Open Source vs. geschlossene KI-Modelle: Wer gewinnt 2026?

Fragt man zehn Leute, die 2026 mit KI arbeiten, ob offene oder geschlossene Modelle gewinnen, bekommt man zehn verschiedene Antworten — je nachdem, was sie bauen und was sie unter “offen” verstehen. Das ist keine Ausflucht, sondern der tatsächliche Stand der Dinge. Bei Video-, Bild- und Textgenerierung hat das Open-Weight-Lager die Fähigkeitslücke so weit geschlossen, dass “nimm einfach das geschlossene Modell, das ist offensichtlich besser” seit anderthalb Jahren keine sichere Standardannahme mehr ist. Aber die geschlossenen Labore haben nicht stillgestanden, und das Wort “offen” selbst ist inzwischen so umstritten, dass zwei Menschen damit Produkte mit tatsächlich unterschiedlichen Rechten beschreiben können. Bevor man Partei ergreift, lohnt es sich, genau zu klären, was da eigentlich verglichen wird.

Der Definitionsstreit, den außerhalb der KI-Szene kaum jemand verfolgt

Die Open Source Initiative hat ihre formale Definition von Open-Source-KI im Oktober 2024 verabschiedet — mit einer Messlatte, die die meisten “offenen” Modellveröffentlichungen gar nicht erreichen: Um zu qualifizieren, muss ein Modell nicht nur herunterladbare Gewichte bieten, sondern auch den Trainingscode und genug Dokumentation über die Trainingsdaten, damit jemand das Modell plausibel reproduzieren könnte. Nach diesem Maßstab sind die meisten Modelle, die man umgangssprachlich “Open Source” nennt — Llama, Wan, sogar DeepSeek —, eigentlich “Open Weight”: Man bekommt die fertigen Parameter zum Ausführen und Feintunen, aber nicht das Rezept, das sie hervorgebracht hat. Diese Unterscheidung klingt spitzfindig, bis man entscheiden muss, ob ein Anbieter wirklich prüfbar macht, womit ein Modell trainiert wurde — was für alle wichtig ist, die ein reguliertes Produkt ausliefern. In der Praxis hat sich “Open Weight” 2026 als der gängige Fachbegriff durchgesetzt, und die nützlichere Frage für Entwickler lautet nicht “ist es Open Source”, sondern “was erlaubt mir die Lizenz tatsächlich.”

Video: die Lücke, die sich am schnellsten schloss

Bei der Videogenerierung zeigt sich die Open/Closed-Trennlinie am deutlichsten, weil ein leistungsfähiges Videomodell von Grund auf zu bauen so teuer ist, dass es sich nur eine Handvoll Labore überhaupt zutraut. Alibabas Wan 2.2, veröffentlicht unter der Apache-2.0-Lizenz mit Gewichten auf GitHub, Hugging Face und ModelScope, ist das klarste Open-Weight-Flaggschiff in der Kategorie — eine großzügige Lizenz, die kommerzielle Nutzung, Modifikation und Weiterverbreitung erlaubt, mit einer kleineren 5B-Variante, die leichtgewichtig genug für eine einzelne Consumer-GPU ist, und größeren Mixture-of-Experts-Varianten, die für den Einsatz in großem Maßstab echte Infrastruktur brauchen. Kling von Kuaishou steht auf der anderen Seite: keine veröffentlichten Gewichte, kein Modell-Repository, und der Zugang läuft ausschließlich über eine Entwickler-API mit eigenen, vorausbezahlten Credit-Paketen, getrennt von den Consumer-Abos — eine echte Hürde für beiläufiges Experimentieren, wenn auch keine ungewöhnliche für ein geschlossenes Spitzenmodell. Das Interessante ist nicht, dass das eine offen und das andere geschlossen ist, sondern dass Wans Bewegungskonsistenz und visuelle Qualität den Abstand so weit verringert haben, dass viele Teams inzwischen standardmäßig darauf zurückgreifen und nur bei ganz bestimmten Aufgaben zu einem geschlossenen Modell wechseln — das war vor zwei Jahren noch nicht der Fall.

Bild: der älteste Streit der generativen KI, immer noch ungelöst

Bei der Bildgenerierung läuft dieses Experiment am längsten, und das Ergebnis ist tatsächlich geteilt statt ein klarer Sieg für eine Seite. Midjourney bleibt geschlossen und proprietär, mit einem starken, kuratierten Hausstil, der die meisten offenen Modelle ohne jeden Feintuning-Aufwand des Nutzers optisch von der Stange schlägt. Die Nachfolger von Stable Diffusion und offene Konkurrenten wie Flux haben diesen Abstand erheblich verkleinert — nach den meisten informellen Vergleichen, die 2026 kursieren, erreichen oder übertreffen Werkzeuge wie Flux und feingetunte SDXL-Checkpoints wie Juggernaut XL Midjourney bei Prompt-Treue und Fotorealismus, und sie laufen kostenlos auf eigener Hardware, sobald man die GPU besitzt. Was Midjourney eigentlich verkauft, ist längst nicht mehr Bildqualität, sondern die Abwesenheit von Einrichtungsaufwand: kein ComfyUI-Graph zum Bauen, kein LoRA zum Suchen, ein Abo für zehn Dollar im Monat und ein Prompt-Feld. Das Ökosystem von Stable Diffusion — LoRAs, ControlNet, eigene Sampler, eine riesige Bibliothek an Community-Finetunes — ist eine Tiefe, die ein geschlossenes System schon aus Prinzip nicht bieten kann, weil diese Tiefe voraussetzt, dass man Leute an die Maschinerie heranlässt. Wer hier “gewinnt”, hängt vollständig davon ab, ob man Kuratierung oder Kontrolle höher schätzt — und beide Lager haben diese Entscheidung dauerhaft statt vorübergehend getroffen.

