← Blog
·2 Min. Lesezeit

Offene vs. geschlossene Modelle: Was sich bei sensiblen Daten wirklich ändert

Ein geschlossenes Modell und ein offenes Modell sind keine zwei Varianten desselben Produkts: Sie unterscheiden sich darin, wer Ihre Daten sieht und wer das System kontrolliert. So entscheiden Sie von Fall zu Fall.

Offene ModelleDatensouveränität

Wenn ein Unternehmen die Einführung von KI prüft, lautet die erste Frage meist: "Welches Modell ist leistungsfähiger?" Das ist die falsche Frage, mit der man beginnen sollte — oder zumindest nicht die einzige. Bei jedem Anwendungsfall, der sensible Daten betrifft, zählt vor allem eine Frage: Wer sieht diese Daten, und unter welcher Rechtsprechung?

Der Unterschied liegt nicht in der Qualität, sondern in der Kontrolle

Ein geschlossenes Modell, das nur über die API eines Anbieters zugänglich ist, erfordert, dass Ihre Daten — oft über ausländische Server — übertragen werden, um eine Antwort zu erhalten. Ein offenes (Open-Weight-)Modell dagegen kann vollständig auf Ihrer eigenen Infrastruktur oder in einer souveränen Schweizer Cloud betrieben werden: Die Modellgewichte gehören Ihnen zum Betreiben, sie sind kein Dienst, an den Sie Informationen senden müssen.

Das ist kein technisches Detail: Bei Verträgen, Krankenakten, Finanzdaten oder Informationen, die dem Berufsgeheimnis unterliegen, entscheidet dies darüber, ob Sie vollständig konform mit nDSG und DSGVO bleiben oder sich einem rechtlichen Risiko aussetzen, das kein Vertrag mit dem Anbieter vollständig beseitigt.

Wann das geschlossene Modell die richtige Wahl bleibt

Es wäre unehrlich zu behaupten, dass offene Modelle immer gewinnen. Bei einigen komplexen Denkaufgaben sind die besten geschlossenen Modelle heute noch leistungsfähiger, und ihre Einführung erfolgt sofort, da keine zu verwaltende Infrastruktur erforderlich ist. Für nicht sensible Inhalte — Marketingentwürfe, öffentliche Recherche, Prototyping — ist dies oft die effizientere Wahl.

Ein Entscheidungsrahmen in drei Fragen

Es geht nicht um "offen gegen geschlossen". Es geht darum, eine Architektur zu bauen, in der jede Art von Daten dort landet, wo es richtig ist — und in der diese Entscheidung explizit getroffen wird, nicht standardmässig hingenommen wird, weil es zu Beginn der bequemste Weg ist.

Möchten Sie das auf Ihren Fall bezogen besprechen?

Gespräch vereinbaren →Weitere Artikel
Weiterlesen

nDSG, DSGVO und künstliche Intelligenz: die Checkliste für Entscheidungsträger im Unternehmen

Ein KI-Tool einzuführen, ohne geprüft zu haben, wo die Daten landen, ist der schnellste Weg, einen Produktivitätsgewinn in ein Compliance-Problem zu verwandeln. Das sollten Sie vorher prüfen.

RAG oder Fine-Tuning? So wählen Sie den richtigen Ansatz für die Dokumente Ihres Unternehmens

RAG und Fine-Tuning werden oft als gleichwertige Alternativen dargestellt. Das sind sie nicht: Sie lösen unterschiedliche Probleme, und die falsche Wahl kostet Monate an Arbeit.