Open-Source-Modelle haben den Token-Verkehr gewonnen, und Anthropic hat den größten Teil des Geldes verdient

Am Montag veröffentlichte Jesse Zhang, CEO von Decagon, einen Artikel, in dem er feststellte, dass die Open-Source-Modelle zwar auf dem Vormarsch sind, aber ihr Anteil an den gesamten Ausgaben für KI-Modelle im Unternehmensmarkt zurückgeht.

Das erinnert an die zuvor aufgestellte „provokante These“ von Dario Amodei: Im Bereich der künstlichen Intelligenz sei Open Source eher ein Ablenkungsmanöver oder sogar ein Scheinproblem.

„Selbst wenn ein Modell öffentlich zugänglich ist, kann man seine internen Funktionsweisen nicht einsehen. Daher wird es in der Branche üblicherweise als ‚Open-Weight-Modell‘ und nicht als ‚Open-Source-Modell‘ bezeichnet. Herkömmliche Open-Source-Software kann von der Gemeinschaft gemeinsam modifiziert, kontinuierlich weiterentwickelt und durch Zusammenarbeit ständig verbessert werden – diese Vorteile gelten jedoch nicht uneingeschränkt für große KI-Modelle“, erklärte Amodei.

Deshalb fragt er sich bei einem neuen Modell nie zuerst, ob es Open Source ist. Selbst ob DeepSeek Open Source ist, spielt für ihn keine Rolle. Das Einzige, was ihn wirklich interessiert, ist eine Frage: Ist dieses Modell gut genug, um uns bei wichtigen Aufgaben zu übertreffen? Und Open Source bedeutet nie kostenlos. Angesichts der riesigen Größe der Modelle müssen Unternehmen immer noch Geld für die Ausführung von Inferenzen in der Cloud ausgeben und ein professionelles Team für die Bereitstellung und Optimierung einsetzen, um sicherzustellen, dass das Modell schnell und stabil läuft. Anstatt sich darauf zu konzentrieren, ob ein Modell Open Source ist, sollte man darauf achten, wessen Modell die Aufgabe, die man erledigen muss, am besten meistert.

Mit der zunehmenden Reife von KI-Anwendungen wechseln immer mehr Unternehmen zu leichteren Modellen – so auch Decagon selbst. Laut Jesse sind die Gesamtausgaben der Unternehmen für teure Spitzenmodelle jedoch kaum gesunken.

Berichten zufolge laufen heute etwa 90 % der Workloads von Decagon auf Open-Source-Modellen und nicht auf Modellen von OpenAI oder Anthropic. Er erläuterte:

Das liegt nicht an den Kosten, und es ist auch nicht von Kunden vorgeschrieben – obwohl sie normalerweise nichts dagegen haben. Der wahre Grund ist, dass wir kaum andere Möglichkeiten haben.

Wenn man einen KI-Kundenservice-Agenten in der Produktivumgebung betreibt, bestimmt die Latenz direkt, ob das Produkt nutzbar ist. Keiner nutzt ein Produkt, bei dem man auf jede Antwort in einem Dialog 8 Sekunden warten muss. Deshalb braucht man kleinere und schnellere Modelle. Bei jedem Modellaufruf ist es nicht notwendig, die Hauptstadt von Litauen zu kennen oder Kenntnisse in Hochschulphysik zu besitzen.

Aber kleine Modelle, die man direkt einsetzen kann, erreichen nicht die Qualitätsstandards der Kunden. Erst durch umfassendes Fine-Tuning für bestimmte Aufgaben können sie die Anforderungen erfüllen.

Das Problem ist, dass Spitzenmodell-Labore diese Kombination im Grunde nicht anbieten. Wir können ihre stärksten Modelle nicht nach unseren tatsächlichen Bedürfnissen feinabstimmen, und ihre kleinen Modelle gehören uns nicht – wir können sie nicht nach unseren Wünschen gestalten.

Daher bedeutet „kleines Modell + tiefgreifendes Fine-Tuning“ im Wesentlichen, dass man Open-Weight-Modelle verwenden muss. Die Kosteneinsparungen sind real, aber nur ein sekundärer Vorteil. Dass Unternehmen selbst gehostete Modelle vertrauenswürdiger finden, ist nur ein Nebeneffekt – nicht der grundlegende Grund für unsere Entscheidung, Open-Source-Modelle zu wählen.

Nach Ansicht von Jesse sind Spitzenmodelle und Open-Source-Modelle keine Konkurrenten. Der Erfolg von Open-Source-Modellen basiert nicht darauf, dass Spitzenmodell-Labore Marktanteile verlieren. Vielmehr sind sie wie zwei Phasen im selben Lebenszyklus: Unternehmen verwenden zuerst teure Spitzenmodelle, um zu überprüfen, ob ein Anwendungsfall praktikabel ist. Sobald der Anwendungsfall ausgereift ist, migrieren sie ihn zu kostengünstigeren Open-Source-Modellen.

Da immer mehr ausgereifte Anwendungsfälle zu leichteren Modellen wechseln und gleichzeitig neue Anwendungsfälle entstehen, sind die Gesamtausgaben der Unternehmen für Spitzenmodelle nicht deutlich gesunken.

Jesse Zhang hat nicht viele Daten zur Stützung dieser Ansicht vorgelegt, aber Techcrunch hat einige relevante Zahlen gefunden.

Aus dem AI-Gateway-Dashboard von Vercel geht hervor, dass DeepSeek in der vergangenen Woche bei der Verarbeitung von Tokens schnell den ersten Platz erreicht hat – mittlerweile macht es mehr als ein Drittel des gesamten Token-Verkehrs auf der Vercel-Infrastruktur aus. Zhipu, das das beliebte Modell GLM-5.2 auf den Markt gebracht hat, stieg im gleichen Zeitraum auf den vierten Platz.

