Chinesische KI in deutschen Firmen: Warum DeepSeek kaum ankommt

Chinesische KI-Modelle sorgen mit niedrigen Preisen und starken Benchmarks regelmäßig für Aufmerksamkeit. In deutschen Unternehmen kommt dieser Wettbewerb bislang kaum an. Eine neue Bitkom-Befragung unter 603 Unternehmen ab 20 Beschäftigten zeigt: Von den Firmen, die KI einsetzen, nutzen nur zwei Prozent DeepSeek und ein Prozent Qwen von Alibaba. ChatGPT kommt dagegen auf 76 Prozent. Die Zahlen sind kein Qualitätsurteil über einzelne Modelle. Sie zeigen aber, wie weit Leistungsdebatte und tatsächlicher Unternehmenseinsatz auseinanderliegen.

Gerade deshalb lohnt ein genauer Blick. Viele Diskussionen behandeln die Modellwahl wie einen einfachen Vergleich von Preis, Kontextfenster und Benchmark. Für ein Unternehmen ist sie jedoch eine Beschaffungs- und Kontrollentscheidung. Wo laufen die Daten? Wer verarbeitet Prompts und Anhänge? Welche Verträge, Zugriffsrechte und Audit-Nachweise gibt es? Kann ein Team ein Modell bei Bedarf in einer kontrollierten Umgebung betreiben? Solche Fragen entscheiden häufig früher als ein Prozentpunkt mehr oder weniger in einem Test.

Das Wichtigste in Kürze

• In der Bitkom-Erhebung nutzen nur zwei Prozent der KI-nutzenden deutschen Unternehmen DeepSeek und ein Prozent Qwen; ChatGPT liegt bei 76 Prozent.
• Die Befragung misst den Einsatz in Unternehmen ab 20 Beschäftigten, nicht die Qualität aller Modelle oder private Nutzung durch einzelne Beschäftigte.
• Datenschutz, IT-Sicherheit, Vertragslage und vorhandene Integrationen sind für Firmen meist wichtiger als ein günstiger Modellpreis.
• Open Weights und lokaler Betrieb können Kontrolle verbessern, lösen aber Betrieb, Updates, Schutzmaßnahmen und Haftung nicht automatisch.
• Eine gute Modellstrategie beginnt mit dem Anwendungsfall und den Daten – nicht mit dem lautesten Benchmark.

Die Zahlen messen Nutzung, nicht technische Überlegenheit

Die Bitkom-Daten verdienen eine vorsichtige Lesart. Befragt wurden 603 Unternehmen mit mindestens 20 Beschäftigten; die genannten Anteile beziehen sich auf Unternehmen, die bereits KI einsetzen, und Mehrfachnennungen waren möglich. Daraus folgt nicht, dass 76 Prozent aller deutschen Firmen ChatGPT einsetzen. Ebenso lässt sich daraus nicht ableiten, dass chinesische Modelle schlechter arbeiten. Die Erhebung beschreibt eine Beschaffungsrealität: Welche Anwendungen sind in Organisationen sichtbar, freigegeben und in Arbeitsabläufe eingebunden?

Diese Realität ist zugleich dynamisch. Das ifo Institut meldete im Mai 2026, dass 54,5 Prozent der Unternehmen in Deutschland KI in Geschäftsprozessen nutzen. Bei großen Unternehmen lag der Anteil höher, aber auch kleine und mittlere Betriebe zogen deutlich nach. Das ZEW beobachtet zudem, dass viele Firmen ihren Beschäftigten generative KI-Anwendungen gezielt bereitstellen. Mit der Verbreitung wächst der Druck, nicht nur irgendein Tool zu erlauben, sondern Rollen, Datenklassen und Freigaben sauber festzulegen. Die Herkunft eines Modells ist dabei ein Kriterium unter mehreren, aber kein nebensächliches.

Warum bekannte Plattformen zuerst landen

Der Vorsprung US-amerikanischer Angebote erklärt sich nicht allein durch Markenbekanntheit. Große Anbieter sind oft bereits über Bürosoftware, Cloud-Verträge, Identitätsverwaltung und Sicherheitsfunktionen in der IT-Landschaft vorhanden. Ein Beschaffungsteam kann dann auf bestehende Auftragsverarbeitungsverträge, zentrale Anmeldung, Protokollierung und Supportwege aufbauen. Das senkt nicht jedes Risiko, senkt aber den Aufwand, einen Dienst zu prüfen, zu beschaffen und im Ernstfall wieder abzuschalten.

