Was ist IBM watsonx?

Aktualisiert im Juli 2026

IBM watsonx ist IBMs Enterprise-KI- und Datenplattform: watsonx.ai zum Erstellen und Bereitstellen von Modellen, watsonx.data zum Speichern und Verwalten der zugrunde liegenden Daten sowie watsonx.governance zur Überwachung von Risiko und Compliance über den gesamten KI-Lebenszyklus. Die Plattform wurde 2023 eingeführt und ist der Nachfolger der Watson-Marke, die IBM rund um schmale, auf einen einzigen Zweck ausgerichtete KI-Systeme aufgebaut hatte, wie jenes System, das bei Jeopardy! gewann.

Wer sich heute fragt, "was ist IBM Watson AI", bekommt mit watsonx die ehrliche Antwort. IBM hat die alte Vorstellung von Watson als einzelnem Produkt vor Jahren aufgegeben und die Marke rund um eine Plattform neu aufgebaut: einen Ort, an dem Enterprise-Teams Modelle trainieren oder per Fine-Tuning anpassen, sie in kontrollierten Unternehmensdaten verankern, beobachten, was diese Modelle im Live-Betrieb tun, und sie zunehmend in Agenten einbinden, die handeln, statt nur zu antworten.

Was jede watsonx-Komponente leistet

Watsonx ist kein einzelnes Produkt. Es besteht aus drei Kerndiensten plus einem vierten, neueren für Agenten, und wer versteht, was jeder davon leistet, versteht die Plattform am schnellsten.

watsonx.ai ist die Modell-Werkbank. Hier greifen Teams auf Foundation Models zu, IBMs eigene Granite-Familie ebenso wie Drittanbietermodelle von Meta, Mistral und anderen, prompten sie, passen sie per Fine-Tuning an und deployen sie über eine gemeinsame Prompt-Lab- und API-Ebene. Auf der Plattform kommt das dem Nächsten gleich, was es an einer einzigen zentralen Anlaufstelle für Machine Learning und Generative AI gibt.

watsonx.data ist die darunterliegende Datenschicht. Sie ist als offenes Data Lakehouse aufgebaut und lässt Teams Daten über Cloud- und On-Premises-Speicher hinweg über einen einzigen Zugangspunkt abfragen, statt sie in ein separates KI-spezifisches Data Warehouse zu kopieren. Bei jeder KI-Initiative ist das Modell nur so gut wie die Daten, mit denen es gefüttert wird, und watsonx.data ist IBMs Antwort auf die Kosten und die Komplexität, diese Daten überhaupt erst KI-tauglich zu machen.

watsonx.governance ist die Kontrollschicht. Laut IBMs eigener Produktseite ist sie darauf ausgelegt, KI-Systeme, Modelle, Anwendungen und Agenten zu überwachen, zu steuern und zu verwalten, sowohl auf IBM-Technologie als auch auf Drittplattformen wie OpenAI, AWS und Meta. Diese plattformübergreifende Reichweite ist entscheidend: Governance beschränkt sich hier nicht auf Modelle, die Sie bei IBM gekauft haben, was dazu passt, wie die meisten großen Unternehmen KI tatsächlich betreiben, verteilt über mehrere Anbieter gleichzeitig.

watsonx Orchestrate ist das neueste Element und dasjenige, das IBM im Verlauf von 2026 am stärksten forciert hat. Es ist ein Produkt für Agentic Workflows: ein Ort, um AI Agents zu erstellen, zu orchestrieren und bereitzustellen, die mehrstufige Geschäftsaufgaben erledigen, mit einem Katalog vorgefertigter Agenten für Funktionen wie HR, Beschaffung und Vertrieb sowie Tools zum Erstellen eigener Agenten. Es steht neben watsonx.ai statt darin, ein eigenständiges Produkt mit eigener Preisgestaltung.

