<\/p>\n
Chinesische KI-Modelle sind l\u00e4ngst keine experimentellen Kuriosit\u00e4ten 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 \u00fcber China hinaus entwickelt werden. Auf einigen Modellmarktpl\u00e4tzen machen sie mittlerweile einen erheblichen Anteil der Nutzung offener Modelle aus.<\/span><\/p>\n 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 best\u00e4tigt. Der zugrunde liegende Wandel ist jedoch real. Chinesische Labore haben sich zu bedeutenden Anbietern leistungsf\u00e4higer, kosteng\u00fcnstiger und h\u00e4ufig Open-Weight-Modelle entwickelt \u2013 und zwar genau zu dem Zeitpunkt, zu dem amerikanische Start-ups entdecken, wie teuer der Betrieb von KI-Produkten in gro\u00dfem Ma\u00dfstab sein kann.<\/span><\/p>\n Hier geht es nicht in erster Linie darum, dass Gr\u00fcnder China den Vereinigten Staaten vorziehen. Die meisten treffen eine eher n\u00fcchterne technische Entscheidung: Sie weisen jede Arbeitslast dem Modell zu, das sie zu den niedrigsten akzeptablen Kosten angemessen ausf\u00fchrt. F\u00fcr 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 kosteng\u00fcnstig genug sein, um die Margen des Produkts zu sichern.<\/span><\/p>\n Diese \u00dcberlegung hat chinesischen KI-Entwicklern neue M\u00f6glichkeiten er\u00f6ffnet. Gleichzeitig hat sie ein Governance-Problem geschaffen, dessen Auswirkungen viele Start-ups noch nicht vollst\u00e4ndig abgesch\u00e4tzt haben.<\/span><\/p>\n W\u00e4hrend der Produktentwicklung k\u00f6nnen 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 vorzuf\u00fchren. Sobald das Produkt jedoch Tausende von Nutzern bedient, sieht die Rechnung ganz anders aus.<\/span><\/p>\n Eine KI-Anwendung ruft m\u00f6glicherweise ein Modell mehrmals auf, um eine Aufgabe auszuf\u00fchren, die f\u00fcr den Kunden wie eine einzige Aufgabe erscheint. Ein Agent k\u00f6nnte eine Anfrage klassifizieren, Informationen abrufen, die Ergebnisse bewerten, ein externes Tool nutzen, seine eigene Arbeit \u00fcberpr\u00fcfen und eine Antwort verfassen. Lange Eingabeaufforderungen und Schlussfolgerungsmodelle erh\u00f6hen den Ressourcenverbrauch zus\u00e4tzlich. Ein Start-up kann daher zwar Nutzer gewinnen, muss aber gleichzeitig feststellen, dass jeder zus\u00e4tzliche Kunde seine Verluste vergr\u00f6\u00dfert.<\/span><\/p>\n Hier haben chinesische Modelle kommerzielle Bedeutung erlangt. Einige werden zu aggressiven Preisen angeboten, w\u00e4hrend Open-Weight-Versionen heruntergeladen und \u00fcber unabh\u00e4ngige Infrastrukturanbieter betrieben werden k\u00f6nnen. Gr\u00fcnder k\u00f6nnen sie \u00fcber Modell-Routing-Plattformen testen, ohne die gesamte Anwendung neu erstellen zu m\u00fcssen. Wenn ein Modell zu einem Bruchteil der Kosten ein akzeptables Ergebnis liefert, kann der Wechsel so einfach sein wie das \u00c4ndern eines API-Endpunkts und das Ausf\u00fchren einer neuen Bewertung.