Das Kostenproblem der KI-Branche wird immer schwerer zu ignorieren. Unternehmen, die sich beeilt haben, auf den leistungsstärksten Modellen von OpenAI, Anthropic und Google DeepMind aufzubauen, sehen sich nun mit Rechnungen konfrontiert, die außer Kontrolle geraten können – und eine wachsende Zahl von ihnen wendet sich Open-Source-KI-Modellen als dem nachhaltigeren Weg in die Zukunft zu. Dieser Wandel, der zunächst zögerlich war, ist inzwischen so deutlich sichtbar, dass Amazons oberster Technologe ihn öffentlich hervorhebt.
Summary
Wichtigste Erkenntnisse
- Amazon-CTO Werner Vogels sagte, dass Unternehmen zunehmend auf günstigere Open-Source-KI-Modelle umsteigen, um die steigenden KI-Kosten zu kontrollieren.
- Uber hat sein gesamtes KI-Budget für 2026 in nur vier Monaten aufgebraucht und Berichten zufolge in einem einzigen Monat eine halbe Milliarde Dollar ausgegeben.
- Open-Source-Modelle sind in der Regel kostenlos herunterzuladen; Nutzer zahlen nur für die Cloud-Infrastruktur, was sie oft günstiger macht als proprietäre Alternativen.
- Amazon hat auf dem UN-Gipfel „AI for Good“ ein neues Open-Source-KI-Tool vorgestellt, das Forschern hilft, mit natürlicher Sprache in über 1.100 wissenschaftlichen Datensätzen zu suchen.
- Transparenz in Bezug auf KI-Trainingsdaten entwickelt sich in den Bereichen Gesundheitswesen, Regierung und humanitäre Arbeit zu einer unverzichtbaren Anforderung.
Steigende KI-Kosten treiben den Wechsel zu Open-Source-Modellen voran
Am Rande des UN-Gipfels „AI for Good“ am 10. Juli 2026 brachte Werner Vogels, Chief Technology Officer von Amazon, es auf den Punkt: „Wir sehen eine Verschiebung zwischen den günstigeren Open-Source-Modellen und den großen, teuren Modellen.“ Es war ein offenes Eingeständnis, dass der KI-Goldrausch seinen Preis hat – und viele Unternehmen nicht mehr bereit sind, ihn bedingungslos zu zahlen.
Teure proprietäre Modelle von Branchenführern
Die Flaggschiff-Modelle von OpenAI, Anthropic und Google DeepMind stehen an der Spitze der Leistungsrankings. Doch Leistung im großen Maßstab geht mit einer Kostenstruktur einher, die mehr als nur einige Organisationen kalt erwischt hat. Diese Systeme rechnen nach Token ab, was bedeutet, dass die Kosten schnell steigen, wenn die Nutzung über Teams und Produkte hinweg zunimmt.
Die deutlichste Veranschaulichung dafür lieferte Uber. Das Unternehmen hat Berichten zufolge sein gesamtes KI-Budget für 2026 in nur vier Monaten aufgebraucht – und laut Berichten in einem einzigen Monat rund eine halbe Milliarde Dollar ausgegeben, nachdem es versäumt hatte, die KI-Nutzung für Mitarbeitende zu begrenzen. Eine solche Ausgabenentwicklung zwingt selbst große Organisationen dazu, ihren Ansatz schnell neu zu bewerten.
Vogels stellte dies eher als Architekturfrage denn als rein finanzielle Frage dar. „Kosten sind ein sehr wichtiger Teil Ihrer Architektur, Sie müssen das berücksichtigen“, sagte er. „Brauchen Sie wirklich das größte, hochwertigste Modell, um dieses Problem zu lösen? Die Antwort ist nein, brauchen Sie nicht.“
Kostenvorteile von Open-Source-KI-Modellen
Open-Source-Modelle – manchmal auch Open-Weight-Modelle genannt – können in der Regel kostenlos heruntergeladen werden. Die Hauptkosten entstehen durch die Cloud-Computing-Infrastruktur, die für ihren Betrieb erforderlich ist. Dieses Setup ist oft deutlich günstiger, als laufende tokenbasierte Gebühren an proprietäre Anbieter zu zahlen, insbesondere im großen Maßstab.
