„Ist das Modell Open Source?“ klingt nach einer einfachen Frage. In der Praxis steckt dahinter oft ein ganzes Bündel unterschiedlicher Fragen: Darf ich es nur benutzen? Darf ich es auf meinem Server betreiben? Kann ich die Gewichte herunterladen? Darf ich es verändern, weitergeben oder mit eigenen Daten weitertrainieren? Und weiß ich überhaupt, wie es entstanden ist?
Der Markt für große Sprachmodelle, kurz LLMs, hat sich in den vergangenen Jahren nicht nur technisch, sondern auch begrifflich ausdifferenziert. Auf der einen Seite stehen geschlossene Dienste wie ChatGPT, Claude oder Gemini. Auf der anderen Seite finden sich Modelle, deren Gewichte heruntergeladen werden können, etwa Llama, Qwen oder DeepSeek. Dazwischen und darunter gibt es Projekte, die sich bewusst an einer strengen Open-Source-Definition orientieren, beispielsweise die OLMo-Familie von Ai2.
Wer diese Kategorien gleichsetzt, trifft schnell falsche Entscheidungen. Ein lokal betriebenes Modell kann rechtlich eingeschränkt sein. Ein Modell mit einer Apache-Lizenz kann trotzdem nicht die vollständigen Trainingsdaten offenlegen. Und ein API-Dienst kann für einen konkreten Einsatz datenschutzrechtlich sauberer organisiert sein als ein hastig aufgesetzter eigener Server.
Zeit, die Begriffe nüchtern auseinanderzunehmen.
Die kurze Antwort: Nicht alles, was herunterladbar ist, ist Open Source
Bei klassischer Software ist die Sache vergleichsweise klar: Quellcode offen, Lizenz erlaubt Nutzung, Untersuchung, Änderung und Weitergabe. Bei einem LLM reicht der Code allein jedoch nicht. Das eigentliche Verhalten steckt zu großen Teilen in den Gewichten: Milliarden oder Hunderte Milliarden Zahlen, die beim Training entstanden sind. Ohne sie lässt sich ein Modellprojekt meist nicht sinnvoll nachvollziehen oder betreiben.
Die Open Source Initiative fasst die Messlatte deshalb weiter. Ein wirklich offenes KI-System soll die Freiheit geben, es zu nutzen, zu untersuchen, zu verändern und weiterzugeben. Dafür braucht es nicht nur Gewichte und Programmcode, sondern auch ausreichende Informationen zu den Trainingsdaten sowie eine nachvollziehbare Trainings- und Bewertungslogik.
Das ist anspruchsvoll. Gerade bei sehr großen Modellen sind Datensätze, Filterregeln, Rechenaufwand, Rechteketten und Sicherheitstests so komplex, dass viele Anbieter zwar Gewichte veröffentlichen, aber nicht den vollständigen Entwicklungsweg. Das ist nicht automatisch schlecht. Es ist aber etwas anderes als Open Source im strengen Sinn.
Drei Ebenen, die man auseinanderhalten sollte
1. Geschlossene Modelle: Leistung als Dienst
Bei einem geschlossenen Modell stellt der Anbieter eine Oberfläche oder API bereit. Nutzer schicken Eingaben an den Dienst und erhalten Ausgaben zurück. Architektur, Gewichte, Trainingsdaten und der genaue Trainingsprozess bleiben beim Anbieter.
Beispiele sind GPT-5 von OpenAI, die Claude-Familie von Anthropic und Googles Gemini-Modelle. Diese Systeme werden zentral betrieben, laufend aktualisiert und oft mit zusätzlichen Funktionen wie Suche, Bildverarbeitung, Tool-Nutzung, Sicherheitsfiltern oder Agentenfunktionen kombiniert.
Der Vorteil liegt auf der Hand: Kein Team muss selbst GPU-Server planen, Treiber pflegen, Inferenz optimieren oder Modellupdates testen. Moderne Spitzenmodelle sind sofort nutzbar und können über vertragsfähige Unternehmensangebote, Zugriffssteuerung, Protokollierung und Datenverarbeitungsvereinbarungen eingebunden werden.
