die trainierten Parameter, in der Regel unter einer Lizenz, die Nutzung, Modifikation und oft auch kommerzielle Verwendung erlaubt.
- Vollständig Open Source: Gewichte plus Trainingscode und ausreichend Datendokumentation, um das Modell nachzubauen.
- Geschlossen: nichts herunterladbar, Zugriff nur getaktet über eine Schnittstelle.
Gerade diese mittlere Kategorie explodiert derzeit in der Breite – und sie raubt den geschlossenen Laboren den Schlaf.
Lesen Sie auch: Nvidia fällt fast 5 % wegen einer 250‑Mrd.-$‑Garantie für OpenAI, die noch gar nicht unterschrieben ist
Wie sich das von OpenAI und Anthropic unterscheidet
OpenAI und Anthropic fahren das Gegenmodell. Sie halten ihre besten Gewichte strikt in eigenen Rechenzentren und verkaufen Zugänge ausschließlich per API. Der Kunde schickt einen Prompt, erhält eine Antwort – das zugrunde liegende Modell bekommt er nie zu Gesicht.
Dahinter steht ein klares Geschäftsinteresse. Die Labs schützen ihre milliardenschweren Trainingsinvestitionen, sichern sich laufende Abo-Umsätze und können das Verhalten der Modelle jederzeit nachjustieren oder den Zugang entziehen.
Zusätzlich wird mit Sicherheitsargumenten gearbeitet. Anthropic‑Chef Dario Amodei warnt, dass Entwickler mit einer Veröffentlichung der Gewichte die Möglichkeit verlieren, Schutzmechanismen im Nachhinein zu verschärfen oder ein gefährliches System wieder einzufangen.
Der Preis dafür ist Abhängigkeit.
Wenn das Modell ausschließlich auf fremden Servern läuft, diktiert der Anbieter Preis, Verfügbarkeit, Datennutzung und Abschalttermine. Das eigene Produkt ruht auf einer Infrastruktur, die man weder kontrolliert noch einsehen kann.
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, vorgestellt unter der sehr liberalen Apache‑2.0‑Lizenz, lesen sich als direkte Reaktion auf den Druck, den Open Weights inzwischen entfalten. Das Unternehmen, das das API‑Geschäft groß gemacht hat, musste das offene Lager auf dessen eigenem Terrain adressieren.
Lesen Sie auch: OpenAI will 250 Mrd. $ Nvidia-Kredit für seinen Mega-Campus in Ohio
Zehn Gründe, warum Open Weights das zentrale API-Modell unter Druck setzen
Nichts davon garantiert, dass Open Weights den Wettlauf automatisch gewinnen. Die absolute Spitze liegt weiter bei den großen Laboren, und die Risiken sind real. Aber die Richtung ist seit drei Jahren bemerkenswert konstant – und sie läuft gegen das geschlossene, minutengenau abgerechnete Modell.
Entscheidend ist: Die Argumente, warum Unternehmen einen Aufschlag für eine gemietete Blackbox zahlen sollten, werden schwächer. Die Annäherung vollzieht sich zugleich technisch, ökonomisch und politisch.
Diese zehn Faktoren verschieben die Kräfteverhältnisse.
Die Qualitätslücke ist fast verschwunden
Das wichtigste Faktum ist Konvergenz. Der AI Index 2025 der Stanford University weist nach, dass der Abstand 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.
Auch an der Spitze wird es enger. Die Differenz zwischen Rang eins und Rang zehn hat sich binnen eines Jahres von 11,9 auf 5,4 Prozent mehr als halbiert.
Wenn die zweitbeste Option nur einen Bruchteil kostet, wird der Preisaufschlag für ein geschlossenes Spitzenmodell schwer vermittelbar. Für Anbieter, deren Geschäftsmodell auf Exklusivität beruht, ist das ein strukturelles Problem.
Der Preis für Intelligenz ist eingebrochen
Die Kostenkurve fällt noch steiler als die Qualitätslücke. Unter Berufung auf Daten von Epoch AI und Artificial Analysis meldet der AI Index einen Rückgang der Inferenzkosten für eine Abfrage auf GPT‑3.5‑Niveau von rund 20 US‑Dollar pro Million Tokens im November 2022 auf 7 Cent im Oktober 2024.
Das entspricht einem Einbruch um den Faktor 280 in weniger als zwei Jahren.
DeepSeek hat die gleiche Logik auf das Training übertragen. Im technischen Bericht zu V3 heißt es, der letzte Trainingslauf habe bei 2.048 Nvidia‑H800‑Chips etwa 5,6 Millionen Dollar gekostet – statt der zig oder hunderte Millionen, die für vergleichbare westliche Modelle kolportiert werden. Günstige Intelligenz spielt damit jenen in die Hände, die sie breit ausrollen, nicht jenen, die sie am engsten bewachen.
