---
title: "Open-Weight vs. geschlossene LLMs: so wählen Unternehmen"
description: "Open-Weight- oder geschlossene LLMs fürs Unternehmen? Kosten, Kontrolle, Datenschutz, Qualitätsabstand und Lock-in im Vergleich, dazu drei Wege zum Betrieb."
url: https://broadrouter.com/de/blog/open-weight-vs-closed-models/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/blog/open-weight-vs-closed-models/) (aktualisiert am 2026-11-14).

# Open-Weight- vs. geschlossene KI-Modelle: Kosten, Kontrolle, Risiko

Vom Team von BroadNet Inference · 4 Min. Lesezeit · Veröffentlicht 2026-11-14

Geschlossene Modelle führen an der Spitze weiterhin, aber Epoch AI schätzt, dass die besten Open-Weight-Modelle etwa vier Monate zurückliegen. Open-Weight-Modelle gewinnen bei Kontrolle, Datenschutzoptionen, festen Versionen und Lock-in, weil viele Anbieter dieselben Gewichte betreiben können. Geschlossene Modelle gewinnen, wenn Sie bei schweren Aufgaben die allerbeste Qualität brauchen. Viele Unternehmen nutzen beide, je nach Aufgabe.

## Das Wichtigste in Kürze

-   Open-Weight bedeutet, dass die trainierten Gewichte veröffentlicht sind. Es bedeutet nicht, dass Trainingsdaten oder Code offen sind.
-   Epoch AI schätzte im Mai 2026, dass die besten Open-Weight-Modelle auf seinem Fähigkeitsindex etwa vier Monate hinter geschlossenen liegen.
-   Open-Weight-Modelle lassen sich auf drei Arten betreiben: selbst hosten, eine dedizierte GPU mieten oder eine gehostete API aufrufen. Ein geschlossenes Modell kann nur sein Hersteller betreiben.
-   Mit offenen Gewichten ist das Lock-in geringer: Ändert ein Host Preis oder Richtlinien, kann ein anderer dasselbe Modell betreiben.
-   Selbst hosten ist nur dann am günstigsten, wenn die GPUs ausgelastet bleiben. Bei schwankendem Traffic kostet eine gehostete Open-Weight-API meist weniger.

**Auf dieser Seite**

1.  Was bedeutet Open-Weight eigentlich?
2.  Open-Weight- und geschlossene Modelle im Vergleich
3.  Wie groß ist der Qualitätsabstand?
4.  Welche drei Wege gibt es, ein Open-Weight-Modell zu betreiben?
5.  Was kostet ein Open-Weight-Modell pro Monat?
6.  Warum ist Lock-in wichtiger, als es scheint?
7.  Wie kombinieren Unternehmen offene und geschlossene Modelle?
8.  Wo BroadNet Inference ins Bild passt

Jedes Team, das auf LLMs aufbaut, trifft diese Entscheidung, oft ohne es zu merken: **geschlossene Modelle**, die Sie nur über die API eines Herstellers erreichen, oder **Open-Weight-Modelle**, deren Gewichte jeder herunterladen und betreiben kann. Die Wahl wirkt sich auf Ihre Rechnung aus, auf Ihren Datenpfad, auf die Stabilität Ihres Produkts und darauf, wie schwer ein Wechsel fällt.

## Was bedeutet Open-Weight eigentlich?

Ein [Open-Weight-Modell](https://broadrouter.com/de/glossary/open-weight-model/) veröffentlicht seine trainierten Parameter. Sie oder jeder Anbieter können es betreiben. Das ist enger gefasst als Open Source: Trainingsdaten und die vollständige Trainings-Pipeline werden meist nicht veröffentlicht.

Die Lizenzen unterscheiden sich. Manche sind freizügig: OpenAIs Whisper etwa veröffentlicht Code und Gewichte [unter der MIT-Lizenz](https://github.com/openai/whisper). Andere beschränken die kommerzielle Nutzung, die Nutzerzahl oder Einsatzbereiche. Lesen Sie die Lizenz jedes Modells, bevor Sie darauf aufbauen.

