Bleiben den Open-Source-Modellen nur noch 6 Monate Zeit?

Open-Source-Modelle durchlaufen derzeit die bislang härteste Überlebensprüfung.

Kürzlich berichteten ausländische Medien, dass das Weiße Haus erwägt, eine Exekutivanordnung zur Beschränkung von Open-Source-KI zu erlassen – insbesondere Systeme, die von chinesischen Unternehmen entwickelt wurden.

„Es würde mich nicht überraschen, wenn diese Regierung letztendlich eine klare Position zur Nutzung von Open-Source-KI einnimmt und sogar die Nutzung bestimmter Open-Source-Tools durch Bundesbehörden einschränkt“, erklärte der leitende Forscher Adam Thierer.

Wie aus Quellen mit Kenntnis der Angelegenheit hervorgeht, sind sich fast alle Beteiligten einig, dass die entsprechenden Diskussionen noch in einem frühen Stadium stecken und unklar ist, ob diese Gespräche letztendlich zu konkreten Politiken führen werden. Sollten die Pläne nicht umgesetzt werden, verstärkt dies jedoch die Zweifel an dem chaotischen KI-Governance-Ansatz der Trump-Regierung. Selbst wenn die Maßnahmen in Kraft treten, werden höchstwahrscheinlich nur zwei Gruppen betroffen sein: erstens Modelle aus China und zweitens die Nutzung dieser Modelle durch Regierungsbehörden. Sobald aber die erste Dominostein fällt, lassen sich die nachfolgenden Auswirkungen kaum noch kontrollieren.

Gegenwärtig fehlt es bei Open-Source-Modellen an einem starken, wirtschaftlich hoch konzentrierten Vertreter der USA, der den Politikgestaltern klar darlegen kann, welche Kosten eine Unterdrückung von Open-Source-Modellen mit sich bringen würde. Berichten zufolge haben Vertreter von Reflection AI vorgeschlagen, für Open-Source-Modelle eine Ausnahmeregelung im Rahmenwerk vorzusehen, die sich an den Fähigkeiten der Modelle orientiert. Derzeit sind chinesische Open-Source-Modelle wie DeepSeek anderen verfügbaren Open-Source-Modellen deutlich überlegen, während Reflection noch kein öffentliches Modell veröffentlicht hat.

„Egal welche Form von Verbot ergriffen wird – aus der Perspektive der langfristigen Entwicklung der künstlichen Intelligenz wäre dies ein schwerwiegender Fehler“, betonte Nathan Lambert, Maschinenlernforscher mit Doktortitel in KI an der University of California, Berkeley, und ehemaliger Mitarbeiter bei Meta, DeepMind und Hugging Face.

Seiner Ansicht nach besteht die wahrscheinlichste Politik darin, alle Open-Weight-Modelle zu verbieten oder auf unbestimmte Zeit zu verschieben, deren Fähigkeiten deutlich über das Niveau von GPT-5.5, Claude Opus 4.8 oder GLM-5.2 hinausgehen. Angesichts der sich stetig verkleinernden Fähigkeitslücke zwischen Open-Source- und Closed-Source-Modellen wird dies wahrscheinlich innerhalb der nächsten 6 Monate eintreten.

Open-Source-Modelle gewinnen den Token-Verkehr, Anthropic macht den Großteil des Geldes

Da KI-Anwendungen zunehmend ausgereift sind, wechseln immer mehr Unternehmen zu leichteren Modellen – also haben Open-Source-Modelle den Spitzenmodellanbietern im Silicon Valley tatsächlich Marktanteile abgenommen?

Das KI-Einhorn-Unternehmen Decagon ist ein typisches Beispiel für ein Unternehmen, das Open-Source-Modelle einsetzt. Bei Decagon laufen derzeit etwa 90 % der Workloads auf Open-Source-Modellen und nicht auf Modellen von OpenAI oder Anthropic. Jesse Zhang, CEO von Decagon, erklärte, dass dies nicht auf Kostengründen oder auf zwingende Anforderungen von Kunden zurückzuführen sei – der wahre Grund sei, dass das Unternehmen kaum andere Alternativen habe.

