Offene Modelle können Spezialaufgaben verbilligen, ohne das Agentenrennen anzuführen

In seinem Vortrag How Open Models Win argumentiert Nathan Lambert, dass offene Modelle bei klar umrissenen und häufig wiederholten Aufgaben antreten sollten. Neben niedrigeren Kosten können sie privaten Betrieb, Anpassbarkeit und mehr Kontrolle über Daten bieten.

Offene Modelle liegen Monate zurück, während Produktanbieter die Erlöse behalten

Lambert verweist auf zwei unabhängige Fähigkeitsindizes. Artificial Analysis sieht führende offene Gewichte etwa 3 Monate hinter der geschlossenen Spitze. Epoch AI kommt auf ungefähr 5 Monate. Das sind breite Fähigkeitsmaße und keine Garantie für gleiche Qualität bei jeder Aufgabe.

Wirtschaftlich ist der Abstand größer. OpenAI und Anthropic verbinden Modell, API, Anwendung und Kundenbeziehung. Im offenen Ökosystem verteilen sich diese Rollen auf Gewichtsentwickler, Inference Anbieter und Post-Training Firmen. Einnahmen aus der Nutzung fließen deshalb nur langsam zu den Entwicklern der Basismodelle zurück.

Wiederholbare Arbeit macht aus Modellpreisen Kosten pro fertiger Aufgabe

Lambert empfiehlt den Wettbewerb dort, wo ein Unternehmen die Aufgabe genau beschreiben, oft wiederholen und das Ergebnis messen kann. Dann zählt der Preis pro erledigter Aufgabe mehr als ein allgemeiner Benchmarkwert.

Fireworks gibt an, dass einige Aufgaben beim Kunden Factory nur 6 % der Kosten eines Frontier Modells verursachten. Das ist eine Fallstudie des Anbieters und kein allgemeiner Vergleich. Sie zeigt dennoch, warum ein spezialisiertes offenes Modell auch ohne Spitzenplatz sinnvoll sein kann. Der zweite Vorteil ist Kontrolle. Ein Unternehmen kann das Modell anpassen und in der eigenen Umgebung betreiben.

Günstige Inference finanziert das nächste Modell nicht von allein

Hier liegt die zentrale Spannung in Lamberts These. Modellentwickler brauchen Einnahmen für Training und Forschung. Gleichzeitig soll die Strategie Inference Preise nahe an die Rechenkosten drücken. Mehr Nutzung schafft daher nicht automatisch ein tragfähiges Geschäft für die Unternehmen, die die Entwicklung bezahlen.

Auch der private Betrieb ist nicht automatisch günstiger. Ein Unternehmen braucht Evals, Sicherheit, Aufsicht und genügend Volumen. Bei unregelmäßiger Arbeit kann eine bezahlte API weiterhin praktischer sein.

Workflowkosten und Einnahmen der Entwickler entscheiden

Das erste wichtige Signal sind die gesamten Workflowkosten bei gleicher Qualität. Ein offenes Modell hat Erfolg, wenn es die Kosten einer fertigen Aufgabe dauerhaft senkt, ohne eine teure Wartungsschicht hinzuzufügen.

Das zweite Signal kommt von den Gewichtsentwicklern. Erhalten sie genug Geld für einen weiteren Trainingszyklus, kann das offene Ökosystem den Abstand bei wenigen Monaten halten. Bleiben die Einnahmen bei Inference und Anwendungen, finanziert günstige Nutzung fremde Produkte statt des nächsten Modells.

Liliths Urteil

Auf der Bühne kann ein geschlossenes Modell gewinnen. Der Markt entscheidet sich im Betrieb, wo dieselbe Aufgabe tausendmal wiederkehrt und jeder Cent auf der Rechnung steht.