Nicht jede KI gehört in die Cloud.

«Machen wir das einfach mit ChatGPT.» Für viele Unternehmen ist die US-Cloud der Reflex, sobald es um KI geht: schnell, stark, günstig im Einstieg. Doch nicht jede Aufgabe – und vor allem nicht jede Datenklasse – gehört in die Cloud eines US-Anbieters.

Es gibt nicht den einen richtigen Weg, KI zu betreiben, sondern vier gängige – vom eigenen Rechner bis zur direkten US-Subscription. Jeder ist ein Kompromiss aus drei Grössen: Kosten, Datensouveränität und Modell-Leistung. Dieser Überblick ordnet sie ein, damit die Wahl zur Anforderung passt – nicht zum Hype.

Leistung und Souveränität ziehen gegeneinander

Als Faustregel gilt: Je näher die Daten am eigenen Haus bleiben, desto höher die Kontrolle – und desto begrenzter oder teurer die verfügbare Spitzenleistung. Wer maximale Antwortqualität will, landet schnell bei den grossen US-Modellen; wer maximale Datenhoheit braucht, bei lokaler Hardware. Die interessanten Optionen liegen dort, wo sich beides austarieren lässt.

Die vier Wege im Vergleich

Vier Setups decken die Bandbreite ab – von maximaler Souveränität bis maximaler Bequemlichkeit. Die Ampel zeigt die jeweilige Stärke pro Dimension (grün = gut, orange = mittel, rot = kritisch/hoch).

«Frontier Labs» meint dabei die direkten Dienste von OpenAI, Anthropic und Google (ChatGPT, Claude, Gemini) über ein US-Abonnement.

Die vier Setups im Detail

01LM Studio – maximale Datenhoheit, lokal

Eine Desktop-Anwendung, die Open-Weights-Modelle (Llama, Qwen, Mistral, DeepSeek) direkt auf dem eigenen Rechner ausführt. Im rein lokalen Betrieb verlassen die Daten das Gerät nie – ein Air-Gap-Betrieb ist möglich. Über LM Link lassen sich zusätzlich eigene, selbst gehostete Cloud-Modelle (etwa im eigenen Azure-Tenant) anbinden; dann gehen die Daten zwar an diese Modelle, bleiben aber in der eigenen, kontrollierten Infrastruktur.

Die Software ist gratis. Auf einer vorhandenen Maschine entstehen praktisch keine laufenden Kosten – nur Strom. Erst für grössere Modelle braucht es eine einmalige Hardware-Investition (GPU oder Mac mit viel RAM). Der Preis für diese Souveränität: Die Spitzenleistung bleibt hinter echten Frontier-Modellen zurück. Ideal für sensible Daten, Offline-Betrieb, Einzelplatz und Prototyping.

02Open WebUI – Frontier aus dem eigenen Tenant

Open WebUI ist kein Modell, sondern ein self-hosted Frontend (Docker) – ein Gateway, das jedes OpenAI-kompatible Backend einbindet. Das macht es zur flexibelsten Option: lokale bzw. Open-Weights-Modelle (via vLLM oder Ollama) ebenso wie Frontier-Modelle, die im eigenen Azure-Tenant (Azure OpenAI) deployt werden – etwa in der Region Switzerland North.

So bekommt man Spitzenleistung bei eigener Daten-Governance und wählbarer Region. Das Frontend-Hosting ist günstig; die Modellkosten richten sich nach dem Backend (Token bei Azure, GPU-Miete bei Open-Weights). Der Preis: Frontend und Backends müssen selbst betrieben werden, und über einen Hyperscaler ist kein echtes Air-Gap möglich (Cloud-Act-Restrisiko). Ideal für Unternehmen mit eigenem Cloud-Tenant, die Frontier-Leistung mit eigener Governance verbinden wollen.

03Langdock – Frontier, EU-gehostet

Eine DSGVO-konforme SaaS-Plattform mit Rechenzentrum in der EU. Sie bündelt führende Modelle (GPT, Claude, Gemini, Mistral) hinter einem EU-Endpoint – mit Auftragsverarbeitungsvertrag und ohne Training auf den Kundendaten. Frontier-Leistung bei EU-Datenhaltung, sofort startklar, zentral verwaltbar.

Die Kosten sind als Lizenz pro Nutzer und Monat planbar (Grössenordnung CHF 20–40). Sie bleiben auch bei intensiver Nutzung mittel, weil kein token-hungriger Coding-Agent im Spiel ist. Der Preis: SaaS-Abhängigkeit, kein Air-Gap, Modell-Provider im Hintergrund (EU-gekapselt). Ideal für KMU, die Spitzenleistung und EU-Compliance wollen, ohne selbst zu hosten.

04Frontier Labs – direkte US-Subscription

Der direkte Zugang zu den nativen Diensten von OpenAI, Anthropic und Google. Sofort die neuesten und stärksten Modelle, null Betriebsaufwand, günstiger Einstieg. Der Haken: Die Datenverarbeitung findet in den USA statt, unter US-Jurisdiktion (Cloud Act); Consumer-Pläne trainieren teils auf den Eingaben. Für Personendaten oder Geschäftsgeheimnisse ist das heikel.

Bei den laufenden Kosten lohnt eine Differenzierung – sie hängen am Abrechnungsmodell, nicht am Tool:

Ideal für unkritische Daten, schnelle Resultate, neuste Features, Recherche und Entwürfe.

Die Empfehlung: KI nach Datenklasse staffeln

Es gibt kein «bestes» Setup – nur das passende. In der Praxis bewährt sich kein Entweder-oder, sondern ein abgestuftes Modell: eine Datenklassifizierung, die jeder Aufgabe das passende Setup zuweist. So entsteht ein gestaffeltes System – höchste Souveränität dort, wo es zählt, höchste Leistung dort, wo sie risikolos nutzbar ist.

Häufige Fragen