Granite: Die offenen Modelle in watsonx

IBMs eigene Granite-Familie ist die Modellreihe, die watsonx vorzeigen soll, und sie ist wirklich offen. Granite-Modelle werden unter der Apache-2.0-Lizenz veröffentlicht, das heißt, die Gewichte lassen sich frei herunterladen, untersuchen, per Fine-Tuning anpassen und auf Infrastruktur ausführen, die IBM nie berührt. Die aktuelle Generation, Granite 4.1, erscheint als dichte, reine Decoder-Sprachmodelle in den Parametergrößen 3B, 8B und 30B, mit nativer Unterstützung für mehrere Sprachen, Coding-Aufgaben, Retrieval-Augmented Generation, Tool Calling und strukturierte JSON-Ausgabe, laut IBMs Granite-Modelldokumentation auf GitHub.

Die Granite-Familie geht über allgemeine Sprachmodelle hinaus. IBM veröffentlicht Granite-Vision-Modelle für dokumentenlastige visuelle Aufgaben, Granite-Speech-Modelle für Transkription und gesprochene Sprache, Granite-Embedding-Modelle für Suche und RAG-Pipelines sowie Granite-Guardian-Modelle, die speziell für Content-Moderation und Sicherheitsprüfungen entwickelt wurden, laut dem offiziellen Granite-Hub auf Hugging Face. Die kleineren Größen dieser Reihe sind IBMs Beitrag zum breiteren Trend hin zu Small Language Models: Modelle, die auf niedrigere Latenz und günstigere Inferenz bei agentischen, tool-lastigen Workloads ausgelegt sind statt auf reine Benchmark-Werte.

Granite ist allerdings nicht die einzige Option innerhalb von watsonx.ai. Der Katalog umfasst auch offene und kommerzielle Modelle von Drittanbietern, Metas Llama-Familie, Mistrals Modelle und weitere, verfügbar über IBMs dokumentierten Katalog für Foundation Models von Drittanbietern, sodass Teams nicht an Granite gebunden sind, selbst wenn sie alles über IBMs Infrastruktur betreiben.

watsonx Orchestrate und Agenten im Jahr 2026

Modellzugriff allein macht ein Enterprise-KI-Projekt noch nicht fertig. Jemand muss dieses Modell noch in einen tatsächlichen Workflow einbinden: Ein Fall wird priorisiert, eine Bestellung wird freigegeben, eine Bewerbung wird gesichtet. Genau diese Lücke soll watsonx Orchestrate schließen, und es ist der Teil der Plattform, auf den IBM in diesem Jahr am stärksten gesetzt hat, während die Branche insgesamt von Chatbots hin zu autonomen, aufgabenerledigenden Agenten wechselt.

Orchestrate gibt Teams einen Katalog vorgefertigter Fachbereichs-Agenten für gängige Back-Office-Funktionen sowie einen Builder zum Erstellen eigener Agenten, die interne Tools, APIs und andere Agenten nacheinander aufrufen. Es wird separat von watsonx.ai bepreist und paketiert und nach Monthly Active Units statt nach Tokens abgerechnet, ein bewusster Unterschied: IBM misst, wie viele Personen und Prozesse einen Agenten in einem gegebenen Monat tatsächlich nutzen, nicht wie viel Text ein Modell erzeugt. Das ist ein deutlich anderes Kostenmodell, das einkalkuliert werden muss, als die Pro-Token-Preisgestaltung, die anderswo auf der Plattform gilt, und es lohnt sich, das zu verstehen, bevor ein Agenten-Pilotprojekt zu einem unternehmensweiten Rollout ausgebaut wird.

Für wen watsonx gedacht ist

Watsonx ist für große, oft regulierte Unternehmen gebaut, nicht für Einzelentwickler oder kleine Teams, die mit einem einzelnen API-Key experimentieren. Die Plattform setzt reale Governance-Anforderungen voraus: Audit Trails, Model Risk Management und die Fähigkeit, einer Aufsichtsbehörde oder einem internen Compliance-Team nachzuweisen, was ein Modell getan hat und warum.

