Homelab-KI 2026: GPU, RAM und Hardware richtig wählen

Dein erstes Homelab-KI-Setup 2026: GPU, RAM und Software richtig auswählen

Lesezeit: etwa 15 Minuten

Ein Sprachmodell im eigenen Keller statt in der Cloud eines US-Konzerns — das ist 2026 kein Nischen-Bastelprojekt mehr, sondern für viele der erste ernsthafte Homelab-Ausbau. Open-Source-Modelle wie Llama, Mistral, Qwen und inzwischen auch GPT-OSS sind deutlich effizienter geworden und laufen auf Consumer-Hardware, die vor zwei Jahren nicht ausgereicht hätte. Parallel ist die Software erwachsen geworden: Ollama, LM Studio und Open WebUI haben den Einstieg von Kommandozeilen-Gefrickel auf „in einer halben Stunde läuft der Chatbot“ verkürzt.

Genau da liegt die Falle. Wer im Sommer 2026 einfach die teuerste Grafikkarte kauft und hofft, verbrennt Geld an der falschen Stelle. Bei lokaler KI entscheidet nicht die Rechenleistung im klassischen Sinn, sondern der Videospeicher (VRAM) — und ausgerechnet der ist bei Consumer-Karten knapp.

Dazu kommt der Faktor, der 2026 alles überlagert: die Speicherkrise. Das ist keine Randnotiz, sondern die zentrale Randbedingung deiner Kalkulation. Ein 32-GB-DDR5-Kit, das im Sommer 2025 knapp 100 Euro kostete, liegt laut PCGH-Preisbarometer im Juni 2026 bei 440 bis 460 Euro — ein Plus von rund 419 Prozent. Weil GDDR6 und GDDR7 in denselben Fabriken entstehen, ziehen auch die GPU-Preise an. Wer 2026 ein KI-Homelab plant, plant gegen einen Markt, in dem Speicher die knappste Ressource ist.

Dieser Ratgeber für aimageddon.de sortiert die Faktenlage Juli 2026: Welche GPU zu welcher Modellgröße passt, wie du RAM und Speicher ehrlich dimensionierst, welche Gerätekategorie 2026 neu dazugekommen ist — und welche Anfängerfehler dich zuverlässig ausbremsen.

VRAM und Modellgröße: die einzige Tabelle, die du wirklich brauchst

Zur Einordnung: Ein 70B-Modell in Q4-Quantisierung belegt rund 40 GB. Das ist der Grund, warum die 5090 mit ihren 32 GB daran scheitert — und warum die 128-GB-Klasse überhaupt existiert.

Warum ein eigenes KI-Homelab statt Cloud?

Datenschutz und volle Kontrolle

Das stärkste Argument fürs lokale Modell ist nicht der Spieltrieb, sondern der Datenfluss. Alles, was du einer kommerziellen Chat-API schickst, verlässt dein Netz. Bei einem lokal betriebenen Modell bleiben Prompts, Dokumente und Antworten auf deiner Hardware. Für alle, die mit sensiblen Daten arbeiten — Kanzlei-Schriftsätze, Patientenunterlagen, interne Betriebsdaten — ist das kein Komfort, sondern DSGVO-Relevanz.

Keine API-Kosten, keine Rate-Limits

Cloud-Modelle rechnen pro Token ab — was bei Dauernutzung, langen Dokumenten oder automatisierten Pipelines schnell ins Geld geht. Ein lokales Modell verursacht nach der Anschaffung nur noch Stromkosten. Du zahlst die Hardware einmal und darfst sie danach so hart auslasten, wie du willst. Rate-Limits, Kontingente und plötzliche Preisänderungen fallen als Sorge weg.

Ehrlich bleibt: Bei den Hardwarepreisen von 2026 rechnet sich das rein finanziell erst spät. Wer ein lokales Setup nur baut, um API-Kosten zu sparen, sollte vorher nachrechnen. Wer es baut, weil die Daten das Haus nicht verlassen dürfen, hat ein Argument, das kein Preisschild schlägt.

Realistische Anwendungsfälle

Bleib bei der Erwartung realistisch: Ein lokales 7B- oder 14B-Modell auf einer Consumer-GPU ersetzt nicht das größte Cloud-Frontier-Modell. Aber für einen privaten Chat-Assistenten, für Textzusammenfassungen, für Coding-Hilfe und vor allem für Dokumenten-RAG reicht die lokale Variante in vielen Fällen völlig. Bildgenerierung mit Stable-Diffusion-Ablegern ist der zweite große Anwendungsfall — hier zählt ebenfalls vor allem der VRAM.

