Enterprise AI
Dreizehn Wochen, Weihnachten eingeschlossen
Dreizehn Wochen, Weihnachten eingeschlossen
Dr. Anoj Winston Gladius
·
12
Min. Lesezeit
Sie haben kein Modell besessen. Sie haben einen Endpunkt gemietet.
aufsatz
Bild: generiert durch den neuland.ai HUB
Was die Abschaltung von GPT-4o, GPT-4.1 und dem Fine-Tuning-Dienst durch OpenAI für große deutsche Unternehmen bedeutet – und was Sie tatsächlich gekauft haben, als Sie für das Training eines Modells bezahlt haben.
Hinweis von OpenAI zu seiner eigenen Sechs-Monats-Richtlinie und dem Zeitplan von Microsoft Azure. Originalgrafik von neuland.ai; Quellen in den Anmerkungen 2, 3 und 5.
Am 14. Oktober 2026 teilte OpenAI Entwicklern mit, dass GPT-4o, GPT-4o mini, GPT-4.1 und GPT-4.1 mini am 14. Januar 2027 aus der API entfernt werden – und dass die individuell trainierten Versionen, für die Unternehmen mit eigenen Daten bezahlt haben, am selben Tag abgeschaltet werden. Der empfohlene Nachfolger, GPT-6 Luna, unterstützt kein Fine-Tuning, und OpenAI schließt seinen Fine-Tuning-Dienst für neue Aufträge ab dem 6. Januar. Die eigene Richtlinie des Unternehmens verspricht für solche Modelle mindestens sechs Monate Vorlauf. Die Kunden bekamen dreizehn Wochen – und in den meisten deutschen Unternehmen fallen diese Wochen auf Weihnachten, den Jahreswechsel-Änderungsstopp und den jährlichen Budgetzyklus. Wer für das Training eines Modells mit eigenen Daten bezahlt hat, erfährt in dieser Woche, was er tatsächlich gekauft hat.
Diese Artikelserie hat ein Jahr lang argumentiert, dass der Wert im Enterprise-KI in der Schicht rund um das Modell liegt – nicht im Modell selbst.¹ Die Abschaltungsmitteilung ist bisher die anschaulichste Illustration dieses Arguments, denn sie zeigt genau, welche Teile einer KI-Investition dem Kunden gehören – und welche es nie getan haben.
Ein Fine-Tune beim Anbieter eines anderen ist kein Asset. Es ist ein Mietvertrag ohne feste Laufzeit – und der Vermieter hat gerade eine gesetzt.
Was OpenAI tatsächlich angekündigt hat
Der Eintrag auf OpenAIs Deprecations-Seite ist kurz. Fünf Modellversionen – zwei GPT-4o-Snapshots, GPT-4o mini, GPT-4.1 und GPT-4.1 mini – verlassen die API am 14. Januar 2027, mit gpt-6-luna als empfohlenem Nachfolger für alle. Ein Satz trägt das meiste Gewicht: Fine-tuned Versionen dieser Modelle „folgen demselben Abschaltungsplan wie ihre zugrunde liegenden Basismodelle".² Es gibt keine Übergangsfrist für individuelle Modelle.
Drei weitere Daten verschärfen die Lage. OpenAI baut das Self-Service-Fine-Tuning seit Mai ab: Organisationen, die nie fine-getuned hatten, verloren zuerst den Zugang, Organisationen ohne aktuelle Fine-Tuning-Nutzung folgten im Juli – und ab dem 6. Januar 2027 kann kein Kunde mehr neue Fine-Tuning-Aufträge erstellen.³ Audio- und Echtzeit-Varianten folgen am 20. Januar, Transkriptionsmodelle einschließlich Whisper am 26. Februar.⁴ Und GPT-6 Luna – günstig, bei rund zehn Cent pro Million Input-Token, und das kleinste Modell seiner Familie – unterstützt kein Fine-Tuning. Ein fine-getuntes GPT-4o oder GPT-4.1 hat damit keinen fine-getunten Nachfolger, zu dem es wechseln könnte.⁴
Für Unternehmen, die diese Modelle über Microsoft nutzen, gelten andere Daten. Microsofts eigener Abschaltungsplan sieht vor, dass die Basismodelle Azure am 14. April 2027 verlassen, fine-getunte Deployments laufen bis Oktober 2027. Das verschafft Zeit. Es ändert nichts am Ziel.
Drei Monate unter einer Sechs-Monats-Richtlinie
OpenAIs Deprecations-Seite legt die Vorlaufzeiten fest: mindestens sechs Monate für allgemein verfügbare Modelle, mindestens drei für spezialisierte Varianten, so wenig wie zwei Wochen für Previews – es sei denn, Sicherheits- oder Compliance-Bedenken erfordern schnelleres Handeln, in welchem Fall so viel Vorlauf wie vernünftigerweise möglich versprochen wird.² GPT-4o und GPT-4.1 waren allgemein verfügbar. Sie bekamen drei Monate. Kein Sicherheits- oder Compliance-Grund erscheint auf der Seite.
Zwei Wochen zuvor hatte OpenAI zwei neueren Modellen, GPT-5.1 und GPT-5.3-codex, ein Abschaltungsdatum mit sechs Monaten Vorlauf gegeben.⁵ Die neueren Modelle erhielten also den Spielraum, den die Richtlinie beschreibt – die älteren, auf denen Unternehmen am längsten aufgebaut und die sie am häufigsten fine-getuned hatten, bekamen die Hälfte davon.
Das ist nicht neu. Im Juli 2023 kündigte OpenAI an, dass ältere Completion-Modelle im Januar 2024 abgeschaltet würden – und dass Kunden, die weiterhin mit eigenen Daten fine-getunte Modelle nutzen wollten, neue auf neueren Basen trainieren müssten. OpenAI räumte in eigenen Worten ein, dass die Migration von Modellen, die mit eigenen Daten fine-getuned wurden, „eine Herausforderung ist".⁶ Sie wird es bald wieder sein – und diesmal gibt es keine neuere Basis, auf der man neu trainieren könnte.
