Innovation mit KI – Praxis, Projekte, Perspektiven
„Innovation mit KI – Praxis, Projekte, Perspektiven“ zeigt, wie künstliche Intelligenz heute konkret eingesetzt werden kann. Das Buch verbindet technische Grundlagen mit praktischen Beispielen aus Unternehmen und Organisationen. Ein besonderer Fokus liegt dabei auf Datenschutz und IT-Sicherheit, um verantwortungsvolle Innovation zu ermöglichen. Leserinnen und Leser erfahren, wie aus Ideen umsetzbare Projekte entstehen und welche Werkzeuge dabei unterstützen. Chancen und Risiken von KI werden realistisch eingeordnet, ergänzt durch praxisnahe Tipps und weiterführende Ressourcen auf gerds-it.de.
- KI auf dem Windows-Notebook – Chancen nutzen, Datenschutz wahren, Sicherheit stärken
- KI Modellfamilien - Übersicht (Stand April 2026) - Arbeitsdokument
- Übersicht gängiger KI-Plattformen (Stand April 2026) - Arbeitsdokument
KI auf dem Windows-Notebook – Chancen nutzen, Datenschutz wahren, Sicherheit stärken
Warum überhaupt KI lokal betreiben?
Viele Unternehmen und Organisationen wollen die Chancen von KI nutzen, ohne dabei Datenschutz, DSGVO und IT-Sicherheit zu gefährden. Cloud-Dienste sind bequem, bedeuten aber immer, dass sensible Daten das eigene Haus verlassen – ein Risiko, das gerade im geschäftlichen Umfeld schwer vertretbar ist. Lokale Sprachmodelle laufen dagegen direkt auf dem eigenen Notebook oder Server: Daten bleiben intern, Zugriffe sind kontrollierbar, und auch offline ist die Nutzung möglich.
Was wird dafür benötigt?
- Hardware: ein aktuelles Windows-Notebook oder ein Server mit mindestens 16 GB RAM/VRAM (für Modelle wie gpt-oss-20b ausreichend).
- Software: eine lokale KI-Plattform wie Ollama (Open Source, flexibel) oder LM Studio (GUI-basiert, einfach).
- Modelle: frei verfügbare Open-Weight-Modelle (z. B. gpt-oss-20b, Phi-3, Mixtral) je nach Anwendungsfall.
- Organisation: Updates oder RAG-Anbindung, um Modelle mit aktuellem Wissen zu versorgen.
💡 Damit entsteht eine unabhängige und sichere KI-Umgebung, die Innovation ermöglicht, ohne die Kontrolle über die eigenen Daten zu verlieren.
Lokale Sprachmodelle gibt es mittlerweile in vielen Varianten – von schlanken Community-Projekten bis hin zu professionell gepflegten Plattformen. Für die Praxis im Innovation Lab sind vor allem Lösungen interessant, die datenschutzfreundlich, einfach nutzbar und breit verfügbar sind. Unter den bekanntesten Tools stechen Ollama und LM Studio hervor, weil sie jeweils einen anderen Ansatz verfolgen: maximale Transparenz und Integration auf der einen Seite, besonders einfache Bedienung auf der anderen.
Um den Überblick zu vervollständigen, sind in der folgenden Tabelle auch weitere relevante Projekte wie GPT4All, KoboldCpp, Text Generation WebUI und Jan AI enthalten. Neben technischen Merkmalen zeigt die Übersicht auch, mit welcher Besonderheit sich die Anbieter selbst positionieren.
KI-Plattformen:
Merkmal | Ollama | LM Studio | GPT4All | KoboldCpp | Text Generation WebUI | Jan AI |
|---|---|---|---|---|---|---|
Lizenzmodell | Open Source (MIT) | Proprietär, kostenlos, Enterprise-Pläne | Open Source (Apache 2.0) | Open Source | Open Source | Proprietär, kostenlos |
Quellcode | Offen | Geschlossen | Offen | Offen | Offen | Geschlossen |
Bedienung | CLI + API | GUI | GUI | CLI | Web-Oberfläche (umfangreich) | GUI |
Plattformen | Linux, macOS, Windows | Windows, macOS, Linux (Beta) | Windows, macOS, Linux | Windows, macOS, Linux | Windows, macOS, Linux | Windows, macOS |
Datenschutz | Komplett lokal | Lokal | Lokal | Lokal | Lokal | Lokal |
Stärken | Transparent, flexibel, integrationsfähig | Einfach, schnell, nutzerfreundlich | Viele Modelle, einfache Installation | Leichtgewichtig, ressourcenschonend | Sehr flexibel, viele Erweiterungen | Moderne Oberfläche, intuitive Nutzung |
Schwächen | Einstieg erfordert technisches Know-how | Proprietär, weniger transparent | Weniger „polished“, Community-getrieben | Fokus auf Nischen (z. B. Rollenspiele) | Komplexe Einrichtung, eher für Enthusiasten | Noch geringe Verbreitung, unreifer |
Zielgruppe | Entwickler, Integratoren | Einsteiger, Teams | Experimentierfreudige Anwender | Technikaffine mit wenig Ressourcen | Power-User, Bastler | Early Adopter |
Besonderheit (Hersteller) | „Privacy-first AI“ – volle lokale Kontrolle und einfache Modellintegration | „AI for everyone“ – lokale Nutzung so einfach wie ChatGPT in der Cloud | „Open ecosystem for local LLMs“ – Zugang zu vielen Modellen über eine App | „Lightweight & fast“ – KI auf nahezu jeder Hardware nutzbar | „Maximum flexibility“ – unzählige Erweiterungen und Schnittstellen | „Next-gen local AI“ – elegante, moderne Benutzeroberfläche für KI |
Webseite |
Die Wahl des richtigen Sprachmodells ist entscheidend, um KI sinnvoll und sicher einzusetzen. Während manche Modelle als Allrounder überzeugen, sind andere auf Effizienz oder Forschung spezialisiert. Für das Innovation Lab sind vor allem Modelle relevant, die lokal laufen, um Datenschutz und IT-Sicherheit zu gewährleisten.
