Warum ist Chinas KI so günstig? Der Preiskampf von innen

Steckt der Staat hinter den niedrigen Preisen chinesischer KI? Nein. Subventionen gibt es, und sie erklären fast nichts von dem Abstand. DeepSeeks September-Release V4.1-Flash macht das Gegenbeispiel ungewöhnlich konkret: Der offizielle API-Preis liegt bei 0,15 US-Dollar pro Million Cache-Miss-Eingabe-Tokens und 0,60 US-Dollar pro Million Ausgabe-Tokens außerhalb der Spitzenzeiten, mit einer Verdopplung auf 0,30 und 1,20 US-Dollar zu Spitzenzeiten, während die herunterladbaren Gewichte unter einer MIT-Lizenz stehen. Das schafft man nicht mit billigem Geld allein. Man muss gut bauen, einen kleinen Teil eines großen Modells aktivieren und es auf einem günstigeren Stack ausliefern. Die Günstigkeit ist real, sie ist größtenteils strukturell, und sie entsteht aus fünf Faktoren, die sich addieren. Nur einer der fünf ist vorübergehend.

Die wichtigsten Erkenntnisse- Chinesische KI ist aus fünf sich addierenden Gründen günstig, nicht nur wegen Subventionen: offene Gewichte, echte Effizienz, ein Preiskampf, billige Energie und ein tiefer Talentpool.- Offene Gewichte beseitigen die API-Marge vollständig. Sie hosten selbst, also fällt keine Token-Miete an einen Anbieter an.- Günstig heißt nicht klein oder alt. DeepSeek V4.1-Flash ist ein Mixture-of-Experts-Modell mit 552 Milliarden Parametern, das beim Lesen eines Prompts nur 8 Milliarden Parameter pro Token aktiviert, mit einem Kontextfenster von 1 Million Tokens und nativen Vision-Fähigkeiten.- Nicht jedes chinesische Frontier-Modell ist auf dieselbe Weise günstig. Kimi K3 kostet über die offizielle API bei Cache-Misses 3 US-Dollar pro Million Eingabe-Tokens und 15 US-Dollar pro Million Ausgabe-Tokens; Architektur, Deployment und kommerzielle Positionierung spielen also alle eine Rolle.- Billige Energie ist der strukturellste Treiber: Chinas monatliche Solarstromerzeugung erreichte im April 2025 mit 96 TWh einen Rekordwert, vergleichbar mit einem ganzen Monat US-Kernkraft.- Für Käufer schreibt „gut genug zu einem Bruchteil der Kosten“ die Make-or-Buy-Rechnung für die meisten Workloads neu.

Der Treiber, auf den sich alle fixieren, ist der Preiskampf, und von den fünf finde ich ihn am wenigsten interessant. Ich schreibe dies aus Hangzhou, wo die Labore hinter DeepSeek und Qwen beide sitzen, und hier redet man selten darüber, wer diesen Monat wen unterboten hat. Es geht darum, was einem die nächste Architektur bringt. Wer das größere Argument sucht: Dieser Text ordnet sich unter meinen Pillar-Artikel zu der Frage ein, ob China das KI-Rennen gewinnt. Die engere Frage ist die praktische: Warum kostet es so wenig, und wie viel davon hält, wenn der Lärm sich gelegt hat?

Treiber 1: Offene Gewichte beseitigen die API-Marge

Der wichtigste Grund ist zugleich der banalste. Chinas führende Modelle sind Open-Weight-Modelle, sodass überhaupt keine API-Marge anfällt. Bis August 2026 bezifferte Hugging Faces eigene Sommerzählung Qwen, die Modellreihe von Alibaba, auf rund 2,045 Milliarden Hub-Downloads allein in den ersten sieben Monaten des Jahres 2026 sowie 151.448 abgeleitete Modelle, während Alibabas eigene Zählung plattformübergreifend mehr als 3 Milliarden Downloads und 300.000 Derivate nennt. Einige Monate zuvor hatte MIT Technology Review noch von über 600 Millionen Downloads und mehr als 40 % aller neuen Hugging-Face-Derivate berichtet. Sie laden die Gewichte herunter und betreiben sie selbst.

Es lohnt sich, präzise zu sein, wofür eine geschlossene API Sie bezahlen lässt. Rechenleistung, klar. Aber auch die Marge des Anbieters, die Amortisation seiner Forschungsausgaben und ein Risikoaufschlag, der still über allem liegt. Offene Gewichte kollabieren all das zu einer einzigen Position auf Ihrer Rechnung: die reinen Kosten der Hardware, auf der Sie das Modell betreiben.