Der Kostenvorteil ist nicht marginal. Laut Daten von OpenRouter, einer Entwicklerplattform, die den Zugriff auf mehrere KI-Modelle bündelt, können chinesische Open-Source-Modelle 60 % bis 90 % günstiger sein als führende Alternativen von Anthropic und OpenAI. Diese Lücke hilft zu erklären, warum der Anteil der von US-Unternehmen über OpenRouter auf chinesischen KI-Modellen genutzten Tokens auf bis zu 46 % gestiegen ist – gegenüber einem Durchschnitt von nur 11 % in den vorangegangenen 12 Monaten.
Der Trend dreht sich nicht nur um Kostensenkung. Wie Peter Fenton von Benchmark, ein Investor in das Open-Source-KI-Entwicklertool Ollama, es ausdrückte: Jedes Unternehmen mit hohen Inferenzkosten hat ein „vitales existenzielles Projekt“, das es in Richtung Open-Weight-Modelle drängt. Ollama selbst, das Entwicklern hilft, Open-Weight-Modelle lokal auszuführen, verzeichnet inzwischen fast 9 Millionen monatlich aktive Nutzer und ist in 85 % der Fortune-500-Unternehmen vertreten – ein Zeichen dafür, wie sehr dieser Wandel im Mainstream angekommen ist.
Amazon-CTO betont Transparenz und Pragmatismus bei der KI-Einführung
Das Kostenargument allein erfasst nicht das gesamte Bild. Jenseits der Wirtschaftlichkeit verändert sich etwas Strukturelles in der Art und Weise, wie Organisationen über die von ihnen eingesetzte KI nachdenken.
Bemerkungen von Werner Vogels auf dem UN-Gipfel „AI for Good“
Neben der Kostendiskussion verwies Vogels auf eine zweite Kraft, die die KI-Beschaffung umgestaltet: die Forderung nach Transparenz. „Transparenz wird extrem wichtig“, sagte er auf dem Gipfel. „Die Menschen wollen wissen, welche Daten darin einfließen.“
Dies ist keine abstrakte Sorge. Unternehmen prüfen inzwischen nicht nur, was ein KI-Modell leisten kann, sondern auch, wie es aufgebaut wurde – mit welchen Daten es trainiert wurde, welche Verzerrungen möglicherweise eingebettet sind und wie seine Entscheidungen erklärt werden können. Diese Prüfung spiegelt eine breitere Reifung bei der Einführung von KI in Unternehmen wider: weg von der anfänglichen Hype-Phase hin zu einer nüchterneren Bewertung von KI-Transparenz und Data Governance.
Bedeutung von Vertrauen in sensiblen Bereichen
Das Transparenzgebot ist besonders ausgeprägt in Bereichen, in denen die Folgen einer falschen oder nicht erklärbaren KI-Ausgabe gravierend sind. Im Gesundheitswesen, in der Regierung und in der humanitären Arbeit kann es ebenso wichtig sein zu verstehen, wie ein System trainiert wurde, wie seine reine Leistungsfähigkeit. „Wenn diese Menschen vulnerable Gemeinschaften betreuen. Wenn sie dem System nicht vertrauen, werden sie es nicht nutzen“, sagte Vogels.
Open-Source-Modelle bieten hier einen strukturellen Vorteil. Da Entwickler den Code einsehen und ändern und Modelle leichter mit ihren eigenen proprietären Daten feinabstimmen können, entsprechen sie tendenziell besser den Transparenzanforderungen regulierter oder sensibler Umgebungen. Die Einschränkung ist jedoch real: Selbst die meisten Open-Weight-Anbieter legen nicht vollständig offen, auf welchen Daten das Modell ursprünglich trainiert wurde. Offenheit ist ein Spektrum, kein binärer Zustand.
Analytisch interessant an diesem Moment ist das Zusammenwirken zweier separater Zwänge – Kostendämpfung und Vertrauensanforderungen –, die beide in dieselbe Richtung weisen. Organisationen, die die hohen Kosten proprietärer Modelle in der Experimentierphase noch rechtfertigen konnten, stehen nun vor einer anderen Rechnung: Können sie das Vertrauen der Unternehmensführung in ihre KI-Investitionen aufrechterhalten, wenn die Kosten unvorhersehbar sind und die Herkunft der Trainingsdaten undurchsichtig ist? Für viele verändert die Antwort darauf ihren gesamten KI-Stack.
