Die Tools sind bereits kostenlos – warum mieten dann alle?

Select Language:

Deutsch Français Italiano Español Nederlands Polski Svenska English Ελληνικά

Ein Freitagshack in Berlin legte eine Lücke offen zwischen dem, was Entwickler wählen, und dem, was die Industrie ihnen verkauft

Am Freitag, den 23. Oktober, ging ich zu meiner allerersten Global AI Community-Konferenz — einem „Graphs Gone Wild“ Mini-Hack an der CODE University in Berlin, organisiert von Global AI Berlin mit Microsoft und Neo4j als Sponsoren [11][21]. Der Raum war wunderbar: gemischtes Alter, unterschiedliche Hintergründe, Reihen offen stehender Laptops, Leute, die kleine Prototypen bauten und sie Fremden zeigten. Als Enthusiast für KI und Computer fühlte ich mich wirklich zu Hause.

Was mich überraschte, war nicht die auf der Agenda stehende Graphdatenbank — Neo4j ist ein bemerkenswertes Stück Ingenieurskunst [21]. Es waren die Laptops um mich herum. Fast alle arbeiteten mit Claude, Copilot oder Gemini. Kein GLM-Terminal in Sicht. Kein MiMo-Tab geöffnet.

Ich dachte immer wieder: Das sind auf den Bildschirmen voll intelligente Modelle. Aber sie liegen nicht so weit über der Intelligenz von Modellen, die fast hundertmal weniger kosten [1]. Etwas anderes wählte diese Modelle — und es war nicht die Qualität pro Token.

Die Preislücke ist real und enorm

Lassen Sie uns die Mathematik machen, die auf einer Kongressmesse selten gemacht wird.

Anthropics eigene Preisübersicht listet Claude Opus 5.5 mit $4 pro Million Eingabe-Token und $20 pro Million Ausgabe [1]. Googles Gemini 3.1 Pro kostet $2/$12 [6]. Nun die andere Spalte: Z.ais GLM-5.3 kostet $1.40/$4.40, und GLM-5.3-Flash fällt auf $0.15/$0.50 [5]. Xiaomis MiMo-V2.6-Pro liegt bei ungefähr $0.44 eingehend, $0.87 ausgehend, mit der Flash-Stufe bei $0.14/$0.28 [7][19]. Die Gewichte selbst sind unter MIT-Lizenz — kostenlos zum Herunterladen, kostenlos im Betrieb, für immer [19].

Also habe ich etwas Konkretes getan. Ich habe letzten Monat 12,2 Milliarden Tokens verbrannt und diesen Monat bin ich bereits über 10,5 Milliarden [1]. Bei einer groben 70/30-Aufteilung Eingabe zu Ausgabe, hier die Kosten für diesen Monat:

(Die Berechnung stammt von mir, basierend auf veröffentlichten Tariflisten — Ihre genaue Aufteilung wird die Zahlen verschieben, aber nicht die Struktur.) Gegenüber der günstigsten fähigen Stufe sprechen wir von einem 15- bis 35-fachen Unterschied, und gegenüber der alten Opus-Preisgestaltung nähert es sich der Behauptung, dass es „fast hundertmal günstiger“ sei, die ich beim Verlassen dieses Saals aufgestellt habe [1]. Nach Xiaomis eigener Rechnung läuft das Flaggschiff von MiMo mit 1/20 bis 1/60 der Kosten führender internationaler Modelle mit vergleichbarer Intelligenz [19]. Artificial Analysis veranschlagt MiMo-V2.6-Pro grob mit $0.13 pro Benchmark-Aufgabe, während Claude Opus 5 und GPT-6 Astra bei $3–$8 pro Aufgabe liegen [13][19].

Für ein Team von drei Personen bei meinem Nutzungsaufkommen multiplizieren Sie diese Zeilen mit drei: über $324.000 pro Monat bei Opus 5.5, gegenüber etwa $9.400 bei GLM-5.3-Flash. Das ist kein Rundungsfehler. Das ist eine andere Ökonomie.

