Open WebUI: Was es ist, Installation, Lizenz und Kosten

Inhalt

Open WebUI ist eine selbst gehostete Weboberfläche für große Sprachmodelle. Sie sieht aus und funktioniert ähnlich wie ChatGPT, läuft aber auf Ihrem eigenen Server und verbindet sich mit OpenAI, Anthropic, Ollama und jeder API im OpenAI-Format. Neben dem Chat bringt Open WebUI Wissensdatenbanken (RAG), Tools, MCP-Server, Websuche, Benutzergruppen und ein Admin-Panel mit. Die Software selbst ist für beliebig viele Nutzer kostenlos. Sie bezahlen den Server und die Modell-API, die Sie anbinden.

Unseren ersten Beitrag zu Open WebUI haben wir im August 2024 geschrieben. Seitdem ist das Projekt von Version 0.3 auf 0.13.0 gewachsen und hat auf GitHub rund 158.000 Sterne. Deshalb haben wir im November 2026 die aktuelle Version installiert und die Funktionen ausprobiert, die für den Einsatz im Unternehmen zählen: Installation, das erste Admin-Konto, Chat mit einem OpenAI-Modell, eine Wissensdatenbank mit einem deutschen PDF, ein MCP-Server und die Websuche. Dieser Beitrag zeigt den offiziellen Installationsweg, was funktioniert hat, wo es typischerweise hakt und was die Lizenz für Sie bedeutet.

Was Open WebUI ist

Open WebUI besteht aus einem Python-Backend (FastAPI) und einem Svelte-Frontend und wird als Docker-Image und als pip-Paket ausgeliefert. Eigene Modelle hat es nicht. Sie verbinden es mit Modellanbietern, und Open WebUI kümmert sich um alles rund um das Modell:

Ihre Mitarbeitenden bekommen eine einzige Chat-Oberfläche, Sie legen fest, welche Modelle, Dokumente und Tools dahinterstehen, und die Gespräche liegen in Ihrer Datenbank statt bei einem Anbieter.

Warum eine selbst gehostete ChatGPT-Alternative?

Für eine eigene Chat-Oberfläche statt gekaufter ChatGPT- oder Copilot-Lizenzen gibt es drei typische Gründe.

Erstens die Kontrolle über die Daten. Chats, hochgeladene Dateien und Wissensdatenbanken liegen in Ihrer Datenbank und Ihrem Speicher. Welcher Modellanbieter die Prompts sieht, entscheiden Sie: ein Modell in Ihrem eigenen Azure-Tenant, ein Anbieter mit EU-Auftragsverarbeitungsvertrag oder ein lokales Modell auf Ihrer eigenen GPU.

Zweitens die freie Modellwahl. Open WebUI ist an keinen Anbieter gebunden. In unserem Test standen im selben Chatfenster gpt-5-mini von OpenAI und ein lokales Qwen3-Modell in Ollama nebeneinander zur Auswahl.

Drittens die Kostenstruktur. Statt eines Fixpreises pro Lizenz bezahlen Sie den Server und die Token, die Ihre Nutzer tatsächlich verbrauchen. Bei vielen Gelegenheitsnutzern ist das meist günstiger. Bei Intensivnutzern schrumpft der Unterschied, und den Betrieb übernehmen Sie selbst.

Open WebUI installieren

Der offizielle Quick Start empfiehlt Docker. Laut Dokumentation genügt dieser Befehl:

1docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data -e WEBUI_SECRET_KEY=your-secret-key --name open-webui --restart always ghcr.io/open-webui/open-webui:main

Ersetzen Sie your-secret-key durch die Ausgabe von openssl rand -hex 32. Im Volume open-webui liegt alles: Benutzer, Chats, Einstellungen, hochgeladene Dateien und die Vektordatenbank.