Man spürt das erst richtig, wenn man die eigene Rechnung sich bewegen sieht. Wenn ich einen Workload von einer gehosteten Frontier-API auf ein offenes chinesisches Modell auf meinen eigenen GPUs verlagere, verhandle ich nicht über einen besseren Tarif, ich schaffe den Tarif ab. Die Kosten pro Token sinken nicht nur, sie wechseln die Kategorie: Sie zahlen jetzt für Strom statt für Miete.

Offene Gewichte verstärken sich außerdem abwärts. Chinesische Open-Weight-Modelle überholten die US-Modelle im Laufe des Jahres 2025 bei ihrem Anteil an den weltweiten Hugging-Face-Downloads, und Hugging Faces eigener Frühjahrsbericht 2026 verzeichnet sie bei 41 % aller Plattform-Downloads. Jedes Derivat und jede Quantisierung, jedes Community-Tutorial, das um zwei Uhr morgens von jemandem geschrieben wurde, der das Ding einfach nur zum Laufen bringen wollte, macht das nächste Deployment günstiger. Eine geschlossene API bietet Ihnen nichts davon. Sie zahlen einfach weiter die Miete.

Die führenden chinesischen Modelle erscheinen als offene Gewichte und nehmen die API-Marge vollständig aus den Kosten. Allein Qwen hatte bis August 2026 auf Hugging Face die Marke von 2 Milliarden Downloads und 151.448 Derivaten überschritten, und chinesische Open-Weight-Modelle haben die US-Modelle bei ihrem Anteil an den weltweiten Hugging-Face-Downloads überholt, mit 41 % aller Plattform-Downloads im Frühjahr 2026. Self-Hosting ersetzt einen Anbietertarif pro Token durch reine Hardwarekosten.

Wenn Sie den direkten Vergleich wollen, stelle ich die wichtigsten Optionen in Qwen vs. DeepSeek vs. Llama gegenüber.

Treiber 2: Echte Effizienz, nicht nur Subventionen

Hier fällt die Subventionsgeschichte in sich zusammen. Ein großer Teil des Kostenvorteils ist echtes Engineering. V4.1-Flash hat ein Rückgrat von 552 Milliarden Parametern, aktiviert aber für jedes Token nur 8 Milliarden beim Lesen eines Prompts und 16 Milliarden beim Generieren. V4 Pro ist mit 1,6 Billionen Parametern insgesamt und 49 Milliarden aktiven deutlich größer. Die Momentaufnahme vom März 2026 im AI Index von Stanford HAI zeigte die führenden US- und chinesischen Modelle auf einem öffentlichen Leaderboard bereits dicht beieinander, ist aber älter als V4, Qwen3.8, Kimi K3, GLM-5.2 und MiniMax M3. Es ist Trend-Evidenz, kein aktuelles preisbereinigtes Ranking.

Der deutlichste Hebel ist die Architektur. Mixture-of-Experts-Designs leiten jedes Token nur durch einen Bruchteil der Modellparameter, sodass Sie die Leistungsfähigkeit eines riesigen Modells zu den Inferenzkosten eines viel kleineren bekommen. Mehrere führende chinesische Modelle setzen stark darauf. Das ist eine Senkung der Kosten pro Token, die ins Modell eingebaut ist statt nachträglich angeflanscht.

Dann ist da die DeepSeek-Geschichte, von der die Redewendung „DeepSeek-Moment“ stammt. Die schlagzeilenträchtigen Trainingskostenzahlen würde ich als berichtet, nicht als geprüft behandeln. Die genauen Zahlen sind umstritten, und wer sie auf drei signifikante Stellen zitiert, rät. An der Richtung aber gibt es keinen Zweifel: konkurrenzfähige Modelle, gebaut mit einem Bruchteil des Rechenbudgets, das alle für den Eintrittspreis hielten.

Der Effizienzaspekt wiegt aus einem einfachen Grund schwerer als die Subventionsdebatte: Effizienz reist, Subventionen nicht. Eine Subvention stützt einen Preis in einem Markt, solange das Geld fließt. Ein Architekturgewinn, weniger aktive Parameter pro Token oder ein besseres Trainingsrezept, senkt die wahre Kostenuntergrenze überall, für jeden, der ihn kopiert. Genau deshalb zählt die Open-Weight-Veröffentlichung dieser effizienten Modelle: Sie exportiert den Kostenvorteil, nicht nur das Produkt.

