Was ist das NCA Glossar KI Modelle?

Das NCA Glossar KI Modelle ordnet allgemeine Sprachmodelle ein, die nicht in erster Linie fürs Coding gebaut sind. Hier stehen Open Weight Modelle, Reasoning Modelle und souveräne Modelle aus Europa, die Unternehmen selbst betreiben können.

Jede Seite beantwortet dieselben Fragen. Was kann das Modell? Welche Hardware braucht es? Unter welcher Lizenz steht es? Und für wen passt es wirklich? Wir schreiben aus der Sicht von Teams, die KI im Unternehmen einsetzen wollen, ohne die Kontrolle über ihre Daten abzugeben.

Typische Themen in diesem Glossar:

• Souveräne Modelle aus Deutschland und Europa
• Open Weight Modelle mit freier Lizenz wie Apache 2.0
• Reasoning Modelle mit Tool Calling für Agenten
• Mixture of Experts Architekturen und ihr Hardware Bedarf

Wir arbeiten jeden Tag mit KI Modellen. Kleine Modelle wie Qwen3 Coder und Llama laufen bei uns lokal über Ollama. Große Modelle holen wir über Ollama Cloud, Z.AI, Gemini und MiniMax. Unsere Server stehen in Deutschland, unser Netzwerkpartner ist Conversis in Duisburg. Daher wissen wir, wo ein Modell glänzt und wo die Hardware Rechnung nicht aufgeht.

Wir helfen Teams, das richtige Modell zu wählen und sauber einzubinden. Dazu gehören Self Hosted KI für Unternehmen, KI Assistenten selbst hosten, die NCA MCP Middleware für Unternehmensdaten, eine passende KI Strategie, die DSGVO Beratung für KI Projekte und der NCA KI Workshop für Unternehmen.

Damit das Glossar fokussiert bleibt, nehmen wir Modelle nach drei Kriterien auf:

• Allgemeiner Einsatz: Das Modell ist für Text, Wissen, Reasoning oder Agenten gebaut, nicht in erster Linie fürs Coding.
• Relevanz für Unternehmen: Es gibt einen echten Weg in den Betrieb, etwa offene Gewichte, eine Hosting Option in der EU oder eine klare Lizenz.
• Belegbare Fakten: Es gibt eine Modellkarte, einen technischen Bericht oder eine offizielle Ankündigung, auf die wir uns stützen können.

Benchmarks nehmen wir mit, aber nie allein. Ein Modell kann in Tests glänzen und im Alltag an der Hardware scheitern. Deshalb steht auf jeder Seite, was ein Modell im Betrieb wirklich braucht.

Nicht jedes Modell gehört hierher. Modelle, die vor allem fürs Programmieren gebaut sind, stehen bei den Vibe Coding Modellen. Dort findest du etwa Qwen3 Coder oder Kimi K2.7 Code.

Werkzeuge, Agenten und Frameworks rund um KI stehen im KI Tools Glossar. Grundbegriffe wie Large Language Models erklären wir im KI Content Marketing Glossar. Spezielle Modellklassen haben eigene Seiten, zum Beispiel Embedding Modelle für RAG.

Ein Modell darf auch an zwei Stellen auftauchen. Wenn es stark im Coding ist und zugleich ein breites Allzweckmodell, verlinken wir beide Seiten miteinander.

Open Weight klingt nach Freiheit. Die Gewichte liegen offen, meist auf Hugging Face, und jeder darf sie laden. Ob ein Modell dann auch läuft, entscheidet die Hardware.

Viele neue Modelle nutzen eine Mixture of Experts Architektur. Pro Token arbeitet nur ein kleiner Teil der Parameter. Das macht die Antworten schnell und günstig. Im Speicher liegen müssen aber trotzdem alle Gewichte. Ein Modell mit vielen Milliarden Parametern braucht daher eine starke GPU im Rechenzentrum, keinen Laptop.

Wir trennen deshalb klar:

• Kleine Modelle laufen lokal, etwa über Ollama oder llama.cpp. GGUF Quantisierung spart dabei Speicher.
• Große Modelle kommen aus der Cloud, am besten aus der EU, zum Beispiel über TensorX oder als Enterprise Option über Conversis.
• Sensible Daten bleiben im eigenen Netzwerk.

Welche Optionen es ohne Anbieter aus den USA gibt, zeigt unser Guide Welches KI Modell ohne US Anbieter. Ein Beispiel für ein souveränes Modell aus Deutschland ist Soofi S.

Jedes Modell in diesem Glossar prüfen wir nach denselben Kriterien. So lassen sich Modelle fair vergleichen, auch wenn ihre Hersteller ganz andere Benchmarks zeigen. Die Tabelle fasst zusammen, worauf wir achten.

Die meisten Teams starten mit der falschen Frage. Sie fragen, welches Modell das beste ist. Besser ist die Frage, welche Aufgabe gelöst werden soll und welche Daten dabei im Spiel sind. Danach ergibt sich das Modell oft fast von selbst.

Wir gehen dabei in drei Schritten vor:

1. Aufgabe klären: Texte, Wissen aus Dokumenten, Agenten oder Code?
2. Daten einordnen: Was darf in die Cloud, was bleibt im eigenen Netzwerk?
3. Modell testen: Zwei oder drei Kandidaten gegen echte Aufgaben, mit anonymisierten Daten.

Für den Einstieg helfen unsere Seiten zu AI Readiness, Digitaler Souveränität für Entwickler und LLM Gateways, mit denen sich Modelle später leicht austauschen lassen. Wer Kosten im Blick behalten will, findet Tipps unter LiteLLM für Token Kosten.

Abgerechnet wird transparent nach Minuten. Am Anfang steht ein kostenloses Kennenlernen, danach schätzen wir den Aufwand gemeinsam ein.

Hier beantworten wir die Fragen, die uns zu KI Modellen, offenen Gewichten und dem Betrieb im Unternehmen am häufigsten gestellt werden.