Neptune.ai

Kurzfazit

Neptune.ai ist ein gehosteter ML-Experiment-Tracker und Metadata-Store aus Polen — entstanden 2017, jahrelang ein solider, leiserer Konkurrent zu Weights & Biases, MLflow und ClearML. Die Plattform glänzt vor allem mit sauberen Run-Vergleichen, einem gepflegten Python-SDK und über 50 nativen Integrationen zu ML-Frameworks. Im Mai 2026 hat OpenAI die Übernahme angekündigt — die öffentliche Pricing-Seite ist seitdem offline und leitet auf die OpenAI-Ankündigung um. Damit ist Neptune.ai als eigenständiges Produkt in einer Übergangsphase: Bestandskunden können weiter nutzen, neue Teams sollten den Markt jedoch zurückhaltend bewerten und auf die offizielle Roadmap-Kommunikation warten. Wir bewerten das Tool weiterhin als technisch solide — die strategische Unsicherheit kostet aber Sterne.

Für wen ist Neptune.ai?

ML-Engineering-Teams mit vielen Runs: Wer pro Woche hunderte oder tausende Trainings-Runs durchführt — beim Hyperparameter-Tuning, beim Modellvergleich, beim systematischen Feature-Engineering — bekommt mit Neptune eine UI, die diese Datenmengen ohne Zähigkeit darstellt. Das ist eine echte Stärke gegenüber selbst gehosteten MLflow-Instanzen, die bei zehntausenden Runs spürbar in die Knie gehen.

Data-Science-Teams ohne dedizierte Plattform-Engineers: Self-Hosted MLflow klingt günstig — bis jemand das Update, die Datenbank-Migration und die S3-Anbindung warten muss. Neptune nimmt diese Arbeit als gehostete SaaS ab. Für ein 5–15-köpfiges Data-Science-Team, dem Plattform-Engineering keine erste Priorität ist, war das historisch ein klares Argument.

ML-Forschungsgruppen mit Reproduzierbarkeitsanspruch: Universitäten, Industrieforschung, Forschungsabteilungen, die Experimente langfristig dokumentiert behalten müssen, profitieren vom Modell-Registry und der Versions-Historie. Jeder Run ist eindeutig verknüpft mit Code-Commit, Daten-Version und Modell-Artefakt.

Klassisches ML statt LLM-Welt: Neptune wurde ursprünglich für klassisches Supervised Learning konzipiert (PyTorch, scikit-learn, XGBoost, LightGBM). Wer in dieser Welt arbeitet — und nicht primär LLM-Prompts trackt — findet bei Neptune ein passendes Werkzeug. Für reines LLM-Tracing sind LangSmith oder Helicone die besseren Adressen.

Bestandskunden in Übergangsphase: Wer Neptune bereits produktiv einsetzt, sollte aktuell vor allem Migration nicht überstürzen, aber Exit-Optionen evaluieren. Das Python-SDK ist offen genug, um Daten zu exportieren — eine spätere Migration zu W&B, MLflow oder ClearML ist machbar, aber Aufwand.

Weniger geeignet für: Teams, die 2026 ein neues MLOps-Setup von Null starten (die Übernahmesituation macht Neptune zur riskanten Erstwahl), Teams ohne Python-Kompetenz, Anwender mit zwingenden EU-Hosting-Anforderungen ohne Enterprise-Budget, und Workflows, die primär auf LLM-Prompt-Tracing zielen.

Preise im Detail

Plan	Preis	Was du bekommst
Free (historisch)	0 USD	1 Sitz, ca. 200 Compute-Stunden/Monat, ca. 200 GB Storage, unbegrenzte private Projekte, vollständige UI
Scale (Team)	Pay-per-Seat (Preise auf Anfrage seit Mai 2026)	Mehrere Sitze, höhere Compute-/Storage-Limits, Team-Verwaltung, Service-Accounts, höherer Support-SLA
Enterprise	Auf Anfrage	Dedizierte Region (US oder EU), SSO/SAML, RBAC, Audit-Logs, AVV, Self-Hosted-Option, dedizierter Customer-Success
Pricing-Seite (Mai 2026)	offline	neptune.ai/pricing leitet seit Bekanntgabe der OpenAI-Übernahme auf die OpenAI-Ankündigung um