Das zeigt sich am deutlichsten bei drei Käufergruppen. Banken, Versicherer, Gesundheitssysteme und Behörden nutzen watsonx.governance, weil KI-Entscheidungen in diesen Branchen ein rechtliches und regulatorisches Gewicht tragen, dem eine Tabelle mit Modellkennzahlen nicht gerecht wird. IT- und Datenplattform-Teams, die bereits IBM-Infrastruktur betreiben, Cloud Pak for Data, IBM-Z-Mainframes oder eine Hybrid-Cloud-Umgebung, kommen schneller in die Produktion, weil watsonx überall dort laufen soll, wo diese Infrastruktur bereits existiert, einschließlich vollständig On-Premises. Und Unternehmensteams, die ihre ersten Agentenprogramme aufbauen, greifen gezielt zu watsonx Orchestrate, weil es Governance und Agenten-Orchestrierung zusammen bündelt, statt sie als getrennte Käufe zu behandeln.

Teams, die einen einzigen, Hyperscaler-nativen Stack wollen, eng gebündelt mit den übrigen KI-Diensten einer Public Cloud, oder die kein On-Premises-Deployment oder plattformübergreifende Governance brauchen, sind meist woanders besser aufgehoben; genau diesen Trade-off bildet die Vergleichstabelle weiter unten ab.

Wie watsonx bepreist wird

Watsonx nutzt kein einheitliches Preismodell für alle Dienste. Jeder Dienst wird unterschiedlich abgerechnet, und bevor Budget zugesagt wird, muss klar sein, welche Abrechnungslogik für welchen Workload gilt.

watsonx.ai und watsonx.data laufen über IBMs Resource-Unit-System (RU). Compute-, Storage- und Inferenzverbrauch werden alle in RUs umgerechnet, aber die Umrechnung ist dienstspezifisch: Ein Trainingsjob verbraucht RUs anders als ein Inferenzaufruf oder eine gespeicherte Datendatei, und IBM veröffentlicht separate Umrechnungstabellen pro Dienst statt eines einzigen Pauschalsatzes. Unternehmen kaufen in der Regel im Voraus ein jährliches oder mehrjähriges RU-Kontingent zu einem rabattierten Satz, statt nach Bedarf zu bezahlen, laut Redress Compliances Lizenzierungsleitfaden zu IBM watsonx. Diese Struktur belohnt vorausschauende Workload-Planung: Teams, die sich im Voraus auf ein Nutzungsband festlegen können, zahlen pro Einheit weniger als Teams, die RUs reaktiv einkaufen.

watsonx Orchestrate wird separat und auf dem Papier einfacher bepreist. Die Essential Edition startet bei rund 500 US-Dollar pro Monat und deckt grundlegenden Agentenbau, Orchestrierung, einen Katalog vorgefertigter Integrationen sowie Cloud- oder On-Premises-Deployment ab, laut BlockSentients Review zu watsonx Orchestrate 2026. Die Stufen Standard und Premium, die erweiterte Workflow-Automatisierung, Dokumentenverarbeitung, dedizierte Datenisolierung und höhere Durchsatzkapazität hinzufügen, werden individuell angeboten statt zum Listenpreis.

Wie bei jeder verbrauchsbasierten KI-Plattform ist der genannte Einstiegspreis selten die vollständige Jahr-eins-Summe, sobald Inferenzvolumen, Fine-Tuning-Läufe, Storage und Agentennutzung über mehrere Teams hinweg zusammengerechnet werden. Diese Rechnung sauber durchzuführen, statt das Budget an einer einzigen Schlagzeilenzahl auszurichten, ist genau die Aufgabe eines AI Total Cost of Ownership-Frameworks.

watsonx vs. Vertex AI vs. Bedrock vs. Azure AI Foundry

Alle vier Plattformen verschaffen Enterprise-Teams Zugriff auf führende Foundation Models, Fine-Tuning und irgendeine Form von Agenten-Tooling. Die Unterschiede zeigen sich bei Offenheit, Governance-Reichweite und der Infrastruktur, auf der ein Unternehmen bereits aufsetzt.

