DeepSeek R1: Open-Source-KI mit GPT-4-Niveau – so nutzen deutsche Unternehmen das Modell DSGVO-konform

Executive Summary

DeepSeek R1 ist ein chinesisches Open-Source-Sprachmodell, das im Januar 2025 die KI-Welt erschüttert hat. Mit Performance auf OpenAI-o1-Niveau bei lediglich 3,6% der Kosten stellt R1 die Kostenstrukturen der KI-Industrie fundamental in Frage. Das Modell erreicht 79,8% auf der AIME-Mathematik-Benchmark und 97,3% auf MATH-500 – Werte, die mit den führenden geschlossenen Modellen konkurrieren.

Für deutsche Unternehmen ist DeepSeek R1 jedoch ein zweischneidiges Schwert: Die Cloud-API überträgt sämtliche Nutzerdaten nach China und verstößt damit gegen Art. 46 DSGVO. Italien hat die App bereits im Januar 2025 gesperrt, Deutschland folgte im Juni mit einem Block-Versuch. Die rechtssichere Alternative: Self-Hosting über Azure AI Foundry oder lokale Deployment via Ollama. Die MIT-Lizenz erlaubt kommerzielle Nutzung und Modifikation ohne Einschränkungen.

Dieser Artikel zeigt, wie deutsche KMUs und Mittelständler DeepSeek R1 DSGVO-konform einsetzen, welche Kostenersparnisse realistisch sind und wo die technischen Grenzen liegen.

📌 Für wen ist dieser Guide? IT-Architekten, die KI-Infrastruktur evaluieren | Datenschutzbeauftragte, die DSGVO-Compliance sicherstellen müssen | Geschäftsführer, die KI-Kosten senken wollen | CTOs, die Self-Hosting-Optionen prüfen

Die technische Revolution hinter DeepSeek R1

DeepSeek R1 basiert auf einer Mixture-of-Experts-Architektur (MoE) mit 671 Milliarden Parametern, von denen jedoch nur 37 Milliarden pro Anfrage aktiviert werden. Diese Technik reduziert den Rechenaufwand drastisch, ohne die Modellqualität zu beeinträchtigen. Im Vergleich: GPT-4 nutzt vermutlich eine ähnliche Architektur, während Claude 3.5 Sonnet auf einem dichten Modell basiert.

Benchmark-Vergleich (Stand Februar 2026):

Die Zahlen zeigen: DeepSeek R1 liegt in mathematischem Reasoning sogar vor OpenAI o1, während es bei allgemeinem Weltwissen (MMLU) leicht zurückfällt. Für spezialisierte Anwendungsfälle wie Code-Generierung, Vertragsanalyse oder technische Dokumentation ist R1 jedoch vollständig konkurrenzfähig.

Distilled Models: KI für Consumer-Hardware

DeepSeek hat sechs kleinere Varianten von R1 veröffentlicht, die das Reasoning-Verhalten des großen Modells übernehmen:

• 1,5B Parameter: 83,9% auf MATH-500, läuft auf RTX 3090
• 7B Parameter: 88,2% auf MATH-500, geeignet für Edge-Deployment
• 14B Parameter: 91,5% auf MATH-500, Sweet-Spot für KMUs
• 32B Parameter: 94,1% auf MATH-500, nahe am Vollmodell
• 70B Parameter: 96,8% auf MATH-500, für High-End-Server

Diese Modelle basieren auf Qwen 2.5 und Llama 3.3 und sind ebenfalls unter MIT-Lizenz verfügbar. Für Unternehmen bedeutet das: Eine RTX 4090 (ca. 2.000 €) reicht aus, um das 14B-Modell mit akzeptabler Performance zu betreiben.

Entscheidungsmatrix: Welches DeepSeek-Modell für welches Unternehmen?

Realitätscheck für DACH-Unternehmen:
Das Full R1 671B-Modell ist für die überwiegende Mehrheit deutscher KMUs nicht praktikabel. Die Hardware-Kosten (500.000 €+), der Stromverbrauch (~35.000 €/Jahr) und der DevOps-Aufwand (1,5 FTE) amortisieren sich erst ab mehreren Tausend Anfragen täglich.

