Warum US-Start-ups auf chinesische KI-Modelle setzen
Chinesische KI-Modelle sind längst keine experimentellen Kuriositäten mehr, die nur von Forschern und kostenbewussten Entwicklern getestet werden. Modelle von DeepSeek, Alibabas Qwen, Moonshot AI, MiniMax, Zhipu AI und Xiaomi finden zunehmend Einzug in Programmierwerkzeuge, Agenten und Verbraucheranwendungen, die weit über China hinaus entwickelt werden. Auf einigen Modellmarktplätzen machen sie mittlerweile einen erheblichen Anteil der Nutzung offener Modelle aus.
Noch sensationeller ist die Behauptung, dass 80 Prozent der US-Start-ups diese bereits nutzen. Diese Zahl kursiert zwar in der Technologieberichterstattung, wurde jedoch durch keine ausreichend transparente Erhebung unter allen US-Start-ups als Tatsache bestätigt. Der zugrunde liegende Wandel ist jedoch real. Chinesische Labore haben sich zu bedeutenden Anbietern leistungsfähiger, kostengünstiger und häufig Open-Weight-Modelle entwickelt – und zwar genau zu dem Zeitpunkt, zu dem amerikanische Start-ups entdecken, wie teuer der Betrieb von KI-Produkten in großem Maßstab sein kann.
Hier geht es nicht in erster Linie darum, dass Gründer China den Vereinigten Staaten vorziehen. Die meisten treffen eine eher nüchterne technische Entscheidung: Sie weisen jede Arbeitslast dem Modell zu, das sie zu den niedrigsten akzeptablen Kosten angemessen ausführt. Für Programmierung, Zusammenfassungen, Kundensupport und sich wiederholende Aufgaben von Mitarbeitern muss das beste Modell nicht immer das fortschrittlichste sein, das es gibt. Es muss schnell, kontrollierbar und kostengünstig genug sein, um die Margen des Produkts zu sichern.
Diese Überlegung hat chinesischen KI-Entwicklern neue Möglichkeiten eröffnet. Gleichzeitig hat sie ein Governance-Problem geschaffen, dessen Auswirkungen viele Start-ups noch nicht vollständig abgeschätzt haben.
Die wirtschaftlichen Veränderungen nach dem Prototyp
Während der Produktentwicklung können die Modellkosten fast unbedeutend erscheinen. Ein kleines Team gibt vielleicht ein paar hundert Dollar aus, um Prompts zu testen, Code zu generieren oder Investoren eine KI-Funktion vorzuführen. Sobald das Produkt jedoch Tausende von Nutzern bedient, sieht die Rechnung ganz anders aus.
Eine KI-Anwendung ruft möglicherweise ein Modell mehrmals auf, um eine Aufgabe auszuführen, die für den Kunden wie eine einzige Aufgabe erscheint. Ein Agent könnte eine Anfrage klassifizieren, Informationen abrufen, die Ergebnisse bewerten, ein externes Tool nutzen, seine eigene Arbeit überprüfen und eine Antwort verfassen. Lange Eingabeaufforderungen und Schlussfolgerungsmodelle erhöhen den Ressourcenverbrauch zusätzlich. Ein Start-up kann daher zwar Nutzer gewinnen, muss aber gleichzeitig feststellen, dass jeder zusätzliche Kunde seine Verluste vergrößert.
Hier haben chinesische Modelle kommerzielle Bedeutung erlangt. Einige werden zu aggressiven Preisen angeboten, während Open-Weight-Versionen heruntergeladen und über unabhängige Infrastrukturanbieter betrieben werden können. Gründer können sie über Modell-Routing-Plattformen testen, ohne die gesamte Anwendung neu erstellen zu müssen. Wenn ein Modell zu einem Bruchteil der Kosten ein akzeptables Ergebnis liefert, kann der Wechsel so einfach sein wie das Ändern eines API-Endpunkts und das Ausführen einer neuen Bewertung.
