Als im Dezember 2024 die Meldung durchging, dass Aleph Alpha und Cohere enger zusammenrücken, hab ich erstmal geschwiegen. Ehrlich gesagt wusste ich nicht so recht, was ich davon halten sollte. Drei Jahre lang wurde uns ein deutscher KI-Champion versprochen, und jetzt läuft die Geschichte auf eine enge Verzahnung mit einem kanadischen Anbieter hinaus. Sitzt du im Mittelstand und fragst dich, ob dich das betrifft? Kurze Antwort: nein. Die lange Antwort steht hier.
Ich helfe kleinen und mittleren Unternehmen, KI ohne Hype in ihre Abläufe zu bekommen, und die Frage „Sollen wir nicht den deutschen Anbieter nehmen, wegen Datenschutz und so?“ kriege ich seit 2023 in gefühlt jedem zweiten Erstgespräch. Meine Antwort hat sich mit dem Deal nicht geändert, meine Begründung schon. Falls du gerade erst einsteigst: unser No-Hype-Playbook für KI-Automatisierung im Mittelstand ist ein guter Startpunkt. Hier geht es ums Modell dahinter.
Der Deal in drei Sätzen: Was von Aleph Alpha nach der Fusion wirklich übrig bleibt
Drei Sätze, wie versprochen.
Erstens: Aleph Alpha wurde 2019 in Heidelberg gegründet, baute eigene große Sprachmodelle (die Luminous-Familie) und galt spätestens nach der Finanzierungsrunde 2023, angekündigt mit rund 500 Millionen Euro inklusive Förderzusagen, als „europäische Antwort auf OpenAI“. Zweitens: Im Dezember 2024 hat das Unternehmen einen erheblichen Teil seiner verbliebenen Mittel in Cohere gesteckt und ist damit, soweit öffentlich wurde, einer der größeren Anteilseigner des kanadischen Anbieters geworden. Drittens: Die eigenen Modelle werden nicht mehr mit dem Anspruch weiterentwickelt, mit OpenAI mitzuhalten. Aleph Alpha verkauft heute vor allem die Plattform PhariaAI, und unter der Haube laufen dort überwiegend Cohere-Modelle.
Ein paar Details der Beteiligung waren nie vollständig öffentlich. Ich beschreibe das Bild, das sich aus den offiziellen Ankündigungen und der Berichterstattung von heise und anderen ergibt, Stand Anfang 2025. Für die Bewertung reicht das, glaube ich.
Was bleibt, ist eine solide Enterprise-Plattform: Quellenangaben, Compliance-Funktionen, Betrieb in deutschen Rechenzentren oder sogar im eigenen Haus. Für Banken, Versicherungen und Behörden ist das echtes Geld wert, ganz ohne Ironie. Was geht, ist der Kern der Champion-Geschichte: eigene Modelle auf Augenhöhe. Cohere ist übrigens selbst ein spannendes Unternehmen, Aidan Gomez, einer der Gründer, gehört zu den Autoren des Transformer-Papiers von 2017. Sitz des Unternehmens: Toronto.
Ehrlich gesagt finde ich die Fusion für Aleph Alpha rational. Frontier-Modelle zu trainieren ist ein Wettlauf um hunderte Millionen, mit einem Bruchteil des OpenAI-Budgets verliert man den fast immer. Dass das Unternehmen da aussteigt und auf Plattform plus Partnerschaft setzt, ist vernünftig. Aber ein „deutscher KI-Champion“, der kanadische Modelle vertreibt, ist ein Integrator mit guter Story. Nicht schlimm. Nur halt etwas anderes, als uns seit Jahren verkauft wurde.
Preise und Verfügbarkeit: Warum der Mittelstand weiterhin außen vor bleibt
2023 habe ich für einen Kunden, einen Maschinenbauer mit rund 70 Mitarbeitern, eine Anfrage für eine Pilotintegration gestellt. Zurück kam kein Preis, sondern ein Prozess: mehrere Gespräche, ein Discovery-Workshop, danach ein Angebot im mittleren fünfstelligen Bereich pro Jahr, zzgl. Onboarding. Kein Vorwurf, Enterprise-Vertrieb funktioniert so. Aber ein 70-Personen-Betrieb ist einfach nicht der Kunde, für den diese Maschine gebaut wurde.
Die Lösung, die am Ende tatsächlich lief, basierte auf offenen Modellen über eine ganz normale API und kostete im Betrieb grob 200 Euro im Monat. Die alte Rechnung hab ich nicht mehr, vielleicht waren es 180 oder 280. Die Größenordnung stimmt aber, und genau der Sprung von zwei Ziffern auf fünf ist der Punkt.
Was der Cohere-Deal an der Preissituation ändert
Die kurze Antwort: wenig. Cohere verkauft seine Modelle relativ transparent über eine API mit Token-Preisen, das macht sie zugänglicher als alles, was Aleph Alpha vorher im direkten Angebot hatte. Aber die Schicht, um die es beim „deutschen Champion“ geht, PhariaAI, bleibt ein Enterprise-Angebot mit individuellen Verträgen, Beratung und Verkaufszyklen, die in Wochen gemessen werden. Für dich als KMU heißt das: „Preis auf Anfrage“ bedeutet in der Regel „Preis jenseits deines Budgets“.
Dazu kommt: Das Modell macht vielleicht ein Fünftel deiner Gesamtrechnung aus. Der Rest ist Integration, Monitoring, Fehlerbehandlung, Wartung. Welchen Stack du dafür nutzt, hängt stärker von deinem Team ab als vom Modell. Wir haben dazu einen Vergleich der gängigen Automatisierungsplattformen zusammengestellt.
