Hinter Tabby steht das Unternehmen TabbyML, das die Software seit 2023 als Open-Source-Projekt entwickelt. Der Server ist überwiegend in Rust geschrieben, wird typischerweise als Docker-Container ausgeliefert und nutzt für die Inferenz bewährte Laufzeitbibliotheken, die auf NVIDIA-Grafikkarten, auf Apple-Silicon-Rechnern und mit Einschränkungen auch auf anderen Beschleunigern oder reiner CPU laufen. Das Projekt gehört auf den großen Code-Plattformen zu den meistbeachteten Werkzeugen seiner Art und hat eine aktive Community, die Plugins, Modellkonfigurationen und Betriebsanleitungen beisteuert.
Funktional deckt Tabby das ab, was Entwicklerteams heute von einem Coding-Assistenten erwarten. Drei Bausteine prägen das Produkt:
In den ersten Versionen war Tabby vor allem ein schlanker Vervollständigungsserver: ein Modell, ein Endpunkt, ein Plugin. Seitdem hat sich das Projekt deutlich weiterentwickelt. Hinzugekommen sind eine Weboberfläche zur Administration, Benutzer- und Teamverwaltung, Anmeldung über bestehende Identitätsdienste, Nutzungsauswertungen, die Indexierung von Repositories und Dokumenten sowie eine eigene Wissenssuche, die der Hersteller als Answer Engine bezeichnet. Aus dem Entwickler-Spielzeug ist damit eine Plattform geworden, die sich im Unternehmen zentral bereitstellen und steuern lässt.
Diese Entwicklung ist für den Mittelstand wichtig, weil sie den Unterschied zwischen einem Experiment einzelner Entwickler und einem offiziell betriebenen Werkzeug markiert. Ein Assistent, den die IT zentral betreibt, bei dem Benutzer über das Firmenverzeichnis angemeldet werden und dessen Nutzung ausgewertet werden kann, lässt sich in Richtlinien, Datenschutzdokumentation und Informationssicherheitskonzept sauber verankern. Genau dort liegt der Mehrwert gegenüber einer losen Sammlung privat installierter Erweiterungen.
Viele Unternehmen haben in den letzten Jahren Cloud-Coding-Assistenten erprobt und dabei schnell gemerkt, dass die Freigabe weniger an der Technik als an Datenschutz, Betriebsrat und Kundenverträgen hängt. Quellcode ist für viele Mittelständler das wichtigste immaterielle Vermögen: Maschinensteuerungen, Konfiguratoren, Branchensoftware, Algorithmen für Planung oder Qualitätsprüfung. Wenn dieser Code bei jeder Vervollständigung an Server in den USA übertragen wird, stellen sich Fragen nach Drittlandtransfer, Geschäftsgeheimnisschutz und vertraglichen Zusagen gegenüber eigenen Kunden.
Parallel dazu sind offene Code-Modelle erheblich besser geworden. Was vor wenigen Jahren noch spürbar hinter den kommerziellen Diensten lag, ist heute für die alltägliche Vervollständigung und viele Chat-Aufgaben gut brauchbar. Gleichzeitig ist geeignete GPU-Hardware verfügbarer geworden, ob als eigener Server, als dedizierte Maschine bei einem deutschen Rechenzentrumsbetreiber oder als GPU-Instanz in einer europäischen Cloud. Diese beiden Entwicklungen zusammen machen Self-Hosting zu einer realistischen Option, nicht mehr nur zu einem Projekt für Enthusiasten. Tabby ist das Werkzeug, das diese Option am konsequentesten in ein fertiges Produkt übersetzt.
Die Tabelle gibt das Grundmuster wieder. Die genaue Zuordnung einzelner Funktionen, die Benutzergrenzen der freien Edition und die Preise der kommerziellen Stufen hat der Hersteller mehrfach angepasst. Prüfen Sie deshalb vor jeder Entscheidung die aktuellen Konditionen direkt bei TabbyML und lassen Sie sich die benötigten Funktionen für Ihre Edition schriftlich bestätigen.