Die richtige GPU für lokale KI-Modelle

VRAM ist König

Die wichtigste Zahl beim GPU-Kauf für KI ist nicht die Taktrate und nicht die Zahl der Shader — es ist der VRAM. Ein Sprachmodell muss vollständig in den Grafikspeicher passen, sonst läuft es teilweise über den langsamen System-RAM, was die Geschwindigkeit einbrechen lässt. Die Tabelle oben ist deine Orientierung: Erst die Modellgröße festlegen, dann den VRAM ableiten, dann die Karte suchen.

Gebraucht (RTX 3090) versus Neukauf — mit Preisrealität

Die interessanteste Empfehlung 2026 bleibt gebraucht: Die RTX 3090 mit 24 GB VRAM ist die Preis-Leistungs-Referenz für lokale KI, weil sie denselben Speicherausbau bietet wie deutlich teurere aktuelle Karten. Für reine Inference ist die ältere Architektur weniger relevant als die 24 GB. Gebrauchtpreise bewegen sich international etwa im Bereich von 700 bis 1.000 US-Dollar — das beste Verhältnis von Preis zu Gigabyte VRAM, das der Markt aktuell hergibt.

Beim Neukauf sieht die Lage 2026 unschön aus. Die RTX 5090 (32 GB) hat einen UVP von 1.999 US-Dollar, wird aber real deutlich darüber gehandelt — PCGH hält Preise Richtung 4.000 Euro für realistisch. Die RTX 4090 ist im Neukauf kaum noch sinnvoll zu bekommen. Und wie absurd der Markt ist, zeigt ein anderes Detail: NVIDIA hat die betagte RTX 3060 mit 12 GB wieder in den Handel gebracht — für rund 333 Euro, während dieselbe Karte im Sommer 2025 etwa 245 Euro kostete. Eine vier Jahre alte Grafikkarte wird teurer, nicht günstiger.

Was das für dich heißt: Zwei gebrauchte 3090 (zusammen 48 GB) sind 2026 oft die vernünftigste Antwort auf große Modelle — wenn du Bastelaufwand, Stromverbrauch und Lautstärke akzeptierst. Eine Einschränkung bleibt: Gebrauchtkarten aus Mining- oder Dauerlast-Betrieb sind ein Blindkauf, und bei privaten Verkäufen greift keine Gewährleistung.

Gebrauchte Enterprise-Karten wie die RTX A6000 (48 GB) tauchen ebenfalls auf; sie bieten viel VRAM, sind aber in Kühlung und Stromversorgung anspruchsvoll und nichts für den ersten Aufbau.

Die neue Kategorie 2026: 128-GB-Boxen mit Unified Memory

Diese Klasse gab es beim letzten Homelab-Aufbau noch nicht, und sie ist der eigentliche Umbruch: Kompaktgeräte, bei denen CPU und GPU sich einen großen gemeinsamen Speicherpool teilen. Damit passen Modelle hinein, an denen jede 24-GB-Karte scheitert.

• NVIDIA DGX Spark — GB10 Grace Blackwell, 128 GB, rund 273 GB/s Bandbreite. Gestartet bei 3.999 US-Dollar, inzwischen auf 4.699 US-Dollar angehoben — NVIDIA nennt die LPDDR5X- und NAND-Knappheit als Grund. Die Speicherkrise trifft eben auch die Geräte, die sie ausgelöst haben. ARM-basiert, Linux-only, kein normaler Desktop. Die OEM-Variante ASUS Ascent GX10 liegt bei rund 2.999 US-Dollar (dafür 1 statt 4 TB SSD).
• AMD Ryzen AI Halo — Ryzen AI Max+ 395 („Strix Halo„), 128 GB LPDDR5X, seit dem 10. Juli 2026 im Handel, rund 3.999 US-Dollar. Der Unterschied: x86, bootet Windows 11 oder Linux, ROCm statt CUDA.
• Günstiger Weg zum selben Chip: Der GMKtec EVO-X2 hat denselben Ryzen AI Max+ 395 mit 128 GB für rund 1.999 US-Dollar, der Framework Desktop liegt bei etwa 2.348 US-Dollar. Für reine Inference liefern sie praktisch dieselben Werte wie die teuren Entwickler-Kits.
• Mac Studio — Apples Unified Memory geht bis 512 GB beim M3 Ultra, mit rund 819 GB/s deutlich mehr Bandbreite als beide x86-Boxen. Leise, sparsam, teuer, an macOS gebunden.