Unsere Empfehlung: Für >95% der Anwendungsfälle reichen die Distilled Models (14B-70B) vollkommen aus. Starten Sie mit R1 14B auf einer RTX 4090 – sollte die Performance nicht ausreichen, können Sie jederzeit auf 32B/70B upgraden.

Der Business Case: ROI-Kalkulation für deutsche Unternehmen

Die Kostenvorteile von DeepSeek R1 sind erheblich, aber nur bei korrekter Implementierung realisierbar. Wir rechnen drei Szenarien durch.

Kostenannahmen für alle Berechnungen

Folgende Annahmen liegen den Kalkulationen zugrunde:

Wichtig: Diese Werte sind Durchschnittswerte. Ihre tatsächlichen Kosten können je nach Nutzungsintensität, Stromtarif und IT-Infrastruktur erheblich abweichen.

Szenario 1: KMU mit 50 Mitarbeitern (Self-Hosting vs. Azure OpenAI)

Annahmen:

• 30 aktive KI-Nutzer
• 500.000 Tokens Input + 200.000 Tokens Output pro Nutzer/Monat
• 3-Jahres-Betrachtung

Option A: Azure OpenAI (GPT-4o)

• Input: $5/1M Tokens → $75.000/Jahr
• Output: $15/1M Tokens → $108.000/Jahr
• Gesamt: $183.000/Jahr = 549.000 € über 3 Jahre

Option B: DeepSeek R1 via Azure AI Foundry (managed)

• Input: $0,70/1M Tokens → $10.500/Jahr
• Output: $2,80/1M Tokens → $20.160/Jahr
• Azure-Hosting: ~$15.000/Jahr (managed inference)
• Gesamt: $45.660/Jahr = 136.980 € über 3 Jahre

Option C: Self-Hosted DeepSeek R1 (on-premise)

• Hardware: 1× RTX 4090 (einmalig 2.000 €)
• Stromkosten: ~1.200 €/Jahr (24/7-Betrieb bei 450W × 0,30 €/kWh)
• Wartung: 5.000 €/Jahr (IT-Ressourcen, ~60h × 80 €/h)
• Gesamt: 20.600 € über 3 Jahre

Einsparung Self-Hosting vs. Azure OpenAI: 528.400 € (bis zu ~96% unter idealen Bedingungen)

Hinweis: Diese Kalkulation geht von optimalen Voraussetzungen aus – gleichmäßiger Auslastung, stabilen Strompreisen und keinen ungeplanten Wartungskosten. In der Praxis liegt die Ersparnis realistisch zwischen 75-90%, abhängig von Ihrer spezifischen Situation.

Szenario 2: Mittelstand mit 250 Mitarbeitern

Annahmen:

• 150 aktive KI-Nutzer
• Höherer Durchsatz: 1 Mio. Input + 400.000 Output pro Nutzer/Monat
• Enterprise-Support benötigt

Option A: Microsoft Copilot Enterprise

• 30 € pro Nutzer/Monat
• 150 Nutzer × 30 € × 12 Monate = 54.000 €/Jahr
• 3 Jahre: 162.000 €

Option B: DeepSeek R1 via Azure AI Foundry (Provisioned Throughput)

• Provisioned Capacity: ~8.000 €/Monat (dedizierte GPUs)
• Garantierte SLAs + EU-Hosting
• 3 Jahre: 288.000 €

Option C: Self-Hosted DeepSeek R1 (Proxmox-Cluster)

• Hardware: 4× H100 GPUs (~120.000 € einmalig)
• Strom + Kühlung: 8.000 €/Jahr
• DevOps: 25.000 €/Jahr (0,5 FTE)
• 3 Jahre: 219.000 €

Break-Even: Nach 18 Monaten bei Self-Hosting-Option

Kritischer Faktor: Opportunitätskosten

Die obigen Kalkulationen berücksichtigen nicht:

• DevOps-Zeit: Self-Hosting bindet IT-Ressourcen (Monitoring, Updates, Troubleshooting)
• Model-Performance-Drift: Neue Modellversionen erfordern Re-Deployment
• Compliance-Audits: DSGVO-Dokumentation für Self-Hosted-Systeme

Für KMUs mit <100 Mitarbeitern ist Azure AI Foundry oft die wirtschaftlichere Wahl. Erst ab 200+ aktiven Nutzern amortisiert sich Self-Hosting.

