Die meisten Plattformvergleiche beginnen mit den Lizenzkosten. Das ist der falsche Ausgangspunkt — Lizenzgebühren sind häufig der kleinste Posten in einem Dreijahresbudget.
Der eigentliche Unterschied zwischen Open-Source- und proprietären KI-Agenten-Plattformen zeigt sich an drei Stellen, die Vendorpreislisten nie erwähnen: Wer besitzt die Infrastruktur, durch die Ihre Kundendaten fliessen? Wer steuert den Upgrade-Pfad, wenn die Plattform die Richtung wechselt? Und wie viel interne Engineering-Kapazität benötigen Sie, um jede Option zu betreiben? Für Schweizer und EU-Unternehmen verstärkt eine vierte Dimension alle drei: Datenhaltungsvorschriften, die bestimmte proprietäre Plattformen unabhängig von ihren Funktionen operativ erschweren.
Dieser Artikel modelliert das vollständige Bild. Das Ziel ist ein Entscheidungsrahmen, den Sie auf Ihre spezifische Situation anwenden können — keine Empfehlung, die so tut, als hätten alle Unternehmen dasselbe Risikoprofil.
Was „Open Source” und „proprietär” für Agenten-Plattformen wirklich bedeuten
Die Begriffe sind weniger eindeutig, als es scheint. Frameworks wie LangGraph und CrewAI veröffentlichen ihren Kerncode unter permissiven MIT-Lizenzen. Sie können den Quellcode lesen, selbst hosten und ohne Zahlung modifizieren. Das ist echte Offenheit. n8n geht einen anderen Weg: Es verwendet eine „Fair-Code”-Sustainable-Use-Lizenz, die kommerzielle Weiterverteilung und Einbettung ohne kostenpflichtigen Enterprise-Vertrag einschränkt — es ist quelloffen einsehbar, aber kein Open Source im OSI-Sinne.
Proprietäre Plattformen — Microsoft Copilot Studio, Salesforce Agentforce, ServiceNow AI Agents und verschiedene Startup-Kategorie-Tools — bieten verwaltete Infrastruktur, vorgefertigte Konnektoren und ein SLA im Austausch gegen ein Abonnement. Der Agent-Runtime läuft in ihrer Cloud; Sie konfigurieren, statt zu bauen.
Eine dritte Kategorie verkompliziert das Bild: Open-Weight-Modellanbieter (Mistral, Metas Llama-Familie) kombiniert mit einer verwalteten Hosting-Schicht. Sie erhalten die Modellgewichte unter einer quelloffenen oder benutzerdefinierten Lizenz — Mistrals Modelle verwenden Apache 2.0 (genuinpermissiv), während Metas Llama-Familie eine benutzerdefinierte Community-Lizenz verwendet, die die Open Source Initiative nicht als Open Source anerkennt und die Einschränkungen für EU-Nutzer enthält — Sie laufen aber trotzdem auf der Compute eines anderen, sofern Sie sich nicht selbst hosten. Für diesen Vergleich behandeln wir jede Konstellation als „proprietär”, bei der Runtime und Datenpipeline gemäss den Nutzungsbedingungen des Vendors in seiner Cloud liegen.
Das 3-Jahres-TCO-Modell: Wo die Zahlen wirklich auseinanderlaufen
Ein mittelgrosses Unternehmen, das seinen ersten ernsthaften Agenten einsetzt — nehmen wir ein Operations-Team von 50 Personen mit drei automatisierten Workflows, die zusammen 2.000 Aufgaben pro Monat abwickeln — sieht sich einer Kostenstruktur gegenüber, die in etwa so aussieht:
Proprietärer Plattformweg
Die Kosten im ersten Jahr sind niedrig und planbar. Sie variieren je nach Plattform und Nutzungsmuster erheblich — Microsoft Copilot Studio kann bei leichter Credit-Nutzung unter CHF 200/Monat beginnen (zusätzlich zu obligatorischen M365-Basislizenzen), während Salesforce Agentforce zu Nutzerpreisen selbst für ein kleines Team CHF 3.000/Monat übersteigen kann. Ein grober SMB-Startbereich über die grossen Plattformen liegt bei CHF 300–2.000/Monat für moderaten Agenteneinsatz, ohne Basislizenzen. Prüfen Sie die aktuellen Tarife auf den Vendorpreisseiten vor der Budgetierung, da diese sich häufig ändern. Die Implementierungszeit wird in Wochen gemessen, nicht in Monaten. Die Plattform übernimmt Hosting, Skalierung, Monitoring und Modellversionsverwaltung; das Gesamtergebnis des ersten Jahres einschliesslich Einrichtung liegt je nach Integrationsaufwand typischerweise zwischen CHF 20.000–50.000.
