Große Sprachmodelle haben in den vergangenen Jahren gezeigt, wie leistungsfähig KI im Umgang mit Text sein kann. Sie fassen zusammen, übersetzen, beantworten Fragen und formulieren Entwürfe. Ein erheblicher Teil der Informationen, mit denen Unternehmen täglich arbeiten, liegt jedoch nicht als Text vor, sondern als Bild: eingescannte Lieferscheine, abfotografierte Typenschilder, technische Zeichnungen, Fotos von Schäden, Screenshots aus Fachanwendungen, Diagramme in Präsentationen oder handschriftliche Notizen. Ein reines Sprachmodell kann mit diesen Inhalten nichts anfangen, solange sie nicht vorher in Text umgewandelt wurden.
Ein Vision-Language-Model überwindet diese Grenze. Es „sieht“ das Bild und „versteht“ die Sprache – und verknüpft beides. Fragt man etwa, welche Positionen auf einem fotografierten Lieferschein von der Bestellung abweichen, liest das Modell nicht nur die Zeichen, sondern erkennt die Tabellenstruktur, ordnet Mengen und Artikelnummern einander zu und formuliert eine Antwort. Fragt man, ob auf einem Foto einer Schweißnaht Auffälligkeiten zu sehen sind, beschreibt es sichtbare Unregelmäßigkeiten in eigenen Worten. Diese Verbindung aus Wahrnehmung und Sprache ist der Kern des Konzepts.
Computer Vision ist kein neues Feld. Seit vielen Jahren gibt es Modelle, die Bilder klassifizieren, Objekte erkennen oder Text aus Scans auslesen. Diese klassischen Verfahren sind jedoch eng auf eine Aufgabe trainiert: Ein Modell erkennt Kratzer auf einer bestimmten Oberfläche, ein anderes liest Kennzeichen, ein drittes zählt Personen. Für jede neue Aufgabe braucht es neue Trainingsdaten, neue Annotationen und ein neues Modell. VLMs gehen einen grundsätzlich anderen Weg. Sie wurden mit sehr großen Mengen an Bild-Text-Paaren trainiert und haben dadurch ein breites, allgemeines Verständnis visueller Inhalte erworben. Die Aufgabe wird nicht mehr durch Training festgelegt, sondern durch die Frage, die man stellt.
Das verändert die Wirtschaftlichkeit vieler Anwendungen grundlegend. Wo früher ein Projekt mit Datensammlung, Annotation und Modelltraining nötig war, genügt heute oft eine gut formulierte Anweisung und eine Handvoll Beispiele zum Testen. Natürlich ersetzt das nicht in jedem Fall das spezialisierte Modell – dazu mehr in Kapitel 06 –, aber die Einstiegshürde für bildbasierte Automatisierung ist dramatisch gesunken.
In der Fachdiskussion begegnen Ihnen mehrere, teilweise überlappende Begriffe. Vision-Language-Model bezeichnet Modelle, die Bild und Text kombinieren. Multimodales Modell ist der Oberbegriff für Modelle, die mehrere Eingabearten – zusätzlich etwa Audio oder Video – verarbeiten. Gelegentlich liest man auch LMM für Large Multimodal Model. Die großen kommerziellen Modellfamilien sind heute meist umfassend multimodal, während viele offene Modelle sich auf die Kombination Bild und Text konzentrieren. In diesem Artikel verwenden wir VLM als Sammelbegriff für alle Modelle, die Bilder verstehen und darüber in Sprache Auskunft geben – unabhängig davon, ob sie zusätzlich weitere Modalitäten beherrschen. Wichtig ist die Abgrenzung zu bildgenerierenden Modellen: Ein VLM versteht Bilder, es erzeugt sie in der Regel nicht.
Die Entwicklung bei VLMs verläuft außergewöhnlich schnell. Neue Modellversionen erscheinen in kurzen Abständen, Ranglisten verschieben sich laufend. Wir verzichten deshalb bewusst auf konkrete Parameterzahlen, Benchmark-Werte, Kontextfenstergrößen und Preise. Stattdessen beschreiben wir Modellfamilien und Eigenschaften qualitativ. Alle konkreten Angaben sollten Sie unmittelbar vor einer Entscheidung beim jeweiligen Anbieter beziehungsweise in der Modelldokumentation prüfen – und vor allem mit eigenen Daten testen.