Der Großteil des Tabby-Quellcodes steht unter einer freizügigen Open-Source-Lizenz, die kommerzielle Nutzung, Anpassung und den Betrieb im eigenen Unternehmen erlaubt. Ein Teil des Repositorys, nämlich die Unternehmensfunktionen, unterliegt nach unserem Kenntnisstand einer gesonderten Lizenz, die für den produktiven Einsatz eine kommerzielle Vereinbarung voraussetzt. Dieses Muster ist bei Open-Core-Produkten üblich und kein Makel, sollte aber bewusst geprüft werden. Wer nur die freien Bestandteile nutzt, hat keinerlei Vertragsbeziehung zum Hersteller, wer Enterprise-Funktionen braucht, schließt einen Lizenzvertrag.
Für die Datenschutzbewertung ist diese Unterscheidung angenehm unkritisch: Auch mit kommerzieller Lizenz läuft Tabby auf Ihrer Infrastruktur. Der Hersteller erhält im Normalfall keinen Zugriff auf Code oder Prompts, sofern Sie das nicht ausdrücklich, etwa für einen Supportfall, einrichten. Einen Auftragsverarbeitungsvertrag brauchen Sie daher für den reinen Softwarebetrieb in der Regel nicht, wohl aber eine saubere Prüfung, welche Telemetriedaten die Software standardmäßig sendet und wie sie sich abschalten lassen.
Im Markt der Coding-Assistenten besetzt Tabby eine klar umrissene Nische. Cloud-Dienste wie GitHub Copilot, Cursor oder Windsurf konkurrieren über Agentenfunktionen, Modellauswahl aus der Spitze des Marktes und eine sehr breite Integration in Plattformen. Tabby konkurriert über Kontrolle: Wo läuft das Modell, wer sieht den Code, wer entscheidet über Updates, und was passiert, wenn der Anbieter seine Preise oder Bedingungen ändert. Bei all diesen Fragen liegt die Antwort bei Tabby im eigenen Haus.
Daraus ergibt sich auch eine ehrliche Einordnung der Grenzen. Tabby ist nicht das Werkzeug mit den spektakulärsten autonomen Agenten, und wer das leistungsfähigste verfügbare Sprachmodell für komplexe Refactorings sucht, wird bei kommerziellen Cloud-Diensten meist mehr Rohleistung finden. Tabby richtet sich an Organisationen, die eine solide, verlässliche Unterstützung im Entwickleralltag wollen und bereit sind, dafür einen Teil der Spitzenleistung gegen Souveränität einzutauschen. Für viele Mittelständler ist das genau die richtige Abwägung.
Die Code-Vervollständigung ist der Teil von Tabby, den Entwickler am häufigsten erleben, und zugleich der, bei dem Geschwindigkeit am meisten zählt. Ein Vorschlag, der erst nach mehreren Sekunden erscheint, stört mehr, als er hilft. Tabby setzt deshalb für die Vervollständigung auf eigens dafür trainierte Code-Modelle, die das Einfügen in der Mitte einer Datei beherrschen, also sowohl den Code vor als auch nach dem Cursor berücksichtigen. Diese Modelle sind deutlich kleiner als typische Chat-Modelle und lassen sich auf einer einzelnen Grafikkarte mit kurzen Antwortzeiten betreiben.
Für die Qualität der Vorschläge ist der Kontext mindestens so wichtig wie das Modell. Tabby reichert die Anfrage an das Modell deshalb mit relevanten Ausschnitten an: Definitionen aus anderen geöffneten Dateien, kürzlich bearbeitete Stellen und passende Codefragmente aus indexierten Repositories. So kennt der Assistent die hauseigenen Hilfsfunktionen und schlägt sie vor, statt sie neu zu erfinden. In Teams mit gewachsenen internen Bibliotheken ist das oft der Unterschied zwischen einem netten Spielzeug und einem echten Produktivitätsgewinn.
Im Chat-Panel der IDE lassen sich Fragen in natürlicher Sprache stellen, auf Deutsch ebenso wie auf Englisch, wobei die Antwortqualität vom gewählten Modell abhängt. Typische Aufgaben sind das Erklären fremden oder alten Codes, das Erzeugen von Unit-Tests für eine markierte Funktion, das Ergänzen von Kommentaren und Dokumentation, das Aufspüren von Fehlerursachen anhand einer Fehlermeldung und das Umbauen einer Funktion nach Vorgaben. Vorgeschlagene Änderungen erscheinen als Diff und werden erst nach Bestätigung übernommen, sodass die Kontrolle beim Menschen bleibt.
