Wenn Ihr KI-Tool über Nacht verschwindet: Die stille Gefahr der Anbieterabhängigkeit

Am 9. August 2026 stellt OpenAI seinen Browser-Agenten Atlas ein. Gestartet war das Produkt am 21. Oktober 2025 – mit dem Versprechen, das Web für ChatGPT-Nutzer neu zu erfinden. Keine zehn Monate später ist Schluss. Wer Atlas in seine Arbeitsabläufe eingebaut hatte, bekam rund 30 Tage Zeit, um Lesezeichen und gespeicherte Seiten zu exportieren, bevor der Dienst endgültig abgeschaltet wird. Wer die Frist verpasst, verliert die Daten.

Für sich genommen wäre das eine Randnotiz aus der schnelllebigen KI-Branche. Doch Atlas steht nicht allein. Im selben Sommer zieht OpenAI auch das Modell o3 aus ChatGPT zurück, kündigt die Abschaltung der Assistants-API an und hat erst wenige Monate zuvor mit nur zwei Wochen Vorlauf gleich mehrere Modelle aus dem Verkehr gezogen. Wer als Unternehmen KI-Tools produktiv einsetzt, sieht sich 2026 mit einer Häufung von Abkündigungen konfrontiert, die eines deutlich macht: Die Frage ist nicht mehr, ob ein KI-Anbieter ein Produkt einstellt, sondern wann – und wie viel Vorlauf Sie dabei tatsächlich bekommen.

Der Fall Atlas: Ein Produkt, unter zehn Monaten Lebensdauer

Atlas war kein Nischenexperiment. OpenAI positionierte den Browser-Agenten als zentralen Baustein für agentisches, browserbasiertes Arbeiten – als Werkzeug, das Aufgaben im Web selbstständig erledigt, Formulare ausfüllt, recherchiert, bucht. Für Unternehmen, die genau solche Automatisierungen suchen, klang das nach einer strategischen Investition. Skripte wurden geschrieben, Workflows darauf aufgebaut, Teams geschult.

Und dann, weniger als ein Jahr später, die Ankündigung: Atlas wird eingestellt. Die Funktionen wandern in andere Produkte – eine Chrome-Extension, die Desktop-App von ChatGPT mit integriertem Browser, eine Cloud-Browser-Lösung für Agenten im ChatGPT-Work-Umfeld. Für OpenAI ist das eine nachvollziehbare Konsolidierung. Für Unternehmen, die ihre Prozesse konkret auf Atlas aufgesetzt hatten, bedeutet es: Migration unter Zeitdruck, mit rund 30 Tagen Frist für den reinen Datenexport.

Das Muster ist bemerkenswert, weil es zeigt, wie wenig Bestandsschutz selbst prominente, breit beworbene Produkte großer Anbieter genießen. Ein Launch mit viel Aufmerksamkeit ist keine Garantie für langfristige Verfügbarkeit – im Gegenteil, gerade neue Produkte werden häufig wieder eingestampft, sobald sich die Strategie des Anbieters ändert oder ein Nachfolgeprodukt bereitsteht.

Besonders unangenehm wird es, wenn ein Werkzeug wie Atlas nicht nur einzelne Aufgaben unterstützt, sondern zum festen Bestandteil eines wiederkehrenden Prozesses geworden ist – etwa der automatisierten Recherche für Angebote, der Überwachung von Wettbewerbs-Websites oder der Vorbereitung von Kundenterminen. In solchen Fällen reicht ein Datenexport allein nicht aus. Auch die Logik, die definiert, wann und wie der Agent im Browser handelt, muss neu aufgebaut werden – in einem anderen Werkzeug, mit anderen Schnittstellen und häufig anderem Verhalten. Genau dieser Aufwand wird in der ersten Euphorie über ein neues KI-Produkt selten mitgedacht.

o3, GPT-4.5 und die Sunset-Fristen: Wenn "Vorlauf" mal zwei Wochen, mal 90 Tage bedeutet

Parallel zu Atlas läuft eine zweite Frist: Zum 26. August 2026 zieht OpenAI das Modell o3 aus ChatGPT zurück – nach einer 90-tägigen Sunset-Frist, die mit der Veröffentlichung eines Nachfolgemodells begann. Immerhin: Über die API bleibt o3 vorerst weiter nutzbar. Wer jedoch dauerhaft mit der API arbeitet, sollte den 11. Dezember 2026 im Kalender haben – dann verschwinden ältere GPT-5- und o3-Modell-Snapshots auch dort. Angekündigt wurde das den Entwicklern am 11. Juni 2026, also mit rund einem halben Jahr Vorlauf.

