Hat jetzt jede Firma ihr eigenes KI-Modell?

In letzter Zeit hören wir in Gesprächen oft den gleichen Satz: «Der Anbieter hat eine eigene KI.» Manchmal steht auf der Website sogar «unser eigenes Sprachmodell».

Wenn wir nachfragen, was dahintersteckt, ist die Antwort fast immer dieselbe. Es ist ein frei verfügbares Modell, das jemand angepasst hat. Das ist nicht unseriös. Aber wer KI einkauft, sollte wissen, was mit «eigene KI» gemeint ist. Dafür muss man verstehen, wie so ein Modell entsteht.

Das Basismodell: teuer und nur für wenige

Am Anfang steht das Basismodell. Es wird mit riesigen Mengen Text trainiert, Billionen von Wörtern aus Büchern, Websites und Code. Die Aufgabe ist einfach: Das Modell soll immer das nächste Wort vorhersagen. Nach Wochen auf Tausenden von Grafikprozessoren kann es Texte fortsetzen, kennt Fakten und Zusammenhänge. Auf eine Frage antwortet es aber noch nicht zuverlässig wie ein Assistent.

Dieser Schritt ist der teure. Das Forschungsinstitut Epoch AI schätzt die Kosten für den letzten Trainingslauf von GPT-4 auf rund 40 Millionen Dollar, für Googles Gemini Ultra auf rund 30 Millionen, nur für Hardware und Strom. Personal und die vielen Vorversuche kommen dazu, und diese Kosten wachsen seit 2016 um etwa das 2,4-Fache pro Jahr (Epoch AI).

Es geht auch günstiger. Das chinesische Labor DeepSeek gibt für den letzten Trainingslauf seines Modells V3 rund 5,6 Millionen Dollar an, gerechnet mit 2 Dollar pro Stunde und Grafikkarte. Vorversuche und Entwicklung sind darin ausdrücklich nicht enthalten (DeepSeek). Auch das Schweizer Modell Apertus von EPFL, ETH Zürich und CSCS brauchte über 10 Millionen Rechenstunden auf dem Supercomputer Alps in Lugano (GGBa).

Ein Basismodell von Grund auf trainieren also eine Handvoll Organisationen weltweit. Ein KMU oder eine Softwarefirma gehört nicht dazu.

Vom Basismodell zum Assistenten

Damit aus einem Basismodell ein brauchbarer Assistent wird, folgen zwei weitere Schritte.

Beim Fine-Tuning zeigt man dem Modell Beispiele: eine Frage und die gewünschte Antwort, ein Dokument und die richtige Einordnung. Das Modell lernt daraus Format, Ton und Fachwissen für einen bestimmten Bereich. Dafür braucht es gute Beispiele. Ein offenes Modell lässt sich oft auf einem einzelnen Server mit Grafikkarten anpassen.

Beim Reinforcement Learning erzeugt das Modell selbst Antworten und bekommt dafür eine Bewertung. Die kann von Menschen kommen, die zwei Antworten vergleichen, oder von einer automatischen Prüfung, etwa ob eine Rechnung stimmt oder ein Programm läuft. Das Modell lernt so, Antworten zu geben, die besser bewertet werden. Auf diesem Weg haben die aktuellen Modelle gelernt, schrittweise zu überlegen, bevor sie antworten.

Wie gross der Unterschied ist, zeigt wieder DeepSeek V3: Rund 2,66 Millionen Grafikkarten-Stunden gingen in das Basismodell, rund 5’000 in Fine-Tuning und Reinforcement Learning zusammen (DeepSeek).

Basismodell2,66 Mio.

Fine-Tuning und Reinforcement Learningrund 5’000

Quelle: DeepSeek-V3 Technical Report

Wenn ein Anbieter von seiner eigenen KI spricht, meint er fast immer diese späteren Schritte an einem fremden Basismodell.

Was chinesische Open-Source-Modelle verändert haben

Lange kamen die besten frei verfügbaren Modelle von Meta. Das hat sich verschoben. Alibabas Modellfamilie Qwen hat im September 2025 Metas Llama als meistgeladene Modellfamilie auf der Plattform Hugging Face überholt. Bis dahin basierten bereits rund 63 Prozent der neu hochgeladenen abgeleiteten Modelle auf chinesischen Modellen wie Qwen und DeepSeek (Zusammenfassung eines Stanford-Berichts).

