Open-Weight vs. geschlossene KI-Modelle 2026: Die Build-vs-Buy-Entscheidung

Jahrelang war die Rechnung einfach: Wollte man das beste Modell, rief man eine geschlossene API von Anthropic oder OpenAI auf, und offene Modelle waren die günstige Option, mit der man sich begnügte. 2026 gilt diese Geschichte nicht mehr. Open-Weight-Modelle von Mistral, Metas Llama-Reihe und DeepSeek haben den Qualitätsabstand für ein breites Band alltäglicher Aufgaben weitgehend geschlossen — und Sie können sie auf eigener Hardware betreiben, ohne dass Ihre Daten je Ihre Mauern verlassen. Zugleich führt die geschlossene Frontier weiterhin beim schwierigsten Reasoning-, Agenten- und multimodalen Arbeiten. Die Frage lautet nicht mehr „was ist besser“, sondern „was ist richtig für diese Arbeitslast“ — und das ist eine Build-vs-Buy-Entscheidung, kein Benchmark-Wettstreit.

Was „Open-Weight“ wirklich bedeutet

Der Begriff wird locker verwendet, also seien wir präzise. Ein Open-Weight-Modell liefert seine trainierten Parameter unter einer Lizenz aus, die Sie herunterladen und selbst betreiben können — lokal, im eigenen Cloud-Konto oder auf gemieteten GPUs. Mistral, Llama und DeepSeek sind hier die Referenzpunkte. Ein geschlossenes Modell — Claude von Anthropic, GPT von OpenAI — lebt hinter einer API: Sie senden Tokens, Sie erhalten Tokens zurück und berühren die Gewichte nie. Beachten Sie: „Open-Weight“ ist nicht dasselbe wie „Open Source“ — Sie erhalten meist die Gewichte, aber nicht die Trainingsdaten oder das volle Rezept, und die Lizenz kann manche kommerziellen Nutzungen einschränken. Lesen Sie sie, bevor Sie darauf aufbauen.

Die echten Kompromisse, ehrlich

Keine Seite gewinnt vollständig. Jede bringt Ihnen etwas und kostet Sie etwas anderes, und die gesamte Entscheidung läuft darauf hinaus, was Sie für eine gegebene Aufgabe schätzen.

Was Open Weights Ihnen geben

• Datenkontrolle und Datenschutz. Das Modell läuft dort, wo Ihre Daten bereits liegen. Nichts geht an Dritte — entscheidend für regulierte, souveräne oder On-Prem-Arbeitslasten.
• Keine Rechnung pro Token. Sie zahlen für Rechenleistung, nicht für Tokens. Bei hohem, stetigem Volumen kann die Stückkostenrechnung eine API deutlich schlagen.
• Kontrolle und Beständigkeit. Keine Modell-Abkündigung nach fremdem Zeitplan, keine überraschende Richtlinienänderung. Sie können tief feinabstimmen und eine Version für immer festpinnen.
• Portabilität. Dieselben Gewichte laufen On-Prem, am Edge oder über mehrere Clouds. Keine Bindung an den Endpunkt eines Anbieters.

Was eine geschlossene API Ihnen gibt

• Spitzenfähigkeit. Die Frontier von Reasoning, langfristigen Agenten und multimodalem Verstehen erscheint weiterhin zuerst geschlossen. Für die härteste Arbeit ist sie meist der kürzeste Weg zu „gut genug“.
• Null Infrastruktur. Keine GPUs zu kaufen, kein Serving-Stack zu betreiben, keine Skalierung zu entwickeln. Sie erhalten eine URL und einen Schlüssel.
• Verwaltete Sicherheit und Updates. Leitplanken, Evaluierungen und stetige Verbesserungen kommen ohne Aufwand auf Ihrer Seite.
• Tempo bis zum ersten Wert. Sie können noch heute in Produktion sein — was für die meisten Piloten entscheidend ist.

Die versteckten Kosten „kostenloser“ Gewichte

Der häufigste Fehler ist, „keine Gebühr pro Token“ als „günstiger“ zu lesen. Selbst-Hosting befreit Sie nur von der API-Position; kostenlos ist es nicht. Sie übernehmen GPU-Kapazität, einen Serving- und Autoscaling-Stack, Latenz- und Uptime-Engineering, Sicherheitspatches, Evaluierungs-Harnesses und die Menschen, die alles am Laufen halten. Bei stetigen Arbeitslasten mit hohem Volumen amortisieren sich diese Fixkosten wunderbar und Selbst-Hosting gewinnt klar. Bei sprunghaftem oder geringem Verkehr liegen dieselben Fixkosten brach und eine API ist weit günstiger. Der ehrliche Vergleich ist nie der Preis pro Token — sondern die Gesamtkosten pro erfolgreicher Aufgabe, voll umgelegt, dieselbe Disziplin, die jede KI-Kostenentscheidung regiert.

Ein Entscheidungsrahmen, den Sie wirklich nutzen können

Lassen Sie die Ideologie beiseite. Führen Sie jede Arbeitslast durch vier Fragen, und die Antwort ergibt sich meist von selbst.

Wo die Anbieter stehen

Mistral hat seine Identität auf starken, effizienten Open-Weight-Modellen aufgebaut, die praktisch selbst zu hosten sind, neben einer gehosteten Option — eine natürliche Wahl für europäische Teams, denen Datenresidenz wichtig ist. Metas Llama-Familie ist das am breitesten übernommene offene Ökosystem, mit Werkzeugen und Feinabstimmungen für nahezu jeden Anwendungsfall. DeepSeek hat offene Reasoning-Modelle vorangetrieben und die Erwartungen daran, was Open Weights bei harten Aufgaben zu niedrigen Kosten leisten, neu gesetzt. Auf der geschlossenen Seite definieren Anthropics Claude und OpenAIs GPT weiterhin die Frontier für Agenten- und Reasoning-Arbeit — und beide bieten den schnellsten Weg von der Idee zur Produktion. Behandeln Sie das als Portfolio, nicht als Loyalitätstest: Der reife Zug ist, das richtige pro Arbeitslast zu nutzen und die Architektur austauschbar zu halten.

Fazit

„Offen vs. geschlossen“ ist 2026 der falsche Rahmen. Open Weights sind für hochvolumige, klar umrissene Arbeit wirklich gut, privat und wirtschaftlich geworden; geschlossene APIs bleiben der kürzeste Weg zu Frontier-Fähigkeit und zu Produktion ohne jede Infrastruktur. Die Gewinnerstrategie ist weder Reinheit noch Standard — sondern ein Portfolio, pro Arbeitslast gewählt nach Datenkontrolle, Aufgabenschwere, Volumen und eigener Betriebsreife, hinter einer Abstraktion gehalten, damit Sie eine Arbeitslast von der einen zur anderen verschieben können, wenn sich Modelle und Bedürfnisse ändern. Entscheiden Sie pro Aufgabe, messen Sie Kosten pro erfolgreicher Aufgabe und binden Sie sich nicht an einen einzigen Anbieter.