Der Samen und die Farm: Warum die besten offenen KI-Modelle verschenkt werden

Der Samen und die Farm: Warum die besten offenen KI-Modelle verschenkt werden

Im Juli 2026 sind innerhalb von zwei Wochen vier Dinge passiert, die aussehen wie vier verschiedene Nachrichten und in Wahrheit eine einzige sind.

Am 16. Juli stellte das Pekinger Labor Moonshot AI sein Modell Kimi K3 vor – 2,8 Billionen Parameter, und elf Tage später waren die Gewichte öffentlich herunterladbar. In Moonshots eigener Auswertung liegt es auf GPQA Diamond bei 93,5 Punkten, gegenüber 92,6 für Claude Fable 5 und 94,1 für GPT‑5.6. Man sollte Herstellerzahlen grundsätzlich mit Vorsicht lesen. Aber die Größenordnung ist unstrittig: Der Abstand zwischen dem besten geschlossenen und dem besten frei herunterladbaren Modell ist auf Rundungsfehler geschrumpft.

Am 24. Juli veröffentlichte Jensen Huang, CEO von Nvidia, seinen ersten Social‑Media‑Beitrag überhaupt – einen offenen Brief mit dem Titel „Open Weights and American AI Leadership“. Fünfundzwanzig Organisationen hatten unterschrieben, darunter Microsoft, Meta, IBM, Dell, Mistral, Hugging Face, Mozilla und die Linux Foundation. Nicht unterschrieben hatten: OpenAI, Anthropic und Google.

Zwei Tage zuvor war bekannt geworden, dass genau diese Labore in Washington vor den Sicherheitsrisiken billiger chinesischer Modelle warnen.

Und am 27. Juli verlor die ASML‑Aktie rund fünf bis sieben Prozent, nachdem ein staatsnahes chinesisches Konsortium den Start der Serienfertigung eigener Lithografie‑Maschinen gemeldet hatte.

Vier Meldungen, eine Frage: Wenn ein Modell Hunderte Millionen kostet – warum verschenkt man es? Und die Frage dahinter, die für jedes Unternehmen zählt, das gerade KI in seine Prozesse einbaut: Ändert das etwas an meinen Abhängigkeiten?

Erst die Begriffe: eine Bäckerei mit drei Theken

„Open Source“ und „open weight“ werden fast überall synonym verwendet. Sie bedeuten nicht dasselbe, und der Unterschied ist genau der Punkt, um den in Washington gestritten wird.

Stellen Sie sich eine Bäckerei vor.

An der ersten Theke kaufen Sie ein fertiges Gebäckstück. Sie können es genießen. Sie können es nicht vervielfältigen, nicht verändern, nicht nachbacken – Sie haben das Rezept nicht. Das ist ein geschlossenes Modell: Der Anbieter behält alles hinter einer Schnittstelle, kontrolliert Version, Verhalten, Sicherheitsregeln und Preis. Sie mieten Zugang, abgerechnet pro Token. Alle Spitzenmodelle wurden aus einem simplen Grund so verkauft: Sie sind atemberaubend teuer in der Herstellung, und über den Verkauf des fertigen Produkts holt man die Kosten wieder herein.

An der zweiten Theke bekommen Sie den Teigling. Sie können ihn mit auf Ihre Küche nehmen, belegen, weiterverarbeiten, in Ihr eigenes Produkt einbauen – ohne jemanden um Erlaubnis zu fragen. Das Rezept bekommen Sie trotzdem nicht. Das ist ein Open‑Weight‑Modell. Die „Gewichte“ sind die trainierten Zahlenwerte, die das Verhalten eines Sprachmodells vollständig bestimmen; sie sind das eigentliche Erzeugnis eines Trainingslaufs. Wer sie hat, kann das Modell auf eigener Hardware betreiben.

An der dritten Theke steht jemand und verteilt die Rezepte. Alle. Jede Variante, jeden Zwischenschritt. Das wäre echtes Open Source: nicht nur die Gewichte, sondern Trainingsdaten, Trainingscode und der komplette Herstellungsweg – so dass jeder das Modell von Grund auf nachbauen könnte. Das ist selten, es sind eher Forschungsartefakte als Produkte, und auf Frontier‑Niveau existiert es schlicht nicht.

Was die chinesischen Labore veröffentlichen, ist die zweite Theke. Sie verschenken den Teigling, nicht das Rezept.

Der Unterschied in einer Tabelle:

Wen das wirklich betrifft – und wen nicht

Die ehrlichste Antwort zuerst: Für die normale Nutzerin ändert sich nichts. Wer einen Chat‑Assistenten für Recherche, Texte oder Zusammenfassungen benutzt, merkt von alldem nichts. Open weight ist kein Endkundenthema.