„Dies liegt nicht an den Kosten, noch zwingen uns Kunden dazu – obwohl sie normalerweise nichts dagegen haben. Der wahre Grund ist, dass wir fast keine andere Wahl haben.“

Wenn Sie einen KI-Agenten für den Kundenservice in der Produktivumgebung betreiben, bestimmt die Latenz direkt, ob das Produkt nutzbar ist. Niemand möchte ein Produkt verwenden, bei dem man auf jede Antwort in einem Dialog 8 Sekunden warten muss. Daher benötigen Sie kleinere, schnellere Modelle. Bei jedem Modellaufruf ist es nicht notwendig, die Hauptstadt Litauens zu kennen oder Kenntnisse in Physik der Oberstufe zu beherrschen.

Aber kleine Modelle, die direkt einsatzbereit sind, erreichen nicht die Qualitätsstandards, die Kunden verlangen. Erst durch umfangreiches Fine-Tuning für bestimmte Aufgaben können sie die Anforderungen erfüllen.

Das Problem liegt darin, dass Spitzenmodelllabore diese Kombination im Grunde nicht anbieten. Wir können ihre stärksten Modelle nicht nach unseren tatsächlichen Bedürfnissen feinabstimmen – und ihre kleinen Modelle gehören uns nicht, sodass wir sie nicht nach Belieben gestalten können.

Daher bedeutet „kleines Modell + tiefgreifendes Fine-Tuning“ im Wesentlichen, dass Open-Weight-Modelle verwendet werden müssen. Die Kosteneinsparungen sind zwar vorhanden, stellen aber nur einen sekundären Vorteil dar; dass Unternehmen selbst gehostete Modelle vertrauenswürdiger finden, ist nur ein Nebennutzen – nicht der grundlegende Grund, warum wir Open-Source-Modelle wählen.

Jesse stellte zudem eine „kontraintuitive“ Schlussfolgerung auf: Die Gesamtausgaben von Unternehmen für teure Spitzenmodelle sind kaum gesunken, aber der Anteil der Ausgaben für Open-Source-Modelle nimmt ab.

Obwohl Jesse Zhang nicht viele Daten zur Stützung dieser Ansicht vorgelegt hat, fand Techcrunch entsprechende Zahlen.

Das KI-Gateway-Dashboard von Vercel zeigt, dass das Token-Verarbeitungsvolumen von DeepSeek innerhalb einer Woche schnell auf den ersten Platz gestiegen ist und derzeit mehr als ein Drittel des gesamten Token-Verkehrs der Vercel-Infrastruktur ausmacht. Zhipu, das das beliebte Modell GLM-5.2 entwickelt hat, stieg im gleichen Zeitraum auf den vierten Platz.

Betrachtet man jedoch die gesamten Token-Ausgaben, macht Anthropic nach wie vor mehr als die Hälfte der gesamten KI-Ausgaben auf dieser Plattform aus. Da ein erheblicher Teil der jüngsten Veränderungen auf Preiserhöhungen bei Anthropic selbst zurückzuführen ist, ist der Ausgabenanteil im letzten Monat leicht gesunken – aber der Rückgang ist 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.

Bei der gesamten Nutzungsmenge ist DeepSeek V4 Flash der derzeit offensichtlichste Gewinner, der wöchentlich etwa 5,3 Billionen Token verarbeitet. Das beliebteste Spitzenmodell Opus 4.8 verarbeitet etwas mehr als 2 Billionen Token pro Woche.

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

Hochgerechnet nach diesem Preisunterschied wird Opus 4.8 trotz seiner deutlich geringeren Token-Nutzung als V4 Flash höchstwahrscheinlich weiterhin den Großteil der Modellausgaben auf der Plattform ausmachen.

Diese Zahlen schließen den neu eingetretenen Anbieter Nvidia Nemotron noch nicht ein. Dank der starken industriellen Beziehungen von Nvidia und der hohen Anpassungsfähigkeit von Nemotron selbst wird dieses Modell voraussichtlich schnell in die Spitzenposition des Marktes vorstoßen.

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

Nach Ansicht von Jesse sind Spitzenmodelle und Open-Source-Modelle keine Konkurrenten. Der Erfolg von Open-Source-Modellen basiert nicht darauf, dass Spitzenmodelllabore Marktanteile verlieren. Vielmehr handelt es sich um zwei Phasen im selben Lebenszyklus: Unternehmen nutzen zunächst teure Spitzenmodelle, um zu überprüfen, ob ein Anwendungszenario machbar ist. Sobald das Szenario ausgereift ist, migrieren sie es zu kostengünstigeren Open-Source-Modellen. Da immer mehr ausgereifte Szenarien zu leichteren Modellen wechseln, entstehen ständig neue Anwendungsfälle – sodass die Gesamtinvestitionen der Unternehmen in Spitzenmodelle nicht merklich sinken.

Er erklärte, dass Unternehmen bei der Einführung eines neuen Anwendungszenarios vorrangig das leistungsstärkste verfügbare allgemeine Modell wählen. Da man noch nicht weiß, wie sich das Problem letztendlich darstellen wird, ist man bereit, einen Aufpreis für intelligente Fähigkeiten zu zahlen, die möglicherweise später gar nicht benötigt werden. In dieser Phase ist dies ein angemessener Austausch.

Wenn ein Anwendungszenario jedoch vollständig ausgereift ist und das Unternehmen die Verteilung der Eingabedaten, das gewünschte Verhalten des Modells und die zu vermeidenden Fehlermuster kennt, kehrt sich das Verhältnis um. In diesem Fall wird die allgemeine Intelligenz zu einer zusätzlichen Belastung. Was Unternehmen wirklich benötigen, ist das kleinste, schnellste und speziell feinabgestimmte Modell, das eine bestimmte Aufgabe optimal erfüllt.

Eine Erklärung für die weiterhin hohen Einnahmen aus Spitzenmodellen ist das rasante Wachstum des Marktes für KI-gesteuerte Aufgaben. Selbst wenn immer mehr ausgereifte Szenarien zu Open-Source-Modellen migriert werden, können Top-Modelle ihre Marktposition behalten, indem sie die frühe Validierungsphase neuer Anwendungen dominieren.

„Der Rückgang des Anteils der Ausgaben für Open-Source-Modelle liegt nicht daran, dass Open-Source-Modelle scheitern – sondern daran, dass der gesamte unternehmensweite KI-Markt sich noch in der allerfrühesten Phase der Reifekurve befindet“, sagte Jesse. „Nach dieser Logik könnten alle Anwendungszenarien, die heute mit Spitzenmodellen für Prototypen validiert werden, in Zukunft zu Open-Source-Modellen migriert werden.“ „Aber dieser Prozess wird länger dauern, als viele erwarten.“

Darüber hinaus sind viele Anwendungsfälle auch dann noch komplex genug, um nicht vollständig durch günstigere Modelle ersetzt zu werden – selbst wenn Kunden zu Open-Source-Modellen wechseln. Trotzdem könnte dieses zweistufige Modell-Ökosystem eine relativ stabile Struktur in der KI-Industrie werden.

„Die Debatte um das Destillieren hat sich zu einer Unterdrückung von Wettbewerbern entwickelt“

Eine fast unvermeidliche Realität ist: Die Fähigkeiten von Open-Source-Modellen werden immer stärker.

Dario Amodei hat kürzlich Open Source angegriffen: Im Bereich der KI sei Open Source ein Störfaktor oder sogar ein falsches Konzept. „Selbst wenn das Modell öffentlich ist, können Sie seinen internen Betrieb nicht einsehen – daher wird es in der Branche üblicherweise als ‚Open-Source‘ bezeichnet, obwohl dies nicht der klassischen Definition entspricht. Traditionelle Open-Source-Software kann von der Gemeinschaft gemeinsam modifiziert, kontinuierlich weiterentwickelt und in Zusammenarbeit verbessert werden – aber diese Vorteile gelten nicht uneingeschränkt für große Modelle.“

Daher sagte Amodei, dass er nie zuerst fragt, ob ein neues Modell Open Source ist. Sogar ob DeepSeek Open Source ist, ist für ihn unwichtig. Die einzige Frage, die ihn wirklich interessiert, ist: Ist dieses Modell gut genug, um uns bei wichtigen Aufgaben zu übertreffen? Außerdem bedeutet Open Source nie kostenlos. Da die Modelle so groß sind, müssen Unternehmen immer noch Geld für die Ausführung von Inferenz in der Cloud ausgeben und professionelle Teams für die Bereitstellung und Optimierung einsetzen, um sicherzustellen, dass die Modelle schnell und stabil laufen. Anstatt sich darauf zu konzentrieren, ob ein Modell Open Source ist, sollte man darauf achten, wessen Modell die zu erledigende Aufgabe am besten erfüllt.

Diese Äußerung erfolgte vor dem Hintergrund, dass „Spitzen-Open-Source-Modelle“ zunehmend mit „Produkten chinesischer Modellanbieter“ gleichgesetzt werden. Bei der Diskussion über die Fähigkeiten von Spitzen-Open-Source-Modellen werden diese unweigerlich mit anderen Streitpunkten wie dem Destillieren verknüpft. Kürzlich berichteten ausländische Medien, dass US-Beamte einseitig schätzen, dass unbefugtes Destillieren von Modellen den US-KI-Laboren jährliche Einnahmeverluste von bis zu 6 Milliarden US-Dollar verursacht – ohne jedoch Berechnungsgrundlagen anzugeben.