Die Adoptionsdaten zeigen, dass es funktioniert. Ende Februar 2026 überholten chinesische Modelle die US-Modelle innerhalb der Top 10 von OpenRouter und nahmen rund 61 % des Token-Verbrauchs der Top 10 ein; um April 2026 erreichten sie auf den Rankings von OpenRouter eine Mehrheit über die gesamte Plattform. Tokens sind echte Arbeit statt Pressemitteilungen, und Entwickler haben die ihren verlagert.

Ein großer Teil des Kostenvorteils ist echte Effizienz, keine Subvention. DeepSeek V4.1-Flash aktiviert beim Lesen eines Prompts 8 Milliarden seiner 552 Milliarden Parameter pro Token, und der offizielle API-Preis bei Cache-Misses liegt bei 0,15 US-Dollar pro Million Eingabe-Tokens und 0,60 US-Dollar pro Million Ausgabe-Tokens außerhalb der Spitzenzeiten, mit Verdopplung zu Spitzenzeiten, mit der Architektur auf der Modellkarte. Das Mixture-of-Experts-Design senkt die Rechenleistung pro Token, selbst wenn das Gesamtmodell groß ist.

Treiber 3: Ein heimischer Preiskampf

Ein Teil der Günstigkeit steckt gar nicht in den Modellen. Er wird durch Wettbewerb hineingehämmert. Der heimische Markt ist ein Schlagabtausch: Alibaba, DeepSeek und mehrere andere, alle gut finanziert, alle hinter denselben Entwicklern her. Dieser Kampf zieht API- und Hostingkosten auf ganzer Linie nach unten. Ein Großteil der Günstigkeit ist schlicht, dass sich Rivalen gegenseitig unterbieten, genau der Teil, den die Subventionsgeschichte nie erklärt.

Der Mechanismus ist einfach genug. Wenn alle ein vergleichbares Open-Weight-Modell anbieten, bleiben nur Preis und Bequemlichkeit als Hebel. Niemand kann einen Aufpreis für Leistungsfähigkeit verlangen, die das Labor nebenan ebenbürtig liefert und dann verschenkt. Also sinkt die Untergrenze immer weiter, und die Ersparnis erreicht jeden, der diese Modelle hostet, innerhalb Chinas oder außerhalb.

Die Open-Weight-Veröffentlichungen sind teilweise eine Waffe in diesem Kampf. Starke Gewichte kostenlos herauszugeben gewinnt Aufmerksamkeit, sät ein Ökosystem und nimmt einem Rivalen die Chance auf Monetarisierung. Qwens 151.448 Hub-Derivate sind teilweise die Frucht genau dieser Strategie, und niemand, der daran beteiligt ist, würde es Wohltätigkeit nennen.

Das ist der Treiber, dem ich am wenigsten trauen würde, und Käufer sollten damit rechnen, dass er nachlässt. Preiskämpfe dauern nicht ewig. Manche Labore konsolidieren, manche scheitern, und die Überlebenden werden irgendwann versuchen, sich die Marge zurückzuholen. Was die Untergrenze niedrig hält: Sie können offene Gewichte nicht zurücknehmen. Die Modelle, die bereits draußen sind, bleiben günstig im Betrieb, was auch immer der Markt als Nächstes tut.

Chinas heimischer KI-Markt ist intensiv umkämpft, und dieser Preiskampf drückt Hosting- und API-Kosten für alle nach unten, nicht nur für Käufer innerhalb Chinas. Kostenlose Open-Weight-Veröffentlichungen sind teilweise eine Wettbewerbswaffe und helfen, Ökosysteme wie Qwens 151.448 Hub-Derivate aufzubauen. Der Preiskampf ist vorübergehend; die offenen Gewichte, die er hervorbringt, sind es nicht.

Welche Überlebenden sich als Fundament lohnen, vergleiche ich in Qwen vs. DeepSeek vs. Llama.

