Die Open-Weights-Wende: Wie offene Modelle zur Frontier aufschließen — und was das für die Machtverhältnisse der KI-Industrie bedeutet

Ein Milliarden-Startup verschenkt sein erstes Produkt

Am 15. Juli 2026 hat Thinking Machines Lab, das mit zwei Milliarden Dollar Seed-Kapital ausgestattete Startup der früheren OpenAI-Technikchefin Mira Murati, sein erstes KI-Modell veröffentlicht — und zwar nicht hinter einer Bezahl-API, sondern als frei herunterladbares Open-Weights-Modell unter Apache-2.0-Lizenz. „Open Weights“ bedeutet: Die trainierten Modellparameter — das Ergebnis von Trainingsläufen im dreistelligen Millionenwert — stehen jedem zum Download bereit. Wer genug eigene Hardware hat, kann Inkling betreiben, untersuchen und für eigene Zwecke anpassen, ohne Thinking Machines je einen Cent zu zahlen.

Was auf den ersten Blick wie das Verschenken des Kronjuwels wirkt, ist eine wohlkalkulierte Wette — und sie ist der bislang deutlichste Beleg für eine Verschiebung, die sich seit Monaten abzeichnet: Der Abstand zwischen offenen und geschlossenen Modellen schrumpft, und mit ihm verschiebt sich die Frage, womit in der KI-Industrie eigentlich Geld verdient wird. Am selben Tag kursierte auf Hacker News ein vielbeachteter Report des Two-Sigma-Mitgründers David Siegel mit der Forderung, Regierungen, Unternehmen und Stiftungen sollten gezielt in freie, offene KI investieren. Sein Argument: Die Abschottung von KI-Modellen wiederhole den Fehler, den die Softwareindustrie in den 1980er-Jahren beinahe gemacht hätte — nur mit höheren Einsätzen.

Wie nah ist „offen“ an der Spitze wirklich?

Noch vor zwei Jahren galt als ausgemacht, dass offene Modelle der geschlossenen Frontier — den jeweils besten Modellen von OpenAI, Anthropic und Google — strukturell ein bis zwei Jahre hinterherlaufen. Mitte 2026 ist davon wenig übrig. Das chinesische GLM-5.2 von Z.ai erreichte im Juni als erstes offenes Modell die Top 4 des unabhängigen Artificial-Analysis-Intelligence-Index — hinter Claude Fable 5, Opus 4.8 und GPT-5.5, aber vor Googles Gemini 3.5. Beim Software-Engineering-Benchmark SWE-bench Pro trennen GLM-5.2 und Anthropics Opus 4.8 noch rund sieben Punkte, bei Terminal-Bench nur noch vier, bei Long-Horizon-Coding-Aufgaben liegen beide praktisch gleichauf.

Die realistische Zusammenfassung lautet: Für die absolut härtesten Aufgaben bleibt die geschlossene Frontier vorn — für einen wachsenden Anteil alltäglicher Produktions-Workloads ist der Unterschied kaum noch messbar. Genau in diese Lücke zielt Inkling: 975 Milliarden Parameter, von denen dank Mixture-of-Experts-Architektur — das Modell aktiviert pro Anfrage nur die jeweils passenden Teilnetze — nur 41 Milliarden gleichzeitig rechnen. Dazu native Verarbeitung von Bildern und Audio, ein Kontextfenster von bis zu einer Million Token und ein regelbarer „Thinking Effort“. Bemerkenswert ehrlich ist die Positionierung: Thinking Machines bewirbt Inkling ausdrücklich nicht als bestes Modell der Welt, sondern als ausgewogenen, offenen Ausgangspunkt für eigene Anpassungen. In der Hacker-News-Diskussion wurde prompt darauf verwiesen, dass GLM-5.2 in mehreren Benchmarks vorn liegt.

Der eigentliche Wettbewerb: China gegen den Rest

Wer über offene Modelle spricht, spricht 2026 vor allem über China. Nach Zahlen von Hugging Face stammen rund 41 Prozent aller Modell-Downloads des vergangenen Jahres von chinesischen offenen Modellen; Alibabas Qwen-Familie allein stand Anfang 2026 für etwa die Hälfte aller weltweiten Open-Source-Downloads und über 113.000 abgeleitete Modelle. Auf der Routing-Plattform OpenRouter sind die sechs meistgenutzten Modelle inzwischen sämtlich offene chinesische Modelle.

Die amerikanische Antwort darauf ist ein bemerkenswertes Sammelsurium: OpenAI veröffentlichte im August 2025 mit gpt-oss erstmals seit GPT-2 wieder offene Gewichte. Das ATOM Project des Allen-Institute-Forschers Nathan Lambert fordert mindestens ein US-Labor mit über 10.000 Spitzen-GPUs, das sich ausschließlich offenen Modellen widmet. Reflection AI positioniert sich — frisch ausgestattet mit Milliarden-Compute-Deals, über die wir in unserer Ausgabe vom 15. Juli berichteten — als „America's open frontier AI lab“. Und nun tritt Thinking Machines hinzu. Ausgerechnet Meta, jahrelang der Standardträger offener US-Modelle, hat sich dagegen verabschiedet: Das Llama-Nachfolgemodell wurde verschoben, das Flaggschiff „Behemoth“ eingestampft, und mit Muse Spark setzt Meta seit April auf ein komplett proprietäres Modell. In den Earnings-Calls des Konzerns, in denen Llama 2023 noch 19-mal fiel, kam der Name zuletzt gar nicht mehr vor.

Warum verschenkt man ein Modell?

