Zwischen Superintelligenz-Fantasie und kaputten Git-Servern: Was LLMs heute schon kosten

Eine Einordnung der Codeberg-Stellungnahme vom Juli 2026 zu Large Language Models.

Eine andere Zeitebene

Während Szenarien wie AI 2027 den Blick auf ein mögliches Ende der 2020er Jahre richten – Superintelligenz, geopolitisches Wettrüsten, Kontrollverlust über Milliarden von KI-Kopien –, lohnt sich auch der Blick auf das, was schon heute passiert, weit unterhalb dieser großen Erzählung. Ein gutes Beispiel dafür liefert Codeberg e. V., der gemeinnützige Verein hinter der bekannten FLOSS-Forge Codeberg (einer Alternative zu GitHub für freie und quelloffene Software). Ende Juli 2026 veröffentlichte der Verein eine ausführliche Stellungnahme zu zwei Mitgliederabstimmungen über den Umgang mit LLMs – und die dort geschilderten Probleme sind eine Art Miniaturversion dessen, was in den großen KI-Zukunftsszenarien oft nur als abstrakte Fußnote auftaucht: reale Kosten, reale Infrastruktur, reale Vertrauensbrüche, hier und jetzt.

Zwei Abstimmungen, ein klares Signal

Auf der Jahresversammlung von Codeberg e. V. wurden zwei Anträge zur Abstimmung gestellt. Der erste bekräftigt eine bereits bestehende Haltung: Codeberg wird die Code- und Nutzerdaten seiner Projekte niemals zum Training von KI-Modellen verwenden. Diese Position leitet sich aus dem Vereinsgrundsatz "Wir wollen eure Daten nicht brauchen" ab und wird als Frage der Vereinbarkeit mit verantwortungsvoller Pflege freier Software begründet.

Der zweite Antrag war deutlich kontroverser, wurde aber mit einer für Vereinsverhältnisse bemerkenswert hohen Wahlbeteiligung von rund 50 Prozent der aktiven Mitglieder und einem klaren Ergebnis von 358 zu 144 Stimmen (bei 14 Enthaltungen) angenommen: eine Änderung der Nutzungsbedingungen, die "vibe-coded" Projekte – also weitgehend oder komplett durch LLMs erzeugte und kaum von Menschen überwachte Software – künftig ausschließt oder zumindest nicht mehr aktiv unterstützt.

Die stille Rechnung: Wer zahlt eigentlich für LLMs?

Der Kern der Codeberg-Argumentation ist eine Kostenrechnung, die in der öffentlichen KI-Debatte oft fehlt. LLMs sind extrem ressourcenintensiv, und diese Kosten werden zunehmend externalisiert – auf Menschen, die die Technologie gar nicht nutzen.

Ein konkretes Beispiel aus dem Alltag von Codeberg: Crawler von Unternehmen, die Trainingsdaten für ihre Modelle sammeln wollen, durchforsten die Plattform nicht gezielt, sondern nahezu wahllos – jede Filtervariante eines Issue-Trackers, jede Version der Git-Historie, jede einzelne Datei zu jedem Zeitpunkt, selbst wenn sich am Inhalt nichts geändert hat. Das erzeugt teure Datenbankabfragen, bindet Arbeitszeit der (ehrenamtlichen) Systemadministratoren und zwingt dazu, Abwehrmechanismen zu bauen, die am Ende auch legitime Nutzer treffen und deren Erfahrung mit der Plattform verschlechtern.

Noch greifbarer wird es bei der Hardware: Ein SSD-Modell, das der Verein vor wenigen Jahren für 700 Euro beschaffen konnte, kostet inzwischen 3.700 Euro – wenn es überhaupt verfügbar ist. Da Codeberg eigene Hardware betreibt statt Cloud-Dienste zu mieten, trifft diese Preisentwicklung den Verein direkt bei jeder Erweiterung oder jedem Ersatz von Geräten. Geld, das dann an anderer Stelle fehlt.

Diese Beobachtung lässt sich auch größer denken: Codeberg beschreibt eine wachsende digitale Kluft, bei der nur noch die größten Cloud-Anbieter verlässliche Hardware-Konditionen bekommen, während kleine Betreiber, NGOs, Forschungsprojekte und letztlich auch private Nutzer draufzahlen. Rechenleistung und Speicher werden wieder zum Luxusgut – in einer Zeit, in der digitale Teilhabe eigentlich als Grundvoraussetzung für gesellschaftliche Teilhabe gilt.

Auch die zivile Infrastruktur bleibt nicht verschont: Rechenzentren für das Training von LLMs treiben durch ihren Energie- und Wasserbedarf vielerorts bereits heute die Strom- und Trinkwasserpreise für Anwohner in die Höhe, dazu kommen Lärm- und Luftbelastung. Als Beispiel nennt Codeberg Frankfurt am Main, wo Rechenzentren bereits 40 Prozent des lokalen Stromverbrauchs ausmachen – mit steigender Tendenz und Lobbybemühungen, Umweltauflagen zu lockern, um den Bedarf notfalls mit fossilen Energieträgern zu decken.

Wenn Vertrauen zur knappen Ressource wird

Der zweite große Themenblock der Stellungnahme betrifft etwas, das man als soziale statt materielle Kosten bezeichnen könnte: den Effekt von LLMs auf die Kultur der Zusammenarbeit in Freie-Software-Projekten.