Die Ehrlichkeit dazu, die in Werbetexten fehlt: Bei der Token-Generierung nehmen sich DGX Spark (~38 tok/s) und Strix Halo (~34 tok/s) auf einem 120B-MoE-Modell fast nichts — beide sind durch die Speicherbandbreite limitiert, nicht durch Rechenleistung. Beim Verarbeiten langer Prompts liegt der Spark dagegen etwa fünffach vorn (~1.700 vs. ~340 tok/s). Und ein Setup aus drei gebrauchten 3090 schlägt beide bei der Token-Generierung deutlich. Diese Boxen kaufst du für Kapazität und Kompaktheit, nicht für Tempo.

AMD, NPU und die CUDA-Frage

NVIDIA dominiert lokale KI, weil CUDA der De-facto-Standard ist und die meisten Tools zuerst dafür optimiert werden. AMD-Karten funktionieren über ROCm inzwischen ebenfalls — der Stack ist mit Version 7.x spürbar erwachsener geworden, kostet aber weiterhin Einrichtungsaufwand. Auf Strix-Halo-Systemen ist der übliche Weg pragmatisch: llama.cpp mit dem Vulkan-Backend für den Alltag, ROCm für lange Kontexte, weil Vulkan jenseits von etwa 4.000 Tokens Kontext einbricht.

Ein Wort zur NPU: Erste Tools binden sie 2026 für spezialisierte Aufgaben ein. Für das Ausführen großer LLMs oder für Bild-KI bleibt die NPU Nebendarsteller — die GPU trägt die Last.

RAM, CPU und Speicher richtig dimensionieren

Die RAM-Faustregel — und warum sie 2026 hinterfragt gehört

Die klassische Empfehlung lautet: System-RAM mindestens doppelt so groß wie der VRAM. Bei einer 24-GB-Karte also 48, besser 64 GB. Diese Regel stammt aus einer Zeit, in der RAM billig war.

Rechne sie einmal zu heutigen Preisen durch: 64 GB DDR5 kosten bei 440 bis 460 Euro pro 32-GB-Kit rund 900 Euro — deutlich mehr als die gebrauchte 3090, die das Herzstück sein soll. An dieser Stelle wird aus einer Daumenregel ein Budget-Killer.

Die ehrliche Version: Wenn dein Modell vollständig im VRAM läuft, braucht das System vor allem Puffer fürs Laden und fürs Betriebssystem — 32 GB sind für reine GPU-Inference in vielen Setups ausreichend. Mehr brauchst du, wenn du Modelle teilweise in den RAM auslagerst (CPU-Offload), RAG mit großen Vektor-Indizes fährst oder mehrere Dienste parallel betreibst. Entscheide also nach deinem tatsächlichen Workload, nicht nach einer Formel — und plane lieber freie Steckplätze für später ein, als heute auf Vorrat zu kaufen.

Ein Randbefund, der zeigt, wie sehr die Preise durchschlagen: Laut Steam-Hardware-Umfrage vom Juni 2026 sinkt erstmals seit Jahren der Anteil der Rechner mit 32 GB RAM, während 16-GB-Systeme zulegen. Die Leute rüsten nicht mehr auf.

NVMe-SSD für schnelles Laden

Modelldateien sind groß — schnell mehrere bis viele Gigabyte pro Modell. Eine NVMe-SSD sorgt dafür, dass ein Modellwechsel Sekunden statt Minuten dauert. Rechne großzügig: Wer verschiedene Modelle testet, füllt schnell ein Terabyte. Auch hier gilt die Preiswarnung — NVMe-SSDs sind seit Sommer 2025 im Schnitt um rund 80 Prozent teurer geworden. Eine SATA-SSD funktioniert, macht das Laden aber zur Geduldsprobe.

Netzteil und Kühlung

Der Punkt, den Einsteiger am häufigsten unterschätzen: Eine High-End-GPU zieht unter Dauerlast erheblich Strom, und KI-Inference lastet die Karte länger aus als ein Spiel. Ein knapp dimensioniertes Netzteil führt zu Abstürzen unter Last. Plane klaren Puffer über der Summe der Komponenten ein und sorge für Gehäusekühlung, die auch bei stundenlanger Volllast nicht kapituliert. Die Stromkosten gehören in die Kalkulation — eine dauerhaft ausgelastete Karte der 350-Watt-Klasse ist im Jahresverlauf kein Nebenposten.