Einordnung: Der historische Free-Plan war für Einzelnutzer und kleine Forschungsgruppen großzügig dimensioniert — 200 GB Storage übertreffen die Free-Tiers vieler Wettbewerber. Der Scale-Plan war traditionell per-Seat-basiert mit zusätzlicher Compute- und Storage-Komponente und in Verhandlung üblich im Bereich von zwei- bis dreistelligen USD pro Sitz und Monat — verbindliche Listenpreise sind seit der Übernahme jedoch nicht mehr öffentlich. Wer 2026 einen Neptune-Vertrag verhandelt, sollte explizit nach Übergangs- und Migrationsklauseln fragen — etwa garantierter Datenexport bei Produktänderung, unveränderter SLA über 12–24 Monate, Klarheit zur Roadmap nach Integration in den OpenAI-Stack. Das ist nicht juristische Spitzfindigkeit, sondern Standard-Risikomanagement bei Anbietern in Übernahmesituation.

Stärken im Detail

Eine der besten Run-Vergleichs-UIs der Kategorie. Wer regelmäßig 50, 200 oder 1.000 Trainings-Runs nebeneinander stellen muss, kennt die Schmerzpunkte: zähe Tabellen, schlecht filterbare Hyperparameter, kaputte Diagramme bei vielen Datenpunkten. Neptune hat hier seit Jahren investiert — die Run-Comparison-View ist filterbar, sortierbar, mit Spalten-Konfigurationen speicherbar, und die Diagramme bleiben auch bei zehntausenden Datenpunkten nutzbar. Das ist der Punkt, an dem Bestandskunden Neptune am meisten schätzen.

Python-SDK ohne Reibung. pip install neptune, run = neptune.init_run(), run["loss"].append(value) — das war’s. Die API ist konsistent mit verbreiteten Konventionen (W&B, MLflow), sodass Migration in beide Richtungen mit überschaubarem Aufwand möglich ist. Für Forschungsteams, die zwischen Tools experimentieren, ist diese Konsistenz ein realer Wert.

Über 50 native Framework-Integrationen. PyTorch, PyTorch Lightning, TensorFlow, Keras, scikit-learn, XGBoost, LightGBM, Hugging Face Transformers, Optuna, Prefect, Airflow, Kedro, Sacred, fastai — die Liste ist lang und wird seit Jahren gepflegt. Für viele Setups bedeutet das: ein Callback hinzufügen, fertig.

Modell-Registry mit Stages und Versionierung. Über das reine Experiment-Tracking hinaus bietet Neptune eine Modell-Registry mit Versionen, Stages (Staging, Production, Archived) und Metadaten. Das ist die Brücke zwischen „wir haben tausend Runs gemacht” und „dieser eine Run geht jetzt in Produktion”. Approval-Workflows lassen sich anbinden, Rollbacks sind nachvollziehbar dokumentiert.

Skalierung auf zehntausende Runs pro Projekt. Während Self-Hosted MLflow bei vielen Runs zähe wird, hat Neptune diesen Skalierungspunkt durch Architektur und Caching im Griff. Für reife ML-Organisationen mit vielen parallel arbeitenden Teams ist das ein operativer Vorteil.

Geringer Plattform-Wartungsaufwand für ML-Teams. Niemand will nachts MLflow-Backups debuggen oder S3-Berechtigungen reparieren. Neptune nimmt diese Arbeit als SaaS ab. Für Teams ohne dedizierte ML-Plattform-Engineers war das historisch ein wichtiger Grund, sich gegen Self-Hosting zu entscheiden.

Schwächen ehrlich betrachtet

OpenAI-Übernahme verändert die Geschäftsgrundlage. Im Mai 2026 wurde bekannt, dass OpenAI Neptune.ai übernimmt — die öffentliche Pricing-Seite leitet seitdem auf die Ankündigung um. Was das im Detail für Bestandskunden, die Roadmap als eigenständiges Produkt und neue Selbstregistrierungen bedeutet, ist zum aktuellen Stand unklar. Strategische Neuentscheidungen für Neptune sollten zurückgestellt werden, bis OpenAI die künftige Produktstrategie kommuniziert. Erfahrungswerte aus vergleichbaren Übernahmen (Onfido → Entrust, etc.) zeigen: Produkt überlebt selten unverändert mehr als 18–24 Monate.