Die Answer Engine in der Weboberfläche geht über den einzelnen Editor hinaus. Sie richtet sich an Fragen, die das gesamte Unternehmen betreffen: Wo wird die Preisberechnung implementiert? Wie binden wir unser ERP-System an? Welche Konventionen gelten für neue Microservices? Die Antwort stützt sich auf die indexierten Quellen und verweist auf die Fundstellen, sodass Nutzer die Aussagen nachprüfen können. Für die Einarbeitung neuer Teammitglieder und für Teams, deren Wissen auf viele Repositories und Wikis verteilt ist, kann das ein erheblicher Hebel sein, sofern die Quellen gepflegt und die Zugriffsrechte sauber eingerichtet sind.
Tabby arbeitet mit zwei Modellrollen. Das Vervollständigungsmodell liefert Vorschläge beim Tippen und muss vor allem schnell sein. Das Chat-Modell beantwortet Fragen, führt Code-Aktionen aus und speist die Answer Engine, es darf langsamer, muss aber sprachlich und inhaltlich stärker sein. Hinzu kommt ein Embedding-Modell, das Code und Dokumente für die Suche in Vektoren übersetzt. Alle drei können auf demselben Server laufen oder auf verschiedene Maschinen verteilt werden.
Tabby bringt eine Registry mit erprobten Modellkonfigurationen mit, aus der sich gängige offene Code-Modelle mit einer Zeile Konfiguration laden lassen. Dazu zählen im Laufe der Zeit unter anderem Modellfamilien wie StarCoder, CodeLlama, DeepSeek Coder, CodeGemma und Qwen Coder. Welche Modelle aktuell empfohlen werden, ändert sich mit jeder neuen Modellgeneration, und genau das ist ein Vorteil: Wenn ein besseres offenes Modell erscheint, können Sie es testen und einsetzen, ohne den Anbieter zu wechseln.
Wichtig ist ein Punkt, der in technischen Anleitungen oft untergeht: Jedes Modell hat eine eigene Lizenz. Manche stehen unter klassischen Open-Source-Lizenzen, andere unter Lizenzen mit Nutzungsbeschränkungen, Verhaltensregeln oder Bedingungen für sehr große Anbieter, wieder andere schließen den produktiven kommerziellen Einsatz ohne gesonderte Vereinbarung aus. Vor dem Produktivbetrieb sollte deshalb nicht nur Tabby selbst, sondern auch das konkret eingesetzte Modell lizenzrechtlich geprüft werden. Bei Modellen chinesischer Herkunft, etwa aus den Familien DeepSeek oder Qwen, gilt zusätzlich: Im Self-Hosting fließen keine Daten nach China, weil die Gewichte lokal laufen. Die Herkunft kann aber in Kundenverträgen oder internen Richtlinien eine Rolle spielen und sollte bewusst entschieden werden.
Neben lokal geladenen Modellen kann Tabby auch auf Modelle zugreifen, die über eine HTTP-Schnittstelle bereitgestellt werden, etwa über einen separaten Inferenzserver im eigenen Rechenzentrum, über lokale Laufzeitumgebungen wie Ollama oder über kompatible Schnittstellen externer Anbieter. Das eröffnet flexible Architekturen: Die Vervollständigung läuft lokal auf einer kleinen GPU, für den Chat wird ein großes Modell genutzt, das auf einem zentralen Inferenzcluster oder bei einem europäischen Modellanbieter betrieben wird.
Diese Flexibilität hat eine Kehrseite, die man kennen muss. Sobald ein externer Cloud-Endpunkt angebunden wird, verlässt Code das Haus, und alle Fragen zu Auftragsverarbeitung, Serverstandort und Trainingsnutzung stellen sich für diesen Anbieter. Der Datenhoheitsvorteil von Tabby gilt also nur, solange die Modelle tatsächlich auf eigener oder vertraglich kontrollierter europäischer Infrastruktur laufen. In Richtlinien sollte deshalb festgehalten werden, welche Modellendpunkte zulässig sind und wer sie ändern darf.