Die meisten heutigen VLMs bestehen aus drei Bausteinen, die zusammenarbeiten. Ein Bild-Encoder zerlegt das Bild in kleine Ausschnitte und übersetzt jeden davon in eine mathematische Darstellung, die seine visuellen Eigenschaften beschreibt. Ein Verbindungsmodul, oft Projektor oder Adapter genannt, übersetzt diese Bilddarstellungen in das Format, das ein Sprachmodell verarbeiten kann. Und ein Sprachmodell nimmt die übersetzten Bildinformationen gemeinsam mit dem Text der Anfrage entgegen und erzeugt daraus die Antwort – Wort für Wort, genau wie ein reines Textmodell.
Das Training eines VLM verläuft typischerweise in mehreren Stufen. Zunächst lernt der Bild-Encoder an sehr großen Mengen von Bildern mit zugehörigen Beschreibungen, welche visuellen Muster zu welchen Begriffen passen. So entsteht ein Verständnis dafür, dass bestimmte Formen ein Zahnrad, eine Tabelle oder ein handschriftliches Datum darstellen. In einer zweiten Stufe wird der Adapter trainiert, damit das Sprachmodell mit den Bildmerkmalen umgehen kann. In einer dritten Stufe folgt das sogenannte Instruction Tuning: Das Modell wird mit Beispielen aus Frage, Bild und gewünschter Antwort darauf trainiert, Anweisungen zu befolgen – etwa „Extrahiere alle Rechnungspositionen als Tabelle“ oder „Beschreibe die Unterschiede zwischen diesen beiden Bildern“.
Viele aktuelle Modelle durchlaufen zusätzlich spezialisierte Trainingsphasen für Dokumente, Diagramme, Bildschirminhalte oder mehrsprachige Texterkennung. Genau diese Trainingsschwerpunkte erklären, warum sich Modelle trotz ähnlicher Architektur in der Praxis deutlich unterscheiden: Ein Modell, das intensiv mit Geschäftsdokumenten trainiert wurde, liest eine Rechnung oft zuverlässiger als ein größeres Modell mit einem anderen Schwerpunkt.
Grundsätzlich lassen sich zwei Bauweisen unterscheiden. Bei modularen VLMs werden ein bereits trainierter Bild-Encoder und ein bereits trainiertes Sprachmodell über einen Adapter verbunden. Dieser Ansatz ist vergleichsweise ressourcenschonend und deshalb in der offenen Forschung weit verbreitet – die LLaVA-Familie hat ihn beispielsweise populär gemacht. Bei nativ multimodalen Modellen werden Bild und Text von Beginn an gemeinsam trainiert, sodass das Modell die Modalitäten tiefer miteinander verknüpft. Viele große kommerzielle Modellfamilien verfolgen diesen Ansatz. In der Praxis verschwimmen die Grenzen zunehmend, und für Anwender ist die Bauweise weniger wichtig als das Verhalten bei der eigenen Aufgabe.
Für die Praxis relevant ist ein weiterer Punkt: Auflösung. Ein Bild wird intern in eine begrenzte Zahl visueller Elemente übersetzt. Je höher die Auflösung, desto mehr Details bleiben erhalten – desto mehr Rechenaufwand und Kosten entstehen aber auch. Modelle unterscheiden sich darin, wie flexibel sie mit unterschiedlichen Seitenverhältnissen und Auflösungen umgehen. Für kleine Schrift, dichte Tabellen oder feine Defekte ist das oft der entscheidende Faktor.
Die bekanntesten VLMs stammen von großen US-Anbietern. Die GPT-Modellfamilie von OpenAI, die Claude-Modelle von Anthropic und die Gemini-Familie von Google verfügen alle über ausgeprägtes Bild- und Dokumentenverständnis und werden über Chat-Oberflächen, Programmierschnittstellen und Cloud-Plattformen angeboten. Ihre Stärken liegen in der Breite: Sie kombinieren Bildverständnis mit starkem Schlussfolgern, beherrschen viele Sprachen, können lange Dokumente verarbeiten und sind ohne eigene Infrastruktur sofort nutzbar. Ausführliche Einzelporträts finden Sie in unseren Artikeln zu GPT-4o Vision, Claude Vision und Gemini Multimodal.