Pricing-Intransparenz seit Mai 2026. Mit der nicht mehr erreichbaren öffentlichen Pricing-Seite ist eine der Grundlagen seriöser Tool-Entscheidungen weggefallen. Verbindliche Vergleichsangaben zu Wettbewerbern lassen sich aktuell nur via Sales-Kontakt einholen — was Evaluierungen verlangsamt und kleine Teams faktisch ausschließt.

Standardhosting in den USA. Die Standard-SaaS läuft auf AWS in den USA. Eine EU-Region ist nur im Enterprise-Plan verfügbar und dort als Add-on einzubuchen. Für DSGVO-sensible Branchen (Medizin, Recht, Banking, Behörden) ist die Free- und Scale-Variante ohne dedizierten Vertrag schwer empfehlbar.

Kein deutschsprachiger Support, kein deutsches UI. Dokumentation, UI und Support laufen auf Englisch. Für englischsprachig versierte ML-Teams kein Hindernis, für Fachabteilungen mit gemischten Sprachprofilen aber ein Reibungspunkt.

Closed-Source SaaS, kein echtes Self-Hosting unterhalb von Enterprise. Während MLflow und ClearML als Open-Source-Optionen vollständig selbst betreibbar sind, bleibt Neptune im Kern eine SaaS-Plattform. Self-Hosted-Deployment ist eine Enterprise-Option mit eigener Lizenz und Kubernetes-Anforderungen — kein Pfad für preisbewusste oder DSGVO-strenge Teams.

Schwächer als W&B bei Reports und Sweeps. Weights & Biases hat in Reports (gestaltbare ML-Berichte, einbettbare Visualisierungen) und in Sweeps (Hyperparameter-Optimierung mit Bayesianer Optimierung) klar mehr investiert. Wer diese beiden Disziplinen als zentral ansieht, war auch vor der Übernahme bei W&B besser aufgehoben.

Markenwirkung in einer LLM-dominierten Welt rückläufig. 2024 und 2025 hat sich der MLOps-Diskurs stark in Richtung LLM-Tracing (LangSmith, Helicone, Arize) verschoben. Klassisches ML-Tracking war weiter relevant, aber die Aufmerksamkeit lag woanders — Neptune hat in dieser Phase Sichtbarkeit verloren, was die OpenAI-Übernahme nicht zufällig in diese Zeit fällt.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Open-Source-Tracking selbst hosten willst	MLflow
LLM-Anwendungen tracen und evaluieren willst	LangChain (LangSmith)
Open-Source-Modelle und Datasets verwalten willst	Hugging Face
End-to-End-MLOps mit Pipeline-Orchestrierung suchst	Kubeflow

Erwähnenswert ohne eigene Tool-Seite: Weights & Biases (der Markt-Standard für Experiment-Tracking mit reichem Reporting und Sweeps — die offensichtliche kommerzielle Alternative zu Neptune), ClearML (Open-Source-MLOps-Plattform mit Tracking, Pipelines und Modell-Serving — direkter Wettbewerber zu Neptune mit klarer Self-Hosting-Stärke), Comet ML (zweiter US-Konkurrent, ähnlich positioniert wie Neptune), DVC Studio (von Iterative.ai, mit starker Git-Integration für Daten- und Modell-Versionierung), Aim (Open-Source-Experiment-Tracker mit Fokus auf Performance) und Determined AI (von HPE übernommen, mit Distributed-Training-Schwerpunkt). Für 2026er Neuentscheidungen lohnt vor allem der Vergleich Weights & Biases vs. MLflow vs. ClearML — die drei decken den Markt für klassisches ML-Tracking abdeckend ab.

