Zwei Modell-Releases haben den Sommer 2026 in der Open-Source-KI-Szene geprägt: Kimi K3 von Moonshot AI und Gemma 4 von Google DeepMind. Beide sind offen zugänglich, beide konkurrieren mit geschlossenen Spitzenmodellen, und beide bringen deutsche Unternehmen in eine Lage, die vor einem Jahr noch theoretisch war. Seit dem 2. August 2025 gelten unter der EU-KI-Verordnung konkrete Pflichten für Anbieter von General-Purpose-AI-Modellen (GPAI), und Artikel 53 macht bei offenen Modellen eine Ausnahme, die längst nicht jedes “offene” Modell erfüllt.
Kimi K3 bringt 2,8 Billionen Parameter mit, veröffentlicht als frei herunterladbare Gewichte. Gemma 4 kommt in fünf Größen unter einer echten Apache-2.0-Lizenz. Auf den ersten Blick sehen beide Modelle wie klassische Open-Source-Freigaben aus. Bei genauerem Hinsehen zeigt sich: Nur eines der beiden erfüllt zweifelsfrei die Kriterien, die Artikel 53 Absatz 2 der KI-Verordnung für eine Ausnahme von den strengeren Pflichten verlangt. Für IT-Abteilungen und Compliance-Teams in Deutschland, Österreich und der Schweiz ist das mehr als eine juristische Fußnote.
Der zeitliche Druck kommt von beiden Seiten. Technisch drängen offene Modelle mit jeder Iteration näher an die geschlossenen Spitzenreiter heran, was Self-Hosting für immer mehr Anwendungsfälle wirtschaftlich attraktiv macht. Regulatorisch läuft parallel die zweijährige Übergangsfrist für Bestandsmodelle, die am 2. August 2027 endet. Wer heute ein offenes Modell in Produktion nimmt, ohne dessen Lizenzstatus geklärt zu haben, verschiebt ein Problem, das spätestens mit dem Ende dieser Frist auf den Tisch kommt.
Kimi K3 und Gemma 4: die zwei wichtigsten Releases des Sommers
Moonshot AI veröffentlichte Kimi K3 am 16. Juli 2026 zunächst als API-Modell, elf Tage später folgten die vollständigen Gewichte zum Download. Das offizielle GitHub-Repository von Moonshot AI beschreibt K3 als Mixture-of-Experts-Modell mit 2,8 Billionen Gesamtparametern, von denen 104 Milliarden pro Token aktiviert werden. Das Modell nutzt eine neue Architektur namens Kimi Delta Attention in Kombination mit sogenannten Attention Residuals und leistet sich ein Kontextfenster von 1.048.576 Token, umgerechnet gut eine Million.
Google DeepMind zog mit Gemma 4 nach: Die erste Modellfamilie mit den Größen E2B, E4B, 31B und 26B A4B erschien am 31. März 2026, die öffentliche Ankündigung folgte am 2. April, ein zusätzliches 12B-Unified-Modell kam am 3. Juni dazu. Anders als Kimi K3 steht die gesamte Gemma-4-Familie unter Apache 2.0, einer von der Open Source Initiative anerkannten Lizenz. Genau dieser Unterschied wird für Unternehmen in der EU zum entscheidenden Detail.
Kimi K3 im Detail: 2,8 Billionen Parameter aus Peking
Die technischen Eckdaten von Kimi K3 sind über mehrere unabhängige Quellen bestätigt, darunter das Moonshot-AI-Repository selbst sowie das offizielle Modellblatt von Nvidia. Das Modell routet bei jeder Anfrage 16 von insgesamt 896 Experten an, ergänzt um zwei permanent aktive Shared Experts. Die Architektur besteht aus 93 Decoder-Blöcken mit 96 Attention-Heads, verteilt im Verhältnis von etwa drei zu eins zwischen linearer Kimi-Delta-Attention und globaler Gated-MLA-Attention.