Daneben bieten auch europäische Anbieter VLMs an. Mistral AI aus Frankreich hat mit Pixtral eine eigene Vision-Modellreihe entwickelt, von der Varianten sowohl über die Mistral-Plattform als auch mit offenen Gewichten verfügbar waren. Für Unternehmen, die Wert auf einen europäischen Anbieter legen, ist das eine interessante Option. Welche Varianten aktuell unter welcher Lizenz verfügbar sind, sollten Sie beim Anbieter prüfen.
Die offene VLM-Landschaft hat sich in den vergangenen Jahren rasant entwickelt. Einige Familien haben sich als feste Größen etabliert:
Auffällig ist, dass einige der leistungsfähigsten offenen VLMs aus China stammen. Das ist für Unternehmen kein Ausschlusskriterium, verlangt aber eine klare Linie: Offene Gewichte, die auf eigener Hardware oder bei einem europäischen Hoster laufen, senden keine Daten an den Hersteller. Die Nutzung der Cloud-Dienste chinesischer Anbieter ist dagegen eine völlig andere Situation – darauf gehen wir in Kapitel 09 ausführlich ein.
Der Begriff „offenes Modell“ wird uneinheitlich verwendet. Manche Modelle stehen unter klassischen Open-Source-Lizenzen, die eine kommerzielle Nutzung weitgehend frei erlauben. Andere haben eigene Lizenzen mit Einschränkungen, etwa Obergrenzen für Nutzerzahlen, Nutzungsrichtlinien oder Pflichten zur Namensnennung. Wieder andere sind nur für Forschungszwecke freigegeben. Hinzu kommt, dass die Lizenz der einzelnen Komponenten – Bild-Encoder, Sprachmodell, Trainingsdaten – unterschiedlich sein kann. Vor einem produktiven Einsatz sollte deshalb immer die konkrete Lizenz der verwendeten Modellversion geprüft werden.
Wie reine Sprachmodelle neigen auch VLMs dazu, plausibel klingende, aber falsche Antworten zu geben. Im visuellen Bereich hat das eigene Ausprägungen. Ein Modell kann Objekte „sehen“, die nicht im Bild sind, weil sie typischerweise in solchen Szenen vorkommen. Es kann unleserliche Ziffern durch wahrscheinliche Werte ersetzen, statt die Unleserlichkeit zu melden – bei einer IBAN oder einer Artikelnummer ein ernstes Problem. Es kann Mengen falsch zählen, Positionen in einer Tabelle vertauschen oder Text ergänzen, der nur angeschnitten zu sehen ist. Besonders tückisch: Die Antwort klingt in allen diesen Fällen genauso selbstsicher wie eine korrekte.
Für produktive Prozesse folgt daraus eine klare Regel: Kritische Werte müssen geprüft werden – durch Plausibilitätsregeln, Abgleich mit Stammdaten, Prüfsummen oder eine menschliche Kontrolle. Hilfreich ist es auch, das Modell ausdrücklich anzuweisen, unsichere oder unleserliche Stellen zu kennzeichnen, statt sie zu raten, und strukturierte Ausgaben zu verlangen, die sich automatisch validieren lassen.
VLMs sind keine Messinstrumente. Sie können sagen, dass ein Kratzer „etwa in der Mitte der linken Kante“ liegt, aber keine millimetergenaue Vermessung liefern. Auch räumliches Denken – etwa die Frage, welches Bauteil sich hinter einem anderen befindet oder wie eine Baugruppe von der Rückseite aussieht – ist eine bekannte Schwäche. Bei hochspezialisierten Bildern wie Röntgenaufnahmen von Gussteilen, Mikroskopbildern oder Wärmebildern fehlt allgemeinen Modellen oft das Fachwissen, um Befunde zuverlässig zu bewerten. Und schließlich sind Antworten nicht vollständig deterministisch: Dieselbe Anfrage kann leicht unterschiedliche Ergebnisse liefern, was für auditierbare Prozesse durch geeignete Einstellungen und Protokollierung abgefedert werden muss.
