Apple ersetzt sein neun Jahre altes Core ML durch Core AI und stellt damit ein Framework vor, das fremde KI-Modelle ohne Cloud und ohne laufende Token-Kosten direkt auf dem Gerät laufen lässt. Für App-Entwickler im Mittelstand ändert sich damit die Rechnung hinter jeder KI-Funktion.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügenMit Apple Core AI hat der Konzern am 8. Juni auf der WWDC26 ein Framework gezeigt, das Open-Source-Modelle wie Qwen, Mistral und SAM3 lokal auf iPhone, iPad und Mac ausführt. Der Nachfolger des seit 2017 etablierten Core ML erweitert den Fokus von klassischem Machine Learning auf generative Modelle. Die eigentliche Botschaft für Entscheider nannte Apple in der Entwickler-Session beiläufig: KI-Funktionen laufen ohne eigenen Server und ohne Abrechnung pro Token, zusätzlich entfällt die Wartezeit eines Cloud-Aufrufs.
Das Wichtigste in Kürze
- Core AI löst Core ML ab und führt Open-Source-KI-Modelle direkt auf Apple-Geräten aus.
- Apple stellt fertig optimierte Modelle wie Qwen, Mistral und SAM3 über ein GitHub-Repository bereit.
- KI-Funktionen entstehen ohne API-Schlüssel, ohne Token-Kosten und ohne Datenabfluss in die Cloud.
- Derselbe Swift-Code läuft ohne Anpassung auf iPhone, iPad und Mac.
Was unterscheidet Core AI von Core ML?
Core ML begleitete Entwickler seit 2017 bei Bildklassifizierung, Spracherkennung und Textvorhersage. Das Framework war auf vortrainierte Modelle ausgelegt, die außerhalb des Geräts entstanden und dann lokal liefen. Core AI hebt diesen Ansatz auf große Sprach- und Vision-Modelle. Über das Repository coreai-models lädt das Team fertige Export-Rezepte herunter und erhält optimierte .aimodel-Dateien, die sich in Xcode wie jede andere Ressource prüfen lassen. Während die runderneuerte Siri AI in der EU vorerst nicht aufs iPhone kommt, unterliegt Core AI als Entwickler-Framework keiner solchen Sperre.
Warum ist das ein Datenschutz-Argument?
Jede KI-Funktion, die bisher über eine Cloud-API lief, schickt Nutzerdaten an einen externen Dienst. Core AI hält diese Daten auf dem Gerät. Für deutsche Unternehmen mit strengen DSGVO-Vorgaben verschiebt das die Bewertung vieler KI-Features. Ein Übersetzungs- oder Klassifizierungsmodell verarbeitet sensible Inhalte dann lokal, ohne dass ein Auftragsverarbeitungsvertrag mit einem US-Anbieter nötig wird. Apple empfiehlt die eigenen Foundation Models für Standardaufgaben und Core AI für spezialisierte Modelle wie Domänen-Klassifizierer oder eigene Vision-Modelle. Eine Einordnung der gängigen Modelloptionen liefert der LLMs-Ratgeber von Dr. Web.
Apple verkauft hier kein neues Sprachmodell, sondern eine Kostenstruktur. Wenn KI-Funktionen ohne Token-Rechnung und ohne Datenabfluss laufen, kalkuliert der Mittelstand seine Apps völlig neu.
— Michael Dobler, Herausgeber Dr. Web
Was bedeutet das für die Entwicklung?
Die Integration kostet wenige Zeilen Swift. Ein Sprachmodell wie Qwen lädt über eine einzige Zeile, danach greift die vertraute LanguageModelSession-API aus den Foundation Models. Strukturierte Ausgaben entstehen über @Generable, sodass ein Modell direkt typisierte Felder zurückgibt. Beim ersten Start fällt eine Verzögerung an, weil Core AI das Modell für das konkrete Gerät spezialisiert. Apple liefert dafür den Befehl coreai-build, der diese Kompilierung schon auf dem Entwicklungsrechner erledigt und die Wartezeit beim Nutzer spürbar senkt. Ein neues Instruments-Template in Xcode zeigt, wo die Latenz entsteht.
Für Teams, die bislang Cloud-APIs für KI-Funktionen nutzen, lohnt sich jetzt eine Bestandsaufnahme. Prüfen Sie, welche Features ohne Internetverbindung auskommen und welche sensiblen Daten verarbeiten. Genau diese Fälle sind die ersten Kandidaten für eine lokale Umsetzung. Die Developer-Beta läuft bereits, die öffentlichen Versionen folgen im Herbst mit iOS 27. Die vollständige Dokumentation zu Core AI liegt im Apple Developer-Portal.
Mehr Newshunger?