Die Landschaft der Sprachmodelle entwickelt sich rasant. Während LLaMA, Mistral oder Falcon wichtige Meilensteine waren, bestimmen heute vor allem neue Open-Weight-Modelle wie gpt-oss-20b von OpenAI und die aktuellen Phi-3-Varianten das Innovationsgeschehen. Diese Modelle sind nicht nur leistungsstark, sondern auch auf lokale Nutzung optimiert – ein entscheidender Vorteil für Datenschutz, DSGVO und IT-Sicherheit. Die folgende Tabelle stellt die wichtigsten aktuellen Modelle vor und ergänzt ältere Klassiker, die weiterhin in speziellen Szenarien relevant sein können.
Die unterschiedlichsten Modelle können auch im Innovations Lab getestet werden: Zukunftswerkstatt KI
Vergleichstabelle: Top-Innovationsmodelle (2025)Sprachmodelle 2025 – Herstellerfokus & Innovation
Modell | Besonderheit / Fokus laut Hersteller | Erstveröff. | Ollama | LM Studio | Datenschutz & IT-Sicherheit |
|---|---|---|---|---|---|
gpt-oss-20b (OpenAI) | Erstes Open-Weight-MoE von OpenAI, Apache-2.0, optimiert für 16 GB RAM/VRAM | 2025 | ✔️ | ✔️ | Lokal, offen, DSGVO-konform |
LLaMA 3.1 (Meta) | Größtes offenes Modell (bis 405 B), multilingual, Open-Weight, breite Community | 2025 | ✔️ | ✔️ | Lokal, Open Source, Lizenzbedingungen beachten |
Qwen-3 (Alibaba) | Neueste Generation, Multilingualität & lange Kontexte (>128k Tokens), starke Benchmarks | 2025 | ✔️ | ✔️ | Lokal, Apache-2.0, DSGVO-konform |
DeepSeek-R1-Distill-7B | Kompaktes Modell mit starkem Reasoning, ressourcenschonend, Notebook-freundlich | 2025 | ✔️ | ✔️ | Lokal, quelloffen, effizient |
Phi-3 (Microsoft) | Effizienz auf geringster Hardware, Edge-tauglich, optimiert für Alltagseinsatz | 2025 | ✔️ | ✔️ | Lokal, sicher nutzbar |
Mixtral 8x22B (Mistral) | High-End-MoE-Leistung, offene Gewichte, Spitzenmodell für Forschung | 2024 | ✔️ | ✔️ | Lokal, Open Source |
Falcon (TII) | Forschungsmodell aus VAE, Open Source, früher Benchmarkführer | 2023 | ✔️ | ✔️ | Lokal, sicher, aber weniger innovativ |
Qwen-2.5 (Alibaba) | Vorgänger von Qwen-3, stabil, weit verbreitet, gute Integration | 2024 | ✔️ | ✔️ | Lokal, Apache-2.0 |
GPT4All (Nomic) | Community-getrieben, einfache GUI-App, ideal für Einsteiger & Experimente | ab 2023 | Teilweise | ✔️ | Lokal, Qualität je nach Quelle |
Sprachmodelle 2025 – Innovation im Überblick
Modell | Zweck / Empfehlung | Aktualität & Umgang mit neuen Themen |
|---|---|---|
gpt-oss-20b (OpenAI, 2025) | Modernes Allround-Modell, optimiert für Notebooks (16 GB RAM/VRAM), produktive Arbeit mit DSGVO-Anspruch | Neu (2025), Trainingsstand sehr aktuell; Inhalte bis Anfang 2025, kein Live-Webzugriff |
LLaMA 3.1 (Meta, 2025) | Offenes Spitzenmodell mit Community-Support, Allrounder für Text, Forschung & Prototyping | Trainingsstand 2024/25; große Community hält es durch Feintuning und Adaptionen aktuell |
Qwen-3 (Alibaba, 2025) | Neueste Generation mit starkem Multilingual-Fokus und langen Kontexten (>128k Tokens); sehr leistungsfähig auch in Nicht-Englisch | Neu (2025), frisch trainiert; erste Benchmarks zeigen deutliche Sprünge gegenüber 2.5 |
DeepSeek-R1-Distill-7B (2025) | Kompakt & effizient, gutes Reasoning bei wenig Ressourcen, Notebook-freundlich | Neu (2025), stark auf aktuelles Reasoning optimiert; weniger Fokus auf Breitenwissen |
Phi-3 (Microsoft, 2025) | Ressourcenschonend, ideal für schwächere Hardware oder Edge-Geräte | 2024/25; Microsoft pflegt regelmäßige Updates, aber ohne Live-Web |
Mixtral 8x22B (Mistral, 2024) | High-End-Modell für Forschung & komplexe Analysen, braucht starke GPU | Trainingsstand 2023/24; leistungsfähig, aber nicht tagesaktuell |
Falcon (TII, 2023) | Forschung & Business-Texte, solider Klassiker | Stand 2023; heute weniger innovativ, aber für bestimmte Szenarien noch brauchbar |
Qwen-2.5 (Alibaba, 2024) | Vorgänger von Qwen-3, sehr verbreitet, stabil und breit integriert (Ollama/LM Studio) | Trainingsstand 2024; weiterhin stabil nutzbar, aber nicht mehr top-aktuell |
GPT4All-Modelle (Nomic, seit 2023) | Einfacher Einstieg, Experimente & Lernen mit GUI-App | Basieren meist auf älteren Modellen; Aktualität abhängig von Community-Updates |
🛠 Praxis: Wie halte ich lokale KI-Modelle aktuell?