Treiber 4: Billige Energie und industrielle Skalierung

Unter der Software liegt Physik, und das ist der strukturellste Treiber von allen. Ein ausgelieferter Token ist letztlich eine kleine Menge Strom. Chinas monatliche Solarstromerzeugung erreichte im April 2025 einen Rekordwert von 96 TWh, vergleichbar mit den rund 65 TWh pro Monat, die die USA aus Kernkraft beziehen, etwa 775 TWh pro Jahr. Billigerer, reichlicher vorhandener Strom bedeutet eine niedrigere Untergrenze unter Training und Inferenz gleichermaßen.

Das ist der Input, den keine Modellveröffentlichung egalisieren kann. Wenn Ihr Strom billiger ist und Ihr Netz schneller wächst, wird jede Schicht des Stacks auf einen Schlag günstiger: die Trainingsläufe, der Inferenzbetrieb, die Gebäude, in denen die Racks stehen. Es ist ein stiller, sich verstärkender Vorteil statt eines schlagzeilenträchtigen, weshalb er wahrscheinlich am wenigsten diskutiert wird und am meisten zählt.

Industrielle Skalierung kommt obendrauf. Dieselbe Industriebasis, die Hardware billig macht, macht auch den Ausbau von Rechenzentren billig. China betreibt Modelle nicht nur mit billigem Strom, es baut die Racks, die Kühlung und die Anlagen zu den Kosten der heimischen Lieferkette. Das ist ein Investitionskostenvorteil, und er schlägt direkt in den Preis eines Tokens durch.

Von den fünf ist das derjenige, von dem ich erwarte, dass er in fünf Jahren noch stimmt. Eine Architektur kopiert man in einem Quartal, einen Preiskampf beendet man in einem Jahr. Die nationale Stromerzeugung zu verdoppeln dauert deutlich länger, und eine heimische Industriebasis lässt sich überhaupt nicht herbeizaubern. Wenn ich einen langfristigen Plan um einen einzigen Treiber hier herum bauen würde, dann um diesen, weil er für jeden am schwersten umzukehren ist.

Der strukturellste Kostentreiber ist Energie. Chinas monatliche Solarstromerzeugung erreichte im April 2025 einen Rekordwert von 96 TWh, vergleichbar mit einem ganzen Monat US-Kernkraft (etwa 65 TWh). Billigerer Strom senkt die Kostenuntergrenze für Training und Inferenz gemeinsam, und industrielle Skalierung macht auch den Rechenzentrumsausbau günstiger. Dieser Vorteil ist am schwersten umzukehren.

Die Netzgeschichte vertiefe ich in Chinas KI-Energievorteil.

Treiber 5: Ein tiefer Talentpool

Der letzte Treiber sind Menschen, und die Angebotszahlen sind beeindruckend: China bildet 38 % der weltweit besten KI-Forscher aus, gemessen an den NeurIPS-2024-Autoren, nach 27 % im Jahr 2017. Ein tiefer, bezahlbarer Pool von Spitzeningenieuren ist genau das, was man braucht, um den Effizienzgewinnen hinterherzujagen, die Modelle günstig im Betrieb machen.

Effizienzarbeit ist auf eine bestimmte Weise arbeitsintensiv. Kosten aus einem Modell herauszupressen, ob durch bessere Architekturen, klügeres Training oder aggressive Optimierung, braucht viele qualifizierte Forscher, die schnell iterieren. Ein Land mit einem tiefen heimischen Angebot kann mehr fähige Leute auf das Problem ansetzen, zu geringeren Kosten, als eines, das knappe Spezialisten importiert. Der Talentpool speist Treiber 2 direkt.

Wenn ich die technischen Berichte hinter diesen Modellen lese, ist das Herausstechende kein einzelner Durchbruch. Es ist die schiere Menge an sorgfältigem, inkrementellem Engineering. Dutzende kleiner Optimierungen, die nur erledigt werden, wenn man genug Hände dafür hat. Das ist eine Geschichte über Talenttiefe, und sie ist ein großer Teil davon, warum die Effizienz sich Release um Release weiter verbessert.

Einen Vorbehalt überspringe ich nicht: Ein großer Teil der in China ausgebildeten Spitzenforscher hat historisch im Ausland gearbeitet, das ist also kein sauberer Heimvorteil. Aber der Trend zeigt nach oben, von 27 % auf 38 % in sieben Jahren, und ein wachsender Kader erstklassiger Labore im eigenen Land gibt diesem Talent einen Ort zum Landen.