Aber sind sie tatsächlich so gut? (Die ehrliche Antwort: fast)

Hier muss ich fair gegenüber den Laptops um mich herum sein.

Die Spitze führt weiterhin. Im Artificial Analysis Intelligence Index erzielt Claude Opus 5.5 58 Punkte; das beste Open-Weight-Modell, Xiaomis MiMo-V2.6-Pro, erzielt 46 [13]. Maxime Labonnes Verfolgung der offenen Spitze stellt es klar: sechs geschlossene Modelle übertreffen weiterhin jedes offene Modell, und „geschlossene Modelle behalten immer noch einen deutlichen Vorsprung bei realen agentischen Programmieraufgaben“ [16].

Aber die Lücke ist von einem Abgrund zu einer Stufe zusammengeschrumpft. VentureBeats Gegenüberstellung von GLM-5.2 zeigte, dass es *schlägt* GPT-5.5 bei SWE-bench Pro (62.1 vs 58.6), beim Abschluss langfristiger Aufgaben und bei Benchmarks zur Werkzeugnutzung — bei etwa einem Sechstel der Kosten [8]. Labonnes eigene Daten zeigen, dass offene Modelle der geschlossenen Spitze nur um 6–8 Indexpunkte nachstehen [16]. In einzelnen Fällen, wie ich in jener Halle sagte, können günstige Modelle Opus übertreffen. Im Durchschnitt blamieren sie es nicht mehr.

GLM-5.3 verdient einen eigenen Absatz

GLM-5.3 ist das Modell, das ich auf keinem einzigen Laptop in Berlin gesehen habe, und es ist jenes, auf das die Daten immer wieder hinweisen. Im Artificial Analysis Intelligence Index erreicht es 45 — Platz drei von 121 Modellen [13]. Sein Coding Index liegt bei 74,8 und sein Agentic Index bei 53,1 [7] — beides liegt genau im Bereich, den man von einem Spitzenwerkzeug erwarten würde, bei $1.40/$4.40 statt $4/$20. Im GPQA Diamond erreicht es 91,7% [7]. Z.ais eigene Zahlen, von VentureBeat reproduziert, zeigten, dass GLM-5.2 — der Vorgänger — GPT-5.5 bei SWE-bench Pro schlug; GLM-5.3 hat diese Linie geerbt und weiter vorangetrieben [8].

Zwei ehrliche Vorbehalte: Artificial Analysis stuft GLM-5.3 als „besonders teuer“ für ein Open-Weight-Modell* und „sehr wortreich“ (210M Output-Token vs. einem Median von 140M) [13] — Wortreichheit schmälert die Einsparungen pro Token. Und Z.ai hat seitdem GLM-5.3-Prime hinzugefügt, eine Hochgeschwindigkeits-Serving-Schicht, die die gleichen Gewichte* zum genau doppelten Preis ($2.80/$8.80) [7] betreibt. Die Ironie schreibt sich von selbst: Selbst das günstige Modell hat jetzt eine Premium-Geschwindigkeitsspur.

Auch das Argument der Werkzeuge ist wichtig

GLM spricht die Anthropic Messages API nativ, was bedeutet, dass es direkt in Claude-Code-ähnliche Harnesses einsteigt — dieselben Agenten-Workflows — ohne proprietären Käfig [8]. Was in Frontier-Produkten oft als „restriktive Tooling“ bezeichnet wird, ist keine technische Notwendigkeit. Es ist ein Geschäftsmodell.

Der vollständige Vergleich aus fünf Blickwinkeln

Cleveres Einkaufen lässt sich nicht mit einer einzigen Zahl ausdrücken. Hier ist die Multi-Achsen-Ansicht:

Zwei Dinge fallen auf. Erstens, MiMos Cache-Rabatt ist absurd — $0.0036 pro Million zwischengespeicherter Tokens [19] — und agentenbasiertes Programmieren liest ständig dasselbe Repository erneut ein, sodass der *effektive* Eingabepreis für Agenten-Workloads nur ein Bruchteil selbst des günstigen Listenpreises ist. Zweitens erreichen GLM und MiMo Frontier-Kontext (1M+) im günstigen Tarif, während Gemini oberhalb von 200K Tokens mehr berechnet [6] — ein versteckter Kostenfaktor, der den teuren Anbieter belohnt.

