Die Frage "offen oder geschlossen" begleitet jedes ernsthafte LLM-Projekt. Auf der einen Seite stehen die geschlossenen Spitzenmodelle, die man bequem über eine API nutzt. Auf der anderen Seite offene Modelle, deren Gewichte frei verfügbar sind und die man auf eigener Hardware betreiben kann. 2026 ist der Abstand zwischen beiden Welten geschrumpft, aber nicht verschwunden. Welche Seite passt, hängt von Datenschutz, Kosten, Qualitätsanspruch und der eigenen technischen Tiefe ab.
Was die Begriffe wirklich bedeuten
"Closed Source" meint Modelle, deren Gewichte nicht öffentlich sind und die ausschließlich über die API des Anbieters laufen. Du sendest Daten hin und bekommst Antworten zurück, hast aber keinen Zugriff auf das Modell selbst. "Open Source" ist im LLM-Kontext oft unpräzise: Meist sind die Gewichte frei herunterladbar ("Open Weights"), während Trainingsdaten und genaues Vorgehen nicht offengelegt sind. Echte vollständige Offenheit inklusive aller Daten ist seltener. Für die Praxis zählt vor allem: Kann ich das Modell selbst betreiben? Bei offenen Modellen ja, bei geschlossenen nein.
Die Argumente für geschlossene API-Modelle
- Höchste Qualität ohne Aufwand: Die stärksten Modelle stehen sofort bereit, ohne Hardware, Wartung oder Skalierungssorgen.
- Schneller Start: Ein API-Schlüssel und wenige Zeilen Code genügen.
- Automatische Aktualisierung: Neue, bessere Modellgenerationen kommen, ohne dass man selbst etwas tun muss.
- Skalierung inklusive: Lastspitzen fängt der Anbieter ab.
Der Preis dafür: laufende Token-Kosten, Abhängigkeit vom Anbieter und der Umstand, dass Daten das eigene Haus verlassen.
Die Argumente für offene Modelle
- Datenhoheit: Sensible Daten bleiben auf eigener oder kontrollierter Infrastruktur, was für Datenschutz und regulierte Branchen entscheidend sein kann.
- Planbare Kosten: Statt variabler Token-Preise zahlt man feste Hardware- und Betriebskosten, die sich bei hohem Volumen rechnen können.
- Anpassbarkeit: Modelle lassen sich feinjustieren, quantisieren und tief in eigene Abläufe integrieren.
- Unabhängigkeit: Kein Anbieter kann Preise, Bedingungen oder Verfügbarkeit einseitig ändern.
Der Preis dafür: Man braucht passende Hardware, Betriebs-Know-how und nimmt bei den allerschwierigsten Aufgaben oft einen Qualitätsabstand zum geschlossenen Spitzenmodell in Kauf.
Die Kostenfrage realistisch betrachten
Offene Modelle sind nicht automatisch billiger. Der Selbstbetrieb verursacht Kosten für Anschaffung oder Miete leistungsfähiger GPUs, Strom und Wartung. Diese Fixkosten lohnen sich erst ab einem gewissen Nutzungsvolumen. Bei geringem oder schwankendem Bedarf ist die API meist günstiger, weil man nur zahlt, was man nutzt. Ab welchem Volumen sich Eigenbetrieb rechnet, lässt sich mit dem Lokale-KI-vs-Cloud-Amortisations-Rechner überschlagen. Wer den Hardwarebedarf für ein offenes Modell abschätzen will, prüft mit dem GPU-VRAM-Bedarf-Rechner, welche Grafikkarte überhaupt nötig ist.
Eine pragmatische Entscheidungshilfe
- Höchste Qualität, wenig Aufwand, sensible Daten unkritisch: geschlossenes API-Modell.
- Strenge Datenschutzanforderungen oder regulierte Branche: offenes Modell auf kontrollierter Infrastruktur prüfen.