Neuere Modelle verbessern sich in vielen dieser Punkte, etwa durch Fähigkeiten zur Objektlokalisierung mit Koordinaten oder durch ausgeprägteres schrittweises Schlussfolgern. Die Grenzen verschieben sich also – sie verschwinden aber nicht. Wer ein VLM einführt, sollte die Grenzen für seinen konkreten Anwendungsfall mit eigenen Testdaten ermitteln, statt sich auf allgemeine Ranglisten zu verlassen.
Das größte und am schnellsten realisierbare Feld ist die Verarbeitung von Geschäftsdokumenten. Eingangsrechnungen, Lieferscheine, Auftragsbestätigungen, Zollpapiere, Prüfzertifikate, Formulare und Verträge kommen in unzähligen Layouts, Qualitäten und Sprachen an. Klassische OCR liefert hier zwar den Text, aber nicht die Bedeutung – dafür waren bislang aufwendig konfigurierte Vorlagen und Regeln nötig. Ein VLM liest das Dokument dagegen wie ein Mensch: Es erkennt, welche Zahl die Rechnungssumme ist, welche Zeile zur Lieferadresse gehört und welche Positionen eine Tabelle bilden, auch wenn das Layout neu ist.
Typische Ergebnisse sind strukturierte Datensätze, die direkt in ERP, DMS oder Buchhaltung übernommen werden können, automatische Klassifikation eingehender Post, die Zuordnung zu Vorgängen und die Prüfung auf Vollständigkeit. Besonders wertvoll ist das bei schwierigen Vorlagen: schlecht gescannte Faxe, Handyfotos von Lieferscheinen, handschriftliche Ergänzungen oder mehrsprachige Dokumente aus internationalen Lieferketten.
In der Fertigung können VLMs die visuelle Prüfung unterstützen – allerdings mit einer wichtigen Einschränkung: Für schnelle, hochpräzise Inline-Prüfungen am Band mit festen Fehlerklassen sind spezialisierte Bildverarbeitungssysteme meist überlegen, weil sie schneller, günstiger pro Bild und reproduzierbarer arbeiten. Die Stärke von VLMs liegt woanders: bei variablen Prüfaufgaben, kleinen Losgrößen, seltenen Fehlerbildern und überall dort, wo das Ergebnis nicht nur „in Ordnung“ oder „nicht in Ordnung“ lauten soll, sondern eine Beschreibung braucht. Ein Mitarbeiter fotografiert ein Bauteil mit dem Tablet, das VLM beschreibt sichtbare Auffälligkeiten, gleicht sie mit der Prüfanweisung ab und schlägt einen Eintrag für das Prüfprotokoll vor. Auch Wareneingangskontrollen, Schadensdokumentation bei Transportschäden, Vollständigkeitsprüfungen von Montagesets oder die Auswertung von Baustellenfotos profitieren davon.
Viele Unternehmen besitzen große Bestände an Fotos, Zeichnungen und gescannten Dokumenten, die kaum durchsuchbar sind. VLMs erschließen diese Bestände auf zwei Wegen: Sie erzeugen automatisch Beschreibungen und Schlagworte für jedes Bild, und sie ermöglichen – in Kombination mit Bild-Text-Einbettungen – eine semantische Suche. Ein Servicetechniker fotografiert ein unbekanntes Ersatzteil und findet ähnliche Teile im Katalog; eine Marketingabteilung sucht nach „Produktfotos mit Außenaufnahme im Winter“ und erhält passende Treffer, ohne dass jemand die Bilder je verschlagwortet hat.
In der Verwaltung und im Backoffice helfen VLMs bei Anträgen und Formularen, bei der Auswertung von Präsentationen und Berichten mit vielen Grafiken sowie im IT-Support, wo Mitarbeitende einfach einen Screenshot ihrer Fehlermeldung schicken. In Wissenssystemen, die auf Retrieval-Augmented Generation beruhen, sorgen VLMs dafür, dass auch Diagramme, Tabellen und Abbildungen in PDFs berücksichtigt werden – nicht nur der Fließtext.
Klassische OCR-Engines sind darauf spezialisiert, Zeichen zu erkennen und mit Positionsangaben auszugeben. Sie sind schnell, günstig, deterministisch und liefern für jedes Zeichen nachvollziehbare Ergebnisse. Ihnen fehlt aber das Verständnis: Welche Zahl die Rechnungssumme ist, muss über Vorlagen und Regeln ermittelt werden. Klassische Computer-Vision-Modelle zur Objekterkennung oder Fehlerdetektion sind ebenfalls hochspezialisiert, extrem schnell und präzise, benötigen aber für jede Aufgabe eigene Trainingsdaten.