Warum mietet jeder die teuren Sachen?

Wenn die wirtschaftlichen Verhältnisse so einseitig sind, hätte der Konferenzraum anders ausgesehen. Vier Kräfte erklären die Lücke.

Die Pakete können Ihre Tokens nicht mittragen — das ist so beabsichtigt.

Jedes große „claw“-Tool — Claude Code, Codex, GitHub Copilot — verkauft ein Abonnement, keine reinen Tokens. Claude Code wird mit Claude Pro ($17–20/Monat) oder Max ($100–200/Monat) angeboten, aber die Nutzung wird in einem rollierenden Fünf-Stunden-Sitzungsfenster sowie durch wöchentliche Obergrenzen gemessen [1]. Codex ist in ChatGPT-Pläne eingebunden (Plus ~$20, Pro $100–200) mit 10–60 Cloud-Aufgaben pro Fünf-Stunden-Fenster in der Einstiegsklasse [20]. GitHub Copilot verlangt pro Nutzer ($10–100/Monat) sowie GitHub AI Credits zu je $0.01 für Agentenarbeit [24].

Setzen Sie nun meine Nutzung durch diese Limits. 12,2 Milliarden Tokens pro Monat entsprechen ungefähr 400 Millionen Tokens pro Tag [1]. Kein Flatrate-Tarif auf der Welt stellt das dar. Überschreiten Sie das Zeitfenster, werden Sie entweder gedrosselt oder zahlen pro Token zu API-Preisen — $4/$20 auf Opus 5.5 [1] — was bedeutet, dass das „unbegrenzte“ Gefühl eines $20-Abos in dem Moment verfliegt, in dem Sie so arbeiten wie ich.

Beobachten Sie, was mit den effektiven Kosten pro Token passiert, wenn das Limit seine Arbeit tut. Ein einzelner Max-20x-Claude-Sitz kostet $200/Monat [1]. Und hier ist der Teil, den die Anbieter nicht auf der Preis-Seite drucken: niemand veröffentlicht, wie hoch das Limit tatsächlich ist. Anthropic beschreibt es als „rollierendes fünfstündiges Sitzungsfenster plus wöchentliche Beschränkungen“ [1] — aber nirgendwo erscheint eine Token-Zahl. Die Obergrenze ist ein Firmengeheimnis, wird nach einem Zeitplan zurückgesetzt, den Sie nicht auditieren können, und nach Ermessen des Anbieters angepasst. Um die Rechnung konkret zu machen, nehmen wir an — und diese Annahme ist bewusst für Sie, die Leserin/den Leser, sichtbar, genau weil Anthropic uns keine echte Zahl geben wird* — großzügige 500 Millionen Tokens pro Paketzyklus. Bei dieser angenommenen Zuteilung ergibt sich Ihr effektiver Tarif innerhalb des Fensters zu $0.40 pro Million Tokens. Überschreiten Sie die unveröffentlichte Schwelle, und die marginalen Tokens desselben Sitzes werden mit $4 Input / $20 Output berechnet — ein fünfzigfacher Sprung über Nacht, durch ein Limit, das Ihnen nie mitgeteilt wurde. Mein eigener Verbrauch, 400 Millionen Tokens pro Tag* [1], würde dieses angenommene Paket in sechsunddreißig Tagen erschöpfen — nein, in sechsunddreißig Stunden; die verbleibenden neunundzwanzig Tage des Monats werden zu vollen API-Preisen berechnet, wodurch die effektiven Kosten des Sitzes von $200 auf die in der obigen Tabelle genannte $108,000-Einzelbenutzer-Zahl zusteuern.