Fertiggerät oder Selbstbau?

Der klassische Eigenbau

Für maximale Flexibilität und das beste Preis-Leistungs-Verhältnis bleibt der selbst zusammengestellte Rechner erste Wahl — vor allem mit einer gebrauchten 3090 als Herzstück. Auch günstig gebraucht gekaufte Business-Rechner taugen als Einstiegsplattform, solange Slot und Stromversorgung für eine ordentliche GPU reichen. Bei aktuellen Neupreisen gewinnt der Gebrauchtmarkt ohnehin an Attraktivität.

Mini-PCs und KI-NAS

Fertige Kompaktlösungen drängen in den Markt. Mini-PCs wie der Minisforum MS-02 Ultra eignen sich als kompakte Virtualisierungs-Basis — für schwere GPU-Last ohne dedizierte Grafikkarte aber begrenzt. Bezeichnend für 2026: Minisforum bringt mit dem Elite Mini NAB9S bewusst ein Modell mit DDR4 statt DDR5, um dem Preisniveau auszuweichen.

Am anderen Ende erscheinen erste NAS-Systeme mit KI-Fokus, etwa das per Kickstarter angekündigte UGREEN KI-NAS IDX6011 Pro. Solche Geräte sind spannend, aber jung — hier lohnt Abwarten und ein Blick auf reale Testwerte statt Kampagnen-Versprechen. Bei Crowdfunding trägst du das Risiko von Lieferverzug oder ausbleibender Auslieferung selbst.

Reiner Einstieg zum Ausprobieren

Wer nur schnuppern will, kann mit einem Board wie dem NVIDIA Jetson Orin Nano in KI-Workloads reinriechen. Für ernsthafte LLM-Nutzung ist das zu wenig, als Lernplattform taugt es.

Die passende Software-Basis installieren

Ollama und LM Studio: der schnellste Einstieg

Ollama ist 2026 der bequemste Weg zum lokalen LLM. Unter Linux genügt im Prinzip ein einziger Befehl von der Projektseite, danach lädst und startest du Modelle mit einem Kommando. Ein Hinweis, der zum Thema dieses Artikels passt: Die verbreitete Installation per Skript-Download direkt in die Shell ist bequem, aber du führst damit fremden Code ungeprüft mit Systemrechten aus. Wer schon Wert darauf legt, dass keine Daten das Haus verlassen, sollte das Skript vorher ansehen oder die Paket-Variante nehmen. Ollama nutzt automatisch die GPU, wenn Treiber und Toolkit sitzen — prüfe das im Anschluss, statt es anzunehmen.

LM Studio ist die grafische Alternative für alle, die lieber klicken als tippen: Modell-Suche, Chat-Oberfläche, Regler für Quantisierung und Kontextlänge — ideal, um ein Gefühl dafür zu bekommen, was deine Hardware trägt. Unter der Haube setzen beide auf die llama.cpp-Engine; wer es maximal schlank mag, hostet Modelle direkt über llama.cpp’s llama-server und spricht sie per API an.

Open WebUI als Oberfläche im Heimnetz

Ollama allein liefert eine API, aber keine Bedienoberfläche. Open WebUI schließt die Lücke: eine Weboberfläche mit Chat, Nutzerverwaltung, Chatverlauf und RAG-Funktionen für eigene Dokumente. Damit greifst du von jedem Gerät im Heimnetz auf dein Modell zu, ohne dass etwas nach außen geht. Die Kombination Ollama plus Open WebUI auf einem Ubuntu-Server ist 2026 der Quasi-Standard für den Selbstbetrieb.

Virtualisierung: Proxmox als Unterbau

Wenn dein KI-Dienst nur ein Baustein in einem größeren Homelab sein soll, ist Proxmox VE die beliebteste Virtualisierungs-Basis. Achtung beim GPU-Einsatz: Das Durchreichen der Grafikkarte an eine VM (GPU-Passthrough) funktioniert, ist aber ein Konfigurationsthema für sich. Wer den Aufwand scheut, betreibt die KI-Maschine anfangs bare-metal und wächst später in Proxmox hinein.

Das erste Modell laden und optimieren

Quantisierung verstehen: Q4, Q8 und der Kompromiss

Der Begriff, an dem kein Einsteiger vorbeikommt, heißt Quantisierung. Vereinfacht: Modelle werden von hoher Rechengenauigkeit auf kleinere Zahlenformate reduziert, damit sie weniger Speicher brauchen.