Der Preis allein bestimmt nicht die endgültigen Kosten. Ein günstigeres Modell, das unzuverlässige Antworten liefert, längere Eingabeaufforderungen erfordert oder eine Aufgabe wiederholt nicht bewältigt, kann unter Berücksichtigung von Wiederholungsversuchen und menschlicher Überwachung letztlich teurer sein. Latenz, Ausgabelänge, Infrastruktur, Überwachung und Entwicklungszeit spielen allesamt eine Rolle. Dennoch haben chinesische Entwickler den Preis-Leistungs-Vergleich für amerikanische Anbieter schwierig gemacht, insbesondere bei Workloads, bei denen ein teures „Frontier“-Modell nicht erforderlich ist.
Offene Gewichtsklassen sind der wichtigere Vorteil
Der strategische Unterschied besteht nicht einfach darin, dass chinesische Modelle günstig sein können. Vielmehr wurden viele der bekanntesten Veröffentlichungen mit herunterladbaren Gewichten bereitgestellt.
Modelle mit offenem Gewicht ermöglichen es einem Unternehmen, die Software über einen Cloud-Anbieter seiner Wahl, in einer privaten Umgebung oder – sofern technisch machbar – auf der eigenen Infrastruktur auszuführen. Entwickler können ein Modell an eine spezifische Aufgabe anpassen, die Weiterleitung von Anfragen steuern und vermeiden, dass jede Eingabeaufforderung direkt an den ursprünglichen Modellentwickler gesendet wird.
Dies verändert die Bedeutung des Begriffs “Nutzung eines chinesischen Modells”. Ein US-Start-up könnte auf den gehosteten Dienst eines chinesischen Unternehmens zugreifen; in diesem Fall stellen sich sofort Fragen zur Datenverarbeitung und zur gerichtlichen Zuständigkeit. Alternativ könnte es die Gewichte herunterladen und das Modell über einen amerikanischen Cloud-Anbieter bereitstellen, ohne Kundenanfragen nach China zu übermitteln. Das zugrunde liegende geistige Eigentum mag zwar weiterhin aus einem chinesischen Labor stammen, doch das operative Risiko ist ein anderes.
Offene Lösungen können zudem die Abhängigkeit von einem einzigen Anbieter verringern. Ein Unternehmen, das sich vollständig auf eine proprietäre Anwendungsprogrammierschnittstelle stützt, ist Preisänderungen, eingestellten Modellen, geänderten Ratenbeschränkungen und überarbeiteten Nutzungsrichtlinien ausgesetzt. Der Einsatz eines offenen Modells bietet mehr Kontrolle, bringt jedoch auch die Verantwortung für Sicherheit, Updates, Bewertung und Infrastruktur mit sich.
Für Start-ups, die an Unternehmen verkaufen, kann diese Flexibilität überzeugender sein als ein Sieg im Benchmark-Test. Einem Kunden ist es möglicherweise egal, welches Labor das Basismodell entwickelt hat. Ihm ist jedoch möglicherweise sehr wichtig, ob seine Daten innerhalb einer bestimmten Cloud-Region verbleiben können, ob das System auditiert werden kann und ob es weiterhin funktioniert, falls eine kommerzielle API nicht mehr verfügbar ist.
China hat den Teil des Marktes ins Visier genommen, den Amerika offen gelassen hat
Die führenden US-amerikanischen KI-Unternehmen haben einen Großteil ihrer wirtschaftlichen Macht auf proprietäre Systeme konzentriert. OpenAI, Anthropic und Google verkaufen den Zugang zu Modellen, deren interne Gewichte weiterhin unter der Kontrolle des Anbieters stehen. Dieser Ansatz ermöglicht strenge Sicherheitskontrollen, eine verwaltete Infrastruktur und wiederkehrende Einnahmen. Er schränkt jedoch auch die Freiheit der Kunden bei der Bereitstellung und Anpassung ein.
Chinas Strategie des offenen Modells basiert auf anderen Wettbewerbsbedingungen. Durch die Veröffentlichung leistungsstarker Modellfamilien in verschiedenen Größen haben chinesische Forschungslabore Entwickler dazu ermutigt, diese herunterzuladen, anzupassen, zu übersetzen und zu integrieren. Die Nutzung führt zu Feedback, Community-Tools und neuen spezialisierten Versionen, was wiederum die Handhabung der zugrunde liegenden Modellfamilie vereinfacht.
