Was braucht es wirklich, um ein KI-Modell lokal zu betreiben?

Das hängt vom Modell ab. Ein Modell mit 3,8 Milliarden Parametern wie Phi-4-mini läuft auf einer Laptop-CPU ohne GPU. Mittelgroße Modelle im Bereich von 20 bis 30 Milliarden Parametern mit Mixture-of-Experts-Architektur laufen problemlos auf einem Rechner mit einem modernen NPU oder 32 GB RAM. Größere Open-Weight-Frontier-Modelle benötigen weiterhin eine Workstation-GPU oder einen Server, der lokale Ansatz ist also real, aber begrenzt durch das, was man bereit ist zu betreiben.

Ist KI auf dem Gerät wirklich so gut wie die Cloud-Modelle?

An der absoluten Benchmark-Spitze nicht. Die größten gehosteten Modelle behalten die Führung bei den anspruchsvollsten Aufgaben in Sachen Schlussfolgern, Code und langen Kontexten. Der für die tägliche Arbeit entscheidende Abstand hat sich im Laufe von 2025 und 2026 jedoch deutlich verringert, und ein leistungsfähiges lokales Modell, das privat und kostenlos läuft, ist oft das bessere Werkzeug, auch wenn es nicht das intelligenteste verfügbare ist.

Warum könnte die Rückkehr zum persönlichen Computing ausbleiben?

Mehrere Kräfte ziehen in die andere Richtung: Hunderte Milliarden in Rechenzentrum-Investitionen, die durch Abonnements amortisiert werden wollen, Datengravitation, die den eigenen Verlauf auf fremden Servern hält, weiter wachsende Modellgrößen und Plattform-Lock-in, der den gehosteten Weg zum Standard macht. Die Hardware, um seine KI zu besitzen, ist vorhanden. Ob die meisten Menschen sie auch so nutzen, ist eine Entscheidung, keine Gewissheit.

Artificial Intelligence

Das Pendel schlägt zurück: KI und die Rückkehr des Personal Computers

By Anurag Verma•June 18, 2026

Das Pendel schwingt zurück: KI und die Rückkehr des Personalcomputers

Im Januar 1975 zeigte Popular Electronics den MITS Altair 8800 auf seinem Titel und nannte ihn den ersten Bausatz, der mit kommerziellen Maschinen mithalten konnte. Er kostete 395 Dollar. MITS nahm an einem einzigen Nachmittag vierhundert Bestellungen entgegen und verdiente in drei Wochen eine Viertelmillion Dollar. Davor bedeutete das Arbeiten mit einem Computer, Zeit auf einem Großrechner zu buchen und auf seinen Anteil an einer Maschine zu warten, die jemand anderem gehörte. Der Altair vollbrachte etwas Kleines und Gewaltiges zugleich: Er stellte den Computer auf Ihren Schreibtisch, und Sie mussten ihn mit niemandem teilen.

Ich habe den Großteil meiner Karriere auf der Infrastrukturseite des regulierten Finanzwesens verbracht, wo die Frage nie lautet, wie beeindruckend ein System aussieht, sondern wo die Macht tatsächlich liegt und wer sie kontrolliert. Von diesem Platz aus liest sich die Geschichte des Rechnens wie ein langer Streit über Standorte. Die Rechenleistung wandert immer wieder zwischen Zentrum und Peripherie hin und her, und gerade jetzt ist sie erneut in Bewegung.

Der bisherige Zyklus

Das Großrechner-Zeitalter war aus der Not heraus zentralisiert. Rechenleistung war knapp und teuer, also lebte sie in einem gläsernen Serverraum, und man mietete den Zugang dazu. Die Personalcomputer-Revolution durchbrach das. Der Altair legte die Lunte, der Apple II machte daraus einen Markt (VisiCalc, die erste Tabellenkalkulation, war die Anwendung, die die Maschine für Unternehmen attraktiv machte), und der IBM PC im August 1981 machte daraus eine Industrie. IBM verwendete Standardkomponenten und eine offene Architektur, lizenzierte ein Betriebssystem von einem kleinen Unternehmen namens Microsoft und übergab damit echte Rechenleistung an Einzelpersonen. Etwa zwei Jahrzehnte lang war die leistungsfähigste Maschine, die die meisten Menschen berührten, die auf dem eigenen Schreibtisch.

Dann schwang das Pendel wieder zurück, leise, und wir begrüßten es weitgehend. Die Cloud bedeutete, dass man keinen eigenen Server mehr betreiben musste. SaaS bedeutete, dass man seine Software nicht mehr besaß, sondern abonnierte. Das Smartphone, das persönlichste Gerät, das je gebaut wurde, entpuppte sich als Thin Client: ein schöner Bildschirm, der auf Rechenleistung und Daten zugreift, die irgendwo anders gespeichert sind. Nichts davon fühlte sich wie ein Verlust an. Es war praktisch, es synchronisierte sich, es sicherte sich selbst. Aber im Ergebnis wurden die meisten von uns wieder zu Mietern auf dem Computer eines anderen, und die Uhr tickte immer.

Die jüngste KI-Welle schob das Zentrum stärker als alles zuvor. Das Trainieren und Betreiben großer Modelle ist kapitalintensiv auf eine Art, die Macht in wenigen Händen konzentriert. Die Zahlen sprechen eine deutliche Sprache. Die Investitionsausgaben der Hyperscaler werden für 2026 auf über 600 Milliarden Dollar prognostiziert, ein Anstieg von rund 36 Prozent gegenüber 2025, wobei manche Schätzungen für die großen Vier allein 725 Milliarden Dollar erreichen. Etwa drei Viertel davon, rund 450 Milliarden Dollar, sind direkt an KI-Infrastruktur gebunden: GPUs, Rechenzentren, die physische Anlage der Intelligenz. Das ist der Mainframe-Glaspalast, im planetaren Maßstab neu errichtet. Wenn das Klügste, mit dem man sprechen kann, in einem Rechenzentrum lebt, das man nie sehen wird, ist man wieder zurück beim Buchen von Zeit auf dem Computer eines anderen.