Die Gewichte eines geschlossenen Modells bleiben beim Hersteller. Sie mieten den Zugang über seine API oder über Clouds, die der Hersteller lizenziert hat.

## Open-Weight- und geschlossene Modelle im Vergleich

| Faktor | Open-Weight | Geschlossen |
| --- | --- | --- |
| Spitzenqualität | Liegt Monate hinter der Spitze | Führt meist bei den schwersten Aufgaben |
| Preis pro Token | Oft niedriger; Hosts konkurrieren mit demselben Modell | Von einem Hersteller festgelegt |
| Wo es läuft | Eigene Server, gemietete GPU oder beliebiger Host | API des Herstellers oder lizenzierte Clouds |
| Datenschutzoptionen | Selbst hosten oder einen Host mit [Zero Data Retention](https://broadrouter.com/de/glossary/zero-data-retention/) wählen | Bedingungen und Tarife des Herstellers |
| Versionsstabilität | Exakte Gewichte so lange festhalten, wie Sie wollen | Der Hersteller kündigt Versionen nach eigenem Zeitplan ab |
| Anpassung | Selbst feintunen oder quantisieren | Nur, was der Hersteller anbietet |
| Lock-in | Gering: mehrere Hosts betreiben dieselben Gewichte | Hoch: ein Hersteller pro Modell |
| Betrieb | Bei Ihnen, wenn Sie selbst hosten | Beim Hersteller |

## Wie groß ist der Qualitätsabstand?

Kleiner als früher, aber vorhanden. Der [AI Index 2025](https://hai.stanford.edu/ai-index/2025-ai-index-report/technical-performance) von Stanford berichtete, dass der Vorsprung des besten geschlossenen Modells vor dem besten Open-Weight-Modell im Chatbot-Arena-Leaderboard von 8,04 % Anfang Januar 2024 auf 1,70 % bis Februar 2025 schrumpfte. [Epoch AI](https://epoch.ai/data-insights/open-closed-eci-gap) schätzte am 29. Mai 2026, „the most capable open-weight models have lagged frontier closed models by an average of four months“ (Übersetzung: „die leistungsfähigsten Open-Weight-Modelle lagen im Schnitt vier Monate hinter den geschlossenen Spitzenmodellen“), gemessen auf seinem Epoch Capabilities Index.

In der Praxis:

-   **Klassifikation, Extraktion, Zusammenfassungen, Übersetzung, Routine-Chat:** Open-Weight-Modelle sind meist gut genug und günstiger.
-   **Coding-Agenten und lange Dokumente:** Es gibt starke Open-Weight-Optionen; testen Sie mit Ihren Repos. Siehe [das beste offene Modell für Coding-Agenten](https://broadrouter.com/de/blog/best-open-model-for-coding-agents/).
-   **Das schwerste Reasoning und die neuesten Fähigkeiten:** Geschlossene Modelle sind oft zuerst da.

Leaderboards sind Durchschnitte. Ihre 50 echten Testfälle sind der Benchmark, der zählt.

## Welche drei Wege gibt es, ein Open-Weight-Modell zu betreiben?

| Option | Am besten, wenn | Achten Sie auf |
| --- | --- | --- |
| Selbst hosten auf eigenen GPUs | Daten dürfen Ihr Netzwerk nicht verlassen; GPUs bleiben ausgelastet | Hardware, Treiber, Skalierung, Sicherheit, Upgrades |
| Dedizierte GPU mieten | Gleichmäßige Last, eigene Gewichte | Sie zahlen auch für Leerlaufstunden |
| Gehostete Open-Weight-API | Schwankender oder wachsender Traffic; schneller Start | Sie vertrauen der Datenspeicherung und Verfügbarkeit des Hosts |

Selbst hosten wirkt pro Token kostenlos, aber eine GPU kostet gleich viel, ob sie eine Anfrage pro Stunde bedient oder tausend. Es rechnet sich bei hoher, gleichmäßiger Auslastung. Darunter ist eine API mit Abrechnung pro Token oder ein [Flatrate-Plan](https://broadrouter.com/de/blog/flat-rate-vs-pay-per-token-llm-api/) meist günstiger.