Das Ergebnis ist ein Vertriebsvorteil. Ein Gründer stößt nicht unbedingt über eine formelle Partnerschaft mit Alibaba oder DeepSeek auf Qwen oder DeepSeek. Das Modell ist möglicherweise bereits über einen Cloud-Marktplatz, einen Inferenzanbieter, ein Programmier-Framework oder ein Repository verfügbar, das von den Ingenieuren des Unternehmens genutzt wird. In der Praxis kann die Einführung von unten nach oben erfolgen, noch bevor die Unternehmensleitung deren geopolitische Bedeutung berücksichtigt hat.
Aus diesem Grund ist es irreführend, diesen Trend als “Umstieg der US-Start-ups auf China” zu bezeichnen. Viele Unternehmen ersetzen nicht unternehmensweit einen amerikanischen Anbieter durch einen chinesischen. Vielmehr bauen sie Systeme auf, die mehrere Modelle kombinieren. Ein hochwertiges amerikanisches Modell übernimmt beispielsweise komplexe Schlussfolgerungen, während ein kostengünstigeres chinesisches Modell Klassifizierungen oder die Codegenerierung durchführt. Ein weiteres offenes Modell könnte lokal für datenschutzrelevante Aufgaben eingesetzt werden.
Der Wettbewerb konzentriert sich zunehmend auf die einzelne Aufgabe und nicht mehr auf den unternehmensweiten Auftrag.
Die Leistung ist stark, aber nicht durchweg überragend
Chinesische Modellentwickler haben den Leistungsrückstand in Bereichen wie Mathematik, Programmierung und Allgemeinwissen rasch verringert. Ihre besten Modelle sind mittlerweile ernstzunehmende Kandidaten für den Einsatz in der Praxis. Das bedeutet jedoch nicht, dass sie amerikanische Modelle in jeder Kategorie übertreffen.
Das US-amerikanische „Center for AI Standards and Innovation“ verglich im Jahr 2025 mehrere DeepSeek-Modelle mit amerikanischen Referenzmodellen. Es stellte fest, dass die US-Modelle bei Bewertungen in den Bereichen Cybersicherheit und Softwareentwicklung im Allgemeinen weiterhin die Nase vorn hatten, während der Abstand in den Bereichen Naturwissenschaften, Allgemeinwissen und Mathematik geringer war. Die Kostenanalyse des Zentrums stellte zudem die Annahme in Frage, dass chinesische Modelle ausnahmslos kostengünstiger seien: In der Bewertung erzielte ein kleineres US-Modell bei geringeren Durchschnittskosten eine im Großen und Ganzen ähnliche Leistung wie DeepSeek V3.1.
Diese Erkenntnis weist auf eine bessere Beschaffungsmethode hin. Start-ups sollten ein Modell nicht aufgrund der Nationalität, des Rufs oder einer öffentlichen Rangliste auswählen. Sie sollten eine interne Bewertung auf der Grundlage der Aufgaben erstellen, die ihr Produkt tatsächlich erfüllt.
Ein Kundendienstunternehmen muss die sachliche Richtigkeit, den Tonfall, Entscheidungen zur Eskalation und die Widerstandsfähigkeit gegenüber dem Einfügen von Eingaben messen. Ein Softwareentwicklungsunternehmen muss wissen, ob die generierte Software Tests besteht und Sicherheitsmängel aufweist. Ein KI-Agent muss über gesamte Arbeitsabläufe hinweg bewertet werden, nicht nur danach, ob seine erste Antwort überzeugend wirkt.
Der passende Vergleichsmaßstab sind die Kosten pro erfolgreich abgeschlossener Aufgabe. Token-Preise und Benchmark-Ergebnisse sind Eingangsgrößen für diese Berechnung, kein Ersatz dafür.
Die Frage der Sicherheit hängt davon ab, wie das Modell verwendet wird
Die Einführung von KI in China hat berechtigte Bedenken hinsichtlich des Umgangs mit Daten hervorgerufen. Diese Bedenken sind besonders groß, wenn ein Unternehmen vertrauliche Informationen direkt an einen extern gehosteten Dienst übermittelt, dessen Speichervorgänge, Zugriffsrechte und rechtliche Verpflichtungen es nicht ausreichend geprüft hat.