Drei Gruppen betrifft es dafür sehr direkt.

Erstens Unternehmen mit Daten, die das Haus nicht verlassen dürfen. Gesundheitswesen, Finanzen, Recht, aber auch jeder Mittelständler mit Konstruktionsdaten, Kalkulationen oder Personalakten. Mit einem Open‑Weight‑Modell läuft die Verarbeitung vollständig innerhalb der eigenen Infrastruktur. Das ist kein juristischer Trick und keine Vertragsklausel, sondern eine bauliche Eigenschaft: Die Daten gehen physisch nirgendwo hin. Für die Gespräche, die wir mit Geschäftsführern führen, ist das der mit Abstand wichtigste Punkt – wichtiger als jeder Benchmark.

Zweitens Startups und kleine Softwarehäuser. Wer ein Produkt baut, in dem ein Sprachmodell bei jedem Nutzerklick arbeitet, bezahlt die Modellkosten aus seiner Marge. Bei einem Prototyp ist das eine Rundungsposition. Bei echtem Volumen entscheidet es über das Geschäftsmodell.

Drittens – und das überrascht die meisten – die Infrastruktur. Cloud‑Anbieter und Chip‑Hersteller. Denn ein Modell, das Sie herunterladen, läuft nicht von allein. Es braucht GPUs, Speicher, Strom, Netz.

Und damit sind wir bei der Frage, warum ausgerechnet Nvidia so laut für offene Modelle wirbt.

Warum Nvidia dafür ist

Nvidia ist es gleichgültig, wer das beste Modell hat. Das ist keine Polemik, das ist die Geschäftslogik. Ob ein Unternehmen ein geschlossenes Modell über eine API bezieht oder ein offenes selbst betreibt: In beiden Fällen laufen die Berechnungen auf Chips, und in beiden Fällen sind es überwiegend Nvidia‑Chips. Offene Modelle vergrößern sogar den Markt, weil sie Rechenlast aus den Rechenzentren einiger weniger Anbieter heraus und in Tausende Unternehmensumgebungen hinein verteilen.

Huangs Argument im offenen Brief ist allerdings breiter als das eigene Geschäftsmodell, und es lohnt sich, es ernst zu nehmen: Offene Modelle würden durch breitere Prüfung sicherer, Innovation beschleunigen und die technologische Souveränität einzelner Länder stärken. Er warnte Washington ausdrücklich davor, denselben Fehler zu machen, den die Softwarebranche in den 1980er‑Jahren beinahe mit Open Source gemacht hätte.

Bemerkenswert ist, was danach passierte: OpenAI hat den Brief nachträglich unterschrieben. Die Koalition wuchs auf rund 35 Firmen. Anthropic blieb als einziges großes Labor draußen – mit dem Argument, dass veröffentlichte Gewichte nicht mehr zurückgeholt werden können: Man kann Zugriff nicht entziehen, Sicherheitsmechanismen nicht nachrüsten, Missbrauch nicht unterbinden. Gleichzeitig warnten fast 200 Startups Washington vor dem umgekehrten Risiko – dass ein Verbot chinesischer Open‑Weight‑Modelle den amerikanischen KI‑Stack faktisch zwei Anbietern überlassen würde.

Das ist die eigentliche Frontlinie: nicht China gegen die USA, sondern Konzentration gegen Verteilung.

Der Samen und die Farm

Bleibt die Frage, die alles trägt. Wenn jeder die Gewichte herunterladen kann – womit verdient DeepSeek dann Geld?

Denken Sie an die Gewichte wie an Saatgut.

Wer die Samen verschenkt, verschenkt die Anleitung zum Wachsen. Jeder auf der Welt kann sie einpflanzen. Aber ein Samen und eine Ernte sind zwei vollkommen verschiedene Dinge. Der Samen gibt Ihnen nicht das Land, nicht das Wasser, nicht den Dünger, nicht das Gewächshaus und nicht die Arbeitskraft, die jeden Tag nötig ist.

Genau so ist es mit einem Sprachmodell. Es zu besitzen ist trivial – ein Download. Es im großen Maßstab, zuverlässig und billig zu betreiben verlangt GPUs, Strom, Rechenzentren, Fachpersonal und vor allem: die über Jahre gewachsene Fähigkeit, aus jedem investierten Dollar maximale Rechenleistung herauszuholen.

Das geistige Eigentum wird in dem Moment zu versunkenen Kosten, in dem das Training abgeschlossen ist. Es zu verschenken kostet marginal nichts. Was monetarisiert wird, ist die industrielle Kapazität, dieses geistige Eigentum in Millionen Anfragen pro Sekunde zu verwandeln – billiger als alle anderen.