Chinas tiefer Talentpool speist die Effizienzmaschine. Das Land bildet 38 % der weltweit besten KI-Forscher aus, nach 27 % im Jahr 2017. Kostensenkende Modellarbeit ist arbeitsintensiv, sodass ein großer, fähiger Engineering-Pool genau das ist, was chinesische Labore die realen Kosten pro Token Release um Release weiter senken lässt.

Illustrative, richtungsweisende Einschätzung, keine präzisen gemessenen Werte. Die Positionen spiegeln das berichtete Muster wider: Chinesische Open-Weight-Modelle gruppieren sich im Quadranten mit hoher Leistungsfähigkeit und niedrigen Kosten, wobei die führenden geschlossenen US-Frontier-Modelle bei der Leistungsfähigkeit weiterhin an der Spitze stehen, jedoch zu höheren Kosten. Kontext zum Leistungsabstand: Stanford HAI AI Index 2026.

Was das für Ihre Kaufentscheidung bedeutet

Hier hört es auf, Trivia zu sein, und fängt an, Entscheidungen zu verändern. Wenn ein Modell mit einem Kontextfenster von 1 Million Tokens zu DeepSeek-V4.1-Flash-Preisen angeboten wird, kippt die Make-or-Buy-Rechnung für viele Routine-Workloads. Sie zahlen nicht mehr standardmäßig einen hohen Aufpreis. Sie entscheiden, ob ein teureres Modell in Ihrer eigenen Evaluierung so viel bessere Arbeit liefert, dass es sich rechtfertigt.

Ordnen Sie es der tatsächlichen Arbeit zu. Zusammenfassen, Extrahieren, Klassifizieren, Entwerfen, Routing: Nichts davon braucht das beste Modell der Welt. Es braucht eines, das verlässlich ist, günstig genug, um nicht mehr darüber nachzudenken, und irgendwo läuft, wo Sie die Kontrolle haben. Chinesische Open-Weight-Modelle treffen dieses Ziel, und weil Sie sie selbst hosten, sind die laufenden Kosten Hardware statt ein Token-Zähler, der mit Ihrem eigenen Erfolg hochskaliert.

In meinem eigenen Stack hat die Günstigkeit still verändert, welche Projekte sich überhaupt zu versuchen lohnen. Workloads, die ich als zu teuer für den skalierten Betrieb auf einer Frontier-API ad acta gelegt hätte, sind auf einem offenen Modell, das ich selbst hoste, jetzt mühelos bezahlbar. Günstig spart nicht nur Geld bei der Arbeit, die Sie ohnehin schon tun. Es macht neue Arbeit machbar, und dieser Effekt zweiter Ordnung ist der, um den ich planen würde.

Nichts davon ist ein Grund, die Sorgfaltsprüfung zu überspringen. Herkunft, Daten-Governance, Zensurverhalten, Lizenzierung: All das muss geprüft werden, bevor irgendetwas Produktion berührt. Günstig ist ein Grund, etwas gründlich zu evaluieren, nicht, es durchzuwinken. Was Sie wollen, ist eine strukturierte Entscheidung. Welcher Workload, welche Qualität er verträgt und was die Risikobewertung über das konkrete Modell sagt, auf das Sie zeigen.

Wenn leistungsfähige offene Modelle einen Bruchteil vieler Frontier-APIs kosten, kippt Make-or-Buy für Routine-Workloads. DeepSeek V4.1-Flash verbindet ein Kontextfenster von 1 Million Tokens mit offiziellen Preisen von 0,15 US-Dollar pro Million Cache-Miss-Eingabe-Tokens und 0,60 US-Dollar pro Million Ausgabe-Tokens außerhalb der Spitzenzeiten, mit Verdopplung zu Spitzenzeiten. Self-Hosting ersetzt den Anbieterzähler durch Hardware- und Betriebskosten, nach einer ordentlichen Risikobewertung.

Das vollständige Rahmenwerk finden Sie unter Ist DeepSeek sicher für Unternehmen?, danach vergleichen Sie die wichtigsten Optionen in Qwen vs. DeepSeek vs. Llama.

FAQ

Warum ist Chinas KI so günstig, in einem Satz? Offene Gewichte beseitigen die API-Marge, effiziente Architekturen senken die Kosten pro Token, ein Preiskampf drückt die Preise, billige Energie senkt die Untergrenze, und ein tiefer Talentpool sorgt dafür, dass alles weiter besser wird. Subventionen sind ein Nebenfaktor, nicht der Hauptgrund.