Wer Docker Compose bevorzugt, nimmt die docker-compose.yml aus der Dokumentation:

1services:
2  open-webui:
3    image: ghcr.io/open-webui/open-webui:main
4    ports:
5      - "3000:8080"
6    volumes:
7      - open-webui:/app/backend/data
8    extra_hosts:
9      - host.docker.internal:host-gateway
10    environment:
11      - WEBUI_SECRET_KEY=your-secret-key
12    restart: unless-stopped
13
14volumes:
15  open-webui:

Mit docker compose up -d starten Sie den Container, danach ist Open WebUI unter http://localhost:3000 erreichbar. Wir haben genau dieses Setup verwendet, allerdings mit dem Image ghcr.io/open-webui/open-webui:v0.13.0 statt :main (warum, steht bei den Stolperfallen) und zusätzlich einem Ollama-Container für lokale Modelle.

Die wichtigsten Image-Varianten:

Open WebUI läuft auch ohne Docker. Die Dokumentation nennt pip als offiziellen Weg, für Python 3.11 oder 3.12 (3.13 wird noch nicht unterstützt):

1pip install open-webui
2open-webui serve

Die pip-Variante lauscht auf Port 8080. Setzen Sie DATA_DIR, damit Sie wissen, wo Ihre Daten landen. Für den Produktivbetrieb empfiehlt die Doku Docker oder Kubernetes mit dem offiziellen Helm-Chart.

Der erste Start: das Admin-Konto

Beim ersten Aufruf zeigt Open WebUI einen "Get started"-Bildschirm mit dem Formular Create Admin Account. Das erste Konto wird Administrator. Gleich danach schaltet sich die Registrierung ab: In unserer Instanz stand ENABLE_SIGNUP anschließend auf false und die Standardrolle für neue Nutzer auf pending.

Legen Sie das Admin-Konto also an, bevor andere die Instanz erreichen können. Für Ihre Kolleginnen und Kollegen gibt es drei Wege: Sie legen Benutzer selbst im Admin-Panel an, Sie schalten New Sign Ups unter Settings > Admin > Authentication wieder ein (neue Konten warten dann als "pending" auf Ihre Freigabe), oder Sie binden SSO über OIDC, LDAP oder SCIM an.

OpenAI und Ollama anbinden

Open WebUI findet Modelle über Verbindungen unter Settings > Admin > Connections. Für OpenAI klicken Sie auf + neben "Manage OpenAI API Connections" und tragen https://api.openai.com/v1 und Ihren API-Schlüssel ein. Alternativ übergeben Sie den Schlüssel beim Containerstart als Umgebungsvariable OPENAI_API_KEY, dann legt Open WebUI die Verbindung beim ersten Start selbst an. Wir haben dafür eine env-Datei verwendet:

1    env_file:
2      - .env   # contains OPENAI_API_KEY=sk-...

Die Verbindung funktionierte sofort und lieferte 85 Modelle. Das war die erste Überraschung: Der Modell-Endpunkt von OpenAI liefert alles, auch Moderations-, Transkriptions-, Realtime- und Bildmodelle, und als erstes Standardmodell stand omni-moderation-2024-09-26 im Chat. Abhilfe schafft das Feld Model IDs in den erweiterten Einstellungen der Verbindung. Tragen Sie dort die Modelle ein, die Sie anbieten wollen, dann zeigt Open WebUI nur diese an.

Verbindungsdialog für die OpenAI-API in Open WebUI, die Modellliste ist auf gpt-5-mini und gpt-4.1-mini beschränkt

Ollama funktioniert genauso. Mit der offiziellen Compose-Datei aus dem Open WebUI-Repository (sie enthält einen Ollama-Dienst) oder mit OLLAMA_BASE_URL=http://ollama:11434 erscheinen lokale Modelle in derselben Auswahl. Zum Test der Verbindung haben wir das kleine Modell qwen3:0.6b geladen; auf der CPU beantwortete es eine kurze Frage in etwa einer Sekunde. Für echte Arbeit brauchen Sie ein größeres Modell und eine GPU, das haben wir hier nicht getestet.