Diese 90 Tage beziehungsweise sechs Monate klingen nach einem fairen Zeitrahmen. Doch sie sind keineswegs der Standard. Schon im Januar 2026 hatte OpenAI mit nur zwei Wochen Vorlauf angekündigt, gleich mehrere Modelle – GPT-4o, GPT-4.1, GPT-4.1 mini, o4-mini sowie GPT-5 Instant und Thinking – zum 13. Februar 2026 aus ChatGPT zu verabschieden. Das war bemerkenswert, weil Sam Altman nach einem früheren, ebenfalls abrupten GPT-4o-Rückzieher öffentlich "reichlich Vorlauf" für künftige Abkündigungen versprochen hatte. Zwei Wochen sind das nicht.

Wer glaubt, eine offizielle Deprecation-Policy schütze vor kurzfristigen Überraschungen, unterschätzt die Bandbreite: OpenAIs eigene Richtlinie sieht mindestens sechs Monate Vorlauf für GA-Modelle vor, mindestens drei Monate für spezialisierte Varianten – bei Preview-Modellen aber teils nur rund zwei Wochen. Welche Kategorie ein Produkt zugeordnet wird, entscheidet der Anbieter, nicht der Kunde.

Auch GPT-4.5 bestätigt dieses Muster: Das Modell wurde bereits zum 26. beziehungsweise 27. Juni 2026 aus ChatGPT zurückgezogen – mit nur 30 Tagen Sunset-Frist, deutlich kürzer als die 90 Tage bei o3. Für Unternehmen bedeutet das: Selbst wenn ein Anbieter eine Sunset-Periode ankündigt, ist deren Länge kaum vorhersehbar. Sie reicht von zwei Wochen bis zu einem halben Jahr – planbar ist daran wenig.

Wer in einem Prompt, einer Automatisierung oder einer internen Anleitung fest auf ein bestimmtes Modell verweist – etwa "verwende o3 für komplexe Analysen" –, riskiert, dass genau dieser Verweis irgendwann ins Leere läuft. Das Modell existiert dann schlicht nicht mehr an der erwarteten Stelle, und der Prozess bricht ab oder liefert unbemerkt schlechtere Ergebnisse mit einem automatisch gewählten Ersatzmodell. Je mehr solcher expliziten Modellverweise sich über Jahre in Dokumentationen, Skripten und internen Leitfäden ansammeln, desto größer wird die Angriffsfläche für genau diese Art von stillem Ausfall.

Die Assistants-API stirbt: Wenn nicht nur Modelle, sondern ganze Architekturen verschwinden

Noch tiefer greift ein drittes Ereignis desselben Sommers: Am 26. August 2026 – exakt einem Jahr nach der Ankündigung im August 2025 – läuft die Assistants-API von OpenAI aus, ein Produkt, das sich noch im Beta-Status befand. Ein Jahr Vorlauf ist im Vergleich zu den anderen genannten Fällen großzügig. Das eigentliche Problem liegt woanders: in der Art der Migration.

Der Wechsel zur neuen Responses- und Conversations-API ist kein einfacher Endpoint-Tausch, bei dem man eine URL ändert und weitermacht. Es handelt sich um eine architektonische Umstellung: Das Objektmodell ändert sich, das Tool-Handling funktioniert anders, das State-Management folgt neuen Prinzipien, und selbst das Kostenmodell verschiebt sich. Wer die Assistants-API tief in Backend-Prozesse integriert hat – etwa für Kundenservice-Bots, interne Wissensdatenbanken oder automatisierte Dokumentenverarbeitung – steht vor einem Projekt, keiner Konfigurationsänderung.

Genau hier zeigt sich der Unterschied zwischen einem Modell-Wechsel und einem API-Wechsel. Ein neues Sprachmodell lässt sich oft mit überschaubarem Aufwand austauschen, wenn die Architektur darum herum abstrahiert ist. Eine komplette API-Ablösung mit verändertem Objektmodell und Tool-Handling dagegen reißt tief in bestehenden Code ein – und genau solche tiefen Abhängigkeiten sind es, die Anbieterabhängigkeit im Ernstfall so teuer machen.

Ein Jahr Vorlauf klingt zunächst komfortabel – und ist es im Vergleich zu den zwei Wochen beim Januar-Rückzug auch. Doch ein Jahr für ein Migrationsprojekt, das Objektmodell, State-Management und Kostenlogik gleichzeitig betrifft, ist für ein mittelständisches Unternehmen ohne dedizierte Entwicklungsressourcen durchaus knapp bemessen. Wer die Ankündigung im Sommer 2025 nicht sofort in ein Migrationsprojekt übersetzt hat, sondern das Thema erst jetzt, kurz vor dem Stichtag, angeht, steht unter erheblich mehr Druck als nötig gewesen wäre.