Sie haben für das Training bezahlt – Sie haben es nie besessen
Es lohnt sich, präzise zu beschreiben, was ein Fine-Tune ist – denn in dieser Präzision liegt der Zynismus.
Ein fine-getuntes Modell ist ein Basismodell plus eine Menge erlernter Anpassungen – ein Delta –, das durch Training auf Ihren Beispielen entsteht. Wenn Sie über die API eines Anbieters fine-tunen, passieren drei Dinge: Sie laden Ihre Daten hoch. Der Anbieter trainiert das Delta auf seiner Infrastruktur. Und der Anbieter behält das Ergebnis: Sie erhalten einen Endpunkt, eine Modell-ID und eine Rechnung – aber nie die Gewichte. Das Basismodell, von dem das Delta abhängt, gehört dem Anbieter – und damit auch die Entscheidung, wie lange es existiert.
Als ein Unternehmen also „ein proprietäres Modell" auf GPT-4o aufbaute – abgestimmt auf seinen Produktkatalog, seine Vertragssprache, seine Rechtsklauseln, seinen Ton auf Deutsch – hat es tatsächlich eine Konfiguration eines fremden Assets gebaut, tokenweise gemietet, mit einem Ablaufdatum, das es nicht kontrollierte und nun mitgeteilt bekommen hat.
Was das Unternehmen tatsächlich noch besitzt, ist weniger glamourös – und wertvoller, als es bisher behandelt wurde: die kuratierten Trainingsdaten, die beschrifteten Beispiele, das Evaluierungsset, das bewies, dass das Fine-Tuning funktioniert hat, und das Prozesswissen dahinter. Das Wertvollste, was ein Fine-Tuning-Projekt hervorgebracht hat, war nie das Modell. Es waren die Daten und die Tests – die einzigen Teile, die Sie tatsächlich behalten haben.
Abbildung 1. Was ein Projekt zur Feinabstimmung über die API eines Anbieters hinterlässt. Originaldiagramm von neuland.ai.
Dreizehn Wochen in einem deutschen Unternehmen
Ein Start-up kann eine Modell-ID über ein Wochenende tauschen. Ein großes deutsches Unternehmen kann das nicht – und nicht, weil seine Ingenieure langsamer wären. In einer regulierten, mitbestimmten Organisation löst ein Modellwechsel mehrere Arbeitsstränge aus, und jeder einzelne muss bis zum selben Datum abgeschlossen sein.
Technische Migration. Code, Konfiguration und Integrationstests – gegen einen Nachfolger, der sich, wie der nächste Abschnitt zeigt, anders verhält.
Re-Evaluierung. Jeder Prozess, der auf einem Fine-Tune lief, muss erneut an den eigenen Fällen des Unternehmens getestet werden – ohne das Fine-Tune, weil es keinen fine-getunten Nachfolger gibt.
Re-Validierung. Banken und Versicherungen unter BaFin-Aufsicht müssen die Algorithmen validieren, die sie in Entscheidungsprozessen einsetzen; Pharma- und Medizintechnikunternehmen betreiben computergestützte Systeme unter GxP-Änderungskontrolle.⁷ Ein erzwungener Wechsel des zugrunde liegenden Modells startet diese Arbeit neu.
Mitbestimmung. Viele KI-Deployments in deutschen Unternehmen sind durch Betriebsvereinbarungen abgedeckt, da technische Systeme, die das Verhalten oder die Leistung von Mitarbeitern überwachen können, der Mitbestimmung unterliegen.⁸ Je nach Formulierung einer Vereinbarung kann die Änderung des Modells innerhalb eines vereinbarten Systems erneut die Beteiligung des Betriebsrats erfordern.
Dokumentation. Datenschutz-Folgenabschätzungen müssen möglicherweise aktualisiert werden – und für Systeme, die ab Dezember 2027 unter die Hochrisiko-Regeln des AI Acts fallen, ist ein Modellwechsel genau die Art von Änderung, die bewertet und dokumentiert werden muss.⁹
Beschaffung und Budget. Viele große Unternehmen führen jährliche Budgetzyklen, Genehmigungsgremien und einen Änderungsstopp zum Jahreswechsel durch. Eine Mitteilung, die Mitte Oktober mit einer Frist Mitte Januar eintrifft, trifft alle drei gleichzeitig.
Abbildung 2. Sechs Arbeitsstränge in einem regulierten, mitbestimmten Unternehmen. Zur Veranschaulichung; siehe Anmerkungen 7 bis 9. Originaldiagramm von neuland.ai.
Luna ist kein gleichwertiger Ersatz
Das Nachfolgemodell ist pro Token deutlich günstiger. Es ist nicht dieselbe Art von Modell. GPT-6 Luna denkt standardmäßig nach, auf einer mittleren Aufwandsstufe; Entwickler, die zu ihm migrieren, berichten, dass Function Calling über das Chat-Completions-Interface nur funktioniert, wenn das Reasoning deaktiviert ist, und dass einige Request-Parameter, die ältere Modelle akzeptierten, nun abgelehnt werden.⁴ Reasoning-Modelle berechnen ihr Denken als Output – die relevante Zahl ist daher der Preis pro abgeschlossener Aufgabe, nicht der Preis pro Token. Und der muss gemessen, nicht angenommen werden.
Am wichtigsten: Luna kann nicht fine-getuned werden. Das Verhalten, das ein Unternehmen in GPT-4o trainiert hat, muss auf anderem Weg wiederhergestellt werden – mit Prompts, Retrieval und Beispielen – oder gar nicht. Für viele Prozesse wird das in Ordnung sein; neuere Modelle folgen Anweisungen besser als ältere. Für die Prozesse, bei denen das Fine-Tune genau deshalb existierte, weil Prompting nicht ausreichte, ist es eine Regression mit Fristdatum.