Sie besitzen das Modell
Wer ein geschlossenes Modell mietet, übernimmt automatisch die Spielregeln des Vermieters. Der Anbieter kann Preise anheben, Vertragsbedingungen ändern oder genau jene Version einstellen, auf der ein Produkt aufbaut.
Mit eigenen Gewichten verschwindet dieser Hebel. Unternehmen können eine Version einfrieren, sie über Jahre betreiben und Infrastrukturpartner wechseln, ohne ihre gesamte Architektur aufzureißen.
Vendor-Lock-in ist kein theoretisches Schreckgespenst, sondern zeigt sich ganz konkret in:
- Wechselkosten durch proprietäre Integrationen,
- erzwungenen Migrationen auf neue API‑Versionen,
- Preisstrukturen, die sich kaum verhandeln lassen.
Eigene Gewichte entschärfen alle drei Punkte:
- Eine Modellversion lässt sich auf Dauer stabil halten.
- Die Ausführung kann zwischen Cloud‑Anbietern oder ins eigene Rechenzentrum wandern, ohne das Modell zu ändern.
- Überraschende Deprecations, die produktive Systeme über Nacht zerreißen, verlieren an Sprengkraft.
Auch großzügige offene Lizenzen haben Tücken, die man kennen sollte. Metas Llama‑Lizenz schreibt etwa vor, dass Unternehmen mit mehr als 700 Millionen monatlich aktiven Nutzern eine Sondervereinbarung schließen müssen – ein Grund, warum Puristen Llama nicht als echtes Open Source akzeptieren.
Datenschutz und Datensouveränität
Bestimmte Daten dürfen rechtlich das Gebäude nicht verlassen. Krankenhäuser, Banken und Behörden können sensible Informationen oft nicht an einen externen API‑Dienst übermitteln, ohne regulatorische Grenzen zu sprengen.
Open Weights drehen das Modell‑Daten‑Verhältnis um: Das Modell wandert zur Datenquelle, nicht umgekehrt. Inferenz findet on‑premises oder in einer abgeschirmten Private Cloud statt, sensible Inhalte verlassen nie den eigenen Sicherheitsperimeter.
Diese Eigenschaft öffnet Türen, die geschlossenen APIs verschlossen bleiben. In streng regulierten Branchen ist lokale Ausführbarkeit häufig der ausschlaggebende Punkt.
Staaten bauen eigene Modelle
Souveränitätsängste sind global. Immer mehr Regierungen sehen die Abhängigkeit von einigen wenigen amerikanischen oder chinesischen API‑Anbietern als strategisches Risiko.
Am 2. September 2025 haben EPFL, ETH Zürich und das Schweizer Nationale Hochleistungsrechenzentrum das Modell Apertus vorgestellt – ein vollständig offenes System, trainiert auf 15 Billionen Tokens in mehr als 1.000 Sprachen. Das Technology Innovation Institute in Abu Dhabi treibt seit 2023 seine offene Falcon‑Familie voran, andere Länder haben ähnliche nationale Programme gestartet.
Das Muster zieht sich durch mehrere Regionen:
- Die Schweiz publiziert Apertus mit frei zugänglichen Gewichten, Daten und Code.
- Die VAE liefern mit Falcon sukzessive Modelle unter permissiven Lizenzen.
- Frankreich, Indien, Japan und Südkorea fördern eigene Modell‑ oder Recheninitiativen.
Wer „souveräne KI“ will, kann sie nicht auf einem Mietmodell aufbauen. Offene Gewichte sind die technische Voraussetzung – und machen Staaten zu natürlichen Verbündeten des Open‑Weight‑Lagers.
Regulierer schlagen sich auf die Seite der Offenheit
Auch die Politik setzt zunehmend Anreize für Offenheit. Am 23. Juli 2025 veröffentlichte das Weiße Haus den Bericht „America’s AI Action Plan“ – inklusive eines Kapitels mit dem Titel „Encourage Open-Source and Open-Weight AI“ „Offene und Open-Weight-KI fördern“.
Europa geht strukturell in eine ähnliche Richtung, wenn auch mit anderer Rhetorik. Der EU‑AI‑Act sieht für Anbieter frei verfügbarer, quelloffener Basismodelle Erleichterungen bei bestimmten Dokumentationspflichten vor – solange das Modell nicht als „systemisches Risiko“ eingestuft wird.
Damit verschieben sich die regulatorischen Anreize klar in Richtung Veröffentlichung – zumindest für Modelle unterhalb der absoluten Spitze. Wenn die führende Nation im globalen KI‑Wettlauf Open Weights ausdrücklich unterstützt, verliert das geschlossene Standardmodell seine vermeintliche politische Rückendeckung.