Das ist die Falle, die im Wort „included.“ steckt. Die Obergrenze ist kein Limit für Ihre Ausgaben — sie ist eine Begrenzung Ihres Rabatts, bewacht von einer undurchsichtigen Zahl, die nur der Anbieter kennt. Sie kaufen kein Werkzeug; Sie mieten eine Erlaubnis zu einem Preis, der sich nach dem Belieben anderer richtet. Überschreiten Sie diese Grenze, war das Abonnement nie ein echtes Abonnement. Es war ein Tarif nach Verbrauch, der eine freundliche monatliche Zahl trug.

Diese Obergrenzen sind keine technische Beschränkung. Sie sind die Eintrittsgebühr zu den eigentlichen Preisen — und die Rechnung ist unlesbar, bis sie eintrifft. Das sind belastende Ausgaben, als Komfort getarnt, und die Undurchsichtigkeit ist Absicht: Ein Kunde, der die Obergrenze nicht sehen kann, kann sie nicht vergleichen.

Werbung im industriellen Maßstab

CNBC berichtete, dass Microsoft und Google einzelnen Creators $400.000–$600.000 für mehrmonatige Promotionsdeals gezahlt haben, während generative-AI-Plattformen 2025 über 1 Milliarde Dollar für digitale US-Werbung ausgaben — ein Anstieg von 126 % im Jahresvergleich [4]. Anthropic wird als „eine der aggressiveren“ im Creator-Marketing beschrieben [4]; eine Analyse zählte 31 gesponserte Creators, die 50 #ClaudePartner-Beiträge veröffentlichten, meist Influencer der Mittelstufe [9]. Und nun tragen die Produkte selbst Werbung: OpenAI begann Anfang 2026 mit Tests von Anzeigen innerhalb von ChatGPT, passend zum Thema Ihrer Gespräche [12]. Zu Anthropics Kredit: Es hat öffentlich zugesichert, dass Claude werbefrei bleibt [14] — aber Influencer-Checks gehen in jedem Fall durch. Business Insider dokumentierte, dass Creators mit Gegenreaktionen ihres Publikums konfrontiert waren, einige verlangten eine Risikoaufschlag von 20–30 % , um überhaupt KI-Sponsoring zu posten [23].

Als Empfehlungen getarnte Voreinstellungen

OpenAI kündigte an, dass GPT-5.6 zum „bevorzugten Modell“ für Microsoft 365 Copilot werden würde [20]. CNBC erhielt ein internes Microsoft-Memo, das Entwickler anweist, standardmäßig auf OpenAIs Flaggschiff zu setzen: *„Die Verlagerung weiterer Arbeitslasten auf OpenAI-Modelle hilft uns, größeren Wert aus unserer Token-Investition zu ziehen“* [15]. Das ist keine Entscheidung eines Entwicklers für das beste Werkzeug. Das ist eine Partnerschaft, die für sie entscheidet.

Ranglisten, die manipuliert werden können

Die Studie The Leaderboard Illusion stellte fest, dass Meta 27 private Varianten von Llama-4 testete, bevor nur die bestplatzierte veröffentlicht wurde, und schätzte, dass Google und OpenAI 19,2 % bzw. 20,4 % aller Chatbot Arena-Daten erhielten, während 83 offene Modelle 29,7 % teilten [3][18]. Wenn die Rangliste verzerrt ist, folgt der Raum der Rangliste.

Die Boxen sind die Falle

Auf der Konferenz hörte ich immer wieder großartige Ideen — Aufgabenverwaltung, automatisierte Workflows — die alle in gehosteten Boxen zusammengebaut wurden: ein Server, den man mietet, eine Datenbank, die man nicht besitzt, eine „Klaue“, die man abonniert [1]. Ich sah diese geschlossenen Gärten früh in meiner eigenen KI-Reise, bei ChatGPT und Perplexity, und meine Reaktion damals ist meine Reaktion jetzt: umständlich, überladen und fehlerhaft — wahrscheinlich, weil es genau darum geht, dass du es *nicht* selbst auf einem günstigen Server hosten kannst [1].

