KI der Spitzenklasse: besitzen statt mieten

Wer in den letzten Jahren mit der besten KI arbeiten wollte, musste sie mieten. Daten an OpenAI oder Anthropic schicken, pro Anfrage zahlen, deren Regeln befolgen. Diese Woche veröffentlichte Thinking Machines Lab — gegründet von Mira Murati, der ehemaligen Chief Technology Officer von OpenAI — Inkling: ein Spitzen-KI-Modell, das man herunterladen und selbst betreiben kann. Es ist ein Open-Weight-Modell: Jeder kann die Modelldateien laden, nutzen und frei anpassen.

Inkling ist auf dem Papier gewaltig — 975 Milliarden Parameter, also die Zahlen, die bestimmen, wie eine KI denkt — doch durch ein cleveres Design aktiviert es pro Aufgabe nur rund 41 Milliarden davon. Das macht es deutlich schneller und günstiger als die Gesamtgröße vermuten lässt. In Coding-Tests erreichte es dasselbe Niveau wie die besten verfügbaren Tools, dabei verwendete es nur etwa ein Drittel der Tokens — die kleinen Textblöcke, die ein KI-Dienst dir in Rechnung stellt — wie vergleichbare Modelle gleicher Leistung.

Was diesen Start zu mehr als nur einer weiteren Modellankündigung macht, ist die dahinterstehende Strategie. Thinking Machines kämpft nicht darum, insgesamt das stärkste Modell zu sein. Die Wette lautet: Unternehmen wollen KI, die sie für ihr eigenes Fachgebiet anpassen können — mit eigenen Daten, eigener Sprache, eigenen Regeln. Ein erster Test mit der Investmentfirma Bridgewater Associates erzielte 84,7 % beim Finanz-Reasoning — bei rund 14-mal niedrigeren Kosten als ein vergleichbares geschlossenes Modell. Das ist ein enormer Vorteil, wenn man monatlich Millionen von Dokumenten verarbeitet.

Für alle, die Software bauen oder Arbeit automatisieren, ist die Botschaft klar. Inkling lässt sich heute von Hugging Face herunterladen, auf eigenen Daten feintunen und auf eigenen Servern betreiben — kein Abo, keine Genehmigung nötig. Der Kosten- und Kontrollvorteil von offener KI ist jetzt real, kein Versprechen für die Zukunft. Der ehrliche Preis dabei: Man übernimmt selbst die Verantwortung, das Modell sicher und zuverlässig zu halten — das erfordert echten Engineering-Aufwand.

Wer ein KI-gestütztes Produkt baut, sollte jetzt einen echten Vergleichstest machen. Einen Workflow, den man aktuell an ein geschlossenes Modell schickt, auf Inkling laufen lassen und Qualität sowie Kosten direkt gegenüberstellen. Die Leistungslücke ist klein genug geworden, um den Test zu lohnen — und wenn die Kosteneinsparung in der eigenen Anwendung hält, könnte das grundlegend verändern, was man bereit ist zu zahlen.