## Was kostet ein Open-Weight-Modell pro Monat?

Preise pro Token für gehostete Open-Weight-Modelle lassen sich leicht berechnen. Für 100 Millionen Input- und 10 Millionen Output-Tokens im Monat mit [DeepSeek V4.1 Flash](https://broadrouter.com/de/models/deepseek-v4.1-flash/) über BroadNet:

`100 x $0.175 + 10 x $0.52` pro Monat, vor jedem Cache-Rabatt.

Rechnen Sie dasselbe mit den veröffentlichten Preisen pro Million Ihres geschlossenen Anbieters und Ihren echten Token-Zahlen, oder beginnen Sie mit unserem [Kostenvergleich der APIs von Open-Weight- und geschlossenen Modellen](https://broadrouter.com/de/blog/open-weight-vs-closed-model-api-cost/), der einen Workload auf GPT, Claude, Gemini, Grok und fünf offenen Modellen durchrechnet. Gecachter Input verändert das Ergebnis stark: Gecachte Tokens kosten bei diesem Modell $0.0055 pro Million. Der [LLM-API-Kostenrechner](https://broadrouter.com/tools/llm-api-cost-calculator/) erledigt das für jedes BroadNet-Modell, und die [Tabelle der LLM-API-Preise](https://broadrouter.com/de/llm-api-pricing/) zeigt, was andere Hosts für dieselben offenen Gewichte verlangen.

## Warum ist Lock-in wichtiger, als es scheint?

Erhöht ein geschlossener Hersteller die Preise, ändert die Datenbedingungen oder kündigt das Modell ab, auf das Ihre Prompts abgestimmt sind, bleibt Ihnen nur, es hinzunehmen oder umzuschreiben. Mit einem Open-Weight-Modell können Sie dieselben Gewichte zu einem anderen Host oder ins eigene Haus verlegen und dasselbe Verhalten behalten.

Damit diese Option real bleibt:

1.  Rufen Sie Modelle über ein OpenAI-kompatibles SDK auf, mit [Basis-URL](https://broadrouter.com/de/glossary/base-url/) und Modell-ID in der Konfiguration.
2.  Pflegen Sie ein Regressions-Testset und lassen Sie es bei jedem Anbieterwechsel laufen.
3.  Schalten Sie optional einen Router wie [LiteLLM](https://broadrouter.com/de/guides/litellm-proxy-custom-provider/) davor, sodass ein Wechsel eine Konfigurationsänderung ist.

## Wie kombinieren Unternehmen offene und geschlossene Modelle?

Die meisten Unternehmen landen bei beiden:

-   Leiten Sie volumenstarke, klar umrissene Aufgaben (Extraktion, Triage, Zusammenfassungen, Routineschritte von Agenten) an ein Open-Weight-Modell.
-   Leiten Sie seltene, schwere Aufgaben an ein geschlossenes Spitzenmodell.
-   Testen Sie jedes Quartal neu. Angesichts des Abstands, den Epoch misst, wandern Aufgaben mit der Zeit von der zweiten Liste auf die erste.

## Wo BroadNet Inference ins Bild passt

BroadNet Inference ist eine gehostete Open-Weight-API: [DeepSeek V4.1 Flash](https://broadrouter.com/de/models/deepseek-v4.1-flash/), [GLM 5.3](https://broadrouter.com/de/models/glm-5.3/), [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) und der BroadNet-Build von Googles Gemma 4, dazu zwei Speech-to-Text-Modelle, alle über einen [OpenAI-kompatiblen Endpoint](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-open-weight-vs-closed-models&utm_content=body). Laut seiner [Datenschutzerklärung](https://www.broadnet.ai/inference-privacy) speichert es keine Prompts oder Ausgaben und nutzt Inferenzdaten nicht zum Trainieren, Fine-Tuning oder Evaluieren von Modellen. DeepSeek V4.1 Flash gibt es außerdem in Flatrate-Plänen von $1 pro Stunde bis $60 im Monat pro Session.

Geschlossene Modelle betreibt es nicht. Braucht eine Aufgabe GPT, Claude oder Gemini, nutzen Sie für diesen Weg die jeweiligen Hersteller und lassen den Rest auf offenen Gewichten. Um BroadNet mit anderen Anbietern abzuwägen, nutzen Sie die [Checkliste mit 20 Punkten zur Anbieterwahl](https://broadrouter.com/de/blog/choose-llm-api-provider-checklist/).