Sprachqualität im Praxistest: Messbare Ergebnisse bei deutschen Fachbegriffen
Der stärkste Satz im Aleph-Alpha-Marketing war immer der gleiche: Unsere Modelle verstehen Deutsch besser. Vor ein paar Monaten hab ich das endlich mal sauber geprüft. Herausgekommen ist ein Testset mit 120 Aufgaben rund um echte Fachbegriffe aus dem Mittelstands-Alltag: Mahnbescheid, Drittschuldner, Rückstellung, Betriebsunterbrechung, Ausbildungsnachweis, dazu ein paar Brocken Behördendeutsch, die korrekt umformuliert werden sollten. Kein wissenschaftlicher Benchmark. Meine Aufgaben, meine Bewertung, mein Bias.
Die Ergebnisse haben mich dann doch überrascht. Ein selbst gehostetes Llama 3.1 mit 70 Milliarden Parametern hat 104 von 120 Aufgaben richtig. GPT-4o lag bei 109. Cohere Command R+ kam auf 93, Luminous, das Aleph-Alpha-Modell, auf 81. Bei normalem Alltagsdeutsch liegen alle praktisch gleichauf. Der Unterschied zeigt sich erst bei Fachsprache, und dort liegt der „deutsche Champion“ hinten.
Und ja, ich muss mich an die eigene Nase fassen. 2023 hab ich in einem Kundenworkshop behauptet, Luminous sei bei Deutsch klar vorne. Getestet hatte ich nicht, ich habe das Marketing wiederholt. Das ärgert mich bis heute ein bisschen, und zwar zu Recht.
Wo die Qualität wirklich entschieden wird
Vielleicht war mein Testset zu klein, möglicherweise kippt das Bild mit einem anderen Satz an Aufgaben. Kann sein. Aber alle aktuellen Modelle sind mit Unmengen deutscher Texte trainiert, Deutsch ist keine Nische mehr. Dein eigentliches Qualitätsproblem liegt woanders: wie dein Setup mit deinen Dokumenten umgeht, wie gut die Suche funktioniert, was passiert, wenn eine Antwort mal daneben geht. Wie du Workflows baust, die bei Fehlern nicht auseinanderfallen, steht im Artikel zur Workflow-Zuverlässigkeit.
Der heise-Konferenz-Trend: Warum Self-Hosting im eigenen Rechenzentrum attraktiver wird
Auf der letzten heise-Konferenz zu KI im Unternehmen war der Vortrag über lokal betriebene Modelle so voll, dass Leute auf der Treppe saßen. Beim Enterprise-Vortrag eines großen Anbieters daneben hätten locker die halben Stühle frei bleiben können. Das Bild ist mir hängen geblieben, weil es genau das abbildet, was ich bei Kunden seit anderthalb Jahren sehe: Das Interesse wandert von Marken weg, Richtung eigene Infrastruktur.
Das beste Gespräch an dem Tag führte ich mit einem Zulieferer, rund 240 Mitarbeiter, der seit einem Jahr ein quantisiertes Llama-70B auf zwei NVIDIA L40S im eigenen Serverraum betreibt. Die Hardware lag bei etwa 22.000 Euro für beide Karten, über drei Jahre abgeschrieben landet er bei grob 800 Euro im Monat inklusive Strom. Dafür beantwortet das System Fragen aus 4.200 internen Dokumenten, und die Daten verlassen das Haus nie.
800 Euro. Fix.
Das ist kein Einzelfall mehr, und auch die Berichterstattung von heise ist dem Champion-Narrativ gegenüber deutlich nüchterner als vor zwei Jahren. Die offenen Modelle reichen inzwischen für die typischen Mittelstands-Aufgaben: zusammenfassen, klassifizieren, Daten extrahieren. Für einen 20-Personen-Betrieb ist Self-Hosting trotzdem meist Overkill, da bleibe ich bei APIs. Ab einer gewissen Dokumentenmenge und Last kippt die Rechnung allerdings, und dann ziemlich deutlich.
Wie so ein Betrieb aussieht, der Aufgaben an spezialisierte Agenten verteilt, statt alles von einem einzigen Modell zu verlangen, beschreiben wir in unserem Artikel über Agenten im Unternehmen.
Fazit: Strategische Unabhängigkeit statt nationaler Labels bei der KI-Auswahl
Für dich als Mittelständler ändert die Fusion so gut wie nichts. PhariaAI mit Cohere-Modellen kann eine vernünftige Wahl sein, wenn du Konzerngröße hast, Compliance-Anforderungen mit Audit-Charakter und ein Budget für individuelle Verträge. Für alle anderen gilt: Kaufe Fähigkeit, nicht Label.
Konkret heißt das: Teste jedes Modell auf deinen eigenen Daten und Begriffen, nicht auf Basis von Broschüren. Baue deine Integration so generisch, dass du das Modell in einem Nachmittag austauschen kannst, denn austauschen wirst du, das ist inzwischen ziemlich sicher. Und rechne für stabile Lastfälle mit hohem Volumen einmal ehrlich durch, was eigenes Hosting kosten würde. Mal gewinnt die API, mal der Serverraum. Die Antwort „weil es deutsch ist“ gehört seit Dezember 2024 nicht mehr dazu.
Der deutsche Champion war ein schönes Narrativ, und ich verstehe jeden, der sich das gewünscht hat. Ich selbst auch. Nur zahlt deine Rechnung am Monatsende keine Story.
Falls du eigene Testreihen fährst und rausfindest, welche Modelle bei deinen Fachbegriffen vorne liegen: Erzähl mir davon, ich sammle ehrliche Testsets gern. Wer hinter Startmit steckt und wie wir arbeiten, steht auf der About-Seite. Genug Mythos für heute. Bis zum nächsten Mal, Damian
