Eine ehrliche Zwischenbilanz aus der täglichen Produktionsarbeit. Bild und Video: ja. Sprachmodelle: noch nicht.
In vielen Betrieben scheidet die Bild- und Videogenerierung über öffentliche Modelle schlicht aus — Betriebsgeheimnisse, Vorserien-Stände, Kundendaten, NDA-Bindung. Der Upload in einen fremden Dienst ist dort keine Option, unabhängig davon, wie gut das Ergebnis wäre.
Genau diese Lücke lässt sich heute lokal schließen. Aktuelle Bildmodelle laufen auf eigener Hardware und erreichen dabei die Spitzengruppe:
Ein Hinweis, den man bei der Modellwahl nicht überspringen sollte: Offene Gewichte heißen nicht automatisch kommerziell nutzbar. Die Lizenz gehört genauso in die Auswahl wie die Bildqualität — und sie unterscheidet sich von Modell zu Modell.
Der entscheidende Punkt ist die Größe: Bildmodelle dieser Klasse liegen zwischen neun und zweiunddreißig Milliarden Parametern. Das passt auf eine Workstation-GPU. Damit ist lokale Bildproduktion keine Kompromisslösung mehr, sondern eine Frage der Pipeline.
Gebaut wird das mit ComfyUI-Pipelines: Stilkonsistenz, Serienfähigkeit, reproduzierbare Ergebnisse — dieselbe Arbeitsweise wie mit einem Cloud-Dienst, nur im eigenen Haus.
Bei Sprachmodellen sieht es anders aus — und ich sage das deutlich, weil im Markt gern das Gegenteil versprochen wird.
Der Grund ist nicht, dass offene Modelle schlecht wären. Sie sind gut; der Abstand zur geschlossenen Spitze beträgt im Schnitt nur wenige Monate. Das Problem ist ihre Größe. Modelle, die qualitativ mit den Cloud-Frontier-Modellen mithalten, liegen bei mehreren hundert Milliarden bis über einer Billion Parametern.
Was das für Hardware bedeutet: Als Faustregel braucht ein Modell rund ein halbes Gigabyte Videospeicher je Milliarde Parameter — stark quantisiert. Eine Karte mit 32 GB VRAM trägt damit Modelle im Bereich von 14 bis 32 Milliarden Parametern. Das ist ungefähr zwei Größenordnungen unter dem, was frontier-tauglich wäre.
Erst spezialisierte Hardware verschiebt diese Grenze — und zwar deutlich im Preis: NVIDIAs DGX Spark liegt bei rund 4.700 US-Dollar, die DGX Station mit 748 GB kohärentem Speicher spielt in einer anderen Liga, technisch wie finanziell.
Mein Fazit für den produktiven Einsatz: Für agentische Workflows, die verlässliches Tool-Use und MCP-Anbindung brauchen, ist lokal derzeit nicht das erreichbar, was man aus der Cloud gewohnt ist. Alles andere zu behaupten, wäre unredlich.
Diese Einschätzung stammt nicht aus Datenblättern. Ich betreibe eine eigene Benchmark-Umgebung, in der lokale Sprachmodelle gegeneinander antreten — mit Schwerpunkt auf dem, was in agentischen Workflows tatsächlich zählt: verlässliches Tool-Use, MCP-Anbindung, Verhalten unter Regel-Druck, Stabilität über lange Kontexte.
Die Ergebnisse fließen direkt in meine Produktionsentscheidungen ein — und in die Artikel hier auf der Seite.
Bild und Video lokal — das setze ich ein, wo Datenschutz es verlangt.
Sprachmodelle lokal — das beobachte und teste ich, empfehle es aber derzeit nicht für den produktiven Kern.
Die Grenze verschiebt sich. Ich schreibe darüber, sobald sie sich verschiebt.
Stand: August 2026. Quellen: Ideogram-4.0-Ankündigung; Krea-2-Ankündigung; Analysen zum Abstand offener und geschlossener Modelle (Q2 2026); VRAM-Richtwerte für lokale Sprachmodelle 2026; NVIDIA-DGX-Preisangaben (Stand Februar 2026).