DSGVO-Risiko: Warum die Cloud-API rechtlich problematisch ist

DeepSeek R1 ist über die offizielle API unter api.deepseek.com verfügbar – zu unschlagbaren Preisen von $0,55/$2,19 pro 1 Million Tokens. Für deutsche Unternehmen ist diese Option jedoch rechtlich problematisch.

Die rechtliche Situation

Italien (Januar 2025): Der Datenschutzbeauftragte Garante ordnete einen vollständigen App-Ban an, nachdem DeepSeek auf Informationsanfragen nicht reagierte. Begründung: Die Privacy Policy erwähnt die DSGVO mit keinem Wort und gibt keine Auskunft über Datenverarbeitung in der EU.

Deutschland (Juni 2025): Die Berliner Datenschutzbeauftragte Meike Kamp nutzte Art. 16 des Digital Services Act (DSA), um Apple und Google aufzufordern, DeepSeek aus deutschen App Stores zu entfernen (Quelle: Pressemitteilung Berlin DPA, 27.06.2025). Kamp stellte sinngemäß fest:

"Die Übertragung von Nutzerdaten durch DeepSeek nach China ist rechtswidrig. DeepSeek konnte meinem Amt keine überzeugenden Nachweise vorlegen, dass Daten deutscher Nutzer in China auf einem Niveau geschützt werden, das dem der Europäischen Union entspricht."

DSGVO-Verstöße im Detail

Art. 46 DSGVO (Drittstaatentransfer):
DeepSeek überträgt sämtliche Prompt-Daten, Upload-Dateien und Metadaten (Geräte-IDs, IP-Adressen, Standortdaten) auf Server in der Volksrepublik China. China verfügt über keine Angemessenheitsentscheidung der EU-Kommission (gesicherter Fakt, Stand Februar 2026, Art. 45 DSGVO). Das bedeutet: Für legale Transfers sind Standard Contractual Clauses (SCCs) oder Binding Corporate Rules (BCRs) zwingend erforderlich.

DeepSeek nutzt weder SCCs noch BCRs. Die Privacy Policy enthält keine Informationen zu Datenschutz-Mechanismen.

Art. 5 Abs. 1 lit. a DSGVO (Transparenz):
Die Privacy Policy von DeepSeek ist 1,5 Seiten lang und enthält keinerlei Details zu:

• Aufbewahrungsfristen
• Rechtsgrundlagen der Verarbeitung
• Betroffenenrechten (Auskunft, Löschung, Widerspruch)
• Verwendung der Daten für Model-Training

Chinesisches Datenschutzrecht:
Das chinesische National Intelligence Law (2017) verpflichtet alle Unternehmen in China, Behörden bei "nationalen Sicherheitsaufgaben" zu unterstützen. Das bedeutet: Die chinesische Regierung kann theoretisch Zugriff auf alle DeepSeek-Nutzerdaten verlangen.

Bußgeldrisiko

Bei DSGVO-Verstößen drohen Bußgelder von bis zu 20 Millionen Euro oder 4% des weltweiten Jahresumsatzes – je nachdem, welcher Betrag höher ist. Für ein KMU mit 10 Millionen Euro Umsatz bedeutet das: maximal 400.000 Euro Bußgeld.

Präzedenzfall: Die Berliner Datenschutzbehörde verhängte 2023 gegen ein Startup ein Bußgeld von 50.000 Euro, weil es Google Analytics ohne Zustimmung nutzte (Drittstaatentransfer in die USA ohne angemessene Garantien).

Faktenlage vs. Risikoabschätzung

Gesicherte Fakten:

• China verfügt über keine EU-Angemessenheitsentscheidung (Art. 45 DSGVO)
• DeepSeek hat auf Anfragen der Berlin DPA und Garante (Italien) nicht ausreichend reagiert
• Die Privacy Policy von DeepSeek erwähnt die DSGVO nicht
• DeepSeek nutzt keine Standard Contractual Clauses (SCCs)

Unsere Bewertung:
DeepSeek stellt nach unserer Einschätzung ein höheres DSGVO-Risiko dar als etablierte US-Anbieter, die zumindest SCCs implementiert haben und auf EU Data Protection Addenda eingehen. Die endgültige rechtliche Bewertung obliegt jedoch Ihrem Datenschutzbeauftragten und ggf. Rechtsberatung.

