Zurück zum Lernbereich

Open Source vs. Closed Source

Wann ein Modell "offen" ist und wann das Wort nur Marketing — eine Bestandsaufnahme.

  • Grundlagen
  • 12 min
  • Einsteiger

Einfache Sprache

Diese Vorschau ist in Einfacher Sprache. Das ganze Portal gibt es auch in Einfacher Sprache. Du kannst oben die Sprache wechseln. Oder nutze den Knopf unten. Unsere Texte in Einfacher Sprache entstehen KI-gestützt und werden redaktionell begleitet. Sie orientieren sich an den Grundprinzipien der Leichten Sprache, sind aber keine geprüfte Leichte Sprache: Eine Prüfgruppe von Menschen mit Lernschwierigkeiten prüft sie nicht.

Vorschau: Was ist Open Source?

Offen oder geschlossen?

Manche Programme zeigen ihren Code. Code ist der Bauplan des Programms. Das nennt man Open Source. Andere Programme verstecken ihren Code. Das nennt man Closed Source. Jeder kann Open-Source-Code lesen und prüfen.

Lizenzen regeln die Nutzung

Open Source hat Spielregeln. Diese Spielregeln heißen Lizenzen. Es gibt zwei Haupttypen:
MIT-Lizenz: Du darfst den Code nutzen und verändern. GPL-Lizenz: Du darfst den Code nutzen. Aber du musst deine Änderungen auch teilen.

Warum das für KI wichtig ist

Bei KI-Programmen ist Offenheit wichtig. Man kann prüfen, wie die KI trainiert wurde. Man kann versteckte Fehler finden. Ein geschlossenes KI-Programm ist wie eine verschlossene Box. Du musst dem Hersteller blind vertrauen.

Jedes Mal, wenn du einen KI-Chatbot benutzt, vertraust du einem System, dessen innere Funktionsweise du nicht einsehen kannst. Du kannst nicht prüfen, mit welchen Daten es trainiert wurde, ob es versteckte Verzerrungen hat oder was es mit deinen Eingaben macht.

Was wäre, wenn du unter die Haube schauen könntest — nicht nur auf die Ergebnisse, sondern auf den Motor selbst? Genau das verspricht Open Source. Am Ende dieses Artikels verstehst du drei Dinge: was Quellcode ist, wie Lizenzen bestimmen, was du damit tun darfst, und warum das alles kritisch wird, wenn die Software eine KI ist.

Was du siehst — und was nicht

Definition

Quellcode — Das Rezept hinter der Software

Analogie

Open Source ist wie ein veröffentlichtes Rezept: Du kannst die Zutaten lesen, die Schritte nachvollziehen, die Würzung anpassen und deine verbesserte Version teilen. Closed Source ist wie ein versiegeltes Fertiggericht: Du kannst es essen, weißt aber nicht, was drin ist oder wie es gemacht wurde.

Die Rezept-Analogie hat Grenzen: Software kann beliebig oft kopiert werden (Kochen erfordert Zutaten). Ein "Rezept" mit Millionen Zeilen Code ist nur für Fachleute lesbar. Manche Lizenzen erlauben das Lesen, schränken aber die Nutzung ein (Source-Available).

Linux — Open Source

Über 40 Millionen Zeilen Code, öffentlich einsehbar (auf kernel.org, gespiegelt auf GitHub). Jeder kann den Code lesen, Fehler melden oder Verbesserungen einreichen. Begonnen 1991 mit ~10.000 Zeilen.

Windows — Closed Source

Proprietärer Quellcode, den außer Microsoft nur ausgewählte Partner in Teilen einsehen können. Nutzer erhalten Installationspakete, keine Quelldateien. Eine öffentliche, unabhängige Überprüfung ist nicht möglich.