Der Preis dafür ist Abhängigkeit. Der Anbieter bestimmt Modellversion, Preise, Nutzungsregeln, Limits und Änderungen. Selbst wenn ein Vertrag festlegt, dass Eingaben nicht zum Training verwendet werden, verlassen Daten je nach Architektur den eigenen Kontrollbereich. Für vertrauliche Dokumente, kritische Produktionsnetze oder langfristige Produkte ist deshalb nicht nur die Modellqualität relevant, sondern auch der Vertrag, der Datenfluss und ein möglicher Ausstiegsweg.
2. Open Weight: Die Gewichte sind verfügbar, die Freiheit kann trotzdem begrenzt sein
Open Weight bedeutet zunächst nur: Die Modellgewichte können bezogen und in einer eigenen Umgebung ausgeführt werden. Das ist ein großer Unterschied zur API. Ein Unternehmen kann ein Modell beispielsweise in einer eigenen Cloud-Instanz, im Rechenzentrum oder – bei kleineren Varianten – sogar auf einem Arbeitsplatz oder Notebook betreiben.
Die Gewichte sagen aber noch nichts über die Lizenz. Meta stellt bei Llama Modellgewichte unter einer eigenen Community-Lizenz bereit. Das eröffnet vielen Entwicklern und Organisationen praktische Freiheiten, ist aber keine OSI-Standardlizenz und enthält Bedingungen. Genau hinsehen muss auch, wer ein Modell weitergeben, als Dienst anbieten oder in einem Produkt mit vielen Nutzern einsetzen möchte.
Andere Projekte verwenden großzügigere Lizenzen. Qwen hat für Teile der Qwen3-Familie Gewichte unter Apache 2.0 veröffentlicht – vom kleinen Modell bis zu großen Mixture-of-Experts-Varianten. Solche Modelle lassen sich mit Werkzeugen wie vLLM, llama.cpp, Ollama oder LM Studio lokal oder in einer eigenen Infrastruktur betreiben. Das macht sie aber nicht automatisch zu vollständig offenem KI-System im strengen Sinn: Die Frage nach Trainingsdaten, vollständigem Rezept und Reproduzierbarkeit bleibt gesondert zu beantworten.
Open Weight ist damit keine Etikette für „frei von Abhängigkeiten“. Es ist vor allem eine Betriebsoption. Sie kann Datenhoheit, Anpassbarkeit und Unabhängigkeit verbessern – verlangt aber auch Betriebskompetenz, Patch-Management, Zugriffskontrollen und eine klare Verantwortung für die Ergebnisse.
3. Open Source AI: Nicht nur verwenden, sondern verstehen und verändern
Ein offenes KI-System im engeren Sinn macht den Weg zum Modell nachvollziehbar. Dazu gehören der Code, die Gewichte, Angaben über die Trainingsdaten und die Trainingsmethode sowie eine Lizenz, die Nutzung, Untersuchung, Änderung und Weitergabe nicht willkürlich einschränkt.
Ein oft genanntes Beispiel ist OLMo von Ai2. Das Projekt veröffentlicht nicht nur Modelle, sondern auch zentrale Bestandteile des Entwicklungsprozesses. Damit wird Forschung überprüfbarer: Andere können Annahmen testen, Datenaufbereitung nachvollziehen, Fehler suchen und Varianten entwickeln.
Das bedeutet nicht, dass Open Source automatisch sicherer, fairer oder besser ist. Ein offener Trainingsdatensatz kann problematische Inhalte enthalten. Ein offenes Modell kann missbraucht werden. Ein vollständiger Nachbau kann enorme Rechenressourcen benötigen. Offenheit schafft vor allem Prüfbarkeit und Gestaltungsspielraum; sie ersetzt weder Sicherheitsarbeit noch eine verantwortliche Nutzung.
