Aider mit Ollama: lokal programmieren, ohne dass Code das Haus verlässt

Geht KI-Coding komplett lokal?

Ja: Du installierst Ollama und Aider, lädst ein Coding-Modell, das in deinen Grafikspeicher passt, und startest Aider mit aider --model ollama_chat/ und dem Modellnamen. Das kostet keine Abo- oder Token-Gebühren und dein Quellcode bleibt auf deinem Rechner, an Claude Code oder die Codex CLI kommt eine einzelne Consumer-Grafikkarte aber nicht heran.

Für wen lohnt sich das? Vor allem für alle, die Code nicht an US-Anbieter schicken dürfen, etwa wegen Kundenverträgen, NDAs oder einer skeptischen Rechtsabteilung. Dazu kommt, wer ohnehin eine Grafikkarte mit 12 GB oder mehr im Rechner hat und überschaubare Aufgaben erledigen will: Funktionen ergänzen, Tests schreiben, Code erklären lassen, Refactorings über wenige Dateien.

Dieser Ratgeber ist der Coding-Teil des Themas. Was lokale KI im Browser und auf dem Laptop allgemein kann, steht im Ratgeber Lokale KI 2026: Was auf deinem Laptop und im Browser schon geht. Wie sich große offene Modelle auf eigener Server-Hardware rechnen, erklärt der Ratgeber Open-Weight-Modelle 2026: Wann sich eigene KI für kleine Firmen lohnt.

So richtest du Aider und Ollama unter Windows ein

Ollama setzt Windows 10 22H2 oder neuer voraus, bei NVIDIA-Karten den Treiber 551.61 oder neuer, Administratorrechte brauchst du nicht. Installier es in der PowerShell mit winget install --id Ollama.Ollama -e oder mit dem Installer von ollama.com und prüf mit ollama --version, ob es läuft. Dann lädst du ein Modell, zum Beispiel mit ollama pull qwen2.5-coder:14b.

Aider holst du dir mit dem offiziellen Installationsskript: powershell -ExecutionPolicy ByPass -c "irm https://aider.chat/install.ps1 | iex". Danach wechselst du in deinen Projektordner, der ein Git-Repository sein sollte, und startest mit aider --model ollama_chat/qwen2.5-coder:14b. Ein sauberer Git-Stand vorher ist Pflicht, dann kannst du jede Änderung des Modells in Ruhe prüfen oder verwerfen.

Unter macOS und Linux installierst du Ollama über ollama.com und Aider mit python -m pip install aider-install und danach aider-install. Aider selbst verlangt Python 3.10 bis 3.12, der Installer besorgt sich aber eine passende Version, ein neueres System-Python stört also nicht.

Läuft Ollama auf einem anderen Port oder Rechner, zeigst du Aider den Weg mit setx OLLAMA_API_BASE http://127.0.0.1:11434 und der passenden Adresse, danach ein neues Terminal öffnen.

Die drei Stolpersteine, über die fast jeder fällt

Erstens das Präfix: Aider empfiehlt ollama_chat/ vor dem Modellnamen, nicht ollama/. Klingt nach Kleinkram, macht aber einen Unterschied in der Zusammenarbeit der beiden Programme.

Zweitens das Kontextfenster. Ollama verwirft stillschweigend alles, was nicht hineinpasst, und bei Karten unter 24 GB liegt der Standard laut Ollama bei 4.000 Tokens. Aider passt das Fenster zwar pro Anfrage an, wenn das Modell trotzdem Dateien „vergisst“, setzt du OLLAMA_CONTEXT_LENGTH als Benutzer-Umgebungsvariable, beendest Ollama im Infobereich und startest es neu. Ob es geklappt hat, zeigt die Spalte CONTEXT im Befehl ollama ps.

Drittens Modelle, die halb auf der CPU laufen. Zeigt ollama ps in der Spalte PROCESSOR einen CPU-Anteil, ist das Modell zu groß für deine Karte, und Aider wird zäh wie ein Moped mit angezogener Handbremse. Dann nimm eine Nummer kleiner.

Welches Modell passt zu deiner Grafikkarte?

Die Faustregel: Die Modelldatei muss komplett in den Grafikspeicher passen, und für den Kontext sollten ein paar Gigabyte frei bleiben. Die Größen unten sind die 4-Bit-Standarddownloads aus der Ollama-Bibliothek. Die Zuordnung zu den VRAM-Klassen ist gerechnet, nicht gemessen, eigene Geschwindigkeitstests je Karte stehen noch aus.

Mit 8 GB nimmst du qwen2.5-coder:7b (4,7 GB) oder qwen3:8b (5,2 GB). Das reicht für Erklärungen und Einzeiler, für echte Änderungen kaum. Ehrlich gesagt lohnt sich der Aufwand unter 8 GB nicht. Mit 12 GB ist qwen2.5-coder:14b (9,0 GB) der beste Einstieg, alternativ qwen3:14b (9,3 GB). Scheitern die Änderungen oft, starte Aider mit --edit-format whole, dann schreibt das Modell ganze Dateien statt Such- und Ersetzblöcke.

