Open-Weight-Modelle schaffen 90 Prozent der Agenten-Workflow-Schritte, sagt Gartner, zu einem Bruchteil der Kosten

Die Behauptung kam am Dienstagmorgen auf. In einem Dokument mit dem Titel „Open-Weight Models Will Run 90% of Enterprise Agentic Workflow Steps“ argumentieren Gartner-Senior-Director Mark Petty und Group Vice President Raymond Paquet, dass die meiste Agentenarbeit Routine ist. Klassifizieren, Tool-Aufrufe, Weiterreichen, Prüfen und Abgleichen von Daten machen den Großteil aus. Open-Weight-Modelle, schreiben sie, „can handle hundreds of these routine steps for every one that needs frontier reasoning“. The Register berichtete am 3. November über das Dokument.

„Against the cheapest closed model at the same score, the open model costs a quarter as much. Against a frontier model run on every step, it costs as little as a twentieth“, schrieben die beiden.

Dann folgt der Vorbehalt, und der wiegt schwerer als die Zahl in der Überschrift. Die Analysten geben zu, dass aktuelle offene Modelle „can be more verbose and retry more often, so the saving per task against a frontier model is closer to five or six times“. Das ist immer noch ein großer Abstand. Aber es ist eine andere Größenordnung als die, die in den Medienberichten stand.

Wo Geld und Kontrolle zugleich weggehen

Gartners Argument dreht sich nicht allein um den Preis. Die Analysten sehen offene Gewichte zuerst als Frage der Datenkontrolle. „Years of workflow history are a large part of what an acquirer pays for in a SaaS company and every routine step sent to a frontier API moves a slice of it outside your perimeter. Open-weights preserve your control. The cost saving is a bonus.“ Ihre förmliche Planungsannahme lautet, dass bis 2030 90 Prozent der operativen Agenten-Workflow-Schritte in Unternehmen auf Open-Weight-Modellen laufen.

Diese Prognose steht quer zu den Frontier-Veröffentlichungen der vergangenen Woche. Tom's Hardware meldete am 3. November, dass Google Gemini 4 Carbon (high) im Intelligence Index V5 von Artificial Analysis 59 Punkte erreicht. Das ist ein Punkt mehr als Claude Opus 5.5 (max with fallback) und zwei mehr als OpenAIs GPT-6 Astra (max). Derselbe Artikel nennt für Gemini 4 Carbon Kosten von 7,76 Dollar pro Aufgabe, gegenüber 12,99 Dollar für Claude Fable 5.1. Das ist rund das 13-Fache des Preises pro Aufgabe von DeepSeek V4.1 Flash 1017 mit offenen Gewichten, das im selben Index 32 Punkte erreicht.

Gartners Antwort auf diese Lücke: Das Frontier-Modell wird zur Investitionsausgabe, das offene Modell zur Betriebsausgabe. „Frontier models will continue to have a role as the engine of research and development“, fasst The Register das Papier zusammen. Open-Weight-Modelle übernehmen, sobald die schwere Arbeit getan ist. Die Analysten verweisen außerdem auf Harnesses, also die Software, die jede Aufgabe an ein passendes Modell leitet, als den Ort, an dem der Produktwert am Ende landet.

Der Forschungs-Stack bewegt sich in dieselbe Richtung

Zwei arXiv-Papiere, eingereicht am 29. und 30. Oktober, legen nahe, dass sich auch die Trainingsseite entlang ähnlicher Linien umbaut. QUAL, ein Framework von Junhyeok Kang und 11 Mitautoren, behandelt einen Pool von Zeitreihen-Foundation-Modellen als Wahrscheinlichkeitsreferenz. Es transformiert die Prognosen jedes Mitglieds, bevor es sie zusammenführt. Auf GIFT-Eval meldet es Rückgänge von 7,4 Prozent bei der mittleren MASE der Mitglieder und von 9,8 Prozent beim CRPS. Training und Änderungen an den Modellen sind nicht nötig.

In einem zweiten Papier argumentieren Yuda Song und neun Mitautoren auf 67 Seiten, dass Pretraining, Midtraining, überwachtes Fine-Tuning und Reinforcement Learning unter einem einzigen likelihood-basierten Algorithmus Platz finden können. Damit schrumpft die Pipeline aus mehreren Stufen auf die Frage, mit welchen Daten wann trainiert wird.

Keines der beiden Papiere prüft Gartners Kostenthese. Beide zeigen in dieselbe Richtung: weniger maßgeschneiderte Stufen, mehr Wiederverwendung der Modelle, die es schon gibt.

Auch die Hardwareseite wettet darauf. The Robot Report meldete am 2. November, dass Tutor Intelligence in einer Series B unter Führung von Andreessen Horowitz 75.000.000 Dollar eingesammelt hat. Kunden zahlen stundenweise oder pro Griff, statt Roboter zu kaufen. Agility Robotics wiederum passierte am 2. November die Abstimmung zur SPAC-Fusion, mit mehr als 84 Prozent der abgegebenen Stimmen dafür. Das fusionierte Unternehmen soll am 5. November unter dem Kürzel AGLT an der Nasdaq starten, mit rund 465.000.000 Dollar Bruttokapital vor Abzügen. Keine der beiden Zahlen entscheidet, ob Routinearbeit auf billige Modelle wandert. Beide gehen davon aus, dass jemand die Kosten pro Aufgabe zählt.