Watsonx' klarster Vorteil gegenüber den drei Hyperscaler-Plattformen ist die Deployment-Flexibilität und eine Governance, die nicht an eine Cloud gebunden ist. Die klarste Lücke ist die Tiefe des Modellkatalogs: Allein Vertex AIs Model Garden listet über 200 Modelle, weit mehr als watsonx.ai derzeit bietet. Teams sollten diesen Trade-off, Modellbreite gegen Deployment-Kontrolle und plattformübergreifende Governance, als die eigentliche Entscheidung behandeln, nicht als Feature-Checkliste, und genau das ist die Art von Vergleich, die ein AI Vendor Evaluation-Prozess strukturieren soll.

Wichtige Fakten

• IBM stellte die watsonx-Plattform am 9. Mai 2023 auf seiner jährlichen Think-Konferenz vor und positionierte sie als Grundlage für den Generative-AI-Vorstoß des Unternehmens, laut IBMs offizieller Pressemitteilung.
• Das ursprüngliche Watson besiegte die Jeopardy!-Champions Ken Jennings und Brad Rutter im Februar 2011 und lief dabei auf einem System aus 90 Servern mit 2.880 Prozessorkernen, laut IBMs eigener Watson-Historienseite.
• IBM verkaufte seine Watson-Health-Daten- und Analyseaktivitäten an Francisco Partners, ein Deal, der am 21. Januar 2022 angekündigt und im Juni desselben Jahres abgeschlossen wurde; das Geschäft operiert heute eigenständig als Merative, laut IBMs Pressemitteilung zum Verkauf.
• IBM meldete für das erste Quartal 2026 einen Gesamtumsatz von 15,9 Milliarden US-Dollar, ein Plus von 9 Prozent gegenüber dem Vorjahr, mit einem Software-Umsatz von 7,1 Milliarden US-Dollar, ein Plus von 11 Prozent gegenüber dem Vorjahr, laut IBMs offizieller Ergebnismitteilung für Q1 2026.
• Granite 4.1, IBMs aktuelle Generation offener Sprachmodelle, erscheint als dichte, reine Decoder-Modelle in den Parametergrößen 3B, 8B und 30B unter der Apache-2.0-Lizenz, laut IBMs Granite-Modell-Repository.
• watsonx.governance ist darauf ausgelegt, KI-Systeme sowohl über IBM-Technologie als auch über Drittplattformen wie OpenAI, AWS und Meta hinweg zu überwachen und zu verwalten, laut IBMs watsonx.governance-Produktseite.
• Die Essential Edition von watsonx Orchestrate startet bei rund 500 US-Dollar pro Monat und wird nach Monthly Active Units statt nach Tokens abgerechnet, laut BlockSentients Preisreview 2026.

Das klassische Watson vs. watsonx heute

Es lohnt sich, die beiden Ären zu trennen, denn es sind wirklich unterschiedliche Produkte unter demselben Familiennamen. Das ursprüngliche Watson war ein System für einen einzigen Zweck, die Beantwortung von Fragen, fünf Jahre in der Entwicklung, gebaut, um natürlichsprachliche Quizhinweise zu analysieren und ein festes Wissenskorpus schnell genug zu durchsuchen, um menschliche Champions live im Fernsehen zu schlagen. Es gewann. Es war aber auch nichts, das ein Unternehmen kaufen und für eigene Zwecke umnutzen konnte; es war eine Forschungsdemonstration, die IBM im folgenden Jahrzehnt mit gemischtem Erfolg in vertikale Produkte wie Watson Health, Watson Assistant und Watson Discovery zu kommerzialisieren versuchte. Watson Health, die prominenteste dieser Wetten, wurde 2022 vollständig verkauft.