Bei einem neuen Modellanbieter müssen Firmen diese Arbeit von Grund auf leisten. Sie brauchen belastbare Angaben zu Datenflüssen, Speicherorten, Unterauftragnehmern, Löschfristen und Incident-Prozessen. Für regulierte Bereiche kommen Anforderungen an Dokumentation, Rechtekonzepte und die Trennung sensibler Daten hinzu. Ein günstiger Tokenpreis kann dann wirtschaftlich sein, wenn er diese Folgekosten ausgleicht; er ist es nicht automatisch. Die Bitkom-Zahlen lesen sich deshalb auch als Hinweis auf Reibung in Governance und Einkauf, nicht nur als Präferenz für einen bestimmten Chatbot.

Eine pauschale Sicherheitsbewertung nach Herkunft wäre dennoch zu grob. Ein US-Cloudmodell kann für einen vertraulichen Anwendungsfall ungeeignet sein, während ein offen verfügbares Modell in einer abgesicherten europäischen Umgebung sinnvoll betrieben werden kann. Umgekehrt schafft ein lokal laufendes Modell keine Datenschutzgarantie, wenn Zugänge zu weit sind, Protokolle fehlen oder Mitarbeitende unkontrolliert Daten einspeisen. Entscheidend ist der konkrete Datenweg und das Betriebsmodell. Wer diese Unterscheidung übersieht, verwechselt Souveränität mit einem Etikett.

Open Weights sind eine Option, kein Freifahrtschein

Für manche Aufgaben kann ein offen verfügbares Modell attraktiv sein: etwa für interne Wissenssuche, Klassifikation oder Entwürfe mit klar abgegrenztem Datenbestand. Lokal oder bei einem europäischen Hosting-Partner betrieben, lässt sich der Datenfluss stärker kontrollieren als bei einer frei zugänglichen Consumer-Anwendung. Das kann für Datenschutz, Latenz oder Kosten sinnvoll sein. Es verlangt aber technische Kompetenz. Modelle müssen aktualisiert, Rechte sauber gesetzt, Eingaben gefiltert und Ausgaben überwacht werden. Auch Sicherheitslücken in der umgebenden Software verschwinden dadurch nicht.

Der richtige Vergleich lautet daher selten „China oder USA“. Sinnvoller sind Fragen wie: Braucht der Fall ein Spitzenmodell oder genügt ein kleineres spezialisiertes Modell? Dürfen personenbezogene Daten verarbeitet werden? Muss das System Werkzeuge ausführen oder nur Text zusammenfassen? Gibt es eine menschliche Freigabe vor einer externen Aktion? Die jüngst berichtete Debatte über Sicherheitsgrenzen bei leistungsfähigen Agenten zeigt, warum solche Fragen nicht nur Compliance-Routine sind. Mit wachsender Autonomie wird die Umgebung genauso wichtig wie das Modell.

Was Unternehmen jetzt praktisch tun können

Statt einen Anbieter für das ganze Unternehmen auszurufen, sollten Teams eine kleine Modellmatrix aufbauen. Sie kann für jeden Anwendungsfall Datenklasse, erlaubte Modelle, Hosting, Kostenrahmen, Freigaben und einen Abschaltweg festhalten. Ein öffentlicher Marketingtext darf anders behandelt werden als ein Kundenvertrag; ein Chat zur Ideenfindung anders als ein Agent mit Zugriff auf Tickets oder Quellcode. Ein begrenzter Pilot mit anonymisierten oder synthetischen Daten liefert mehr Erkenntnis als eine unkontrollierte Schattennutzung.

Zur Beschaffung gehört auch ein realistischer Ausstiegsplan. Kann ein Prompt-Archiv exportiert werden? Lassen sich Zugriffsrechte zentral entziehen? Gibt es belastbare Logs für Fehlersuche und Audits? Welche Teile eines Workflows hängen an proprietären Schnittstellen? Diese Fragen gelten für alle Anbieter. Sie helfen gerade dabei, offene Modelle sachlich zu prüfen, statt sie entweder aus geopolitischem Reflex auszuschließen oder aus Kosteneuphorie unbesehen zu übernehmen.

Ausblick: Auswahl wird zur Betriebsfrage

Die geringe Nutzung von DeepSeek und Qwen ist kein Endpunkt, sondern eine Momentaufnahme einer schnell wachsenden Praxis. Wenn Modelle günstiger, offene Gewichte verbreiteter und Hosting-Angebote reifer werden, kann sich der Markt verschieben. Für deutsche Unternehmen bleibt die zentrale Aufgabe aber gleich: Modellleistung mit Datenkontrolle, Betriebssicherheit und Verantwortlichkeit zusammenzubringen. Wer diese Grundlagen schafft, kann neue Anbieter später schneller und fundierter bewerten – unabhängig davon, aus welchem Land das nächste starke Modell kommt.