Modellauswahl in Open WebUI mit zwei OpenAI-Modellen, einem lokalen Ollama-Modell und einem eigenen Modell

Im Alltag verhält sich der Chat wie erwartet: Markdown, Tabellen und Code werden sauber dargestellt, unter jeder Antwort stehen Vorschläge für Folgefragen, und der Chat-Titel entsteht automatisch.

Chat mit gpt-5-mini in Open WebUI, die Antwort enthält eine Markdown-Tabelle

Wissensdatenbanken: mit eigenen Dokumenten chatten

Wissensdatenbanken sind das eingebaute RAG von Open WebUI. Sie legen unter Workspace > Knowledge eine an und laden Dateien hoch. Open WebUI extrahiert den Text, zerlegt ihn in Abschnitte, berechnet Embeddings und speichert sie in einer Vektordatenbank. Ab Werk passiert das alles im Container: Chroma als Vektordatenbank und sentence-transformers/all-MiniLM-L6-v2 als Embedding-Modell, mit Abschnitten von 1.000 Zeichen, von denen die drei besten an das Modell gehen. Jeder Baustein lässt sich tauschen: die Textextraktion (Tika, Docling, Azure Document Intelligence, Mistral OCR und andere), der Embedding-Anbieter (OpenAI, Azure OpenAI, Ollama), die Vektordatenbank (pgvector, Qdrant, Milvus, Elasticsearch und weitere) sowie eine hybride Suche mit Reranker.

Wir haben die Wissensdatenbank "HR-Richtlinien" angelegt und ein zweiseitiges deutsches PDF hochgeladen, eine Beispiel-Reisekostenrichtlinie einer fiktiven Firma. Die Indexierung dauerte deutlich unter einer Sekunde, und der Dateibrowser zeigt das Dokument neben dem indexierten Text.

Wissensdatenbank in Open WebUI mit einem hochgeladenen PDF und der Dokumentvorschau

Im Chat tippen Sie # und wählen die Wissensdatenbank aus. Wir haben gefragt, wie viel Kilometergeld man bekommt, wenn man mit dem Privatauto fährt und zwei Kollegen mitnimmt. Die Richtlinie nennt 0,50 Euro pro Kilometer plus 0,15 Euro pro Mitfahrer, und die Antwort hat richtig gerechnet: 0,80 Euro pro Kilometer, mit Quellenangabe auf das PDF.

Open WebUI beantwortet eine Frage aus der Wissensdatenbank und nennt das PDF als Quelle

Für ein Team praktischer ist ein eigenes Modell. Unter Workspace > Models legen Sie ein "Modell" an, das eigentlich eine Vorlage ist: ein Basismodell (bei uns gpt-5-mini), ein Systemprompt und eine oder mehrere Wissensdatenbanken. Die Nutzer wählen dann einfach "Reisekosten-Assistent" in der Modellliste, statt selbst Dokumente anzuhängen.

Eigenes Modell in Open WebUI mit gpt-5-mini, Systemprompt und angehängter Wissensdatenbank anlegen

Diese Vorlage verhielt sich anders als das Anhängen mit #. Weil Open WebUI standardmäßig natives Function Calling nutzt, bekommt das Modell die Textabschnitte nicht automatisch mitgeliefert. Es ruft stattdessen Wissens-Tools auf (wir sahen query_knowledge_files, grep_knowledge_files und view_knowledge_file) und entscheidet selbst, was es liest. Die Frage, ob man statt der Bahn fliegen darf, beantwortete es richtig (nur bei mehr als sechs Stunden Bahnfahrt). Bei einer Frage, die die Richtlinie nicht abdeckt (Zuschuss zum Fitnessstudio), sagte es, dass die Dokumente dazu nichts enthalten, statt etwas zu erfinden.