So steigst du ein

Schritt 1: Prüfe deinen Status erst — Bestandskunde oder Neuevaluierung? Wenn du 2026 erstmals ML-Tracking einführst, ist Neptune aktuell nicht unsere Empfehlung wegen der Übernahmesituation. Schau zuerst W&B und MLflow an. Wenn du bereits Neptune-Kunde bist, mach mit Schritt 2 weiter.

Schritt 2: Free-Account erstellen oder Bestandszugang verifizieren. Auf neptune.ai registrieren oder vorhandenen Login prüfen. Achtung: Ob neue Selbstregistrierungen weiterhin möglich sind, ist seit der Übernahmemeldung unklar — falls die Registrierung blockiert ist, ist das ein klares Signal, dass die Plattform nicht mehr für Neukundenwachstum offen ist.

Schritt 3: Ein Projekt mit echtem ML-Code verbinden. pip install neptune, dann in deinem Trainings-Skript run = neptune.init_run(project="user/project") und ein paar Metriken loggen (run["loss"].append(loss), run["params"] = params). Innerhalb von 30 Minuten siehst du Run-Vergleiche in der Web-UI. So validierst du, ob die Workflows zu deinem Stack passen.

Schritt 4: Exit-Strategie definieren. Auch wenn du Neptune einsetzt — dokumentiere, wie du im Notfall migrieren würdest. Das Neptune-SDK erlaubt Datenexport. Eine Migration zu W&B oder MLflow ist machbar, wenn man sie früh genug plant. Für Bestandskunden ist das aktuell die wichtigste Übung: nicht panisch wegmigrieren, aber den Pfad kennen.

Ein konkretes Beispiel

Ein Berliner KI-Startup (12 Personen, Computer-Vision für medizinische Bildgebung) nutzte Neptune.ai über drei Jahre als zentrale Tracking-Plattform für seine PyTorch-basierten Trainings-Pipelines. Setup: Scale-Plan mit fünf Sitzen, ca. 50.000 Runs in zwei Hauptprojekten, Modell-Registry mit Production-Stages für die Auslieferung an Klinik-Pilotkunden. Reaktion auf Mai-2026-Übernahme: Das Team trifft sich, bewertet die Situation, beschließt drei Maßnahmen: (1) bestehende Verträge laufen unverändert weiter, (2) ein Junior-ML-Engineer baut innerhalb von zwei Wochen einen Export-Job, der alle Run-Metadaten als Parquet-Dateien in eigenen S3 sichert (Recovery-Fähigkeit), (3) für das nächste neue Projekt wird parallel MLflow Self-Hosted aufgesetzt — als Hedge, um nicht in 18 Monaten unter Druck migrieren zu müssen. Aufwand: ca. 30 Personentage über das Quartal verteilt. Ergebnis: Risikoexposure deutlich reduziert, ohne dass laufende Forschung gestört wurde. Genau diese Art von professionellem Übergangsmanagement ist das, was wir Bestandskunden in der aktuellen Situation empfehlen.

DSGVO & Datenschutz

• Datenhosting Standard: AWS in den USA. Anbieter ist Neptune Labs sp. z o.o. (Polen), die operative Datenverarbeitung läuft jedoch in den USA — relevant für Drittlandtransfer.
• EU-Region: Nur im Enterprise-Plan verfügbar (AWS Frankfurt/Irland) — Verfügbarkeit ist als Add-on im Vertrag zu konfigurieren.
• Datennutzung: Neptune hat historisch zugesichert, Kundendaten nicht für Modelltraining oder Marketing zu nutzen. Mit der OpenAI-Übernahme ist eine erneute Prüfung der Datennutzungspraxis dringend geboten — OpenAI hat eigene Trainingsdaten-Praktiken, die mit Neptunes bisherigen Zusagen abgeglichen werden müssen.
• Aufbewahrung: Daten bleiben grundsätzlich erhalten, solange das Konto aktiv ist. Lösch-API für DSGVO-Auskunfts- und Löschpflichten verfügbar.
• Auftragsverarbeitung (AVV): Für Scale- und Enterprise-Kunden verfügbar. Polnische Anbieter-Entität bietet grundsätzlich saubere EU-rechtliche Grundlage — aber die operative Datenverarbeitung in den USA bleibt Drittlandtransfer und braucht Standardvertragsklauseln.
• Empfehlung für Unternehmen: Für DSGVO-sensible Branchen (Medizin, Recht, Banking) ist Neptune ohne Enterprise-EU-Region nicht zu empfehlen. Mit OpenAI-Übernahme verschärft sich die Situation: Vor Vertragsneuabschluss explizit Klarheit zur künftigen Datenverarbeitungsstruktur einholen.

