Open Source LLMs: Transparenz, Kontrolle und Investitionsschutz

«For the most part don't really work – and are not smart.»

Das sagte Satya Nadella, CEO von Microsoft, intern über seine eigenen Copilot-Integrationen. Quelle: The Information, 28. Dezember 2025.

Nicht ein Kritiker. Nicht ein Konkurrent. Der CEO des Unternehmens, das seit 2023 Milliarden in OpenAI und KI investiert hat.

Das ist der Ausgangspunkt dieses Beitrags.

Was Open Source und Open Weight bei LLMs bedeutet

In der Softwarewelt bedeutet Open Source: Der Quellcode ist öffentlich einsehbar, veränderbar und weitergebbar. Bei KI-Modellen ist das komplexer – und die Begriffe werden oft verwechselt.

Open Source bei einem LLM bedeutet im engsten Sinn: Trainingscode, Trainingsdaten und Modellgewichte sind vollständig offengelegt. Echte Open-Source-Modelle in diesem Sinn sind selten.

Open Weight bedeutet: Die trainierten Gewichte – vereinfacht gesagt das "Gehirn" des Modells – sind öffentlich zugänglich und dürfen lokal betrieben werden. Der Trainingsprozess selbst muss nicht vollständig dokumentiert sein. Die meisten Modelle, die umgangssprachlich als "Open Source" gelten, sind eigentlich Open Weight.

Bekannte Open-Weight-Modelle: Llama (Meta), Gemma (Google), Phi (Microsoft), Mistral (in Teilen) und Apertus (Schweizer Initiative). Tools wie Ollama oder LM Studio installieren sie direkt auf dem eigenen Rechner oder Server – ohne Cloud-Upload, ohne Abo.

Der entscheidende Unterschied zu proprietären Modellen wie GPT-5.5, Claude oder Gemini: Du hast das Modell in deinem Besitz.

Das Blackbox-Problem

Bei geschlossenen Modellen von OpenAI, Anthropic oder Google weiss man nicht:

• Womit es trainiert wurde. Urheberrechtliche Fragen sind ungeklärt. Mehrere Klagen laufen in den USA. Die Anbieter kommunizieren ihre Trainingsdaten selektiv.

• Wie es gewichtet ist. Jedes Modell hat einen System-Prompt und interne Optimierungen – zu wessen Gunsten, ist nicht transparent.

• Was mit den eingegebenen Daten passiert. Pro-Lizenzen schliessen Training auf deinen Chats aus – das steht in den AGBs. Ob es wirklich so gehandhabt wird, lässt sich von aussen nicht überprüfen.

• Was der US Cloud Act bedeutet. US-Behörden können bei berechtigtem Verdacht auf Server US-amerikanischer Unternehmen zugreifen – auch wenn die Server in Europa stehen. Bei Anthropic, OpenAI und Google ist das rechtlich relevant.

Kurz: Man schickt Daten in eine Blackbox und muss darauf vertrauen, dass nichts damit passiert. Dieses Vertrauen ist nicht irrational – aber es ist eben nur Vertrauen.

Open Weight in der Praxis: Apertus als Schweizer Beispiel

Apertus ist eine Schweizer LLM-Initiative mit einem für die Branche ungewöhnlichen Ansatz: Das Modell wurde bewusst nur auf copyright-sicherem Material trainiert. Nachrichtenartikel wurden weggelassen – nicht wegen Qualitätsproblemen, sondern weil Tests zeigten: Das Modell war ohne News-Artikel gleichwertig performant. Eine Entscheidung, die sich dokumentieren lässt.

Das ist der Unterschied zu einer Blackbox: Man kann nachvollziehen, was im Modell steckt und was nicht.

Version 1 erreichte Llama-Niveau. Version 1.5 (8B Parameter) kommt im Mai 2026.

Wer Apertus auf einem Schweizer Server oder intern betreibt, weiss exakt: Die Daten verlassen den definierten Perimeter nicht. Kein Cloud Act. Keine AGB-Klauseln. Keine Abhängigkeit vom Wohlwollen eines US-Konzerns.

Investitionsschutz: Drei Szenarien, die du einplanen solltest

Geopolitik. In einem Handelskonflikt kann die US-Regierung entscheiden, dass bestimmte Branchen oder Länder keinen Zugang mehr zu US-KI-Diensten haben. Das klingt abstrakt – ist aber rechtlich möglich und wurde in anderen Technologiebereichen (Chips, Software) bereits angewendet. Ein lokal betriebenes Open-Weight-Modell kann davon nicht berührt werden.

