Open-Weight vs. proprietäre KI-Modelle: Der Unterschied und wann was

Zwei grundverschiedene Wege, an KI zu kommen

Wenn du heute ein Sprachmodell einsetzen willst, stehst du praktisch immer vor der gleichen Grundsatzfrage: Nimmst du ein Modell, dessen Gewichte du herunterladen und selbst betreiben kannst – oder ein Modell, das nur als Dienst über eine API oder einen Chat erreichbar ist? Diese Unterscheidung zieht sich durch die ganze Branche und heisst meist verkürzt “Open Source vs. proprietär” – auch wenn der genaue Begriff, wie du gleich siehst, “open-weight” statt “open source” sein müsste.

Die bekanntesten Vertreter der beiden Lager (Stand: 2026-07):

• Open-Weight: Metas Llama-Familie, Mistrals Modelle (Mistral, Codestral), Alibabas Qwen-Reihe, Googles Gemma, Microsofts Phi, DeepSeek (V3/R1/V4)
• Proprietär (Closed-Weight): OpenAIs GPT-Reihe, Anthropics Claude, Googles Gemini, xAIs Grok

Beide Lager sind inzwischen leistungsfähig genug für ernsthafte Produktivarbeit. Die Frage ist nicht mehr “kann Open-Weight das überhaupt?”, sondern: Welches Modell passt zu deiner Situation – deinem Datenschutzbedarf, deinem Budget, deiner technischen Kapazität und deinen Qualitätsansprüchen?

Was “Open-Weight” wirklich bedeutet (und was nicht)

Der Begriff “Open Source KI” wird im Alltag inflationär verwendet, ist aber meistens ungenau. Bei klassischer Open-Source-Software (Linux, Firefox) bekommst du den kompletten Quellcode und kannst nachvollziehen, wie jede Zeile zustande kam. Bei einem KI-Modell wie Llama oder Qwen bekommst du etwas anderes: die trainierten Gewichte (die Zahlenmatrizen, die das fertige Modell ausmachen), oft dazu die Architektur-Beschreibung und ein Lizenzdokument. Was du in aller Regel nicht bekommst:

• Die genauen Trainingsdaten (welche Texte, Bilder, Webseiten wurden verwendet)
• Den vollständigen Trainingscode inklusive aller Hyperparameter-Entscheidungen
• Die Rechenzeit- und Kostenkalkulation, die reproduzierbar wäre

Deshalb hat sich in der Fachdiskussion der präzisere Begriff “Open-Weight” durchgesetzt: Die Gewichte sind offen (herunterladbar, lokal betreibbar, anpassbar), der Entstehungsprozess bleibt eine Blackbox. Die Open Source Initiative (OSI), die die offizielle Definition von “Open Source” für Software pflegt, stuft deshalb auch Modelle wie Llama nicht als echte Open-Source-KI ein – unter anderem wegen fehlender Trainingsdaten-Transparenz und einschränkender Nutzungsbedingungen.

Die wichtigsten Lizenztypen im Überblick

Vor- und Nachteile im direkten Vergleich

Open-Weight-Modelle

Vorteile:

• Datenhoheit: Du kannst das Modell auf eigener oder gemieteter Hardware betreiben. Kein Prompt und keine Antwort verlässt dann deine Infrastruktur. Details dazu im Vertiefungsartikel Lokale LLMs & Datenhoheit.
• Kostenkontrolle bei Skalierung: Keine Kosten pro Token an einen externen Anbieter. Bei konstant hohem Nutzungsvolumen (viele gleichzeitige Nutzer, Dauerbetrieb) kann Self-Hosting nach einer gewissen Nutzerschwelle günstiger sein als API-Gebühren – die genaue Schwelle hängt stark von Hardware, Modellgrösse und Nutzungsmuster ab und muss im Einzelfall gerechnet werden.
• Keine Abhängigkeit von einem einzelnen Anbieter: Ändert ein Anbieter Preise, Nutzungsbedingungen oder stellt einen Dienst ein, bist du bei einem lokal betriebenen offenen Modell nicht betroffen.
• Anpassbarkeit: Du kannst das Modell per Fine-Tuning auf deine eigenen Daten spezialisieren, quantisieren (verkleinern für schwächere Hardware) oder mit anderen Werkzeugen kombinieren.
• Auditierbarkeit: Sicherheitsteams können das Modellverhalten selbst testen, ohne auf die Zusicherungen eines externen Anbieters angewiesen zu sein.

