txtai wird von NeuML entwickelt, einem kleinen, auf angewandte KI und semantische Suche spezialisierten Unternehmen aus den USA. Das Projekt entstand ursprünglich als schlanke Bibliothek für semantische Suche auf Basis von Transformer-Modellen und ist über die Jahre zu einem umfassenden Framework gewachsen. Der Grundgedanke ist dabei konstant geblieben: Möglichst viel Funktionalität mit möglichst wenig Abhängigkeiten und Infrastruktur bereitstellen. Ein Index ist im einfachsten Fall ein Verzeichnis auf der Festplatte, das sich kopieren, versionieren und an anderer Stelle wieder laden lässt.
Das Projekt wird als Open Source unter der Apache-2.0-Lizenz veröffentlicht. Diese Lizenz erlaubt die kommerzielle Nutzung, Veränderung und Weitergabe, auch in eigenen Produkten, und enthält eine ausdrückliche Patentlizenz. Für Unternehmen ist das eine der unkompliziertesten Lizenzen im Open-Source-Umfeld. Zu beachten ist allerdings, dass die eingesetzten Modelle – Embedding-Modelle, Sprachmodelle, Übersetzungs- oder Spracherkennungsmodelle – jeweils eigenen Lizenzen unterliegen, die von freizügig bis stark eingeschränkt reichen. Den aktuellen Lizenzstand von txtai und allen eingesetzten Modellen sollten Sie vor einem produktiven Einsatz beim Anbieter und im Repository prüfen.
In einer klassischen RAG-Architektur übernimmt txtai je nach Ausbaustufe eine oder mehrere Rollen. In der schlanksten Variante ist txtai nur der Retrieval-Baustein: Dokumente werden zerlegt, vektorisiert und indexiert, und die Anwendung fragt die relevantesten Abschnitte ab, um sie an ein beliebiges Sprachmodell weiterzugeben. In der umfassenderen Variante übernimmt txtai auch die Generierung: Die RAG-Pipeline kombiniert Suche und Sprachmodell, baut den Prompt mit Kontext auf und liefert die Antwort samt Quellen zurück. In der weitesten Ausbaustufe orchestriert txtai mit Workflows und Agenten ganze Abläufe, vom Einlesen neuer Dateien über Extraktion und Übersetzung bis zur Beantwortung von Fragen über mehrere Schritte.
Bemerkenswert ist, dass diese Rollen nicht aus unterschiedlichen Produkten bestehen, sondern aus einer einzigen Bibliothek mit einheitlicher Konfiguration. Ein Team kann mit der reinen Suche beginnen und später Generierung, Workflows oder Agenten ergänzen, ohne das Fundament auszutauschen. Diese Durchgängigkeit ist aus unserer Sicht der wichtigste Grund, txtai bei kleineren und mittleren Projekten ernsthaft in Betracht zu ziehen.
Die Bibliothek ist der direkteste Zugang. Python-Entwickler importieren die Klassen für Embeddings, Pipelines oder Workflows und bauen sie in ihre eigene Anwendung ein – etwa in eine bestehende Webanwendung, ein Skript zur nächtlichen Indexierung oder ein Jupyter-Notebook für die Analyse. Die Installation erfolgt über den Python-Paketmanager; über optionale Zusatzpakete lässt sich steuern, ob etwa Abhängigkeiten für Audioverarbeitung, Bildmodelle, Graphfunktionen, Datenbankanbindungen oder den API-Server mitinstalliert werden. Diese Modularität hält den Fußabdruck klein, wenn nur die Suche gebraucht wird.
Der API-Server verpackt dieselben Funktionen in einen Webdienst. Eine YAML-Datei beschreibt, welcher Index geladen wird, welches Embedding-Modell zum Einsatz kommt, welche Pipelines verfügbar sind und welche Workflows über die Schnittstelle aufgerufen werden können. Daraus entsteht ohne zusätzlichen Programmcode eine REST-API, die von beliebigen Anwendungen genutzt werden kann. NeuML stellt Client-Bibliotheken unter anderem für JavaScript, Java, Rust und Go bereit, sodass auch Teams ohne Python-Schwerpunkt auf txtai zugreifen können. Neuere Versionen bieten zudem Anbindungen an aktuelle Agenten-Standards wie das Model Context Protocol; Umfang und Reifegrad sollten in der jeweiligen Version geprüft werden.