Die zynische Lesart – und warum es keine Rolle spielt, ob sie stimmt
Es gibt eine offensichtliche zynische Lesart all dessen. Ein Anbieter mit enormen Infrastrukturverpflichtungen hat jeden Grund, den Traffic auf seine neuesten Modelle zu konsolidieren, einen Anpassungspfad aufzugeben, der Kapazitäten an alte Modelle bindet, und Kunden auf eine Familie umzustellen, bei der er die Roadmap enger kontrolliert. Diese Lesart mag unfair sein. OpenAI hat die verkürzte Vorlaufzeit nicht erklärt, und neuere Modelle sind bei vielen Aufgaben tatsächlich besser.
Aber es spielt keine Rolle, ob die zynische Lesart stimmt. Was zählt: Die Kernprozesse eines Unternehmens können durch eine Seite auf der Website eines anderen umgeplant werden – mit welcher Vorlaufzeit diese Seite auch immer entscheidet zu geben. Diese Serie hat nun ein Modell dokumentiert, das durch eine Exportrichtlinie ausgesetzt wurde, ein Modell, das vor dem Launch zurückgezogen wurde, einen Open-Weight-Anbieter, der sein bestes Modell schließt – und jetzt einen Anbieter, der die Modelle und die Anpassungen abschaltet, auf denen Unternehmen am stärksten aufgebaut hatten.¹⁰ Das Muster ist keine Böswilligkeit. Es ist Abhängigkeit – und Abhängigkeit hat einen Kalender, den Sie nicht besitzen.
Was eine Abschaltung überlebt
Die nützliche Lektion ist architektonischer Natur – und sie lautet nicht „Verwenden Sie niemals amerikanische Modelle". Sie lautet: Legen Sie die Dinge, für die Sie bezahlt haben, dort ab, wo eine Abschaltung sie nicht erreichen kann.
Bewahren Sie die Trainingsdaten und Evaluierungssets hinter jedem Fine-Tune auf – und behandeln Sie sie als das Asset, das sie sind. Halten Sie Domänenwissen in einer Wissensschicht, die Sie kontrollieren – Dokumente, eine Ontologie Ihres Unternehmens, Retrieval mit Berechtigungen –, anstatt es in die Gewichte eines Anbieters einzubacken. Wenn ein Prozess wirklich ein spezialisiertes Modell benötigt, trainieren Sie es auf Open Weights, die Sie selbst halten; der Adapter ist noch an seine Basis gebunden, aber die Basis verschwindet nie, es sei denn, Sie schalten sie ab. Und machen Sie das Modell hinter jedem Prozess zu einer Routing-Entscheidung, sodass die Abschaltung eines Anbieters zu einer Konfigurationsänderung wird – nicht zu einem Programm.¹¹
Abbildung 3. Gemietete und tragbare Spezialisierung. Originaldiagramm von neuland.ai.
Der Abschaltungs-Bereitschaftscheck
Kreuzen Sie jede Aussage an, die heute für Ihre Organisation zutrifft.
✓ | Aussage | Ebene |
|---|---|---|
☐ | 1. Wir haben ein Inventar aller Modelle und Fine-Tunes in Produktion, einschließlich der per Konfiguration gesetzten. | Inventar |
☐ | 2. Wir kennen das Abschaltungsdatum jedes einzelnen – auf jedem Weg, den wir nutzen: direkt über OpenAI und über Azure. | Inventar |
☐ | 3. Wir wissen, welche unserer Prozesse am 14. Januar stoppen würden, wenn sich nichts ändert. | Inventar |
☐ | 4. Wir haben die Trainingsdaten und Evaluierungssets hinter jedem Fine-Tune aufbewahrt, für das wir bezahlt haben. | Assets |
☐ | 5. Wir können unsere Evaluierungssuite gegen ein neues Modell innerhalb von Tagen – nicht Monaten – neu ausführen. | Assets |
☐ | 6. Unser Domänenwissen liegt in einer Wissensschicht, die wir kontrollieren – nicht im Fine-Tune eines Anbieters. | Architektur |
☐ | 7. Das Modell hinter einem Prozess zu wechseln ist eine Konfigurationsänderung – kein Neuaufbau. | Architektur |
☐ | 8. Mindestens ein kritischer Prozess könnte auf Open-Weight-Modellen laufen, die wir selbst hosten. | Architektur |
☐ | 9. Unsere Validierungsunterlagen und Betriebsvereinbarungen antizipieren Modellwechsel, anstatt ein bestimmtes Modell zu benennen. | Governance |
☐ | 10. Unsere KI-Verträge legen Vorlaufzeiten fest, mit denen wir tatsächlich planen können. | Governance |
Ihr Ergebnis:
8–10 Häkchen | Der Ruhestand bedeutet für Sie eine Umstellung. |
4–7 Häkchen | Sie werden diese Frist einhalten. Beginnen Sie mit der Bestandsaufnahme und sichern Sie die Daten, die jeder Feinabstimmung zugrunde liegen. |
0–3 Häkchen | Dein Fahrplan richtet sich nach der Deprecation-Seite eines anderen. |
Der Standpunkt von neuland.ai
Der neuland.ai HUB ist auf der Annahme aufgebaut, dass Modelle kommen und gehen – weil sie es tun. Domänenwissen liegt in der Wissensschicht des Kunden – Ontologie, Dokumente, Berechtigungen – außerhalb jedes einzelnen Modells. Das Routing wird pro Aufgabe unter der Richtlinie des Kunden entschieden: über selbst gehostete Open-Weight-Modelle wie Mistral, Nemotron, GLM und Qwen sowie proprietäre Modelle wie Claude und GPT, wo der Kunde sie zulässt. Ein abgeschaltetes Modell zu ersetzen ist damit eine Routenänderung – kein Neuaufbau. Evaluierungen laufen gegen die eigenen Fälle des Kunden, sodass ein Ersatz in Tagen getestet werden kann. Und wo ein Prozess ein spezialisiertes Modell benötigt, kann es auf Open Weights trainiert werden, die der Kunde hält – auf der Infrastruktur des Kunden.¹²
Das ist auch die Antwort auf die Frage, die wir jetzt von IT-Leitern hören, die fine-getunte Modelle in Produktion haben: Was tun wir vor dem 14. Januar? Inventarisieren Sie jedes Modell, von dem Sie abhängen. Sichern Sie die Daten und Tests hinter jedem Fine-Tune. Und verlagern Sie das Wissen aus dem Modell in eine Schicht, die Ihnen gehört. Die Frist gehört OpenAI. Die Architektur sollte Ihnen gehören.