Ein Start-up sollte wissen, wo Eingaben verarbeitet werden, ob sie gespeichert werden, ob sie für Trainingszwecke verwendet werden dürfen, welche Unterauftragsverarbeiter Zugriff darauf haben und was mit gelöschten Daten geschieht. Diese Sorgfaltspflicht sollte für jeden KI-Anbieter gelten, unabhängig von dessen Nationalität, doch geopolitische Risiken können die Folgen verschärfen.
Das Selbsthosting eines Open-Weight-Modells kann das Risiko der Datenübermittlung an den ursprünglichen Entwickler verringern. Die übrigen Risiken des Modells werden dadurch jedoch nicht beseitigt. Heruntergeladene Gewichte können unerwünschtes Verhalten, schwache Sicherheitsvorkehrungen oder systematische Verzerrungen enthalten. Die zugehörige Software-Lieferkette kann anfälligen Code einbringen. Ein Modell, das mit Datenbanken, E-Mail, Zahlungssystemen oder Entwicklungstools verbunden ist, kann Schaden anrichten, selbst wenn keine Daten die Infrastruktur des Unternehmens verlassen.
Staatliche Tests der DeepSeek-Modelle haben weitere Bedenken aufgeworfen. US-amerikanische Gutachter berichteten von einer höheren Anfälligkeit für „Jailbreaking“ und das Ausführen böswilliger Befehle als bei den von ihnen getesteten amerikanischen Referenzsystemen. Sie stellten zudem fest, dass politische Zensur und Narrative der Kommunistischen Partei Chinas auch in Modellen fortbestanden, die unabhängig heruntergeladen und ausgeführt wurden, und nicht nur über einen in China gehosteten Dienst auftraten.
Für einen Programmierassistenten mag politische Zensur nur von begrenzter praktischer Relevanz sein. Bei einem Nachrichtenprodukt, einer Plattform für öffentliche Politik, einem Bildungsdienst oder einem Forschungswerkzeug könnte sie jedoch die Zuverlässigkeit des Produkts untergraben. Das Modellrisiko muss im Hinblick auf den jeweiligen Anwendungsfall bewertet werden.
Eine Regulierung könnte eine Ersparnis in Migrationskosten verwandeln
Das größte geschäftliche Risiko besteht möglicherweise nicht darin, was ein chinesisches Modell heute leistet, sondern darin, ob ein Start-up es morgen weiterhin nutzen kann.
US-Gesetzgeber und Regierungsvertreter haben Beschränkungen für in China entwickelte KI in staatlichen Bereichen in Erwägung gezogen, während DeepSeek in mehreren Ländern einer genauen Prüfung durch Regierungen und Aufsichtsbehörden ausgesetzt war. Private Unternehmen fallen nicht zwangsläufig unter Maßnahmen, die auf öffentliche Einrichtungen abzielen, doch Start-ups, die an Behörden, den Verteidigungssektor, kritische Infrastrukturen oder stark regulierte Branchen verkaufen, sollten mit strengeren Fragen zur Lieferkette rechnen.
Ein Modell, das während der Produktentwicklung Kosten spart, kann teuer werden, wenn ein Unternehmenskunde es später verbietet. Das Unternehmen muss das Modell möglicherweise ersetzen, Sicherheitstests wiederholen, Eingabeaufforderungen neu verfassen, die Infrastruktur anpassen und nachweisen, dass geschützte Informationen zu keinem Zeitpunkt offengelegt wurden.
Das ist kein Grund, jedes chinesische Modell von vornherein abzulehnen. Es ist jedoch ein Grund, bei der Entwicklung auf Portabilität zu achten. Anwendungen sollten den Zugriff auf das Modell so weit wie möglich von der Kerngeschäftslogik trennen. Eingabeaufforderungen, Tools und Auswertungen sollten nicht so eng an ein bestimmtes Modell gekoppelt sein, dass eine Migration zu einer Produktkrise wird.
Auch Verträge erfordern besondere Aufmerksamkeit. Der Begriff “Open Source” wird im Bereich der KI oft sehr weit gefasst verwendet. Ein Modell stellt möglicherweise herunterladbare Gewichte zur Verfügung, ohne dabei alle Rechte zu gewähren, die mit herkömmlicher Open-Source-Software verbunden sind. Kommerzielle Nutzung, Änderung, Weiterverbreitung, Einschränkungen hinsichtlich der zulässigen Nutzung sowie Anforderungen an die Namensnennung müssen anhand der Lizenz überprüft werden, die für die jeweils eingesetzte Modellversion gilt.