Nachteile:

• Du brauchst Infrastruktur und Know-how. Ein leistungsfähiges Modell lokal zu betreiben, verlangt passende Hardware (meist eine oder mehrere GPUs mit ausreichend Grafikspeicher) und die Bereitschaft, Server, Updates und Sicherheit selbst zu verantworten.
• Spitzenmodelle proprietärer Anbieter sind bei den komplexesten Aufgaben tendenziell noch vorne. Bei Aufgaben, die sehr tiefes Reasoning, aktuelle Weltkenntnis oder maximale Zuverlässigkeit über lange Ketten von Schlussfolgerungen erfordern, liegen die besten proprietären Modelle im Schnitt noch leicht vor den besten offenen Modellen – der Abstand ist in den letzten Jahren aber spürbar kleiner geworden und variiert stark je nach Aufgabentyp.
• Support liegt bei dir. Es gibt keine Kundenhotline, die dir bei einem Fehlverhalten des Modells hilft – nur Community-Foren und (bei Anbietern wie Mistral) optional kostenpflichtigen Enterprise-Support.
• Betriebskosten sind real, auch wenn sie anders anfallen. Hardware, Strom, Wartung und die Arbeitszeit für den Betrieb sind Kosten, die bei einer reinen API-Nutzung entfallen.

Proprietäre Modelle

Vorteile:

• Sofort einsatzbereit, keine eigene Infrastruktur nötig. Ein API-Schlüssel oder ein Chat-Abo reicht.
• Meist die aktuell leistungsfähigsten Modelle überhaupt, besonders bei komplexem Reasoning, Multimodalität (Bild, Ton, Video gleichzeitig) und sehr langen Kontextfenstern.
• Kontinuierliche Verbesserung ohne eigenes Zutun: Der Anbieter tauscht das Modell im Hintergrund aus oder verbessert es, ohne dass du etwas tun musst.
• Eingebaute Zusatzfunktionen: Websuche, Dateiverarbeitung, Bildgenerierung, Sprachein-/ausgabe sind oft direkt integriert, ohne dass du das selbst zusammenbauen musst.
• Klare vertragliche Verantwortlichkeiten: Bei einem Business- oder Enterprise-Vertrag gibt es feste Zusicherungen zu Datenverarbeitung, Verfügbarkeit und Haftung.

Nachteile:

• Deine Daten verlassen dein Haus. Prompts und oft auch hochgeladene Dokumente werden auf Servern des Anbieters verarbeitet – meist ausserhalb der Schweiz oder EU. Mehr dazu in KI-Datenschutz-Grundlagen.
• Laufende Kosten pro Nutzung, die bei hohem Volumen schnell steigen und schwer vorhersehbar sind.
• Abhängigkeit vom Anbieter: Preisänderungen, geänderte Nutzungsbedingungen, Modellwechsel oder gar Dienst-Einstellung liegen ausserhalb deiner Kontrolle.
• Eingeschränkte Anpassbarkeit: Fine-Tuning ist bei manchen proprietären Modellen möglich, aber nie so tiefgreifend wie beim Zugriff auf die eigentlichen Gewichte.
• Kein Einblick ins Modellverhalten: Du kannst nicht nachvollziehen, wie das Modell intern zu einer Antwort kommt, sondern nur das Ein-/Ausgabeverhalten beobachten.

Die vier Entscheidungsdimensionen im Detail

1. Datenschutz und Kontrolle

Der grösste praktische Unterschied liegt selten in der reinen Textqualität, sondern darin, wo deine Daten landen. Bei einem proprietären Cloud-Dienst schickst du jeden Prompt an fremde Server. Selbst mit einer Auftragsverarbeitungsvereinbarung (AVV) und Enterprise-Zusicherungen bleibt eine Restabhängigkeit: Du musst dem Anbieter vertrauen, dass er sich an seine eigenen Zusagen hält, und im Fall von US-Anbietern spielen zusätzlich Fragen wie der US CLOUD Act eine Rolle.

