Chinas Fortschritte in der KI-Modellentwicklung und die Herausforderungen für den Westen

Der schrumpfende Vorsprung: Chinas Aufholjagd in der KI-Modellentwicklung

Die Landschaft der Künstlichen Intelligenz (KI) unterliegt einem stetigen Wandel, und die Dynamik im Wettbewerb zwischen westlichen und chinesischen Akteuren hat sich in den letzten Monaten signifikant verschoben. Lange Zeit galt der Westen, insbesondere die USA, als unangefochtener Innovationsführer im Bereich der Frontier-KI. Jüngste Entwicklungen deuten jedoch darauf hin, dass China in der Entwicklung fortschrittlicher KI-Modelle erheblich aufgeholt hat. Diese Verschiebung wirft grundlegende Fragen nach der Nachhaltigkeit von Modellvorsprüngen und den zukünftigen Wettbewerbsfeldern auf.

Chinesische Modelle erreichen Spitzenleistungen

Noch vor anderthalb Jahren sorgte DeepSeek R1 für Aufsehen, als es sich mit OpenAIs o1, einem der ersten kommerziellen Reasoning-Modelle, messen konnte. Obwohl die anfänglichen Ergebnisse in Bezug auf die umfassenden Fähigkeiten von DeepSeek R1 noch gemischt waren, war dies ein frühes Signal für Chinas aufstrebende Fähigkeiten. Die jüngsten Veröffentlichungen wie Moonshots Kimi K3, Alibabas Qwen3.8-Max und GLM-5.3 von Z.ai zeigen nun, dass chinesische Modelle in vielen breiten und anspruchsvollen Evaluationen die Spitze erreicht haben.

Diese Modelle demonstrieren verbesserte Fähigkeiten bei komplexen Wissensaufgaben, mehrstufiger Code-Generierung und der Koordination von Tools. Der zuvor oft zitierte Rückstand von mehreren Monaten hat sich auf wenige Wochen reduziert. Dies führt dazu, dass Investoren zunehmend die Frage stellen, ob die reine Modellleistung noch ausreicht, um ein nachhaltiges Geschäftsmodell zu sichern, da frei verfügbare Modelle aus China schnell aufschließen.

Verbleibende westliche Vorteile: Nischen und Zuverlässigkeit

Der westliche Vorsprung ist nicht vollständig verschwunden, hat sich aber auf wenige, immer enger werdende Bereiche der technologischen Spitze (der sogenannten "Frontier") zurückgezogen. Drei Hauptbereiche lassen sich identifizieren:

• Abstrakte Spezialtests: In hochabstrakten Tests wie ARC-AGI-2, die Mustererkennung in komplexen Rätselgittern messen, zeigen westliche Modelle wie Opus 5 noch einen deutlichen Vorsprung. Der wirtschaftliche Wert dieses Vorsprungs für alltägliche Aufgaben ist jedoch unklar.
• Zuverlässigkeit: Benchmarks wie der AA-AnalystAgent, der agentische Datenanalyse an realen Tabellen und Dokumenten testet, zeigen, dass westliche Modelle eine höhere Wiederholbarkeit der Ergebnisse aufweisen. K3 löst zwar viele Aufgaben mindestens einmal, die Konsistenz über mehrere Durchläufe hinweg ist jedoch geringer. Diese Zuverlässigkeit ist kommerziell von Bedeutung, da sie die Notwendigkeit menschlicher Überprüfung reduziert.
• Cybersicherheit: Ein gut dokumentierter Bereich ist die offensive Cyber-Fähigkeit. Gemeinsame Bewertungen des britischen AISI und des US-amerikanischen CAISI zeigten, dass K3 in der Entwicklung von Exploits und der Ausführung von Code auf Zielsystemen deutlich hinter führenden US-Modellen zurückliegt. Allerdings schrumpft auch hier der Abstand, wie GLM-5.3 mit einer signifikanten Verbesserung in diesem Bereich zeigt. Es ist jedoch zu beachten, dass Anbieter ihre stärksten Cyber-Fähigkeiten oft nicht offen anbieten.

Diese verbleibenden Vorsprünge sind entweder wirtschaftlich schwer zu quantifizieren (abstrakte Tests), noch in Bewegung (Zuverlässigkeit) oder betreffen sensible Fähigkeiten, die nicht frei zugänglich sind (Cybersicherheit). Dies deutet darauf hin, dass ein reiner Modellvorsprung, sobald er kommerziell verfügbar ist, schnell von Wettbewerbern eingeholt werden kann.