Start-ups brauchen eine Musterrichtlinie, keine Regelung zur Staatsangehörigkeit
Die richtige Vorgehensweise ist weder ein pauschales Verbot noch die wahllose Suche nach dem günstigsten Modell. Start-ups benötigen einen standardisierbaren Beschaffungsprozess.
Jedes für die Produktion in Betracht gezogene Modell sollte hinsichtlich Aufgabenleistung, Gesamtbetriebskosten, Latenz, Datenverarbeitung, Sicherheit, Lizenzbedingungen, Stabilität des Anbieters und regulatorischer Risiken bewertet werden. Das Unternehmen sollte festhalten, ob es die API des ursprünglichen Entwicklers aufruft, einen Vermittler nutzt oder die Gewichte eigenständig hostet. Dabei handelt es sich um wesentlich unterschiedliche Vorgehensweisen.
Sensible Informationen sollten klassifiziert werden, bevor sie in ein Modell einfließen. Kundendaten, vertraulicher Quellcode, Gesundheitsdaten, Finanzdaten und Geschäftsgeheimnisse erfordern unter Umständen strengere Bereitstellungsumgebungen oder sind für einen bestimmten Dienst möglicherweise gänzlich ungeeignet. Start-ups sollten Modelle zudem auf Prompt-Injection, Datenlecks, den Einsatz schädlicher Tools und das Versagen bei adversarischen Eingaben testen.
Eine Multi-Modell-Architektur kann das Konzentrationsrisiko begrenzen, sollte jedoch nicht zu einer unkontrollierten Ansammlung von Diensten werden, die von den Entwicklern unabhängig voneinander ausgewählt werden. Es muss ein Verzeichnis der verwendeten Modelle, ihrer Versionen, der Hosting-Standorte, der Lizenzen und der genehmigten Datenkategorien geführt werden.
Entscheidend ist, dass jedes Produktionsmodell über einen Ausstiegsplan verfügt. Das Unternehmen sollte wissen, wie schnell eine Umstellung möglich wäre, welche Qualitätseinbußen damit verbunden wären und ob bereits ein Ersatz getestet wurde.
Dies ist ebenso sehr ein Kampf um die Verbreitung wie ein Wettlauf um die KI
Chinesische Labore müssen OpenAI, Anthropic oder Google an der Spitze nicht verdrängen, um die Wirtschaftlichkeit der künstlichen Intelligenz zu verändern. Sie können Einfluss ausüben, indem sie zur standardmäßigen offenen Ebene werden, auf der Tausende von Anwendungen aufbauen.
Das scheint der wichtigere Wettstreit zu sein. Amerikanische proprietäre Modelle dürften bei anspruchsvollen Aufgaben weiterhin Premiumpreise erzielen, während chinesische Open-Weight-Modelle die Aufgaben mit hohem Volumen übernehmen, bei denen angemessene Leistung und niedrige Kosten wichtiger sind als absolute Leistungsfähigkeit. Start-ups werden beides kombinieren, sobald die wirtschaftlichen Rahmenbedingungen dies zulassen.
Für Gründer stellt sich daher nicht die Frage, ob der Einsatz eines chinesischen KI-Modells an sich klug oder leichtsinnig ist. Es geht vielmehr darum, ob das Unternehmen versteht, was es einsetzt, warum es sich dafür entschieden hat und in welchem Maße es dadurch eine Abhängigkeit schafft.
Die Teams, die davon profitieren werden, sind nicht diejenigen, die jeden Monat dem günstigsten Benchmark-Sieger hinterherjagen. Es werden vielmehr jene sein, die Workloads zwischen verschiedenen Modellen verschieben, die tatsächlichen Kosten der erledigten Arbeit ermitteln und die Kontrolle über ihre Daten und ihre Produktarchitektur behalten können. In einem Markt, in dem sich die technische Führungsposition innerhalb weniger Wochen ändern kann, ist die Freiheit, erneut zu wechseln, möglicherweise die wertvollste Fähigkeit.