Der deutsche Mittelstand ist besonders verwundbar

Wie stark deutsche Unternehmen mittlerweile auf KI setzen, zeigt die Bitkom-KI-Studie 2026: 41 Prozent der Unternehmen ab 20 Mitarbeitenden nutzen aktiv KI – 2024 waren es erst 17 Prozent, ein Anstieg um 24 Prozentpunkte in kurzer Zeit. 56 Prozent setzen dabei auf generative KI-Tools wie ChatGPT oder Copilot. Die KI-Nutzung im Mittelstand ist also kein Nischenphänomen mehr, sondern breiter Alltag.

Bemerkenswert ist jedoch ein zweiter Wert aus derselben Studie: Im Schnitt setzen Unternehmen nur rund zwei KI-Anwendungen ein. Diese geringe Zahl ist ein deutliches Indiz für hohe Konzentration auf wenige Anbieter und Tools. Wer nur zwei KI-Anwendungen im Einsatz hat und eine davon fällt weg – sei es durch Abschaltung, drastische Preisänderung oder Funktionsumbau –, trifft das den Betrieb ungleich härter, als wenn zehn verschiedene Werkzeuge im Portfolio wären.

Laut Bitkom-Studie geben zudem 33 Prozent der Unternehmen an, dass KI teurer sei als erwartet, und einer Presseauswertung der Studie zufolge hat fast jedes fünfte Unternehmen bereits Stellen wegen KI-Einsatz gestrichen. Diese Zahl stammt aus der Sekundärberichterstattung über die Bitkom-Studie und nicht aus der Bitkom-Originalpublikation selbst – sie sollte entsprechend vorsichtig eingeordnet werden. Dennoch passt sie ins Bild: Wenn Unternehmen Prozesse und teils auch Personalentscheidungen auf einzelne KI-Tools ausrichten, wächst gleichzeitig die Verwundbarkeit gegenüber Entscheidungen, die sie selbst nicht treffen.

Was Anbieterabhängigkeit bei KI wirklich bedeutet

Vendor Lock-in ist im Software-Umfeld ein alter Bekannter – bei KI-Systemen nimmt er allerdings neue Formen an. Fachanalysen weisen darauf hin, dass sich Abhängigkeit hier nicht nur auf Daten und Infrastruktur beschränkt, sondern ebenso Modelle, Prompts, Embeddings und APIs betrifft. Ein einmal fein abgestimmtes Prompt-System, das auf die Eigenheiten eines bestimmten Modells zugeschnitten ist, funktioniert bei einem anderen Modell oft spürbar schlechter. Embeddings, die für die Suche in Dokumenten erzeugt wurden, sind an das jeweilige Modell gebunden und lassen sich nicht ohne Weiteres übertragen. Und wie das Beispiel der Assistants-API zeigt, kann auch die API selbst zur Sackgasse werden.

In der Praxis führt das dazu, dass ein Anbieterwechsel technisch, vertraglich und finanziell so aufwendig wird, dass er faktisch unterbleibt – selbst wenn ein Unternehmen eigentlich wechseln möchte, etwa weil ein Konkurrenzprodukt günstiger oder leistungsfähiger ist. Ein häufig zitierter Wert, wonach Vendor Lock-in die IT-Kosten um rund 30 Prozent erhöht, stammt aus einem Beratungs-Blogbeitrag ohne genannte Primärstudie. Er sollte als Praxis-Einschätzung der Branche gelesen werden, nicht als belastbare Statistik. Der grundsätzliche Mechanismus – dass Wechselkosten real sind und Unternehmen dazu bringen, an suboptimalen Lösungen festzuhalten – ist jedoch in der Fachliteratur breit dokumentiert, auch ohne diese eine Zahl.

Die Ereignisse des Jahres 2026 machen zusätzlich einen zweiten Aspekt von Lock-in sichtbar, der oft übersehen wird: Es geht nicht nur darum, dass ein Wechsel schwerfällt, sondern auch darum, dass der Anbieter selbst über Kopf und Tempo dieses Wechsels entscheidet. Bei Atlas hatten Nutzer 30 Tage Zeit für den Datenexport. Bei einigen Modell-Abkündigungen waren es zwei Wochen bis zur vollständigen Abschaltung. Diese Frist bestimmt nicht Ihr Unternehmen – sie bestimmt der Anbieter, je nachdem, wie er das Produkt intern kategorisiert.

