Diese Open-Source-KI gefährdet alles, woran Google & OpenAI glauben

von Artisan Baumeister · Veröffentlicht 21. April 2025 · Aktualisiert 21. April 2025

Together AI hat mit Open Deep Research am 16. April 2025 ein KI-Werkzeug vorgestellt, das erstmals eine komplett offene, transparente und quellengestützte Webrecherche ermöglicht. Die vierstufige Architektur mit QWEN2.5- und LLAMA-Modellen ersetzt teure proprietäre Systeme – und definiert, was KI-basierte Forschung heute leisten kann.

Inhaltsübersicht

Einleitung
Was steckt technisch hinter Open Deep Research?
Offenheit mit Grenzen: Wo liegen aktuelle Schwächen?
Warum Open Source die Forschung wirklich verändert
Fazit

Einleitung

Es passiert nicht oft, dass eine Softwareveröffentlichung die Spielregeln ganzer Industrien infrage stellt – doch genau das könnte Open Deep Research von Together AI tun. Die Plattform verspricht nichts weniger, als den bisher weitgehend abgeschotteten Bereich der KI-gestützten Webrecherche radikal zu öffnen. Während Konzerne wie OpenAI ihre Tools hinter Bezahlschranken und geschlossenen APIs verstecken, setzt Together AI auf vollständige Transparenz: öffentlich zugängliche Quellcodes, nachvollziehbare Workflows und ein klar definierter vierstufiger Prozess auf Basis von QWEN2.5 und LLAMA-Modellen. Dieses Tech-Framework, vorgestellt am 16. April 2025, richtet sich an alle, die fundierte, quellengestützte Antworten auf komplexe Fragen im Web finden wollen – und sich mit Blackbox-Lösungen nicht mehr zufriedengeben. Doch wie funktioniert dieses System, was kann es wirklich leisten – und was bedeutet das für die Zukunft der KI-Forschung?

Was steckt technisch hinter Open Deep Research?

Ein vierstufiger KI-Workflow für präzise Webrecherche

Der technische Kern von Open Deep Research besteht aus einem klar strukturierten vierphasigen KI Workflow, der komplexe Fragen in fundierte Antworten überführt — nachvollziehbar, effizient und transparent.

1. Planung: Aufsetzen der Suchstrategie

Hier entscheidet sich, was später gefunden wird. Die Plattform analysiert die gestellte Forschungsfrage, zerlegt sie in Einzelfragen und definiert die passende Suchlogik. Dabei kommt das LLAMA-Modell zum Einsatz, ein transformerbasiertes Sprachmodell, das sich auf sprachliche Strukturierung und semantische Kontextverknüpfung spezialisiert hat.

2. Recherche: Autonome Informationssuche

In dieser Phase greifen die Systeme erstmals auf das offene Web zu. Die KI — nun orchestriert in der Together AI Cloud — scannt Forenbeiträge, wissenschaftliche Veröffentlichungen, multimediale Inhalte (z. B. über Speech-to-Text analysierte Podcasts) und more. Für diese multimodalen Inhalte wird auf spezifische Modellarchitekturen gesetzt, etwa Bilderkennungssysteme, verknüpft mit textgenerierenden Sprachmodellen wie QWEN2.5.

3. Qualitätssicherung: Filterung und Bewertung

Nicht alles, was gefunden wurde, ist auch valide. Die Plattform identifiziert Widersprüche, erkennt Lücken und bewertet Quellen unter Bezug auf Zitierhäufigkeit, Aktualität und Konsistenz. LLAMA unterstützt hier erneut bei der semantischen Bewertung.

4. Zusammenfassung: Strukturierte Antwort mit Belegen

Am Ende steht ein zusammenhängender, quellenbasierter Text — inklusive Fußnoten, Quellenlinks und Angaben zur Unsicherheit. Open Source KI macht hier keine Blackbox auf: Jede Aussage ist technisch rückverfolgbar.

Dank dynamischer Modellsteuerung in der Together AI Cloud wird je nach Anfrage zwischen Genauigkeit, Effizienz und Kosten abgewogen. Damit rückt demokratische KI Forschung aus der Theorie in die Praxis.

Offenheit mit Grenzen: Wo liegen aktuelle Schwächen?

So ambitioniert das Ziel von Open Deep Research auch ist – der freie Zugang zu einem kompletten KI Workflow für Webanalyse –, es gibt technische Hürden, die nicht übersehen werden sollten. Denn Offenheit macht Probleme nicht unsichtbar, im Gegenteil: Sie macht sie sichtbar.

