KI-News. Unternehmerisch, bayerisch, ohne Hype.
← Alle Episoden

Bauen, mieten oder kaufen: so triffst du die richtige KI-Entscheidung

15. Oktober 2026 · 12 Min. · 1182 Wörter

TevDoubtLessRTX SparkLFM2.5Build-or-Buy

Transcript

Wenn ihr KI im Betrieb ernst nehmt, steht ihr irgendwann vor einer Frage, die kein einzelner Tipp beantwortet: Bauen, mieten oder kaufen? Servus, ich bin Lissy. Heute geht es genau darum, und zwar mit frischen Zahlen von allen drei Seiten. Von einem offenen Trainingsrezept, mit dem ein 27-Milliarden-Modell an die teuren Frontier-Agenten heranreicht. Von einem Trick, der gemietete Reasoning-Modelle um ein Drittel billiger macht, ohne Qualitätsverlust. Und von neuer Hardware für lokale KI, seit dieser Woche vorbestellbar. Am Ende wisst ihr, wie ihr die Entscheidung für euren eigenen Fall in einer Stunde testet.

Tev: das offene Rezept für eigene Agenten

Fangen wir mit der Seite an, die bisher kaum jemand ernsthaft in Betracht gezogen hat: selber bauen. Ein Forschungsteam hat ein Trainingsrezept publiziert, das aus einem offenen Modell mit 27 Milliarden Parametern einen Agenten macht, der bei langen Aufgaben mit den besten geschlossenen Modellen mithält. Der Name ist Tev, die Ergebnisse stehen als Paper mit Trainingsdaten auf Hugging Face. Das Besondere ist nicht ein einzelner Trick, sondern die komplette Infrastruktur. Das Team hat 1.170 geprüfte Trainingsumgebungen aus sieben Bereichen gebaut, von Code über Mathematik und Terminal bis zu Web-Aufgaben. Dazu kommt ein Belohnungssystem, das dem Agenten nicht erst am Ende sagt, ob er es geschafft hat, sondern nach jedem einzelnen Schritt, wie weit er auf dem richtigen Weg ist. Genau daran scheitern die meisten Langzeit-Agenten, weil Erfolg bei langen Aufgaben selten sofort sichtbar ist.

Das Ergebnis: Das trainierte Modell Tev 27B erreicht bei langen Agentenaufgaben aus Mathematik und Informatik das Niveau von GPT-6 Astra und Claude Opus 5, gemessen über mehrere Lösungsversuche. Es überträgt auch auf Umgebungen, die es beim Training nie gesehen hat. Was heißt das praktisch? Zum ersten Mal gibt es ein offenes, komplettes Rezept, mit dem ein mittelgroßes Modell in die Nähe der Frontier-Klasse kommt.

Jetzt kommt der nüchterne Teil, der mir wichtig ist. Das Rezept ist offen, aber das Training ist es nicht. Wer so etwas selbst durchziehen will, braucht trotzdem sehr viel Rechenleistung, Daten und Geduld. Das ist kein Wochenendprojekt. Das ist eine Teamentscheidung. Der eigentliche Nutzen für euch liegt woanders: Ihr könnt jetzt einschätzen, was Eigenbau wirklich bedeutet und wo die Grenze zwischen gekaufter API und eigener Kontrolle verläuft.

DoubtLess: die Kostenschraube am gemieteten Modell

Die zweite Seite ist die, die die meisten von euch gerade nutzen: mieten, also ein starkes Modell per API. Die Kosten explodieren vor allem dann, wenn die Modelle lange nachdenken. Ein Reasoning-Modell schreibt oft hunderte Gedankenschritte auf, bevor es antwortet, und jeder einzelne kostet Geld. Ein Paper aus dieser Woche zeigt, dass ein großer Teil davon überflüssig ist. Die Methode heißt DoubtLess und braucht kein Training. Neben dem großen Modell läuft ein kleines Reasoning-Modell, das denselben Gedankengang zweimal ansieht, einmal mit der Anweisung kurz, einmal ausführlich. Aus dem Unterschied der beiden Einschätzungen leitet das System ab, wo das große Modell zu wortreich wird, und bremst genau dort.

Die gemessenen Zahlen: 31 Prozent kürzere Gedankengänge bei unveränderter Genauigkeit, über sieben Benchmarks hinweg. Bei Coding-Agenten, die sich selbst korrigieren, sinkt der Verbrauch an Textbrocken pro Schritt um 20 Prozent. Das Ganze ist trainierfrei, funktioniert über Modellfamilien hinweg und lässt sich mit anderen Sparmethoden kombinieren.

Für euch ist das ein erster, sofort nutzbarer Hebel. Bevor ihr euch fragt, ob ihr ein eigenes Modell baut, prüft zuerst, ob ihr das gemietete effizienter nutzt. In den Einstellungen vieler Anbieter gibt es Optionen für Denkbudgets, kürzere Antworten oder günstigere Zwischenmodelle, und genau dort sitzt das größte Einsparpotenzial. Wer Reasoning-Modelle im Alltag nutzt, sollte den Verbrauch pro erledigter Aufgabe im Blick behalten. Das ist kein einmaliger Check, sondern eine laufende Einstellung.

