In der KI-Welt gibt es einen grundlegenden Konflikt zwischen offenen und geschlossenen Modellen. Ein aktueller Text beschreibt einen ökonomischen Graben zwischen beiden – und argumentiert, dass sie auf eigenen Exponenzialkurven unterwegs sind. Die Frage ist nicht, welches System gewinnt, sondern wie die Arbeitsteilung aussehen wird.
Nutzer von KI-Werkzeugen zahlen zunehmend einen Aufpreis für die besten Modelle. Besonders deutlich wird das bei Coding Agents – KI-Assistenten, die komplexe Aufgaben in der Softwareentwicklung übernehmen. Diese Agenten haben mit Modellen wie Opus 4.5 und Codex 5.2 eine Schwelle erreicht, ab der die Produktivitätssteigerung offensichtlich ist. Fachleute greifen nicht mehr auf Alternativen zurück. Der Autor selbst würde 2000 Dollar monatlich für diese Werkzeuge zahlen – allein aufgrund des heutigen Nutzens.
Die geschlossenen Labore – vor allem Anthropic mit Claude und OpenAI mit GPT – setzen auf diesen Hebel. Sie investieren in Talent, Daten und Rechenleistung, um ihre Modelle an die Spitze zu treiben. Offene Modelle müssen flexibel bleiben, geschlossene Systeme können Hardware und Software besser aufeinander abstimmen. Das erinnert an Apples Strategie: ein integriertes System, schwer zu kopieren. Gleichzeitig haben diese Labore ein Microsoft-ähnliches Geschäftsmodell mit Abonnements. Der Autor prognostiziert, dass OpenAI und Anthropic in fünf bis zehn Jahren Bewertungen zwischen zwei und zehn Billionen Dollar erreichen – ein Oligopol wie der Cloud-Markt.
Der Fokus auf Spitzenleistung hat auch eine Kehrseite. Die Labore werden ihre besten Modelle zurückhalten – um Token nicht zu verschwenden, Destillation zu erschweren oder margenstarke Anwendungsfälle zu bedienen. Der API-Markt wird sich verändern. In den nächsten Jahren übersteigt der Bedarf an Rechenleistung das Angebot, Token werden stark subventioniert. Investoren pumpen Geld in KI-Start-ups, die Nachfrage bleibt künstlich hoch, selbst wenn viele Agenten noch keinen Mehrwert liefern. Der Autor hält diesen Bubble-Effekt für einen Treiber des Ausbaus.
Die Ökonomie der offenen Modelle ist anders. Offene Modelle sind nicht integriert – sie müssen auf unterschiedlicher Hardware und in verschiedenen Umgebungen laufen, was die Optimierung erschwert. Ein Ökosystem aus Unternehmen trägt sie, die zusammenarbeiten und konkurrieren. Der Markt ist divers, die Margen sind niedrig, die Preise folgen einer Commodity-Logik. Viele Unternehmen streben den Wechsel zu offenen Modellen an, aber aktuell sind diese nicht leistungsfähig genug für Aufgaben außerhalb der Standard-Trainingsdaten. Entwickler offener Modelle könnten aufhören, direkt mit Claude oder GPT auf Benchmarks zu konkurrieren, und stattdessen Nischen besetzen, in denen niedrige Kosten oder individuelle Anpassungen entscheidend sind.
Dieser Fork könnte durch Ökonomie erzwungen werden: Steigen die Kosten für Forschung und Entwicklung zur Skalierung, können offene Projekte vielleicht nicht mithalten. Oder er entsteht aus der Nachfrage: Bestimmte KI-Lösungen funktionieren nur bei Preisen, die offene Modelle ermöglichen. Die Wertschöpfung um offene Modelle wird letztlich größer sein als die der geschlossenen Labore – aber sie verteilt sich auf viele Schultern. Unternehmen finden Modelle, die für spezifische Aufgaben ausreichen, und wechseln dann nicht mehr, weil die Einrichtungskosten zu hoch sind. Das eröffnet einen großen Markt für angepasste Modelle und Fine-Tuning-Dienste, wie sie Firmen wie Tinker, Fireworks oder Prime Intellect anbieten.
Die zeitliche Dynamik unterscheidet sich. Geschlossene Labore erleben eine schnelle Verbreitung durch Coding Agents, das offene Ökosystem braucht länger, um in die Breite der Wirtschaft zu diffundieren. Der Autor vergleicht die Situation mit dem iPhone: Als Konsument kannst du dir ein Android kaufen und kleine Nachteile in Kauf nehmen, um Geld zu sparen. Aber wenn das Premium-Produkt deine tägliche Arbeit effizienter macht, warum darauf verzichten? Im Arbeitsumfeld sind die Produktivitätsgewinne noch höher, was die Preissetzungsmacht der geschlossenen Modelle untermauert. Die offene Seite wird sich über Jahre langsam in Unternehmen verbreiten – nicht durch einen einzelnen Durchbruch, sondern durch kontinuierliche Verbesserung von Tools, Anpassung an spezifische Anforderungen und sinkende Einstiegshürden.
Der Autor warnt davor, die Behauptungen über rekursive Selbstverbesserung (RSI) zu überschätzen. Der Fortschritt im KI-Ökosystem bleibe schnell – aber er sei nicht auf einen Pfad festgelegt. Neue Produktformen wie Hintergrund-Agenten könnten sowohl offene als auch geschlossene Modelle bedienen. Es sind zwei unterschiedliche Entwicklungskurven: Geschlossene Modelle starten ihren integrierten Aufstieg, indem sie den High-End-Bereich der Wissensarbeit monetarisieren. Die offene Wirtschaft braucht länger, aber sie wird das KI-Zeitalter in jeden Winkel der Gesellschaft tragen. Dieser langsame, breite Fortschritt zeigt die Diffusion von Intelligenz in den Alltag.
In den nächsten Jahren wirst du zwei KI-Realitäten erleben. Auf der einen Seite hochintegrierte Systeme, die deine Arbeit erleichtern, wenn du bereit bist zu zahlen. Auf der anderen Seite wachsende offene Werkzeuge, die vielleicht nicht an der Spitze stehen, aber durch Anpassbarkeit und niedrige Kosten ganze Industrien durchdringen. Beide Entwicklungen ergänzen sich. Die Frage ist, ob du in fünf Jahren das Premium-Abo bezahlst oder mit einem offenen Modell deine Nische bedienst – vielleicht beides. Es geht nicht um Dogmen, sondern um das Werkzeug, das deine Arbeit besser macht.
Quelle: interconnects.ai
