Warum US-Unternehmen 2026 auf chinesische KI-Modelle umsteigen

Amerikanische Unternehmen entscheiden sich zunehmend für chinesische KI-Modelle, und der Grund ist schlicht und ergreifend: Kosten. Während OpenAI und Anthropic Premium-Preise verlangen, stehen Open-Weight-Modelle von DeepSeek, Alibaba’s Qwen, Zhipus GLM und Moonshots Kimi zu einem Bruchteil des Preises zur Verfügung – und schließen dabei den Großteil der Qualitätslücke. Das Ergebnis ist eine stille Migration, die sich mittlerweile in konkreten Nutzungsdaten widerspiegelt – nicht nur in Meinungsartikeln.

Wie groß ist der Wechsel zu chinesischen KI-Modellen?

Das deutlichste Signal ist die Nutzung – nicht die Stimmung. Laut OpenRouter-Daten, die von CNBC berichtet wurden, lag der Anteil der Tokens, die US-Unternehmen an chinesische Modelle weiterleiten, seit dem 8. Februar 2026 wöchentlich über 30 % und erreichte zeitweise sogar 46 % – verglichen mit einem Durchschnittswert von rund 11 % in den zwölf Monaten zuvor. Mit anderen Worten: Fast die Hälfte des KI-Datenverkehrs großer US-Unternehmen in manchen Wochen läuft heute auf Modellen ab, die in China entwickelt wurden.

Der Startup-Bereich des Marktes bewegt sich am schnellsten. Branchenschätzungen zufolge nutzen derzeit rund 20–30 % aller Startups Open-Source-Modelle, und etwa 80 % davon wählen ein chinesisches Open-Weight-Modell. Wenn ein Gründer seine finanzielle Laufzeit im Blick hat, ist eine zehnfache Differenz bei den KI-Kosten kein Rundungsfehler – sondern der Unterschied zwischen Markteinführung und Schließung.

Die Preisunterschiede als treibende Kraft hinter dem Wechsel

Die Überschriftenzahlen erklären das Verhalten bereits von selbst. Ein chinesisches Flaggschiffmodell kann pro Token nur einen Bruchteil der Kosten seiner US-Konkurrenten verursachen:

Ein weit verbreiteter Vergleich für eine typische Arbeitslast ergab Kosten von rund 4.811 USD bei Anthropics Claude gegenüber etwa 544 USD bei Zhipus GLM – also nahezu eine 9-fache Differenz. Analysten schätzen führende chinesische Open-Weight-Modelle im Allgemeinen als 60–90 % günstiger als die besten US-Frontier-Modelle für vergleichbare Aufgaben ein. Bevor Sie überhaupt etwas umstellen, lohnt es sich, Ihre eigenen Zahlen zu berechnen – statt sich auf Schlagzeilen zu verlassen: Unser kostenloser Kostenrechner für KI-APIs schätzt Ihre tatsächliche monatliche Rechnung basierend auf Ihrem Token-Volumen ab, und unser KI-Preis-Leistungs-Index bewertet Modelle nach Intelligenz pro Dollar, sodass Sie genau sehen können, wo jedes Modell hinsichtlich Wertigkeit liegt.

Wer wechselt tatsächlich?

Dies ist längst keine Hypothese mehr. Mehrere namentlich genannte Unternehmen haben bereits echten Produktionsverkehr umgestellt:

• Lindy – das KI-Agenten-Startup verlagerte 100 % seines Datenverkehrs von Anthropics Claude auf DeepSeek; der CEO erwartet dadurch Einsparungen im Millionenbereich.
• Shopify – ersetzte angeblich eine OpenAI-GPT-5-Pipeline durch ein selbstgehostetes Multi-Agentensystem auf Basis von Alibabas Qwen 3 und nannte eine etwa 75-fache Reduktion der Kosten pro Sprachmodell-Einheit sowie eine höhere Ausgabequalität als Begründung.
• Coinbase – senkte seine KI-Ausgaben um nahezu die Hälfte, nachdem es Workloads auf GLM 5.2 und Kimi 2.7 verlagert hatte.
• Airbnb – betreibt 13 KI-Modelle, setzt aber stark auf Qwen; CEO Brian Chesky bezeichnete es öffentlich als ‚sehr gut‘, ‚schnell‘ und bezahlbar. Nach der Einführung eines Qwen-basierten Kundenservice-Agents sank die durchschnittliche Bearbeitungszeit bei Airbnb von fast drei Stunden auf etwa sechs Sekunden.