Kostenlose Tools zum Thema (auf Englisch)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[Kostenlose Tools (auf Englisch)](https://broadrouter.com/tools/)

## Begriffe in diesem Artikel

[Open-Weight-Modell](https://broadrouter.com/de/glossary/open-weight-model/)

Ein Open-Weight-Modell ist ein Machine-Learning-Modell, dessen trainierte Gewichte veröffentlicht sind, sodass jeder sie herunterladen und ausführen kann, meist unter einer Lizenz mit Bedingungen. Es unterscheidet sich von vollständig quelloffener KI, die auch Trainingscode und detaillierte Angaben zu den Trainingsdaten freigibt, damit andere das Modell untersuchen und nachbauen können.

[Token](https://broadrouter.com/de/glossary/token/)

Ein Token ist die Texteinheit, die ein Sprachmodell liest und schreibt: ein Wort, ein Wortteil, ein Satzzeichen oder eine Bytefolge, die der Tokenizer des Modells erzeugt. LLM-APIs zählen, begrenzen und berechnen die Nutzung meist in Tokens.

[Fine-Tuning (Feinabstimmung)](https://broadrouter.com/de/glossary/fine-tuning/)

Fine-Tuning ist das Weitertrainieren eines vortrainierten Sprachmodells mit einem kleineren, aufgabenspezifischen Datensatz, etwa Beispielgesprächen, sodass sich seine Gewichte ändern und es diese Aufgabe oder diesen Stil zuverlässiger beherrscht, ohne lange Anweisungen oder Beispiele in jedem Prompt.

[Gecachte Input-Tokens (Cached Input Tokens)](https://broadrouter.com/de/glossary/cached-input-tokens/)

Gecachte Input-Tokens sind Prompt-Tokens, die ein LLM-Anbieter kürzlich verarbeitet hat und aus einem Cache wiederverwenden kann, statt sie neu zu berechnen, meist ein wiederholtes Präfix wie ein System-Prompt oder ein Dokument. Anbieter berechnen sie günstiger als neue Input-Tokens.

[Pay-as-you-go](https://broadrouter.com/de/glossary/pay-as-you-go/)

Pay-as-you-go ist ein Preismodell, bei dem Sie nur für tatsächliche Nutzung zahlen, gemessen pro Einheit wie Tokens, Anfragen oder Audiominuten, ohne Abonnement oder Mindestabnahme. Die meisten LLM-APIs rechnen so ab, aus einem vorausbezahlten Guthaben oder per regelmäßiger Rechnung.

[Tool Calling (Function Calling)](https://broadrouter.com/de/glossary/tool-calling/)

Tool Calling, auch Function Calling genannt, ist eine Funktion von LLM-APIs, bei der das Modell eine strukturierte Anfrage zurückgibt, eine vom Entwickler definierte Funktion mit JSON-Argumenten auszuführen. Die Anwendung führt die Funktion aus und sendet das Ergebnis zurück; das Modell selbst führt nie Code aus.

[Zero Data Retention (ZDR)](https://broadrouter.com/de/glossary/zero-data-retention/)

Zero Data Retention (ZDR) ist eine Datenrichtlinie, bei der ein KI-Anbieter Prompts und Outputs nur zur Bearbeitung einer Anfrage verarbeitet und diese Inhalte danach nicht speichert, weder in Logs noch in Caches oder Trainingsdaten. Inhaltsfreie Daten wie Token-Zahlen und Zeiten werden meist weiterhin aufbewahrt.

[Basis-URL (Base URL)](https://broadrouter.com/de/glossary/base-url/)

Eine Basis-URL ist die feste Stammadresse einer API, etwa https://api.example.com/v1, die ein Client vor jeden Endpoint-Pfad wie /chat/completions setzt. In OpenAI-kompatiblen SDKs lenkt eine geänderte Basis-URL, zusammen mit API-Schlüssel und Modell-ID, denselben Code zu einem anderen Anbieter.