RTX Spark und LFM 2.5: die Kauf-Frage

Die dritte Seite der Entscheidung ist kaufen, und da ist diese Woche etwas Konkretes passiert. Nvidia hat zusammen mit Microsoft die RTX-Spark-Reihe für Windows-PCs gestartet. Das ist ein kompakter KI-Beschleuniger mit Blackwell-Grafik, bis zu 128 Gigabyte gemeinsamen Speicher und genug Leistung für viele lokale Modelle. Laut Nvidia laufen darauf Modelle mit mehr als 100 Milliarden Parametern dauerhaft, ohne Cloud-Zähler. Die ersten Spark-Laptops sind vorbestellbar, kompakte Desktops kommen im November. Microsoft bringt dazu ein eigenes Surface-Laptop-Ultra mit bis zu 128 Gigabyte.

Parallel dazu hat Liquid AI ein offenes Modell für genau solche Geräte veröffentlicht, LFM 2.5. Es hat 24 Milliarden Parameter, aber nur zwei Milliarden sind pro Schritt aktiv, weil das Modell schlau aufgeteilt ist. Es erreicht auf einem Apple M5 Max 184 Tokens pro Sekunde, für ein Gerät dieser Klasse sehr flott, und schlägt bei Agenten-Benchmarks deutlich größere Modelle.

Jetzt zur Frage, die euch wirklich interessiert: Wann lohnt sich der Kauf? Meine Faustregel: Kauft Hardware erst, wenn ihr eine Aufgabe habt, die ihr täglich nutzt, die vertrauliche Daten verarbeitet oder die keine Cloud-Latenz verträgt. Wer nur ab und zu ein Modell testet, für den ist Mieten fast immer die bessere Wahl. Wenn ihr aber wisst, welche Aufgabe laufen soll, testet vor dem Kauf. Nehmt das offene Modell, das die Aufgabe lösen soll, startet es lokal mit einem Tool wie Ollama oder llama.cpp und gebt ihm drei echte Aufgaben aus eurem Alltag. Eine Stunde reicht dafür.

Die Erfolgsschwelle: Bei zwei von drei Aufgaben müssen die Ergebnisse brauchbar sein, und die Antwortzeit muss zu eurem Ablauf passen. Wenn das klappt, ist der Kauf eine reine Wirtschaftlichkeitsfrage. Wenn nicht, habt ihr euch den Kauf erspart. Die zwei typischen Fehler: Erstens kaufen Leute Hardware für ein Modell, das es noch nicht gibt. Zweitens vergleichen sie die Qualität einzelner Antworten statt der Qualität über hundert Wiederholungen. Genau dort trennt sich Marketing von Arbeitsrealität.

Quick Hit: Banken werden bei KI-Schulden nervös

Ein Marktsignal aus den USA: Banken versuchen offenbar, frische Kredite für KI-Rechenzentren auf dem Zweitmarkt loszuwerden, also Schulden, die sie gerade erst mitfinanziert haben. Ein Bericht aus dieser Woche, viel diskutiert auf Hacker News, deutet das als Zeichen, dass die Kapitalgeber unsicher werden, ob sich die riesigen Investitionen so schnell rechnen. Für eure Architekturfrage heißt das: Die Kostenkurve der Miet-Seite ist gerade instabil. Wer langfristig plant, muss beides im Blick behalten: den heutigen Preis und die Frage, was passiert, wenn der Kapitalmarkt die Infrastruktur-Rally ausbremst.

Quick Hit: Microsoft baut die Miet-Seite billiger

Und die Gegenseite: Microsoft hat mit Maia 300 den dritten eigenen KI-Chip vorgestellt, gebaut für riesige Azure-Systeme im Gigawatt-Maßstab. Der Punkt ist nicht der Chip selbst, sondern die Richtung. Die großen Anbieter senken ihre Kosten pro Textbrocken weiter, weil sie eigene Chips bauen, statt nur bei Nvidia einzukaufen. Das spricht dafür, dass Mieten auf Dauer günstiger wird, während gleichzeitig die Kapitalmärkte nervöser werden. Genau diese Spannung macht die Entscheidung gerade so interessant: Die Preise bewegen sich in beide Richtungen, und wer aufschiebt, verschiebt die Frage in eine unklare Zukunft.

Mein Takeaway für heute: Die Frage ist nicht, welches Modell gerade das beste ist, sondern welcher Weg zu eurer Aufgabe passt. Baut nur, wenn ihr ein Team und ein echtes Problem habt, das offene Rezepte lösen. Optimiert zuerst die Miet-Seite, da sitzt das schnellste Einsparpotenzial. Und kauft Hardware erst nach einer Teststunde mit euren eigenen Aufgaben, nicht nach der schönsten Demo. Die drei Datenpunkte von heute, das offene Trainingsrezept, der Reasoning-Sparhebel und die lokale Hardware, verschieben alle drei Pfade gleichzeitig. Wer das als Entscheidung versteht statt als News, hat morgen einen Vorsprung. Wenn ihr wissen wollt, wie euer eigener Test ausgeht, schreibt mir eine Mail, die Adresse steht in den Shownotes. Pfiat euch und bis morgen, eure Lissy.