Für die Praxis zählt vor allem die API-Preisgestaltung: Moonshot AI berechnet 3 US-Dollar pro Million Input-Token, 15 US-Dollar für Output-Token und nur 0,30 US-Dollar für Cache-Treffer beim Input. Damit positioniert sich K3 deutlich unter den Preisen westlicher Frontier-Anbieter, während es laut mehreren technischen Auswertungen auf Benchmarks wie SWE-bench und Reasoning-Tests nah an die Spitzengruppe heranreicht. Mehrere Analyseportale ordnen K3 unter den drei stärksten Modellen weltweit auf dem Artificial Analysis Intelligence Index ein, eine Einstufung, die sich naturgemäß von Woche zu Woche verschiebt.
Wie sich Kimi K3 lokal betreiben lässt, hat unsere Redaktion bereits in einem separaten Setup-Tutorial mit LM Studio Schritt für Schritt gezeigt. Der eigentliche Streitpunkt liegt jedoch nicht in der Technik, sondern im Kleingedruckten der Lizenz, dazu später mehr.
Gemma 4 im Detail: Google öffnet fünf Modellgrößen
Gemma 4 tritt bewusst kleiner an als Kimi K3, dafür breiter gestaffelt. Laut dem offiziellen Modellblatt von Google AI for Developers gibt es fünf Varianten: E2B mit 2,3 Milliarden effektiven Parametern (5,1 Milliarden inklusive Embeddings), E4B mit 4,5 Milliarden effektiven Parametern (8 Milliarden mit Embeddings), das neue 12B-Unified-Modell mit 11,95 Milliarden dichten Parametern, ein 26B-A4B-Mixture-of-Experts-Modell mit 4 Milliarden aktiven von 26 Milliarden Gesamtparametern sowie ein dichtes 31B-Modell.
Die Kontextfenster fallen deutlich kleiner aus als bei Kimi K3: 128.000 Token bei den kleinen E-Modellen, 256.000 Token bei 12B, 26B und 31B. Dafür ist Gemma 4 für den Betrieb auf einzelnen GPUs, Laptops und sogar mobilen Geräten ausgelegt, ein Anwendungsfeld, in dem Kimi K3 mit seinen 2,8 Billionen Parametern praktisch chancenlos ist. Google positioniert die Modellfamilie explizit für Reasoning- und Agenten-Workflows, die sich On-Device oder auf moderater Server-Hardware ausführen lassen.
Technische Daten im Vergleich
Die folgende Tabelle stellt die aktuellen offenen Spitzenmodelle nebeneinander. Alle Angaben stammen aus den jeweiligen offiziellen Modellblättern oder Repositories der Anbieter.
| Modell | Parameter (gesamt/aktiv) | Kontextfenster | Lizenz | Release |
|---|---|---|---|---|
| Kimi K3 (Moonshot AI) | 2,8 Bio. / 104 Mrd. | 1.048.576 Token | offene Gewichte, Lizenztext ohne bestätigten OSI-Status | 27. Juli 2026 |
| Gemma 4 31B (Google DeepMind) | 31 Mrd. (dicht) | 256.000 Token | Apache 2.0 | 31. März 2026 |
| Gemma 4 26B A4B (Google DeepMind) | 26 Mrd. / 4 Mrd. | 256.000 Token | Apache 2.0 | 31. März 2026 |
| Mistral Large 3 (Mistral AI) | 675 Mrd. / 41 Mrd. | 256.000 Token | Apache 2.0 | Dezember 2025 |
| DeepSeek V4 (DeepSeek) | k.A. (MoE) | 128.000 Token | MIT (Hosting-Vorbehalt beachten) | 2026 |
Wer die genauen Spezifikationen von DeepSeek V4 und dessen Einordnung im Preisvergleich nachlesen möchte, findet Details in unserem Setup-Guide zur DeepSeek-V4-Pro-API. Die Mistral-Large-3-Zahlen stammen aus der offiziellen Ankündigung von Mistral AI und wurden bereits in unserer Analyse zu Mistrals Drei-Modelle-Offensive eingeordnet.
