Anthropic sagt: Kein Open-Weights-Verbot. Der Kostenkampf ist trotzdem real.

Korrektur, geprüft am 2. September 2026: Anthropic hat kein Verbot von Open-Weight-Modellen gefordert. CEO Dario Amodei schrieb am 27. Juli, Anthropic habe ein solches Verbot nie vertreten, und nannte ungefährliche Open-Weight-Modelle ein öffentliches Gut. Das Unternehmen fordert jedoch ein schärferes Vorgehen gegen industrielle Distillation, strengere Kontrollen für fortschrittliche Chips und Sicherheitstests für ausreichend leistungsfähige offene wie geschlossene Modelle.

Eine 20VC-x-SaaStr-Diskussion im Juli deutete diese Vorschläge als Gefahr für günstige chinesische Open Weights. Das bleibt die Interpretation des Panels, nicht Anthropics erklärte Position. Für Unternehmen ist die engere Frage nützlicher: Wie viel Preismacht behalten Modellanbieter, wenn Käufer Alternativen evaluieren, routen und teilweise selbst betreiben können?

Was Anthropic tatsächlich vorgeworfen hat

In einem Bericht vom 23. Februar behauptete Anthropic, DeepSeek, Moonshot AI und MiniMax hätten über rund 24.000 betrügerische Accounts mehr als 16 Millionen Claude-Austausche erzeugt und dabei Nutzungsbedingungen sowie regionale Zugriffsbeschränkungen verletzt. Anthropic nannte mehr als 150.000 Austausche für DeepSeek, mehr als 3,4 Millionen für Moonshot und mehr als 13 Millionen für MiniMax. Das sind Zuschreibungen von Anthropic, keine gerichtlichen Feststellungen.

Bei Distillation lernt ein Modell aus den Outputs eines anderen. Anthropic selbst bezeichnet autorisierte Distillation als weit verbreitete und legitime Methode. Der Vorwurf betrifft Zugriff über betrügerische Accounts und gesperrte Regionen sowie eine Fähigkeitenextraktion, die laut Anthropic gegen seine Bedingungen verstieß. Die rechtliche Bewertung hängt daher von Autorisierung, Vertrag, Urheberrecht, Daten und Rechtsraum ab; die Technik ist nicht in jedem Einsatz automatisch legal oder illegal.

Anthropics Policy-Papier vom Mai bat die Politik, Modellzugriff zu begrenzen, industrielle Angriffe abzuschrecken und eine gesetzliche Klarstellung illegaler Distillation-Angriffe zu erwägen. Die Klarstellung vom 27. Juli zog eine ausdrückliche Grenze: kein protektionistisches Open-Weights-Verbot, aber Kontrollen gegen unerlaubte Distillation, Zugriff auf fortschrittliche Chips und gefährliche Fähigkeiten.

Das Protektionismus-Argument ist Interpretation, keine Tatsache

Rory O'Driscoll argumentierte in der Sendung, ein regulatorisches Zulassungsverfahren könne günstige Wettbewerber auch ohne formelles Verbot ausbremsen. Seine Analogie zu IBM-PC-Klonen warnte davor, etablierte Anbieter durch Politik zu schützen. Über diesen Anreiz lässt sich streiten, doch die Schlussfolgerung des Panels darf nicht als erklärte Anthropic-Policy dargestellt werden.

Unsere technische Schlussfolgerung überlebt die Korrektur. Wettbewerb durch günstigere und offene Modelle gibt Käufern mehr Spielraum, aber nur, wenn ihr Stack Modelle an denselben Aufgaben vergleichen und Traffic ohne Verlust von Qualität, Sicherheit oder Auditierbarkeit verschieben kann.

"Der politische Streit ist real, aber die Käuferentscheidung ist messbar: Vergleiche Modelle auf deinen eigenen Aufgaben, route nur bei stabiler Qualität und belege jede behauptete Einsparung."

Was Coinbase tatsächlich berichtet hat

Am 27. Juni berichtete Coinbase-CEO Brian Armstrong auf X, das Unternehmen habe seine internen KI-Ausgaben nahezu halbiert, während die Token-Nutzung weiter stieg. Das ist eine Managementangabe aus erster Hand, keine geprüfte Kostenstudie, und der Post isoliert die Einsparung der einzelnen Hebel nicht.

