27.06.26

Mitte Juni 2026 wurde sichtbar, wie dünn manche digitale KI-Abhängigkeit geworden ist. Anthropic setzte den Zugriff auf Claude Fable 5 und Mythos 5 aus, nachdem die US-Regierung den Zugang aus Gründen der nationalen Sicherheit und Exportkontrolle eingeschränkt hatte. Die Direktive zielte vor allem auf den Zugang ausländischer Staatsangehöriger. Für die Betroffenen war das kein technisches Problem. Es war ein geschäftliches Risiko für alle, die direkt auf die neuen Modelle gesetzt hatten.

Viele Unternehmen behandeln KI noch wie eine Softwareentscheidung … Welches Modell ist besser? Welche API ist schneller? Welcher Anbieter liefert die besten Ergebnisse? Aber bei KI geht es inzwischen nicht mehr nur um Leistungsfähigkeit. Es geht um Verfügbarkeit, Kontrolle, Rechte, Kosten, Haftung und Abhängigkeit.

Der Vorfall um Anthropic ist deshalb mehr als eine Nachricht aus der Tech-Branche. Er zeigt, was passieren kann, wenn wichtige und kritische Prozesse auf Diensten aufbauen, die politisch, regulatorisch oder kommerziell von einem Tag auf den anderen eingeschränkt werden können. Die Alternative ist ein Open-Weight-Modell, doch dazu gibt es einiges zu beachten.

Open Weight ist nicht Open Source

In der Debatte wird vieles durcheinandergeworfen. Open Source, Open Weight, offene Modelle, lokale KI – das klingt ähnlich, meint aber nicht dasselbe.

Open Weight bedeutet zunächst nur, dass die trainierten Modelle herunterladbar sind, angepasst oder lokal betrieben werden können (abhängig von der jeweiligen Lizenz). Das ist nicht automatisch Open Source im klassischen Sinn. Bei echtem Open Source liegt im Idealfall alles offen, was die Entstehung nachvollziehbar macht. Die angewandten Trainingsdaten, Trainingscode, Auswahlverfahren und Sicherheitsmechanismen bleiben bei Open-Weight-Modellen weiterhin geschlossen oder nur teilweise dokumentiert.

Gut ist, dass Open-Weight-Modelle wie DeepSeek, Qwen, Llama, Mistral oder Gemma in vielen Aufgabenfeldern stark aufgeholt haben. Teilweise sind sie wirtschaftlich sogar klar überlegen, besonders bei hohem Volumen und sensiblen Daten. Bei sehr komplexen Aufgaben und langen mehrstufigen Arbeitsketten haben die großen geschlossenen Modelle (ChatGPT, Gemini, Claude) noch Vorteile. Dieser Abstand wird kleiner, ist aber nicht verschwunden.

Souveränität

Es wäre natürlich bequem zu sagen: „Dann betreiben wir eben ein eigenes Modell und sind unabhängig“. So einfach ist es leider nicht.
Ein lokal betriebenes Modell ist erst einmal nur ein Baustein. Es braucht Infrastruktur, Rechteverwaltung, Monitoring,

Sicherheitskonzept, Prompt- und Kontextsteuerung, Schnittstellen, Evaluation, Updates und klare Verantwortlichkeiten. Ohne diese entsteht keine Souveränität, sondern nur eine neue Form von technischer Komplexität, die schnell unübersichtlich und ineffizient werden kann.

Ein Modell ersetzt keine Arbeitsumgebung. Es ersetzt auch keine Governance. Und es ersetzt schon gar nicht die Fähigkeit, saubere Daten, sinnvolle Prozesse und klare Verantwortlichkeiten aufzubauen. Wer nur das Modell betrachtet, verwechselt den Motor mit dem Fahrzeug.

Wenn offene Modelle heute so leistungsfähig sind, warum zahlen Unternehmen weiterhin für Microsoft Copilot, Google Gemini oder Claude Enterprise? Weil Unternehmen im Alltag keine Modelle kaufen. Sie kaufen Integration.

Microsoft 365 Copilot ist nicht nur ein Chatfenster. Der Nutzen entsteht durch die Einbettung in Outlook, Teams, Word, Excel, PowerPoint, SharePoint und den Microsoft Graph. Wenn Berechtigungen sauber gepflegt sind, kann Copilot auf genau die Informationen zugreifen, die der jeweilige Nutzer ohnehin sehen darf.

Ein eigenes Open-Weight-System muss diese Logik erst nachbauen
Wer darf welche Dokumente sehen? Welche Daten dürfen in welchen Kontext? Welche Inhalte müssen ausgeschlossen werden? Welche Quellen sind aktuell? Welche Antworten müssen protokolliert werden? Welche Ergebnisse dürfen weiterverarbeitet werden?

Dazu kommt der rechtliche und organisatorische Rahmen. Microsoft verweist bei Copilot auf Enterprise Data Protection und darauf, dass Kundendaten in geschäftlichen Angeboten nicht zum Training der Basismodelle verwendet werden. Außerdem gibt es das Customer Copyright Commitment. Eine vertragliche Zusage, Kunden unter bestimmten Bedingungen bei urheberrechtlichen Ansprüchen zu schützen. Google verfolgt mit seinen Enterprise-Angeboten ähnliche Absicherungsmodelle.

Das eigentliche Risiko sitzt im Prozess

Es geht nicht um Open Weight gegen Copilot. Es geht um die Frage, welche Prozesse ein Unternehmen kontrollieren muss und welche es sinnvoll einkauft.

Für den normalen Büroalltag ist Copilot oft die naheliegende Lösung. E-Mails zusammenfassen, Besprechungen verdichten, Präsentationen vorbereiten, Dokumente durchsuchen, Tabellen analysieren – das sind Aufgaben, bei denen Integration mehr zählt als maximale Freiheit.

Für kritische Kernprozesse sieht es anders aus. Dort, wo Kundendaten, Produktwissen, interne Entscheidungsgrundlagen, Quellcode, vertrauliche Dokumente oder regulatorisch sensible Informationen verarbeitet werden, ist eine eigene KI-Architektur die bessere Wahl. Nicht aus Prinzip, sondern weil Kontrolle dort einen wirtschaftlichen Wert hat.

Ein Kundenservice-Bot mit Zugriff auf interne Wissensdatenbanken ist ein anderes Thema als eine Zusammenfassung in Teams. Eine automatisierte Dokumentenprüfung in einer Kanzlei ist ein anderes Thema als eine Ideenliste für eine Kampagne. Ein KI-System, das Produktdaten strukturiert und in operative Prozesse einspeist, ist ein anderes Thema als ein Chatassistent für einzelne Mitarbeiter.

Und genau hier wird sichtbar, warum das keine reine Modellfrage ist. Eine eigene RAG-Pipeline, die internes Wissen anzapft, steht und fällt nicht mit der Wahl des Modells, sondern mit der Arbeit drumherum. Wer darf welche Quelle sehen, wie aktuell sind die Daten, was wird protokolliert? Die Modellauswahl ist da oft der kleinste Posten. Der Motor ist schnell gewechselt. Das Fahrzeug drumherum nicht.

Die sinnvolle Strategie ist hybrid

Für 2026 halte ich eine hybride KI-Strategie für den realistischsten Weg. Nicht als Kompromiss aus Unsicherheit, sondern als bewusste Architekturentscheidung.

Open-Weight-Modelle gehören dorthin, wo Datenhoheit, Kostenkontrolle, Anpassbarkeit und Sicherheit wichtig sind. Dazu zählen internes Wissen, wiederkehrende Analyseaufgaben, Extraktion aus Dokumenten, Verarbeitung sensibler Daten, lokale Assistenzsysteme oder spezialisierte Modelle für Branchenwissen.

Am Ende gewinnt nicht das Unternehmen, das am lautesten „Open Source“ ruft. Und auch nicht das Unternehmen, das blind jede Plattformfunktion einkauft. Im Vorteil ist, wer klar unterscheiden kann: Was gehört in die eigene Kontrolle? Was kann in ein großes Ökosystem? Was muss austauschbar bleiben?

ZURÜCK