Der Ausweg: Modellunabhängige Agenten-Infrastruktur

Die naheliegende Reaktion wäre, einfach vorsichtiger zu sein bei der Wahl neuer Produkte – etwa nur etablierte, seit Jahren stabile Angebote zu nutzen. Das greift jedoch zu kurz, wie das Beispiel GPT-4.5 zeigt: Auch etablierte, breit genutzte Modelle können mit nur 30 Tagen Vorlauf verschwinden. Die eigentliche Lösung liegt nicht in der Auswahl des vermeintlich "sichersten" Anbieters, sondern in der Architektur der eigenen KI-Prozesse.

Eine Abstraktionsschicht, die Agenten, Prompts und Workflows nicht fest an ein einzelnes Modell oder eine einzelne API bindet, sondern austauschbar hält, reduziert das Risiko spürbar. Wird ein Modell abgekündigt oder eine API grundlegend umgebaut, lässt sich in einer solchen Architektur die darunterliegende Komponente austauschen, ohne dass der komplette Geschäftsprozess neu gebaut werden muss. Genau das unterscheidet ein Unternehmen, das binnen weniger Wochen migrieren kann, von einem, das dafür Monate benötigt und in der Zwischenzeit auf einen zentralen Prozess verzichten muss.

Für den Mittelstand, der laut Bitkom im Schnitt nur rund zwei KI-Anwendungen im Einsatz hat, bedeutet das zweierlei: Erstens lohnt sich eine bewusste Diversifizierung – nicht aus Selbstzweck, sondern weil eine breitere Basis den Ausfall eines einzelnen Werkzeugs abfedert. Zweitens – und das ist der wichtigere Punkt – kommt es weniger darauf an, wie viele Tools im Einsatz sind, sondern wie diese Tools technisch eingebunden sind. Eine gut gebaute Agenten-Infrastruktur mit klarer Trennung zwischen Geschäftslogik und Modell-Anbindung übersteht einen Anbieterwechsel deutlich leichter als eine Ansammlung fest verdrahteter Einzellösungen.

Die Häufung der Abkündigungen im Sommer 2026 – Atlas, o3, die Assistants-API, die Nachwirkungen des Januar-Präzedenzfalls und der GPT-4.5-Abschaltung – ist damit weniger ein einmaliges Ereignis als ein Warnsignal für das, was strukturell zu erwarten ist. Anbieter im KI-Markt entwickeln sich schnell, ändern Strategien, konsolidieren Produkte und ziehen auch etablierte Angebote wieder zurück. Wer seine Prozesse heute auf eine flexible, modellunabhängige Grundlage stellt, verschiebt das Risiko der nächsten Abkündigung von einer betrieblichen Krise zu einer planbaren, überschaubaren Anpassung.

Bevor die nächste Abkündigung Sie überrascht, lohnt sich ein nüchterner Blick auf die eigene KI-Landschaft. Vier Fragen helfen bei der Einordnung: Erstens, an wie vielen Stellen verweisen Ihre Prompts, Automatisierungen oder internen Anleitungen explizit auf ein bestimmtes Modell oder Produkt, statt auf eine austauschbare Funktion? Zweitens, wie viele Ihrer Kernprozesse hängen an genau einer einzigen Anbieter-API, ohne dass eine Abstraktionsschicht dazwischenliegt? Drittens, wie schnell könnten Sie realistisch reagieren, wenn Ihnen morgen eine Frist von zwei Wochen statt sechs Monaten gesetzt würde? Und viertens, wer im Unternehmen behält überhaupt den Überblick darüber, welche KI-Tools wo im Einsatz sind und welche Abhängigkeiten daraus entstanden sind?

Gerade die vierte Frage wird im Tagesgeschäft häufig vernachlässigt. Wenn einzelne Teams oder sogar einzelne Mitarbeitende eigenständig KI-Tools auswählen und in ihre Arbeitsabläufe integrieren, entsteht eine Landschaft, die niemand mehr vollständig überblickt – und die im Ernstfall niemand rechtzeitig migrieren kann, weil niemand weiß, wo überall Abhängigkeiten bestehen. Eine zentrale, aktuelle Übersicht über eingesetzte KI-Tools und ihre jeweilige Kritikalität für den Geschäftsbetrieb ist deshalb kein bürokratischer Selbstzweck, sondern die Grundvoraussetzung dafür, auf eine Abkündigung überhaupt reagieren zu können, bevor die Frist abgelaufen ist.