Wichtig: Code auf GitHub ist nicht automatisch Open Source. Ohne eine LICENSE-Datei gilt vollständiger Urheberrechtsschutz — niemand darf den Code kopieren, verändern oder verteilen, selbst wenn er öffentlich sichtbar ist. Öffentliche Sichtbarkeit erteilt keine Nutzungsrechte. Einzige Ausnahme: GitHubs Nutzungsbedingungen erlauben, ein öffentliches Repository auf GitHub anzusehen und zu forken.

Achtung

Häufige Irrtümer über Quellcode

"Open Source = kostenlos" — Nicht zwingend. Open Source bedeutet Zugang zum Quellcode und bestimmte Freiheiten, aber Unternehmen wie Red Hat verdienen Milliarden mit Open-Source-Software durch Support und Services.

"Closed Source = professioneller" — Die meisten Webserver (Apache, Nginx), Programmiersprachen (Python) und Cloud-Infrastrukturen basieren auf Open Source. Professionalität hängt nicht vom Lizenzmodell ab.

"Code auf GitHub = Open Source" — Ohne LICENSE-Datei liegen alle Rechte beim Autor. Sichtbarkeit ist nicht gleich Nutzbarkeit.

Die Spielregeln — Softwarelizenzen

Definition

Lizenz — Die rechtlichen Regeln von Open Source

Analogie

Lizenzen sind wie die Regeln eines Gemeinschaftsgartens. Ein permissiver Garten (MIT) sagt: "Nimm, was du willst, nutze oder verkaufe es — nenne nur, woher es stammt." Ein Copyleft-Garten (GPL) sagt: "Du darfst ernten und neue Sorten züchten, aber deine neuen Sorten müssen auch für alle verfügbar sein." Ein Source-Available-Garten lässt dich schauen und probieren, verbietet aber den Verkauf über bestimmte Grenzen hinaus.

Die Garten-Analogie hat Grenzen: Lizenzen sind rechtlich durchsetzbare Verträge mit echten Konsequenzen. Code wird perfekt kopiert (Pflanzen nicht). Subtile Unterschiede wie Patentklauseln haben kein Garten-Äquivalent.

Permissiv (MIT, Apache 2.0)

Maximale Freiheit. Code sichtbar, Änderungen erlaubt, kommerzielle Nutzung erlaubt. Hauptpflicht: Urheber- und Lizenzhinweis beibehalten. Änderungen müssen nicht geteilt werden.

Copyleft (GPL)

Gleiche Freiheiten, aber mit einer Bedingung: Abgeleitete Werke müssen ebenfalls unter GPL stehen. Wenn du den Code veränderst und weitergibst, musst du deinen Quellcode offenlegen.

Die dritte Familie heißt Source-Available: Der Code ist sichtbar, aber die kommerzielle Nutzung oder Weitergabe ist eingeschränkt. Wichtig: Source-Available ist nicht das Gleiche wie Open Source — die Open Source Initiative (OSI) erkennt solche Lizenzen nicht als Open Source an.

Merke

Fallstudie: LLaMA vs. Mistral

Meta nannte seine LLaMA-Modelle "Open Source", aber die Llama Community License schränkt Unternehmen mit über 700 Millionen monatlich aktiven Nutzern ein und erfordert eine separate Lizenzierung. Das verstößt gegen OSI-Kriterien, die keine Diskriminierung gegen bestimmte Nutzer erlauben. Metas erstes Muse-Modell, Muse Spark (April 2026), gab es nur geschlossen per App und API. Inzwischen hat Meta auch Muse-Modelle mit offenen Gewichten veröffentlicht: Muse Glimmer (August 2026) unter Apache 2.0 und Muse Spark Open (Oktober 2026) unter einer eigenen Lizenz, die große Hosting-Anbieter zu einem Zusatzvertrag verpflichtet.