Persönliche Einschätzung
Dieser Artikel ist kritisch gegenüber OpenAI – und die Fakten stützen die Kritik: eine verkürzte Vorlaufzeit ohne genannten Grund, unter einer Richtlinie, die mehr verspricht, angewendet auf die Modelle, auf denen Unternehmen am stärksten aufgebaut hatten. Aber das eigentliche Ziel ist die Art, wie Enterprise-KI gekauft wurde. „Wir haben unser eigenes Modell fine-getuned" wurde in sehr vielen Lenkungsausschüssen als Aufbau eines proprietären Assets präsentiert. Es war das Mieten einer Konfiguration.
Ich glaube nicht, dass die Antwort darin besteht, Frontier-Anbieter zu meiden – sie bauen ausgezeichnete Modelle, und wir nutzen sie. Die Antwort ist, aufzuhören, die Dinge, die man sich nicht leisten kann zu verlieren – Wissen, Tests, Spezialisierung – in Dinge zu stecken, die man nicht kontrolliert. Das Unternehmen, das seine Daten, sein Evaluierungsset und seine Wissensschicht behalten hat, wird den Januar mit einer Routing-Änderung verbringen. Das Unternehmen, das nur einen Endpunkt behalten hat, wird ihn damit verbringen, seinem Vorstand zu erklären, warum das Modell, für das es bezahlt hat, nicht mehr existiert.
Wir bei neuland.ai möchten lieber, dass unsere Kunden die Teile ihrer KI besitzen, die wirklich zählen – damit die nächste Abschaltungsmitteilung eine Konfigurationsänderung ist und keine Krise.
[1]Artikelserie verfügbar unter neuland.ai
[2]OpenAI, API-Deprecations-Seite, developers.openai.com, Eintrag vom 14. Oktober 2026 (GPT-4-Serien-Modell-Abschaltungen: gpt-4o-2024-08-06, gpt-4o-2024-11-20, gpt-4o-mini-2024-07-18, gpt-4.1-2025-04-14 und gpt-4.1-mini-2025-04-14, Abschaltung am 14. Januar 2027, empfohlener Nachfolger gpt-6-luna) sowie der Abschnitt zu Vorlaufzeiten auf derselben Seite
[3]OpenAI-Deprecations-Seite, Einträge zum Fine-Tuning vom 7. Mai 2026 und 2. Juli 2026 sowie das geplante Ende neuer Fine-Tuning-Aufträge am 6. Januar 2027, zitiert nach Developers Digest (Oktober 2026) und berichtet von Startup Fortune (8. Mai 2026)
[4]DataNorth (15. Oktober 2026), FourWeekMBA und DEV Community (Oktober 2026) zu GPT-6-Luna-Preisen, Standard-Reasoning-Verhalten und fehlendem Fine-Tuning-Support; Zentor (Oktober 2026) zu Function Calling mit deaktiviertem Reasoning; DEV Community (Oktober 2026) zur Abschaltung von Audio- und Echtzeit-Varianten am 20. Januar 2027 sowie Transkriptionsmodellen einschließlich Whisper-1 am 26. Februar 2027
[5]Microsofts Modell-Abschaltungsplan, berichtet von DEV Community (Oktober 2026): Basis-Snapshots werden am 14. April 2027 abgeschaltet; fine-getunte Deployments bis 1. Oktober 2027 (gpt-4o und gpt-4o-mini) bzw. 14. Oktober 2027 (gpt-4.1). Zum Sechs-Monats-Abschaltungsdatum für gpt-5.1 und gpt-5.3-codex vom 1. Oktober 2026 siehe denselben Bericht unter Verweis auf OpenAIs Deprecations-Seite
[6]OpenAI, „GPT-4 API general availability and deprecation of older models in the Completions API", Juli 2023, openai.com
[7]BaFin, „Big Data und künstliche Intelligenz: Prinzipien für den Einsatz von Algorithmen in Entscheidungsprozessen" (Juni 2021); EudraLex Band 4, EU-GMP-Anhang 11 (Computergestützte Systeme
[8]Betriebsverfassungsgesetz (BetrVG), § 87 Abs. 1 Nr. 6, zur Mitbestimmung bei der Einführung und Anwendung technischer Einrichtungen, die geeignet sind, das Verhalten oder die Leistung der Arbeitnehmer zu überwachen. Ob ein Modellwechsel eine erneute Beteiligung des Betriebsrats erfordert, hängt von der jeweiligen Vereinbarung ab – dies ist keine Rechtsberatung.
[9]Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 3 Abs. 23 zur wesentlichen Änderung; gemäß dem vorläufigen Digital-Omnibus-Abkommen vom 7. Mai 2026 gelten die Hochrisiko-Pflichten aus Anhang III ab dem 2. Dezember 2027
[10]Frühere Artikel dieser Serie zu Flexibilität als architektonischer Eigenschaft, zu den tatsächlichen Grenzen eines Agenten sowie zum KI-Kapital-Netz
[11]Frühere Artikel dieser Serie zu Destillation und kundenspezifischen Kleinmodellen sowie zur Definition einer Enterprise-KI-Orchestrierungs- und Managementplattform
[12]neuland.ai HUB: kundeneigene Wissensschicht, Ontologie und Berechtigungen; aufgabenbasiertes Modell-Routing unter kundenseitiger Richtlinie über selbst gehostete Open-Weight- und proprietäre Modelle; Evaluierung gegen Kunden-Workloads; Training spezialisierter Modelle auf Open Weights beim Kunden; Deployment on-premises, in einer europäischen Sovereign Cloud oder air-gapped. Die neuland.ai AG trägt die Verantwortung für Inhaltsqualität und saubere Ergebnislieferung in allen Kundenprojekten.
