Westliche Unternehmen beginnen, ihre KI-Infrastruktur auf chinesische Modelle umzustellen. Nicht aus politischer Überzeugung, sondern aus wirtschaftlichem Kalkül. Gleichzeitig warnen Branchenbeobachter, dass sich daraus ein strategisches Abhängigkeitsproblem für die USA entwickeln könnte. Drei aktuelle Stimmen auf X zeichnen ein Bild, das die Debatte um KI-Souveränität neu ordnet.
Westliche Unternehmen wechseln zu chinesischen Modellen
Ein X-Thread listet konkrete Fälle westlicher Unternehmen auf, die KI-Workloads auf chinesische Modelle verlagern — darunter prominente Namen:
Die Liste umfasst unter anderem Cursor (zu Kimi K2.5), Coinbase (zu GLM-5.2 und Kimi 2.7), Shopify und Airbnb (beide zu Qwen), Uber Eats (zu Qwen2) und Siemens (zu DeepSeek und Qwen). Das sind keine Nischenanbieter — es sind Unternehmen mit Millionen von Nutzern und hohem API-Durchsatz.
Was die Wechsel antreibt, zeigt ein Erfahrungsbericht besonders deutlich:
Der Entwickler @DeRonin_ beschreibt, seinen gesamten KI-Stack auf chinesische Modelle umgestellt zu haben — bei 87 Prozent niedrigeren Kosten und gleichem Umsatz. Konkret: Für Reasoning-Aufgaben ersetzte er Opus 4.8 durch Kimi K2.7 (Benchmark-Abstand rund 8 Prozent, aber etwa 11-mal günstiger). Für Code-Generierung wechselte er von GPT-5.5 auf Qwen 3.7 Max (Benchmark-Abstand rund 18 Prozent, aber 7-mal günstiger). Das Muster ist klar: Für viele produktive Einsatzzwecke reicht ein günstigeres Modell, das 80 bis 90 Prozent der Leistung liefert.
Das Worst-Case-Szenario: Drei Ebenen, ein Risiko
Vor diesem Hintergrund hat Xiaoyin Qu, ehemalige Meta-Produktmanagerin und Gründerin von HeyBoss AI, auf X ein Worst-Case-Szenario für die US-amerikanische KI-Industrie skizziert:
Qus Argumentation folgt drei Stufen:
- Modelle: Chinesische Open-Source-Modelle wie DeepSeek und Qwen gewinnen bei globalen API-Aufrufen kontinuierlich Marktanteile. Die obigen Beispiele zeigen, dass dieser Trend bereits in der Praxis angekommen ist.
- Chips: Diese Modelle werden zunehmend auf Huawei-Hardware trainiert und für die Inferenz optimiert. Nvidias Chipverkäufe in China stagnieren, weil Huaweis Ascend-Chips als Alternative an Boden gewinnen. Die US-Exportbeschränkungen haben diesen Prozess paradoxerweise beschleunigt.
- Infrastruktur: Die USA bauen Rechenzentren nicht schnell genug aus. Genehmigungs- und Bauprozesse dauern oft Jahre, während der Bedarf exponentiell wächst.
Das Szenario, das Qu beschreibt: Wenn westliche Unternehmen zunehmend auf chinesische Modelle setzen, diese Modelle auf chinesischer Hardware laufen und die USA ihre eigene Infrastruktur nicht schnell genug hochziehen — dann verlieren die USA die Kontrolle über gleich drei Schichten des KI-Stacks gleichzeitig.
Einordnung: Was dafür und dagegen spricht
Die Verlagerungstrends sind real und durch konkrete Beispiele belegt. Die Kostenvorteile chinesischer Modelle sind erheblich — bei vielen Standardaufgaben funktioniert die günstigere Alternative ausreichend gut. Und DeepSeek hat kürzlich 7,4 Milliarden Dollar Finanzierung erhalten, um Recheninfrastruktur auszubauen und neue Open-Weight-Modelle zu trainieren.
Gleichzeitig hat das Szenario Schwächen. Nvidia-Chips bleiben bei der Trainingseffizienz technisch überlegen. Die US-Hyperscaler — Google, Microsoft, Amazon — investieren dreistellige Milliardenbeträge in neue Rechenzentrumskapazität. Und die leistungsfähigsten proprietären Modelle kommen weiterhin aus den USA. Marktanteile bei API-Calls sind zudem nicht gleichbedeutend mit wirtschaftlicher Dominanz — chinesische Modelle werden oft sehr günstig oder kostenlos angeboten.
Aber Qus Punkt bleibt gültig: Die Annahme einer dauerhaften US-Führung im KI-Bereich ist keine Selbstverständlichkeit mehr. Der Wechsel westlicher Unternehmen zu chinesischen Modellen ist keine Theorie — er passiert bereits.
🎯 Was das für die Praxis bedeutet
1. Kosten-Qualitäts-Abwägung treffen: Für viele produktive Einsatzzwecke liefern chinesische Open-Source-Modelle 80 bis 90 Prozent der Leistung von US-Modellen — bei einem Bruchteil der Kosten. Die Frage ist nicht ob, sondern für welche Workloads sich der Wechsel lohnt.
2. Geopolitische Risiken einpreisen: Wer KI-Workloads auf chinesische Modelle verlagert, spart kurzfristig Geld, geht aber Abhängigkeiten ein. Exportbeschränkungen, Zugangskontrollen und regulatorische Eingriffe können den Zugang zu Modellen und Hardware jederzeit verändern — in beide Richtungen.
3. Multi-Modell-Strategien entwickeln: Europäische Unternehmen sollten ihre KI-Lieferkette diversifizieren. Wer ausschließlich auf US-Modelle oder ausschließlich auf chinesische Modelle setzt, macht sich von einer einzelnen Seite des geopolitischen Wettbewerbs abhängig.