Man kann es hart formulieren: Jedes Labor, das API‑Zugang verkauft, betreibt im Kern ein produzierendes Gewerbe. Das Produkt ist erzeugter Text. Die Stückkosten sind der Rechenaufwand. Die Marge ist die Lücke zwischen Preis und Stückkosten. Und damit läuft die gesamte Ökonomie auf eine einzige Frage hinaus: Wer produziert dieselbe Ausgabe am günstigsten?

Diese Tabelle bitte nicht als Qualitätsurteil lesen. Sie zeigt nur eines: Zwischen den Enden liegt ein Faktor von rund neunzig. Bei einem Prototyp ist das egal. Bei einem Produkt mit echtem Nutzungsvolumen ist es der Unterschied zwischen Deckungsbeitrag und Zuschussgeschäft.

Warum die Architektur den Unterschied macht

Woher kommt diese Spreizung? Zu einem erheblichen Teil aus einer Bauentscheidung, die vor dem Training getroffen wurde.

Stellen Sie sich ein Callcenter vor, in dem jeder eingehende Anruf – egal wie simpel – an jeden einzelnen Mitarbeiter im Raum weitergeleitet wird. Vom Praktikanten bis zum Bereichsleiter schaut jeder auf die Frage, denkt nach, und erst dann antwortet einer. Verschwenderisch, offensichtlich. Aber so arbeitet ein sogenanntes dichtes Modell: Jede Anfrage aktiviert das komplette Modell.

Die Alternative heißt Mixture of Experts: ein intelligenter Vermittler, der die Frage zuerst ansieht und sie an zwei, drei Spezialisten weiterleitet, die sie beantworten können. Der Rest des Raums bleibt still – und kostet nichts. DeepSeek‑V3 etwa hat 671 Milliarden Parameter, von denen pro Anfrage nur rund 37 Milliarden aktiv sind. Kimi K3 treibt dasselbe Prinzip auf 2,8 Billionen Gesamtparameter.

Die Folge steht in der Kostenrechnung: Das Training von DeepSeek‑V3 kostete nach Angaben des Labors rund 5,6 Mio. US‑Dollar an Rechenzeit – 2,788 Millionen GPU‑Stunden. Für GPT‑4 kursieren Schätzungen zwischen 50 und über 100 Mio. US‑Dollar.

Der Vollständigkeit halber zwei Einschränkungen, die in der öffentlichen Diskussion regelmäßig untergehen.

Erstens ist die 5,6‑Millionen‑Zahl die Rechenzeit des finalen Trainingslaufs – nicht Forschung, nicht Fehlversuche, nicht Hardware, nicht Gehälter. Sie ist echt und beeindruckend, aber sie ist nicht der Preis eines Frontier‑Labors.

Zweitens ist die verbreitete Erzählung „die Amerikaner bauen dicht, die Chinesen bauen sparsam“ so nicht haltbar. Mixture of Experts ist keine chinesische Erfindung und wird auch von westlichen Laboren eingesetzt; bei GPT‑4 gilt das als weithin angenommen. Und ob ein bestimmtes geschlossenes Modell dicht oder als Expertenmischung gebaut ist, wissen wir bei den meisten Anbietern schlicht nicht – die Architektur wird nicht veröffentlicht. Wer Ihnen sagt, Modell X sei aus Sicherheitsgründen dicht gebaut, erzählt eine plausible Geschichte, keine belegte Tatsache.

Was bleibt, ist der belastbare Kern: Architektur‑ und Effizienzentscheidungen bestimmen die Stückkosten, und die Stückkosten bestimmen, ob man es sich leisten kann, die Gewichte zu verschenken.

Warum es keinen echten Vorteil mehr gibt, geschlossen zu bleiben

Zurück zum Samen und zur Farm. Die Verteidigungsfähigkeit von DeepSeek kam nie vom Samen. Sie kam von der Farm – von der Fähigkeit, die günstigste Produktion der Welt zu betreiben. Und wenn ein Wettbewerber Ihre Stückkosten nicht unterbieten kann, dann schadet es Ihnen nicht, wenn er das Rezept hat.

Umgekehrt gilt: Selbst ein vollständig geschlossenes Labor kann nicht verhindern, dass seine Fähigkeiten in die Welt sickern. Gewichte können gestohlen werden, und das ist keine Theorie. Aber es braucht nicht einmal einen Diebstahl. Man kann eine geschlossene API systematisch abfragen und ihre Ausgaben als Trainingsmaterial für ein eigenes Modell verwenden – ein Verfahren, das Destillation heißt und einen großen Teil der Kernfähigkeit überträgt, ohne die Gewichte je gesehen zu haben.