• Günstigere Defaults statt erzwungener Limits. Armstrong sagte, Coinbase experimentiere über sein LLM-Gateway mit GLM 5.2 und Kimi 2.7 als Defaults, während Engineers andere Modelle wählen könnten. 91% der Beschäftigten hätten ihre Nutzungslimits zuvor nicht erreicht.
• Aufgaben- und Cache-bewusstes Routing. Coinbase verarbeitet Prompts vor und wählt Modelle nach Aufgabe, Preis und verfügbaren Cache-Hits. Ein Frontier-Modell fürs Planen und ein günstigeres für die Ausführung war Armstrongs Beispiel, keine allgemeine Regel.
• Caching und Kontextdisziplin. Laut Armstrong stieg die Cache-Hit-Rate von LibreChat nach korrekter Implementierung von 5% auf 60%. Er empfahl außerdem frische Sessions für neue Aufgaben, engen Dateikontext, weniger ungenutzte Tools und bessere Kostentransparenz.

Das ist nützliche Evidenz für ein Multi-Modell-Betriebsmodell, beweist aber weder, dass Open Weights die Hälfte der Senkung verursacht haben, noch dass die Outputqualität konstant blieb. Coinbase beschrieb ein gemeinsames Experiment mit Defaults, Routing, Caching, schlankem Kontext und Transparenz. Reproduziere das Ergebnis gegen deine eigene Qualitäts- und Kostenbasis.

Das Muster entspricht unserem Leitfaden zu LLM-Token-Kosten: stabile Präfixe cachen, erst nach aufgabenbezogener Evaluation routen und Kosten pro erledigter Aufgabe statt Preis pro Token messen. Unser Gateway-Vergleich behandelt die Kontrollschicht, und der Open-Weight-Modellvergleich zeigt, warum Modellwahl weiterhin workload-spezifische Belege braucht.

ROI messen, ohne eine marktweite Geschichte zu erfinden

Die Kostenkurve eines Unternehmens beweist nicht, dass Enterprise-KI den Umsatz nicht bewegt, Boards überall Token-Budgets kürzen oder öffentliche Märkte eine bestimmte KI-Strategie bevorzugen. Dafür braucht es Finanzbelege auf Unternehmensebene. Die belastbare Lehre ist einfacher: Ein KI-Programm braucht eine Basis, Aufgabenqualitätsmetriken, Gesamtkosten, Latenz, Incident-Rate und eine verantwortliche Person für das Geschäftsergebnis.

Ein niedriger Tokenpreis kann eine teure Aufgabe erzeugen, wenn ein Agent viele Calls oder Wiederholungen braucht. Ein hochwertigeres Modell kann günstiger sein, wenn es die Aufgabe zuverlässig abschließt. Die Betriebsmetrik sollte deshalb Kosten pro akzeptiertem Ergebnis sein, einschließlich fehlgeschlagener und eskalierter Läufe.

Was das für EU-Käufer bedeutet

• Open Weights als evaluierte Option behandeln. Leite keine Parität aus einem öffentlichen Benchmark ab. Teste exaktes Modell, Quantisierung, Serving-Stack, Sprache und Aufgabe gegen Akzeptanzkriterien.
• Self-Hosting verändert Kontrolle, nicht jede Pflicht. EU-Hosting kann die Kontrolle über den Datenort verbessern, beseitigt aber keine Modelllizenz, Sicherheits- und Lieferkettenrisiken, Branchenregeln, Urheberrecht, Exportkontrollen oder die DSGVO.
• Die eigene Rolle nach dem AI Act einordnen. Die GPAI-Leitlinie der Europäischen Kommission erklärt, dass manche Free-and-Open-Source-Anbieter begrenzte Transparenzausnahmen erhalten, Urheberrechts- und Trainingszusammenfassungspflichten aber bleiben und systemische Risikomodelle nicht von dieser Ausnahme profitieren.
• Mit gemessener Eskalation routen. Nutze das günstigste Modell, das die Evaluation besteht, und erfasse Fallbacks, menschliche Korrekturen, Sicherheitsausnahmen und Kosten pro akzeptiertem Ergebnis.

Souveränität ist ein sinnvolles Designziel, keine pauschale Rechtsausnahme. Ein portables Gateway, reproduzierbare Evals, dokumentierte Modellherkunft und einsetzbare Alternativen senken die Abhängigkeit von einem Anbieter oder Rechtsraum. Unser EU-Self-Hosting-Kostenleitfaden und der Leitfaden zur EU-Datenresidenz behandeln Hosting und Governance.