Warum ist DeepSeek so günstig? Zwei Gründe addieren sich. Es wird mit herunterladbaren, MIT-lizenzierten Gewichten ausgeliefert, sodass beim Self-Hosting keine verpflichtende API-Marge anfällt, und seine Mixture-of-Experts-Modelle aktivieren pro Token nur einen Bruchteil ihrer Gesamtparameter. V4.1-Flash aktiviert beim Lesen eines Prompts 8 Milliarden von 552 Milliarden Parametern; V4 Pro aktiviert 49 Milliarden von 1,6 Billionen, laut den offiziellen Modellkarten. Behandeln Sie historische Trainingskosten-Schlagzeilen als berichtet statt geprüft, aber die aktuelle Inferenzarchitektur und die veröffentlichten API-Preise sind konkret.

Sind chinesische KI-Modelle günstiger als OpenAI? Manche sind es, oft erheblich, aber der Familienname reicht nicht. DeepSeek V4.1-Flash ist über die offizielle API extrem günstig, während Kimi K3 deutlich höher bepreist ist. Self-Hosting beseitigt einen Anbieterpreis pro Token, ersetzt ihn aber durch Hardware, Energie und Betrieb. Vergleichen Sie die Gesamtkosten am konkreten Workload statt einen universellen Faktor zu zitieren.

Ist günstige chinesische KI von geringerer Qualität? Der Preis allein sagt das nicht. Die führenden chinesischen Familien umfassen inzwischen riesige Long-Context- und multimodale Modelle, aber ihre Stärken unterscheiden sich, und Benchmark-Tabellen der Anbieter sind keine neutralen Vergleiche. DeepSeek V4.1-Flash ist außergewöhnlich günstig; Kimi K3 ist mit 3 US-Dollar pro Million Cache-Miss-Eingabe-Tokens und 15 US-Dollar pro Million Ausgabe-Tokens spürbar teurer. Testen Sie das exakte Modell an Ihrem Workload.

Wird chinesische KI so günstig bleiben? Größtenteils ja, aus strukturellen Gründen. Der Preiskampf ist vorübergehend und mag nachlassen, aber offene Gewichte, effiziente Architekturen und billige Energie lassen sich nicht leicht umkehren. Sobald ein starkes Modell offen veröffentlicht ist, bleibt es für immer günstig im Betrieb, was auch immer der Markt als Nächstes tut. Ich würde mit anhaltender Günstigkeit planen.

Das Fazit

Chinas KI ist aus fünf Gründen günstig, die sich addieren, und „das sind alles Subventionen“ erklärt fast keinen davon. Offene Gewichte streichen die API-Marge. Echte Effizienz, also Mixture-of-Experts und die DeepSeek-Geschichte, senkt die wahren Kosten pro Token. Ein heimischer Preiskampf drückt die Preise weiter. Billige Energie und industrielle Skalierung setzen eine niedrige Untergrenze. Ein tiefer Talentpool hält die Effizienz am Verbessern. Der Preiskampf ist der Teil, der verblasst. Der Rest ist strukturell.

Die aktuellen Releases töten auch die faule Version dieses Arguments. „Chinesische KI ist günstig“ ist nicht ein Preis. DeepSeek V4.1-Flash ist bepreist, um Infrastruktur zu sein. Kimi K3 ist bepreist wie ein Premium-Modell für agentische Aufgaben. Qwen3.8s offene Gewichte erschienen im August unter einer eigenen Lizenz, während das gehostete Qwen3.8-Max an ein Token-Kontingent gebunden ist. Vergleichen Sie den exakten Checkpoint, die Lizenz, den Serving-Weg und die gemessene Aufgabenqualität, nicht die Flagge auf dem Labor.

Für Ihr Unternehmen ist die Quintessenz klar. Einige der günstigsten leistungsfähigen Modelle sind chinesisch und herunterladbar, während andere chinesische Frontier-Modelle Premium-Services oder enorme Self-Hosting-Projekte sind. Ich würde also nicht blindlings darauf setzen, aber der exakte Checkpoint verdient einen gründlichen Blick, denn die Make-or-Buy-Rechnung hat sich wirklich geändert.

Wenn Sie den strategischen Kontext wollen, beginnen Sie mit der Frage, ob China das KI-Rennen gewinnt. Wenn Sie bereit zum Handeln sind, ist Ist DeepSeek sicher für Unternehmen? die Stelle, an der dies in die eigentliche Entscheidung übergeht.