Die Ökonomie dahinter folgt einem klassischen Muster der Tech-Industrie: Kommoditisiere, was du nicht verkaufst. Metas ursprüngliche Llama-Strategie zielte nie auf Wohltätigkeit, sondern darauf, die Modellschicht zur Massenware zu machen, damit der Wert zur eigenen Plattform wandert. Thinking Machines variiert das Muster: Das Modell ist gratis, bezahlt wird für Tinker, die hauseigene Fine-Tuning-Plattform, auf der Unternehmen Inkling an eigene Daten und Aufgaben anpassen. Die Wette lautet, dass „one size fits all“ verliert — dass also ein an die eigene Organisation angepasstes offenes Modell auf Dauer mehr wert ist als das generische Abo eines Frontier-Anbieters.

Rückenwind kommt von prominenter Stelle. Hugging-Face-CEO Clément Delangue formulierte es vergangene Woche so: Unternehmen starten auf Frontier-APIs, aber sobald sie skalieren, treiben die Kosten sie zu offenen Modellen. Seine Prognose: In wenigen Jahren dienen Frontier-Modelle dem Experimentieren und einigen Hochwert-Aufgaben, während die Masse der Produktions-Workloads auf privaten oder offenen Modellen läuft. Microsoft-Chef Satya Nadella warnt Unternehmen inzwischen öffentlich davor, bei proprietären Modellen „doppelt zu zahlen“ — mit der Abo-Gebühr und mit dem eigenen Geschäftswissen.

Doch Vorsicht vor der glatten Erzählung: Die Nutzungsdaten sind widersprüchlicher, als der Hype nahelegt. Ausgerechnet die viel zitierte Enterprise-Studie von Menlo Ventures ergab Ende 2025, dass der Open-Source-Anteil an der LLM-Nutzung in US-Unternehmen binnen eines Jahres von 19 auf 11 Prozent gefallen war. Und Mozillas „State of Open Source AI“-Report zeigt dieselbe Schere aus anderer Perspektive: 79 Prozent der Entwickler experimentieren mit offenen Modellen, aber nur 51 Prozent bringen sie in Produktion. Die Lücke liegt demnach weniger in der Modellqualität als in fehlender Infrastruktur, fehlendem Tooling und fehlendem Enterprise-Support. Downloads sind eben noch keine Deployments.

Exportkontrollen als unfreiwilliger Verbündeter

Ein Treiber der Open-Weights-Wende sitzt ausgerechnet in Washington. Als das US-Handelsministerium im Juni 2026 Anthropic anwies, den Zugang zu Fable 5 und Mythos 5 für ausländische Nutzer zu sperren — worüber wir mehrfach berichtet haben, zuletzt in unserer Ausgabe vom 27. Juni —, war die Antwort der Konkurrenz präzise getimt: Z.ai veröffentlichte GLM-5.2 unter MIT-Lizenz und bewarb explizit den „grenzenlosen Zugang“, Japans Sakana-Lab stellte sein Modell mit dem Versprechen „Frontier-Fähigkeit ohne Exportkontroll-Risiko“ vor. Jede Zugangssperre für ein US-Spitzenmodell macht offene Alternativen für den Rest der Welt attraktiver — ein Bumerang-Effekt, den auch Analysten des Lawfare-Instituts beschreiben.

Zugleich bleibt das Sicherheitsargument real: Einmal veröffentlichte Gewichte sind unwiderruflich in der Welt. Ein API-Modell kann sein Anbieter abschalten, patchen, mit Leitplanken versehen — ein offenes Modell nicht. Anthropic-Chef Dario Amodei warnt deshalb davor, immer leistungsfähigere Gewichte zu veröffentlichen; Delangue hält dagegen, Transparenz erlaube es Verteidigern, Schwachstellen selbst zu finden und zu schließen. Diese Debatte wird die Branche noch Jahre begleiten — und sie erklärt, warum die US-Politik gleichzeitig geschlossene Spitzenmodelle exportkontrolliert und offene amerikanische Modelle fördern will.

Was Entscheider daraus machen sollten

Für Unternehmen lässt sich die Lage auf vier Punkte verdichten. Erstens: Die Frage ist nicht mehr „offen oder geschlossen“, sondern „welcher Workload wohin“. Bewährt hat sich eine Sortierung nach Datensensibilität, Volumen-Vorhersagbarkeit und Compliance-Anforderungen — regulierte, volumenstarke Workloads sprechen für selbst gehostete offene Modelle, experimentelle und schwankende für Frontier-APIs. Zweitens: Self-Hosting hat einen realen Preis. Branchenschätzungen setzen den Break-even je nach Setup erst bei einem monatlichen Volumen von deutlich über hundert Millionen Token an; darunter bleibt die API meist günstiger, wenn man Personal- und Infrastrukturkosten ehrlich einrechnet. Drittens: Wer heute Frontier-APIs nutzt, sollte Portabilität einplanen — Prompts, Evaluationen und Feinabstimmungs-Daten so organisieren, dass ein Modellwechsel kein Neuanfang ist. Der Aufstieg der offenen Modelle ist das beste Verhandlungsargument gegenüber jedem API-Anbieter, selbst wenn man nie wechselt. Und viertens: Die Geopolitik gehört in die Modellauswahl. Chinesische offene Modelle sind technisch exzellent, werfen in regulierten europäischen Kontexten aber eigene Fragen auf — von Datenresidenz bis AI-Act-Dokumentation.

Die Open-Weights-Wende ist real, aber sie ist kein Selbstläufer — sie ist ein Umbau der Wertschöpfung. Modelle werden zur Massenware, Wert entsteht in Anpassung, Betrieb und Integration. Dass ausgerechnet ein Zwei-Milliarden-Dollar-Startup wie Thinking Machines diese Wette eingeht, ist das bislang stärkste Signal, dass die Branche selbst daran glaubt.