DSGVO-konforme Deployment-Optionen: Drei Wege zum rechtssicheren Einsatz

Die gute Nachricht: DeepSeek R1 steht unter MIT-Lizenz. Das erlaubt kommerziellen Einsatz, Modifikation und Redistribution ohne Einschränkungen. Hier sind drei DSGVO-konforme Deployment-Optionen.

Option A: Azure AI Foundry (Managed, DSGVO-konform)

Vorteile:

• Microsoft hostet DeepSeek R1 auf EU-Servern (Amsterdam, Frankfurt)
• DSGVO-konforme Datenverarbeitung durch EU Standard Contractual Clauses
• Kein Hardware-Investment nötig
• Automatische Model-Updates

Nachteile:

• Höhere Kosten als Self-Hosting (ca. $0,70/$2,80 pro 1M Tokens)
• Vendor Lock-in (Azure-Abhängigkeit)

Setup-Schritte:

1. Azure AI Foundry Account erstellen
2. DeepSeek R1 Model aus Catalog auswählen
3. Deployment-Region: "West Europe" (Niederlande) oder "Germany West Central" (Frankfurt)
4. API-Key generieren + in bestehende Systeme integrieren (OpenAI-kompatible API)

Kosten-Beispiel (100 Nutzer):

• 50 Mio. Input-Tokens/Monat: $35
• 20 Mio. Output-Tokens/Monat: $56
• Gesamt: ~$91/Monat = 1.092 €/Jahr

Option B: On-Premise via Ollama (Consumer-Hardware)

Vorteile:

• Keine laufenden Kosten (außer Strom)
• Volle Kontrolle über Daten
• Keine API-Rate-Limits

Nachteile:

• IT-Know-how erforderlich
• Hardware-Investment (RTX 4090: ~2.000 €)
• Wartungsaufwand

Hardware-Anforderungen (DeepSeek R1 14B Distilled):

• GPU: NVIDIA RTX 4090 (24 GB VRAM) oder AMD Radeon 7900 XTX
• RAM: 32 GB DDR4
• Storage: 50 GB SSD (Modell-Weights)
• OS: Ubuntu 24.04 LTS oder Debian 12

Installation-Guide:

# 1. Ollama installieren
curl -fsSL https://ollama.com/install.sh | sh

# 2. DeepSeek R1 14B Distilled herunterladen
ollama pull deepseek-r1:14b

# 3. Model starten (localhost:11434)
ollama serve

# 4. Test-Prompt
curl http://localhost:11434/api/generate -d '{
  "model": "deepseek-r1:14b",
  "prompt": "Erkläre die DSGVO in 3 Sätzen.",
  "stream": false
}'

Performance: Auf einer RTX 4090 erreicht das 14B-Modell ca. 45 Tokens/Sekunde Output-Speed. Für normale Business-Use-Cases (Vertragsanalyse, Code-Review) ist das völlig ausreichend.

Tipp: Für Multi-User-Access kombiniere Ollama mit LiteLLM (Proxy-Server mit Load Balancing).

Option C: Enterprise-Setup mit vLLM (H100-Cluster)

Für Großunternehmen mit >500 aktiven KI-Nutzern empfiehlt sich ein dedizierter GPU-Cluster.

Hardware-Setup (für Full DeepSeek R1 671B):

• 16× NVIDIA H100 GPUs (80 GB VRAM pro GPU)
• 2× ND_H100_v5 Azure-Nodes oder on-premise DGX-System
• InfiniBand-Networking (800 Gbit/s)

Kosten:

• Hardware: ~500.000 € (einmalig)
• Strom: ~35.000 €/Jahr (24/7-Betrieb)
• DevOps: ~120.000 €/Jahr (1,5 FTE)

Performance: Microsoft-Benchmarks zeigen: 16× H100 liefern ca. 8,5 Tokens/Sekunde Output bei Full R1. Das klingt langsam, ist aber für Reasoning-Tasks normal (Chain-of-Thought generiert ~30× mehr Tokens als Standardmodelle).

Break-Even: Ab 800+ aktiven Nutzern mit High-Throughput-Anforderungen.

Drei Use Cases mit messbarem ROI

DeepSeek R1 eignet sich besonders für Tasks, bei denen Reasoning-Tiefe wichtiger ist als Geschwindigkeit.

