KI-Wettlauf: Günstigere Modelle verdrängen teure Giganten

Die Spielregeln im Rennen um künstliche Intelligenz ändern sich grundlegend. Während in den vergangenen zwei Jahren vor allem Modellgröße und Benchmark-Ergebnisse als Maßstab galten, rücken nun Kosten, Kontrolle und aufgabenspezifische Effizienz in den Vordergrund. Unternehmen, die KI nicht mehr nur erproben, sondern aktiv in Produkte und Arbeitsabläufe integrieren, stellen fest: Das teuerste Modell ist nicht immer das richtige.

Der Wandel öffnet die Tür für eine neue Art des KI-Wettbewerbs. Es geht zunehmend darum, welches Modell für eine spezifische Aufgabe am besten geeignet ist – zu vertretbaren Kosten, mit den richtigen Daten und in der passenden Umgebung. KI-Produkte entwickeln sich zu intelligenten Systemen, die selbst entscheiden, welches Modell wann eingesetzt wird und welche externen Tools oder unternehmenseigenen Datenquellen benötigt werden.

Routing statt Rechenpower: Das neue KI-Prinzip

Das Prinzip lässt sich an konkreten Anwendungsfällen verdeutlichen: Eine Aufgabe im Kundenservice benötigt möglicherweise nicht das teuerste Modell. Ein komplexes Programmierproblem hingegen schon. Ein routinemäßiger interner Arbeitsablauf könnte auf einem günstigeren offenen Modell laufen, während ein schwierigerer Schritt an ein leistungsfähigeres Modell eskaliert wird. Dieses sogenannte Routing-Prinzip macht KI-Systeme flexibler und wirtschaftlicher.

Perplexity gab diese Woche eine Vorschau auf ein neues System für sein „Computer-Use"-Produkt, das auf GLM 5, 2 basiert – einem offenen Modell des chinesischen Unternehmens Z.ai. Das System ist so konzipiert, dass ein kostengünstigeres Modell den Großteil der Arbeit übernimmt, während ein stärkeres Modell nur bei Bedarf hinzugezogen wird. Dieser Ansatz gilt als exemplarisch für eine breitere Marktveränderung.

Dieser Trend fällt in eine Zeit, in der die US-Wirtschaft bei KI-Ausgaben sparsamer wird. Das stellt eine zusätzliche Herausforderung für Anbieter wie OpenAI und Anthropic dar, die in den vergangenen Jahren vor allem durch den Verkauf modernster, aber teurer Technologie gewachsen sind.

Open-Weight-Modelle gewinnen an Boden

Sogenannte „Open-Weight"-Modelle – also Modelle, die Unternehmen selbst herunterladen, anpassen und betreiben können – werden immer leistungsfähiger. Gleichzeitig sind sie im Betrieb deutlich günstiger als proprietäre Premium-Modelle der großen KI-Labore. Peter Fenton, General Partner beim Risikokapitalgeber Benchmark, bezeichnete diesen Wandel als potenziell dramatisch.

In einigen Fällen können kleinere, für eine spezifische Aufgabe optimierte Modelle sogar schneller sein und bessere Ergebnisse liefern als große Allzweckmodelle. Das ist ein Grund, warum Benchmark in Ollama investiert hat – ein Unternehmen, das es Entwicklern und Firmen erleichtert, offene Modelle herunterzuladen, zu betreiben und zu verwalten. Laut Ollama wird die Plattform von mehr als 85 Prozent der Fortune-500-Unternehmen eingesetzt, darunter Firmen aus regulierten Branchen wie der Luftfahrt, dem Versicherungswesen und dem Gesundheitswesen.

Viele Unternehmen beginnen dabei mit kleineren Modellen, die nah an ihren eigenen Daten laufen, und expandieren dann auf größere offene Modelle, sobald sie mehr Vertrauen in die Technologie gewonnen haben. Dieses schrittweise Vorgehen senkt die Einstiegshürde erheblich.

Geopolitische Dimension: China mischt den Markt auf

Der Aufstieg offener Modelle hat auch eine geopolitische Komponente. Viele der wettbewerbsfähigsten Open-Weight-Modelle stammen aus chinesischen Laboren, darunter Z.ai und DeepSeek. Damit ist Open-Source-KI zu einem wirtschaftlichen, politischen und nationalen Wettbewerbsthema geworden. Srinivas, CEO von Perplexity, sprach sich dafür aus, dass die USA offene Modelle aktiv unterstützen sollten, da sie KI erschwinglicher und zugänglicher machen.

Der Wandel könnte zudem den massiven Ausbau von Rechenzentren beeinflussen, der derzeit in der gesamten Technologiebranche stattfindet. Der aktuelle KI-Boom setzt voraus, dass die Nachfrage weiterhin in große Cloud-Rechenzentren mit High-End-Chips fließt. Srinivas hält es jedoch für denkbar, dass einige KI-Aufgaben künftig lokal auf Geräten von Verbrauchern oder Unternehmen laufen könnten.

Das würde den Bedarf an Rechenzentren nicht beseitigen, könnte aber ein hybrideres KI-System schaffen: Routineaufgaben werden lokal ausgeführt, die anspruchsvollsten Arbeiten an leistungsfähige Modelle in der Cloud gesendet. Für Investoren stellt sich damit die entscheidende Frage, ob die größten KI-Labore ihre Preismacht langfristig behaupten können – oder ob offene Modelle und selektiverer Einsatz die Marktdynamik dauerhaft verschieben.