Das Entwicklerökosystem als Schwungrad
Netzwerkeffekte lassen sich kaum überschätzen. Hugging Face ist 2025 auf 13 Millionen Nutzer, mehr als zwei Millionen öffentliche Modelle und über 500.000 offene Datensätze gewachsen.
Die Download‑Dynamik illustriert die Wucht. Meta meldete, Llama habe bis zum 18. März 2025 die Marke von einer Milliarde Downloads überschritten – nach 650 Millionen Anfang Dezember 2024. Alibaba gab für Qwen 700 … bis Januar 2026 kumulativ Millionen Downloads bei Hugging Face verzeichnet und mehr als 180.000 abgeleitete Versionen hervorgebracht – und damit Llama als meistgeforkte offene Modellfamilie überholt.
Jeder Feintune, jeder Adapter und jede Quantisierung auf Basis eines offenen Modells vertieft dessen Burggraben. Ein geschlossenes API-Modell kann von diesem kumulativen Community-Effekt nicht profitieren, weil niemand auf einem Modell aufbauen kann, das er nicht wirklich besitzt.
Es läuft auf Ihrem Laptop
Offene Gewichte treffen auf Standard-Hardware über eine günstige Toolchain. Quantisierung komprimiert ein Modell auf geringere Präzision, sodass es in weniger Speicher passt; Techniken wie LoRA ermöglichen Feintuning, ohne das komplette Modell neu trainieren zu müssen.
Lokale Laufzeitumgebungen haben das massentauglich gemacht. Ollama, llama.cpp und vLLM erlauben es Entwicklern inzwischen, leistungsfähige Modelle auf einer einzelnen Consumer-GPU oder sogar auf einem Laptop bereitzustellen.
Ein Modell, das auf einer Maschine für 2.000 Dollar läuft, ist ein Modell, das niemand aus der Ferne abschalten kann. Genau diese Unabhängigkeit kann ein verbrauchsbasiertes API‑Modell nicht bieten.
Prüfbarkeit und Interpretierbarkeit
Was unsichtbar bleibt, lässt sich nicht prüfen. Geschlossene APIs liefern lediglich Outputs zurück – ohne Einblick in den zugrunde liegenden Mechanismus.
Offene Gewichte ermöglichen es Forschern, ein Modell direkt zu untersuchen, seine Fehlermuster zu analysieren und seine Sicherheit im offenen Diskurs zu testen. Diese Transparenz ist der Kern der Argumentation des Open-Source-Lagers: Gerade dadurch lassen sich Modelle über die Zeit verlässlicher machen.
Für regulierte Branchen, die Entscheidungen nachvollziehbar erklären müssen, ist diese Sichtbarkeit kein Luxus. Sie ist häufig eine rechtliche Pflicht.
Die dezentrale Grenze
Das jüngste Argument liegt an der Schnittstelle von KI und Krypto. Wenn Gewichte offen sind, muss die Rechenleistung zum Trainieren und Bereitstellen nicht mehr im Rechenzentrum eines einzelnen Unternehmens stehen.
Projekte wie Prime Intellect haben Modelle über global verteilte Hardware trainiert – inklusive Verfahren, mit denen sich verifizieren lässt, dass entfernte Maschinen tatsächlich die ausgewiesene Rechenarbeit erbracht haben. Bittensor betreibt einen token-basierten Markt für maschinelle Intelligenz, bepreist in seinem TAO (TAO)-Token.
Die ehrliche Einschränkung: Dezentrales Training ist heute noch langsamer und teurer als ein zentralisierter Cluster. Aber die Kombination aus offenen Gewichten und verifizierbarer, tokenisierter Rechenleistung eröffnet eine tatsächlich neue Wettbewerbsebene, die geschlossene Labore nicht kopieren können.
Auch lesenswert: Pixel 11 Will Cost More, And Google Says AI Data Centers Are Why
Das Fazit
Offene Gewichte werden die geschlossenen Labore nicht vom Markt fegen. An der absoluten Innovationsfront dominieren weiterhin jene, die am meisten in Compute investieren; offene Releases hinken den besten Closed-Source-Modellen um Monate hinterher, und frei verfügbare Gewichte bergen Missbrauchsrisiken, die sich nach Veröffentlichung nicht mehr zurückholen lassen.
Doch „überholen“ heißt nicht „auslöschen“. Es bedeutet, den Schwerpunkt zu verlagern – und diese Verschiebung hat begonnen.
Die Qualitätslücke ist schmal, die Grenzkosten von Intelligenz tendieren gegen null, und Regierungen, Entwickler und Aufseher entscheiden sich zunehmend für Modelle, die sie tatsächlich in Händen halten. Zentralisierte KI wird an der Spitze weiterhin mit Bequemlichkeit punkten. Der Rest des Marktes bewegt sich leise, aber stetig in Richtung jener Gewichte, die er besitzen kann.
Als Nächstes lesen: Apple Loses Its Grip On Memory Prices And Customers Pay The Difference