Warum die Begriffe gerade jetzt so wichtig sind
Die Entscheidung ist längst nicht mehr nur eine Frage für Forschungslabore. Ein Vertrieb möchte Angebote schneller formulieren. Eine Redaktion will recherchierbare Zusammenfassungen. Ein Entwicklerteam plant einen internen Code-Assistenten. Eine Personalabteilung möchte Bewerbungen strukturieren. In jedem Fall steht dieselbe Grundfrage im Raum: Wer kontrolliert Modell, Daten, Betrieb und Veränderung?
Ein geschlossenes Spitzenmodell kann für die erste Idee oder für unkritische Inhalte die pragmatischste Lösung sein. Ein Open-Weight-Modell kann sinnvoll werden, wenn Daten die Organisation nicht verlassen sollen, wenn Antworten kontrolliert reproduzierbar sein müssen oder wenn eine Anwendung unabhängig vom Anbieter weiterlaufen soll. Ein wirklich offenes System spielt seine Stärke dort aus, wo Forschung, Auditierbarkeit oder eigene Weiterentwicklung im Mittelpunkt stehen.
Es gibt keine natürliche Rangfolge. „Open“ ist nicht automatisch verantwortlicher. „Closed“ ist nicht automatisch unsicher. Problematisch wird es, wenn die Betriebsform mit einem Sicherheitsversprechen verwechselt wird.
Was auf dem Markt praktisch relevant ist
Bei den geschlossenen Angeboten prägen derzeit vor allem GPT, Claude und Gemini die öffentliche Wahrnehmung. Sie entwickeln sich schnell weiter, unterstützen zunehmend Text, Bilder, Dateien, Programmcode und Werkzeugaufrufe. Für viele Unternehmen ist nicht das einzelne Basismodell entscheidend, sondern das Gesamtangebot: Identitätsverwaltung, Datenvereinbarung, regionale Verarbeitung, API-Funktionen, Monitoring und die Frage, welche Mitarbeitenden welche Funktionen nutzen dürfen.
Bei den offen verfügbaren Gewichten ist der Markt breiter geworden. Llama hat ein großes Ökosystem aus Werkzeugen, Hardware-Unterstützung und Anpassungen geschaffen. Qwen3 ist interessant, weil die Familie von sehr kleinen bis zu sehr großen Modellen reicht und sowohl direktes Antworten als auch aufwendigeres Reasoning unterstützt. DeepSeek hat mit seinen offenen Gewichten und den auf Reasoning ausgerichteten Modellen den Druck auf Preise und Effizienz erhöht. Mistral bietet ebenfalls Modelle und Deployment-Optionen für europäische Organisationen an.
Für die praktische Auswahl reicht eine Bestenliste nicht. Ein Modell mit vielen Parametern kann auf einem Benchmark hervorragend aussehen und bei deutschen Fachtexten, strukturierten Daten, langen Dokumenten oder Tool-Aufrufen trotzdem nicht zum Prozess passen. Die richtige Frage lautet nicht: „Welches Modell gewinnt?“ Sondern: „Welches Modell liefert für unseren konkreten Fall nachweisbar brauchbare Ergebnisse – bei vertretbarem Risiko und Aufwand?“
Die häufigsten Missverständnisse
„Open Weight heißt, ich darf alles damit machen.“ Nein. Maßgeblich ist die Lizenz. Sie kann Nutzungsbedingungen, Markenregeln, Weitergabepflichten oder zusätzliche Einschränkungen enthalten.
„Lokal heißt automatisch datenschutzkonform.“ Nicht zwingend. Ein lokal laufendes Modell kann Logs schreiben, Dokumente in unsicheren Verzeichnissen ablegen, externe Plugins aufrufen oder von zu vielen Mitarbeitenden erreichbar sein. Datenschutz und Informationssicherheit entstehen durch die gesamte Verarbeitungskette.