Was die Abschaltung von GPT-4o, GPT-4.1 und dem Fine-Tuning-Dienst durch OpenAI für große deutsche Unternehmen bedeutet – und was Sie tatsächlich gekauft haben, als Sie für das Training eines Modells bezahlt haben.
Hinweis von OpenAI zu seiner eigenen Sechs-Monats-Richtlinie und dem Zeitplan von Microsoft Azure. Originalgrafik von neuland.ai; Quellen in den Anmerkungen 2, 3 und 5.
Am 14. Oktober 2026 teilte OpenAI Entwicklern mit, dass GPT-4o, GPT-4o mini, GPT-4.1 und GPT-4.1 mini am 14. Januar 2027 aus der API entfernt werden – und dass die individuell trainierten Versionen, für die Unternehmen mit eigenen Daten bezahlt haben, am selben Tag abgeschaltet werden. Der empfohlene Nachfolger, GPT-6 Luna, unterstützt kein Fine-Tuning, und OpenAI schließt seinen Fine-Tuning-Dienst für neue Aufträge ab dem 6. Januar. Die eigene Richtlinie des Unternehmens verspricht für solche Modelle mindestens sechs Monate Vorlauf. Die Kunden bekamen dreizehn Wochen – und in den meisten deutschen Unternehmen fallen diese Wochen auf Weihnachten, den Jahreswechsel-Änderungsstopp und den jährlichen Budgetzyklus. Wer für das Training eines Modells mit eigenen Daten bezahlt hat, erfährt in dieser Woche, was er tatsächlich gekauft hat.
Diese Artikelserie hat ein Jahr lang argumentiert, dass der Wert im Enterprise-KI in der Schicht rund um das Modell liegt – nicht im Modell selbst.¹ Die Abschaltungsmitteilung ist bisher die anschaulichste Illustration dieses Arguments, denn sie zeigt genau, welche Teile einer KI-Investition dem Kunden gehören – und welche es nie getan haben.
Ein Fine-Tune beim Anbieter eines anderen ist kein Asset. Es ist ein Mietvertrag ohne feste Laufzeit – und der Vermieter hat gerade eine gesetzt.
Was OpenAI tatsächlich angekündigt hat
Der Eintrag auf OpenAIs Deprecations-Seite ist kurz. Fünf Modellversionen – zwei GPT-4o-Snapshots, GPT-4o mini, GPT-4.1 und GPT-4.1 mini – verlassen die API am 14. Januar 2027, mit gpt-6-luna als empfohlenem Nachfolger für alle. Ein Satz trägt das meiste Gewicht: Fine-tuned Versionen dieser Modelle „folgen demselben Abschaltungsplan wie ihre zugrunde liegenden Basismodelle".² Es gibt keine Übergangsfrist für individuelle Modelle.
Drei weitere Daten verschärfen die Lage. OpenAI baut das Self-Service-Fine-Tuning seit Mai ab: Organisationen, die nie fine-getuned hatten, verloren zuerst den Zugang, Organisationen ohne aktuelle Fine-Tuning-Nutzung folgten im Juli – und ab dem 6. Januar 2027 kann kein Kunde mehr neue Fine-Tuning-Aufträge erstellen.³ Audio- und Echtzeit-Varianten folgen am 20. Januar, Transkriptionsmodelle einschließlich Whisper am 26. Februar.⁴ Und GPT-6 Luna – günstig, bei rund zehn Cent pro Million Input-Token, und das kleinste Modell seiner Familie – unterstützt kein Fine-Tuning. Ein fine-getuntes GPT-4o oder GPT-4.1 hat damit keinen fine-getunten Nachfolger, zu dem es wechseln könnte.⁴
Für Unternehmen, die diese Modelle über Microsoft nutzen, gelten andere Daten. Microsofts eigener Abschaltungsplan sieht vor, dass die Basismodelle Azure am 14. April 2027 verlassen, fine-getunte Deployments laufen bis Oktober 2027. Das verschafft Zeit. Es ändert nichts am Ziel.
Drei Monate unter einer Sechs-Monats-Richtlinie
OpenAIs Deprecations-Seite legt die Vorlaufzeiten fest: mindestens sechs Monate für allgemein verfügbare Modelle, mindestens drei für spezialisierte Varianten, so wenig wie zwei Wochen für Previews – es sei denn, Sicherheits- oder Compliance-Bedenken erfordern schnelleres Handeln, in welchem Fall so viel Vorlauf wie vernünftigerweise möglich versprochen wird.² GPT-4o und GPT-4.1 waren allgemein verfügbar. Sie bekamen drei Monate. Kein Sicherheits- oder Compliance-Grund erscheint auf der Seite.
Zwei Wochen zuvor hatte OpenAI zwei neueren Modellen, GPT-5.1 und GPT-5.3-codex, ein Abschaltungsdatum mit sechs Monaten Vorlauf gegeben.⁵ Die neueren Modelle erhielten also den Spielraum, den die Richtlinie beschreibt – die älteren, auf denen Unternehmen am längsten aufgebaut und die sie am häufigsten fine-getuned hatten, bekamen die Hälfte davon.
Das ist nicht neu. Im Juli 2023 kündigte OpenAI an, dass ältere Completion-Modelle im Januar 2024 abgeschaltet würden – und dass Kunden, die weiterhin mit eigenen Daten fine-getunte Modelle nutzen wollten, neue auf neueren Basen trainieren müssten. OpenAI räumte in eigenen Worten ein, dass die Migration von Modellen, die mit eigenen Daten fine-getuned wurden, „eine Herausforderung ist".⁶ Sie wird es bald wieder sein – und diesmal gibt es keine neuere Basis, auf der man neu trainieren könnte.
Sie haben für das Training bezahlt – Sie haben es nie besessen
Es lohnt sich, präzise zu beschreiben, was ein Fine-Tune ist – denn in dieser Präzision liegt der Zynismus.