• Q4 (4-Bit) — der beliebteste Kompromiss. Deutlich kleiner, läuft auf bezahlbarer Hardware, mit im Alltag oft kaum spürbarem Qualitätsverlust.
• Q8 (8-Bit) — näher am Original, braucht aber merklich mehr VRAM. Sinnvoll, wenn Speicher übrig ist.

Die Logik dahinter: Ein größeres Modell in Q4 liefert oft bessere Ergebnisse als ein kleineres in Q8 bei gleichem Speicherbedarf. Praktische Empfehlung: das größte Modell nehmen, das in Q4 noch komfortabel in deinen VRAM passt. Die Quantisierung ist außerdem dein Tempo-Regler — dasselbe 70B-Modell bewegt sich je nach Stufe zwischen wenigen und gut dreimal so vielen Tokens pro Sekunde.

MoE oder Dense: die Unterscheidung, die 2026 den Ausschlag gibt

Das ist der Punkt, an dem viele Kaufberatungen hinterherhinken. Moderne Modelle gibt es in zwei Bauweisen, und der Unterschied ist auf Homelab-Hardware dramatisch:

Dense-Modelle aktivieren für jedes Token alle Parameter. Ein dichtes 70B-Modell kriecht auf den 128-GB-Boxen mit wenigen Tokens pro Sekunde vor sich hin — technisch lauffähig, praktisch zäh. MoE-Modelle (Mixture of Experts) aktivieren dagegen nur einen Bruchteil ihrer Gewichte pro Token. Deshalb läuft ein 120B-MoE-Modell auf derselben Hardware rund zehnmal schneller als das dichte 70B — obwohl es auf dem Papier größer ist.

Für dich heißt das: Wenn du in Richtung großer Modelle gehst, schau auf die Architektur, nicht nur auf die Parameterzahl. Und trau keiner Rechnung, die dir „70B lokal“ verspricht, ohne zu sagen, wie schnell.

Passende Modelle wählen

Die Open-Source-Landschaft wird von wenigen Familien getragen: Llama (Meta), Mistral, Qwen und GPT-OSS als Allrounder; kleinere, effiziente Modelle wie die Phi-Reihe von Microsoft und Gemma von Google eignen sich für schwächere Hardware. Als Startpunkt bewährt sich ein 7B- bis 8B-Modell in Q4 — es läuft auf fast jeder passenden GPU flott und zeigt dir, ob dein Setup korrekt arbeitet. Erst wenn das sitzt, tastest du dich an 14B oder 32B heran. Probier mehrere Modelle aus: Das eine schreibt besseren Code, das andere formuliert flüssigeres Deutsch — das zeigt nur der direkte Vergleich.

Häufige Fehler vermeiden

Praktische Handlungsempfehlungen Juli 2026

• Modellgröße zuerst festlegen: 7B, 14B oder 32B? Daraus ergibt sich der VRAM-Bedarf und damit die Karte — nicht umgekehrt.
• Auf 16 oder 24 GB VRAM zielen: 16 GB ist der Sweet Spot für den Einstieg, die gebrauchte RTX 3090 mit 24 GB der Preis-Leistungs-Tipp. Zwei davon, wenn 70B das Ziel ist.
• RAM nach Workload statt nach Formel: 32 GB reichen für reine GPU-Inference; höher nur bei CPU-Offload, großem RAG oder parallelen Diensten. Bei diesen Preisen zählt jeder Riegel.
• 128-GB-Box nur bei echtem Bedarf: Sie kaufst du für Kapazität und Kompaktheit — nicht für Tempo. Ein Multi-3090-Rig ist schneller und billiger, aber lauter und größer.
• NVMe ab 1 TB einplanen: Modelle fressen Platz. Auch hier: Preise vorher prüfen.
• Mit Ollama plus Open WebUI starten: Der schnellste Weg zum eigenen Chat im Heimnetz — Installationsskript aber vorher ansehen.
• Erst bare-metal, später Proxmox: Bring das Setup zuerst direkt zum Laufen, bevor du dich an GPU-Passthrough wagst.
• Klein anfangen und vergleichen: 7B–8B in Q4 als Referenz, dann mehrere Modelle für deinen Anwendungsfall gegeneinander testen.

Fazit

Ein KI-Homelab ist 2026 technisch einfacher und finanziell unangenehmer als vor zwei Jahren. Die Software ist so weit, dass der erste Chatbot in einer halben Stunde läuft. Die Hardware kostet dank Speicherkrise das Mehrfache dessen, was sie kosten sollte — und eine Entspannung erwarten Marktforscher frühestens Ende 2027.