## Häufige Fragen

### Was ist der Unterschied zwischen Open-Weight- und Open-Source-KI-Modellen?

Ein Open-Weight-Modell veröffentlicht seine trainierten Gewichte, sodass jeder es betreiben kann. Ein Open-Source-Modell würde zusätzlich Trainingscode und -daten veröffentlichen. Die meisten bekannten „offenen“ LLMs sind nur Open-Weight, unter Lizenzen von freizügig bis restriktiv.

### Sind Open-Weight-Modelle so gut wie geschlossene Modelle?

Nah dran, aber an der Spitze nicht gleichauf. Epoch AI schätzte im Mai 2026, dass die besten Open-Weight-Modelle etwa vier Monate hinter den besten geschlossenen Modellen liegen. Bei vielen Alltagsaufgaben ist der Unterschied gering; bei den schwersten Aufgaben führen meist noch geschlossene Modelle.

### Sind Open-Weight-Modelle günstiger?

Pro Token oft ja, weil viele Hosts um den Betrieb derselben Gewichte konkurrieren. Selbst hosten ist nur günstiger, wenn Ihre GPUs ausgelastet bleiben; ungenutzte GPUs kosten Geld, ob Sie sie nutzen oder nicht.

### Ist ein Open-Weight-Modell datenschutzfreundlicher?

Es kann es sein. Sie können es selbst hosten, sodass Daten Ihr Netzwerk nie verlassen, oder einen Host mit Zero Data Retention wählen. Ein geschlossenes Modell läuft nur dort, wo sein Hersteller es betreibt, zu dessen Bedingungen.

### Kann ich ohne Code-Umbau von einem geschlossenen auf ein Open-Weight-Modell wechseln?

Meist ja, wenn der Host eine OpenAI-kompatible API anbietet. Ändern Sie Basis-URL, Schlüssel und Modell-ID und testen Sie dann Prompts, Tool Calls und Ausgabequalität mit Ihrem eigenen Testset erneut.

## Weiterlesen

-   [LLM-API-Anbieter auswählen: Checkliste mit 20 Punkten](https://broadrouter.com/de/blog/choose-llm-api-provider-checklist/)
-   [Datenspeicherung bei LLM-APIs: OpenAI, Anthropic, Gemini, Mistral](https://broadrouter.com/de/blog/llm-api-data-retention-compared/)
-   [LLM-API: Flatrate oder Abrechnung pro Token? Die Break-even-Rechnung](https://broadrouter.com/de/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [OpenRouter oder Flatrate für KI-Agenten: Was kostet weniger?](https://broadrouter.com/de/blog/openrouter-alternative-flat-rate/)
-   [Alternativen zu Artificial Analysis: LLMs vergleichen im Jahr 2026](https://broadrouter.com/de/blog/artificial-analysis-alternatives/)
-   [LLM-API-SLAs: was Azure, Bedrock, Google und OpenAI zusagen](https://broadrouter.com/de/blog/llm-api-sla-uptime-compared/)
-   [Anleitung: OpenAI Python SDK mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/openai-python-sdk/)
-   [Anleitung: LiteLLM an BroadNet Inference anbinden (SDK und Proxy)](https://broadrouter.com/de/guides/litellm-proxy-custom-provider/)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-open-weight-vs-closed-models&utm_content=page-cta) ·

**Quellen**

-   [Epoch AI, Fähigkeitsabstand zwischen Open-Weight- und geschlossenen Modellen (Data Insight, 29. Mai 2026)](https://epoch.ai/data-insights/open-closed-eci-gap)
-   [Stanford HAI, AI Index Report 2025, technische Leistung](https://hai.stanford.edu/ai-index/2025-ai-index-report/technical-performance)
-   [openai/whisper auf GitHub (Beispiel für ein MIT-lizenziertes Open-Weight-Modell)](https://github.com/openai/whisper)
-   [Datenschutzerklärung von BroadNet Inference (gültig ab September 2026) (auf Englisch)](https://www.broadnet.ai/inference-privacy)
-   [Maschinenlesbare Preise von BroadNet Inference (pricing.json) (auf Englisch)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-open-weight-vs-closed-models&utm_content=sources)