„Geschlossen heißt, dass unsere Daten zum Training verwendet werden.“ Auch das ist zu pauschal. Es hängt von Produkt, Vertrag, Kontoart, Einstellungen und Region ab. Genau deshalb müssen Unternehmen die konkrete Datenverarbeitung prüfen statt sich auf die allgemeine Markenbezeichnung zu verlassen.
„Open Source macht Halluzinationen transparent.“ Ein offenes Modell kann besser untersucht werden. Es halluziniert dadurch nicht automatisch weniger. Fachliche Prüfung, Quellenarbeit und klare Freigaben bleiben notwendig.
Ein Entscheidungsraster für Unternehmen
- Anwendungsfall festlegen: Ist es eine Formulierungshilfe, eine Suche über interne Dokumente, Code-Unterstützung, Kundenkommunikation oder eine automatisierte Entscheidung?
- Daten klassifizieren: Öffentlich, intern, vertraulich oder besonders schutzbedürftig? Die Datenklasse begrenzt die zulässigen Betriebsmodelle.
- Lizenz und Vertrag getrennt prüfen: Bei Open Weight die Modelllizenz, bei APIs die Nutzungs- und Datenbedingungen. Beides ist keine Nebensache.
- Betriebsverantwortung benennen: Wer patcht den Server? Wer prüft neue Modellversionen? Wer verwaltet Zugriffe, Protokolle und Löschfristen?
- Qualität mit echten Fällen testen: Nicht nur mit einem schönen Prompt. Der Test braucht typische Dokumente, Fehlerszenarien, deutsche Fachbegriffe und eine menschliche Bewertung.
- Nachweise sichern: Modellversion, Lizenz, Zweck, Freigabe, Testprotokoll und Änderungen gehören in eine nachvollziehbare Entscheidung.
Das klingt zunächst nach viel Prozess. In Wirklichkeit verhindert es den bekannten Freitagnachmittag-Moment: Ein Kunde fragt, ob seine Daten in KI-Systeme gelangen, und niemand weiß, welches Modell mit welchem Konto und welcher Einstellung gerade im Einsatz ist.
Mein Fazit: Erst die Freiheit benennen, dann das Modell wählen
Die Begriffe sind kein akademisches Haarspalten. Sie entscheiden darüber, ob ein Unternehmen Daten aus der Hand gibt, eigene Infrastruktur aufbauen muss, ein Modell verändern darf oder bei einem Anbieterwechsel handlungsfähig bleibt.
Closed bedeutet in erster Linie: Modell als Dienst nutzen. Open Weight bedeutet: Gewichte selbst betreiben können, aber Lizenz und Entstehung gesondert prüfen. Open Source AI bedeutet: ein System so offen zu machen, dass andere es wirksam nutzen, verstehen, verändern und weitergeben können.
Für die meisten Organisationen ist die beste Antwort nicht „nur offen“ oder „nur geschlossen“. Sie lautet: je Anwendungsfall bewusst entscheiden. Ein guter KI-Einsatz beginnt nicht mit einem Modellnamen, sondern mit Daten, Zweck, Verantwortung und einem prüfbaren nächsten Schritt.
Quellen und weiterführende Informationen
- Open Source Initiative: Open Source AI Definition 1.0
- Open Source Initiative: Einordnung von Open Weights
- OpenAI: Introducing GPT-5
- Anthropic: Claude 4
- Google: Gemini 2.5
- Meta: Llama
- Qwen: Qwen3
- Ai2: OLMo
Stand: 25. September 2026. Modellversionen, Lizenzen, Preise und Verfügbarkeiten ändern sich schnell. Vor einer Beschaffung oder Produktintegration sind stets die aktuelle Lizenz, Vertragslage und technische Dokumentation des konkreten Modells zu prüfen.
Themen: #KI · #LLM · #OpenSource · #OpenWeights · #KI-Governance · #Informationssicherheit · #Digitalisierung
Was siehst du anders?
Widerspruch ist willkommen. Schreib klar, bleib beim Thema und bring ein Argument mit. Deine E-Mail-Adresse wird nicht veröffentlicht.