Die Daten sagen, das ist Absicht, kein Zufall. Eine Zapier-Umfrage unter 542 Führungskräften ergab 81 % machten sich Sorgen über Abhängigkeit von KI-Anbietern, 47 % würden eine zentrale Geschäfts­funktion verlieren, wenn ihr Anbieter ausfiele, und nur 6 % könnten ohne Unterbrechung wechseln [17]. Lock-in entsteht jetzt auf der Workflow‑Ebene in etwa 18 Monaten — weniger als halb so lange wie es beim Cloud‑Lock‑in dauerte [17]. Die Ware ist das Modell. Die Plattform ist die Falle.

Und der Ausstieg ist möglich. Die Amortisation fürs Self-Hosting gegenüber den Premium-API-Preisen liegt bei etwa 5–10 Millionen Tokens pro Tag [22]. Ich verbrauche ungefähr 400 Millionen am Tag. Für Vielnutzer ist das finanzielle Argument für den Besitz des eigenen Stacks klar überlegen.

Und man braucht nicht einmal das beste günstige Modell

Hier ist der Punkt, den die Branche nicht möchte, dass Sie ihn bemerken: GLM-5.3 und MiMo sind das fähigere* Ende des günstigen Spektrums. Unter ihnen liegt eine ganze Schicht — DeepSeek’s Flash-Varianten, MiniMax, Qwen, die kleineren GLM-Flash- und MiMo-Flash-Modelle — die bei $0.10–$0.50 pro Million Tokens laufen [2][5]. Zum Entwerfen, Zusammenfassen, Klassifizieren, für Standardtexte, erste Durchläufe bei klar abgegrenzten Aufgaben sind diese Modelle mehr als ausreichend. Der einzige Grund, alles* durch ein $20-Ausgabe‑Flaggschiff zu leiten, ist Gewohnheit, Marketing oder ein Standard, den jemand anderes für dich gewählt hat.

Diese Kästen beschränken, komprimieren und unterdrücken Talente und Chancen [1] — nicht weil die Modelle darin schwach wären, sondern weil die Mauern drumherum entscheiden, wer bauen darf, zu welchem Preis und auf wessen Infrastruktur.

Die Bestenliste, die sich niemand kaufen kann

Hier wird die Geschichte hoffnungsvoll — und sie führt zurück zu jenen Laptops.

Sieh dir OpenRouter’s Live-Rankings an, gemessen an Tokens, die tatsächlich von Millionen Entwicklern verarbeitet wurden [2]. Die monatlichen Top-Modelle: DeepSeek V4.1 Flash, GLM 5.3 Flash, MiMo-V2.6-Flash, Tencents Hy4, eine weitere DeepSeek-Variante. In der Wochenansicht sind die Top fünf DeepSeek, DeepSeek, MiniMax, GLM — und Tencent. Claude Opus 5.5 belegt Rang sechs [2]. Nach Hersteller: DeepSeek 24,4% der Anfragen, dann Google, OpenAI, Z.ai — Anthropic liegt mit 4,7% zurück [2].

Niemand hat diese Platzierungen gesponsert. Entwickler haben mit ihren Tokens abgestimmt — für Kosten, für Leistungsfähigkeit, für die Freiheit zu wechseln. Andrej Karpathy selbst schlug diese Nutzungs-Rankings als schwerer zu manipulierende Alternative zur Chatbot Arena vor, weil jede geroutete Anfrage „direkt für eine Kombination aus Fähigkeit+Kosten stimmt“ [10].

Eine ehrliche Einschränkung: das Token-Volumen zeigt, was verwendet wird, nicht was am besten ist, und Varianten der kostenlosen Stufe blähen einige Zahlen auf [2]. Aber die Richtung ist unmissverständlich. Qwen, wie ich bereits erwähnte, ist vorhanden, aber schwächer — etwa 5,3% der Anfragen [2]. Der Markt hat bereits gesprochen; er spricht nur eine Sprache, die die Sponsoren nicht wiederholen.