Im Vergleich: Mistral veröffentlicht viele Modelle unter Apache 2.0 — lizenzrechtlich echtes Open Source mit uneingeschränkter kommerzieller Nutzung (die Trainingsdaten legt aber auch Mistral nicht offen). Aber auch hier lohnt der Blick: Mistrals größtes Modell Large 4 (Oktober 2026) steht unter einer eigenen Lizenz, nach der Anbieter, die es als Dienst hosten, eine Zusatzlizenz brauchen. Der LLaMA-Fall zeigt, warum man die tatsächliche Lizenz lesen muss, nicht nur das Marketing.

Achtung

Häufige Lizenz-Irrtümer

"GPL verbietet kommerzielle Nutzung" — Nein. GPL erlaubt kommerzielle Nutzung, verlangt aber, dass abgeleitete Werke bei Weitergabe ebenfalls den Quellcode offenlegen.

"Keine Lizenz = Public Domain" — Nein. Ohne Lizenz gilt vollständiger Urheberrechtsschutz. Niemand darf den Code nutzen.

"Open Weights = Open Source" — Nein. Modellgewichte sind die beim Training gelernten Zahlenwerte eines Modells – sein fertiges ‚Wissen‘. Für echte Open-Source-KI verlangt die OSI seit Oktober 2024 (Open Source AI Definition 1.0) die Gewichte unter offenen Bedingungen, den vollständigen Trainings- und Ausführungscode unter offener Lizenz und genaue Angaben zu den Trainingsdaten. Bloß herunterladbare Gewichte sind eine andere Kategorie; LLaMA ist ein Beispiel. Die Prüfung der OSI bestanden etwa OLMo (AI2) und Pythia (EleutherAI).

Interaktiv: Open Source, Free Software & Proprietär

Klicke auf die Bereiche des Venn-Diagramms, um die Überschneidungen zwischen Open Source, Free Software und proprietärer Software zu erkunden. Die Schnittmengen zeigen hybride Modelle wie Dual Licensing oder Open Core.

Warum das für KI wichtig ist — Transparenz

Ein geschlossenes KI-System ist wie ein Auto mit versiegelter Motorhaube: Du kannst es fahren, aber du kannst den Motor nicht inspizieren, die Sicherheitsbewertungen nicht unabhängig überprüfen und es nicht selbst reparieren. Du musst den Behauptungen des Herstellers vollständig vertrauen.

Ein offenes KI-System lässt dich die Haube öffnen, jeden Bolzen prüfen und sogar einen besseren Motor bauen. Allerdings: Die meisten Nutzer können Quellcode nicht lesen, selbst wenn er verfügbar ist. Und offene Projekte haben manchmal nicht die Ressourcen für gründliche Überprüfungen.

Sicherheit: Offener Code ermöglicht Community-basierte Schwachstellenentdeckung. Aber das ist keine Garantie — der Heartbleed-Bug versteckte sich über 2 Jahre in OpenSSL, obwohl der Code offen war.

Vertrauen: Unabhängige Audits können Behauptungen über Sicherheit und Fairness überprüfen. Bei geschlossenen Systemen musst du dem Anbieter blind vertrauen.

Innovation: Offene Modelle erlauben es jedem, auf bestehender Arbeit aufzubauen. Die Geschichte von GNU/Linux beweist, dass Open-Source-Kollaboration Systeme hervorbringt, die die Welt antreiben.

Geschlossen

Die Modelle hinter ChatGPT und Claude: Nur per API oder App zugänglich. Kein Quellcode, keine Trainingsdaten. Du kannst das Modell nutzen, aber nicht inspizieren, lokal ausführen oder verändern. Die Grenze verläuft aber nicht immer entlang der Firmen: OpenAI hat 2025 mit gpt-oss auch Modelle mit offenen Gewichten unter Apache 2.0 veröffentlicht.

Open Weights

LLaMA: Modellgewichte zum Download, aber mit eingeschränkter Lizenz. Du kannst das Modell lokal nutzen und unter Auflagen weitergeben (Lizenz beilegen, „Built with Llama“ anzeigen). Unternehmen, deren Dienste über 700 Mio. monatliche Nutzer haben, brauchen eine Sonderlizenz von Meta; bei den multimodalen Llama-4-Modellen sind Personen und Firmen mit Sitz in der EU als Lizenznehmer sogar ganz ausgeschlossen.