Gut kombiniert mit

• Hugging Face — Modelle und Datasets aus dem Hub kommen direkt in Trainings-Pipelines, deren Metadaten Neptune trackt. Das Pairing ist seit Jahren etabliert.
• Kubeflow — Kubeflow orchestriert verteilte Trainings-Pipelines, Neptune tracked die einzelnen Schritte und Modell-Artefakte. Saubere Aufgabentrennung zwischen Compute-Layer und Metadata-Layer.
• LangChain — wenn aus klassischem ML-Tracking ein LLM-getriebenes Inference-Setup wird, übernimmt LangChain (mit LangSmith) das Prompt-Tracing, während Neptune die zugrunde liegenden Modell-Trainings dokumentiert.

Unser Testurteil

Neptune.ai verdient unter normalen Umständen 4 von 5 Sternen — eine technisch saubere, gut gestaltete ML-Tracking-Plattform mit echten Stärken bei Run-Vergleichen und Modell-Registry. Wir vergeben aktuell nur 3 Sterne, und das ist explizit eine strategische, nicht eine technische Bewertung: Die im Mai 2026 bekannt gewordene OpenAI-Übernahme bringt eine Unsicherheit ins Produkt, die wir Lesern nicht verschweigen können. Bestandskunden bekommen weiterhin ein gutes Werkzeug — aber wer 2026 die Wahl hat, sollte primär Weights & Biases, MLflow oder ClearML evaluieren. Den vierten Stern reservieren wir für den Tag, an dem OpenAI eine klare Roadmap-Kommunikation für Neptune als eigenständige Plattform veröffentlicht — bis dahin ist die Empfehlung: Bestand pflegen, Exit-Optionen offen halten, Neuentscheidungen vertagen.

Was wir bemerkt haben

• Mai 2026 — OpenAI hat die Übernahme von Neptune.ai angekündigt. Die öffentliche Pricing-Seite (neptune.ai/pricing) leitet seitdem mit einem 308-Permanent-Redirect auf die OpenAI-Ankündigungsseite (openai.com/index/openai-to-acquire-neptune/). Das ist ein deutliches Signal: Neptune wird in den OpenAI-Stack integriert. Wie genau Bestandskunden, Selbstregistrierungen und die langfristige Roadmap behandelt werden, ist zum aktuellen Stand unklar.
• Mai 2026 — Verbindliche Listenpreise für Scale und Enterprise sind seit der Übernahme nicht mehr öffentlich abrufbar. Wer Vergleichszahlen für Evaluierungen braucht, muss über Sales gehen — ein deutlicher Rückschritt in Sachen Transparenz.
• 2024–2025 — In der MLOps-Diskursverschiebung Richtung LLM-Tracing (LangSmith, Helicone, Arize) hat Neptune Sichtbarkeit verloren. Während Wettbewerber wie W&B aktiv in LLM-Workflows investierten, blieb Neptune stärker dem klassischen ML-Tracking treu. Rückblickend wirkt das wie ein Vorzeichen der späteren Übernahme.
• 2023 — Neptune hat das UI für Run-Vergleiche grundlegend überarbeitet — die heute oft gelobte Übersichtlichkeit bei zehntausenden Runs stammt aus dieser Welle. Das war historisch ein technisches Alleinstellungsmerkmal gegenüber MLflow.
• Hinweis für Leser: Diese Seite wird neu bewertet, sobald OpenAI eine offizielle Roadmap-Kommunikation zu Neptune.ai veröffentlicht. Wenn du Bestandskunde bist und konkrete Informationen aus deinem Account-Manager hast, freuen wir uns über Hinweise.