Open Source, Open Weights und die Lizenz dazwischen
Herunterladbar ist nicht automatisch offen. Lokal ist nicht automatisch sicher. Und Apache 2.0 ist etwas anderes als eine eigene Community-Lizenz.
KI-Inhalte verändern sich schnell. Nächster planmäßiger Audit: 31.08.2026.
Offenheit hat mehrere Schichten: Gewichte, Code, Architektur, Trainingsinformationen, Daten, Nutzungsrechte und Governance. Wer nur eine davon sieht, überschätzt seine Unabhängigkeit.
Open-Weight-Modelle schaffen echte Wahlfreiheit. Gleichzeitig unterscheiden sich Lizenzen, Dokumentation und Reproduzierbarkeit stark. Der AI Act knüpft Ausnahmen für freie und quelloffene GPAI-Modelle an mehr Bedingungen als nur öffentlich verfügbare Parameter.
Open Weights ist die präzise Mindestbeschreibung
Sind Modellparameter öffentlich verfügbar, kann man sie laden und – abhängig von der Lizenz – selbst betreiben oder anpassen. Das ist technisch und wirtschaftlich wichtig. Es sagt noch nicht, dass Trainingsdaten, Trainingscode oder vollständige Entwicklungsprozesse offenliegen.
Open Source AI ist mehrschichtig
Bei klassischer Software beschreibt Open Source vor allem Quellcode und Lizenzrechte. Bei KI kommen Gewichte, Daten, Architektur, Trainingsverfahren und Evaluation hinzu. Deshalb verwenden Anbieter den Begriff unterschiedlich. Für eine Beschaffung zählt nicht das Label, sondern die konkrete Liste verfügbarer Artefakte und Rechte.
Der AI Act formuliert konkrete Bedingungen
Artikel 53 verbindet bestimmte Ausnahmen für freie und quelloffene GPAI-Modelle mit einer Lizenz, die Zugriff, Nutzung, Änderung und Verteilung erlaubt, sowie öffentlich verfügbaren Parametern, Architektur- und Nutzungsinformationen. Für Modelle mit systemischem Risiko gelten Ausnahmen nicht in gleicher Weise. Das ist keine pauschale Rechtsfreistellung für Anwender.
Self-hosting verschiebt Verantwortung
Beim Cloudanbieter liegen Skalierung, Patches und ein Teil der Sicherheit beim Dienst. Beim Eigenbetrieb erhältst du Kontrolle und übernimmst Hardware, Zugriffsschutz, Updates, Monitoring, Backups und Reaktion auf Schwachstellen. Datenhoheit ohne Betriebsfähigkeit ist nur ein gutes Vorsatzpapier.
Quantisierung verändert Betrieb und Qualität
Komprimierte Varianten senken Speicherbedarf und machen Modelle auf kleinerer Hardware nutzbar. Dabei können Qualität und Verhalten abweichen. Eine Quantisierung ist deshalb eine konkrete Modellvariante, die mit denselben Testfällen geprüft und dokumentiert werden muss.
Offenheit ist ein Ausstiegsweg, kein Selbstzweck
Der praktische Wert liegt in Wechselbarkeit, eigener Prüfung, Hostingauswahl und Preiswettbewerb. Wenn ein Betrieb weder Hardware noch Kompetenz für Eigenbetrieb hat, kann ein seriös gemanagter Dienst mit offenem Modell sinnvoller sein als ein ungepflegter Server im Abstellraum.
Behauptung & Befund
Gewichte sind nur eine Schicht. Lizenz, Code, Daten und Dokumentation können unterschiedlich offen sein.
Lokale Systeme können zu breite Rechte, schlechte Updates, unsichere Oberflächen oder externe Telemetrie haben.
Hardware, Strom, Einrichtung, Monitoring, Updates und Personal bleiben reale Kosten.
Quellen
- Llama model family Autor/Institution: MetaPublisher: Meta
- Qwen3: Modellfamilie, Größen und Hybrid-Reasoning Autor/Institution: Alibaba QwenPublisher: Alibaba Qwen
- Mistral model catalog Autor/Institution: Mistral AIPublisher: Mistral AI
- DeepSeek models and technical releases Autor/Institution: DeepSeekPublisher: DeepSeek
- Gemma 4: offene Modelle für lokale und Edge-Szenarien Autor/Institution: Google DevelopersPublisher: Google Developers
- Pharia-1-LLM-7B: Modellfamilie und Varianten Autor/Institution: Aleph AlphaPublisher: Aleph Alpha
- AI Act Artikel 53: Bedingungen für freie und quelloffene GPAI-Modelle Autor/Institution: Europäische KommissionPublisher: Europäische Kommission
- Generative KI-Modelle: Chancen und Risiken für Industrie und Behörden Autor/Institution: BSIPublisher: BSI
- Artificial Intelligence Risk Management Framework: Generative AI Profile Autor/Institution: NISTPublisher: NIST