- Sehr hohes, gleichmäßiges Volumen: Eigenbetrieb durchrechnen, oft günstiger.
- Geringes oder schwankendes Volumen: API, weil nutzungsabhängig abgerechnet.
- Mischbetrieb: Viele setzen offene Modelle für Standardaufgaben und Datenschutz ein und greifen für die schwersten Fälle zusätzlich auf ein geschlossenes Spitzenmodell zurück.
Mehr zu lokalen Modellen und KI-Kosten findest du in den News, die passenden Rechner in den Webtools.
Der versteckte Aufwand beim Eigenbetrieb
Wer offene Modelle selbst betreibt, übernimmt Aufgaben, die bei der API der Anbieter erledigt. Dazu gehören die Auswahl und Wartung der Hardware, das Einspielen von Updates, das Absichern des Zugriffs, die Skalierung bei Lastspitzen und die Überwachung der Verfügbarkeit. Diese Betriebsarbeit ist real und kostet Personalzeit, die in der reinen Hardware-Rechnung gern vergessen wird. Für ein kleines Team kann genau dieser Aufwand den Ausschlag gegen den Eigenbetrieb geben, selbst wenn die Hardwarekosten auf dem Papier attraktiv wirken.
Eine pragmatische Zwischenlösung sind gehostete Angebote für offene Modelle: Anbieter betreiben das offene Modell für dich und rechnen wie bei einer API pro Token ab. So bekommt man die Modellfreiheit offener Gewichte ohne den vollen Betriebsaufwand, gibt aber einen Teil der Datenhoheit wieder ab. Diese Variante ist oft ein guter Mittelweg, wenn man weg von einem einzelnen geschlossenen Anbieter will, aber keine eigene Infrastruktur aufbauen möchte.
Lizenzen genau lesen
Offen ist nicht gleich beliebig nutzbar. Viele frei verfügbare Modelle stehen unter Lizenzen, die zwar großzügig sind, aber Einschränkungen enthalten können, etwa für sehr große kommerzielle Nutzung oder bestimmte Einsatzzwecke. Vor dem produktiven Einsatz lohnt ein genauer Blick in die Lizenzbedingungen des konkreten Modells. Wer das überspringt, riskiert, ein Modell außerhalb der erlaubten Bedingungen zu verwenden. Bei geschlossenen API-Modellen regeln stattdessen die Nutzungsbedingungen des Anbieters, was erlaubt ist; auch diese sollte man kennen, insbesondere zu Datenverarbeitung und Weiterverwendung der Eingaben.
Häufige Fragen
Sind offene Modelle 2026 so gut wie geschlossene?
Bei vielen Standardaufgaben sind gute offene Modelle konkurrenzfähig. Bei den schwierigsten Logik-, Recherche- und Programmieraufgaben halten die geschlossenen Spitzenmodelle oft noch einen Vorsprung. Der Abstand ist aber kleiner als noch vor zwei Jahren.
Brauche ich teure Hardware für ein offenes Modell?
Das hängt von der Modellgröße ab. Kleine Modelle laufen auf gehobenen Consumer-Grafikkarten, große brauchen mehrere professionelle GPUs. Quantisierung kann den Speicherbedarf senken. Vor dem Kauf lohnt eine Abschätzung des VRAM-Bedarfs.
Ist "Open Weights" dasselbe wie "Open Source"?
Nicht ganz. Open Weights bedeutet, dass die Modellgewichte frei verfügbar sind. Echte Offenheit würde auch Trainingsdaten und Methodik umfassen, was seltener der Fall ist. Für den praktischen Eigenbetrieb genügen offene Gewichte.
Kann ich später zwischen offen und geschlossen wechseln?
Ja, wenn man den Modellaufruf sauber kapselt. Eine Abstraktionsschicht in der eigenen Anwendung erlaubt es, das Modell zu tauschen, ohne den Rest des Systems umzubauen.