1. Rechtsanwälte: Vertragsanalyse unter Wahrung des Berufsgeheimnisses

Problem: Rechtsanwälte dürfen Mandantendaten nicht an US-Cloud-Anbieter wie OpenAI übermitteln (§ 203 StGB Berufsgeheimnis).

Lösung: Self-Hosted DeepSeek R1 14B auf lokalem Server.

Use Case:

• Upload eines 120-seitigen Kaufvertrags
• Prompt: "Identifiziere alle Klauseln, die Nachverhandlungspotenzial bieten. Fokus auf Gewährleistung und Haftungsbeschränkungen."
• R1 analysiert den Vertrag in ~8 Minuten, liefert strukturierte Zusammenfassung mit Paragraph-Referenzen

ROI: Ein Anwalt spart ~12 Stunden pro Vertrag. Bei 50 €/Stunde = 600 € Zeitersparnis.

2. Mittelstand: Interne Wissensdatenbank mit RAG

Problem: KMUs haben Unternehmenswissen in SharePoint, Confluence, internen Wikis verteilt. Mitarbeiter finden Informationen nicht.

Lösung: RAG-System (Retrieval-Augmented Generation) mit DeepSeek R1 als Backend.

Setup:

1. Vektordatenbank (ChromaDB/Qdrant) auf lokalem Server
2. Alle Dokumente embedden (via Sentence-Transformers)
3. DeepSeek R1 greift auf relevante Dokumente zu und generiert Antworten

Beispiel-Query:
"Wie ist unser Genehmigungsprozess für Investitionen über 50.000 €?"

R1 findet die relevanten Prozessdokumente und synthetisiert eine klare Anleitung – inklusive Ansprechpartner und Formular-Links.

3. Software-Entwicklung: Code-Review ohne GitHub Copilot

Problem: GitHub Copilot kostet $19/Entwickler/Monat und sendet Code-Snippets an Microsoft-Server.

Lösung: DeepSeek R1 70B lokal für Code-Reviews.

Workflow:

• Developer commitet Code in GitLab
• Pre-Commit-Hook sendet Diff an lokalen DeepSeek-R1-Server
• R1 analysiert:
  • Sicherheitslücken (SQL-Injection, XSS)
  • Performance-Issues (N+1-Queries, Memory Leaks)
  • Code-Stil-Verletzungen (ESLint-Regeln)
• Output: Annotiertes Diff mit Verbesserungsvorschlägen

ROI: Ein 10-Personen-Dev-Team spart $2.280/Jahr (GitHub Copilot) + reduziert Bug-Fixes um geschätzte 15%.

Die wichtigsten Grenzen von DeepSeek R1 im Unternehmenseinsatz

Trotz beeindruckender Benchmarks hat R1 Schwächen, die für deutsche Unternehmen relevant sind.

1. Keine Multimodalität

DeepSeek R1 verarbeitet nur Text. Keine Bilder, Videos oder Audio. Für Anwendungsfälle wie:

• Dokumenten-Scanning mit OCR
• Diagramm-Analyse
• Video-Zusammenfassungen

...ist Claude 3.5 Sonnet oder GPT-4o die bessere Wahl.

2. Deutsch-Performance schwächer als Claude/GPT-4

R1 ist primär auf Englisch und Chinesisch trainiert. Deutsche Texte verarbeitet es zwar korrekt, aber mit gelegentlichen Sprachmix-Problemen. In unseren Tests produzierte R1 bei ~5% der deutschen Prompts englisch-deutsche Mischausgaben.

Tipp: Für produktionskritische deutsche Texte (z.B. Kundenkommunikation) sollte ein Post-Processing-Step mit einem deutschen Modell (Llama 3.2-DE) erfolgen.

3. Context Window: 128K Tokens

R1 unterstützt 128.000 Input-Tokens – klingt viel, ist aber nur ~10% dessen, was Gemini 2.0 Pro bietet (1 Million Tokens). Für Anwendungen wie "Analysiere unser komplettes Produkthandbuch (500 Seiten)" stößt R1 an Grenzen.

Workaround: Chunking + Map-Reduce-Pattern (Dokument in Teile zerlegen, einzeln verarbeiten, Ergebnisse zusammenfassen).

Fazit & Handlungsempfehlung

DeepSeek R1 ist ein Game-Changer für deutsche Unternehmen, die KI-Kosten radikal senken wollen – vorausgesetzt, sie nutzen die rechtssichere Self-Hosting-Variante.