Neues Open-Source-Tool von Amazon soll wissenschaftliche Forschung stärken
Vogels hat auf dem Gipfel nicht nur die Richtung der Branche beschrieben – er kündigte auch einen konkreten Schritt in diese Richtung an. Ein neues Open-Source-KI-Tool von Amazon ist darauf ausgelegt, wissenschaftliche Daten deutlich besser zugänglich zu machen, mit einem besonderen Fokus auf Institutionen, denen die technischen Ressourcen großer Forschungsuniversitäten oder gut finanzierter Labore fehlen.
Integration mit dem AWS Registry of Open Data
Das Tool verbindet sich mit dem AWS Registry of Open Data, das mehr als 1.100 Datensätze großer wissenschaftlicher Organisationen wie NASA, NOAA und NIH beherbergt. Anstatt komplexe Datenkataloge zu durchforsten – ein Prozess, der zuvor Stunden in Anspruch nehmen konnte – können Forschende das Register nun mit einfacher natürlicher Sprache abfragen. Eine Wissenschaftlerin könnte etwa nach Satellitenbildern mit bestimmten Lizenzbedingungen fragen oder Genomik-Datensätze für eine bestimmte Population anfordern und relevante Ergebnisse erhalten, ohne die zugrunde liegende Datenarchitektur verstehen zu müssen.
Erleichterter Zugang für unterversorgte Institutionen
Die praktischen Auswirkungen auf die Forschung sind erheblich. Unterversorgte Institutionen – kleinere Universitäten, NGOs, öffentliche Gesundheitsbehörden in Entwicklungsregionen – hatten bei der Datensuche seit Langem strukturelle Nachteile. Der technische Aufwand bei der Arbeit mit großen wissenschaftlichen Registern begünstigt Institutionen mit eigenen Data Engineers. Indem das Tool diese Hürde durch die Suche in natürlicher Sprache senkt, eröffnet es den Zugang zu Datensätzen in Bereichen wie Klimawissenschaft und öffentlicher Gesundheit, die für nicht spezialisierte Teams zuvor schwerer zugänglich waren.
Gleichzeitig positioniert sich Amazon klar innerhalb des Open-Source-KI-Ökosystems, zu einem Zeitpunkt, an dem dieses Ökosystem ernsthaft Kapital und Talente anzieht. Die jüngste Series-B-Finanzierungsrunde von Ollama über 65 Millionen US-Dollar, die die Gesamtfinanzierung auf 88 Millionen US-Dollar erhöht, signalisiert, dass die Venture-Community Open-Source-KI-Tools als ein dauerhaftes Geschäftsmodell betrachtet – nicht nur als Übergangsphase, bevor proprietäre Modelle wieder die Oberhand gewinnen. Mit anderen Worten: Die Open-Source-Entwicklung hat inzwischen institutionellen Rückenwind, nicht nur Kostenlogik.
Die schwierigere Frage, die über all dem schwebt, ist, was mit der Leistungsobergrenze geschieht. Open-Source-Modelle holen zu den führenden proprietären Systemen auf, aber die komplexesten Aufgaben – jene, die die höchsten Modellkosten rechtfertigen – tendieren weiterhin zu geschlossenen, stark ausgestatteten Systemen. Unternehmen könnten letztlich hybride Stacks betreiben: Open-Source-Modelle für den Großteil ihrer Inferenzlast, mit proprietären Modellen, die für bestimmte, besonders kritische Aufgaben reserviert sind. Diese Architektur – und nicht ein sauberer Wechsel von dem einen zum anderen – könnte der Punkt sein, an dem die Branche tatsächlich landet.
FAQ
Warum wechseln Unternehmen zu Open-Source-KI-Modellen?