Distillation als Beschleuniger der Aufholjagd

Eine zentrale Hypothese für die schnelle Aufholjagd chinesischer Labore ist die sogenannte Distillation. Dabei wird unterstellt, dass chinesische Unternehmen westliche Modelle über deren APIs als "Lehrer" nutzen, um eigene Modelle zu trainieren. Anthropic und OpenAI haben entsprechende Vorwürfe erhoben und von Millionen von Interaktionen durch fraudulent Accounts berichtet, die auf DeepSeek, Moonshot und MiniMax zurückgeführt werden.

Die Distillation könnte in verschiedenen Phasen des Modelltrainings zum Einsatz kommen: im Pre-Training, im Mid-Training mit hochwertigeren Daten oder im Post-Training durch Supervised Fine-Tuning und Reinforcement Learning. Indem ein Schülermodell die Lösungsmuster eines Lehrermodells übernimmt, kann es dessen Fähigkeiten erlernen. Studien zeigen, dass es möglich ist, Reasoning-Ketten von Top-Modellen auszulesen und dass die Antworten von K3 sich messbar in Richtung Opus verschieben, wenn K3s Reasoning mit entschlüsselten Opus-Reasoning-Traces vorbefüllt wird.

Allerdings gibt es auch Argumente, die gegen Distillation als alleinige Erklärung sprechen. Chinesische Labore wie Moonshot und DeepSeek dokumentieren eigene, interne Trainingspipelines und architektonische Verbesserungen. Zudem ist Distillation kein ausschließlich chinesisches Phänomen; auch xAI hat beispielsweise OpenAI-Modelle genutzt. Die gezielten Labore fordern staatlichen Schutz, und die US-Regierung hat bereits Maßnahmen ergriffen, um die Distillation von US-Modellen als nationale Sicherheitsbedrohung einzustufen und Exportkontrollen einzuführen.

Unabhängig davon, ob Distillation die alleinige Ursache ist, bleibt die Erkenntnis, dass alle Fähigkeiten, die westliche Anbieter über APIs zugänglich machen, innerhalb weniger Monate zur Konkurrenz gelangen. Ein Modellvorsprung lässt sich nur dort aufrechterhalten, wo das Produkt gar nicht erst breit angeboten wird – ein Geschäftsmodell, das schwer zu skalieren ist.

Das System als entscheidende Einheit: Agenten und Infrastruktur

Mit der zunehmenden Komplexität und Autonomie von KI-Agenten verschiebt sich der Fokus vom einzelnen Modell auf das gesamte System. Wenn der Wert von Arbeitsabläufen kommt, die sich über Tage erstrecken, konkurrieren nicht mehr nur Modelle, sondern die Systeme, die diese Arbeitsabläufe tragen: die Kontrollsoftware um das Modell, die bereitgestellte Rechenleistung und die Umgebung, in der es mit Tools, Berechtigungen und Wiederherstellungspunkten arbeitet.

Die Bedeutung dieses "Gerüsts" ist messbar. Studien zeigen, dass Software-Engineering-Ergebnisse um etwa 25 Prozent steigen, wenn ein Modell zehn Millionen Token pro Aufgabe erhält statt einer Million. Die Kontrollsoftware, auch "Harness" genannt, hat einen noch größeren Effekt. OpenAIs Sol konnte beispielsweise seine Leistung in einer ARC-AGI-3-Evaluierung nahezu verdreifachen, indem lediglich der Reasoning-Zustand zwischen den Schritten beibehalten und der Kontext anders komprimiert wurde – gleiches Modell, anderes System, dreifache Leistung.

Die Kontrollsoftware allein bildet jedoch keinen dauerhaften Wettbewerbsvorteil, da Orchestrierungsmuster durch intensive Nutzung externer Agentensysteme erlernt werden können. Der einzige unkopierbare Teil eines Agentensystems ist sein laufender Betrieb, die Verankerung in den Systemen der Kunden – Zugangsdaten, Testumgebungen, Protokolle und Eingriffsrechte. Ein Konkurrent kann dies nur mit eigener Infrastruktur und eigenen Kunden aufbauen.

Der größte Treiber für Agentenfähigkeiten ist Reinforcement Learning in zweckgebundenen Trainingsumgebungen, basierend auf realen Aufgaben und dem Wissen, wo Modelle in Unternehmen versagen und was Kunden als Ergebnis akzeptieren. Dieser Feedback-Kanal, der weniger Rohdaten als vielmehr Wissen darüber liefert, was als Nächstes entwickelt werden muss, ist das, was Distillation nicht kopiert. Wer diesen Zugang hat, baut Trainingsumgebungen, die der realen Arbeit entsprechen. Wer nur kopiert, lernt immer vom Zustand von gestern.