Nach Ansicht von Lambert wird die Schwelle für die Fähigkeit der Regierung, „eine Überprüfung durchzuführen“, ständig steigen. Sobald dieses System jedoch etabliert ist, wird die Genehmigungsgeschwindigkeit für Open-Source-Modelle wahrscheinlich deutlich langsamer sein als für Closed-Source-Modelle. Einerseits lassen sich bei Closed-Source-Modellen Sicherheitskontrollen tatsächlich einfacher durchführen; andererseits sind Closed-Source-Unternehmen auch deutlich stärker im Lobbying.

Sobald Richtlinien für Open-Source-KI veröffentlicht werden, wird die Genehmigungsgeschwindigkeit für Open-Source-Modelle wahrscheinlich deutlich langsamer sein als für Closed-Source-Modelle. Einerseits lassen sich bei Closed-Source-Modellen Sicherheitskontrollen tatsächlich einfacher durchführen; andererseits sind Closed-Source-Unternehmen auch deutlich stärker im Lobbying.

Lambert richtete seine Kritik direkt an Anthropic.

„Die aktuellen Maßnahmen gegen inländische Modelle werden hauptsächlich von Anthropic vorangetrieben. Das Unternehmen beschreibt in Blogbeiträgen, Briefen und anderen Formaten detailliert, was inländische Unternehmen tun.“ Lambert bewertete, dass diese Aktion zwar ursprünglich aus echten geschäftlichen Bedenken entstanden sein mag – aber heute immer mehr wie der Aufbau von Markteintrittsbarrieren wirkt: Wenn die von Anthropic beschuldigten Modellanbieter verboten werden, profitiert ihr Produkt enorm.

„Wenn Anthropic nur auf neutralere Weise Informationen bereitstellen würde, beispielsweise indem es der Behörde sagt ‚Die Fakten liegen vor – Sie entscheiden, wie Sie vorgehen‘, würde die Gemeinschaft dies wahrscheinlich besser verstehen. Aber jetzt treibt es konkrete Politiken für eine sich schnell entwickelnde Spitzentechnologie voran, anstatt nur Informationen zu teilen. Wenn Anthropics Technologie wirklich so leistungsstark ist, dass Open-Source-Modelle mit ähnlichen Fähigkeiten verboten werden sollten, dann sollte es zunächst in der Lage sein, die Sicherheit seiner eigenen API zu schützen. Ich warte immer noch auf eine Erklärung von Anthropic, warum das nicht möglich ist. Mindestens eine seiner derzeitigen Aussagen muss zurückgenommen werden.“

Lambert fügte hinzu, dass Anthropic auch auf andere Weise die „Leiter zu intelligenten Fähigkeiten“ wegzieht. Im Namen der Sicherheit beschränkt es Wettbewerber auf den Zugang zu relevanten Technologien – daher stimmen seine vorgeschlagenen Politiken mit seiner umfassenderen Strategie zur Zugangsbeschränkung überein. „Wenn viele Mitarbeiter auf Entschädigungen zusteuern, die das Vermögen mehrerer Generationen verändern können, fällt es leicht, die Unternehmenskultur zu akzeptieren, die ‚Sicherheit höher zu bewerten‘. Ich tadle diese Mitarbeiter nicht – aber wir müssen Anthropics Unternehmensstrategie im größeren Kontext verstehen.“

„Was Anthropic tatsächlich verlangt, ist ein weitreichendes Verbot fast aller chinesischen Open-Source-Modelle in den USA“, betonte Lambert. Produkte, die auf Open-Source-Modellen aufbauen, basieren ihre gesamte Geschäftslogik auf der kontinuierlichen Verbesserung der Modelle: Mit steigenden Modellfähigkeiten verbessern sich die Produkt-Markt-Passung und die Recheneffizienz. Sobald diese Modelle verboten werden, wird die entstehende Open-Source-Wirtschaft zerstört – einschließlich Inferenzdienstleistern, Fine-Tuning-Unternehmen, neuen Produkten und allen anderen Akteuren in der gesamten Wertschöpfungskette.

Anthropic kann natürlich sein geistiges Eigentum schützen – aber Lambert ist der Ansicht, dass das Unternehmen nicht verlangen sollte, dass