Tools, MCP-Server und Websuche

Open WebUI kann Modelle auf vier Arten um Werkzeuge erweitern:

• Python-Tools und Functions, die Sie im Workspace schreiben oder importieren und die direkt in Open WebUI laufen. Functions umfassen auch Filter (verändern Anfragen und Antworten), Pipes (eigene "Modelle") und Aktions-Buttons.
• OpenAPI-Tool-Server, also jeder HTTP-Dienst mit OpenAPI-Spezifikation.
• MCP-Server über Streamable HTTP, nativ unterstützt seit Version 0.6.31.
• Eingebaute Tools wie Websuche, Code-Interpreter, Gedächtnis und Bildgenerierung.

Der separate Pipelines-Server aus unserem Beitrag von 2024 ist abgekündigt; Functions in Open WebUI ersetzen ihn.

Für den MCP-Test haben wir den öffentlichen Microsoft-Learn-MCP-Server angebunden. Unter Settings > Admin > Integrations > External Tool Servers fügen Sie eine Verbindung hinzu, stellen den Typ auf MCP Streamable HTTP, tragen https://learn.microsoft.com/api/mcp ein, wählen "None" als Authentifizierung und prüfen die Verbindung.

Microsoft-Learn-MCP-Server als Verbindung vom Typ MCP Streamable HTTP in Open WebUI hinzufügen

Beachten Sie die gelbe Warnung im Dialog: Das Open-WebUI-Team bezeichnet die MCP-Unterstützung als experimentell und verweist auf OpenAPI als zuverlässigere Variante. In unserem Test lief MCP ohne Probleme. Nachdem wir das Tool im Chat aktiviert hatten, durchsuchte gpt-5-mini die Microsoft-Dokumentation und rief viermal Tools auf. Unsere Frage zu den Grenzen von SharePoint-Listen (30 Millionen Einträge pro Liste, Listenansichtsschwelle von 5.000 Einträgen) beantwortete es mit Links auf beide Quellseiten.

gpt-5-mini nutzt in Open WebUI den Microsoft-Learn-MCP-Server und antwortet mit Links zur Dokumentation

Zwei Einschränkungen sollten Sie kennen: Nur Admins können MCP-Server hinzufügen (Nutzer dürfen höchstens eigene OpenAPI-Server eintragen, wenn Sie das erlauben), und Open WebUI spricht nur Streamable HTTP. Für MCP-Server, die über stdio laufen, bietet das Projekt mcpo an, einen Proxy, der sie als OpenAPI bereitstellt. Wie Sie einen eigenen MCP-Server für Ihre Systeme bauen, zeigt unsere Anleitung zum MCP-Server mit FastMCP; für Open WebUI starten Sie ihn mit dem HTTP-Transport (Streamable HTTP) von FastMCP.

Die Websuche braucht einen Suchanbieter. Die meisten (Google PSE, Brave, Tavily, SearXNG und viele mehr) verlangen einen API-Schlüssel oder einen eigenen Server. Die Option DuckDuckGo kommt ohne Schlüssel aus und ist der schnellste Weg, die Funktion auszuprobieren; im Slim-Image fehlt sie. Damit fand gpt-5-mini die aktuelle Open-WebUI-Version auf GitHub und nannte die Seite als Quelle.

Wie Sie Open WebUI mit Abläufen in anderen Systemen verbinden, zeigt unsere Anleitung zur Integration von n8n in Open WebUI, mit der Sie einen n8n-Agenten direkt aus dem Chat aufrufen. Für eine eigene RAG-Engine mit gründlicherer Dokumentanalyse lohnt sich ein Blick auf RAGFlow, das sich ebenfalls hinter Open WebUI betreiben lässt.

Benutzer, Gruppen und Berechtigungen

Die Benutzerverwaltung war 2024 die größte Schwäche von Open WebUI. Heute gibt es drei Rollen (admin, user, pending), Gruppen und pro Gruppe eine lange Liste an Berechtigungen: Zugriff auf Modelle, Wissen, Prompts und Tools im Workspace, Freigaberechte und Chatfunktionen wie Datei-Upload, temporäre Chats oder das Löschen von Nachrichten. Wissensdatenbanken, Modelle und Tools haben eine eigene Zugriffssteuerung, sodass Sie der Gruppe "Finanzen" ihre Wissensdatenbank geben können und sonst niemandem.