VLMs punkten bei Flexibilität und Verständnis, verlieren aber bei Geschwindigkeit, Kosten pro Bild und Reproduzierbarkeit. Die folgende Übersicht fasst die Unterschiede zusammen:
In der Praxis bewähren sich hybride Architekturen. Eine klassische OCR liefert den Rohtext mit Positionen, das VLM interpretiert ihn gemeinsam mit dem Bild. Oder ein schnelles Computer-Vision-Modell sortiert am Band die eindeutigen Fälle aus, und nur die unklaren Bilder gehen an ein VLM zur Beschreibung. Solche Kombinationen verbinden Geschwindigkeit und Kostenkontrolle mit dem Verständnis des VLM.
Wenn die Entscheidung für ein VLM gefallen ist, stellt sich die Frage nach dem konkreten Modell. Folgende Kriterien haben sich bewährt:
VLMs werden häufig mit benachbarten Technologien verwechselt. Bildgenerierende Modelle erzeugen Bilder aus Text – sie sind ein eigenes Feld, auch wenn manche multimodalen Modelle beides können. Multimodale Allround-Modelle verarbeiten zusätzlich Audio und Video; ein reines VLM konzentriert sich auf Standbilder und Dokumente. Dokumenten-KI-Plattformen bündeln OCR, VLMs, Validierungsregeln und Workflow-Funktionen zu einem Produkt. Für viele Unternehmen ist eine solche Plattform der pragmatischere Einstieg als die direkte Arbeit mit einem Modell – vorausgesetzt, Datenschutz und Integrationsfähigkeit passen.
Die Cloud-Nutzung über die Schnittstellen der großen Anbieter ist der schnellste Weg: keine eigene Hardware, sofortiger Zugriff auf leistungsstarke Modelle, Abrechnung nach Nutzung. Für Unternehmen im DACH-Raum ist dabei entscheidend, einen Unternehmensvertrag mit Auftragsverarbeitungsvereinbarung zu nutzen und – wo angeboten – die Verarbeitung in einer EU-Region festzulegen. Viele Anbieter stellen ihre Modelle auch über die großen Cloud-Plattformen mit europäischen Rechenzentren bereit.
Self-Hosting bedeutet, ein offenes Modell auf eigenen Servern oder bei einem europäischen Hosting-Anbieter zu betreiben. Die Daten verlassen den eigenen Einflussbereich nicht, das Modell bleibt in der getesteten Version stabil, und es kann bei Bedarf auf eigene Daten feinabgestimmt werden. Dafür trägt das Unternehmen die Verantwortung für Hardware, Updates, Skalierung und Sicherheit. Ein Mittelweg sind europäische Hoster, die offene Modelle als verwalteten Dienst anbieten – die Datenhoheit bleibt in Europa, der Betriebsaufwand sinkt.
VLMs werden auf Grafikprozessoren betrieben. Wie viel Rechenleistung und Grafikspeicher nötig sind, hängt von der Modellgröße, der Bildauflösung, der gewünschten Antwortgeschwindigkeit und der Zahl gleichzeitiger Anfragen ab. Kleinere offene Modelle lassen sich bereits auf einer einzelnen leistungsfähigen Workstation-GPU betreiben und reichen für viele Dokumentenaufgaben aus. Große Modelle mit Spitzenleistung benötigen dagegen Server mit mehreren Rechenzentrums-GPUs. Techniken wie Quantisierung, bei der das Modell mit geringerer numerischer Genauigkeit läuft, senken den Speicherbedarf deutlich – oft mit nur geringen Qualitätseinbußen, die aber im eigenen Test zu prüfen sind.
Für den Betrieb haben sich spezialisierte Inferenz-Server etabliert, die mehrere Anfragen effizient bündeln und eine standardisierte Schnittstelle bereitstellen. Das erleichtert es, Modelle auszutauschen, ohne die Anwendung umzubauen. Wichtig ist außerdem, Bildvorverarbeitung, Warteschlangen, Protokollierung und Zugriffskontrolle von Anfang an mitzudenken. Konkrete Hardwareempfehlungen sollten immer auf Basis eines Lasttests mit dem gewählten Modell und realistischen Bildern entstehen.
