Open-Weight-Modelle im agentischen Unternehmenseinsatz

Open-Weight-Modelle sind KI-Sprachmodelle, deren trainierte Gewichte frei verfügbar sind. Unternehmen können sie selbst auf eigener Hardware betreiben oder über einen europäischen Anbieter nutzen, statt an ein einzelnes US-Flaggschiff-Modell gebunden zu sein.

Genau hier liegt der geschäftliche Nutzen. Wer Open-Weight-Modelle einsetzt, gewinnt Unabhängigkeit von einem einzelnen Anbieter und behält die Kontrolle über seine Daten. Viele dieser Modelle werden öffentlich bereitgestellt, etwa auf Plattformen wie Hugging Face, und lassen sich in eigener Infrastruktur produktiv nutzen.

Für den agentischen Einsatz zählt nicht der Benchmark auf dem Papier, sondern die Frage, ob ein Modell mehrstufige Aufgaben eigenständig und zuverlässig zu Ende bringt. Wir haben deshalb nicht Datenblätter verglichen, sondern die Modelle in agorum core pro mit ALBERT | AI arbeiten lassen, an echten Coding-Aufgaben und agentischen Prozessen.

GLM 5.2 erledigt mittelkomplexe Coding-Aufgaben und agentische Prozesse im Unternehmensumfeld zuverlässig. Bei schweren, komplexeren Aufgaben ist es allerdings nicht zuverlässig genug.

Das Modell bietet ein Kontextfenster von 256.000 Token. Eine Vision-Fähigkeit hat es nicht, es kann also keine Bilder erkennen. Dafür lässt es sich sehr performant nutzen, zum Beispiel über den europäischen Anbieter Melious.

In der Praxis ist GLM 5.2 damit ein solider Kandidat für alle Aufgaben mittlerer Komplexität. Für hochkomplexe Vorgänge, bei denen viele Zusammenhänge gleichzeitig beachtet werden müssen, greifst du besser zu einem stärkeren Modell.

DeepSeek V4 Pro erledigt mittelschwere Coding-Aufgaben und Prozesse recht zuverlässig und ist dabei relativ günstig betreibbar. Bei großen, komplexen Themen ist es aber noch nicht die beste Wahl.

Das Modell verfügt über ein Kontextfenster von einer Million Token. Eine Vision-Fähigkeit fehlt ihm. Es lässt sich, wie GLM 5.2, zum Beispiel über den europäischen Anbieter Melious nutzen und ist dort preislich attraktiv.

Für Unternehmen bedeutet das ein gutes Verhältnis aus Ergebnis und Kosten bei Aufgaben mittlerer Komplexität. Das große Kontextfenster hilft, wenn viele Informationen gleichzeitig verarbeitet werden müssen.

Kimi K3 ist das beste Open-Weight-Modell in dieser Vergleichsreihe. Es hat auch komplexere Coding-Aufgaben und agentische Prozesse im Unternehmenskontext bewältigt und kommt damit langsam an die Güte der US-Flaggschiff-Modelle heran.

Das Modell bietet eine Million Token Kontextfenster und Vision-Fähigkeit. Preislich ist es gegenüber US-Flaggschiff-Modellen wie Opus attraktiv. In vielen Bereichen kann es produktiv eingesetzt werden und seine Arbeit sehr gut leisten.

Eine Grenze bleibt. Wenn eine Aufgabe sehr komplex ist, etwa eine Coding-Änderung mit sehr vielen Seiteneffekten, sieht Kimi K3 nicht alles. Es erkennt nicht von selbst sehr gründlich jeden Seiteneffekt. Das macht ein Modell wie Opus 5 wesentlich besser. Für den Großteil der Unternehmensaufgaben ist Kimi K3 aber eine ernstzunehmende Alternative.

Drei Modellgruppen haben im agentischen Unternehmenseinsatz nicht überzeugt. Sie versagten vor allem dann, wenn es darum ging, agentische Loops zu bauen oder Aufgaben autonom zu Ende zu bringen.

• Die Qwen-Modelle haben in unseren Tests nicht gut funktioniert.
• Die DeepSeek V4 Flash-Modelle funktionieren ebenfalls nicht gut genug.
• MiniMax M3 hat überrascht, weil es deutlich schlechter arbeitete als erwartet.

Es gibt eine ganze Reihe weiterer Modelle am Markt. Dieser Praxistest konzentriert sich bewusst auf die Modelle, die wir als wirklich brauchbar empfinden und für den eigenen Einsatz empfehlen können.

ALBERT | AI ist Multi-LLM. Das Modell ist jederzeit wechselbar. Wer heute ein Open-Weight-Modell testet und morgen mit einem anderen weiterarbeiten möchte, wechselt das Modell, ohne Unternehmenswissen oder Prozesse zu migrieren.

Damit wird der schnelle Wandel im KI-Markt zu einer reinen Konfigurationsentscheidung statt zu einer strategischen Hürde. Für Unternehmen entstehen daraus konkrete Vorteile.

• Modellfreiheit, das passende Open-Weight-Modell pro Aufgabe, mehrere Modelle parallel im Einsatz.
• Datensouveränität, die Daten liegen in eigener Infrastruktur oder bei einem europäischen Anbieter.
• Kostenkontrolle, günstige Open-Weight-Modelle für den Alltag, starke Modelle gezielt für komplexe Aufgaben.
• Lokaler Betrieb, kleine Modelle wie Gemma 4 26B laufen auf eigener Hardware im Haus.
• Rechtekontext, ALBERT | AI arbeitet immer mit den Berechtigungen der jeweiligen User, modellunabhängig.
• Investitionssicherheit, neue Modelle lassen sich produktiv testen, ohne den Betrieb zu stören.