Was Artikel 53 der EU-KI-Verordnung verlangt
Seit dem 2. August 2025 gelten die Pflichten aus Kapitel V der KI-Verordnung für neu auf den EU-Markt gebrachte GPAI-Modelle, bereits existierende Modelle müssen bis zum 2. August 2027 nachziehen. Artikel 53 Absatz 1 verlangt von Anbietern vier Dinge: erstens laufend aktualisierte technische Dokumentation nach Anhang XI für das AI Office, zweitens ein Informationspaket für nachgelagerte Anbieter, die das Modell integrieren wollen, drittens eine Urheberrechts-Compliance-Richtlinie und viertens eine öffentliche Zusammenfassung der Trainingsdaten nach einer Vorlage des AI Office.
Die EU-Kommission hat den zugehörigen GPAI Code of Practice im Juli 2025 veröffentlicht, ein freiwilliges, aber von Aufsichtsbehörden als Nachweis akzeptiertes Rahmenwerk. Für Modelle mit systemischem Risiko, also besonders rechenintensive Frontier-Modelle, kommen nach Artikel 55 zusätzliche Pflichten wie adversariale Tests, Fähigkeitsbewertungen und verpflichtende Meldung von Sicherheitsvorfällen hinzu. Details zu den offiziellen Leitlinien für GPAI-Anbieter hat die EU-Kommission veröffentlicht, einen Überblick über den Gesamtrahmen der Verordnung bietet die offizielle Digital-Strategy-Seite.
Die Ausnahme nach Artikel 53 Absatz 2 und ihre Tücken
Für offene Modelle sieht Artikel 53 Absatz 2 eine Erleichterung vor: Anbieter von Modellen, die unter einer freien Open-Source-Lizenz mit Zugriffs-, Nutzungs-, Änderungs- und Verbreitungsrechten stehen und deren Parameter, Architekturangaben und Nutzungsinformationen öffentlich verfügbar sind, müssen die Pflichten aus Absatz 1 Buchstabe a und b nicht erfüllen. Sie bleiben aber weiterhin an die Urheberrechtsrichtlinie und die Trainingsdaten-Zusammenfassung gebunden, und die Ausnahme gilt ausdrücklich nicht für Modelle mit systemischem Risiko.
Vier Bedingungen müssen laut dem Rechtskommentar zu Artikel 53 gleichzeitig erfüllt sein: eine echte freie und quelloffene Lizenz, öffentlich zugängliche Gewichte, öffentliche Architekturinformationen und öffentliche Nutzungsanleitungen. Fehlt auch nur eine dieser vier Voraussetzungen, greift die Ausnahme nicht, und der Anbieter muss die vollständigen Pflichten aus Artikel 53 Absatz 1 erfüllen. Genau an diesem Punkt trennen sich Kimi K3 und Gemma 4.
Der Lizenz-Haken bei Kimi K3
Gemma 4 erfüllt die Kriterien ohne Diskussion: Apache 2.0 ist eine von der Open Source Initiative anerkannte Lizenz, die Gewichte, Architektur und Nutzungshinweise liegen offen bei Google AI for Developers und Hugging Face. Bei Kimi K3 sieht es anders aus. Zahlreiche technische Quellen, darunter mehrere unabhängige Analyseportale, bezeichnen K3 konsequent als “open-weight”, nicht als “open-source” im Sinne der OSI. Die Gewichte sind zwar frei herunterladbar über das offizielle Moonshot-AI-Repository, doch der exakte Lizenztext wird in den öffentlich verfügbaren Zusammenfassungen nicht vollständig zitiert oder als Apache-2.0-äquivalent bestätigt.