Im dritten Jahr verändert sich das Bild. Nutzungsbasierte Gebühren wachsen, wenn Sie auf weitere Workflows ausweiten. Proprietäre Plattformen tendieren dazu, bei der Vertragsverlängerung neu zu bepreisen, sobald ausreichend Lock-in besteht. Wichtiger noch: Wenn die Plattform ihr Agenten-Ausführungsmodell ändert, eine API abkündigt oder übernommen wird, können Ihre Workflows eine teure Überarbeitung erfordern — bei Code, den Sie nicht forken können.
Open-Source-Framework-Weg
Die Kosten des ersten Jahres sind im Engineering konzentriert. Eine realistische Zeitplanung, um einen produktionsreifen agentischen Workflow auf LangGraph oder CrewAI zu betreiben — einschliesslich Infrastrukturaufbau, Observability-Tooling, LLM-API-Integration und internen Tests — beträgt 2–4 Monate Entwicklerzeit für ein Team ohne Vorerfahrung mit dem Framework. Zu aktuellen Schweizer Contractor-Sätzen von CHF 100–200/Stunde (Marktbenchmarks, Mitte 2026) entspricht das CHF 40.000–120.000, bevor der erste Workflow live geht.
Im dritten Jahr kehrt sich die Rechnung um. Die Infrastrukturkosten eines selbst gehosteten Stacks sind weitgehend fix. Es gibt keine Seat- oder Ausführungsgebühren jenseits Ihrer LLM-API-Kosten und Compute. Entscheidend: Sie besitzen den Code. Migration zu einem anderen LLM-Anbieter, Hinzufügen einer neuen Tool-Integration oder architektonische Änderungen lassen sich ohne Vendor-Gespräch realisieren.
Der Crossover-Punkt für ein typisches KMU liegt irgendwo zwischen 18 und 30 Monaten — danach ist der Open-Source-Weg auf reiner Geldbasis tendenziell günstiger, vorausgesetzt, Sie verfügen über die Engineering-Kapazität, ihn zu betreiben.
Datenhaltung: Warum dies die Entscheidungsgrundlage für Schweizer und EU-Käufer verändert
Hier wechselt der Vergleich für viele Schweizer Unternehmen von finanziell zu existenziell.
Das revidierte DSG (Schweizer Datenschutzgesetz) und die DSGVO legen beide Pflichten fest, wo personenbezogene Daten verarbeitet werden und wer darauf zugreifen kann. Viele proprietäre Agenten-Plattformen verarbeiten Daten — einschliesslich Gesprächsprotokollen, Dokumentinhalten und Workflow-Outputs — auf Infrastruktur, die möglicherweise über US-basierte Server läuft, den Bedingungen US-amerikanischer Cloud-Anbieter unterliegt und potenziell US-Regierungszugriffsbestimmungen ausgesetzt ist.
Das praktische Risiko: Wenn Ihr Agent Mitarbeiterdaten, Kundenkommunikation, Finanzdaten oder gesundheitsnahe Informationen verarbeitet, kann es schwierig werden, einen angemessenen Datenschutz nachzuweisen, wenn diese Daten über eine US-verwaltete proprietäre Plattform laufen. Einige Plattformen bieten EU-Regionen-Deployments an; eine kleinere Zahl bietet echte EU-only-Verarbeitungsgarantien. Noch weniger können schweizspezifische Anforderungen unter dem revidierten DSG erfüllen.