Anbieter-Instabilität. Die Bewertungen der grossen KI-Anbieter sind historisch hoch. Wie lange Investoren die laufenden Verluste mitfinanzieren, ist ungewiss – besonders bei Unternehmen wie OpenAI, deren Finanzierungsstruktur und Bewertung von 340 Milliarden USD auf sehr optimistischen Wachstumsannahmen basiert. Google und Anthropic sind nachhaltiger aufgestellt – aber auch bei Cloud-Anbietern gilt: Produkte werden eingestellt, Preise ändern sich, APIs werden deprecated. Wer seinen KI-Workflow auf einem externen Dienst aufbaut, muss kontinuierlich nachziehen.

Vendor Lock-in. Jede Anpassung, jede Integration, jeder Workflow, den du auf einem proprietären Modell aufbaust, ist an dessen Fortbestand gebunden. Ein lokal betriebenes Open-Weight-Modell lässt sich austauschen, wann du willst – ohne Datenmigration, ohne Vertragskündigung.

Copilot: Ein Sonderfall mit doppelter Abhängigkeit

Microsoft Copilot hat strukturell zwei Probleme, die andere Cloud-Modelle nicht haben.

Erstens: Doppelabhängigkeit. Copilot ist eine Microsoft-Schicht über OpenAI-Modellen. Man ist also gleichzeitig von Microsoft und von OpenAI abhängig – mit allen Risiken beider Anbieter.

Zweitens: Systembedingte Einschränkungen. Copilot ist nicht dasselbe wie direkter Zugang zu GPT-5.5. Copilot routet komplexe Anfragen zu GPT-5.5, einfache Anfragen zu GPT-5.3 Instant oder GPT-4o – die Modellwahl liegt bei Microsoft, nicht beim Nutzer. System-Prompts, Guardrails und die Integration in Microsoft 365 verändern das Modellverhalten zusätzlich. Wer ChatGPT direkt nutzt, hat in der Regel mehr Spielraum und bessere Ergebnisse bei denselben Aufgaben.

Die Zahlen bestätigen das:

3,3 % der rund 450 Millionen Microsoft-365-Kunden zahlen für Copilot. Das entspricht etwa 15 Millionen Seats – bei Milliarden-Investitionen in Marketing und Integration. (Quelle: Piper Sandler / myBusinessFuture, Februar 2026)

5 % der Unternehmen, die einen Copilot-Pilot starten, gehen danach zu einem grösseren Deployment über. 95 % bleiben in der Pilotphase stecken – weil Business Case oder Datenqualität nicht ausreichen. (Quelle: Gartner, Juli 2024)

–24 beträgt der Accuracy Net Promoter Score von Copilot. Nutzer:innen misstrauen den Antworten mehr als sie ihnen vertrauen. Ein negativer NPS bedeutet: Mehr Nutzer:innen empfehlen das Produkt aktiv ab als es weiterzuempfehlen. (Quelle: Recon Analytics, September 2024)

Satya Nadella nannte es intern «for the most part don't really work – and are not smart». Die Zahlen geben ihm recht.

Fazit: Was du bei der Modellwahl wirklich abwägst

Proprietäre Cloud-Modelle wie Claude, ChatGPT oder Gemini sind leistungsstark, schnell einsatzbereit und werden aktiv weiterentwickelt. Für viele Use Cases ist das die richtige Wahl.

Aber wer mit sensiblen Daten arbeitet, in regulierten Branchen tätig ist oder langfristig auf KI aufbauen will, sollte drei Fragen stellen:

1. Kontrolle: Weiss ich, was mit meinen Daten passiert?

2. Nachvollziehbarkeit: Kann ich das Modellverhalten verstehen und prüfen?

3. Investitionsschutz: Bin ich abhängig von einem Anbieter, dessen Fortbestand ich nicht beeinflussen kann?

Open-Weight-Modelle geben auf alle drei Fragen eine klarere Antwort als jedes proprietäre System.

Das macht sie nicht automatisch zur besseren Wahl – aber zu einer, die man kennen sollte.

Was kommt als Nächstes

Jetzt sind die Grundlagen da: Welches LLM, welches Modell, welche Lizenz – und was Kontrolle über das Modell wirklich bedeutet. Im nächsten Beitrag geht es darum, wie du Claude mit deinen eigenen Tools verbindest: Konnektoren, MCP und wie ein Wording-Skill entsteht, der deinen Schreibstil in jeden Output überträgt.

→ Konnektoren, MCP und der eigene Wording-Skill