Bei einem selbst gehosteten Open-Weight-Modell verlässt kein Prompt dein Netzwerk. Das ist besonders relevant bei:

• Personenbezogenen Daten (Patientendaten, Kundendaten, Personalakten)
• Geschäftsgeheimnissen (unveröffentlichte Finanzzahlen, Produktentwicklung)
• Behörden und regulierten Branchen, wo Cloud-Verarbeitung im Ausland grundsätzlich problematisch ist

Wichtig: Auch bei “offenen” Modellen gibt es einen Unterschied zwischen selbst gehostet und als Cloud-Dienst des Herstellers genutzt. Wenn du DeepSeek beispielsweise über die offizielle App oder Website nutzt statt die Gewichte selbst zu betreiben, verarbeitet der Anbieter deine Daten auf seinen eigenen Servern – mit denselben grundsätzlichen Fragen wie bei jedem anderen Cloud-Dienst, plus der zusätzlichen Überlegung, welchem Rechtsraum der Anbieter unterliegt. Offene Gewichte schützen deine Daten nur dann, wenn du sie auch wirklich selbst betreibst.

2. Kosten

Die Kostenlogik ist grundverschieden:

• Proprietär: Nutzungsbasierte Abrechnung pro Million Tokens (Input meist günstiger als Output), oder ein Fix-Abo pro Nutzer und Monat für Chat-Oberflächen. Beispiele für API-Preise (Stand: 2026-07, ändern sich laufend): Modelle im mittleren Preissegment liegen häufig im Bereich von wenigen US-Dollar pro Million Input-Tokens, günstige “Flash”/“Mini”-Varianten teils deutlich unter einem Dollar, absolute Spitzenmodelle entsprechend teurer bei Output-Tokens.
• Open-Weight, self-hosted: Einmalige oder laufende Hardware-/Cloud-GPU-Kosten plus Betriebsaufwand, dafür keine Kosten pro Token. Bei kleinem, gelegentlichem Bedarf lohnt sich das selten – bei dauerhaft hohem Volumen über viele Nutzer hinweg kann die Rechnung kippen.
• Open-Weight, über einen Hosting-Anbieter: Viele Anbieter (z. B. Together AI, Groq, Fireworks oder Cloudflare Workers AI) bieten offene Modelle als API an. Das kombiniert die Lizenzfreiheit der offenen Gewichte mit der Bequemlichkeit einer API – meist zu niedrigeren Preisen als die grossen proprietären Flaggschiff-Modelle, aber eben doch als externer Dienst.

3. Qualität und Fähigkeiten

Bei allgemeinen Aufgaben (Zusammenfassen, Texte schreiben, einfaches Programmieren, Übersetzen) haben die besten offenen Modelle inzwischen einen Qualitätsstand erreicht, der für die meisten Alltagsaufgaben ausreicht und sich in Benchmarks oft nur noch wenig von den proprietären Spitzenmodellen unterscheidet. Bei besonders anspruchsvollen Aufgaben – sehr langen, komplexen Reasoning-Ketten, hochspezialisierten Fachgebieten, echter Multimodalität in einem einzigen Modell (Text, Bild, Ton, Video gleichzeitig verstehen) – liegen die proprietären Top-Modelle im Durchschnitt tendenziell noch etwas vorn.

Wichtig für die Praxis: Diese Rangfolge ist eine Momentaufnahme. Beide Seiten überholen sich laufend gegenseitig, und die Unterschiede sind je nach konkreter Aufgabe (Codegenerierung, Mathematik, mehrsprachige Texte, Bildverständnis) oft grösser als der pauschale “offen vs. proprietär”-Unterschied. Ein guter Test ist immer eine konkrete Probe mit deiner eigenen, typischen Aufgabe statt sich auf ein einzelnes Benchmark-Ranking zu verlassen.

4. Kontrolle und Anpassbarkeit

Bei offenen Gewichten kannst du:

• Fine-Tuning betreiben: Das Modell mit eigenen Beispieldaten weiter trainieren, damit es sich auf deine Fachsprache, deinen Tonfall oder deine internen Prozesse spezialisiert.
• Quantisieren: Das Modell verkleinern (z. B. von 16-Bit- auf 4-Bit-Genauigkeit), damit es auch auf schwächerer Hardware läuft – auf Kosten eines kleinen Qualitätsverlusts.
• Offline betreiben: Vollständig ohne Internetverbindung, relevant für Umgebungen mit strengen Netzwerkvorgaben.
• Beliebig kombinieren: Mehrere kleine, spezialisierte Modelle statt eines einzigen Allrounders einsetzen.

Bei proprietären Modellen bist du auf das beschränkt, was der Anbieter als Schnittstelle anbietet: System-Prompts, begrenztes Fine-Tuning (bei manchen Anbietern gegen Aufpreis), Tool-Nutzung über definierte Schnittstellen wie MCP (Model Context Protocol). Das reicht für die meisten Anwendungsfälle völlig aus, ist aber grundsätzlich weniger tief als ein direkter Zugriff auf die Gewichte.

Entscheidungshilfe: Welcher Weg passt zu dir?

Verarbeitest du besonders sensible Daten
(Patienten-/Kundendaten, Geschäftsgeheimnisse, Behördenkontext)?
  → Ja: Self-Hosting eines Open-Weight-Modells stark bevorzugen
  → Nein: weiter

Hast du intern die Kapazität (Hardware + Know-how),
ein Modell selbst zu betreiben und zu warten?
  → Nein: proprietärer Dienst oder gehostetes Open-Weight-Modell
    über einen API-Anbieter
  → Ja: weiter

Ist die Aufgabe besonders anspruchsvoll
(tiefes Reasoning, Multimodalität, Spitzenqualität nötig)?
  → Ja: proprietäres Spitzenmodell prüfen, auch bei höherem Preis
  → Nein: offenes Modell (lokal oder gehostet) reicht meist aus

Ist das Nutzungsvolumen dauerhaft hoch und planbar?
  → Ja: Kostenrechnung Self-Hosting vs. API pro Fall durchrechnen
  → Nein: nutzungsbasierte API meist einfacher und günstiger

In der Praxis setzen viele Organisationen ohnehin beides parallel ein: proprietäre Spitzenmodelle für komplexe oder öffentlich zugängliche Aufgaben, offene Modelle für alles, was Datenhoheit oder Kostenkontrolle verlangt. Das ist kein Widerspruch, sondern die naheliegende Konsequenz daraus, dass beide Ansätze unterschiedliche Stärken haben.

Offene Modelle selbst ausprobieren

Wenn du ein offenes Modell einfach mal lokal testen willst, brauchst du keine komplexe Server-Infrastruktur – für den Einstieg reichen Desktop-Tools, die das Herunterladen und Ausführen stark vereinfachen.

# Beispiel: Ein offenes Modell lokal starten (nach Ollama-Installation)
ollama run llama3.2

# Ein anderes offenes Modell laden
ollama run qwen2.5

Für den produktiven Einsatz im Unternehmen braucht es danach mehr als ein Test auf dem eigenen Laptop – dedizierte Server, Monitoring und ein klares Update-Konzept.

Kurz zusammengefasst

• “Open-Weight” heisst: Die trainierten Gewichte sind frei herunterladbar, Trainingsdaten und -prozess bleiben meist eine Blackbox. Deshalb ist der Begriff präziser als “Open Source KI”.
• Lizenzen unterscheiden sich stark – Apache 2.0/MIT (Qwen, Mistral, DeepSeek) sind uneingeschränkt, Community-Lizenzen (Llama, Gemma) haben Sonderregeln für sehr grosse Nutzerzahlen.
• Open-Weight punktet bei Datenhoheit, Kostenkontrolle bei hohem Volumen und tiefer Anpassbarkeit – verlangt aber eigene Infrastruktur und Know-how.
• Proprietäre Modelle punkten bei sofortiger Einsatzbereitschaft, Spitzenqualität bei den schwierigsten Aufgaben und eingebauten Zusatzfunktionen – kosten aber laufend und bedeuten, dass Daten extern verarbeitet werden.
• Datenschutz schützt nur, wenn ein offenes Modell auch wirklich selbst gehostet wird – als Cloud-Dienst des Herstellers genutzt, gelten dieselben Fragen wie bei jedem anderen externen Anbieter.
• Viele Organisationen nutzen realistischerweise beide Wege parallel, je nach Aufgabe und Datenklasse.

Weiterlernen

• Meta: Llama Modelle und Lizenzen
• Mistral AI: Modelle und Lizenzübersicht
• Hugging Face: Model Hub (Übersicht offener Modelle)
• Open Source Initiative: Open Source AI Definition
• Anthropic: Claude Modellübersicht
• OpenAI: Modelle und Preise