Für Compliance-Teams in Deutschland bedeutet das: Wer Kimi K3 produktiv einsetzt und sich auf die Ausnahme nach Artikel 53 Absatz 2 verlassen will, sollte die Lizenzdatei im Moonshot-AI-Repository selbst prüfen, statt sich auf Sekundärquellen zu verlassen. Das gilt umso mehr, weil zwischen “open-weight” und “open-source” ein rechtlich relevanter Unterschied liegt. Open-weight bedeutet lediglich, dass die trainierten Parameter zum Download bereitstehen. Open-source im Sinne der KI-Verordnung verlangt zusätzlich eine anerkannte freie Lizenz, öffentliche Architekturdaten und öffentliche Nutzungsanleitungen, gleichzeitig und ohne Einschränkung. Ein einfacher Check über die Hugging-Face-API liefert zumindest die Metadaten zur eingetragenen Lizenz:
curl -s https://huggingface.co/api/models/moonshotai/Kimi-K3 \
| python3 -c "import json,sys; d=json.load(sys.stdin); print(d.get('cardData', {}).get('license'))"Ergibt die Prüfung eine nicht-OSI-konforme oder eingeschränkte Lizenz, unterliegt das Modell aus EU-rechtlicher Sicht dem vollen Pflichtenkatalog aus Artikel 53 Absatz 1, inklusive technischer Dokumentation für das AI Office. Für ein in China entwickeltes Modell mit chinesischem Rechtsträger ist zusätzlich unklar, wer als “Anbieter” im Sinne der Verordnung gilt, wenn ein europäisches Unternehmen das Modell lediglich selbst hostet, statt es kommerziell weiterzuvertreiben.
Was das für deutsche Unternehmen kostet
Wie teuer KI-Act-Compliance wird, hängt stark vom Risikoprofil ab. Eine Aufschlüsselung nach Anbieter- und Einsatzprofil, die mehrere Kostenschätzungen aus 2026 zusammenführt, zeigt eine große Spannbreite zwischen einem einfachen Deployer ohne Hochrisiko-Anwendung und einem Anbieter eines Hochrisiko-Systems.
| Profil | Rolle | Risikostufe | Erstkosten | Laufende Kosten p. a. |
|---|---|---|---|---|
| A | Anbieter | Hochrisiko | 193.000–600.000 € | 71.000–150.000 € |
| B | Deployer | Hochrisiko | 20.000–50.000 € | 5.000–15.000 € |
| C | Anbieter | kein Hochrisiko | 2.000–5.000 € | unter 5.000 € |
| D | Deployer | kein Hochrisiko | 0–1.500 € | unter 2.000 € |
Ein separater Praxisleitfaden von Praxikon kommt für ein kleines Unternehmen, das ausschließlich als Deployer ohne Hochrisiko-Anwendungsfall auftritt, auf realistische 5.000 bis 25.000 Euro im ersten Jahr. Das EU-Parlament wiederum bezifferte in einer parlamentarischen Anfrage die Compliance-Kosten für Hochrisiko-Einrichtungen auf 320.000 bis 600.000 Euro, ein Rahmen, der sich mit den übrigen Schätzungen deckt. Für die meisten Mittelständler, die ein offenes Modell lediglich zum Chatten oder für interne Textverarbeitung selbst hosten, dürfte das untere Ende der Skala realistisch sein, sofern kein Hochrisiko-Anwendungsfall wie Personalauswahl oder Kreditvergabe vorliegt.
Self-Hosting oder Cloud-API: die Kostenrechnung
Neben der regulatorischen Frage steht für die meisten IT-Abteilungen die wirtschaftliche Rechnung im Vordergrund. Kimi K3 mit 2,8 Billionen Parametern lässt sich praktisch nicht auf üblicher Unternehmenshardware selbst betreiben, dafür braucht es Multi-GPU-Cluster mit entsprechend hohem Energie- und Investitionsbedarf. Über die Moonshot-API kostet das Modell dagegen nur 3 Dollar pro Million Input-Token, was Self-Hosting für die meisten Firmen wirtschaftlich unattraktiv macht, selbst wenn die Compliance-Frage geklärt wäre.