Gruppenberechtigungen in Open WebUI mit Schaltern für Workspace-Zugriff und Freigaben

Für größere Organisationen beschreibt die Dokumentation LDAP, Single Sign-on über OIDC (zum Beispiel mit Microsoft Entra ID), SCIM-Provisionierung und horizontale Skalierung mit PostgreSQL, Redis und gemeinsamem Speicher.

Lizenz: Was "Open Source" bei Open WebUI bedeutet

Seit Version 0.6.6 (April 2025) steht Open WebUI nicht mehr unter der reinen BSD-3-Clause-Lizenz. Die Open WebUI License ist BSD-3 plus eine Branding-Klausel. Klausel 4 lautet im Original:

Praktisch heißt das:

• Sie dürfen Open WebUI für jeden Zweck nutzen, verändern und weitergeben, auch kommerziell und bei beliebig vielen Nutzern.
• Ab mehr als 50 Nutzern innerhalb von 30 Tagen müssen Name und Logo sichtbar bleiben. Wer sie durch das eigene Firmenbranding ersetzen will, braucht eine Enterprise-Lizenz.
• Code bis einschließlich Version 0.6.5 bleibt unter BSD-3. Die Lizenzseite lädt ausdrücklich dazu ein, von dieser Version zu forken, wenn Sie vollständig freie Bedingungen brauchen. Dann verzichten Sie aber auf alle späteren Funktionen und Fixes.
• Neue Beiträge zum Code setzen ein Contributor License Agreement (CLA) voraus.

Die Open WebUI License ist keine von der OSI anerkannte Open-Source-Lizenz, GitHub führt sie als "Other". Für ein internes Firmen-Deployment, bei dem das Logo bleibt, ändert sich nichts. Relevant wird die Klausel für Agenturen und Softwarehäuser, die Open WebUI unter eigenem Namen verkaufen wollen.

Was kostet Open WebUI?

Open WebUI selbst kostet nichts. Laut der Enterprise-Vertriebsseite ist es "free, open, and self-hosted with no cap on the number of users". Eine kostenpflichtige Cloud-Version oder eine veröffentlichte Preisliste gibt es nicht.

Ihre tatsächlichen Kosten:

Enterprise-Lizenzen gibt es laut Vertriebsseite in Stufen "from branding and licensing through to support agreements, faster response, onboarding, security review, and a dedicated point of contact for production", der Preis wird auf Anfrage genannt. Zwei Komponenten sind laut Dokumentation der Enterprise-Lizenz vorbehalten: Terminals, das pro Nutzer einen eigenen Arbeitscontainer bereitstellt, und Tether.

Open WebUI oder LibreChat?

LibreChat ist die andere große selbst gehostete Chat-Oberfläche. Die Grundlagen decken beide gut ab; die Unterschiede liegen bei Lizenz, Setup und Schwerpunkt.

Open WebUI passt, wenn Sie schnell zu einem internen Chat mit Wissensdatenbanken, Ollama-Unterstützung und feinen Berechtigungen kommen wollen. LibreChat passt, wenn Sie eine MIT-Lizenz brauchen (etwa um die Oberfläche umzubenennen und weiterzuverkaufen) oder den Schwerpunkt auf Agents über viele Cloud-Anbieter legen.

Stolperfallen und wie Sie sie vermeiden

Version festlegen

Die Dokumentation verwendet den Tag :main, der immer auf die neueste Version zeigt. Open WebUI veröffentlicht alle ein bis zwei Wochen ein Release, und allein Version 0.13.0 ändert das Datenbankschema; der Changelog empfiehlt vor dem Update ein Backup. Nutzen Sie einen Versions-Tag wie v0.13.0, sichern Sie das Volume und aktualisieren Sie bewusst.

WEBUI_SECRET_KEY setzen

Ohne festen Schlüssel meldet jeder neu erstellte Container alle Nutzer ab. Laut MCP-Dokumentation funktionieren außerdem per OAuth verbundene MCP-Tools nach einem Neustart nicht mehr ("Error decrypting tokens").