<\/span><\/p>\n Der Preis allein bestimmt nicht die endg\u00fcltigen Kosten. Ein g\u00fcnstigeres Modell, das unzuverl\u00e4ssige Antworten liefert, l\u00e4ngere Eingabeaufforderungen erfordert oder eine Aufgabe wiederholt nicht bew\u00e4ltigt, kann unter Ber\u00fccksichtigung von Wiederholungsversuchen und menschlicher \u00dcberwachung letztlich teurer sein. Latenz, Ausgabel\u00e4nge, Infrastruktur, \u00dcberwachung und Entwicklungszeit spielen allesamt eine Rolle. Dennoch haben chinesische Entwickler den Preis-Leistungs-Vergleich f\u00fcr amerikanische Anbieter schwierig gemacht, insbesondere bei Workloads, bei denen ein teures \u201eFrontier\u201c-Modell nicht erforderlich ist.<\/span><\/p>\n Der strategische Unterschied besteht nicht einfach darin, dass chinesische Modelle g\u00fcnstig sein k\u00f6nnen. Vielmehr wurden viele der bekanntesten Ver\u00f6ffentlichungen mit herunterladbaren Gewichten bereitgestellt.<\/span><\/p>\n Modelle mit offenem Gewicht erm\u00f6glichen es einem Unternehmen, die Software \u00fcber einen Cloud-Anbieter seiner Wahl, in einer privaten Umgebung oder \u2013 sofern technisch machbar \u2013 auf der eigenen Infrastruktur auszuf\u00fchren. Entwickler k\u00f6nnen ein Modell an eine spezifische Aufgabe anpassen, die Weiterleitung von Anfragen steuern und vermeiden, dass jede Eingabeaufforderung direkt an den urspr\u00fcnglichen Modellentwickler gesendet wird.<\/span><\/p>\n Dies ver\u00e4ndert die Bedeutung des Begriffs \u201cNutzung eines chinesischen Modells\u201d. Ein US-Start-up k\u00f6nnte auf den gehosteten Dienst eines chinesischen Unternehmens zugreifen; in diesem Fall stellen sich sofort Fragen zur Datenverarbeitung und zur gerichtlichen Zust\u00e4ndigkeit. Alternativ k\u00f6nnte es die Gewichte herunterladen und das Modell \u00fcber einen amerikanischen Cloud-Anbieter bereitstellen, ohne Kundenanfragen nach China zu \u00fcbermitteln. Das zugrunde liegende geistige Eigentum mag zwar weiterhin aus einem chinesischen Labor stammen, doch das operative Risiko ist ein anderes.<\/span><\/p>\n Offene L\u00f6sungen k\u00f6nnen zudem die Abh\u00e4ngigkeit von einem einzigen Anbieter verringern. Ein Unternehmen, das sich vollst\u00e4ndig auf eine propriet\u00e4re Anwendungsprogrammierschnittstelle st\u00fctzt, ist Preis\u00e4nderungen, eingestellten Modellen, ge\u00e4nderten Ratenbeschr\u00e4nkungen und \u00fcberarbeiteten Nutzungsrichtlinien ausgesetzt. Der Einsatz eines offenen Modells bietet mehr Kontrolle, bringt jedoch auch die Verantwortung f\u00fcr Sicherheit, Updates, Bewertung und Infrastruktur mit sich.<\/span><\/p>\n F\u00fcr Start-ups, die an Unternehmen verkaufen, kann diese Flexibilit\u00e4t \u00fcberzeugender sein als ein Sieg im Benchmark-Test. Einem Kunden ist es m\u00f6glicherweise egal, welches Labor das Basismodell entwickelt hat. Ihm ist jedoch m\u00f6glicherweise sehr wichtig, ob seine Daten innerhalb einer bestimmten Cloud-Region verbleiben k\u00f6nnen, ob das System auditiert werden kann und ob es weiterhin funktioniert, falls eine kommerzielle API nicht mehr verf\u00fcgbar ist.