Lokale Sprachmodelle haben ein festes Wissensstand-Datum – sie lernen nicht automatisch Neues dazu. Damit sie dennoch aktuell und nützlich bleiben, gibt es drei Wege:
- Neue Modellversion installieren
- Regelmäßig erscheinen Updates (z. B. LLaMA-3, Phi-3, gpt-oss-20b).
- Diese müssen manuell heruntergeladen und eingerichtet werden.
- Feintuning oder Adapter nutzen
- Mit LoRA- oder QLoRA-Techniken lässt sich ein bestehendes Modell schnell auf eigene Daten (z. B. Firmenwissen) anpassen.
- Vorteil: kostengünstig und gezielt.
- RAG (Retrieval Augmented Generation)
- Das Modell bleibt unverändert, erhält aber bei jeder Anfrage aktuelle Dokumente oder Daten aus einer Wissensdatenbank.
- So können auch Nachrichten von heute verarbeitet werden, obwohl das Modell selbst sie nicht „kennt“.
💡 Vergleich zur Cloud: Während Cloud-Modelle automatisch durch den Anbieter aktualisiert werden, bedeutet lokale Nutzung mehr Eigenverantwortung – dafür bleiben alle Daten unter deiner Kontrolle und DSGVO-konform.
KI Modellfamilien - Übersicht (Stand April 2026) - Arbeitsdokument
Übersicht gängiger KI-Modellfamilien
Diese Übersicht beschreibt verbreitete KI-Modellfamilien, ihre Herkunft, typische Ausprägungen, die grundsätzliche lokale Nutzbarkeit, den inhaltlichen Fokus sowie eine grobe Einordnung ihrer Verbreitung.
Sie dient der schnellen Orientierung und erhebt keinen Anspruch auf Vollständigkeit.
Grundsätzliche Hinweise
- Modellbezeichnungen sind nicht einheitlich standardisiert.
- Viele Namen bestehen aus einer Kombination aus:
- Modellfamilie
- Versions- oder Generationsnummer
- Größenangabe
- Spezialisierung oder Einsatzschwerpunkt
- Begriffe wie
mini,pro,thinking,reasoning,visionoderturbosind häufig anbieterspezifisch. - Die lokale Nutzbarkeit hängt zusätzlich von Faktoren wie Quantisierung, Kontextlänge, RAM, VRAM und CPU/GPU-Leistung ab.
Tabelle: Gängige Modellfamilien
Modellfamilie | Herkunft / Anbieter | Typische Ausprägungen | Lokal nutzbar | Grobe lokale Anforderung | Verbreitung | Typischer Fokus |
|---|---|---|---|---|---|---|
Llama | Meta | z. B. 1B, 3B, 8B, 70B | Ja | kleine bis mittlere Varianten gut lokal nutzbar; große Varianten eher für starke Systeme | sehr hoch | Allround, Chat, Assistenz, Basis für viele lokale Setups |
Qwen | Alibaba / Qwen Team | z. B. 0.6B, 4B, 8B, 14B, 32B, MoE-Varianten | Ja | kleine und mittlere Varianten gut lokal; größere Varianten deutlich anspruchsvoller | sehr hoch | multilingual, Coding, Reasoning, Tools |
DeepSeek | DeepSeek | z. B. kleine Distill-Modelle, größere Reasoning-Varianten | Ja, vor allem kleine Varianten | kleine Modelle gut lokal; große Modelle nur eingeschränkt sinnvoll lokal | hoch | Reasoning, Analyse, Mathematik |
Gemma | Google DeepMind / Google | z. B. 2B, 4B, 12B, 27B, Gemma-4-Varianten | Ja | kleine Modelle lokal gut einsetzbar; größere Varianten benötigen mehr Speicher | mittel bis hoch | allgemeine Nutzung, Reasoning, teils multimodal |
Mistral | Mistral AI | z. B. 7B, Small, Large, Mixtral, Devstral, Magistral | Teilweise | offene kleinere Modelle lokal gut nutzbar; große Varianten eher nicht | hoch | Allround, Coding, Reasoning |
Phi | Microsoft | z. B. Mini-, Multimodal- und Reasoning-Varianten | Ja | meist vergleichsweise ressourcenschonend | mittel bis hoch | effiziente lokale Nutzung, kompakte Modelle |
GPT / o-Serie | OpenAI | z. B. GPT-4.x, mini, nano, o-Modelle | in der Regel nein | primär Cloud-/API-Nutzung | sehr hoch | allgemeine Nutzung, Reasoning, Produktivbetrieb |
Claude | Anthropic | Haiku, Sonnet, Opus | in der Regel nein | primär Cloud-/API-Nutzung | hoch | Sprachverständnis, Analyse, Assistenz |
Gemini | Flash, Pro | in der Regel nein | primär Cloud-/API-Nutzung | hoch | allgemeine Nutzung, multimodale Verarbeitung | |
Grok | xAI | verschiedene Grok-Varianten | in der Regel nein | primär Cloud-/API-Nutzung | mittel | allgemeine Nutzung, Echtzeit-/Plattformintegration |
Command / Aya | Cohere | Command, Aya | eher nein | primär API-/Unternehmensnutzung | mittel | Enterprise, RAG, mehrsprachige Anwendungen |
Einordnung der Größenangaben
Bedeutung von B
Das Kürzel B steht in der Regel für Billion, also Milliarden Parameter.