Im Vergleich zu Werkzeugen wie Cursor, Claude Code oder Copilot im Agentenmodus ist Tabby bei autonomen Agenten zurückhaltender. Der Schwerpunkt liegt auf Vervollständigung, Chat, Code-Aktionen mit Bestätigung und Wissenssuche. Der Hersteller hat sein Portfolio nach unserem Kenntnisstand zwar um einen eigenständigen Coding-Agenten ergänzt, der Aufgaben über mehrere Dateien plant und umsetzt; Funktionsumfang, Reifegrad und Betriebsmodell dieses Angebots sollten Sie jedoch vor einem Einsatz aktuell prüfen, insbesondere ob es sich vollständig selbst gehostet betreiben lässt.
Für viele Mittelständler ist diese Zurückhaltung kein Nachteil. Agenten, die selbstständig Dateien ändern, Befehle ausführen und Abhängigkeiten installieren, brauchen ein durchdachtes Sicherheits- und Freigabekonzept und profitieren stark von den leistungsfähigsten Modellen. Ein Assistent, der Vorschläge macht und Änderungen erst nach Bestätigung übernimmt, passt besser zu Teams, die KI schrittweise und kontrolliert einführen wollen. Wer zusätzlich agentische Arbeitsweisen erproben möchte, kann Tabby mit anderen quelloffenen Werkzeugen kombinieren, die dieselben selbst gehosteten Modelle nutzen.
Für die Entwickler ist die Einrichtung schlicht: Plugin aus dem Marktplatz der IDE installieren, Adresse des Tabby-Servers eintragen, mit einem persönlichen Token anmelden. Ab diesem Moment erscheinen Vorschläge im Editor. In größeren Umgebungen lässt sich diese Konfiguration zentral vorgeben, etwa über verteilte Einstellungsdateien oder Softwareverteilung, sodass niemand Adressen manuell eintragen muss und keine abweichenden Server genutzt werden.
Weil die Plugins quelloffen sind, können Unternehmen genau nachvollziehen, welche Daten an den Server übertragen werden. Das ist ein Vorteil gegenüber proprietären Erweiterungen, bei denen die Datenflüsse nur über Dokumentation und Vertragszusagen nachvollziehbar sind. Für Informationssicherheit und Betriebsrat lässt sich so belastbar dokumentieren, welche Inhalte das Plugin sammelt und wohin sie gehen.
Die Anbindung an Git-Plattformen dient bei Tabby in erster Linie der Kontextgewinnung: Repositories werden geklont, indexiert und regelmäßig aktualisiert, damit Vorschläge und Antworten den aktuellen Stand kennen. Das funktioniert mit GitHub und GitLab, auch in selbst gehosteten Varianten, sowie mit beliebigen Git-Servern. Für Unternehmen mit eigener GitLab-Instanz im Rechenzentrum ergibt sich damit eine vollständig interne Kette vom Repository über den Index bis zum Modell.
In CI/CD-Pipelines spielt Tabby bisher eine kleinere Rolle als spezialisierte Werkzeuge für automatisierte Code-Reviews. Über die HTTP-Schnittstelle des Servers lassen sich jedoch eigene Automatisierungen bauen, etwa ein Skript, das Änderungen in einem Merge Request zusammenfasst, oder ein internes Werkzeug, das Fragen zu Betriebsdokumentationen beantwortet. Solche Erweiterungen sollten wie jede andere interne Software behandelt werden: mit Verantwortlichen, Tests und klarer Abgrenzung, auf welche Daten sie zugreifen dürfen.
GitHub Copilot ist der Maßstab, an dem sich alle Coding-Assistenten messen lassen müssen. Er bietet Zugriff auf leistungsfähige Modelle mehrerer großer Anbieter, eine tiefe Integration in GitHub, umfangreiche Agentenfunktionen und praktisch keinen Betriebsaufwand. Dafür läuft die Verarbeitung in der Cloud eines US-Konzerns. Auch mit Geschäftstarifen, die Trainingsnutzung ausschließen, bleiben Drittlandtransfer und die Abhängigkeit von Vertragszusagen eines einzelnen Anbieters. Tabby ist die Wahl, wenn genau diese Punkte im Unternehmen nicht akzeptabel sind oder Kundenverträge eine externe Verarbeitung des Codes ausschließen. Wer diese Einschränkungen nicht hat und maximale Leistung will, wird mit Copilot in der Regel schneller produktiv.