Diese Modelle sind gut, frei herunterladbar und viele davon dürfen kommerziell genutzt werden. Für Anbieter ist das verlockend: Qwen herunterladen, mit eigenen Daten nachtrainieren, unter eigenem Namen verkaufen.

Das ist legitim, solange es offen gesagt wird. Wir machen es selbst so. Für einfache, eng umrissene Aufgaben in unseren Produkten, etwa das Aufteilen von Sammelscans in einzelne Dokumente in Adit, haben wir kleine Qwen-Modelle feinabgestimmt. Dort sind kleine Modelle schnell und günstig im Betrieb. Unsere eigenen Sprachmodelle nennen wir sie trotzdem nicht. Wir haben sie angepasst, das Basismodell dahinter hat jemand anderes trainiert und öffentlich bereitgestellt.

Zwei Punkte werden dabei oft durcheinandergebracht.

Ein chinesisches Modell heisst nicht, dass Daten nach China gehen. Ein offenes Modell läuft auf dem Server, auf dem man es installiert, auch in der Schweiz. Das ist sogar ein Vorteil gegenüber Diensten, bei denen jede Anfrage an einen Anbieter im Ausland geht.

Gleichzeitig bringt jedes Basismodell die Eigenheiten seiner Trainingsdaten mit. Was darin war und was nicht, legen die meisten Anbieter nicht offen. Wer das wissen will, hat mit Apertus inzwischen eine Schweizer Alternative, bei der auch die Trainingsdaten offen sind.

Eigene Server lohnen sich seltener, als man denkt

Ein offenes Modell auf eigenen Servern zu betreiben, klingt nach voller Kontrolle. In der Praxis ist es oft teurer und deutlich aufwendiger, als ein Modell über eine Schnittstelle (API) eines Anbieters zu nutzen.

Grafikkarten für grössere Modelle sind teuer und kosten auch dann, wenn gerade niemand eine Anfrage stellt. Dazu kommen Einrichtung, Updates, Überwachung und jemand, der sich kümmert, wenn etwas ausfällt. Bei einer API zahlt man pro Anfrage, um den Rest kümmert sich der Anbieter.

Wer die Grafikkarten in der Cloud mietet, sollte sich fragen, was er damit gewinnt. Die Daten liegen dann ohnehin bei einem Cloud-Anbieter. Oft ist es einfacher, direkt die API eines Modellanbieters zu nutzen, wenn nötig mit Rechenzentrum in Europa.

Interessant wird der eigene Betrieb bei sehr heiklen Daten, die das Haus nicht verlassen dürfen, etwa Personaldossiers, Gesundheitsdaten oder vertrauliche Verträge. Dann kann ein kleineres offenes Modell auf eigener Hardware trotz Mehraufwand die richtige Wahl sein.

Für KMU mit begrenzten Mitteln sehen wir deshalb eine klare Reihenfolge. Bei komplexen Aufgaben lohnt es sich, mit einem der grossen Anbieter über die API anzufangen, sofern das mit dem Datenschutz vereinbar ist. So zeigt sich schnell und günstig, ob KI die Aufgabe überhaupt lösen kann. Erst wenn der Nutzen im Alltag bewiesen ist, lohnt sich der Aufwand, ein Open-Source-Modell feinabzustimmen und selbst zu betreiben, etwa um Kosten zu senken oder Daten im Haus zu behalten.

Woran man erkennt, was man kauft

Wenn ein Anbieter mit einer eigenen KI wirbt, lohnen sich vier Fragen:

• Auf welchem Basismodell beruht sie?
• Was wurde daran angepasst, und mit welchen Daten?
• Wo läuft das Modell, und wo liegen Ihre Daten?
• Was passiert, wenn morgen ein besseres Basismodell erscheint?

Die letzte Frage wird oft unterschätzt. Neue Basismodelle erscheinen im Monatstakt. Ein Anbieter, der sein Produkt an ein bestimmtes Modell gebunden hat, steht dann vor einem aufwendigen Wechsel.

Ein eigenes KI-Modell ist für ein KMU selten das Ziel. Wichtiger ist, dass die Software zuverlässig tut, was sie soll, und dass klar ist, worauf sie beruht.