Beispiele:
- 7B = 7 Milliarden Parameter
- 14B = 14 Milliarden Parameter
- 70B = 70 Milliarden Parameter
Grundsätzlich gilt:
- kleinere B-Werte = geringerer Ressourcenbedarf
- größere B-Werte = tendenziell höhere Leistungsfähigkeit, aber auch höherer Speicherbedarf
Bedeutung von Angaben wie A4B
Zusätze wie A4B oder ähnliche Schreibweisen kommen häufig bei Mixture-of-Experts-Modellen (MoE) vor.
Dabei gilt typischerweise:
- die erste Größenangabe beschreibt die Gesamtgröße des Modells
- die A-Angabe beschreibt die aktiv genutzten Parameter pro Verarbeitungsschritt
Beispiel:
- 26B A4B = Modell mit 26 Milliarden Parametern insgesamt, davon sind pro Schritt etwa 4 Milliarden aktiv
Wichtig ist dabei:
- auch wenn nur ein Teil aktiv genutzt wird, muss lokal oft das gesamte Modell geladen werden
- dadurch kann der Speicherbedarf weiterhin hoch bleiben
Typische Zusatzbezeichnungen
Kürzel / Begriff | Übliche Bedeutung |
|---|---|
B | Milliarden Parameter |
AxxB | aktivierte Milliarden Parameter, häufig bei MoE |
MoE | Mixture of Experts |
mini / nano / small / flash / fast | kleinere, schnellere oder günstigere Variante |
pro / large / opus / ultra / heavy | leistungsstärkere Variante |
reasoning / thinking | auf mehrstufiges Denken oder Problemlösen optimiert |
vision | Bildverarbeitung möglich |
multimodal | Verarbeitung mehrerer Eingabetypen, z. B. Text und Bild |
instruct / IT | für Anweisungen bzw. Chatnutzung optimiert |
preview | Vorabversion |
turbo | meist auf Geschwindigkeit optimiert, jedoch nicht einheitlich definiert |
Grobe Einschätzung lokaler Anforderungen
Die folgende Übersicht dient als praxisnahe Orientierung für lokale Nutzung, etwa mit Ollama oder vergleichbaren Laufzeitumgebungen:
Modellgröße | Grobe Einschätzung |
|---|---|
1B bis 4B | leicht lokal nutzbar |
7B bis 8B | gut lokal nutzbar |
12B bis 14B | mittlere Anforderungen |
26B bis 32B | hohe Anforderungen |
70B und größer | meist nur mit leistungsstarker Hardware sinnvoll |
MoE-Modelle | abhängig von Gesamtgröße und aktivem Anteil; Speicherbedarf kann trotz Effizienz hoch bleiben |
Verbreitung der Modellfamilien
Die Verbreitung lässt sich nur grob einordnen, da keine einheitlichen Vergleichswerte über alle Anbieter hinweg vorliegen.
Sehr stark verbreitet
- Llama
- Qwen
- DeepSeek
- GPT
Stark verbreitet
- Claude
- Gemini
- Mistral
- Gemma
Mittel bis stark verbreitet
- Phi
- Cohere Command / Aya
- Grok
Typische Fokusse nach Modellfamilie
Modellfamilie | Typischer Schwerpunkt |
|---|---|
Llama | allgemeine lokale Nutzung, Allround |
Qwen | multilingual, Coding, Reasoning |
DeepSeek | Reasoning, Analyse |
Gemma | allgemeine Nutzung, effiziente moderne Open-Modelle |
Mistral | Allround, teils Coding und Reasoning |
Phi | kompakte, effiziente Modelle |
GPT | allgemeine Nutzung, starke Cloud-Modelle |
Claude | Sprachverständnis, Analyse, Assistenz |
Gemini | multimodal, allgemeine Nutzung |
Grok | plattformnahe Assistenz, allgemeine Nutzung |
Command / Aya | Enterprise, RAG, Mehrsprachigkeit |
Aktuelle Hauptversionen gängiger Modellfamilien
Stand: 21. April 2026
Modellfamilie | Aktuelle Hauptversion / aktuelle Linie | Typische aktuelle Varianten |
|---|---|---|
OpenAI GPT / o-Serie | GPT-5.4 als aktuelle Frontier-Modelllinie; zusätzlich GPT-5.4-mini und GPT-5.4-nano. Die ältere Reasoning-Linie o3 / o4-mini ist weiterhin dokumentiert, wird aber in den OpenAI-Modellseiten teils bereits als abgelöst eingeordnet. (OpenAI Entwickler) | GPT-5.4, GPT-5.4-mini, GPT-5.4-nano, o3, o4-mini |
Claude | Claude 4.7 ist aktuell die neueste genannte Generation; Anthropic hebt insbesondere Claude Opus 4.7 hervor. In den Modelllinien bleiben außerdem Sonnet und Haiku als Klassen relevant. (Claude API Docs) | Opus 4.7, Sonnet 4.5+, Haiku 4.5+ |
Gemini | Gemini 3.1 Pro ist aktuell die neueste hervorgehobene Pro-Generation in den Gemini-API-Modellseiten. Zusätzlich werden Gemini 3 Flash und Gemini 3.1 Flash-Lite geführt. Parallel ist Gemini 2.5 Pro weiterhin dokumentiert. (Google AI for Developers) | Gemini 3.1 Pro, Gemini 3 Flash, Gemini 3.1 Flash-Lite, Gemini 2.5 Pro |
Gemma | Gemma 4 ist die aktuelle Hauptgeneration. Google listet für diese Generation die Größen E2B, E4B,31B und 26B A4B. (Google AI for Developers) | Gemma 4 E2B, E4B, 31B, 26B A4B |
Llama | Llama 4 ist die aktuelle Hauptgeneration. Meta nennt derzeit insbesondere Llama 4 Scout und Llama 4 Maverick als veröffentlichte Modelle. (ai.meta.com) | Llama 4 Scout, Llama 4 Maverick |
