Die Open-Source-KI-Bewegung hat wahrhaft beeindruckende Modelle hervorgebracht. DeepSeek verarbeitet nun über ein Drittel aller Token

Die Open-Source-KI-Bewegung hat wahrhaft beeindruckende Modelle hervorgebracht. DeepSeek verarbeitet mittlerweile über ein Drittel aller Token, die durch Vercels AI Gateway fließen. Z.ai’s GLM-5.2 liegt volumenmäßig stabil unter den Top vier der Plattform. Dies sind keine Hobby-Projekte. Es handelt sich um produktionsreife Systeme, die massive Enterprise-Workloads bewältigen. Angesichts dieser Zahlen wäre es leicht anzunehmen, dass Frontier-Labs wie Anthropic eine existenzielle Bedrohung für ihre Marktposition gegenüberstehen.

Diese Annahme verkennt das, was tatsächlich passiert.

Die eigentliche Aufgabe von Frontier-Modellen

Decagon-CEO Jesse Zhang hat einen klareren Weg vorgeschlagen, um die Aufteilung zwischen proprietärer und Open-Source-KI zu verstehen. Der Wettbewerb ist kein einfacher Wettlauf, bei dem man den anderen ersetzen will. Stattdessen bedienen die beiden Kategorien unterschiedliche Phasen eines einzigen Unternehmenslebenszyklus.

Frontier-Modelle fungieren als Discovery-Layer. Wenn ein Unternehmen beginnt zu erforschen, wie KI interne Prozesse verändern könnte, ist die Aufgabe fast immer schlecht definiert. Die Inputs sind unordentlich. Die gewünschten Outputs sind vage. Erfolg erfordert das Durchdenken von Mehrdeutigkeiten, das Handhaben von Edge Cases, die das Team noch nicht katalogisiert hat, und die Anpassung an Prompts, die sich stündlich ändern können. Dies ist Prototyping- und Proof-of-Concept-Arbeit. Sie erfordert das fähigste verfügbare System, ungeachtet der Kosten, denn die Alternative ist ein gescheitertes Experiment, das nichts lehrt.

In dieser Phase sind teure Frontier-Modelle kein Overhead. Sie sind die Kosten für Marktforschung, komprimiert auf wenige API-Aufrufe. Sobald der Anwendungsfall bewiesen und der Workflow abgebildet ist, ändert sich die Art des Problems. Die Mehrdeutigkeit verschwindet. Inputs werden standardisiert. Prompts stabilisieren sich. Die Aufgabe ist zur Routine geworden. An diesem Punkt migrieren viele Unternehmen die Workload zu einem leichteren, günstigeren Modell. Open-Source-Alternativen übernehmen die Produktionsphase, während Frontier-Modelle an der Front bleiben, um die nächste Welle unbekannter Probleme zu bewältigen.

Dies ist keine Theorie darüber, wie KI funktionieren sollte. Es ist eine Beschreibung dessen, wie sich Budgets bereits bewegen.

Wenn Workloads in den Massenmarkt wandern

Die Migration zu Open Source ist real und in den Traffic-Daten sichtbar. Der Anstieg von DeepSeek auf über ein Drittel des Token-Volumens auf der Infrastruktur von Vercel zeigt, dass Unternehmen enorme Mengen an Inferenz über günstigere Modelle laufen lassen. Z.ai’s GLM-5.2 hat sich ebenfalls eine Top-Four-Position erarbeitet, indem es stetigen, vorhersehbaren Traffic bewältigt.

Diese Modelle glänzen bei Aufgaben, die bereits „gezähmt“ wurden. Denken Sie an die hochvolumige Datenextraktion aus standardisierten Formularen, die erste Triage im Kundensupport, die Tickets basierend auf offensichtlichen Keywords routet, oder routinemäßiges Code-Linting und die Generierung von Dokumentationen. Die Prompts sind vorlagenbasiert. Die Fehlermodi sind bekannt. Das geschäftliche Risiko eines schlechten Outputs ist begrenzt. Wenn die Arbeit definiert und repetitiv ist, werden die Inferenzkosten zum primären Anliegen. Dieselbe Workload auf einem Sechs-Cent-Modell statt auf einem Premium-Modell laufen zu lassen, ergibt sofortigen finanziellen Sinn.

Aber Volumen ist nicht Umsatz. Die Tatsache, dass Open-Source-Modelle die Token-Anzahl dominieren, bedeutet nicht, dass sie auch die Wertschöpfung dominieren. Das Token-Volumen misst die Aktivität. Die Token-Ausgaben messen, wofür Unternehmen bereit sind, für unverzichtbare Fähigkeiten zu bezahlen.

Wohin das Geld tatsächlich fließt

Die Daten des Vercel AI Gateways machen die wirtschaftliche Aufteilung unübersehbar. Trotz der Dominanz von DeepSeek im reinen Token-Traffic sichert sich Anthropic weiterhin mehr als die Hälfte der gesamten KI-Ausgaben auf der Plattform. Die Lücke zwischen Aktivität und Ausgaben liegt an einem enormen Preisunterschied.

Laut OpenRouter-Daten kostet Anthropic's Opus 4.8 etwa 1,37 $ pro Million Token. DeepSeek’s V4Flash kostet für das gleiche Volumen etwa sechs Cent. Opus ist etwa dreiundzwanzigmal teurer. Dieser Multiplikator ist wichtiger, als es die reinen Token-Zahlen jemals sein könnten. Ein Entwicklungsteam könnte neunzig Prozent seines Inferenzvolumens auf das günstigere Modell verlagern und dennoch feststellen, dass das teure Modell den Großteil seines Budgets beansprucht.