Betrachtet man jedoch die gesamten Ausgaben für Tokens, zeigt sich, dass Anthropic nach wie vor mehr als die Hälfte der gesamten KI-Ausgaben auf dieser Plattform auf sich vereint. Da ein erheblicher Teil der jüngsten Veränderungen auf die Preiserhöhungen von Anthropic selbst zurückgeht, ist sein Anteil an den Ausgaben im letzten Monat leicht gesunken – der Rückgang ist aber nicht ausgeprägt.

Die Daten von OpenRouter zeigen einen ähnlichen Trend. Im Vergleich zu Vercel deckt OpenRouter einen größeren Markt ab, hat aber einen etwas geringeren Anteil an Unternehmenskunden.

Gemessen an der gesamten Nutzung ist DeepSeek V4 Flash der derzeit offensichtliche Gewinner, der wöchentlich etwa 5,3 Billionen Tokens verarbeitet. Das beliebteste Spitzenmodell, Opus 4.8, verarbeitet wöchentlich etwas mehr als 2 Billionen Tokens.

OpenRouter führt keine Rangliste nach den Gesamtausgaben für Modelle an, aber seine Daten zeigen, dass die durchschnittlichen Kosten pro Token von Opus 4.8 etwa 23-mal so hoch sind wie bei V4 Flash: Die durchschnittlichen Kosten von Opus 4.8 betragen etwa 1,37 US-Dollar pro Million Tokens, während V4 Flash nur 0,06 US-Dollar kostet.

Hochgerechnet auf diesen Preisunterschied ist es sehr wahrscheinlich, dass Opus 4.8 trotz der deutlich geringeren Token-Nutzung als V4 Flash immer noch den größten Teil der Modellausgaben auf der Plattform ausmacht.

Diese Zahlen umfassen noch nicht das neu eingetroffene Nvidia Nemotron. Aufgrund der starken industriellen Beziehungen von Nvidia und der extrem hohen Anpassungsfähigkeit von Nemotron selbst hat dieses Modell das Potenzial, schnell an die Spitze des Marktes zu gelangen.

Diese Zahlen reichen noch nicht aus, um Jesse Zhangs These über den Lebenszyklus von KI-Anwendungen vollständig zu bestätigen. Aber sie zeigen zumindest, dass Spitzenmodell-Labore wie Anthropic durch den Aufstieg von Open-Source-Modellen bisher nicht stark beeinträchtigt wurden – zumindest noch nicht.

Eine Erklärung ist, dass der Markt für Aufgaben, die durch KI abgedeckt werden können, so schnell wächst. Selbst wenn immer mehr ausgereifte Anwendungsfälle zu Open-Source-Modellen migriert werden, können Top-Modelle ihre Marktposition behalten, indem sie die frühe Validierungsphase neuer Anwendungen dominieren.

Wie Jesse Zhang sagte: „Der Rückgang des Anteils der Ausgaben für Open-Source-Modelle liegt nicht daran, dass Open-Source-Modelle scheitern, sondern daran, dass sich der gesamte unternehmerische KI-Markt noch in der allerfrühesten Phase der Reifungskurve befindet.“ „Spitzenmodell-Labore werden weiterhin die Entdeckung neuer Anwendungen anführen, während Open-Source-Modelle zunehmend die Produktivbereitstellung dominieren werden.“

Wenn ein neuer Anwendungsfall auftaucht, wählen Unternehmen vorrangig das leistungsstärkste verfügbare allgemeine Modell. Da man noch nicht weiß, welche Form das Problem letztendlich annehmen wird, ist man bereit, einen Aufpreis für intelligente Fähigkeiten zu zahlen, die man in Zukunft möglicherweise gar nicht nutzt. In dieser Phase ist das ein vernünftiger Kompromiss.

Aber wenn ein Anwendungsfall vollständig ausgereift ist und die Unternehmen die Verteilung der Eingabedaten, das erwartete Verhalten des Modells und die zu vermeidenden Fehlermuster verstanden haben, kehrt sich die Abwägung um.

In diesem Fall wird die allgemeine Intelligenz zu einer zusätzlichen Belastung. Was Unternehmen wirklich brauchen, ist das kleinste, schnellste und speziell feinabgestimmte Modell, das eine bestimmte Aufgabe optimal meistert.

„Nach dieser Logik könnten alle Anwendungsfälle, die heute mit Spitzenmodellen für die Prototypenvalidierung verwendet werden, in Zukunft zu Open-Source-Modellen migriert werden“, sagte Jesse. „Dieser Prozess wird jedoch länger dauern als viele erwarten.“

Eine weitere Erklärung ist, dass selbst wenn Kunden zu Open-Source-Modellen wechseln, viele Anwendungsfälle immer noch komplex genug sind, um nicht vollständig durch kostengünstigere Modelle ersetzt zu werden.

Aber egal wie, diese Zwei-Ebenen-Modellwirtschaft hat das Potenzial, eine relativ stabile Struktur in der KI-Industrie zu werden.

Referenzlinks:

https://www.threads.com/@whaleagent/post/DaJx5pfkzmL

https://x.com/thejessezhang/status/2074154325933424861

https://techcrunch.com/2026/07/07/why-the-rise-of-open-source-ai-isnt-hurting-anthropic-yet/

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „AI-Frontlinie“, Autor: Chu Xingjuan, veröffentlicht mit Genehmigung von 36Kr.