Gemma 4 dreht das Verhältnis um: Die kleinen E2B- und E4B-Varianten laufen auf einer einzelnen Consumer-GPU oder sogar auf Notebooks, was Self-Hosting für Unternehmen mit Datenschutzanforderungen erst realistisch macht. Ein Branchenblog von Algebra beschreibt diesen Trend so, dass offene Modelle wie Mistral Large 3, Qwen, DeepSeek, gpt-oss und Gemma inzwischen unter echten Open-Source-Lizenzen wie Apache 2.0 oder MIT stehen, während der Qualitätsabstand zu geschlossenen Spitzenmodellen auf etwa vier bis sechs Monate geschrumpft sei. Wer produktiv mit DeepSeek arbeiten will, findet die Einrichtung mit Ollama in unserem DeepSeek-V4-Leitfaden beschrieben.
Vom Llama-2-Leak zum Billionen-Modell: ein Rückblick
Offene Sprachmodelle sind kein neues Phänomen, aber ihr Tempo hat sich seit 2023 deutlich beschleunigt. Damals galten Metas Llama-Modelle mit wenigen Milliarden bis niedrigen zweistelligen Milliarden Parametern als Meilenstein, weil sie erstmals ernstzunehmende Konkurrenz zu geschlossenen Anbietern boten. Mistral AI folgte mit kompakten, aber leistungsstarken Modellen unter echter Open-Source-Lizenz, DeepSeek brachte mit seiner R1-Reihe Reasoning-Fähigkeiten in den offenen Bereich, die zuvor nur closed-source Anbietern vorbehalten waren.
Kimi K3 markiert nun eine neue Kategorie: Laut mehreren technischen Auswertungen ist es das erste öffentlich verfügbare Modell, das die Drei-Billionen-Parameter-Klasse erreicht. Innerhalb von zwei Jahren ist die Parametergröße offener Spitzenmodelle damit um mehr als das Hundertfache gewachsen, während gleichzeitig die Frage der Lizenzqualität, wie das Beispiel K3 zeigt, keineswegs mitgewachsen ist. Auch deutsche Anbieter positionieren sich in diesem Feld, etwa das im Sommer vorgestellte Modell Soofi S, dessen Einordnung wir bereits in einem separaten Artikel analysiert haben.
Offene gegen geschlossene Modelle: wo der Abstand heute liegt
Der Leistungsabstand zwischen offenen und geschlossenen Spitzenmodellen ist 2026 kleiner geworden, aber nicht verschwunden. Auf Coding-Benchmarks wie SWE-bench Verified liegen die besten geschlossenen Modelle weiterhin vorn, offene Modelle wie Kimi K3 und Mistral Large 3 folgen mit spürbarem, aber nicht mehr riesigem Abstand. Bei Kosten pro Token dreht sich das Bild fast vollständig um: Offene Modelle über gehostete APIs oder Self-Hosting sind in aller Regel deutlich günstiger als proprietäre Frontier-Angebote.
Für deutsche Unternehmen ergibt sich daraus ein Abwägungsproblem, das über reine Benchmark-Zahlen hinausgeht: Ein leicht schwächeres, aber günstigeres und rechtlich klar einzuordnendes Modell wie Gemma 4 kann in der Praxis die bessere Wahl sein als ein leistungsstärkeres Modell mit ungeklärtem Lizenzstatus wie Kimi K3, gerade wenn Rechts- und Compliance-Abteilungen mitentscheiden. Einen Überblick über die Modellwelle des vergangenen Monats liefert unser Artikel zur Release-Welle im August 2026.
Was Bitkom-Zahlen über deutsche Unternehmen verraten
Der Bitkom Open-Source-Monitor, für den mehr als 1.100 Unternehmen befragt wurden, zeigt eine grundsätzlich offene Haltung: 51 Prozent der Firmen halten den Einsatz von Open-Source-KI-Modellen für ratsam, 45 Prozent sehen darin eine Chance, kritische Abhängigkeiten von einzelnen Cloud-Anbietern zu vermeiden. In der öffentlichen Verwaltung liegt die Zustimmung mit 43 Prozent nur leicht niedriger. Für die Open Source AI Definition der Open Source Initiative sprechen sich immerhin 34 Prozent der Befragten aus, ein Hinweis darauf, dass die Unterscheidung zwischen “open-weight” und echtem “open-source” auch in Unternehmen zunehmend bekannt ist.