Tabnine ist der kommerzielle Wettbewerber, der Self-Hosting am längsten als Unternehmensangebot vermarktet. Er bietet ein ausgereiftes Enterprise-Paket mit Support, eigenen Modellen und Funktionen für Compliance, ist aber nicht quelloffen und in der Regel deutlich teurer als ein Tabby-Betrieb mit freier Edition. Continue ist eine quelloffene IDE-Erweiterung mit völlig freier Modellwahl. Sie bringt keinen eigenen zentralen Server mit, lässt sich aber mit selbst gehosteten Modellen kombinieren und ist bei Agentenfunktionen weiter. Refact.ai verfolgt einen ähnlichen Ansatz wie Tabby mit selbst hostbarem Server und eigenem Fokus auf Agenten.
In der Praxis schließen sich diese Werkzeuge nicht aus. Ein häufiges Muster ist ein zentraler, selbst betriebener Inferenzserver mit offenen Modellen, auf den Tabby für Vervollständigung und Wissenssuche zugreift und den einzelne Teams zusätzlich über Continue oder andere Werkzeuge für agentische Aufgaben nutzen. Die strategische Entscheidung lautet dann weniger, welches Plugin, sondern ob das Unternehmen eine eigene KI-Infrastruktur für die Entwicklung aufbauen will.
Tabby passt besonders gut zu Organisationen, die vier Merkmale erfüllen: Der Quellcode ist geschäftskritisch oder vertraglich geschützt, es gibt eine IT, die Server und Container betreiben kann, das Entwicklungsteam umfasst mindestens einige Personen, sodass sich ein zentraler Server lohnt, und die Erwartung an den Assistenten ist solide Alltagsunterstützung statt maximaler Autonomie. Weniger geeignet ist Tabby für sehr kleine Teams ohne IT-Betrieb, für Organisationen, die vor allem autonome Agenten für große Umbauten suchen, und für Umgebungen, in denen keine GPU-Ressourcen beschafft werden können. In diesen Fällen sind Cloud-Dienste mit europäischen Optionen oder Anbieter mit verwaltetem Self-Hosting oft die pragmatischere Lösung.
Die wichtigste Größe für den Betrieb ist der Grafikspeicher. Er bestimmt, wie große Modelle geladen werden können und wie viele Anfragen parallel bedient werden. Für einen ersten Test genügt oft eine einzelne leistungsfähige Arbeitsplatzgrafikkarte oder ein Mac mit Apple Silicon. Für den Teambetrieb mit Vervollständigung und Chat empfiehlt sich ein Server mit einer oder mehreren Rechenzentrums- oder Workstation-GPUs, damit beide Modellrollen ohne spürbare Wartezeiten bedient werden. Ein Betrieb nur auf CPU ist technisch möglich, für flüssige Vervollständigung in der Praxis aber meist zu langsam.
Bei der Wahl des Standorts gibt es drei gängige Varianten. Ein eigener Server im Haus bietet maximale Kontrolle, verlangt aber Strom, Kühlung, Ersatzteilversorgung und jemanden, der sich kümmert. Eine dedizierte GPU-Maschine bei einem deutschen Rechenzentrumsbetreiber verbindet Kontrolle mit professioneller Infrastruktur, hier ist ein Auftragsverarbeitungsvertrag mit dem Hoster zu schließen. GPU-Instanzen in europäischen Cloud-Regionen sind am flexibelsten, etwa um Lastspitzen abzufangen oder Modelle zu testen, setzen aber eine saubere Prüfung des Cloud-Anbieters voraus. Die passende Größe ermitteln wir in Projekten immer anhand eines Pilotbetriebs, weil Teamgröße, Nutzungsintensität und Modellwahl stark variieren.