Mistral | Bei Mistral ist die aktuelle Hauptlinie breit aufgefächert. In den Modellübersichten werden besonders Mistral Large 3, Devstral 2 und Mistral Medium 3.1 als aktuelle Featured-Modelle hervorgehoben. (Mistral AI) | Mistral Large 3, Devstral 2, Mistral Medium 3.1 |
Qwen | Qwen3 ist die aktuelle Hauptgeneration der allgemeinen Qwen-Familie. Daneben existiert mit Qwen3-Coder eine spezialisierte Coding-Linie. (Qwen) | Qwen3-0.6B bis 32B, Qwen3-30B-A3B, Qwen3-235B-A22B, Qwen3-Coder |
DeepSeek | DeepSeek-V3.2 ist die aktuelle allgemeine Hauptlinie laut DeepSeek. Zusätzlich wird DeepSeek-V3.2-Speciale genannt. In der Praxis bleibt auch DeepSeek-R1 als Reasoning-Linie sehr relevant. (DeepSeek) | DeepSeek-V3.2, DeepSeek-V3.2-Speciale, DeepSeek-R1 |
Phi | Phi-4 wird von Microsoft als aktuelle Hauptgeneration der Phi-Familie hervorgehoben. ( ) | Phi-4, Phi-4-mini, weitere spezialisierte Phi-4-Varianten je Plattform |
Grok | Grok 4.1 ist aktuell die neueste genannte Hauptversion in den xAI-News; zuvor wurde Grok 4 eingeführt. ( ) | Grok 4.1, Grok 4 Heavy, Grok Code Fast 1 |
Command / Aya | Bei Cohere ist Command A die aktuelle zentrale Hauptlinie; zusätzlich gibt es spezialisierte Varianten wie Command A Reasoning und Command A Vision . Aya bleibt die mehrsprachige Modellfamilie. ( ) | Command A, Command A Reasoning, Command A Vision, Aya |
DSGVO-Einordnung beim Einsatz von KI-Modellen
Einsatzszenario | Beispiel | DSGVO-Einordnung | Typische Prüfpunkte | Risikoniveau |
|---|---|---|---|---|
Rein lokal, offline | Modell läuft auf eigenem Rechner oder internem Server ohne externe Datenübertragung | Datenschutzrechtlich meist am einfachsten zu bewerten, weil keine automatische Übermittlung an einen externen KI-Anbieter erfolgt. Die DSGVO bleibt dennoch anwendbar, sobald personenbezogene Daten verarbeitet werden. ( ) | Rechtsgrundlage, Zweckbindung, Zugriffskontrolle, Protokollierung, Löschkonzept, Berechtigungskonzept | Niedrig bis mittel |
Lokal im Unternehmensnetz, mit mehreren Nutzern | Interner KI-Server für Mitarbeitende | Ebenfalls vergleichsweise günstig, aber organisatorisch anspruchsvoller als Einzelnutzung. Es sind interne Rollen, Berechtigungen und Schutzmaßnahmen sauber zu regeln. ( ) | Rollen und Verantwortlichkeiten, TOMs, Zugriffstrennung, Logging, Datenschutzinformationen, interne Richtlinien | Mittel |
Selbst gehostet in eigenem Rechenzentrum oder bei EU-Hoster | Eigene KI-Anwendung auf VPS oder dediziertem Server in der EU | Häufig gut beherrschbar, sofern Hosting, Fernzugriffe und Administratorenzugänge sauber geregelt sind. Auch bei EU-Hosting sind Verträge und technische Maßnahmen erforderlich. ( ) | AV-Vertrag, Serverstandort, Admin-Zugriffe, Verschlüsselung, Backups, Löschung, Incident-Prozesse | Mittel |
Externe API / Cloud innerhalb der EU | KI-Dienst mit Verarbeitung in der EU | DSGVO-relevant und regelmäßig prüfungsbedürftig. EU-Standort erleichtert die Bewertung, ersetzt aber keine Prüfung von Rechtsgrundlage, Transparenz und Verträgen. ( ) | Anbieterrolle, AV-Vertrag oder Rollenabgrenzung, Zweckbindung, Datennutzung durch Anbieter, Speicherfristen, Betroffenenrechte | Mittel bis hoch |
Externe API / Cloud mit Drittlandtransfer | US- oder sonstiger Nicht-EU-Anbieter | Regelmäßig prüfungsintensiver , weil zusätzlich Fragen zu internationaler Datenübermittlung, Schutzmechanismen und Anbieterzugriffen zu klären sind. Für US-Anbieter kann das EU-US Data Privacy Framework relevant sein, sofern der konkrete Empfänger darunter fällt. ( ) | Drittlandtransfer, Zertifizierung/Transfermechanismus, Vertragslage, Subprozessoren, Transparenz, Datennutzung für Training oder Verbesserung | Hoch |
Nutzung mit anonymisierten oder wirksam pseudonymisierten Daten | Vorverarbeitete Fälle ohne direkte Personenbeziehbarkeit | Kann die datenschutzrechtlichen Risiken deutlich senken. Ob Daten oder sogar ein Modell als anonym gelten, ist jedoch im Einzelfall zu prüfen; die EDPB behandelt diese Frage ausdrücklich als fallbezogene Bewertung. ( ) | Qualität der Anonymisierung/Pseudonymisierung, Re-Identifikationsrisiko, Trennung von Zusatzwissen, Zugriffskonzepte | Niedrig bis mittel |
Nutzung mit sensiblen Daten | Gesundheitsdaten, Sozialdaten, Beschäftigtendaten, besondere Kategorien | Besonders kritisch. Hier steigen die Anforderungen an Rechtsgrundlage, Schutzmaßnahmen, Zugriffsbeschränkungen und Dokumentation deutlich. ( ) | Art. 9 DSGVO, Erforderlichkeit, Datensparsamkeit, Schutzbedarf, DPIA, Zugriffstrennung, Verschlüs |
DSGVO-Einordnung nach Modellfamilie