Für die Architekturentscheidung bedeutet das: Wer eine einzelne Python-Anwendung baut, nutzt die Bibliothek direkt. Wer mehrere Anwendungen, unterschiedliche Programmiersprachen oder eine klare Trennung zwischen KI-Dienst und Fachanwendung braucht, setzt den API-Server als zentralen Dienst ein. Beide Wege basieren auf demselben Index-Format, sodass ein Wechsel später ohne Datenmigration möglich ist.
Diese Mittelposition hat Konsequenzen. txtai ist in keinem Teilbereich der Marktführer mit der größten Community, der längsten Integrationsliste oder der skalierbarsten Cluster-Architektur. Es ist dafür in der Summe der Funktionen ungewöhnlich vollständig und gleichzeitig schlank. Für Unternehmen, die ein klar umrissenes Wissens- oder Suchsystem bauen und dafür nicht fünf Technologien betreiben wollen, ist das ein echter Vorteil. Für Konzerne mit Milliarden Vektoren, globalen Clustern und dedizierten Plattformteams ist txtai dagegen eher als Baustein oder Prototyping-Werkzeug interessant.
Im einfachsten Fall ist ein txtai-Index ein reiner Vektorindex: Texte werden mit einem Embedding-Modell vektorisiert, die Vektoren in einem Index für die näherungsweise Nachbarsuche abgelegt, und eine Anfrage liefert Dokumentkennungen mit Ähnlichkeitswerten zurück. Aktiviert man die Inhaltsablage, speichert txtai zusätzlich Originaltext und beliebige Metadaten in einer relationalen Datenbank. Standardmäßig kommt dafür SQLite zum Einsatz; alternativ lassen sich DuckDB oder über eine Client-Anbindung serverbasierte Datenbanken wie PostgreSQL nutzen.
Mit aktivierter Inhaltsablage wird aus der Vektorsuche eine SQL-Abfrage. txtai erweitert SQL um eine Funktion für Ähnlichkeitssuche, die sich mit klassischen Bedingungen kombinieren lässt. Eine Abfrage kann also sinngemäß lauten: Liefere Kennung, Text und Ähnlichkeitswert aller Dokumente, die der Frage „Wartungsintervall Hydraulikpumpe“ ähneln, aber nur aus der Kategorie „Service“, mit Gültigkeitsdatum nach einem bestimmten Stichtag und für einen bestimmten Mandanten. Auch Sortierung, Begrenzung, Gruppierung und Aggregationen sind möglich. Für Entwickler mit Datenbankhintergrund ist das ein sehr zugänglicher Ansatz, weil Filterlogik nicht in einer proprietären Abfragesprache formuliert werden muss.
Indizes lassen sich inkrementell erweitern, Dokumente einzeln aktualisieren oder löschen und das Ganze in einem Verzeichnis oder einer komprimierten Archivdatei speichern. Dieses Archiv kann lokal liegen, in einem Objektspeicher abgelegt oder über den Hugging Face Hub geteilt werden. Für den Betrieb bedeutet das: Ein Index ist ein portables Artefakt, das sich wie eine Datei sichern, versionieren und zwischen Umgebungen verschieben lässt. Daneben unterstützt txtai Teilindizes innerhalb eines Index, etwa um unterschiedliche Modelle oder Suchverfahren für dieselben Daten parallel vorzuhalten.
Die Sparse-Suche arbeitet mit Schlüsselwörtern. txtai bringt dafür eigene Scoring-Verfahren wie BM25 und TF-IDF mit und unterstützt darüber hinaus gelernte Sparse-Modelle, die Begriffe gewichten und um verwandte Ausdrücke erweitern. Sparse-Suche ist unverzichtbar, wenn exakte Begriffe zählen: Artikelnummern, Fehlercodes, Normbezeichnungen, Eigennamen. Rein semantische Suche verfehlt solche Treffer regelmäßig.
Ergänzend unterstützt txtai multimodale Indizes. Mit passenden Modellen lassen sich Bilder über Textbeschreibungen finden, Audioinhalte nach Transkription durchsuchen oder Text und Bild in einem gemeinsamen Vektorraum ablegen. Für viele Mittelstandsprojekte ist das zunächst ein Nebenschauplatz; bei Produktkatalogen, technischen Zeichnungen mit Beschriftungen oder Schulungsvideos kann es aber den Unterschied machen.
