Der Abstand zwischen chinesischen Open-Source-Laboren und westlichen Frontier-Labs wird oft wie ein Wettrennen gelesen: Wer hat das beste Modell, wer den höchsten Benchmark, wer liegt wie viele Monate zurück? Diese Sicht ist bequem, aber zu eng. Die interessantere Trennlinie verläuft nicht mehr nur zwischen besseren und schlechteren Modellen. Sie verläuft zwischen zwei unterschiedlichen Strategien, wie KI in Märkte gedrückt wird.
OpenAI, Anthropic und Google DeepMind arbeiten am oberen Rand der Modellentwicklung. Große Trainingsläufe, proprietäre Systeme, enge Produktintegration, hohe Preise, kontrollierte Zugänge. Chinesische Anbieter wie Alibaba mit Qwen, DeepSeek oder Zhipu AI setzen stärker auf Verbreitung, Kostenkurve und Nachnutzung. Sie veröffentlichen Modelle, die Entwickler übernehmen, anpassen und in eigene Produkte einbauen können. Damit verschieben sie den Wettbewerb weg vom einzelnen Modell und hin zur Frage, wer den Standard im Maschinenraum setzt.
Das ist der Kern: Chinas offene KI-Offensive macht Modellleistung austauschbarer. Die Frontier-Labs behalten Vorteile bei Kapital, Infrastruktur und den äußersten Leistungsgrenzen. Aber je näher offene Modelle heranrücken, desto schwerer wird es, allein mit Rohfähigkeit hohe Margen zu verteidigen.
Die Lücke schrumpft, aber sie verschwindet nicht
Die Leistungsdifferenz zwischen Frontier- und Open-Source-KI-Modellen lag einst bei rund 18 Monaten. Bis Februar 2026 ist sie auf etwa sechs Monate geschrumpft. Das verändert die Ökonomie der KI. Wenn ein geschlossenes Modell nur noch zeitweise klar vorausliegt, wird der Vorsprung teurer zu halten und schwerer zu monetarisieren.
DeepSeek R1 erreichte im Januar 2025 eine Leistung, die mit OpenAI o1 vergleichbar war. Zhipu AI bot mit GLM-5.2 für bestimmte Aufgaben bis zu achtmal niedrigere Kosten als Anthropic Claude Opus 4.8. Alibaba wiederum hat mit Qwen eine Modellfamilie aufgebaut, die nicht nur als technische Leistung, sondern als Distributionsinstrument wirkt. Bis März 2026 hatte Qwen Meta Llama bei den weltweiten Downloads von Open-Source-Modellen überholt und kam auf mehr als die Hälfte dieser Downloads.
Das bedeutet nicht, dass chinesische Open-Source-Labore die Frontier-Labs vollständig eingeholt haben. Die äußersten Modelle, die teuersten Trainingsläufe und die engsten Forschungszyklen sitzen weiterhin vor allem bei US- und britisch geprägten Organisationen. Frontier-Labs wie OpenAI, Anthropic und Google DeepMind konzentrieren sich auf große Systeme, die menschliche Fähigkeiten in immer mehr Bereichen übertreffen sollen. Sie arbeiten an der Grenze dessen, was mit Kapital, Rechenleistung und Talent organisierbar ist.
Aber die Frage für den Markt lautet nicht immer: Was ist absolut am besten? Oft lautet sie: Was ist gut genug, billig genug, kontrollierbar genug und schnell genug integrierbar?
Kapital trennt die Lager stärker als Ideologie
Der finanzielle Abstand bleibt brutal. US-Unternehmen investierten 2024 rund 109 Milliarden US-Dollar in KI, fast so viel wie der Rest der Welt zusammen. Im ersten Quartal 2026 flossen 188 Milliarden US-Dollar an vier amerikanische Unternehmen: OpenAI, Anthropic, xAI und Waymo. Chinesische KI-Startups erhielten im selben Zeitraum zusammen 16,1 Milliarden US-Dollar.
Diese Zahlen erklären, warum Frontier-Labs nicht einfach durch offene Modelle ersetzt werden. Wer an der Spitze trainieren will, braucht Rechenzentren, Chips, Energieverträge, Forschungsteams, Datenpipelines, Sicherheitsprüfungen und Produktkanäle. Das ist kein reines Softwaregeschäft mehr. Es ist industrielle Infrastruktur mit API-Oberfläche.
Doch genau hier liegt der strategische Unterschied. Die US-Labore versuchen, die Knappheit in kontrollierte Produkte zu übersetzen. Sie verkaufen Zugang, Verlässlichkeit, Integration und Markenvertrauen. Die chinesischen Open-Source-Anbieter nutzen dagegen Veröffentlichung als Hebel. Wenn das Modell frei oder günstig verfügbar ist, entsteht Reichweite. Wenn Reichweite entsteht, entstehen abgeleitete Modelle, Toolchains, lokale Integrationen und Gewohnheiten. Aus einem Modell wird ein Ökosystem.
Für Plattformstrategien ist das vertraut. Wer den Basisteil einer Technologie billig macht, kann an anderer Stelle Macht aufbauen: bei Standards, Entwicklerbindung, Cloud-Nutzung, Infrastrukturabhängigkeiten oder nationaler Technologiefähigkeit. Open Source ist in diesem Kontext nicht nur Großzügigkeit. Es ist Marktdesign.