Der pragmatische Weg führt deshalb über den Gebrauchtmarkt: eine RTX 3090, 32 GB RAM, eine NVMe, Ollama und Open WebUI. Das läuft, kostet einen Bruchteil der 128-GB-Boxen und deckt fast alles ab, was man im Alltag von lokaler KI erwartet. Die großen Modelle bleiben dabei außen vor — und das ist verschmerzbar, solange dein Anwendungsfall Zusammenfassen, Coden und Dokumente durchsuchen heißt und nicht Frontier-Forschung.

Wer wartet, spart übrigens nichts. Die Analysten sind sich einig, dass die Preise 2026 eher weiter steigen. Wenn du das Setup brauchst, bau es jetzt — nur eben nach Bedarf und nicht nach Wunschzettel.

Quellen und weiterführende Informationen

• Speicherkrise: Preisentwicklung bei RAM, SSDs und Grafikkarten (pcgameshardware.de) – laufendes Preisbarometer mit Zahlen zu DDR5, DDR4 und GPUs.
• Speicherkrise-Preisindex (3dcenter.org) – monatlich aktualisierte Datenerhebung zur Preisentwicklung im deutschen Einzelhandel.
• DGX Spark und Ryzen AI Max+ 395 im Vergleich (notebookcheck.net) – Einordnung der kompakten KI-Workstations, Architektur und Ökosystem.
• AMD Ryzen AI Halo Developer Platform (tomshardware.com) – Spezifikationen, Preise und Marktpositionierung gegen die DGX Spark.
• Ollama und Open WebUI – Projektdokumentation (ollama.com, docs.openwebui.com) – offizielle Installations- und Konfigurationsanleitungen.

Haftungsausschluss

Allgemeine Information. Dieser Artikel dient der allgemeinen Orientierung und ersetzt keine individuelle Fachberatung. Der KI- und Homelab-Markt entwickelt sich außergewöhnlich schnell: Treiber-Versionen, Modell-Anforderungen und Schnittstellen können bereits wenige Wochen nach Erscheinen veraltet sein — prüfe die aktuellen Release-Notes des jeweiligen Projekts, bevor du Komponenten kaufst oder Software produktiv einsetzt.

Preise sind Momentaufnahmen. Alle genannten Preise entsprechen dem Recherchestand Juli 2026 und sind angesichts der anhaltenden Speicherknappheit besonders volatil; Angaben in US-Dollar stammen aus internationalen Quellen und lassen sich nicht 1:1 auf deutsche Straßenpreise übertragen. Recherchiere vor jedem Kauf selbst. Nach § 11 PAngV müssen Händler bei Rabattwerbung den niedrigsten Preis der letzten 30 Tage ausweisen — ein nützlicher Prüfstein in einem Markt, in dem „Angebot“ gerade wenig bedeutet.

Betrieb, Strom und Daten. Grafikkarten für KI-Workloads sind echte Stromverbraucher: Kalkuliere die Betriebskosten anhand der TDP-Werte realistisch ein. Bei lokalen Modellen verbleiben Inferenzanfragen zwar auf deiner Hardware, doch viele Frontends und Verwaltungswerkzeuge kommunizieren im Hintergrund mit externen Servern; prüfe die Datenschutzeinstellungen jeder Software, bevor du personenbezogene oder sensible Daten verarbeitest. Installationsskripte aus dem Netz führen Code mit Systemrechten aus — sieh sie dir an, statt sie blind auszuführen.

Deine Rechte und Affiliate. Beim Kauf im Fernabsatz steht dir nach § 312g BGB ein 14-tägiges Widerrufsrecht zu; § 312k BGB verpflichtet Anbieter von Abos zu einem gut sichtbaren Kündigungsbutton. Bei Sachmängeln greifen §§ 437, 438 BGB mit zwei Jahren Frist, in den ersten zwölf Monaten mit Beweislastumkehr nach § 477 BGB; bei privaten Gebrauchtkäufen entfällt die Mängelhaftung in der Regel. Die EU-Richtlinie 2019/771 sichert den Rahmen europaweit. Die §§ 5, 5a und 5b UWG untersagen irreführende Angaben und ungeprüfte Bewertungen. Einige Links sind Affiliate-Links des Amazon-Partnerprogramms oder des Awin-Netzwerks; kaufst du darüber, erhalten wir eine Provision ohne Mehrkosten für dich. Alle Markennamen sind eingetragene Warenzeichen der jeweiligen Inhaber.