Eine Pipeline ist in txtai eine aufrufbare Einheit, die ein Modell für eine bestimmte Aufgabe kapselt. Die wichtigste ist die LLM-Pipeline. Sie lädt Sprachmodelle aus unterschiedlichen Quellen: Modelle über Hugging Face Transformers, quantisierte Modelle im GGUF-Format über llama.cpp oder entfernte Modelle über eine Anbindung, die zahlreiche Anbieter-APIs vereinheitlicht. Für die Anwendung sieht der Aufruf in allen Fällen gleich aus. Das erleichtert es, mit einem lokalen Modell zu starten und später zu wechseln – oder umgekehrt erst mit einer Cloud-API zu prototypen und dann auf ein selbst betriebenes Modell umzusteigen.
Daneben stellt txtai eine Reihe spezialisierter Pipelines bereit. Die Zusammenfassung verdichtet lange Texte, die Übersetzung erkennt die Ausgangssprache und überträgt Texte mit spezialisierten Übersetzungsmodellen, die Transkription wandelt Audio in Text um, und eine Sprachausgabe erzeugt umgekehrt Audio aus Text. Weitere Pipelines übernehmen Textextraktion aus Dateien wie PDF- oder Office-Dokumenten, Segmentierung in Abschnitte, Klassifikation ohne Trainingsdaten über sogenannte Zero-Shot-Verfahren, Erkennung benannter Entitäten, Bildbeschreibung, Objekterkennung und das Nachbewerten von Suchtreffern. Auch das Feintuning von Modellen ist über eine Trainings-Pipeline möglich.
Der praktische Wert dieser Pipelines liegt darin, dass sie ohne zusätzliche Infrastruktur funktionieren. Eine Besprechungsaufzeichnung kann transkribiert, zusammengefasst, übersetzt und indexiert werden, ohne dass dafür vier verschiedene Dienste aufgesetzt werden müssen. Die Qualität hängt dabei vollständig von den gewählten Modellen ab; txtai liefert den Rahmen, nicht die Intelligenz.
Workflows verbinden Pipelines und eigene Funktionen zu Verarbeitungsketten. Ein Workflow besteht aus Aufgaben, die Daten nacheinander verarbeiten – etwa Datei einlesen, Text extrahieren, in Abschnitte zerlegen, übersetzen, zusammenfassen und indexieren. Workflows arbeiten stapelweise und können große Datenmengen effizient verarbeiten. Sie lassen sich in Python oder deklarativ in YAML definieren, über den API-Server aufrufen und zeitgesteuert ausführen, etwa als nächtliche Aktualisierung des Wissensindex. Für viele typische Integrationsaufgaben ersetzt das kleinere ETL-Skripte und reduziert die Zahl der Werkzeuge im Projekt.
Agenten gehen einen Schritt weiter. Ein Agent erhält eine Aufgabe in natürlicher Sprache und entscheidet mithilfe eines Sprachmodells, welche Werkzeuge er in welcher Reihenfolge aufruft. Werkzeuge können txtai-Indizes, Pipelines, Workflows oder eigene Python-Funktionen sein. txtai baut dabei auf dem Agenten-Framework smolagents von Hugging Face auf. Ein Agent kann so beispielsweise in mehreren Indizes recherchieren, Ergebnisse vergleichen, fehlende Informationen gezielt nachsuchen und eine strukturierte Antwort zusammenstellen. Wie bei allen Agenten-Ansätzen gilt: Mehr Autonomie bedeutet mehr Modellaufrufe, längere Laufzeiten und schwerer vorhersehbares Verhalten. Für produktive Anwendungen empfehlen wir enge Werkzeugsätze, klare Abbruchkriterien und eine nachvollziehbare Protokollierung.
Für den häufigsten Anwendungsfall – Fragen über eigene Dokumente beantworten – bietet txtai eine eigene RAG-Pipeline. Sie verbindet einen Embeddings-Index mit einem Sprachmodell: Die Frage wird zur Suche verwendet, die relevantesten Abschnitte werden in eine Prompt-Vorlage eingesetzt, und das Sprachmodell formuliert die Antwort. Vorlage, Zahl der Kontextabschnitte, Mindestähnlichkeit und Ausgabeformat sind konfigurierbar. Optional liefert die Pipeline Verweise auf die verwendeten Quellen, was für Nachvollziehbarkeit und Akzeptanz bei Fachanwendern entscheidend ist.