Ein fine-getuntes Modell ist ein Basismodell plus eine Menge erlernter Anpassungen – ein Delta –, das durch Training auf Ihren Beispielen entsteht. Wenn Sie über die API eines Anbieters fine-tunen, passieren drei Dinge: Sie laden Ihre Daten hoch. Der Anbieter trainiert das Delta auf seiner Infrastruktur. Und der Anbieter behält das Ergebnis: Sie erhalten einen Endpunkt, eine Modell-ID und eine Rechnung – aber nie die Gewichte. Das Basismodell, von dem das Delta abhängt, gehört dem Anbieter – und damit auch die Entscheidung, wie lange es existiert.
Als ein Unternehmen also „ein proprietäres Modell" auf GPT-4o aufbaute – abgestimmt auf seinen Produktkatalog, seine Vertragssprache, seine Rechtsklauseln, seinen Ton auf Deutsch – hat es tatsächlich eine Konfiguration eines fremden Assets gebaut, tokenweise gemietet, mit einem Ablaufdatum, das es nicht kontrollierte und nun mitgeteilt bekommen hat.
Was das Unternehmen tatsächlich noch besitzt, ist weniger glamourös – und wertvoller, als es bisher behandelt wurde: die kuratierten Trainingsdaten, die beschrifteten Beispiele, das Evaluierungsset, das bewies, dass das Fine-Tuning funktioniert hat, und das Prozesswissen dahinter. Das Wertvollste, was ein Fine-Tuning-Projekt hervorgebracht hat, war nie das Modell. Es waren die Daten und die Tests – die einzigen Teile, die Sie tatsächlich behalten haben.
Abbildung 1. Was ein Projekt zur Feinabstimmung über die API eines Anbieters hinterlässt. Originaldiagramm von neuland.ai.
Dreizehn Wochen in einem deutschen Unternehmen
Ein Start-up kann eine Modell-ID über ein Wochenende tauschen. Ein großes deutsches Unternehmen kann das nicht – und nicht, weil seine Ingenieure langsamer wären. In einer regulierten, mitbestimmten Organisation löst ein Modellwechsel mehrere Arbeitsstränge aus, und jeder einzelne muss bis zum selben Datum abgeschlossen sein.
Technische Migration. Code, Konfiguration und Integrationstests – gegen einen Nachfolger, der sich, wie der nächste Abschnitt zeigt, anders verhält.
Re-Evaluierung. Jeder Prozess, der auf einem Fine-Tune lief, muss erneut an den eigenen Fällen des Unternehmens getestet werden – ohne das Fine-Tune, weil es keinen fine-getunten Nachfolger gibt.
Re-Validierung. Banken und Versicherungen unter BaFin-Aufsicht müssen die Algorithmen validieren, die sie in Entscheidungsprozessen einsetzen; Pharma- und Medizintechnikunternehmen betreiben computergestützte Systeme unter GxP-Änderungskontrolle.⁷ Ein erzwungener Wechsel des zugrunde liegenden Modells startet diese Arbeit neu.
Mitbestimmung. Viele KI-Deployments in deutschen Unternehmen sind durch Betriebsvereinbarungen abgedeckt, da technische Systeme, die das Verhalten oder die Leistung von Mitarbeitern überwachen können, der Mitbestimmung unterliegen.⁸ Je nach Formulierung einer Vereinbarung kann die Änderung des Modells innerhalb eines vereinbarten Systems erneut die Beteiligung des Betriebsrats erfordern.
Dokumentation. Datenschutz-Folgenabschätzungen müssen möglicherweise aktualisiert werden – und für Systeme, die ab Dezember 2027 unter die Hochrisiko-Regeln des AI Acts fallen, ist ein Modellwechsel genau die Art von Änderung, die bewertet und dokumentiert werden muss.⁹
Beschaffung und Budget. Viele große Unternehmen führen jährliche Budgetzyklen, Genehmigungsgremien und einen Änderungsstopp zum Jahreswechsel durch. Eine Mitteilung, die Mitte Oktober mit einer Frist Mitte Januar eintrifft, trifft alle drei gleichzeitig.
Abbildung 2. Sechs Arbeitsstränge in einem regulierten, mitbestimmten Unternehmen. Zur Veranschaulichung; siehe Anmerkungen 7 bis 9. Originaldiagramm von neuland.ai.
Luna ist kein gleichwertiger Ersatz
Das Nachfolgemodell ist pro Token deutlich günstiger. Es ist nicht dieselbe Art von Modell. GPT-6 Luna denkt standardmäßig nach, auf einer mittleren Aufwandsstufe; Entwickler, die zu ihm migrieren, berichten, dass Function Calling über das Chat-Completions-Interface nur funktioniert, wenn das Reasoning deaktiviert ist, und dass einige Request-Parameter, die ältere Modelle akzeptierten, nun abgelehnt werden.⁴ Reasoning-Modelle berechnen ihr Denken als Output – die relevante Zahl ist daher der Preis pro abgeschlossener Aufgabe, nicht der Preis pro Token. Und der muss gemessen, nicht angenommen werden.
Am wichtigsten: Luna kann nicht fine-getuned werden. Das Verhalten, das ein Unternehmen in GPT-4o trainiert hat, muss auf anderem Weg wiederhergestellt werden – mit Prompts, Retrieval und Beispielen – oder gar nicht. Für viele Prozesse wird das in Ordnung sein; neuere Modelle folgen Anweisungen besser als ältere. Für die Prozesse, bei denen das Fine-Tune genau deshalb existierte, weil Prompting nicht ausreichte, ist es eine Regression mit Fristdatum.
Die zynische Lesart – und warum es keine Rolle spielt, ob sie stimmt
Es gibt eine offensichtliche zynische Lesart all dessen. Ein Anbieter mit enormen Infrastrukturverpflichtungen hat jeden Grund, den Traffic auf seine neuesten Modelle zu konsolidieren, einen Anpassungspfad aufzugeben, der Kapazitäten an alte Modelle bindet, und Kunden auf eine Familie umzustellen, bei der er die Roadmap enger kontrolliert. Diese Lesart mag unfair sein. OpenAI hat die verkürzte Vorlaufzeit nicht erklärt, und neuere Modelle sind bei vielen Aufgaben tatsächlich besser.