Freie und quelloffene Software lebt seit jeher davon, dass Menschen Werkzeuge teilen, gemeinsam weiterentwickeln und voneinander lernen – auch sehr kleine, unscheinbare Hilfsprogramme können so zum Ausgangspunkt echter Zusammenarbeit werden. LLMs verändern dieses Muster: Statt bestehenden Code wiederzuverwenden und gemeinsam zu pflegen, entsteht tendenziell viel Einwegsoftware, die zwar technisch "geteilt" wird, aber faktisch von niemandem geschrieben und von niemandem gepflegt wird.

Damit einher geht ein Vertrauensverlust, den Codeberg als "mehrdimensionalen Angriff auf die Idee konvivialer Zusammenarbeit" beschreibt. Maintainer stehen unter wachsendem Druck, weil sie zunehmend gutgemeinte, aber mit wenig Sorgfalt erstellte, LLM-generierte Beiträge prüfen müssen, was erheblich mehr Zeit kostet als die eigentliche Codeänderung wert wäre. Gleichzeitig wird es immer schwerer zu erkennen, welche Projekte von erfahrenen Entwicklern betreut werden und welche im Wesentlichen ohne echte menschliche Aufsicht von einer KI generiert wurden. Bei Copyleft-Projekten kommt ein weiteres Problem hinzu: eine Art "Lizenz-Waschung", bei der urheberrechtlich geschützter, quelloffener Code seiner Weitergabepflichten beraubt wird, indem er einfach aus den Trainingsdaten "neu generiert" wird.

Besonders bemerkenswert ist eine Beobachtung, die Codeberg selbst als beunruhigenden Trend benennt: Es entsteht ein zunehmendes gegenseitiges Misstrauen. Menschen, die sich tatsächlich Mühe geben, Probleme zu analysieren oder Vorschläge zu formulieren, werden fälschlich beschuldigt, LLMs benutzt zu haben – während andere ihre KI-Tools gezielt anweisen, Spuren zu verwischen und typische Muster zu vermeiden, um genau dieser Prüfung zu entgehen. Ein Wettrüsten im Kleinen, könnte man sagen – nicht zwischen Staaten um Rechenkapazität, sondern zwischen Menschen um die Frage, wem man in einer Codebasis überhaupt noch vertrauen kann.

Das Ergebnis ist, was Codeberg selbst einen Teufelskreis nennt: Je höher die "Transaktionskosten" der Zusammenarbeit durch dieses Misstrauen und den Prüfaufwand steigen, desto unattraktiver wird es, sich an gemeinsamen, hochwertigen Softwareprojekten zu beteiligen – und desto verlockender wird es, stattdessen schnell eine Einwegsoftware für den eigenen Bedarf "vibezucoden", die nie über diesen einen Anwendungsfall hinauswächst und nie gepflegt wird.

Keine Löschwelle, aber eine klare Haltung

Wichtig ist Codeberg dabei die Klarstellung, dass die neue Regelung keine automatisierte Säuberungsaktion nach sich zieht. Es wird keine systematische Suche nach betroffenen Repositories geben; stattdessen sollen die neuen Regeln anhand konkreter Einzelfälle nach und nach angewendet werden, mit Menschen, die Entscheidungen treffen, nicht mit einem Scanner.

Der Verein grenzt dabei recht klar ab, wer sich keine Sorgen machen muss: Projekte mit aktiver, pflegender Community, Projekte mit substanzieller Geschichte von vor der LLM-Ära, oder Maintainer, die unwissentlich oder bewusst einzelne LLM-generierte Beiträge von Dritten angenommen haben, ohne dass das Projekt selbst stark auf LLMs setzt. Auch kleine Seitenprojekte und Experimente mit geringem Ressourcenverbrauch werden zwar nicht befürwortet, aber in der Praxis toleriert.

Wer dagegen ganz oder überwiegend autonom von KI-Agenten erstellte und gepflegte Projekte betreibt, wer Ressourcen (Speicher, CI/CD-Pipelines) in einem Umfang beansprucht, der in keinem Verhältnis zur Zahl der tatsächlich beteiligten Menschen steht, oder wer Werkzeuge baut, die eng an das LLM-Ökosystem selbst gekoppelt sind, muss laut Codeberg damit rechnen, dass dies auf der Plattform künftig nicht mehr willkommen ist – ohne dass sofort etwas gelöscht wird, aber mit dem klaren Hinweis, dass andere Plattformen dafür besser geeignet sein könnten.

Die kleine Vorschau auf ein großes Problem

Was diesen Text über die reine Vereinspolitik hinaus interessant macht, ist die Parallele zu genau jenen Fragen, die große Zukunftsszenarien wie AI 2027 auf einer ganz anderen Skala verhandeln. Dort geht es um Systeme, deren innere Funktionsweise die Menschen, die sie überwachen sollen, irgendwann nicht mehr nachvollziehen können – um die Frage, ob man einem System noch vertrauen kann, wenn man es nicht mehr wirklich versteht. Bei Codeberg zeigt sich, in viel kleinerem und sehr konkretem Maßstab, dasselbe Grundmuster schon heute: Menschen können nicht mehr zuverlässig unterscheiden, was von einem Menschen und was von einer Maschine stammt, Vertrauen wird zur knappen Ressource, und die Institutionen, die Zusammenarbeit ermöglichen sollen, müssen sich neue, aufwendigere Regeln geben, um überhaupt funktionsfähig zu bleiben.

Man muss also nicht bis 2027 oder 2030 warten, um erste Reibungen dieser Art zu beobachten. Sie sind, in kleinerem Maßstab, bereits Teil des Alltags einer der bekanntesten Communities für freie Software – lange bevor irgendein Modell auch nur in die Nähe von "superhuman coder" kommt.

Quelle: Greshake Tzovaras, B., Richter, O., Zijl, W. (2026). Protecting our FLOSS commons from LLMs. Codeberg News, 23. Juli 2026.