Anders gesagt: Die Gewichte sind eine Waffe, die man ohnehin nicht behalten kann. Der Burggraben liegt woanders – im Betrieb, in der Integration, in den Daten, im Vertrauen.

Was das für Ihr Unternehmen bedeutet

Sie betreiben kein KI‑Labor. Aber Sie treffen gerade – vielleicht ohne es so zu nennen – eine Architekturentscheidung, die Sie in zwei Jahren entweder freut oder ärgert. Fünf Punkte, die aus alldem folgen.

• Trennen Sie das Modell von der Anwendung. Der teuerste Fehler ist nicht die Wahl des falschen Modells, sondern eine Anwendung, die sich an ein bestimmtes Modell verheiratet. Legen Sie eine dünne Schicht dazwischen, halten Sie Prompts und Auswertungen an einer Stelle, und der Wechsel wird zu einer Konfigurationsänderung statt zu einem Projekt. Der Markt bewegt sich derzeit im Monatstakt – Wechselfähigkeit ist die einzige Wette, die man sicher gewinnt.
• Rechnen Sie den Datenfall zuerst, nicht den Benchmark. Wenn eine Klasse von Daten die eigene Infrastruktur nicht verlassen darf, ist das keine Frage der Modellqualität, sondern eine Vorbedingung. Genau hier – und fast nur hier – ist ein selbst betriebenes Open‑Weight‑Modell nicht die günstigere, sondern schlicht die einzige Option.
• Selbst betreiben heißt betreiben. Der Download ist kostenlos, die Farm ist es nicht. GPUs, Latenz, Ausfallsicherheit, Monitoring, Updates, jemand, der nachts erreichbar ist. Für viele Anwendungsfälle ist die ehrliche Antwort weiterhin: API kaufen. Die Rechnung sollte man aufmachen, statt sie zu vermuten – und dabei nicht die Modellkosten vergleichen, sondern die Gesamtkosten.
• Bei echtem Volumen ist die Marge das Argument. Solange Sie in Prototypen denken, sind Token‑Preise Rauschen. Sobald ein Modell bei jedem Kundenklick arbeitet, wandert es aus der IT‑Kostenstelle in die Deckungsbeitragsrechnung. Spätestens dann lohnt es sich, für jede Aufgabe das kleinste ausreichende Modell zu verwenden statt überall das stärkste.
• Verfügbarkeit kann politisch sein. Exportregeln, Lizenzbedingungen, plötzlich abgeschaltete Modellversionen: Keines dieser Risiken steht in der klassischen Lieferantenbewertung, die auf Insolvenz, Ausfall und Preiserhöhung schaut. Wir haben das an anderer Stelle ausführlicher am Beispiel der Chip‑Lieferkette und der digitalen Souveränität beschrieben – das Muster ist identisch.

Beachten Sie, wo das nützliche Ziel liegt: nicht bei der Selbstversorgung, die weder erreichbar noch erstrebenswert ist, sondern bei der Fähigkeit, zu wechseln, ohne anzuhalten. Das ist eine Frage der Architektur – und damit eine Entscheidung, die man in ein paar Tagen richtig trifft oder in ein paar Jahren teuer korrigiert.

Unsere Haltung

Wir bei balane bauen Software für den Mittelstand – wir beraten, entwickeln und automatisieren, und wir betrachten jedes Vorhaben durch drei Linsen zugleich: betriebswirtschaftlich, psychologisch und technisch.

Die betriebswirtschaftliche Linse fragt bei KI nicht „welches Modell ist das beste“, sondern „wo entstehen Stückkosten, wo entsteht Abhängigkeit, und welche Aufgabe rechtfertigt welche Klasse von Modell“. Die technische Linse baut die zweite Tür ein, bevor man sie braucht: eine austauschbare Anbindung, damit ein erzwungener Wechsel eine Konfiguration bleibt und keine Krise wird. Und die psychologische Linse ist die, die man am häufigsten vergisst – denn KI scheitert im Mittelstand selten an der Technik. Sie scheitert daran, dass niemand dem Ergebnis traut, dass Zuständigkeiten unklar sind oder dass die Kollegin, die den Prozess wirklich versteht, nicht gefragt wurde.

Nichts davon ist ein Aufruf, jetzt hektisch etwas zu ersetzen. Es ist das Gegenteil: die nüchterne Feststellung, dass sich unter dem Lärm der Schlagzeilen eine sehr alte Frage verbirgt – wem gehört der Teil Ihrer Wertschöpfung, den Sie nicht selbst kontrollieren?