Modellliste filtern

Ein OpenAI-Schlüssel bringt Dutzende Modelle mit, darunter solche, die gar nicht chatten können. Schränken Sie die Verbindung über Model IDs ein und setzen Sie ein Standardmodell, sonst starten Nutzer Chats mit einem Moderationsmodell.

Embedding-Modell für deutsche Dokumente prüfen

Das Standardmodell all-MiniLM-L6-v2 ist klein und überwiegend auf englischen Texten trainiert. Unser deutsches Testdokument funktionierte, war aber nur zwei Seiten lang. Für größere deutsche Dokumentensammlungen sollten Sie unter Settings > Admin > Documents auf ein mehrsprachiges Embedding-Modell wechseln (etwa text-embedding-3-small von OpenAI oder ein mehrsprachiges Modell in Ollama) und danach neu indexieren.

Tool-Aufrufe brauchen ein fähiges Modell

Mit nativem Function Calling, dem Standard, wird Wissen an einem eigenen Modell nur genutzt, wenn das Modell die Wissens-Tools aufruft. Die Dokumentation warnt, dass schwache Modelle Tools ignorieren können; kleine lokale Modelle sind dafür die üblichen Kandidaten.

Plugins wie Code behandeln

Tools und Functions führen beliebigen Python-Code auf Ihrem Server aus, und MCP-Server handeln mit den Rechten des verbundenen Nutzers. Installieren Sie nur, was Sie gelesen haben, und lassen Sie die Voreinstellung, dass nur Admins MCP-Server hinzufügen dürfen.

Unsere Einschätzung

Open WebUI ist von einem netten Ollama-Frontend zu einer Plattform gewachsen, die man im Unternehmen ausrollen kann. In unserem Test lief das offizielle Docker-Setup nach wenigen Minuten, und jede Funktion, die wir ausprobiert haben, klappte beim ersten Versuch: Wissensdatenbanken mit Quellenangaben, ein MCP-Server, die Websuche und Gruppenberechtigungen. Das Projekt entwickelt sich schnell. Das bringt neue Funktionen und für den Betreiber Arbeit.

Gut geeignet ist Open WebUI für einen internen KI-Chat mit eigenen Dokumenten und Modellen, vor allem wenn der Speicherort der Daten zählt und das Open-WebUI-Logo bleiben darf. Planen Sie den Betrieb mit ein: Updates, Backups, SSO und eine Entscheidung, welche Modelle und Embedding-Einstellungen Sie nutzen. Brauchen Ihre Nutzer vor allem einen Chat in Microsoft 365 und keine eigenen Modelle oder Dokumente, nimmt Ihnen ein verwaltetes Produkt wie Microsoft 365 Copilot oder ChatGPT Business den Betrieb ab.

Wenn Sie eine selbst gehostete Chat-Plattform mit eigenen Wissensdatenbanken oder MCP-Tools planen, unterstützt Sie unsere KI-Beratung in Vorarlberg bei Architektur, Modellwahl und Einführung.

Sie möchten zuverlässige KI-Agenten-Systeme bauen?

Wir haben auf Basis aktueller Forschung einen ausführlichen Leitfaden (auf Englisch) erstellt, wie Sie robuste KI-Agenten-Systeme bauen, die auch im produktiven Betrieb funktionieren. Der Leitfaden behandelt:

• die 14 systematischen Fehlerquellen in Multi-Agenten-Systemen
• belegte Best Practices für das Design von Agenten
• strukturierte Kommunikationsprotokolle und Prüfmechanismen

Über den Autor

Andreas Nigg

Mitgründer, Pondhouse Data

Andreas entwickelt seit mehr als acht Jahren Datenanwendungen. Bei Pondhouse Data konzipiert und baut er KI-Systeme und integriert sie in komplexe, gewachsene Unternehmensumgebungen.

Sprechen Sie mit Andreas über Ihr ProjektAuf LinkedIn folgen