Es geht nicht nur um den Preis: Offene Gewichte verändern die Kalkulation grundlegend

Kosten dominieren die Schlagzeilen, doch der zweite Treiber ist architektonischer Natur. Da diese chinesischen Modelle Open-Weight-Modelle sind, kann ein Unternehmen sie herunterladen und auf eigener Hardware ausführen – anstatt eine API eines Drittanbieters aufzurufen. Damit ändert sich gleichzeitig zweierlei: Der Kosten-Meter pro Token entfällt, und sensible Daten müssen niemals das Unternehmen verlassen. Airbnb betonte beispielsweise, dass keinerlei Daten an die Entwickler der Modelle gesendet werden. Für Teams, die diesen Trade-off abwägen, zeigt unser Self-Hosting- vs. API-Rechner den Break-even-Punkt, ab dem der Eigenbesitz einer GPU günstiger ist als das Bezahlen pro Token, und unsere Studie zu Open- versus Closed-Source-Kosten quantifiziert, wie groß die Kluft mittlerweile geworden ist. Um Spezifikationen, Kontextfenster und aktuelle Preise direkt miteinander zu vergleichen, sehen Sie sich bitte unsere Datenbank für KI-Modellean, und für eine vertiefte Analyse des Modells, das diesen Wandel anführt, unser DeepSeek-V4-Leitfaden.

Der Haken: Governance und Geopolitik

Der Wechsel ist nicht reibungslos. Nachdem Airbnb die Nutzung chinesischer Open-Source-Modelle bekanntgegeben hatte, stellten US-Abgeordnete Fragen zu dieser Praxis – obwohl das Unternehmen die Modelle selbst hostet und keinerlei Daten an die Entwickler weitergibt. Für regulierte Branchen wirft der Einsatz eines Modells chinesischer Herkunft – selbst wenn es ausschließlich auf heimischen Servern läuft – Beschaffungs-, Compliance- und reputationsbezogene Fragen auf, die sich allein mit einer Tabellenkalkulation nicht lösen lassen. Das sich abzeichnende pragmatische Vorgehen besteht darin, die Open-Weights-Modelle selbst zu hosten (sodass keine Daten eine Grenze überschreiten) und gleichzeitig ein US-amerikanisches Spitzenmodell für die anspruchsvollsten Aufgaben bereitzuhalten.

Was bedeutet das für OpenAI und Anthropic?

Der Druck ist bereits spürbar. Anfang Juni 2026 wurde berichtet, dass OpenAI scharfe Senkungen der Token-Preise erwäge – eine Maßnahme, die signalisieren würde, dass das Unternehmen die preisliche Bedrohung durch chinesische Anbieter als existenziell und nicht nur als Randphänomen wahrnimmt. Die allgemeine Marktstimmung hat sich vom sogenannten „Tokenmaxxing“ (immer mehr Tokens auf ein Problem zu werfen) hin zur Effizienz gewandelt: das gleiche Ergebnis mit deutlich weniger Aufwand zu erzielen. Genau in diesem Umfeld überzeugt ein Modell, das 60 bis 90 Prozent günstiger ist, beim Geschäftskunden – und deshalb könnte sich die Preisgestaltung bei Spitzenmodellen im kommenden Jahr stark von der des vergangenen Jahres unterscheiden.

Sollte Ihr Unternehmen wechseln? Ein kurzer Entscheidungsrahmen

Die ehrliche Antwort lautet: manchmal. Treffen Sie die Entscheidung entlang vier Dimensionen. Volumen — Je höher und stabiler Ihr Nutzungsvolumen ist, desto stärker amortisieren sich günstigere Modelle (oder das Self-Hosting). Qualitätsanspruch — Für alltägliche Texterstellung, Extraktion, Klassifizierung und Support sind führende Open-Source-Modelle kaum von den Top-APIs der Spitzenanbieter zu unterscheiden; bei den anspruchsvollsten Denkaufgaben liegen die US-Flaggschiffe nach wie vor vorn. Datensensitivität — Wenn Ihre Daten Ihre Kontrolle niemals verlassen dürfen, ist das Self-Hosting eines Open-Source-Modells die sauberste Lösung. Governance — Prüfen Sie vor einer Verpflichtung die Beschaffungs- und Compliance-Richtlinien. Berechnen Sie zunächst die Kosten mit den oben genannten Rechnern, testen Sie das Modell an einer nicht-kritischen Arbeitslast und leiten Sie erst danach echten Traffic darauf um.