Hinweis: Diese Übersicht ist eine praxisnahe Orientierung für Dokumentationszwecke und keine Rechtsberatung. Maßgeblich ist immer der konkrete Einsatz: lokal, selbst gehostet, über API/Cloud, mit oder ohne personenbezogene Daten. Die EDPB hat klargestellt, dass die DSGVO auch für KI-Modelle gilt. (Anthropic)
Modellfamilie | Typischer Betriebsmodus | DSGVO-Tendenz | Modellbezug / praktische Einordnung | Prüfschwerpunkt |
|---|---|---|---|---|
Llama | häufig lokal / self-hosted , da offen herunterladbar und „deploy anywhere“ beworben | günstig bis mittel , wenn lokal betrieben | Für Llama ist der DSGVO-Vorteil vor allem der lokale oder eigene Betrieb : Meta stellt die Modelle zum Download bereit und beschreibt sie als überall deploybar. Dadurch kann eine externe Übermittlung an einen Modellanbieter oft vermieden werden. ( ) | Serverstandort, interne Zugriffe, Logging, Löschung, keine unnötige Cloud-Anbindung |
Gemma | häufig lokal / self-hosted | günstig bis mittel , wenn lokal betrieben | Gemma ist als offene Modellfamilie für lokale Nutzung relevant. Datenschutzrechtlich ist sie daher typischerweise einfacher als reine Cloud-Modelle, sofern keine personenbezogenen Daten an externe Dienste fließen. Die DSGVO-Frage hängt hier eher am Hosting als am Modellnamen. ( ) | Lokale Verarbeitung, Zugriffskonzepte, Datenminimierung |
Mistral | hybrid : Cloud, private Cloud, VPC, on-prem | mittel , bei on-prem günstiger | Mistral bewirbt ausdrücklich private Deployments , VPC- und On-Prem-Optionen sowie „your data stays within your walls“. Dadurch ist Mistral aus DSGVO-Sicht oft flexibler als reine SaaS-Modelle. Zusätzlich gibt es ein DPA. ( ) | AV-Vertrag, Hosting-Variante, Admin-Zugriffe, Datenfluss zwischen Cloud und On-Prem |
Phi | oft lokal , alternativ Azure-/Microsoft-Umfeld | günstig bis mittel , je nach Hosting | Phi ist als kleine Modellfamilie gut für lokale Nutzung geeignet; Microsoft positioniert Phi zudem unter dem Aspekt „privacy and security“. Datenschutzrechtlich ist lokal am einfachsten, bei Azure-Betrieb kommt die übliche Cloud-/Vertragsprüfung hinzu. ( ) | Lokal vs. Azure, Verträge, Region, Speicherort |
Qwen | sowohl lokal als auch Cloud/API | lokal günstiger , Cloud mittel bis hoch | Qwen ist als Modellfamilie lokal nutzbar, hat aber auch einen eigenen API-/Cloud-Zugang. Für die DSGVO ist deshalb wichtig, welcher Weg genutzt wird . Bei lokaler Nutzung ist die Bewertung deutlich einfacher als bei Verarbeitung über die Qwen-Cloud. ( ) | Ob lokal oder API, Anbieterrolle, Übermittlung, vertragliche Einbindung |
DeepSeek | sowohl lokal als auch Cloud/API | lokal klar günstiger , Cloud hoch | Bei DeepSeek ist der Modellbezug besonders wichtig: Die Modelle können lokal laufen, aber die DeepSeek-Privacy-Policy sagt ausdrücklich, dass personenbezogene Daten zur Diensterbringung in der Volksrepublik China verarbeitet und gespeichert werden können. Für personenbezogene Daten ist deshalb der lokale Betrieb deutlich günstiger. ( ) | Drittlandtransfer, Speicherort China, sensible Daten vermeiden, möglichst self-hosted |
GPT / o-Serie | typischerweise Cloud/API | mittel bis hoch | OpenAI ist klar cloud-orientiert. Positiv ist: Für Business-Angebote gibt es ein DPA; für Kunden im EWR/der Schweiz wird dieses mit OpenAI Ireland Ltd. geschlossen. OpenAI erklärt außerdem, dass Business-Daten standardmäßig nicht zum Training verwendet werden . Trotzdem bleibt Cloud-Verarbeitung DSGVO-prüfungsintensiv. ( ) | Rechtsgrundlage, AV/DPA, Anbieterrolle, Transfermechanismus, Speicher- und Löschregeln |
Claude | typischerweise Cloud/API | mittel bis hoch | Claude ist primär ein Cloud-Modell. Bei Anthropic ist relevant, dass es für Consumer-Nutzung eine Opt-in-Logik zur Datennutzung für Trainings-/Verbesserungszwecke gibt; zugleich verweist Anthropic für Unternehmen auf Trust-/Compliance-Unterlagen. Für DSGVO-Zwecke ist Claude daher vor allem als vertrags- und plattformabhängiges Cloud-Modell zu prüfen. ( ) | Consumer vs. Business trennen, Opt-in/Datennutzung, Verträge, Speicherort |
Gemini | typischerweise Cloud/API | mittel bis hoch | Bei Gemini ist die Unterscheidung zwischen unpaid und paid tiers besonders relevant: Google weist für Unpaid Services darauf hin, dass Eingaben/Ausgaben von Menschen geprüft und zur Produktverbesserung genutzt werden können und dass keine sensiblen, vertraulichen oder personenbezogenen Daten eingereicht werden sollen. Für Paid Tiers heißt es, dass Prompts/Responses nicht zur Produktverbesserung genutzt werden. ( ) | Tarifmodell, Datennutzung zur Verbesserung, Human Review, sensible Daten nur in geeignetem Vertragsrahmen |