Was Global AI fördern sollte

Ich verließ die Konferenz mit nichts als Wärme für die Menschen in diesem Raum. Aber meine Erwartung — und meine Botschaft an die Organisator*innen — ist folgende: Globale KI sollte die KI fördern, indem sie die Person fördert, nicht das Produkt [1].

Der Stack, der es einem Studierenden in jener Halle erlaubt, ein zu 100 % souveränes Aufgabensystem zu bauen, existiert bereits, ist MIT-lizenziert und kostet ein paar Cent [5][7][19]. Die Konferenz sagte sogar „verwendet welchen Stack ihr möchtet… oder etwas völlig Experimentelles“ [11]. Dann sollte das Lehren der Einladung entsprechen: nutzt die günstigen Modelle, besitzt die Datenbank, verdrahtet es selbst auf Hardware, die ihr kontrolliert.

Von Natur aus gehe ich meinen eigenen Weg, mit meinen eigenen Werkzeugen — Wissen, Fähigkeiten, Fertigkeiten, Erfahrungen, die niemand mir rücklizenzieren kann [1]. Das ist keine Eigentümlichkeit. Im Jahr 2026, da die Werkzeuge bereits frei sind, sollte das die Normalität sein.

Befreit ihre Köpfe von finanziellen Sorgen, und Menschen öffnen sich und schaffen Neues [1]. Die Modelle sind bereit. Die Räume sind voll. Das Einzige, was noch zu mieten ist, ist die Erlaubnis.

—

Quellen

[1] Anthropic. (2026). Pläne & Preise. Claude by Anthropic. https://claude.com/pricing — kombiniert mit persönlichen Nutzungszahlen und Beobachtungen aus der eigenen Sprachaufnahme des Autors (noteshelf_recording.m4a; 12,2 Mrd. Tokens/Monat, Beobachtung „boxes“, Souveränitätsargument).

[2] OpenRouter. (2026). LLM-Rankings — Live-Ranglisten basierend auf realer Nutzung (Daten bis 24. Okt. 2026). OpenRouter, Inc. https://openrouter.ai/rankings

[3] Singh, S., Nan, Y., Wang, A., D’Souza, D., Kapoor, S., Üstün, A., Koyejo, S., Deng, Y., Longpre, S., Smith, N. A., Ermis, B., Fadaee, M., & Hooker, S. (2025). Die Ranglisten-Illusion. arXiv-Preprint arXiv:2504.20879. https://doi.org/10.48550/arXiv.2504.20879

[4] Vallese, Z. (2026, 6. Februar). Google und Microsoft bieten lukrative Deals zur Förderung von KI an, doch selbst 500.000 $ können einige Creator nicht umstimmen. CNBC. https://www.cnbc.com/2026/02/06/google-microsoft-pay-creators-500000-and-more-to-promote-ai.html

[5] Z.AI. (2026). Preise — Übersicht. Z.AI Entwicklerdokumentation. https://docs.z.ai/guides/overview/pricing

[6] Google. (2026). Preise für die Gemini Developer API. Google AI für Entwickler. https://ai.google.dev/gemini-api/docs/pricing

[7] OpenRouter. (2026). MiMo-V2.6-Pro & GLM 5.3 — API-Preise & Benchmarks. https://openrouter.ai/xiaomi/mimo-v2.6-pro · https://openrouter.ai/z-ai/glm-5.3

[8] Franzen, C. (16. Juni 2026). Z.ai’s Open-Weights GLM-5.2 übertrifft GPT-5.5 in mehreren langfristigen Coding-Benchmarks bei einem Sechstel der Kosten. VentureBeat. https://venturebeat.com/technology/z-ais-open-weights-glm-5-2-beats-gpt-5-5-on-multiple-long-horizon-coding-benchmarks-for-1-6th-the-cost

[9] Mahoney, M. (30. Juni 2025). B2B-Influencer-Marketing-Fallstudie: Ein Blick in das Influencer-Marketing-Programm von Anthropic. Favikon. https://www.favikon.com/blog/inside-anthropic-influencer-marketing-program