Die engste Verbindung besteht zu Hugging Face. Praktisch jedes auf dem Hugging Face Hub veröffentlichte Embedding-, Klassifikations-, Übersetzungs- oder Sprachmodell lässt sich über seinen Namen in txtai laden. Darüber hinaus können komplette txtai-Indizes auf dem Hub abgelegt und von dort geladen werden; NeuML veröffentlicht dort selbst vorgefertigte Indizes und spezialisierte Embedding-Modelle, etwa für medizinische und wissenschaftliche Fachtexte. Für Unternehmen bedeutet die Hub-Anbindung schnellen Zugriff auf Modelle, aber auch eine Pflicht zur Sorgfalt: Herkunft, Lizenz und Eignung jedes Modells sollten geprüft und Modelle für den Produktivbetrieb lokal gespiegelt werden, statt sie bei jedem Start aus dem Internet zu laden.
Für lokale Sprachmodelle bietet txtai mehrere Wege. Über Transformers laufen Modelle direkt in der Python-Umgebung, idealerweise auf einer GPU. Über llama.cpp lassen sich quantisierte Modelle im GGUF-Format auch auf CPU-Servern oder Arbeitsplatzrechnern mit begrenztem Speicher betreiben. Alternativ kann txtai lokale Modellserver wie Ollama oder vLLM über ihre Schnittstellen ansprechen. Dieselbe Anbindung erlaubt es, bei Bedarf auch Cloud-Modelle großer Anbieter zu nutzen – mit den datenschutzrechtlichen Konsequenzen, die wir in Kapitel 09 beschreiben.
txtai muss nicht exklusiv eingesetzt werden. Für LangChain und LlamaIndex existieren Anbindungen beziehungsweise Muster, mit denen txtai-Indizes oder -Pipelines als Bausteine genutzt werden können; deren Pflegezustand sollte im Einzelfall geprüft werden. Umgekehrt kann eine txtai-Anwendung über den API-Server jedem anderen System Suchergebnisse liefern. In der Praxis sehen wir txtai häufig als eigenständigen Kern einer Anwendung – die Stärke des Frameworks liegt gerade darin, dass man ein zweites Orchestrierungs-Framework oft gar nicht braucht.
Die Kernbotschaft der Abgrenzung: txtai ist selten die Antwort für sehr große, verteilte Plattformen mit Dutzenden Datenquellen und Teams, aber oft die eleganteste Antwort für fokussierte, souverän betriebene Wissens- und Suchanwendungen. Wer den Funktionsumfang von Vektordatenbank plus Framework braucht, aber nur eine Komponente betreiben möchte, findet kaum eine schlankere Alternative.
Einer der größten Vorteile von txtai ist der kleine Infrastruktur-Fußabdruck. Für Indizes mit einigen Zehntausend bis wenigen Millionen Abschnitten genügt häufig ein einzelner Server; die Vektorsuche selbst läuft mit Faiss auch auf der CPU sehr schnell. Rechenintensiv sind vor allem zwei Vorgänge: das Vektorisieren großer Dokumentbestände und die Textgenerierung durch das Sprachmodell. Für die initiale Indexierung großer Bestände beschleunigt eine GPU den Prozess erheblich; danach kommen inkrementelle Aktualisierungen meist auch mit CPU-Leistung aus.
Beim Sprachmodell entscheidet die gewünschte Qualität über die Hardware. Kleinere, quantisierte Modelle laufen über llama.cpp auf leistungsfähigen CPU-Servern mit akzeptabler Geschwindigkeit, größere Modelle benötigen eine oder mehrere GPUs mit ausreichend Grafikspeicher. Eine bewährte Architektur trennt beide Welten: txtai läuft auf einem schlanken Server für Suche und Orchestrierung, das Sprachmodell auf einem dedizierten GPU-Server mit einem Modellserver wie vLLM oder Ollama. Welche Hardware für Ihr Szenario angemessen ist, ergibt sich nur aus Tests mit realen Daten und erwarteter Last; pauschale Angaben wären irreführend.
Für die Index-Pflege bietet txtai inkrementelles Hinzufügen, Aktualisieren und Löschen. In der Praxis bewährt sich ein Workflow, der regelmäßig Änderungen aus den Quellsystemen übernimmt, sowie eine periodische Neuindexierung, etwa beim Wechsel des Embedding-Modells. Weil ein Index ein portables Archiv ist, lässt sich ein neuer Index in Ruhe aufbauen, testen und dann atomar austauschen. Bei Ablage in PostgreSQL greifen zusätzlich die gewohnten Datenbankmechanismen für Backup und Replikation. Für mehrere Instanzen des API-Servers sind Lese- und Schreibzugriffe sauber zu trennen: ein schreibender Indexer, mehrere lesende Instanzen.