<\/span><\/p>\n Die f\u00fchrenden US-amerikanischen KI-Unternehmen haben einen Gro\u00dfteil ihrer wirtschaftlichen Macht auf propriet\u00e4re Systeme konzentriert. OpenAI, Anthropic und Google verkaufen den Zugang zu Modellen, deren interne Gewichte weiterhin unter der Kontrolle des Anbieters stehen. Dieser Ansatz erm\u00f6glicht strenge Sicherheitskontrollen, eine verwaltete Infrastruktur und wiederkehrende Einnahmen. Er schr\u00e4nkt jedoch auch die Freiheit der Kunden bei der Bereitstellung und Anpassung ein.<\/span><\/p>\n Chinas Strategie des offenen Modells basiert auf anderen Wettbewerbsbedingungen. Durch die Ver\u00f6ffentlichung leistungsstarker Modellfamilien in verschiedenen Gr\u00f6\u00dfen haben chinesische Forschungslabore Entwickler dazu ermutigt, diese herunterzuladen, anzupassen, zu \u00fcbersetzen und zu integrieren. Die Nutzung f\u00fchrt zu Feedback, Community-Tools und neuen spezialisierten Versionen, was wiederum die Handhabung der zugrunde liegenden Modellfamilie vereinfacht.<\/span><\/p>\n Das Ergebnis ist ein Vertriebsvorteil. Ein Gr\u00fcnder st\u00f6\u00dft nicht unbedingt \u00fcber eine formelle Partnerschaft mit Alibaba oder DeepSeek auf Qwen oder DeepSeek. Das Modell ist m\u00f6glicherweise bereits \u00fcber einen Cloud-Marktplatz, einen Inferenzanbieter, ein Programmier-Framework oder ein Repository verf\u00fcgbar, das von den Ingenieuren des Unternehmens genutzt wird. In der Praxis kann die Einf\u00fchrung von unten nach oben erfolgen, noch bevor die Unternehmensleitung deren geopolitische Bedeutung ber\u00fccksichtigt hat.<\/span><\/p>\n Aus diesem Grund ist es irref\u00fchrend, diesen Trend als \u201cUmstieg der US-Start-ups auf China\u201d 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 \u00fcbernimmt beispielsweise komplexe Schlussfolgerungen, w\u00e4hrend ein kosteng\u00fcnstigeres chinesisches Modell Klassifizierungen oder die Codegenerierung durchf\u00fchrt. Ein weiteres offenes Modell k\u00f6nnte lokal f\u00fcr datenschutzrelevante Aufgaben eingesetzt werden.<\/span><\/p>\n Der Wettbewerb konzentriert sich zunehmend auf die einzelne Aufgabe und nicht mehr auf den unternehmensweiten Auftrag.<\/span><\/p>\n Chinesische Modellentwickler haben den Leistungsr\u00fcckstand in Bereichen wie Mathematik, Programmierung und Allgemeinwissen rasch verringert. Ihre besten Modelle sind mittlerweile ernstzunehmende Kandidaten f\u00fcr den Einsatz in der Praxis. Das bedeutet jedoch nicht, dass sie amerikanische Modelle in jeder Kategorie \u00fcbertreffen.<\/span><\/p>\n Das US-amerikanische \u201eCenter for AI Standards and Innovation\u201c 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, w\u00e4hrend 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 kosteng\u00fcnstiger seien: In der Bewertung erzielte ein kleineres US-Modell bei geringeren Durchschnittskosten eine im Gro\u00dfen und Ganzen \u00e4hnliche Leistung wie DeepSeek V3.1.<\/span><\/p>\n Diese Erkenntnis weist auf eine bessere Beschaffungsmethode hin. Start-ups sollten ein Modell nicht aufgrund der Nationalit\u00e4t, des Rufs oder einer \u00f6ffentlichen Rangliste ausw\u00e4hlen. Sie sollten eine interne Bewertung auf der Grundlage der Aufgaben erstellen, die ihr Produkt tats\u00e4chlich erf\u00fcllt.