Fehlerfortpflanzung: Schwächen im Systemloop

Einer der zentralen Schwachpunkte liegt in der sogenannten Fehlerfortpflanzung. Wenn die KI in Phase eins – der Planung der Suchstrategie – etwa eine falsche Prämisse setzt, pflanzen sich diese Fehler durch den gesamten Ablauf fort. Das bedeutet: Die gesammelten Daten bauen auf unklaren Grundlagen auf, und auch die zusammenfassende Analyse am Ende basiert dann auf einem fragwürdigen Fundament. Proprietäre Systeme wie das Deep Research von OpenAI setzen hier auf geschlossene Feedbackschleifen und stärkere interne Kontrollmechanismen. Open Source KI wie Open Deep Research gibt diese Verantwortung an die Nutzer:innen weiter – transparent, aber auch ungeschützt.

Risiko von Halluzinationen: Fakten statt Fantasien?

Wie bei vielen KI Forschungs-Tools sind auch hier Halluzinationen ein ernstzunehmendes Problem. Die Modelle QWEN2.5 und LLAMA arbeiten mit hoher Effizienz, aber treffen nicht immer die richtige Beurteilung, wenn Quellen unklar oder widersprüchlich sind. Besonders in der Zusammenfassungsphase kann es passieren, dass Aussagen „erfunden“ wirken – plausibel im Ton, aber ohne faktische Grundlage.

Caching: Turbolader mit Nebenwirkungen

Das interne Caching-System – also das Zwischenspeichern früherer Zwischenergebnisse – bringt Vorteile: schnellere Antwortzeiten und geringere Serverlast. Doch dieser Geschwindigkeitsgewinn hat seinen Preis. Veraltete oder vorgefilterte Teilergebnisse können zu einer verzerrten Sicht führen. Für ein Tool, das auf Transparente KI und nachvollziehbare KI Webrecherche setzt, ist das ein Zielkonflikt, der gelöst werden muss.

Together AI zeigt mit dem Projekt, wie weit demokratische KI heute kommen kann – aber auch, wo noch offene Baustellen warten.

Warum Open Source die Forschung wirklich verändert

Wer sich heute mit KI-gestützter Webrecherche beschäftigt, stößt früher oder später auf ein Dilemma: Proprietäre Plattformen wie Deep Research von OpenAI liefern leistungsfähige Resultate – aber sie funktionieren wie eine Blackbox. Entscheidungen, Datenquellen, sogar Fehlerquellen bleiben oft undurchsichtig. Genau hier setzt Open Deep Research von Together AI an: offen, quellbasiert und nachvollziehbar.

Der entscheidende Unterschied liegt in der Architektur. Statt zentral geschlossener Systemlogik bietet Open Deep Research ein modulares Framework, bei dem jeder Schritt im KI Workflow einsehbar, überprüfbar und technisch anpassbar ist: von der Planung der Suchstrategie bis zur finalen Zusammenfassung. Die verwendeten Modelle wie QWEN2.5 oder LLAMA werden nicht nur benannt – ihre Auswahl basiert offen auf Kriterien wie Effizienz und Kosten-Nutzen-Verhältnis.

Im größeren gesellschaftlichen Kontext ist das mehr als ein technischer Vorteil. Es geht um demokratische KI: Forschungswerkzeuge, die allen zugänglich sind, nicht nur wenigen Konzernen. Wer kontrolliert die Quellen? Wer versteht, wie Ergebnisse zustande kommen? Bei Open Deep Research sind Antworten auf solche Fragen nicht Maskerade, sondern Teil des Designs.

Gleichzeitig schafft Offenheit Raum für Innovation. Entwicklerinnen können Tools anpassen, optimieren – oder Fehlerquellen wie Fehlerfortpflanzung gezielt minimieren. Auch ethische Standards und KI und Datenschutz lassen sich gemeinschaftlich verhandeln, statt hinter Paywalls verborgen zu bleiben.

Ob wissenschaftliche Studien, journalistische Recherchen oder Governance-Transparenz – eine transparente KI wie diese könnte die Art, wie wir Wissen erzeugen und prüfen, grundlegend verändern.

Fazit

Open Deep Research markiert mehr als nur ein neues Tool – es ist ein Reizpunkt im aktuellen Machtgefüge der KI-Industrie. Indem Together AI nicht nur einen funktionalen Workflow, sondern auch den zugrundeliegenden Code öffentlich gemacht hat, zwingt es große Player dazu, ihre Position zu rechtfertigen. Gleichzeitig eröffnet es eine neue Ära technischer Teilhabe, in der Entwickler, Analysten und Forscher gemeinsam daran arbeiten können, bessere, nachvollziehbare Ergebnisse zu erzielen. Doch Offenheit bedeutet auch Verantwortung: Die Qualität der Quellen, ethisch saubere Modellentscheidungen und Datenschutz müssen verstärkt in den Fokus rücken, wenn Open Deep Research mehr sein soll als ein technologisches Experiment. Die nächsten Monate werden zeigen, ob die Community diese Herausforderung annimmt – oder ob die Plattform eine gut gemeinte, aber überforderte Ideallösung bleibt.

Du findest das Thema so wichtig wie wir? Dann teile den Artikel – oder diskutiere mit uns: Ist Open Source die Zukunft der KI-Forschung?