Aber es spielt keine Rolle, ob die zynische Lesart stimmt. Was zählt: Die Kernprozesse eines Unternehmens können durch eine Seite auf der Website eines anderen umgeplant werden – mit welcher Vorlaufzeit diese Seite auch immer entscheidet zu geben. Diese Serie hat nun ein Modell dokumentiert, das durch eine Exportrichtlinie ausgesetzt wurde, ein Modell, das vor dem Launch zurückgezogen wurde, einen Open-Weight-Anbieter, der sein bestes Modell schließt – und jetzt einen Anbieter, der die Modelle und die Anpassungen abschaltet, auf denen Unternehmen am stärksten aufgebaut hatten.¹⁰ Das Muster ist keine Böswilligkeit. Es ist Abhängigkeit – und Abhängigkeit hat einen Kalender, den Sie nicht besitzen.
Was eine Abschaltung überlebt
Die nützliche Lektion ist architektonischer Natur – und sie lautet nicht „Verwenden Sie niemals amerikanische Modelle". Sie lautet: Legen Sie die Dinge, für die Sie bezahlt haben, dort ab, wo eine Abschaltung sie nicht erreichen kann.
Bewahren Sie die Trainingsdaten und Evaluierungssets hinter jedem Fine-Tune auf – und behandeln Sie sie als das Asset, das sie sind. Halten Sie Domänenwissen in einer Wissensschicht, die Sie kontrollieren – Dokumente, eine Ontologie Ihres Unternehmens, Retrieval mit Berechtigungen –, anstatt es in die Gewichte eines Anbieters einzubacken. Wenn ein Prozess wirklich ein spezialisiertes Modell benötigt, trainieren Sie es auf Open Weights, die Sie selbst halten; der Adapter ist noch an seine Basis gebunden, aber die Basis verschwindet nie, es sei denn, Sie schalten sie ab. Und machen Sie das Modell hinter jedem Prozess zu einer Routing-Entscheidung, sodass die Abschaltung eines Anbieters zu einer Konfigurationsänderung wird – nicht zu einem Programm.¹¹
Abbildung 3. Gemietete und tragbare Spezialisierung. Originaldiagramm von neuland.ai.
Der Abschaltungs-Bereitschaftscheck
Kreuzen Sie jede Aussage an, die heute für Ihre Organisation zutrifft.
✓ | Aussage | Ebene |
|---|---|---|
☐ | 1. Wir haben ein Inventar aller Modelle und Fine-Tunes in Produktion, einschließlich der per Konfiguration gesetzten. | Inventar |
☐ | 2. Wir kennen das Abschaltungsdatum jedes einzelnen – auf jedem Weg, den wir nutzen: direkt über OpenAI und über Azure. | Inventar |
☐ | 3. Wir wissen, welche unserer Prozesse am 14. Januar stoppen würden, wenn sich nichts ändert. | Inventar |
☐ | 4. Wir haben die Trainingsdaten und Evaluierungssets hinter jedem Fine-Tune aufbewahrt, für das wir bezahlt haben. | Assets |
☐ | 5. Wir können unsere Evaluierungssuite gegen ein neues Modell innerhalb von Tagen – nicht Monaten – neu ausführen. | Assets |
☐ | 6. Unser Domänenwissen liegt in einer Wissensschicht, die wir kontrollieren – nicht im Fine-Tune eines Anbieters. | Architektur |
☐ | 7. Das Modell hinter einem Prozess zu wechseln ist eine Konfigurationsänderung – kein Neuaufbau. | Architektur |
☐ | 8. Mindestens ein kritischer Prozess könnte auf Open-Weight-Modellen laufen, die wir selbst hosten. | Architektur |
☐ | 9. Unsere Validierungsunterlagen und Betriebsvereinbarungen antizipieren Modellwechsel, anstatt ein bestimmtes Modell zu benennen. | Governance |
☐ | 10. Unsere KI-Verträge legen Vorlaufzeiten fest, mit denen wir tatsächlich planen können. | Governance |
Ihr Ergebnis:
8–10 Häkchen | Der Ruhestand bedeutet für Sie eine Umstellung. |
4–7 Häkchen | Sie werden diese Frist einhalten. Beginnen Sie mit der Bestandsaufnahme und sichern Sie die Daten, die jeder Feinabstimmung zugrunde liegen. |
0–3 Häkchen | Dein Fahrplan richtet sich nach der Deprecation-Seite eines anderen. |
Der Standpunkt von neuland.ai
Der neuland.ai HUB ist auf der Annahme aufgebaut, dass Modelle kommen und gehen – weil sie es tun. Domänenwissen liegt in der Wissensschicht des Kunden – Ontologie, Dokumente, Berechtigungen – außerhalb jedes einzelnen Modells. Das Routing wird pro Aufgabe unter der Richtlinie des Kunden entschieden: über selbst gehostete Open-Weight-Modelle wie Mistral, Nemotron, GLM und Qwen sowie proprietäre Modelle wie Claude und GPT, wo der Kunde sie zulässt. Ein abgeschaltetes Modell zu ersetzen ist damit eine Routenänderung – kein Neuaufbau. Evaluierungen laufen gegen die eigenen Fälle des Kunden, sodass ein Ersatz in Tagen getestet werden kann. Und wo ein Prozess ein spezialisiertes Modell benötigt, kann es auf Open Weights trainiert werden, die der Kunde hält – auf der Infrastruktur des Kunden.¹²
Das ist auch die Antwort auf die Frage, die wir jetzt von IT-Leitern hören, die fine-getunte Modelle in Produktion haben: Was tun wir vor dem 14. Januar? Inventarisieren Sie jedes Modell, von dem Sie abhängen. Sichern Sie die Daten und Tests hinter jedem Fine-Tune. Und verlagern Sie das Wissen aus dem Modell in eine Schicht, die Ihnen gehört. Die Frist gehört OpenAI. Die Architektur sollte Ihnen gehören.