Technisch wird Tabby meist als Docker-Container oder in Kubernetes betrieben, ergänzt um einen vorgeschalteten Reverse Proxy mit TLS. Die Daten des Servers, also Konfiguration, Benutzer, Indizes und heruntergeladene Modelle, liegen in einem Verzeichnis, das in Backups einbezogen werden sollte. Der Server sollte nur aus dem internen Netz oder über VPN erreichbar sein, Anmeldungen sollten über das bestehende Identitätsmanagement laufen, und persönliche Zugangstoken sind wie Passwörter zu behandeln.
Für den laufenden Betrieb sind drei Aufgaben zentral. Erstens Updates: Tabby entwickelt sich schnell, neue Versionen bringen Funktionen und Sicherheitskorrekturen, sollten aber vor dem Einspielen kurz getestet werden. Zweitens Modellpflege: Mehrmals im Jahr erscheinen bessere offene Modelle, deren Einsatz geprüft werden sollte, inklusive Lizenz. Drittens Telemetrie und Logging: Prüfen Sie, welche anonymisierten Nutzungsdaten die Software standardmäßig an den Hersteller meldet, schalten Sie diese bei Bedarf per Konfiguration ab, und legen Sie fest, ob und wie lange Anfragen und Antworten auf dem eigenen Server protokolliert werden. Gerade die Protokollierung ist für Betriebsrat und Datenschutz relevant, weil sie Rückschlüsse auf die Arbeit einzelner Personen erlauben kann.
Ein Maschinenbauer mit einem Entwicklungsteam von rund zwei Dutzend Personen möchte KI-Unterstützung einführen, die Geschäftsführung lehnt Cloud-Dienste für den Steuerungscode jedoch ab. Im Pilot wird ein GPU-Server im eigenen Rechenzentrum aufgesetzt, Tabby an das hauseigene GitLab angebunden und mit einem kompakten Code-Modell für die Vervollständigung sowie einem größeren Modell für den Chat betrieben. Nach einigen Wochen zeigt sich ein typisches Bild: Die Vervollständigung wird von den meisten Entwicklern im Alltag genutzt, besonders bei Testcode, Datenstrukturen und wiederkehrenden Mustern. Der Chat wird vor allem zum Verstehen älterer Module und zum Erzeugen von Dokumentation eingesetzt. Komplexe Änderungen an zentralen Komponenten bleiben weiterhin Handarbeit, was das Team ausdrücklich begrüßt.
Entscheidend für den Erfolg sind hier nicht spektakuläre Funktionen, sondern unspektakuläre Rahmenbedingungen: ein Betriebsrat, der früh eingebunden wurde und eine Vereinbarung zum Verzicht auf individuelle Leistungsauswertung erhalten hat, eine kurze Schulung zu Stärken und Grenzen des Werkzeugs und ein interner Ansprechpartner, der Rückmeldungen sammelt und Modelle nachjustiert.
Eine Digitalagentur mit gemischten Teams aus Frontend-, Backend- und Shop-Entwicklern betreut Projekte für zahlreiche Kunden. Mehrere Rahmenverträge verbieten die Weitergabe von Quellcode an Dritte ohne Zustimmung. Statt für jeden Kunden einzeln eine Freigabe für einen Cloud-Assistenten einzuholen, betreibt die Agentur Tabby auf einer dedizierten GPU-Maschine bei einem deutschen Rechenzentrumsbetreiber, mit dem bereits ein Auftragsverarbeitungsvertrag besteht. Kontextquellen werden projektbezogen eingerichtet, damit die Wissenssuche keine Informationen zwischen Kundenprojekten vermischt. Für interne Projekte ohne Vertragsbeschränkung nutzt die Agentur parallel einen Cloud-Assistenten, für Kundenprojekte mit Geheimhaltung ausschließlich Tabby. Diese Zweiteilung ist pragmatisch und für Kunden gut erklärbar.