Bei der Sicherheit gilt: Der API-Server ist ein Werkzeug, kein fertig gehärtetes Produkt. Authentifizierung, TLS, Netzwerksegmentierung und Ratenbegrenzung gehören vor den Dienst, typischerweise über einen Reverse Proxy oder ein API-Gateway. Berechtigungen auf Dokumentebene werden über Metadaten und SQL-Filter umgesetzt; die Verantwortung für korrekte Filter liegt damit vollständig in der Anwendung. Ein Fehler im Filter kann vertrauliche Inhalte offenlegen, deshalb gehören Berechtigungstests in jede Testsuite.
Ein Punkt, den wir in jeder Bewertung offen ansprechen, ist das Anbieterrisiko. txtai wird maßgeblich von einem kleinen Unternehmen getragen, und ein großer Teil der Entwicklung lag über lange Zeit in wenigen Händen. Der sogenannte Bus-Faktor ist damit deutlich niedriger als bei Projekten mit großen Stiftungen oder Konzernen im Hintergrund. Die Apache-2.0-Lizenz mildert dieses Risiko, weil der Code jederzeit weitergenutzt, angepasst und bei Bedarf selbst gepflegt werden kann. Trotzdem sollte man vorbereitet sein: Versionen bewusst festschreiben, Abhängigkeiten dokumentieren, die eigene Anwendung über eine dünne Abstraktionsschicht vom Framework entkoppeln und regelmäßig prüfen, wie aktiv Entwicklung und Community sind. Weil txtai auf verbreiteten Bausteinen wie Faiss, Transformers und SQL-Datenbanken aufsetzt, ist ein späterer Umstieg zudem weniger aufwendig als bei proprietären Formaten.
Der Mehrwert zeigt sich vor allem dort, wo Datenhoheit wichtig ist, das IT-Team klein ist und ein Anwendungsfall klar umrissen werden kann. Ein Wissensassistent für den technischen Service, eine semantische Suche im Intranet oder eine automatische Aufbereitung von Besprechungsprotokollen lassen sich mit txtai auf einem einzelnen Server im eigenen Rechenzentrum oder bei einem deutschen Hoster umsetzen – ohne dass Dokumente das Unternehmen verlassen.
Ein typisches Mittelstandsprojekt mit txtai sieht in unserer Praxis etwa so aus: Ein Workflow liest nachts neue und geänderte Dokumente aus Dateiablage, Dokumentenmanagementsystem oder Wiki, extrahiert den Text, zerlegt ihn in Abschnitte und aktualisiert den Index. Inhalte, Metadaten und Berechtigungsgruppen liegen in PostgreSQL, die Vektoren je nach Bestand in Faiss oder pgvector, der Schlüsselwortindex für die Hybrid-Suche ebenfalls in der Datenbank. Der txtai-API-Server läuft als Container auf einem Server im eigenen Rechenzentrum oder bei einem deutschen Hoster, abgesichert hinter einem Reverse Proxy mit Anmeldung über den Unternehmens-Verzeichnisdienst. Das Sprachmodell läuft auf einem separaten GPU-Server mit einem offenen Modell.
Eine schlanke Weboberfläche oder eine Integration in das vorhandene Intranet ruft die RAG-Pipeline auf, übergibt die Berechtigungsgruppen des Nutzers als SQL-Filter und zeigt Antwort und Quellen an. Für kleinere Projekte geht es noch einfacher: Index in SQLite, Sprachmodell über llama.cpp auf derselben Maschine – ein vollständiges, souveränes RAG-System auf einem einzigen Server.
txtai senkt die technische Einstiegshürde, aber es nimmt die fachliche Arbeit nicht ab. Die größten Aufwände liegen weiterhin in der Erschließung der Quellsysteme, der Qualität der Dokumente, dem Berechtigungsmodell, der Auswahl und Bewertung der Modelle und der Einbindung der Fachanwender. Auch der Kompetenzaufbau ist zu bedenken: Weil txtai weniger verbreitet ist als die großen Frameworks, finden sich weniger fertige Tutorials, Dienstleister und Entwickler mit Vorerfahrung. Wer txtai einsetzt, sollte Wissen im eigenen Team oder bei einem Partner bewusst aufbauen und dokumentieren. Dafür belohnt txtai mit einer Architektur, die auch Jahre später noch gut zu überblicken ist.
