Wer diese Woche auf X die Ranglisten der offenen Modelle durchgeht, sieht ein Muster, das schwer zu uebersehen ist. Eine Aufstellung von Dr John Seach zaehlt fuer 2026 mindestens acht chinesische Labore, die zusammen mehr konkurrenzfaehige Open-Weight-Modelle veroeffentlicht haben als der Rest der Welt. DeepSeek, Alibaba mit Qwen, Moonshot mit Kimi, Zhipu mit GLM: die Namen tauchen an der Spitze fast jeder offenen Rangliste auf.
Fuer ein europaeisches Unternehmen, das lokale KI erwaegt, wirft das eine unbequeme Frage auf. Kann ich ein Modell einsetzen, das in China trainiert wurde? Die kurze Antwort: Es kommt darauf an, wo Sie es laufen lassen, nicht darauf, wer es trainiert hat.
Wer 2026 die offenen Gewichte anfuehrt
Nach den kursierenden Ranglisten kommen vier der fuenf staerksten Open-Weight-Modelle aus chinesischen Laboren, Metas Llama ist der prominente Ausreisser. Berichten der Community zufolge liegen diese Modelle bei Coding- und Reasoning-Aufgaben nur noch wenige Punkte hinter den besten geschlossenen Systemen wie GPT-5.5 oder Claude Opus 4.8, und das zu einem Bruchteil der Kosten. Nachpruefen laesst sich der genaue Abstand nur bedingt, die Richtung ist ueber mehrere unabhaengige Ranglisten hinweg aber konsistent.
Ein aktuelles Beispiel: Kimi K3 von Moonshot. Wir hatten die geplante Freigabe vor dem Termin schon eingeordnet (siehe Kimi K3: Was KMU vorher wissen muessen). Neu seit dem letzten Beitrag ist, dass die Gewichte am 27. Juli tatsaechlich veroeffentlicht wurden. Laut Times of AI auf X rangiert K3 dabei rund auf Platz vier der Agent-Arena-Rangliste, auf Augenhoehe mit fuehrenden geschlossenen Modellen. Zahlen dieser Art sollten Sie als Momentaufnahme lesen, nicht als Garantie.
Wichtig fuer die Praxis ist die Lizenz. DeepSeek etwa liefert unter der freizuegigen MIT-Lizenz aus, andere unter Apache 2.0. Beide erlauben kommerzielle Nutzung und lokale Anpassung ohne Ruecksprache mit dem Anbieter.
Der Reflex, und was daran berechtigt ist
Die Sorge vor einem in China trainierten Modell ist nicht albern, sie zielt nur oft auf das Falsche. Zwei Fragen sind real:
- Wohin fliessen meine Daten? Bei einem gehosteten Dienst eine zentrale Frage. Bei statischen Gewichten, die Sie selbst betreiben, faellt sie weg.
- Was steckt in den Trainingsdaten? Fuer regulierte Ausgaben relevant, etwa wenn ein Modell Rechts- oder Medizintexte formuliert. Diese Frage bleibt, egal woher das Modell stammt, und betrifft westliche Modelle genauso.
Was dagegen selten ein technisches Problem ist: die vage Vorstellung, ein heruntergeladenes Modell koenne im Betrieb heimlich Informationen abfliessen lassen. Ein Satz Gewichte ist eine Datei. Sie rechnet, wenn Sie sie rechnen lassen, und sonst nichts.
Warum lokaler Betrieb die Herkunftsfrage aufloest
Genau hier setzt der Ansatz an, den wir bei Kunden fahren. Ein Open-Weight-Modell, das auf Ihrer eigenen Hardware laeuft, ist ein geschlossenes System. Keine Anfrage verlaesst das Netz, kein Anbieter sieht Ihre Prompts. Ob die Gewichte in Hangzhou, Paris oder Palo Alto entstanden sind, aendert daran nichts, denn der Datenverkehr endet an Ihrer Firewall.