[10] Willison, S. (30. April 2025). Die jüngste Kritik an der Chatbot-Arena verstehen. Simon Willison’s Weblog. https://simonwillison.net/2025/Apr/30/criticism-of-the-chatbot-arena/

[11] Global AI Community. (2026). Graphen außer Kontrolle. https://globalai.community/e/ack9t53d

[12] Perez, S. (9. Februar 2026). ChatGPT führt Anzeigen ein. TechCrunch. https://techcrunch.com/2026/02/09/chatgpt-rolls-out-ads/

[13] Artificial Analysis. (2026). Vergleich von KI-Modellen hinsichtlich Intelligenz, Leistung und Preis. https://artificialanalysis.ai/models

[14] Anthropic. (4. Februar 2026). Claude ist ein Raum zum Nachdenken. Anthropic. https://www.anthropic.com/news/claude-is-a-space-to-think

[15] Novet, J. (5. August 2026). Microsoft-AI-Manager fordert Entwickler auf, standardmäßig OpenAIs Top-Modell zu verwenden, im Rahmen einer Effizienzoffensive. CNBC. https://www.cnbc.com/2026/08/05/microsoft-makes-openai-gpt-5point6-sol-default-in-github-copilot-for-staff.html

[16] Labonne, M. (6. Juli 2026). Der Zustand der offenen Grenze. Maxime Labonnes Substack. https://maximelabonne.substack.com/p/the-state-of-the-open-frontier

[17] Gazivoda, D. (9. April 2026). Die Falle der KI-Infrastruktur: Wie die Big Three Ihre Engineering-Organisation stillschweigend in Abhängigkeit bringen. StepTo. https://stepto.net/blog/ai-vendor-lock-in-infrastructure-risk-2026

[18] Whitwam, R. (1. Mai 2025). Neue Studie beschuldigt LM Arena, seinen beliebten KI-Benchmark zu manipulieren. Ars Technica. https://arstechnica.com/ai/2025/05/researchers-claim-lm-arenas-ai-leaderboard-is-biased-against-open-models/

[19] eesel AI. (23. September 2026). Xiaomi MiMo V2.6 — Preisübersicht: Alle Pläne, Modelle und API-Kosten im Jahr 2026. eesel AI. https://www.eesel.ai/blog/xiaomi-mimo-v2-6-pricing

[20] OpenAI. (2026). Codex — KI-Programmierpartner. OpenAI. https://openai.com/codex/ · Ankündigung des bevorzugten Modells GPT-5.6: https://openai.com/index/gpt-5-6-preferred-model-microsoft-365-copilot/

[21] Zaid, Z. [Global AI Berlin]. (23. Oktober 2026). Graphs Gone Wild — Mini-Hack. Meetup / Global AI Berlin. https://www.meetup.com/de-DE/de-DE/global-ai-berlin/events/316500152/

[22] Lehmkämpfer, C. (1. Juni 2026). Open Source vs. geschlossene API — LLM-Kostenvergleich 2026. Lyceum Technology. https://lyceum.technology/magazine/open-source-vs-closed-api-llm-cost-comparison/

[23] Bradley, S., & Whateley, D. (20. August 2026). Die heißeste Debatte der Creator Economy: Können Influencer KI-Anzeigen posten, ohne ihre Fans zu entfremden? Business Insider. https://www.businessinsider.com/ai-brand-deals-chatgpt-claude-influencers-weigh-backlash-over-paychecks-2026-8

[24] GitHub. (2026). GitHub Copilot — Pläne & Preise. https://github.com/features/copilot/plans

KI-Hinweis — Dieser Artikel wurde mit Unterstützung von KI-Tools recherchiert, verfasst und redigiert. Alle Bilder und das im Artikel hervorgehobene Video wurden mit KI erzeugt und sind gemäß dem EU-KI-Gesetz als „AI Generated“ gekennzeichnet.