Open Weights
Open-Weights-Modelle sind KI-Modelle, deren trainierte Gewichte frei herunterladbar und lokal betreibbar sind. Sie sind nicht dasselbe wie vollständige Open-Source-Modelle — Trainingsdaten und Trainingscode bleiben oft geschlossen, und Lizenzen können die Nutzung einschränken.
Der Begriff Open Weights beschreibt KI-Modelle, deren trainierte Gewichte — also die eigentlichen Modellparameter — öffentlich zum Download bereitstehen und damit lokal ausgeführt, angepasst und weitertrainiert werden können. Das ist ein grundlegender Unterschied zu proprietären Modellen, die ausschließlich über die Cloud-Schnittstelle des Anbieters erreichbar sind. Ebenso wichtig ist die Abgrenzung nach unten: Open Weights ist nicht gleichbedeutend mit vollständigem Open Source. Die Gewichte sind zwar frei verfügbar, doch Trainingsdaten und Trainingscode werden meist nicht offengelegt, und die Lizenz kann die kommerzielle oder anderweitige Nutzung durchaus einschränken.
Einen laufend gepflegten Überblick über offene und proprietäre Modellfamilien — inklusive Lizenzen, Kontextfenstern und EU-Hosting-Optionen — bietet unser KI-Modelle-Vergleich.
Open Weights vs. proprietär vs. Open Source
Die drei Begriffe werden häufig vermischt, meinen aber verschiedene Grade an Offenheit. Proprietäre Modelle laufen nur beim Anbieter, Open-Weights-Modelle laufen überall, und echtes Open Source legt zusätzlich die Herkunft und Reproduzierbarkeit offen. Die folgende Tabelle ordnet die drei Kategorien entlang der für Unternehmen entscheidenden Achsen ein.
| Merkmal | Proprietär (z. B. GPT, Claude) | Open Weights (z. B. Llama, Mistral) | Vollständiges Open Source |
|---|---|---|---|
| Hosting | Nur Anbieter-Cloud | Self-Hosting oder Cloud | Self-Hosting oder Cloud |
| Datenschutz | Daten verlassen das Unternehmen | Volle Kontrolle über Datenflüsse | Volle Kontrolle über Datenflüsse |
| Kosten | Abrechnung pro Token | Infrastrukturkosten, keine Lizenzgebühr | Infrastrukturkosten, keine Lizenzgebühr |
| Anpassung | Begrenzt (System Prompt, API) | Vollständiges Fine-Tuning möglich | Vollständiges Fine-Tuning möglich |
| Transparenz | Modell als Blackbox | Gewichte offen, Trainingsdaten meist nicht | Gewichte, Daten und Code offen |
Beispiele und die Lizenzfrage
Der Markt für offene Modelle ist in den letzten Jahren stark gewachsen. Zu den bekannten Familien zählen Llama von Meta, die Modelle von Mistral, DeepSeek, Qwen von Alibaba sowie GLM. Diese Modelle lassen sich herunterladen und im eigenen Rechenzentrum oder bei einem europäischen Hoster betreiben — ein zentraler Baustein für KI-Souveränität.
Entscheidend ist der Blick auf die Lizenz, denn „offen" ist nicht gleich „frei". Das Lizenzspektrum reicht von permissiven Lizenzen wie Apache-2.0 oder MIT, die kommerzielle Nutzung und Weiterverbreitung weitgehend erlauben, bis zu individuellen Community-Lizenzen einzelner Anbieter, die etwa Nutzungsobergrenzen, Namensnennung oder Einschränkungen bei bestimmten Anwendungsfällen vorsehen. Wir finden in Projekten regelmäßig, dass die Lizenz sorgfältiger geprüft werden muss als die reine Modellqualität — sie entscheidet darüber, ob ein Modell im konkreten Einsatzszenario überhaupt verwendet werden darf.
Warum Open Weights im Unternehmen zählen
Der praktische Reiz offener Modelle liegt in der Kontrolle. Weil das Modell lokal läuft, ermöglicht Self-Hosting volle Hoheit über sämtliche Datenflüsse — sensible Inhalte müssen das eigene Netz nie verlassen. Gleichzeitig entfällt die tokenbasierte Abrechnung des Anbieters und damit ein wesentlicher Faktor für Vendor-Lock-in. Und weil die Gewichte zugänglich sind, wird echtes Fine-Tuning auf firmeneigene Daten und Fachterminologie möglich, statt nur über System Prompts nachzujustieren.
Diesen Vorteilen stehen praktische Voraussetzungen gegenüber. Offene Modelle brauchen eigene Infrastruktur, in der Regel GPUs, und deren Betrieb will geplant sein. Hier hilft Quantisierung: Sie reduziert den Speicherbedarf, sodass sich auch größere Modelle auf vergleichsweise moderater Hardware betreiben lassen. In der Praxis führt das zu einer hybriden Strategie — proprietäre Modelle für anspruchsvolle Reasoning-Aufgaben, offene Modelle für datensensible oder kostenintensive Arbeitslasten, bei denen Vertraulichkeit und Kostenkontrolle im Vordergrund stehen.
Relevanz für KMUs
Für den Mittelstand sind Open-Weights-Modelle heute eine realistische Option, kein Laborthema mehr. Sie erlauben es, KI dort einzusetzen, wo Daten das Haus nicht verlassen dürfen — etwa bei Personal-, Vertrags- oder Gesundheitsdaten — ohne sich dauerhaft an einen einzelnen Cloud-Anbieter zu binden. Wichtig ist ein klarer Blick auf beide Seiten: Dieselbe Offenheit, die Souveränität ermöglicht, senkt zugleich die Hürde für Missbrauch, weil offen verfügbare Modelle auch ohne Anbieter-Schutzschicht betrieben werden können — ein Aspekt, den wir in unserem Beitrag zu offenen Modellen und der Bedrohungslage ausführlicher beleuchten. Der pragmatische Weg für viele Unternehmen ist deshalb eine bewusste Kombination aus proprietären und offenen Modellen, abgestimmt auf Schutzbedarf, Budget und vorhandene Infrastruktur.