Das ist der Kern unserer Position zur Datensouveraenitaet: Souveraen ist nicht, wessen Modell Sie nutzen, sondern wo die Verarbeitung stattfindet. Ein air-gapped betriebenes DeepSeek oder Qwen gibt vertrauliche Akten schlechter preis als eine geschlossene Cloud-API aus der EU, bei der Sie dem Betreiber vertrauen muessen. Wie so eine Umgebung praktisch aussieht, beschreiben wir unter lokale KI.
Fuer die Verifikation gilt ein angenehmer Nebeneffekt: Weil die Gewichte offen sind, koennen Sie sie inspizieren, mit eigenen Testfaellen pruefen und deterministisch versionieren. Bei einem geschlossenen Endpunkt geht das nicht.
Was das an Hardware bedeutet
Ein praktischer Punkt entscheidet oft mehr als das Ranking: Passt das Modell auf Ihre Maschine? Grob gilt nach Community-Erfahrung, dass ein dichtes Modell in der Groessenordnung 27B bis 32B in 4-Bit-Quantisierung mit rund 20 bis 24 GB Speicher auskommt, ein 70B-Modell eher mit 40 bis 48 GB. Damit laeuft der Grossteil des Alltagsgeschaefts auf einer einzelnen Workstation oder einem Mac Studio mit grosszuegigem Unified Memory.
Die absoluten Spitzenmodelle vieler chinesischer Labore, DeepSeek und Kimi etwa, sind dagegen grosse Mixture-of-Experts-Systeme mit hunderten Gigabyte im Speicher. Die brauchen entweder eine Maschine mit sehr viel RAM oder eine kleinere, destillierte Variante. Fuer die meisten KMU ist ohnehin nicht das groesste Modell die richtige Wahl, sondern das kleinste, das die Aufgabe zuverlaessig loest. Das spart Hardware und Strom, und die Antwortzeiten bleiben brauchbar.
Was Sie trotzdem pruefen sollten
Lokal heisst nicht sorgenfrei. Bevor ein chinesisches Open-Weight-Modell in einen Geschaeftsprozess wandert, lohnen ein paar nuechterne Kontrollen:
- Lizenztext lesen, nicht das Etikett. MIT und Apache 2.0 sind unkritisch. Manche Modelle tragen eigene Community-Lizenzen mit Nutzungsauflagen oder Umsatzgrenzen. Der Unterschied entscheidet, ob Sie das Modell ueberhaupt kommerziell einsetzen duerfen.
- Benchmarks selbst nachfahren. Verlassen Sie sich nicht auf die Zahlen des Anbieters. Ein kleiner, auf Ihre echten Aufgaben zugeschnittener Testsatz sagt mehr als jede Rangliste. Nach unserem Verstaendnis schneiden manche Modelle auf Deutsch oder in Ihrer Fachdomaene deutlich anders ab als im englischen Benchmark.
- Ausgabe pruefen, wo es zaehlt. Fuer regulierte Inhalte braucht es ohnehin eine menschliche Kontrollstufe, unabhaengig vom Modell. Das ist keine Frage der Herkunft, sondern des Prozesses.
Wer diese drei Dinge klaert, trifft eine Entscheidung auf Basis von Faehigkeit und Lizenz, nicht auf Basis eines Bauchgefuehls zur Flagge.
Eine europaeische Alternative bleibt
Das soll chinesische Modelle nicht zum Pflichtprogramm machen. Mistral aus Frankreich liefert ebenfalls konkurrenzfaehige offene Gewichte, mit dem Vorteil einer europaeischen Rechtskette und starker Leistung in europaeischen Sprachen. Wir haben das im Detail beschrieben (siehe Mistral Open-Weight: Souveraene lokale KI aus Europa). Die praktische Konsequenz ist dieselbe: Waehlen Sie nach Faehigkeit und Lizenz, und betreiben Sie das Ergebnis lokal.
Wenn Sie wissen wollen, welches offene Modell zu Ihren Aufgaben, Ihrer Hardware und Ihren Compliance-Anforderungen passt, richten wir dafuer ein abgestecktes Pilotprojekt ein und testen die Kandidaten an Ihren echten Daten, bevor Sie sich festlegen.