US-Labore bündeln Modell, Rechenleistung und Plattform

Westliche Labore, deren Modellvorsprung schwindet, arbeiten intensiv daran, diesen Zugang zu sichern. OpenAI und Anthropic integrieren Modelle, Rechenleistung und Plattformen, um einen umfassenden Stack anzubieten. Beispiele hierfür sind GPT-5.6, das standardmäßig vier Agenten koordiniert, OpenAIs Codex, das mehrere Aufgaben parallel in der Cloud ausführt, und Akquisitionen wie Ona, die sichere Ausführungsumgebungen hinzufügen.

Die Struktur von OpenAIs Tochtergesellschaft DeployCo, die Ingenieure direkt in Unternehmen einbettet, um Erkenntnisse in Produkt und Forschung zurückzuführen, unterstreicht die Ernsthaftigkeit dieses Feedback-Kanals. Auch Nvidia treibt diese Entwicklung von der Hardwareseite voran, indem die neue Vera Rubin Generation Sandbox-Umgebungen für Tool-Calls, Kontextspeicher für langlebige Agenten und Orchestrierung als Teil der Plattform integriert.

Zusätzlich zur Hardware bauen die Labore eine zweite, physische Verteidigungslinie auf: die Compute-Infrastruktur. Greg Brockman von OpenAI betont, dass offene Modelle nicht magisch billig sind, da alles auf der gleichen Hardware läuft. OpenAI investiert in Chips und Rechenzentren, um das günstigste Angebot für jede Aufgabe zu machen. Wenn das Modell zur Ware wird, entscheidet der Preis pro akzeptiertem Ergebnis, und wer den Stack von der Energie über eigene Chips bis zum Modell integriert, drückt diesen Preis.

China kann diese Schicht weder destillieren noch über reguläre Kanäle mieten, da US-Exportkontrollen den Zugang zu neuester Hardware blockieren. Dies führt zu Umgehungslösungen wie Schmuggel oder dem Mieten von Rechenleistung im Ausland. Keines davon ersetzt einen souveränen Stack, weshalb China versucht, einen eigenen zu industrialisieren, indem es mehr Hardware einsetzt. Huawei's CloudMatrix384 verknüpft beispielsweise 384 Ascend-Beschleuniger. Doch mehr Energie ersetzt weder Speichermodule noch Softwarequalität, und die chinesische Politik zielt darauf ab, den eigenen Stack über die Grenzen hinaus zu verbreiten, mit offenen Gewichten als Brücke.

Die Schlussfolgerung ist zweifach: Das Benchmark-Rennen ist für China gewinnbar, aber das industrialisierte Gesamtsystem kann nicht kopiert, sondern nur aufgebaut werden. Dort sind die US-Labore im Vorteil, nicht für immer, aber länger als ein Modellvorteil es wäre. Nur was nicht durch die API passt, ist verteidigungsfähig: das Wissen aus realer Arbeit und die Infrastruktur, um es zu nutzen.

Implikationen für Europa: System-Souveränität als Ziel

Für Europa birgt diese Entwicklung sowohl gute als auch schlechte Nachrichten. Die gute Nachricht ist, dass das Rennen um das stärkste fertige Modell, das Europa am deutlichsten verloren hat, an strategischem Wert verliert, da jedes verkaufte Modell innerhalb von Monaten kopiert wird.

Die schlechte Nachricht wiegt jedoch schwerer: Die Schicht, auf der zukünftig Vorsprünge verteidigt werden, kann nicht heruntergeladen oder abgeschöpft werden. Sie muss aufgebaut werden. Hier ist die Ausgangsposition Europas ungleich. Schätzungen zufolge importiert Europa über 80 Prozent seiner digitalen Infrastruktur, und europäische Anbieter halten nur etwa 15 Prozent des Cloud-Marktes. Das Defizit ist tiefergehend und betrifft sowohl Plattformgiganten als auch die nötigen Kapitalströme für das Modelltraining im Milliardenbereich.

Zudem zeigt sich, dass ein Modell-Deployment auch die Werte des Modells importiert. Eine Studie von NewsGuard bei chinesischen Chatbots zeigte, dass diese in 53 Prozent der Fälle nachweislich falsche pro-chinesische Behauptungen unwidersprochen ließen, während westliche Systeme dies nur in 24 Prozent der Fälle taten. Dies ist gefährlich, da die trainierte Grenze manchmal erst dann sichtbar wird, wenn ein seltenes Thema auf eine reale Entscheidung trifft. Dies kann schnell zu einem Geschäftsproblem werden, wenn beispielsweise Lieferketten- oder Investitionsrisiken auf einer erfundenen Realität basieren.