Persönliche Einschätzung
Dieser Artikel ist kritisch gegenüber OpenAI – und die Fakten stützen die Kritik: eine verkürzte Vorlaufzeit ohne genannten Grund, unter einer Richtlinie, die mehr verspricht, angewendet auf die Modelle, auf denen Unternehmen am stärksten aufgebaut hatten. Aber das eigentliche Ziel ist die Art, wie Enterprise-KI gekauft wurde. „Wir haben unser eigenes Modell fine-getuned" wurde in sehr vielen Lenkungsausschüssen als Aufbau eines proprietären Assets präsentiert. Es war das Mieten einer Konfiguration.
Ich glaube nicht, dass die Antwort darin besteht, Frontier-Anbieter zu meiden – sie bauen ausgezeichnete Modelle, und wir nutzen sie. Die Antwort ist, aufzuhören, die Dinge, die man sich nicht leisten kann zu verlieren – Wissen, Tests, Spezialisierung – in Dinge zu stecken, die man nicht kontrolliert. Das Unternehmen, das seine Daten, sein Evaluierungsset und seine Wissensschicht behalten hat, wird den Januar mit einer Routing-Änderung verbringen. Das Unternehmen, das nur einen Endpunkt behalten hat, wird ihn damit verbringen, seinem Vorstand zu erklären, warum das Modell, für das es bezahlt hat, nicht mehr existiert.
Wir bei neuland.ai möchten lieber, dass unsere Kunden die Teile ihrer KI besitzen, die wirklich zählen – damit die nächste Abschaltungsmitteilung eine Konfigurationsänderung ist und keine Krise.
[1]Artikelserie verfügbar unter neuland.ai
[2]OpenAI, API-Deprecations-Seite, developers.openai.com, Eintrag vom 14. Oktober 2026 (GPT-4-Serien-Modell-Abschaltungen: gpt-4o-2024-08-06, gpt-4o-2024-11-20, gpt-4o-mini-2024-07-18, gpt-4.1-2025-04-14 und gpt-4.1-mini-2025-04-14, Abschaltung am 14. Januar 2027, empfohlener Nachfolger gpt-6-luna) sowie der Abschnitt zu Vorlaufzeiten auf derselben Seite
[3]OpenAI-Deprecations-Seite, Einträge zum Fine-Tuning vom 7. Mai 2026 und 2. Juli 2026 sowie das geplante Ende neuer Fine-Tuning-Aufträge am 6. Januar 2027, zitiert nach Developers Digest (Oktober 2026) und berichtet von Startup Fortune (8. Mai 2026)
[4]DataNorth (15. Oktober 2026), FourWeekMBA und DEV Community (Oktober 2026) zu GPT-6-Luna-Preisen, Standard-Reasoning-Verhalten und fehlendem Fine-Tuning-Support; Zentor (Oktober 2026) zu Function Calling mit deaktiviertem Reasoning; DEV Community (Oktober 2026) zur Abschaltung von Audio- und Echtzeit-Varianten am 20. Januar 2027 sowie Transkriptionsmodellen einschließlich Whisper-1 am 26. Februar 2027
[5]Microsofts Modell-Abschaltungsplan, berichtet von DEV Community (Oktober 2026): Basis-Snapshots werden am 14. April 2027 abgeschaltet; fine-getunte Deployments bis 1. Oktober 2027 (gpt-4o und gpt-4o-mini) bzw. 14. Oktober 2027 (gpt-4.1). Zum Sechs-Monats-Abschaltungsdatum für gpt-5.1 und gpt-5.3-codex vom 1. Oktober 2026 siehe denselben Bericht unter Verweis auf OpenAIs Deprecations-Seite
[6]OpenAI, „GPT-4 API general availability and deprecation of older models in the Completions API", Juli 2023, openai.com
[7]BaFin, „Big Data und künstliche Intelligenz: Prinzipien für den Einsatz von Algorithmen in Entscheidungsprozessen" (Juni 2021); EudraLex Band 4, EU-GMP-Anhang 11 (Computergestützte Systeme
[8]Betriebsverfassungsgesetz (BetrVG), § 87 Abs. 1 Nr. 6, zur Mitbestimmung bei der Einführung und Anwendung technischer Einrichtungen, die geeignet sind, das Verhalten oder die Leistung der Arbeitnehmer zu überwachen. Ob ein Modellwechsel eine erneute Beteiligung des Betriebsrats erfordert, hängt von der jeweiligen Vereinbarung ab – dies ist keine Rechtsberatung.
[9]Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 3 Abs. 23 zur wesentlichen Änderung; gemäß dem vorläufigen Digital-Omnibus-Abkommen vom 7. Mai 2026 gelten die Hochrisiko-Pflichten aus Anhang III ab dem 2. Dezember 2027
[10]Frühere Artikel dieser Serie zu Flexibilität als architektonischer Eigenschaft, zu den tatsächlichen Grenzen eines Agenten sowie zum KI-Kapital-Netz
[11]Frühere Artikel dieser Serie zu Destillation und kundenspezifischen Kleinmodellen sowie zur Definition einer Enterprise-KI-Orchestrierungs- und Managementplattform
[12]neuland.ai HUB: kundeneigene Wissensschicht, Ontologie und Berechtigungen; aufgabenbasiertes Modell-Routing unter kundenseitiger Richtlinie über selbst gehostete Open-Weight- und proprietäre Modelle; Evaluierung gegen Kunden-Workloads; Training spezialisierter Modelle auf Open Weights beim Kunden; Deployment on-premises, in einer europäischen Sovereign Cloud oder air-gapped. Die neuland.ai AG trägt die Verantwortung für Inhaltsqualität und saubere Ergebnislieferung in allen Kundenprojekten.
Von der KI-Strategie zur laufenden Plattform: Wir zeigen Ihnen den Weg.
Gespräch anfragen