Der häufigste Fehler bei VLM-Projekten ist, Qualität nach Gefühl zu beurteilen. Ein paar beeindruckende Beispiele sagen wenig darüber aus, wie sich das Modell bei Tausenden von Dokumenten verhält. Deshalb gehört ein Evaluierungsdatensatz mit bekannten richtigen Ergebnissen zu jedem ernsthaften Projekt. Gemessen wird feldgenau: Wie oft ist die Rechnungsnummer korrekt, wie oft das Datum, wie oft die Summe? Wie viele Fälle markiert das Modell selbst als unsicher, und wie viele Fehler schlüpfen trotzdem durch? Dieser Datensatz wird bei jedem Modell- oder Anweisungswechsel erneut durchlaufen – so werden Verschlechterungen sichtbar, bevor sie im Prozess Schaden anrichten.
Ergänzend lohnt sich ein laufendes Monitoring im Betrieb: Stichproben, Korrekturquoten der Sachbearbeitung und die Verteilung der Konfidenzmarkierungen zeigen frühzeitig, wenn neue Dokumenttypen oder veränderte Bildqualität die Ergebnisse beeinträchtigen.
Gute erste Projekte zeichnen sich durch spürbares Volumen, überschaubares Risiko und klar messbaren Nutzen aus. Typische Kandidaten sind die Erfassung von Eingangsrechnungen und Lieferscheinen, die Klassifikation und Verteilung eingehender Post, die Fotodokumentation im Service oder auf Baustellen, die Erfassung von Typenschildern im Außendienst, die Auswertung von Prüfzertifikaten im Wareneingang oder die Erschließung eines Bild- und Zeichnungsarchivs. All diese Fälle haben gemeinsam, dass heute Menschen Bilder ansehen und Informationen abtippen oder einordnen – und dass sich der Erfolg an Zeitersparnis und Fehlerquote messen lässt.
Weniger geeignet für den Anfang sind Prozesse, in denen ein einzelner Fehler hohe Folgekosten verursacht und keine menschliche Kontrolle vorgesehen ist, sowie Aufgaben, die millimetergenaue Messungen oder hochspezialisiertes Fachwissen verlangen.
Technisch ist ein VLM schnell angebunden – organisatorisch braucht es mehr. Die Fachabteilung, die heute die Bilder und Dokumente bearbeitet, sollte von Anfang an beteiligt sein: Sie kennt die schwierigen Fälle, kann Testdaten bereitstellen und beurteilt, ob ein Ergebnis wirklich brauchbar ist. Mitarbeitende sollten verstehen, dass das VLM Routinearbeit übernimmt und sie die Rolle der prüfenden Instanz erhalten. Werden Fotos von Arbeitsplätzen oder Personen verarbeitet, ist frühzeitig der Betriebsrat einzubinden, da technische Einrichtungen zur Verhaltens- oder Leistungskontrolle mitbestimmungspflichtig sein können.
Auf Kompetenzseite reichen für Cloud-basierte Lösungen oft Integrationskenntnisse und ein gutes Prozessverständnis. Für Self-Hosting kommen Kenntnisse im Betrieb von GPU-Servern und Inferenz-Software hinzu – Know-how, das sich viele Mittelständler gezielt mit einem Partner aufbauen, statt es vollständig intern vorzuhalten.
Ein unterschätztes Risiko: Mitarbeitende fotografieren Dokumente und laden sie in kostenlose Consumer-Apps hoch, weil diese so praktisch sind. Dabei können vertrauliche Geschäftsdaten oder personenbezogene Daten zu Anbietern gelangen, deren Bedingungen eine Nutzung für das Training erlauben. Die wirksamste Gegenmaßnahme ist nicht ein Verbot, sondern ein freigegebenes, gut nutzbares Angebot im Unternehmen – kombiniert mit einer klaren Richtlinie, welche Daten in welche Werkzeuge dürfen.