Weil txtai eine Bibliothek beziehungsweise ein selbst betriebener Dienst ist, gibt es keinen Hersteller-Cloud-Dienst, der automatisch Daten empfängt. Dokumente, Vektoren, Metadaten, Anfragen und Antworten bleiben in der Infrastruktur, auf der txtai läuft. Werden auch Embedding-Modell und Sprachmodell lokal betrieben, verlässt im Normalbetrieb kein Inhalt das Unternehmen. Das ist der direkteste Weg zu einer sauberen Datenschutzarchitektur und ein wesentlicher Unterschied zu Lösungen, die auf gemanagte Vektordienste oder Cloud-Sprachmodelle angewiesen sind.
Der kritische Punkt liegt an den Rändern. Sobald eine externe LLM- oder Embedding-API angebunden wird, werden Anfragen und Dokumentabschnitte an diesen Anbieter übertragen – unabhängig davon, wo txtai selbst läuft. Dann sind Auftragsverarbeitung, Speicherort, Unterauftragsverarbeiter, Nutzung der Daten für Modelltraining und bei US-Anbietern Drittlandbezug sowie der US CLOUD Act zu bewerten. Ein zweiter Rand ist der Modell-Download: Lädt txtai Modelle beim Start vom Hugging Face Hub, entsteht eine Verbindung ins Internet, über die zwar keine Inhalte, aber Metadaten wie IP-Adresse und Modellname übertragen werden. Für den Produktivbetrieb empfehlen wir, Modelle lokal zu spiegeln und den Server ohne ausgehenden Internetzugang zu betreiben. Dass NeuML ein US-Unternehmen ist, spielt beim reinen Eigenbetrieb der Open-Source-Software aus unserer Sicht eine untergeordnete Rolle, weil keine Daten an den Hersteller fließen; bei Beratungs- oder gehosteten Leistungen des Anbieters wäre das gesondert zu prüfen.
Unabhängig vom Betriebsmodell gilt: Ein Index enthält oft genau die Daten, die besonders schützenswert sind. Vektoren sind keine anonymen Daten; aus Embeddings lassen sich unter Umständen Rückschlüsse auf die Ursprungstexte ziehen. Ein Löschkonzept muss Inhaltsablage, Vektorindex, Schlüsselwortindex, Graph, Index-Archive und Backups umfassen. Berechtigungen gehören als Metadaten in den Index und als verpflichtender Filter in jede Abfrage. Protokolle von Anfragen und Antworten sollten zweckgebunden, zugriffsbeschränkt und mit klaren Löschfristen geführt werden.
txtai selbst verursacht als Open-Source-Software unter Apache 2.0 keine Lizenzgebühren. Die Kosten entstehen an anderer Stelle: bei der Hardware für Suche und vor allem für das Sprachmodell, beim Speicher für Indizes und Backups, beim Betrieb von Servern und Containern und bei der Arbeitszeit für Konzeption, Integration, Tests und Pflege. Gerade der letzte Posten wird oft unterschätzt. Ein schlankes Framework spart Betriebsaufwand, aber die Qualität eines RAG-Systems entsteht durch sorgfältige Arbeit an Daten, Modellen und Bewertung.
Im Vergleich zu gemanagten Vektordiensten und Cloud-Sprachmodellen verschiebt txtai die Kostenstruktur von nutzungsabhängigen laufenden Gebühren hin zu planbaren Infrastrukturkosten. Bei geringer Nutzung kann eine Cloud-API günstiger sein, bei hoher Nutzung oder strengen Datenschutzanforderungen spricht vieles für den Eigenbetrieb. Werden externe Modelle genutzt, sind deren Preise und Konditionen beim jeweiligen Anbieter zu prüfen, da sie sich regelmäßig ändern. Wer Beratungs- oder Entwicklungsleistungen von NeuML in Anspruch nehmen möchte, klärt Konditionen direkt mit dem Anbieter. Als Faustregel gilt: txtai lohnt sich wirtschaftlich besonders dort, wo Datenhoheit gefordert ist, ein klar umrissener Anwendungsfall vorliegt und die Zahl der zu betreibenden Komponenten bewusst klein gehalten werden soll.