Open-Source-KI vs. proprietäre KI

Der Unterschied lässt sich mit einem Firmenfahrzeug vergleichen: Proprietäre KI ist wie ein Leasingwagen – ihr nutzt ihn nach festen Konditionen, der Hersteller kümmert sich um Wartung und Updates, aber ihr habt keinen Zugriff unter die Motorhaube. Open-Source-KI ist wie ein Fahrzeug, das euch gehört: Ihr könnt es öffnen, anpassen, reparieren – müsst euch aber auch selbst um Wartung und TÜV kümmern.

Rechtlich macht die Lizenzform tatsächlich einen Unterschied – allerdings mit Einschränkungen. Der EU AI Act nimmt frei lizenzierte KI-Systeme laut Artikel 2 von einem Teil der Pflichten aus, etwa wenn sie nicht als Hochrisiko-System eingesetzt werden und nicht unter verbotene Praktiken (Art. 5) oder Transparenzpflichten (Art. 50) fallen. Fachjuristen weisen darauf hin, dass diese Ausnahme in der Praxis nur begrenzte Wirkung entfaltet, weil die meisten Pflichten ohnehin Anbieter von Hochrisiko-Systemen betreffen. Bei General-Purpose-KI-Modellen ist die Ausnahme enger gefasst: Sie befreit nur von zwei konkreten Pflichten – technischer Dokumentation und Informationsweitergabe an nachgelagerte Anbieter – und gilt nicht, wenn das Modell ein systemisches Risiko darstellt.

Was als 'offen' gilt, ist dabei nicht immer eindeutig. Manche Anbieter nennen ihre Modelle open-source, schränken die kommerzielle Nutzung in der Lizenz aber trotzdem ein. Die Open Source Initiative veröffentlichte im Oktober 2024 die 'Open Source AI Definition 1.0'. Sie verlangt vollständigen Trainings- und Inferenzcode sowie ausführliche, nachvollziehbare Informationen über die Trainingsdaten – nicht zwingend die Rohdaten selbst, etwa wenn diese rechtlich nicht weitergegeben werden dürfen.

Die Wahl zwischen offener und proprietärer KI betrifft vor allem drei Prozesse: Datenverarbeitung, Kostenplanung und IT-Betrieb. Wer sensible Kundendaten oder Konstruktionspläne verarbeitet, gewinnt mit einem offenen, selbst gehosteten Modell mehr Kontrolle darüber, wo Daten liegen und wer Zugriff hat – das senkt das Risiko ungewollter Datenabflüsse an Drittanbieter.

Proprietäre Lösungen sparen dagegen Zeit beim Einstieg: keine eigene Serverinfrastruktur, kein Modell-Update-Management, dafür laufende Nutzungskosten und Abhängigkeit vom Anbieter. Für Betriebe ohne eigene IT-Abteilung ist das oft der pragmatischere Start, während offene Modelle sich eher lohnen, wenn Datenschutzanforderungen hoch sind oder das Nutzungsvolumen stark wächst.

Die Kosten hängen stark vom Nutzungsmuster ab, nicht von der Lizenzform allein. Proprietäre APIs rechnen meist nach Menge ab (Anfragen, Tokens) – planbar bei geringem Volumen, aber bei intensiver Nutzung schnell teuer. Offene Modelle verursachen keine Lizenzgebühren, dafür Kosten für Server oder Cloud-Rechenleistung, Betrieb und gelegentliche Anpassung (Fine-Tuning).

Einflussfaktoren für eure Entscheidung: erwartetes Anfragevolumen, Anforderungen an Datenschutz und Serverstandort, vorhandene IT-Kompetenz im Betrieb und ob ihr das Modell an eure Fachsprache anpassen wollt. Ein erster Testaufbau – etwa ein einzelner Anwendungsfall zum Festpreis ab 3.500 € (AI READY) – zeigt meist innerhalb weniger Wochen, welche Variante zu eurem Betrieb passt, bevor größere Investitionen anstehen.

Ein Maschinenbauer mit 60 Mitarbeitenden in Schleswig-Holstein will interne Dokumentation automatisch zusammenfassen lassen. Die IT-Leitung testet zunächst eine proprietäre API (schneller Start, laufende Kosten pro Anfrage), parallel ein offenes Modell auf einem eigenen Server (höhere Anfangsinvestition, aber volle Kontrolle über die Daten). Nach einem Monat entscheidet sich der Betrieb für die offene Lösung, weil Konstruktionspläne das Haus nicht verlassen dürfen – ein Kriterium, das in der Kalkulation von Anfang an mitgedacht wurde.