Open-Weight-Modelle haben die besten öffentlich bewerteten Closed-Frontier-Modelle innerhalb von etwa vier Monaten eingeholt, und die Lücke zwischen ihnen ist nur noch volatiler geworden.
Das verwandelt das Rennen zwischen offener und geschlossener KI in eine zunehmend wichtige kommerzielle Frage. Wenn offene Modelle die Leistungsfähigkeit von Frontier-Modellen annähernd erreichen und Unternehmen gleichzeitig mehr Kontrolle über ihre Daten, Infrastruktur und Anpassungen geben – wofür zahlen Unternehmen dann noch an die Frontier-Labs? Und wo entsteht letztlich der Mehrwert?
Um die Landschaft zu verstehen, hilft es, zunächst zu klären, was wir unter offenen und geschlossenen Modellen verstehen. Offenheit existiert auf einem Spektrum, von vollständig offenen Modellen, die Nutzer herunterladen und frei modifizieren können, bis hin zu Open-Weight-Modellen mit unterschiedlichen Einschränkungen. Geschlossene Modelle halten ihre Gewichte privat und kontrollieren den Zugriff.
Für Unternehmen, die entscheiden, auf welchen Modellen sie aufbauen, gehen die Unterschiede über Leistung und Preis hinaus.
Palantir-CEO Alex Karp hat gewarnt, dass Unternehmen riskieren, ihre „Alpha“, also das proprietäre Wissen und die Prozesse, die ihr Geschäft auszeichnen, an Anbieter von Frontier-Modellen abzutreten.
Satya Nadella machte einen ähnlichen Punkt in einem Essay auf X: „Du zahlst im Wesentlichen zweimal für Intelligenz: einmal mit Geld und ein weiteres Mal mit etwas noch Wertvollerem: dem proprietären Wissen, das du offenlegen musst, um diese Intelligenz nützlich zu machen. Je besser das Modell performen soll, desto mehr dieses Wissens musst du ihm füttern!“
Beides sind Warnungen vor strategischer Abhängigkeit und helfen zu erklären, warum immer mehr Unternehmen offene Modelle erkunden.
Trotz der Bedenken, proprietäres Wissen preiszugeben, zeigen die Beweise, dass Unternehmen weiterhin bereit sind, für Frontier-Leistung zu bezahlen, selbst wenn die besten Open-Weight-Modelle nur wenige Monate hinterherhinken. Die Umsätze der Frontier-Labs beschleunigen sich weiter, auch wenn sich die Token-Ausgaben auf eine viel breitere Palette von Modellen verteilen.
Führende Unternehmen nutzen beide Ansätze: Sie wählen offene Modelle für Anpassung und Kontrolle und geschlossene Frontier-Modelle, wenn sie die höchstmögliche Leistung benötigen. Einige haben durch die Zuordnung verschiedener Modelle zu den am besten geeigneten Workflows mehrere Male höhere Effizienzgewinne und dramatische Kosteneinsparungen gemeldet. Wir behandeln einige dieser Beispiele im folgenden Deep Dive.
Einige Modellentwickler verfolgen ebenfalls beide Ansätze. Google hat Gemini und Gemma, während Meta Muse Spark und Llama hat. Warum hält man ein Modell geschlossen und gibt ein anderes kostenlos heraus? Und wenn offene Modelle zum kostenlosen Download verfügbar sind, welche Bedingungen sind damit verknüpft? Wie konkurrieren ihre Entwickler finanziell mit geschlossenen Labs?
Unser 99-seitiger Deep Dive untersucht die Ökonomie hinter diesen Entscheidungen und wie sie beeinflussen könnten, wer die KI-Gewinne einfährt und welche Unternehmen ihre Preismacht bewahren können, während die Nutzung von KI immer günstiger wird.
Der vollständige Bericht enthält außerdem:
- Ob Frontier-Labs die Kosten für ihre Führungsposition aufrechterhalten können, während chinesische Wettbewerber die Preise drücken.
- Die fünf Faktoren, auf denen Modelle konkurrieren, und die jeweiligen Kompromisse, die jeder erfordert.
- Die drei Orte, an denen ein Modell laufen kann, und wie sich die Branche darauf verteilt.
- Eine Fallstudie, die bis zu 12-fach höhere Engineering-Effizienz und über 20-fache Kosteneinsparungen berichtet.
- Warum NVIDIA und Samsung in Open Weights investieren und wo die Renditen herkommen könnten.
Ich hoffe, du genießt die Lektüre und lass mich wissen, was du denkst, in unserer Gruppe:
