Clem Delangue, CEO von Hugging Face, hat in einem TechCrunch-Interview vom 10. Juli 2026 ein Argument offen ausgesprochen: Firmen sind fertig damit, ihre KI zu mieten. Seine Sorge ist konkret — dass eine Handvoll grosser Anbieter am Ende alles kontrollieren könnten, wenn jedes Studio seine Daten durch die gleichen drei APIs schickt. Für ein Architekturbüro, das seine BIM-Modelle, Ausschreibungsdokumente und Client-Geometrien in jemand anderes Datencenter driften sieht, liest sich das weniger wie eine Philosophie-Debatte und mehr wie eine Beschaffungsentscheidung — eine, die du dieses Jahr triffst.

←HEUTE: Der Hugging-Face-Hub listet 45.000+ Modelle auf, erreichbar über eine einzige API, und 50.000+ Organisationen bauen bereits auf dem offenen Stack. →3012: Die Büros, die überstehen, sind jene, die ihre Gewichte, ihre Daten und ihre Inferenzen auf Maschinen behielten, die sie selber kontrollierten. Drehpunkt: KI zu mieten ist billig, bis sich das Schloss ändert — den Runtime zu beherrschen ist die einzige Klausel, die eine Preisrunde übersteht.

Das Signal: der offene Stack ist erwachsen geworden

Hugging Face ist als Website bekannt, aber das Interessante ist die Software darunter. Die transformers-Bibliothek, der diffusers-Bildstack, das safetensors-Gewichtsformat, PEFT für parameter-effizientes Fine-Tuning — das sind Apache-lizenzierte Python-Pakete, die du installieren und laufen lassen kannst, ohne Konto, Schlüssel oder ausgehende Anfrage. Die Skalierung dahinter ist real: der Hub routet 45.000+ Modelle durch eine einzige einheitliche API, und Hugging Face zählt mehr als 50.000 Organisationen auf der Plattform — Meta, Amazon, Intel und Microsoft darunter, wie Hugging Face angibt. Das ist die Verschiebung, die Delangue aufzeigt. Die gemietete API ist eine Tür; die gleichen Modelle treten durch eine zweite Tür auf deine eigene Hardware.

Das Werkzeug: huggingface/transformers

Das Projekt, auf dem dieses Tutorial aufbaut, ist transformers (github.com/huggingface/transformers), die Bibliothek, die Hugging Face als gemeinsame Schnittstelle zu Sprach-, Bild- und Audio-Modellen verwaltet. Es ist für einen Computational Designer wichtig, weil es “Modell finden” und “Modell laufen” in drei Python-Zeilen zusammenfasst — und weil alles, was es herunterlädt, in einen lokalen Cache fällt, den du auf einen Ordner deiner Wahl verweisen kannst. Wie Brian Andrus unverblümt im DreamHost-Ratgeber zum lokalen Hosting vom 9. Juli 2026 sagt, kann sich das Versenden deiner Daten in jemand anderes Cloud anfühlen, als würdest du einem Fremden deine Hausschlüssel geben.

Einrichtung:

python -m venv .venv && source .venv/bin/activate   # Windows: .venvScriptsactivate
pip install "transformers[torch]" huggingface_hub
python - <<'PY'
from transformers import pipeline
clf = pipeline("sentiment-analysis")
print(clf("Local inference keeps the tender data on my own machine."))
PY

Wenn das ein Label und einen Score ausgibt, funktioniert der ganze Stack: PyTorch, ein heruntergeladenes Modell und eine erste Inferenz — alles auf deinem Laptop, nichts versendet.

Erste Schritte:

1. Tausche die Aufgabe. Ändere “sentiment-analysis” in “summarization” und füttere es mit einem Absatz aus einer realen Ausschreibung. Du siehst, wie das Modell den Kern extrahiert — nützlich für die Triage eines Stapels von Ausschreibungs-PDFs.
2. Fixiere das Modell. Füge model=”BAAI/bge-small-en-v1.5″ zu einem pipeline(“feature-extraction”, …)-Aufruf hinzu, um Text in einen 384-dimensionalen Vektor umzuwandeln. Dieser Vektor ist die Grundeinheit jeder semantischen Suche, die du jemals über dein Archiv bauen wirst.
3. Richte den Cache aus. Setze HF_HOME=./models vor der Ausführung, und jedes Gewicht wird in deinen Projektordner heruntergeladen — ein Verzeichnis, das du überprüfen, sichern und unter deiner Kontrolle behalten kannst.

Weil die Modelle lokal gepuffert werden, ist der zweite Lauf offline. Das ist die Eigenschaft, die aus einer Demo ein Büro-Prinzip wird.

Atelier:

Atelier: Ein Schweizer Studio, das dieses Jahr KI einführt, steht vor der gleichen Wahl wie die Gemeinden — miete die Intelligenz und akzeptiere die Datenresidenz-Bedingungen, oder betreibe ein kleines Modell selbst und behalte die Geometrien im LAN. Studios, die eine Cloud-Tool-Preiserhöhung erlebt haben, berichten die gleiche Lektion: die Migrationskosten sind nicht die Lizenz, sondern die Daten, die du nicht mehr extrahieren kannst. Dein Montag-Move: stelle eine transformers-Zusammenfassungs-Pipeline auf einer Studio-Workstation auf und verarbeite diese Woche damit alle eingehenden Ausschreibungs-PDFs — miss, ob der lokale Lauf gut genug ist, bevor du etwas unterschreibst, das diese Dokumente off-site speichert.

Hack:

Verwandle eine Klausel in einen Vektor, der dein Büro nie verlässt — der erste Schritt einer privaten semantischen Suche über deine Zeichnungen und Spezifikationen.

from sentence_transformers import SentenceTransformer
model = SentenceTransformer("BAAI/bge-small-en-v1.5")
vec = model.encode("Datenresidenz clause in a cantonal tender")
print(vec.shape)  # (384,) — embedding computed and stored locally

Diese vier Zeilen sind die Grundoperation, die PAZ überall nutzt: Text rein, Vektor fester Länge raus, Kosinus-Distanz für “was sonst noch in meinem Archiv sagt das Gleiche”. Es ist die gleiche mathematische Basis, die es einem NeRF erlaubt, ein ganzes Gebäude als die Gewichte eines kleinen Netzwerks zu speichern — das Kajiya-Von-Herzen-Integral von 1984, jetzt durch Gradient Descent angepasst — oder es 3D Gaussian Splatting erlaubt, eine Fassadenvermessung in ~10⁶ anisotropen Gaussians zu speichern. Repräsentation ist die Disziplin; Repräsentation zu beherrschen ist die Souveränität.

Der Move: Lies die Klausel selbst

Das eigentliche Werkzeug hier war nie die Bibliothek; der haltbare Move ist, pro Pipeline zu fragen, “Wo läuft das und wo ruhen die Daten?” Die Schweiz behielt ihre digitale Souveränität weniger durch grosse Planung als durch ein paar Kantone, die auf lokale Datenresidenz bestanden, als niemand sonst das Kleingedruckte las — Föderalismus als Langsamkeits-Budget, klug genutzt. Du kannst diese Entscheidung im Kleinen treffen. Wenn dein Büro oder dein Gemeinderat dieses Jahr ein KI-Werkzeug beschafft, lies die Datenresidenz-Klausel selbst, und wenn sie fehlt, schreib sie selbst rein.

Vertiefe dich:

• Projektquelle — die transformers-Bibliothek und ihr README: huggingface.co
• Warum jetzt Deine-KI — Clem Delangue zu Mieten vs. Besitz: TechCrunch, 10. Juli 2026
• Praktische Anleitung zum lokalen Hosting: Local AI Hosting (2026 Guide)
• Funktioniert der Hub? Betriebsstatus, den du vor einem Lauf prüfen kannst: StatusGator — Hugging Face Hub
• PAZ Notiz: das gleiche Embedding-Primitive liegt zugrunde für unsere Grasshopper↔Archicad-Library und PAZ-GPT — behalte den Vektor-Speicher, wo du die Zeichnungen behältst.