Open-Source-Frameworks, die auf Schweizer oder EU-Infrastruktur betrieben werden (ein inländischer Cloud-Anbieter, ein On-Premises-Server oder eine Tier-1-EU-Region mit geeigneten DPA-Bedingungen), liefern die sauberste Geschichte gegenüber Prüfern und dem eigenen Datenschutzbeauftragten. Diese Klarheit hat einen echten Wert — nicht nur im vermiedenen Compliance-Aufwand, sondern auch darin, dass Sie die Datenflüsse tatsächlich nachweisen können, anstatt auf die Attestierung eines Vendors angewiesen zu sein.
Siehe auch: KI-Agenten und DSGVO: Automation rechtssicher einsetzen und Governance von KI-Agenten: Ein praxisorientiertes Playbook für KMU.
Lock-in jenseits des Vertrags: Drei Risiken, die proprietäre Käufer unterschätzen
Das Konzept des Vendor-Lock-ins bei KI-Agenten-Plattformen reicht tiefer, als die meisten Käufer beim Vertragsabschluss ahnen.
Workflow-Logik-Lock-in. Die meisten proprietären Plattformen verwenden ein visuelles oder deklaratives Workflow-Format, das nicht portierbar ist. Wenn Sie 40 Automatisierungen auf Plattform A aufgebaut haben und zu Plattform B — oder zu einem eigenen Stack — wechseln wollen, fangen Sie von vorne an. Die versunkenen Kosten dieser Logik sind real.
Modellbindung. Viele proprietäre Plattformen schränken ein, welche Modelle Sie verwenden können. Salesforce Agentforce bietet inzwischen eine Bring-your-own-LLM-Option mit Unterstützung für Bedrock, Azure OpenAI und Google Vertex AI an, und Microsoft Copilot Studio unterstützt benutzerdefinierte Azure-OpenAI-Verbindungen — beide beschränken Sie aber dennoch auf vorab genehmigte Anbieterlisten und erheben Plattformgebühren unabhängig vom gewählten Modell. Proprietäre Tools der Startup-Kategorie setzen typischerweise engere Grenzen. Open-Source-Frameworks sind in der Regel model-agnostic.
Observability-Opazität. Wenn sich ein Agent auf einer proprietären Plattform unerwartet verhält, ist Ihre Debugging-Oberfläche auf das beschränkt, was der Vendor in seinen Logs und Trace-Tools freigibt. Auf einem Open-Source-Stack instrumentieren Sie genau das, was Sie brauchen — und Sie besitzen diese Telemetriedaten.
Interne Kompetenzen: Die ehrliche Voraussetzungsprüfung
Open Source bedeutet nicht „kostenlos in Bezug auf den menschlichen Aufwand.” Die Frameworks, die Ihnen die grösste Kontrolle geben — zum Beispiel LangGraphs Stateful-Graph-Modell — haben erhebliche Lernkurven. Den Betrieb eines Produktions-Agent-Stacks erfordert Kenntnisse in:
- Python oder TypeScript (framework-abhängig)
- LLM-API-Integration und Prompt Engineering
- Container-Orchestration (Docker mindestens, Kubernetes bei entsprechender Skalierung)
- Observability-Tooling (Logging, Tracing, Alerting)
- Security-Hardening für den Tool-Zugriff der Agenten
Wenn Ihr Team keine dieser Kompetenzen hat, unterschätzt die obige Kostenschätzung für das erste Jahr die Realität erheblich. Die Lücke wird durch Einstellungen, externe Beauftragung oder einen Spezialpartner geschlossen — aber sie existiert und muss eingepreist werden.
Proprietäre Plattformen senken diese Einstiegshürde erheblich. Eine technisch versierte Operations-Person — kein Softwareentwickler — kann auf einer gut gestalteten verwalteten Plattform bedeutungsvolle Automatisierungen aufbauen und pflegen. Das ist ein echter Vorteil, kein Marketingversprechen.