Bei Cloud-APIs wird in der Regel nach verarbeiteten Eingabe- und Ausgabeeinheiten abgerechnet. Bilder werden intern in eine Zahl solcher Einheiten umgerechnet, die mit der Auflösung steigt – hochaufgelöste Scans und mehrseitige Dokumente sind deshalb deutlich teurer als kurze Textanfragen. Größere Modelle kosten mehr als kleinere; viele Anbieter bieten zudem günstigere Konditionen für zeitversetzte Stapelverarbeitung. Konkrete Preise ändern sich häufig und sollten beim Anbieter geprüft werden.
Beim Self-Hosting entstehen vor allem Fixkosten für Hardware oder gemietete GPU-Server, Strom, Betrieb und Wartung. Die Kosten pro Dokument sinken mit steigendem Volumen. Für geringe oder stark schwankende Mengen ist die Cloud meist wirtschaftlicher, bei hohem, gleichmäßigem Volumen kann sich der eigene Betrieb rechnen. In beiden Fällen gilt: Der größte Kostenblock liegt oft nicht im Modell, sondern in Integration, Testdatenaufbereitung, Validierungslogik und Betrieb. Eine belastbare Kalkulation entsteht aus einer Stichprobe realer Dokumente und einer konkreten Aufwandsschätzung.
Bei den großen US-Anbietern ist zunächst die Trennung von Consumer- und Unternehmensangeboten entscheidend. Unter Unternehmensbedingungen sagen die Anbieter in der Regel zu, Kundendaten nicht zum Training zu verwenden, und stellen Auftragsverarbeitungsverträge bereit. Viele bieten außerdem die Verarbeitung in europäischen Rechenzentren an. Das verbessert die Lage erheblich, beseitigt aber nicht den Drittlandbezug: Die Anbieter unterliegen weiterhin US-Recht, sodass die Frage möglicher Behördenzugriffe Teil der Bewertung bleibt. Rechtsgrundlagen für den Datentransfer, Standardvertragsklauseln und Zertifizierungen können die Lage absichern; die strategische Abhängigkeit von einem außereuropäischen Anbieter bleibt bestehen.
Das Self-Hosting offener Modelle ist deshalb die souveränste Option. Läuft ein offenes VLM auf eigener Hardware oder bei einem europäischen Hoster, verlassen Bilder und Dokumente den eigenen Einflussbereich nicht. Für Dokumente mit Gesundheitsdaten, Personalakten, vertrauliche Konstruktionsunterlagen oder Kundendaten mit hohem Schutzbedarf ist das häufig der bevorzugte Weg. Unabhängig vom Betriebsmodell gehören Datenminimierung, wo möglich Schwärzung, klare Speicher- und Löschfristen, ein Verzeichnis der Verarbeitungstätigkeiten und gegebenenfalls eine Datenschutz-Folgenabschätzung zum Pflichtprogramm.
Einige der leistungsfähigsten offenen VLMs, darunter Qwen-VL, InternVL und Modelle aus der GLM-Familie, stammen aus China. Hier ist eine klare Unterscheidung nötig. Die Cloud-Dienste chinesischer Anbieter sollten für Unternehmensdaten nicht genutzt werden: Daten würden in ein Drittland ohne Angemessenheitsbeschluss übermittelt, und die dortige Rechtslage kann staatliche Zugriffe auf Daten ermöglichen, die sich vertraglich kaum ausschließen lassen. Hinzu kommen Fragen zu Transparenz, Durchsetzbarkeit von Betroffenenrechten und Geschäftsgeheimnisschutz.
Anders sieht es bei den offenen Gewichten aus. Werden diese Modelle heruntergeladen und vollständig auf eigener Infrastruktur oder bei einem europäischen Hoster betrieben, fließen keine Daten an den Hersteller. Wir empfehlen in diesem Fall ausschließlich Self-Hosting, ergänzt um eine Prüfung der Lizenz, die Beschaffung der Gewichte aus vertrauenswürdigen Quellen, eine Netzwerkabschottung des Inferenz-Servers und eine eigene Evaluierung möglicher inhaltlicher Verzerrungen. So lassen sich die technischen Stärken dieser Modelle nutzen, ohne die Datenhoheit aufzugeben. Ergänzend sind die Pflichten aus dem europäischen KI-Recht im Blick zu behalten, die je nach Einsatzzweck unterschiedlich ausfallen.