Diese Diskrepanz ist kein Zufall. Sie spiegelt die Realität wider, dass Frontier-Anbieter etwas anderes verkaufen. Sie verkaufen nicht nur Token. Sie verkaufen die Fähigkeit, Probleme zu lösen, für die es keine etablierten Playbooks gibt. Die Unternehmen, die Premium-Preise zahlen, tun dies nicht aus Unwissenheit. Sie tun es, weil die Aufgaben, die sie diesen Modellen übertragen, entweder hochriskant oder strukturell komplex sind. Ein Rechtsteam, das eine neuartige regulatorische Exposition analysiert, kann keine halluzinierte Zitierung tolerieren. Ein Produktteam, das einen mehrstufigen agentischen Workflow entwirft, benötigt, dass das Modell die Logik über mehrere Durchgänge hinweg korrekt verknüpft. Die Kosten eines Scheiterns in diesen Szenarien übersteigen die Kosten des API-Aufrufs bei weitem.

Investitionsausgaben fließen in die Ebene, in der der Wert noch geschaffen und nicht nur ausgeführt wird.

Der Markt wächst schneller als die Migration

Wenn Open-Source-Modelle so viel günstiger sind und Unternehmen ihre ausgereiften Workloads aktiv dorthin verlagern, warum ist dann die Ausgabensumme für Frontier-Modelle nicht eingebrochen? Die Antwort lautet, dass der Gesamtmarkt der adressierbaren KI-Aufgaben schneller wächst, als ein einzelnes Modell ihn zur Commodity machen kann.

Jedes Mal, wenn ein Unternehmen erfolgreich einen vorhersehbaren Arbeitsablauf mit einer Open-Source-Alternative automatisiert, passieren zwei Dinge. Erstens spart dieses Team Kosten bei der Ausführung. Zweitens werden diese Ressourcen und dieses Talent auf schwierigere, angrenzende Probleme umgeleitet. Die Routinearbeit wird nun von Maschinen erledigt, was bedeutet, dass sich die Menschen auf das Unregelmäßige, das Strategische und das beispiellose konzentrieren können. Das neu entdeckte Problem erfordert fast immer die Denkfähigkeit eines Frontier-Modells.

Dieses Muster wiederholt sich in verschiedenen Branchen. Eine Bank automatisiert die Dokumentenprüfung mit einem günstigen Modell und widmet sich dann dem Aufbau eines dynamischen Risikomodells, das nuancierte Urteilskraft erfordert. Ein Softwareunternehmen automatisiert die Testgenerierung und versucht dann, einen autonomen Debugging-Agenten zu entwickeln, der Fehler in verteilten Systemen nachverfolgen muss. Die Grenze verschiebt sich ständig nach vorne. Sobald eine Aufgabe zur Commodity wird, entsteht ein komplexerer Anwendungsfall, der Premium-Leistung erfordert.

Viele Aufgaben in Unternehmen sind zudem zu sensibel, um sie der aktuellen Generation von Open-Source-Alternativen anzuvertrauen. Medizinische Triage-Unterstützung, Finanzprognosen unter regulatorischer Aufsicht und die Analyse der Geschäftsstrategie bergen Abwärtsrisiken, die die Inferenzkosten im Vergleich zu Genauigkeit und Zuverlässigkeit irrelevant machen. Diese Workloads schaffen eine dauerhafte Premium-Ebene. Das Ergebnis ist eine stabile zweistufige Wirtschaft: eine hochmargige Ebene für komplexes Denken und Entdeckungen sowie eine volumenstarke Commodity-Ebene für die routinemäßige Ausführung.

Was dies für Unternehmenskunden bedeutet

Die praktische Schlussfolgerung ist, dass die Modellauswahl dem Reifegrad der Aufgabe folgen sollte, nicht einer Ideologie. Entwickeln und validieren Sie neue KI-Anwendungen mit den leistungsfähigsten Frontier-Modellen, auf die Sie zugreifen können. Zahlen Sie den Aufpreis während der Explorationsphase. Das ist günstiger, als auf einem eingeschränkten Modell aufzubauen, den Wert nicht beweisen zu können und das Projekt dann aufzugeben. Sobald die Inputs, Outputs und Fehlermodi bekannt sind, optimieren Sie aggressiv. Verlagern Sie die stabilen Workloads auf eine Open-Source-Alternative und nutzen Sie die Kosteneinsparungen.

Der Versuch, jede Aufgabe in eine einzige Ebene zu zwingen, ist ein Rezept für entweder verschwendetes Kapital oder verpasste Möglichkeiten. Die Unternehmen, die dies korrekt handhaben, werden standardmäßig Hybrid-Architekturen einsetzen, nicht als Kompromiss.

Die Geschichte hier ist nicht, dass Open Source verliert oder dass Frontier-Labs unbesiegbar sind. Es ist, dass beide Ebenen wachsen, aber in unterschiedliche Richtungen. Open-Source-Modelle verschlingen die bekannte Welt der KI-Aufgaben. Frontier-Modelle beanspruchen das Unbekannte für sich. Für absehbare Zeit ist das eine komfortable Vereinbarung für beide Seiten.