Grok | typischerweise Cloud/API | hoch | Grok ist derzeit im Kern ein cloudbasiertes Modellangebot. Für DSGVO-Zwecke ist es daher ähnlich wie andere Cloud-Modelle zu behandeln: rechtliche Grundlage, Datenfluss, Empfänger, Speicherort und Nutzungsbedingungen sind vor produktivem Einsatz mit personenbezogenen Daten zu prüfen. ( ) | Vertragslage, Speicherort, Empfänger, Drittlandtransfer |
Command / Aya (Cohere) | typischerweise API/Enterprise, teils private deployment | mittel, bei Private Deployment günstiger | Cohere ist für DSGVO-Zwecke relativ interessant, weil das Unternehmen sowohl DPA , Zero Data Retention für Enterprise-Fälle als auch private deployment options nennt. In der Privacy Policy steht zugleich, dass Trial-/Research-Umgebungen nicht für personenbezogene Daten gedacht sind. ( ) | Produktstufe prüfen, DPA anfordern, ZDR/Retention, Private Deployment bevorzugen |
Kurztext für unter die Tabelle
Einordnung:
Der DSGVO-Bezug hängt bei KI-Modellen nicht nur am Hersteller, sondern stark am typischen Betriebsmodus der jeweiligen Modellfamilie. Open-weight-Modelle wie Llama, Gemma oder oft auch Qwen/DeepSeek/Mistral können lokal oder selbst gehostet betrieben werden und sind deshalb datenschutzrechtlich häufig günstiger zu bewerten. Cloud-first-Modelle wie GPT, Claude, Gemini oder Grok erfordern regelmäßig eine vertiefte Prüfung von Rechtsgrundlage, Vertragslage, Speicherort, möglichem Drittlandtransfer und Datenverwendung durch den Anbieter. (Anthropic)
Noch kürzere Fassung
Gruppe | DSGVO-Tendenz | Typische Modelle |
|---|---|---|
Open-weight / lokal betreibbar | meist günstiger | Llama, Gemma, Phi, oft Qwen, DeepSeek, Mistral ( ) |
Cloud-first / API-zentriert | meist prüfungsintensiver | GPT, Claude, Gemini, Grok, Command ( ) |
Zusammenfassung
Zur schnellen Einordnung kann folgende Struktur verwendet werden:
[Familie] + [Version] + [Größe] + [Spezialisierung]
Beispiele:
- Gemma 4 27B IT
- Qwen3 14B
- DeepSeek R1
- Claude Sonnet
- GPT-4.1 mini
Dabei gilt:
- Familie = Modellreihe
- Version = Generation oder Entwicklungsstand
- Größe = Parameteranzahl
- Spezialisierung = Einsatzschwerpunkt oder Optimierung
Übersicht gängiger KI-Plattformen (Stand April 2026) - Arbeitsdokument
Hinweis:
Diese Tabelle beschreibt Plattformen, nicht Modellfamilien. Eine Plattform kann eigene Modelle anbieten, Drittmodelle bündeln oder vor allem die lokale Ausführung vereinfachen. (Ollama Dokumentation)Kurze Einordnung
Übersicht gängiger KI-Plattformen mit Anbindung
Plattform | Anbieter | Typ | Typischer Einsatz | Lokal / Cloud | Anbindung / Ansprache | Typische Besonderheiten |
|---|---|---|---|---|---|---|
Ollama | Ollama | Laufzeitumgebung und Modellplattform | Lokales Ausführen von LLMs, optional Cloud-Nutzung | Lokal und Cloud | Lokale REST-API über
, zusätzlich OpenAI-kompatible Endpunkte ; dadurch oft auch über Tools nutzbar, die OpenAI-kompatible APIs erwarten. Lokal ist standardmäßig keine Authentifizierung nötig. ( ) | Lokaler Betrieb, OpenAI-Kompatibilität, Tool-Support |
LM Studio | LM Studio | Desktop-Plattform für lokale Modelle | Modelle lokal laden, testen und per UI oder lokaler API nutzen | Vor allem lokal | Lokaler API-Server auf
oder im Netzwerk; nutzbar per REST API , über eigene Client-Bibliotheken und über OpenAI- sowie Anthropic-kompatible Endpunkte . ( ) | Starker Fokus auf lokale/private Nutzung |
OpenRouter | OpenRouter | Modell-Router / Unified API | Zugriff auf viele Modelle über eine einheitliche API | Cloud | Einheitliche API , die ausdrücklich mit dem OpenAI SDK nutzbar ist; OpenRouter beschreibt die Schemas als sehr ähnlich zur OpenAI Chat API. ( ) | Ein API-Zugang für viele Modelle und Provider |
Perplexity API | Perplexity | Such- und Antwortplattform / API | Websuche, Recherche, Sonar, Agenten-Workflows | Cloud | REST und SDKs ; Perplexity nennt vier Kern-APIs: Agent , Search , Sonar und Embeddings . Die Sonar API ist zusätzlich mit OpenAI-kompatiblen Clients nutzbar. ( ) | Fokus auf webgestützte Antworten und Recherche |
OpenAI Platform | OpenAI | Modell- und API-Plattform | Produktive KI-Anwendungen, Agenten, multimodale Workflows | Cloud | REST, Streaming, Realtime APIs sowie offizielle SDKs ; zentrale Schnittstelle ist die Responses API . ( ) | Herstellerplattform mit breiter Tool- und Agentenunterstützung |