Eine separate Bitkom-Befragung unter 102 deutschen Tech-Start-ups ergab, dass 65 Prozent eigene KI-Anwendungen auf Basis großer Modelle wie denen von OpenAI, Anthropic oder Google entwickeln und dabei eigene Unternehmensdaten einbinden. 30 Prozent passen bestehende Modelle über spezialisiertes Training oder Fine-Tuning an. Eine flächendeckende Aufschlüsselung, wie viele deutsche Unternehmen konkret offene statt proprietäre Modelle selbst hosten, liegt in den aktuellen Bitkom-Veröffentlichungen bislang nicht vor.
Praktische Checkliste: So prüfen IT-Teams den Compliance-Status
Bevor ein offenes Modell produktiv eingesetzt wird, lohnt sich ein strukturierter Check, der über die reine Marketingaussage “Open Source” hinausgeht. Vier Fragen entscheiden darüber, ob ein Anbieter sich auf die Ausnahme nach Artikel 53 Absatz 2 berufen kann oder ob der volle Pflichtenkatalog aus Absatz 1 greift.
- Steht das Modell unter einer Lizenz, die von der Open Source Initiative als frei anerkannt ist, etwa Apache 2.0, MIT oder eine gleichwertige Lizenz mit uneingeschränkten Nutzungs-, Änderungs- und Verbreitungsrechten?
- Sind die vollständigen Modellgewichte ohne Zugangsbeschränkung, Registrierungspflicht oder regionale Sperre herunterladbar?
- Veröffentlicht der Anbieter Architekturangaben wie Parameterzahl, Layer-Aufbau und Trainingsmethodik in nachvollziehbarer Form, nicht nur als grobe Marketingzahl?
- Liegen öffentlich zugängliche Anleitungen zur Nutzung, zum Fine-Tuning und zur Integration vor, etwa über ein GitHub-Repository oder eine Modellkarte auf Hugging Face?
Bei Gemma 4 lassen sich alle vier Punkte mit einem Blick auf die Google-Dokumentation eindeutig bejahen. Bei Kimi K3 ist nur die zweite Frage nach den frei zugänglichen Gewichten zweifelsfrei mit Ja zu beantworten, die Lizenzfrage bleibt nach aktuellem Stand der öffentlich verfügbaren Quellen offen. IT-Teams, die K3 dennoch einsetzen wollen, sollten diese Lücke dokumentieren und im Zweifel die Rechtsabteilung einbinden, bevor größere Datenmengen durch das Modell verarbeitet werden. Für Modelle mit bestätigtem systemischem Risiko greift ohnehin keine Ausnahme, unabhängig von der Lizenzlage, dann gelten automatisch die verschärften Pflichten aus Artikel 55.
Fünf Prognosen für die offene KI-Szene
- Weitere Anbieter aus China und den USA werden Modelle jenseits der Zwei-Billionen-Parameter-Grenze veröffentlichen, aber die Lizenzfrage bleibt der eigentliche Engpass für den EU-Einsatz, nicht die reine Modellgröße.
- Google, Mistral AI und Meta dürften ihre Apache-2.0- beziehungsweise MIT-Strategie ausbauen, weil die Artikel-53(2)-Ausnahme für europäische Kunden ein handfester Vertriebsvorteil gegenüber Anbietern mit unklarem Lizenzstatus ist.
- Die AI-Office-Vorlage für Trainingsdaten-Zusammenfassungen wird bis Ende 2026 von mehr Anbietern tatsächlich befüllt, weil ab 2. August 2027 auch Bestandsmodelle nachziehen müssen.
- Kleinere, On-Device-fähige Modelle wie Gemma 4 E2B und E4B gewinnen in Mittelstandsunternehmen an Bedeutung, weil sie Self-Hosting ohne Cluster-Investition ermöglichen.
- Rechts- und IT-Abteilungen werden Lizenzprüfungen zunehmend automatisieren, ähnlich dem in diesem Artikel gezeigten API-Check, um vor dem Produktiveinsatz eines offenen Modells dessen Artikel-53(2)-Status zu klären.