<\/span><\/p>\n Ein Kundendienstunternehmen muss die sachliche Richtigkeit, den Tonfall, Entscheidungen zur Eskalation und die Widerstandsf\u00e4higkeit gegen\u00fcber dem Einf\u00fcgen von Eingaben messen. Ein Softwareentwicklungsunternehmen muss wissen, ob die generierte Software Tests besteht und Sicherheitsm\u00e4ngel aufweist. Ein KI-Agent muss \u00fcber gesamte Arbeitsabl\u00e4ufe hinweg bewertet werden, nicht nur danach, ob seine erste Antwort \u00fcberzeugend wirkt.<\/span><\/p>\n Der passende Vergleichsma\u00dfstab sind die Kosten pro erfolgreich abgeschlossener Aufgabe. Token-Preise und Benchmark-Ergebnisse sind Eingangsgr\u00f6\u00dfen f\u00fcr diese Berechnung, kein Ersatz daf\u00fcr.<\/span><\/p>\n Die Einf\u00fchrung von KI in China hat berechtigte Bedenken hinsichtlich des Umgangs mit Daten hervorgerufen. Diese Bedenken sind besonders gro\u00df, wenn ein Unternehmen vertrauliche Informationen direkt an einen extern gehosteten Dienst \u00fcbermittelt, dessen Speichervorg\u00e4nge, Zugriffsrechte und rechtliche Verpflichtungen es nicht ausreichend gepr\u00fcft hat.<\/span><\/p>\n Ein Start-up sollte wissen, wo Eingaben verarbeitet werden, ob sie gespeichert werden, ob sie f\u00fcr Trainingszwecke verwendet werden d\u00fcrfen, welche Unterauftragsverarbeiter Zugriff darauf haben und was mit gel\u00f6schten Daten geschieht. Diese Sorgfaltspflicht sollte f\u00fcr jeden KI-Anbieter gelten, unabh\u00e4ngig von dessen Nationalit\u00e4t, doch geopolitische Risiken k\u00f6nnen die Folgen versch\u00e4rfen.<\/span><\/p>\n Das Selbsthosting eines Open-Weight-Modells kann das Risiko der Daten\u00fcbermittlung an den urspr\u00fcnglichen Entwickler verringern. Die \u00fcbrigen Risiken des Modells werden dadurch jedoch nicht beseitigt. Heruntergeladene Gewichte k\u00f6nnen unerw\u00fcnschtes Verhalten, schwache Sicherheitsvorkehrungen oder systematische Verzerrungen enthalten. Die zugeh\u00f6rige Software-Lieferkette kann anf\u00e4lligen 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.<\/span><\/p>\n Staatliche Tests der DeepSeek-Modelle haben weitere Bedenken aufgeworfen. US-amerikanische Gutachter berichteten von einer h\u00f6heren Anf\u00e4lligkeit f\u00fcr \u201eJailbreaking\u201c und das Ausf\u00fchren b\u00f6swilliger 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 unabh\u00e4ngig heruntergeladen und ausgef\u00fchrt wurden, und nicht nur \u00fcber einen in China gehosteten Dienst auftraten.<\/span><\/p>\n F\u00fcr einen Programmierassistenten mag politische Zensur nur von begrenzter praktischer Relevanz sein. Bei einem Nachrichtenprodukt, einer Plattform f\u00fcr \u00f6ffentliche Politik, einem Bildungsdienst oder einem Forschungswerkzeug k\u00f6nnte sie jedoch die Zuverl\u00e4ssigkeit des Produkts untergraben. Das Modellrisiko muss im Hinblick auf den jeweiligen Anwendungsfall bewertet werden.<\/span><\/p>\n Das gr\u00f6\u00dfte gesch\u00e4ftliche Risiko besteht m\u00f6glicherweise nicht darin, was ein chinesisches Modell heute leistet, sondern darin, ob ein Start-up es morgen weiterhin nutzen kann.