Wer was wählen sollte
Open Source ist die stärkere Wahl, wenn:
- Datenhaltungsanforderungen streng sind und Sie eine auditierbare Datenfluss-Dokumentation brauchen
- Sie damit rechnen, dass der Agenten-Footprint über 2–3 Jahre erheblich wächst (der TCO-Vorteil kumuliert)
- Sie Engineering-Kapazität haben oder aufbauen können, um den Stack zu betreiben
- Sie Modellflexibilität oder benutzerdefinierte Tool-Integrationen benötigen, die verwaltete Plattformen nicht bieten
- Sie ein Produkt oder einen Dienst auf Basis von Agenten aufbauen (IP-Eigentümerschaft ist relevant)
Proprietär ist die stärkere Wahl, wenn:
- Schnelligkeit bis zur ersten funktionierenden Automatisierung wichtiger ist als langfristige Flexibilität
- Ihr Anwendungsfall sauber in die vorgefertigte Konnektorbibliothek der Plattform passt
- Sie nicht die Engineering-Kapazität haben, Infrastruktur zu betreiben und zu pflegen
- Die Workflows, die Sie automatisieren, keine sensiblen personenbezogenen Daten enthalten — oder Ihre gewählte Plattform glaubwürdige EU/CH-only-Verarbeitungsgarantien bietet
Hybridwege existieren. Manche Organisationen betreiben proprietäre Plattformen für wenig sensible, wenig komplexe Automatisierungen — internes Scheduling, Routing von Dokumenten ohne PII — und behalten einen selbst gehosteten Open-Source-Stack für alles, was regulierte Daten berührt. Das erhöht die operative Komplexität, verteilt das Risiko aber sinnvoll.
Für einen umfassenderen Rahmen zur Build-versus-Buy-Dimension, siehe Build vs. Buy: Ein Entscheidungsrahmen für KI-Agenten.
Wo ein Partner die Gleichung verändert
Der TCO-Vorteil von Open Source ist real, aber er hängt davon ab, dass die Engineering-Investition im ersten Jahr richtig gesetzt wird. Eine schlechte Architekturentscheidung am Anfang — das falsche Framework für Ihren Anwendungsfall, ein unzureichendes Observability-Setup, ein Datenmodell, das künftige Skalierung nicht berücksichtigt — eliminiert den Vorteil schnell.
Die Zusammenarbeit mit einem Spezialisten, der Open-Source-Agent-Stacks bereits in der Produktion aufgebaut und betrieben hat, bedeutet: Sie zahlen nicht für die Lernkurve von jemandem. Sie zahlen für ein bewährtes Muster, das auf Ihre spezifischen Workflows und Ihre Datenumgebung angewendet wird.
Genau das ist die Arbeit, die wir bei Orange ITS leisten. Unsere KI-Agenten-Entwicklungspraxis ist framework-agnostisch: Wir wählen das richtige Werkzeug für die technische Reife, den regulatorischen Kontext und die Wachstumsstrategie des Kunden — was manchmal bedeutet, eine verwaltete Plattform zu empfehlen, und manchmal, auf Open Source zu setzen. Wir haben keinen Vendoranreiz, einen der beiden Wege zu bevorzugen.
Bereit, dies auf Ihre Situation zu übertragen?
Der obige Rahmen schränkt den Entscheidungsraum ein, aber die richtige Antwort hängt noch immer von Ihren spezifischen Workflows, Ihrer Datenklassifikation, dem technischen Profil Ihres Teams und Ihren Wachstumsplänen ab.
Ein 30-minütiges Gespräch mit unserem Team reicht aus, um zu erkennen, welcher Weg passt — und um die realen 3-Jahres-Kosten für Ihr Szenario statt eines generischen Modells zu schätzen. Nehmen Sie Kontakt mit Orange ITS auf, um dieses Gespräch zu vereinbaren.