Talent ist der leise Gegenspieler des Kapitals
Der zweite Trennfaktor ist Talent. Die USA verfügen über etwa 60 Prozent der weltweit renommiertesten KI-Institutionen und ziehen fast zwei Drittel der Elite-KI-Forscher an. Das ist ein enormer Vorteil, gerade für Frontier-Labs, die interdisziplinäre Teams aus Modellarchitektur, Training, Evaluation, Sicherheit und Produktentwicklung brauchen.
Gleichzeitig verschiebt sich die Herkunft des Talentpools. 2022 waren 38 Prozent der Top-Forscher in US-Institutionen ursprünglich aus China. Bis 2025 machten chinesische Staatsangehörige 51 Prozent des weltweiten Top-KI-Talents aus, nach 29 Prozent im Jahr 2019. Neun der zehn Universitäten, die 2025 die meisten NeurIPS-Autoren hervorbrachten, waren chinesische Institutionen.
Das erklärt, warum der Vorsprung westlicher Frontier-Labs nicht stabil wirkt, obwohl ihre Finanzierungsbasis deutlich größer ist. Kapital kauft Trainingsläufe, Infrastruktur und Zeit. Talent entscheidet, wie effizient diese Ressourcen eingesetzt werden. Chinesische Labore müssen unter engeren Bedingungen arbeiten, auch wegen US-Exportbeschränkungen bei Chips. Daraus entsteht ein anderer Optimierungsdruck: kleinere Kostenbasis, höhere Effizienz, schnellere Reproduktion, aggressive Veröffentlichung.
Für westliche Anbieter ist das unangenehm. Sie konkurrieren nicht nur mit einem billigeren Produkt. Sie konkurrieren mit einer Entwicklungslogik, die ihre Preisstruktur untergräbt.
Der eigentliche Kampf liegt unter der Anwendungsschicht
Wenn Open-Source-Modelle nahe genug an Frontier-Leistung heranrücken, verschiebt sich der Wert. Unternehmen zahlen dann weniger für das abstrakte Modell und mehr für alles, was darum liegt: proprietäre Daten, Workflow-Integration, Sicherheit, Latenz, Hosting, Anpassung, Support, regulatorische Dokumentation und operative Kontrolle.
Das trifft vor allem Anbieter, deren Geschäftsmodell stark auf Modellzugang als knappem Gut beruht. Solange ein proprietäres Modell deutlich besser ist, lässt sich dieser Zugang teuer verkaufen. Wenn offene Alternativen für viele Aufgaben reichen, sinkt die Zahlungsbereitschaft. Nicht überall, nicht sofort, aber in breiten Anwendungsschichten: Kundenservice, interne Wissenssysteme, einfache Agentenprozesse, Code-Unterstützung, Übersetzung, Analyse, Dokumentenverarbeitung.
Gewinner sind Entwickler, Startups und Unternehmen, die ihre KI-Kosten drücken wollen. Sie können mit Qwen, DeepSeek oder ähnlichen Modellen experimentieren, ohne sich vollständig an geschlossene westliche Plattformen zu binden. Auch Staaten und Regionen, die technologische Abhängigkeit reduzieren wollen, erhalten eine Alternative.
Verlierer sind nicht automatisch die Frontier-Labs. Sie besitzen weiterhin Kapital, Marke, Forschungstiefe und Unternehmenskunden. Aber sie verlieren einen Teil der Deutungshoheit. Wenn die Welt sieht, dass vergleichbare Ergebnisse zu deutlich niedrigeren Kosten möglich sind, wird jede Preisliste politischer und jede geschlossene Modellstrategie erklärungsbedürftiger.
Offen heißt nicht neutral
Die chinesische Open-Source-Strategie bringt allerdings nicht nur niedrigere Kosten. Sie bringt Abhängigkeiten eigener Art. Wer chinesische Modelle in Unternehmenssysteme einbaut, muss technische Qualität von rechtlichem und politischem Kontext trennen können. Verträge, Lizenzbedingungen, Wartungspfade und mögliche Bindungen an chinesisches Recht sind für westliche Unternehmen keine Nebensache. Besonders dort, wo regulierte Daten, öffentliche Infrastruktur oder kritische Geschäftsprozesse betroffen sind, reicht der Blick auf Benchmarks nicht aus.
Genau deshalb ist die einfache Gegenüberstellung falsch: hier offene Freiheit, dort geschlossene Kontrolle. Beide Lager bauen Abhängigkeiten. Die westlichen Frontier-Labs über Produkte, APIs und proprietäre Plattformen. Die chinesischen Anbieter über Verbreitung, Kostenstruktur und Entwicklerökosysteme.
Was chinesische Open-Source-Labore heute von den Frontier-Labs trennt, ist also weniger ein einzelner technologischer Graben als ein anderer Weg zur Macht. Die Frontier-Labs versuchen, die Spitze zu besitzen. Chinas offene KI-Labore versuchen, die Breite zu besetzen. Wenn die Leistungslücke weiter klein bleibt, könnte die Breite am Ende mehr Druck erzeugen als der Vorsprung an der Spitze.