<\/span><\/p>\n US-Gesetzgeber und Regierungsvertreter haben Beschr\u00e4nkungen f\u00fcr in China entwickelte KI in staatlichen Bereichen in Erw\u00e4gung gezogen, w\u00e4hrend DeepSeek in mehreren L\u00e4ndern einer genauen Pr\u00fcfung durch Regierungen und Aufsichtsbeh\u00f6rden ausgesetzt war. Private Unternehmen fallen nicht zwangsl\u00e4ufig unter Ma\u00dfnahmen, die auf \u00f6ffentliche Einrichtungen abzielen, doch Start-ups, die an Beh\u00f6rden, den Verteidigungssektor, kritische Infrastrukturen oder stark regulierte Branchen verkaufen, sollten mit strengeren Fragen zur Lieferkette rechnen.<\/span><\/p>\n Ein Modell, das w\u00e4hrend der Produktentwicklung Kosten spart, kann teuer werden, wenn ein Unternehmenskunde es sp\u00e4ter verbietet. Das Unternehmen muss das Modell m\u00f6glicherweise ersetzen, Sicherheitstests wiederholen, Eingabeaufforderungen neu verfassen, die Infrastruktur anpassen und nachweisen, dass gesch\u00fctzte Informationen zu keinem Zeitpunkt offengelegt wurden.<\/span><\/p>\n Das ist kein Grund, jedes chinesische Modell von vornherein abzulehnen. Es ist jedoch ein Grund, bei der Entwicklung auf Portabilit\u00e4t zu achten. Anwendungen sollten den Zugriff auf das Modell so weit wie m\u00f6glich von der Kerngesch\u00e4ftslogik trennen. Eingabeaufforderungen, Tools und Auswertungen sollten nicht so eng an ein bestimmtes Modell gekoppelt sein, dass eine Migration zu einer Produktkrise wird.<\/span><\/p>\n Auch Vertr\u00e4ge erfordern besondere Aufmerksamkeit. Der Begriff \u201cOpen Source\u201d wird im Bereich der KI oft sehr weit gefasst verwendet. Ein Modell stellt m\u00f6glicherweise herunterladbare Gewichte zur Verf\u00fcgung, ohne dabei alle Rechte zu gew\u00e4hren, die mit herk\u00f6mmlicher Open-Source-Software verbunden sind. Kommerzielle Nutzung, \u00c4nderung, Weiterverbreitung, Einschr\u00e4nkungen hinsichtlich der zul\u00e4ssigen Nutzung sowie Anforderungen an die Namensnennung m\u00fcssen anhand der Lizenz \u00fcberpr\u00fcft werden, die f\u00fcr die jeweils eingesetzte Modellversion gilt.<\/span><\/p>\n Die richtige Vorgehensweise ist weder ein pauschales Verbot noch die wahllose Suche nach dem g\u00fcnstigsten Modell. Start-ups ben\u00f6tigen einen standardisierbaren Beschaffungsprozess.<\/span><\/p>\n Jedes f\u00fcr die Produktion in Betracht gezogene Modell sollte hinsichtlich Aufgabenleistung, Gesamtbetriebskosten, Latenz, Datenverarbeitung, Sicherheit, Lizenzbedingungen, Stabilit\u00e4t des Anbieters und regulatorischer Risiken bewertet werden. Das Unternehmen sollte festhalten, ob es die API des urspr\u00fcnglichen Entwicklers aufruft, einen Vermittler nutzt oder die Gewichte eigenst\u00e4ndig hostet. Dabei handelt es sich um wesentlich unterschiedliche Vorgehensweisen.<\/span><\/p>\n Sensible Informationen sollten klassifiziert werden, bevor sie in ein Modell einflie\u00dfen. Kundendaten, vertraulicher Quellcode, Gesundheitsdaten, Finanzdaten und Gesch\u00e4ftsgeheimnisse erfordern unter Umst\u00e4nden strengere Bereitstellungsumgebungen oder sind f\u00fcr einen bestimmten Dienst m\u00f6glicherweise g\u00e4nzlich ungeeignet. Start-ups sollten Modelle zudem auf Prompt-Injection, Datenlecks, den Einsatz sch\u00e4dlicher Tools und das Versagen bei adversarischen Eingaben testen.