Open Source

Mistral 7B (Apache 2.0): Volle Lizenzfreiheit. Gewichte verfügbar, keine Nutzungseinschränkungen – die Trainingsdaten bleiben aber verschlossen. Die OSI-Definition für offene KI (OSAID 1.0) verlangt zusätzlich den Trainingscode und genaue Angaben zu den Trainingsdaten; Mistrals Mixtral fiel bei der OSI-Prüfung durch, weil solche Bestandteile fehlen. Du kannst das Modell nutzen, verändern, verkaufen und weitergeben.

Hugging Face Zentrale Plattform für KI-Modelle, Datensätze und Demos
Ollama Sprachmodelle lokal auf deinem Computer ausführen
LM Studio Kostenlose, aber proprietäre grafische Oberfläche für lokale Sprachmodelle
Stable Diffusion Bildgenerierung mit offenen Gewichten auf deiner eigenen Hardware (Lizenz mit Auflagen, kein Open Source nach OSI)
n8n Source-Available-Automatisierung mit KI-Integration

"Bei genügend Augenpaaren werden alle Bugs offensichtlich" — so formulierte Eric S. Raymond das Prinzip, das nach Linus Torvalds benannt ist. Die Idee: Je mehr Menschen den Code lesen, desto wahrscheinlicher werden Fehler gefunden.

Die Realität ist komplizierter. Der Heartbleed-Bug versteckte sich über 2 Jahre in OpenSSL, einer der meistgenutzten Sicherheitsbibliotheken der Welt — obwohl der Code offen war. Die "vielen Augen" schauten offenbar woanders hin.

2024 wurde eine raffinierte Backdoor im xz-Komprimierungswerkzeug entdeckt — ein gezielter Supply-Chain-Angriff, bei dem ein Angreifer über Jahre das Vertrauen der Maintainer gewann. Die offene Zusammenarbeit wurde zum Angriffsvektor.

Die Schlussfolgerung: Transparenz ist notwendig, aber nicht hinreichend. Sie muss begleitet werden von aktiver, finanzierter Sicherheitsüberprüfung. Open Source gibt die Möglichkeit zur Inspektion — aber jemand muss sie auch tatsächlich durchführen.

Merke

Das Wichtigste auf einen Blick

  1. Quellcode ist das menschenlesbare Rezept; eine Binärdatei ist das versiegelte Produkt. Open Source gibt dir das Rezept; Closed Source gibt dir nur das Produkt.
  2. Eine Lizenz macht aus sichtbarem Code rechtlich nutzbaren Code. Ohne LICENSE-Datei gilt Code auf GitHub als vollständig urheberrechtlich geschützt.
  3. Permissive Lizenzen (MIT, Apache) erlauben fast alles. Copyleft (GPL) verlangt, Änderungen offenzulegen, sobald du sie weitergibst. Source-Available erlaubt das Lesen, schränkt aber die Nutzung ein.
  4. "Open Weights" (wie LLaMA) sind nicht dasselbe wie "Open Source" — ohne OSI-Lizenz, Trainingscode und Angaben zu den Trainingsdaten fehlt entscheidende Transparenz.
  5. Für KI-Systeme ist Transparenz kein Luxus — sie ermöglicht unabhängige Sicherheitsaudits, Erkennung von Verzerrungen und reproduzierbare Forschung.

Prüfen

Quiz: Open Source vs. Closed Source

Noch offen

Was bewirkt eine LICENSE-Datei in einem GitHub-Repository?

Wähle eine Antwort

Auflösung: 1) B · 2) B · 3) C · 4) B

Prüfen

Checkpoint: Teste dein Wissen

Kannst du das in eigenen Worten erklären? Hake ab, was sitzt.

0 von 3 sitzen