Häufig gestellte Fragen
Ist Kimi K3 wirklich Open Source?
Die Gewichte von Kimi K3 sind frei herunterladbar, weshalb Moonshot AI und zahlreiche technische Quellen das Modell als “open-weight” bezeichnen. Ob die konkrete Lizenz die Kriterien einer freien Open-Source-Lizenz im Sinne von Artikel 53 Absatz 2 der KI-Verordnung erfüllt, ist anhand der öffentlich verfügbaren Zusammenfassungen nicht abschließend bestätigt. Unternehmen sollten die Lizenzdatei im offiziellen Repository selbst prüfen.
Gilt die EU-KI-Verordnung auch für ein chinesisches Modell wie Kimi K3?
Ja. Die Pflichten aus Artikel 53 richten sich an Anbieter von GPAI-Modellen, die auf dem EU-Markt bereitgestellt werden, unabhängig vom Herkunftsland des Anbieters. Entscheidend ist, ob das Modell EU-Nutzern zugänglich gemacht wird, nicht der Firmensitz von Moonshot AI.
Warum ist Gemma 4 rechtlich einfacher einzuordnen als Kimi K3?
Gemma 4 steht unter Apache 2.0, einer von der Open Source Initiative anerkannten Lizenz, mit öffentlich zugänglichen Gewichten, Architekturangaben und Nutzungsinformationen. Damit erfüllt Gemma 4 alle vier Bedingungen für die Ausnahme nach Artikel 53 Absatz 2, während bei Kimi K3 der Lizenzstatus nicht eindeutig als OSI-konform bestätigt ist.
Was kostet KI-Act-Compliance für ein kleines Unternehmen?
Für ein kleines Unternehmen ohne Hochrisiko-Anwendungsfall liegen realistische Schätzungen laut mehreren 2026 veröffentlichten Kostenanalysen zwischen 5.000 und 25.000 Euro im ersten Jahr. Bei Hochrisiko-Anwendungen wie Personalauswahl oder Kreditvergabe steigen die Kosten laut EU-Parlament auf 320.000 bis 600.000 Euro.
Lohnt sich Self-Hosting von Kimi K3 für den deutschen Mittelstand?
In den meisten Fällen nein. Mit 2,8 Billionen Parametern benötigt Kimi K3 Multi-GPU-Cluster, deren Investitionskosten für die meisten Mittelständler die API-Nutzung zu 3 Dollar pro Million Input-Token wirtschaftlich unattraktiv machen. Kleinere offene Modelle wie Gemma 4 E4B eignen sich für Self-Hosting deutlich besser.
Was bedeutet die Ausnahme nach Artikel 53 Absatz 2 konkret?
Anbieter, die alle vier Bedingungen (freie Lizenz, öffentliche Gewichte, öffentliche Architekturangaben, öffentliche Nutzungsinformationen) erfüllen, müssen keine technische Dokumentation nach Anhang XI für das AI Office erstellen und kein Downstream-Informationspaket bereitstellen. Die Pflichten zur Urheberrechtsrichtlinie und zur Trainingsdaten-Zusammenfassung bleiben trotzdem bestehen.
Ab wann müssen bereits existierende Modelle die KI-Verordnung erfüllen?
Modelle, die bereits vor dem 2. August 2025 auf dem EU-Markt waren, müssen ihre Pflichten aus Kapitel V bis zum 2. August 2027 erfüllen. Neu auf den Markt gebrachte Modelle unterliegen den Pflichten bereits seit dem 2. August 2025.
Welches offene Modell ist aktuell die bessere Wahl für Unternehmen in Deutschland?
Das hängt vom Anwendungsfall ab. Für Rechtssicherheit und Self-Hosting auf überschaubarer Hardware spricht vieles für Gemma 4 oder Mistral Large 3, beide unter bestätigter Apache-2.0-Lizenz. Für maximale Modellgröße und Reasoning-Leistung über die API ist Kimi K3 konkurrenzfähig, verlangt aber vor dem Produktiveinsatz eine eigene Lizenzprüfung durch die Rechtsabteilung.