<\/span><\/p>\n Eine Multi-Modell-Architektur kann das Konzentrationsrisiko begrenzen, sollte jedoch nicht zu einer unkontrollierten Ansammlung von Diensten werden, die von den Entwicklern unabh\u00e4ngig voneinander ausgew\u00e4hlt werden. Es muss ein Verzeichnis der verwendeten Modelle, ihrer Versionen, der Hosting-Standorte, der Lizenzen und der genehmigten Datenkategorien gef\u00fchrt werden.<\/span><\/p>\n Entscheidend ist, dass jedes Produktionsmodell \u00fcber einen Ausstiegsplan verf\u00fcgt. Das Unternehmen sollte wissen, wie schnell eine Umstellung m\u00f6glich w\u00e4re, welche Qualit\u00e4tseinbu\u00dfen damit verbunden w\u00e4ren und ob bereits ein Ersatz getestet wurde.<\/span><\/p>\n Chinesische Labore m\u00fcssen OpenAI, Anthropic oder Google an der Spitze nicht verdr\u00e4ngen, um die Wirtschaftlichkeit der k\u00fcnstlichen Intelligenz zu ver\u00e4ndern. Sie k\u00f6nnen Einfluss aus\u00fcben, indem sie zur standardm\u00e4\u00dfigen offenen Ebene werden, auf der Tausende von Anwendungen aufbauen.<\/span><\/p>\n Das scheint der wichtigere Wettstreit zu sein. Amerikanische propriet\u00e4re Modelle d\u00fcrften bei anspruchsvollen Aufgaben weiterhin Premiumpreise erzielen, w\u00e4hrend chinesische Open-Weight-Modelle die Aufgaben mit hohem Volumen \u00fcbernehmen, bei denen angemessene Leistung und niedrige Kosten wichtiger sind als absolute Leistungsf\u00e4higkeit. Start-ups werden beides kombinieren, sobald die wirtschaftlichen Rahmenbedingungen dies zulassen.<\/span><\/p>\n F\u00fcr Gr\u00fcnder 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 daf\u00fcr entschieden hat und in welchem Ma\u00dfe es dadurch eine Abh\u00e4ngigkeit schafft.<\/span><\/p>\n Die Teams, die davon profitieren werden, sind nicht diejenigen, die jeden Monat dem g\u00fcnstigsten Benchmark-Sieger hinterherjagen. Es werden vielmehr jene sein, die Workloads zwischen verschiedenen Modellen verschieben, die tats\u00e4chlichen Kosten der erledigten Arbeit ermitteln und die Kontrolle \u00fcber ihre Daten und ihre Produktarchitektur behalten k\u00f6nnen. In einem Markt, in dem sich die technische F\u00fchrungsposition innerhalb weniger Wochen \u00e4ndern kann, ist die Freiheit, erneut zu wechseln, m\u00f6glicherweise die wertvollste F\u00e4higkeit.<\/span><\/p>\n Die wirtschaftlichen Ver\u00e4nderungen nach dem Prototyp<\/span><\/h2>\n
Offene Gewichtsklassen sind der wichtigere Vorteil<\/span><\/h2>\n
China hat den Teil des Marktes ins Visier genommen, den Amerika offen gelassen hat<\/span><\/h2>\n
Die Leistung ist stark, aber nicht durchweg \u00fcberragend<\/span><\/h2>\n
Die Frage der Sicherheit h\u00e4ngt davon ab, wie das Modell verwendet wird<\/span><\/h2>\n
Eine Regulierung k\u00f6nnte eine Ersparnis in Migrationskosten verwandeln<\/span><\/h2>\n
Start-ups brauchen eine Musterrichtlinie, keine Regelung zur Staatsangeh\u00f6rigkeit<\/span><\/h2>\n
Dies ist ebenso sehr ein Kampf um die Verbreitung wie ein Wettlauf um die KI<\/span><\/h2>\n
\n