Watsonx ist etwas grundlegend anderes. Statt eines einzigen, auf eine Aufgabe abgestimmten Modells ist es Infrastruktur: ein Ort, um eigene Daten mitzubringen, aus offenen und Drittanbietermodellen zu wählen, sie per Fine-Tuning anzupassen und bereitzustellen und zu steuern, was am Ende dabei herauskommt. Das Jeopardy!-gewinnende Watson konnte Quizfragen beantworten; watsonx soll die Plattform darunter sein, für alles, was die eigenen KI-Systeme als Nächstes tun müssen, eine deutlich breitere und bislang deutlich weniger glanzvolle Wette.

Grenzen, die Sie kennen sollten

Watsonx ist nicht für jedes Team die naheliegende Wahl, und einige Lücken sind es wert, vor der Budgetzusage abgewogen zu werden.

• Der Modellkatalog ist kleiner als der der Hyperscaler. Granite plus eine wachsende, aber noch begrenzte Liste von Drittanbietern reicht nicht an Vertex AIs Model Garden mit über 200 Modellen oder die Breite an Frontier-Modellen heran, die über Bedrock und Azure AI Foundry verfügbar sind.
• Die Preisgestaltung ist mehrschichtig und im Voraus schwerer abzuschätzen. Resource Units werden je nach Dienst unterschiedlich umgerechnet, und eine genaue Jahr-eins-Zahl erfordert die Modellierung des tatsächlichen Workload-Mixes statt das bloße Ablesen einer einzigen Preistabelle.
• Orchestrate wird separat von watsonx.ai bepreist und paketiert. Teams, die "watsonx" als eine einzelne Budgetposition bewerten, müssen die Agenten-Orchestrierung als eigenständigen Kauf einplanen, nicht als enthaltenes Feature.
• Es ist ein kleineres Ökosystem als AWS, Google Cloud oder Azure. Im Vergleich zu den drei dominierenden Hyperscaler-KI-Stacks gibt es weniger Drittanbieter-Integrationen, Tutorials und Fachkräfte mit praktischer watsonx-Erfahrung.
• Die Marke trägt Altlasten. Manche Käufer verbinden "Watson" noch immer mit den vertikalen Produkten vor 2023, die die Erwartungen nicht erfüllten, weshalb der Pitch für watsonx manchmal mehr Überzeugungsarbeit leisten muss, um zu zeigen, dass es sich um eine andere Plattform auf anderen Grundlagen handelt.

Verwandte KI-Konzepte

• Was ist Vertex AI? - Google Clouds konkurrierende Enterprise-KI-Plattform, hilfreich für den Vergleich von Modellkatalogen und Preismodellen
• Foundation Models - Die breitere Kategorie vortrainierter Modelle, zu der sowohl Granite als auch watsonx' Drittanbieterkatalog gehören
• AI Governance - Die Disziplin, die watsonx.governance über die KI-Systeme eines Unternehmens hinweg operationalisieren soll
• Was ist LLMOps? - Die operativen Praktiken, die watsonx.ai für Versionierung, Evaluierung und Monitoring von Generative AI im Produktivbetrieb unterstützt
• MLOps - Die breitere Disziplin des Modell-Lebenszyklus, die watsonx.data und watsonx.ai unterstützen sollen
• AI Agents - Die Bausteine, die watsonx Orchestrate zu mehrstufigen Geschäfts-Workflows zusammensetzt

Externe Ressourcen

• IBM watsonx Produktübersicht - IBMs offizielle Plattformseite zu watsonx.ai, watsonx.data und watsonx.governance
• IBM Granite auf Hugging Face - IBMs Granite-Modellfamilie mit offenen Gewichten, veröffentlicht unter Apache 2.0
• IBM watsonx.governance Produktseite - Details zu plattformübergreifendem KI-Monitoring und Compliance