Die Kostenstruktur verstehen. Die Community-Edition ist kostenlos, die Team- und Enterprise-Editionen werden nach Nutzern oder individuell lizenziert. Aktuelle Preise und Benutzergrenzen sollten Sie direkt beim Hersteller prüfen, da sie sich wiederholt geändert haben. Wesentlicher als die Lizenz sind meist die übrigen Kostenblöcke: GPU-Hardware oder gemietete GPU-Kapazität, Strom und Kühlung im Eigenbetrieb, der Aufwand für Einrichtung, Härtung und Dokumentation sowie der laufende Betrieb mit Updates, Modellpflege und Nutzerbetreuung.
Daraus folgt eine einfache Faustregel. Für sehr kleine Teams ist ein Cloud-Assistent in der Regel günstiger, weil sich die Fixkosten eines GPU-Servers auf zu wenige Nutzer verteilen. Mit wachsender Teamgröße kippt die Rechnung zugunsten des Eigenbetriebs, zumal ein einmal aufgebauter GPU-Server auch für andere KI-Anwendungen im Unternehmen genutzt werden kann, etwa für interne Wissensassistenten oder Dokumentenverarbeitung. Wo genau der Wendepunkt liegt, hängt von Hardwarepreisen, Teamgröße und vorhandener IT-Kompetenz ab und sollte im Einzelfall durchgerechnet werden.
Der große Vorteil von Tabby liegt darin, dass bei konsequentem Eigenbetrieb keine Daten an den Hersteller oder einen Modellanbieter übertragen werden. Damit entfallen die Fragen, die bei Cloud-Assistenten am meisten Zeit kosten: kein Drittlandtransfer in die USA oder andere Staaten, keine Prüfung von Standardvertragsklauseln und Transfer-Folgenabschätzungen für den Assistenten selbst, keine Abhängigkeit von Zusagen zum Ausschluss der Trainingsnutzung und keine neuen Subprozessoren in der Kette. Der Code, die Prompts und die Antworten bleiben auf Ihrer Infrastruktur.
Das heißt nicht, dass Datenschutz keine Rolle mehr spielt. Quellcode enthält gelegentlich personenbezogene Daten, etwa Namen in Kommentaren, Testdaten oder Zugangsdaten, und auf dem Tabby-Server entstehen Benutzerkonten, Nutzungsstatistiken und gegebenenfalls Protokolle von Anfragen. Diese Verarbeitung gehört ins Verzeichnis der Verarbeitungstätigkeiten, braucht eine Rechtsgrundlage und klare Löschfristen. Wird der Server bei einem Hoster betrieben, ist mit diesem ein Auftragsverarbeitungsvertrag zu schließen, bevorzugt mit einem Anbieter mit Rechenzentren in Deutschland oder der EU. Werden externe Modell-Endpunkte angebunden, gelten für diese die üblichen Prüfungen zu Serverstandort, Auftragsverarbeitung und Trainingsnutzung.
Beim Schutz des eigenen geistigen Eigentums ist Tabby im Vorteil: Wenn Code das Unternehmen nicht verlässt, kann er auch nicht zum Training fremder Modelle genutzt oder durch Fehlkonfigurationen beim Anbieter offengelegt werden. Das stärkt den Schutz von Geschäftsgeheimnissen, der angemessene Geheimhaltungsmaßnahmen voraussetzt. Offen bleiben die allgemeinen Fragen zu KI-generiertem Code: Ob daran Urheberrechte entstehen, ist rechtlich nicht abschließend geklärt, und offene Modelle können in seltenen Fällen Code reproduzieren, der fremden Lizenzen unterliegt. Für ausgelieferte Software empfehlen sich deshalb Lizenz-Scans und eine dokumentierte Review-Praxis.
Hinzu kommen die Lizenzen der Modelle selbst, die wie in Kapitel 04 beschrieben teils Nutzungsbeschränkungen enthalten, sowie die Pflichten aus dem EU AI Act. Für Unternehmen, die Tabby als Werkzeug einsetzen, steht dabei vor allem die Pflicht im Vordergrund, für ausreichende KI-Kompetenz der Mitarbeitenden zu sorgen. Schulungen zum Umgang mit dem Coding-Assistenten, seinen Grenzen und den internen Regeln lassen sich gut in entsprechende Kompetenzprogramme einbinden. Ob ein konkreter Einsatz darüber hinaus Pflichten auslöst, sollte im Einzelfall geprüft werden.