Häufig gestellte Fragen

Welche chinesischen KI-Modelle nutzen US-Unternehmen am häufigsten?

Die am häufigsten genannten Namen sind DeepSeek, Qwen von Alibaba, GLM von Zhipu sowie Kimi von Moonshot. DeepSeek dominiert bei preisgetriebenen Wechseln, während Qwen bei Airbnb und Shopify sowie GLM/Kimi bei Coinbase zum Einsatz kommen.

Wie viel günstiger sind chinesische KI-Modelle?

Analysten schätzen führende chinesische Open-Source-Modelle auf rund 60 bis 90 Prozent niedrigere Kosten als top US-amerikanische Spitzenmodelle. Konkret kostet beispielsweise DeepSeeks Flaggschiff-Modell etwa 0,87 Dollar pro Million ausgegebener Tokens, während Anthropic rund 25 Dollar und OpenAI rund 30 Dollar verlangt; bei einem konkreten Workload-Vergleich zeigte sich sogar eine nahezu neunfache Differenz (544 Dollar für GLM gegenüber 4.811 Dollar für Claude).

Ist es sicher, Unternehmensdaten an chinesische KI-Modelle zu senden?

Da diese Modelle Open-Weight-Modelle sind, können Unternehmen sie selbst hosten, sodass keine Daten ihre eigenen Server verlassen – Airbnb betont beispielsweise, keinerlei Daten an die Modellentwickler zu übermitteln. Das Risiko liegt weniger in der Datenübertragung als vielmehr in Governance-, Beschaffungsregelungen und geopolitischen Faktoren, die jedes Unternehmen individuell abwägen muss.

Welche US-Unternehmen haben auf chinesische KI-Modelle umgestellt?

Zu den öffentlich genannten Beispielen zählen Lindy (zu 100 % auf DeepSeek), Shopify (selbst gehostetes Qwen 3), Coinbase (GLM 5.2 und Kimi 2.7) sowie Airbnb (Qwen). Breitere OpenRouter-Daten zeigen, dass der Anteil chinesischer Modelle am US-amerikanischen Enterprise-Tokenverbrauch in den meisten Wochen des Jahres 2026 über 30 Prozent betrug.

Erfüllen chinesische Modelle hinsichtlich Qualität OpenAI und Anthropic?

Bei vielen alltäglichen und Programmieraufgaben liegen sie mittlerweile nur noch um einen Bruchteil eines Punktes hinter den besten geschlossenen Modellen – weshalb preisgetriebene Wechsel sinnvoll sind. Bei den anspruchsvollsten Denkaufgaben behalten die US-Spitzenmodelle jedoch weiterhin die Führung – daher ist ein verbreitetes Muster, standardmäßig ein günstiges Open-Source-Modell einzusetzen und ein Spitzen-API nur für die schwierigsten Aufgaben vorzubehalten.

Das Fazit

Die Migration zu chinesischen KI-Modellen wird durch reine Arithmetik getrieben, nicht durch Ideologie. Sobald ein leistungsfähiges Modell ein Zehntel – manchmal sogar ein Siebenundzwanzigstel – der Kosten des etablierten Anbieters kostet und zudem selbst gehostet werden kann, um die Daten im Haus zu halten, werden kostenbewusste Teams es ausprobieren – und die OpenRouter-Zahlen zeigen, dass viele dabei bleiben. Die bleibende Erkenntnis lautet nicht „China hat gewonnen“, sondern dass KI-Inferenz zu einer Kommodität geworden ist, bei der Preis und Effizienz ebenso wichtig sind wie reine Leistungsfähigkeit. Unternehmen, die ihre tatsächlichen Kosten genau kalkulieren, sorgfältig pilotieren und das Modell gezielt an die jeweilige Aufgabe anpassen, realisieren den Großteil der Einsparungen, ohne ihr gesamtes Geschäft auf einen einzigen Anbieter zu setzen.

Quellen: CNBC, Forbes, Rest of World, Tech Startups. Berichtet im Juli 2026.