Unternehmen wechseln vor allem deshalb zu Open-Source-KI-Modellen, um die steigenden KI-Kosten zu senken. Proprietäre Modelle von Anbietern wie OpenAI und Anthropic rechnen nach Token ab, was im großen Maßstab zu unvorhersehbaren und sehr hohen Ausgaben führen kann. Open-Source-Modelle sind in der Regel kostenlos herunterzuladen; Nutzer zahlen nur für die Cloud-Infrastruktur, die für ihren Betrieb erforderlich ist – ein Arrangement, das sich insbesondere bei Einsätzen mit hohem Volumen oft deutlich günstiger gestaltet.
Welche Bedenken hebt der CTO von Amazon in Bezug auf KI-Transparenz hervor?
Amazon-CTO Werner Vogels betonte, dass Transparenz in Bezug auf KI-Trainingsdaten für die Einführung in Unternehmen zunehmend wichtig wird. Organisationen wollen wissen, welche Daten zum Training der von ihnen eingesetzten Modelle verwendet wurden. Dies ist besonders kritisch in Bereichen wie Gesundheitswesen, Regierung und humanitärer Arbeit, in denen Vertrauen in das System eine Voraussetzung für die tatsächliche Nutzung ist – insbesondere, wenn diese Systeme vulnerable Gemeinschaften betreuen.
Welchem Zweck dient das neue Open-Source-KI-Tool von Amazon?
Das Tool ermöglicht es Forschenden, im AWS Registry of Open Data zu suchen – das mehr als 1.100 Datensätze von Organisationen wie NASA, NOAA und NIH enthält – und zwar mit Anfragen in natürlicher Sprache statt über komplexe technische Kataloge. Ziel ist es, den Zeit- und Fachaufwand für das Auffinden relevanter wissenschaftlicher Datensätze zu verringern, mit einem besonderen Fokus darauf, diesen Zugang für unterversorgte Forschungseinrichtungen gerechter zu gestalten.
{„@context“:“https://schema.org“,“@type“:“FAQPage“,“mainEntity“:[{„@type“:“Question“,“name“:“Warum wechseln Unternehmen zu Open-Source-KI-Modellen?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Unternehmen wechseln vor allem deshalb zu Open-Source-KI-Modellen, um die steigenden KI-Kosten zu senken. Proprietäre Modelle von Anbietern wie OpenAI und Anthropic rechnen nach Token ab, was im großen Maßstab zu unvorhersehbaren und sehr hohen Ausgaben führen kann. Open-Source-Modelle sind in der Regel kostenlos herunterzuladen; Nutzer zahlen nur für die Cloud-Infrastruktur, die für ihren Betrieb erforderlich ist – ein Arrangement, das sich insbesondere bei Einsätzen mit hohem Volumen oft deutlich günstiger gestaltet.“}},{„@type“:“Question“,“name“:“Welche Bedenken hebt der CTO von Amazon in Bezug auf KI-Transparenz hervor?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Amazon-CTO Werner Vogels betonte, dass Transparenz in Bezug auf KI-Trainingsdaten für die Einführung in Unternehmen zunehmend wichtig wird. Organisationen wollen wissen, welche Daten zum Training der von ihnen eingesetzten Modelle verwendet wurden. Dies ist besonders kritisch in Bereichen wie Gesundheitswesen, Regierung und humanitärer Arbeit, in denen Vertrauen in das System eine Voraussetzung für die tatsächliche Nutzung ist – insbesondere, wenn diese Systeme vulnerable Gemeinschaften betreuen.“}},{„@type“:“Question“,“name“:“Welchem Zweck dient das neue Open-Source-KI-Tool von Amazon?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Das Tool ermöglicht es Forschenden, im AWS Registry of Open Data zu suchen – das mehr als 1.100 Datensätze von Organisationen wie NASA, NOAA und NIH enthält – und zwar mit Anfragen in natürlicher Sprache statt über komplexe technische Kataloge. Ziel ist es, den Zeit- und Fachaufwand für das Auffinden relevanter wissenschaftlicher Datensätze zu verringern, mit einem besonderen Fokus darauf, diesen Zugang für unterversorgte Forschungseinrichtungen gerechter zu gestalten.“}}]}
Artikel mit Unterstützung künstlicher Intelligenz erstellt und von der Redaktion überprüft.