System-Souveränität benötigt daher auch eine normative Ebene: eine unabhängige Evaluationsinfrastruktur, die neben den Fähigkeiten auch Informationsintegrität und Verweigerungsverhalten misst, sowie die Kapazität, offene Modelle im Post-Training anzupassen. Mistral, als europäischer Modell-Champion, entwickelt sich zu einem Full-Stack-Anbieter und plant, eigene Modelle, eine eigene Plattform und Rechenkapazitäten anzubieten. Dies ist ein Schritt in die richtige Richtung, aber das Angebot ist noch nicht vollständig, und die Konkurrenz baut bereits fehlende Blöcke auf europäischem Boden auf.

Das Problem ist auf dem Papier erkannt, mit Initiativen wie InvestAI und dem Cloud and AI Development Act. Doch die Umsetzung hinkt hinterher, und die Finanzierung ist im Vergleich zu den Investitionen der US-Unternehmen gering. Der Wettbewerbsvorteil basiert auf einem Zyklus: Rechenkapazität trainiert Modelle, Modelle arbeiten in Agentensystemen bei Kunden, und dieses Deployment generiert das Wissen für die nächste Generation. Die Gigafactories decken nur den ersten Schritt ab. Der Zyklus schließt sich nicht im Rechenzentrum, sondern beim Deployment.

Die vollständige Abhängigkeit von amerikanischen und chinesischen Open-Weights-Modellen birgt Risiken. Es gibt keinen Anspruch auf die nächste offene Generation, und deren Veröffentlichung bleibt eine widerrufliche Geschäftsentscheidung. Zudem importiert man die im Modell trainierte Weltsicht, und selbst heimische Modelle führen nicht zur Souveränität, wenn andere Schichten des Stacks von externen Akteuren kontrolliert werden.

Eine entscheidende neue Schicht ist der Zugang zu realer Arbeit. Frei verfügbare Internetdaten sind weitgehend ausgeschöpft. Was Modelle in Zukunft besser macht, ist Expertenwissen, Prozess-Know-how und Deployment-Erfahrung. Wenn diese durch fremde Systeme laufen, zahlt Europa doppelt: Es liefert das Wissen und kauft die Ergebnisse als nächste Modellgeneration zurück. Wenn es durch eigene läuft, wird der größte Einsatzmarkt erstmals zu einem strukturellen Vorteil. Diese Chance verjährt, da Zugang nicht kopiert oder später zurückgekauft werden kann. Sie kann nur beansprucht werden, solange sie noch frei ist. Dies bedeutet, den Kreislauf von Rechenleistung, Modellen und Deployment auf europäischem Boden zu schließen.

Fazit

Die Konvergenz der Benchmarks chinesischer und westlicher KI-Modelle ist ein unbestreitbarer Trend. Der westliche Vorsprung ist auf wenige, spezialisierte Bereiche geschrumpft und wird durch die schnelle Diffusion von Fähigkeiten über APIs zunehmend schwer zu verteidigen. Der Wettbewerb verlagert sich auf die Ebene des Gesamtsystems – der Integration von Modell, Compute-Infrastruktur und dem Feedback-Kanal aus realen Kundenanwendungen. Dies schafft neue Herausforderungen und Chancen. Für Europa ist es entscheidend, eigene Kapazitäten in diesen Bereichen aufzubauen, um digitale Souveränität zu gewährleisten und das immense Potenzial des eigenen Wissensschatzes zu nutzen, anstatt es in fremde Systeme abwandern zu lassen. Die Frage ist nicht länger, ob China aufgeholt hat, sondern was von dem westlichen Vorsprung bleibt und wie dieser zukünftig gesichert werden kann.

Bibliographie

• McNeal, D. L. (2026, 2. August). The U.S. lead over China in AI is all but gone. CNBC.
• Fedas, R. (2026, 17. Juli). China Has Caught Up in Frontier AI. American Enterprise Institute - AEI.
• Schreiner, M. (2026, 20. August). Frontier Radar #4: China has caught up, so what's left of the Western AI lead? THE DECODER.
• Nicol-Schwarz, K. (2026, 7. August). China is gaining ground in AI. The U.S. still has a major advantage. CNBC.
• Xu, Y. (2026, 31. Juli). The Off-Ramp. China AI Dispatch.
• Semafor. (2026, 20. August). China closes the gap in AI race with US.
• The Japan Times. (2026, 4. August). China’s AI blitz creates ‘death zone’ for rival U.S. model makers.
• TechSphere News. (2026, 20. August). China's model catch-up: what's left of the Western AI lead.
• Gnoppix Forum. (2026, 20. August). Frontier Radar #4: China has caught up, so what's left of the Western AI lead?