Claude Platform | Anthropic | Modell- und API-Plattform | Claude-basierte Anwendungen und Assistenzsysteme | Cloud | Messages API plus offizielle SDKs ; Anthropic dokumentiert den Einstieg über API-Key, Quickstart und Client-SDKs. ( ) | Herstellerplattform für Claude-Modelle |
Gemini API / Google AI Studio | Modell- und Entwicklerplattform | Prototyping, multimodale Anwendungen, API-Nutzung | Cloud | REST API und offizielle SDKs ; Google AI Studio dient als schneller Einstieg und zur API-Key-Erstellung. ( ) | Schneller Einstieg über AI Studio | |
Vertex AI | Google Cloud | Enterprise-AI-Plattform | Produktive KI-Anwendungen, verwaltete Bereitstellung | Cloud | Typisch über Google-Cloud-/Vertex-AI-APIs und SDKs; Anthropic dokumentiert Claude-Integrationen ausdrücklich auch über Google Vertex AI . ( ) | Enterprise-Betrieb und Multi-Modell-Umgebungen |
Hugging Face Inference Providers | Hugging Face | Modell-Hub und Inferenzplattform | Modelle testen, serverless nutzen oder produktiv anbinden | Cloud | Zugriff über einheitliche API und Client-SDKs ; Hugging Face nennt ausdrücklich einen OpenAI-kompatiblen Endpoint für Inference Providers. ( ) | Viele Modelle, viele Inferenzpartner |
IONOS AI Model Hub | IONOS | Europäische Modell- und API-Plattform | API-Zugriff auf Modelle in europäischer Cloud | Cloud | API-first ; IONOS bietet eine reguläre API sowie eine OpenAI-kompatible API . ( ) | Europäischer Fokus, OpenAI-Kompatibilität |
STACKIT AI Model Serving | STACKIT | Europäische AI-Serving-Plattform | Sichere Modellnutzung in der STACKIT Cloud | Cloud | Modelle sind über API nutzbar; STACKIT nennt die Schnittstelle ausdrücklich OpenAI-kompatibel . ( ) | Europäische/souveräne Cloud-Ausrichtung |
Amazon Bedrock | AWS | Voll gemanagte GenAI-Plattform | Zugriff auf viele Foundation Models in AWS | Cloud | AWS API , API Keys , regionale Endpunkte und AWS SDKs wie Boto3; Amazon dokumentiert zusätzlich OpenAI-kompatible Service-Endpunkte in Teilen des Angebots. ( ) | Viele Drittmodelle unter AWS-Steuerung |
noris network KI as a Service | noris network | Infrastruktur- und Serviceplattform | KI-Betrieb für Unternehmen, souveräne Hosting-/Cloud-Umgebungen | Cloud / Private Cloud / Managed | Anbieter beschreibt KI as a Service , Private-Cloud- und GPU-nahe Betriebsmodelle; die konkrete technische Ansprache ist eher projekt- bzw. serviceabhängig als über eine standardisierte öffentliche Entwickler-API dokumentiert. ( ) | Fokus auf Betrieb, Hosting und Souveränität |
Praktische Kurzregel für „API, n8n etc.“
Anbindungsart | Typische Plattformen | Einordnung |
|---|---|---|
Direkt per REST/API | OpenAI, Anthropic, Gemini, Perplexity, OpenRouter, Bedrock, IONOS, STACKIT | Standardweg für Anwendungen und Automatisierung. ( ) |
OpenAI-kompatibel | Ollama, LM Studio, OpenRouter, Perplexity Sonar, Hugging Face Inference Providers, IONOS, STACKIT | Besonders praktisch, weil viele vorhandene Tools und Clients weiterverwendet werden können. ( ) |
SDKs / Client-Bibliotheken | OpenAI, Anthropic, Gemini, Hugging Face, AWS, LM Studio, Perplexity | Sinnvoll für produktive Anwendungen statt reiner HTTP-Aufrufe. ( ) |
n8n direkt | Am einfachsten mit OpenAI über den offiziellen OpenAI-Node | n8n hat einen offiziellen OpenAI-Node ; für andere Dienste ist meist der HTTP Request Node nutzbar, sofern sie eine REST-API anbieten. ( ) |
n8n indirekt über OpenAI-Kompatibilität | Ollama, LM Studio, OpenRouter, Perplexity Sonar, IONOS, STACKIT, teils Hugging Face | In der Praxis oft möglich, wenn in n8n ein OpenAI-kompatibler Endpoint oder notfalls der HTTP Request Node verwendet wird; offiziell dokumentiert ist bei n8n selbst vor allem der OpenAI-Node und der generische HTTP Request Node. ( ) |
Neutrale Formulierung
Anbindung / Ansprache
KI-Plattformen werden typischerweise über REST-APIs, offizielle SDKs oder OpenAI-kompatible Schnittstellen angesprochen. Für Automatisierungswerkzeuge wie n8n ist dies relevant, weil entweder ein dedizierter Anbieter-Node genutzt werden kann oder ein generischer HTTP-Request-Ansatz. OpenAI-kompatible Plattformen sind dabei besonders integrationsfreundlich, da bestehende Clients und Workflows häufig mit geringem Anpassungsaufwand weiterverwendet werden können. (n8n Docs)
Sehr kurze Fassung
Plattformen sind von Modellfamilien zu unterscheiden. Während Modellfamilien die eigentlichen KI-Modelle bezeichnen, stellen Plattformen die Umgebung für Auswahl, Ausführung, Routing, Hosting oder API-Zugriff bereit. Manche Plattformen sind lokal ausgerichtet, andere bündeln viele Fremdmodelle oder bieten eigene Hersteller-APIs an. (Ollama Dokumentation)