Text: die lauteste und folgenreichste Arena

Bei Sprachmodellen bekommt die Open/Closed-Debatte die meiste Aufmerksamkeit, und 2026 hat eine wirklich merkwürdige Wendung gebracht: OpenAI, das Unternehmen, das am stärksten damit assoziiert wird, seine Spitzenmodelle hinter einer API einzuschließen, hat im August 2025 eigene Open-Weight-Modelle veröffentlicht — gpt-oss-120b und gpt-oss-20b, unter Apache 2.0, die erste Open-Weight-Veröffentlichung seit GPT-2. Sie sind weder über ChatGPT noch über OpenAIs eigene API verfügbar; sie existieren rein für alle, die Inferenz auf eigener Infrastruktur laufen lassen wollen, und gpt-oss-120b soll auf zentralen Benchmarks nahe an OpenAIs eigenes Reasoning-Modell o4-mini herankommen. Allein diese Veröffentlichung hat mehr dafür getan, Open-Weight-Textmodelle zu legitimieren, als jede Ankündigung von Meta oder Mistral, weil sie von einem Labor kam, das jeden kommerziellen Anreiz hatte zu behaupten, geschlossen sei immer besser. DeepSeeks V4-Modelle wiederum erscheinen unter der schlichten MIT-Lizenz — vermutlich die großzügigste Lizenz, die in der Branche breit im Einsatz ist, und die es jedem erlaubt, darauf aufbauende Produkte zu bauen und zu verkaufen, ohne Lizenzgebühren zu zahlen. Metas Llama 4 dagegen läuft unter einer eigenen Community License, die offen wirkt, bis ein Unternehmen 700 Millionen monatlich aktive Nutzer überschreitet — dann muss es separate Bedingungen mit Meta aushandeln, ganz nach Metas Ermessen. Genau diese Klausel ist der Grund, warum die Open Source Initiative Llama im strengen Sinne nicht als Open Source anerkennt, obwohl die meisten Leute es beiläufig so nennen; es ist eher “einsehbar mit Deckel” als uneingeschränkt. Mistral besetzt eine eigene Mittelposition und mischt großzügigere Veröffentlichungen kleinerer Modelle mit strengeren Bedingungen für seine größeren Flaggschiffsysteme. Nichts von dieser Lizenz-Feinheit taucht in einer Benchmark-Grafik auf, aber genau sie entscheidet in der Praxis, ob ein Unternehmen ein Geschäft auf einem bestimmten Modell aufbauen kann, ohne dass ein Anwalt zustimmen muss.

Wer gewinnt also wirklich

Die ehrliche Antwort ist: “Gewinnen” ist kein einzelner Wettbewerb, sondern mindestens drei — und jedes Lager liegt in einem anderen vorn. Bei der reinen Spitzenleistung — den anspruchsvollsten Aufgaben in Reasoning, Coding und Generierung — halten geschlossene Labore weiterhin einen echten, wenn auch schrumpfenden Vorsprung, und unabhängige Beobachtungen etwa von Epoch AI haben durchgehend gezeigt, dass die besten geschlossenen Modelle den besten Open-Weight-Modellen zu jedem Zeitpunkt einige Monate voraus liegen — nicht weil offene Labore nicht mithalten könnten, sondern weil Trainingsläufe an der Spitze so kapitalintensiv sind, dass wer am meisten ausgeben kann, im Vorteil ist. Bei Kosten und Zugang gewinnen offene Gewichte klar: DeepSeek und vergleichbare offene Modelle unterbieten geschlossene API-Preise pro Token routinemäßig um das Vier- bis Zehnfache, und ein lokal laufendes Modell bedeutet keine Rechnung pro Anfrage und keine Abhängigkeit davon, dass ein Anbieter einen Endpunkt am Laufen hält — ein reales Risiko, wenn man bedenkt, wie oft sich Zugangsregeln für geschlossene Modelle mit wenig Vorwarnung geändert haben, weil Anbieter Bedingungen neu verhandeln oder auf Streitfälle reagieren. Beim Produkterlebnis für alle, die sich gar nicht mit Infrastruktur beschäftigen wollen, gewinnen geschlossene Plattformen weiterhin standardmäßig, weil eine kuratierte App ohne Einrichtungsaufwand immer ein überlegenes Modell schlägt, für das man erst einen eigenen Server aufsetzen muss.

Keine dieser drei Achsen wird verschwinden, weshalb sich das Feld weiterhin um alle drei gleichzeitig organisiert, statt auf einen einzigen Gewinner zuzulaufen. Zu erwarten sind mehr Veröffentlichungen wie OpenAIs gpt-oss — geschlossene Labore, die sich absichern, indem sie eine Open-Weight-Stufe herausbringen, die die Entwickler-Aufmerksamkeit einfängt, ohne die eigene Flaggschiff-API zu kannibalisieren. Und zu erwarten ist, dass weiterhin nicht die Benchmark-Zahl, sondern das Kleingedruckte der Lizenz darüber entscheidet, auf welches Modell ein ernsthaftes Team wirklich baut.