Warum das Zurückschwingen des Pendels plausibel ist

Hier liegt das, was ich wirklich interessant finde. Dieselbe KI-Welle erzeugt auch die Bedingungen dafür, dass das Pendel in die andere Richtung ausschlägt.

Open-Weight-Modelle haben die Lücke schneller geschlossen, als fast jemand vorhergesagt hatte. Im Verlauf von 2025 und bis in das Jahr 2026 entwickelten sich Modellfamilien wie Qwen, DeepSeek, Llama und Gemma von interessant zu wirklich nützlich, und viele erreichen inzwischen auf realen Benchmarks das Niveau proprietärer Modelle. Was noch wichtiger ist: Sie laufen auf Hardware, die man selbst besitzt. Microsofts Phi-4-mini läuft mit 3,8 Milliarden Parametern auf einer Laptop-CPU ganz ohne GPU. Neuere Mixture-of-Experts-Architekturen ermöglichen es, ein großes Modell auf einem einzelnen Laptop mit viel Arbeitsspeicher zu betreiben, indem pro Token nur ein Bruchteil der Parameter aktiviert wird. Der praktische Konsens unter Menschen, die täglich damit arbeiten, lautet: Kleine, auf dem Gerät laufende Modelle sind für die Arbeit auf dem Gerät heute führend, ein Satz, der 2022 noch absurd geklungen hätte.

Die passende Hardware folgt auf dem Fuß. Copilot+-PCs sind durch eine integrierte NPU definiert, die 40 oder mehr Billionen Operationen pro Sekunde ausführt, und AI-PCs werden voraussichtlich 2025 knapp 40 Prozent des Marktes ausmachen und 2026 mehr als die Hälfte. Die Neural Engine wird zum Standardbestandteil des Rechners, wie es die Fließkommaeinheit und die GPU vor ihr wurden. Unbemerkt landet eine CPU-plus-NPU, die ein echtes Modell ausführen kann, auf immer mehr Schreibtischen.

Zusammengenommen ergibt sich etwas, das an 1981 erinnert: leistungsfähige Rechenkapazität, vollständig im eigenen Besitz, direkt vor einer einzelnen Person. Offene Gewichte bedeuten, dass man das Modell in Händen halten, es mit eigenen Daten feinabstimmen und ausführen kann, ohne um Erlaubnis zu bitten oder pro Token zu bezahlen. Ein persönlicher Agent kann für einen selbst arbeiten statt für die Plattform, die ihn betreibt.

Der eigentliche Gewinn ist persönliches Wachstum

Die Versuchung besteht darin, dies als Hardware-Geschichte über schnellere Chips zu betrachten. Das ist es nicht. Der frühe PC war bedeutsam wegen dessen, was eine motivierte Person plötzlich allein tun konnte: ein Unternehmen in einer Tabellenkalkulation modellieren, ein Dokument setzen, Software aus dem Schlafzimmer schreiben und veröffentlichen. Die Maschine verkürzte den Abstand zwischen einer Idee und einem funktionierenden Ergebnis.

Eine persönliche KI bewirkt dasselbe mit der Lücke zwischen Unwissenheit und Kompetenz. Eine einzelne Person mit einem leistungsfähigen lokalen Modell kann jetzt ein neues Fachgebiet erlernen, Code in einer Sprache debuggen, die sie noch nie verwendet hat, einen Vertrag entwerfen oder ein Produkt in einem Tempo prototypisieren, das früher ein Team oder eine Institution erforderte. Dieser Zinseszinseffekt ist der eigentliche Hebel. Er ist privat, er berechnet keine Gebühren pro Frage, und er gehört dir. Für jeden, der Fähigkeiten aufbauen statt Antworten mieten möchte, ändert das die Gleichung dessen, was eine einzelne entschlossene Person werden kann.

Die ehrlichen Vorbehalte

Ich verkaufe keine Unvermeidlichkeit. Die Kräfte, die zur Mitte ziehen, sind real und gut finanziert. Diese 600 Milliarden Dollar an Investitionsausgaben wollen monetarisiert werden, und der sauberste Weg dazu ist ein Abonnement, das man nie kündigt. Datengravitation ist hartnäckig: Verlauf, Dateien und Kontext liegen bereits auf fremden Servern, und man kommt nicht so leicht davon los. Frontier-Modelle wachsen weiter, sodass die allerbesten Fähigkeiten wahrscheinlich noch jahrelang gehostet bleiben werden. Und Platform-Lock-in ist gewollt, nicht zufällig. Der Standardweg wird immer der gehostete sein, denn bei Standardeinstellungen liegt das Geld.

Die Gegenbewegung ist also möglich, nicht garantiert. Der frühe PC hat das Computing nicht demokratisiert, weil die Technologie existierte. Er tat es, weil genug Menschen sich entschieden, die Maschine zu besitzen statt den Mainframe zu mieten. Die Hardware, um die eigene KI zu besitzen, wird jetzt ausgeliefert. Ob wir sie so nutzen, ist, wie 1981, eine Entscheidung. Ich weiß, auf welche ich wetten würde, dass sie mehr aufbaut.