Mit 16 GB passt gpt-oss:20b, das laut Ollama ab 16 GB Speicher läuft, oder devstral:24b, beide rund 14 GB groß. Für den Kontext bleibt da wenig Luft. Mit 24 GB spielst du in der obersten Consumer-Liga: qwen3:32b (20 GB) schafft im Aider-Polyglot-Benchmark 40,0 Prozent, qwen3-coder:30b (19 GB) aktiviert pro Token nur 3,3 Milliarden Parameter und bleibt dadurch flott, und devstral:24b läuft laut Ollama auf einer einzelnen RTX 4090.

Auf Macs mit Apple-Chip zählt der gemeinsame Arbeitsspeicher statt eines separaten Grafikspeichers. Für Devstral nennt Ollama einen Mac mit 32 GB RAM als ausreichend.

Wo lokale Modelle gegen die Cloud verlieren

Aider testet Modelle mit einem eigenen Benchmark aus 225 Programmieraufgaben in sechs Sprachen, das Leaderboard wurde zuletzt am 20. November 2025 aktualisiert. Die Lücke ist deutlich: gpt-5 (high) aus der Cloud löst 88,0 Prozent, DeepSeek R1 (0528) mit offenen Gewichten auf Server-Hardware 71,4 Prozent, Qwen3 235B A22B 59,6 Prozent. Auf einer einzelnen 24-GB-Karte schafft Qwen3 32B 40,0 Prozent, Qwen2.5-Coder 32B Instruct nur 16,4 Prozent.

Im Alltag merkst du das an drei Stellen. Kleine Modelle liefern öfter kaputte Änderungsblöcke, Aider versucht es dann erneut, das kostet Zeit. Mit kleinem Kontext sieht das Modell nur die Dateien, die du gezielt mit /add hinzufügst, große Codebasen überfordern es. Und Aider ist ein Pair-Programmer, kein autonomer Agent: Du gibst die Richtung vor, er plant nicht selbst über zwanzig Dateien hinweg.

Auch die Rechnung ist nicht automatisch günstiger. Wer keine starke Grafikkarte hat, zahlt für eine 24-GB-Karte mehr als für viele Monate Cloud-Abo. Lokal ist die richtige Wahl, wenn Code das Haus nicht verlassen darf, nicht wenn maximale Qualität zählt.

Das Datenschutz-Argument für deutsche Firmen

Hier liegt der eigentliche Vorteil. Sobald Quellcode an einen Cloud-Anbieter geht, stellen sich Fragen, die bei einem lokalen Modell schlicht wegfallen. Enthält der Code personenbezogene Daten, etwa in Testdaten, Logs oder Konfigurationen, braucht es mit dem Anbieter einen Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO. Bei US-Anbietern kommt die Prüfung des Drittlandtransfers nach Art. 44 ff. DSGVO dazu. Läuft das Modell auf deinem Rechner, gibt es für das Modell keinen externen Verarbeiter.

Dazu kommen Geschäftsgeheimnisse. Nach § 2 Nr. 1 b GeschGehG ist eine Information nur geschützt, wenn sie durch angemessene Geheimhaltungsmaßnahmen gesichert ist, und die Weitergabe an Dritte muss dazu passen. Viele Kundenverträge und NDAs verbieten die Weitergabe an Dritte ausdrücklich, KI-Dienste eingeschlossen. Mit Aider und Ollama verlässt der Code das Unternehmen nicht.

Bevor du gegenüber deiner Datenschutzbeauftragten „komplett lokal“ sagst, prüf zwei Schalter. Aider-Analytics sind Opt-in und enthalten laut Aider nie Code oder Chats, dauerhaft abschalten kannst du sie mit aider --analytics-disable. Und Ollama-Modelle mit dem Tag cloud laufen auf Servern von Ollama, die Ollama-FAQ beschreibt einen Nur-lokal-Modus, der diese Cloud-Funktionen abschaltet. Ollama selbst lauscht standardmäßig nur auf 127.0.0.1:11434 und ist aus dem Netzwerk nicht erreichbar, solange du OLLAMA_HOST nicht änderst.

Das ist keine Rechtsberatung. Ob und welche Pflichten in deinem Fall greifen, klärst du mit deiner Datenschutzbeauftragten oder Rechtsabteilung. Die allgemeine Prüfliste für KI im Unternehmen steht im Ratgeber KI-Tools und Datenschutz: die DSGVO-Checkliste für den Einsatz im Unternehmen.

Wie aktuell ist Aider noch?

Ehrliche Antwort: Aider funktioniert, wird aber derzeit kaum weiterentwickelt. Das letzte Release auf PyPI ist Version 0.86.2 vom 12. Februar 2026, der letzte Push im GitHub-Repository war im Mai 2026. Für dein Setup heißt das: Was heute läuft, läuft auch morgen, auf neue Funktionen solltest du aber nicht warten. Wie ein alter Drehmomentschlüssel, der zuverlässig zieht, für den es aber keine neuen Aufsätze mehr gibt.

Aider steht unter der Apache-2.0-Lizenz und stammt von Paul Gauthier und der Community. Wenn dir die Ruhe im Repository Sorgen macht, schau dir die anderen offenen Terminal-Agenten an: OpenCode (MIT-Lizenz) arbeitet mit vielen Anbietern, Goose (Apache 2.0) unterstützt laut eigener Doku mehr als 15 Provider, darunter Ollama. Mehr dazu im Ratgeber Cursor-Alternative kostenlos: Editoren, Open Source und Terminal-Agenten.