Für Unternehmer: Wann lohnt sich DeepSeek?

✅ JA, wenn:

• Sie >100 aktive KI-Nutzer haben (Break-Even)
• Reasoning-intensive Tasks im Fokus stehen (Verträge, Code, Mathematik)
• IT-Ressourcen für Self-Hosting vorhanden sind
• DSGVO-Compliance kritisch ist (Rechtsanwälte, Gesundheitswesen)

❌ NEIN, wenn:

• Sie <50 Nutzer haben (Azure OpenAI ist wirtschaftlicher)
• Multimodalität benötigt wird (Bilder, Videos)
• Keine DevOps-Kapazität für Model-Hosting existiert

Für IT-Architekten: Deployment-Checkliste

Phase 1: Proof of Concept (Woche 1-2)

• [ ] DeepSeek R1 14B via Ollama auf Test-Server installieren
• [ ] 3 Use Cases definieren und testen
• [ ] Performance-Benchmarks durchführen (Tokens/Sekunde, Latenz)
• [ ] DSGVO-Compliance-Check: Datenschutzbeauftragten einbinden

Phase 2: Produktions-Setup (Woche 3-6)

• [ ] Entscheidung: Azure AI Foundry vs. Self-Hosting
• [ ] Hardware beschaffen (falls Self-Hosting)
• [ ] vLLM oder Ollama produktiv aufsetzen
• [ ] Load Balancer + Monitoring (Prometheus/Grafana)
• [ ] API-Gateway für Zugriffskontrolle

Phase 3: Integration (Woche 7-10)

• [ ] Bestehende Systeme anbinden (OpenAI-kompatible API)
• [ ] User-Training durchführen
• [ ] Prompt-Templates für häufige Tasks erstellen
• [ ] ROI-Tracking etablieren (Kostenersparnis messen)

Ausblick: Was kommt 2026 und wie Sie sich vorbereiten

DeepSeek hat für Q2 2026 ein Update auf R1-0528 angekündigt, das:

• Multimodalität (Bilder + PDF-Verarbeitung) einführt
• Context Window auf 256K Tokens erweitert
• Deutsch-Performance verbessert (via Fine-Tuning auf EU-Daten)

Was bedeutet das für bereits gestartete Projekte?
Wenn Sie jetzt mit DeepSeek R1 starten, planen Sie Ihre Architektur so, dass Modellwechsel einfach möglich sind:

• Nutzen Sie OpenAI-kompatible APIs (LiteLLM, Ollama) statt direkter Model-Bindings
• Dokumentieren Sie Ihre Prompt-Templates – sie funktionieren meist auch mit neueren Versionen
• Testen Sie neue Modelle zunächst im Staging-Environment, bevor Sie produktiv wechseln

Die R1-0528-Upgrades sind kein Grund zu warten. Die aktuellen Modelle sind produktionsreif, und die angekündigten Features adressieren primär Nischen-Use-Cases (Multimodalität) bzw. sind optional (größerer Context).

Parallel tritt der EU AI Act im August 2026 vollständig in Kraft. DeepSeeks bisherige Verweigerung, DSGVO-Anforderungen zu erfüllen, macht einen EU-weiten Ban der Cloud-API wahrscheinlich – was Self-Hosting zur einzigen verlässlichen Option macht.

Konsequenz für Ihre Planung:

• Kurzfristig (Q1-Q2 2026): Pilotprojekte mit Self-Hosting oder Azure AI Foundry starten
• Mittelfristig (Q3-Q4 2026): Produktions-Deployment abschließen, bevor potenzielle Regulierung greift
• Langfristig (2027+): Monitoring für R1-Updates und mögliche EU-konforme Alternativen (z.B. Mistral Large 3, deutsche LLM-Projekte)

Handlungsempfehlung: Unternehmen sollten jetzt mit DeepSeek-Pilotprojekten starten, um bis Q3 2026 eine produktive Self-Hosting-Infrastruktur aufgebaut zu haben. Die Kostenvorteile sind zu signifikant, um sie zu ignorieren – aber nur mit rechtssicherer Implementierung.

Weiterführende Ressourcen:

• DeepSeek R1 GitHub
• Azure AI Foundry Pricing
• Ollama Installation Guide