Drei Märkte statt einer Weltrangliste: Die neue Landschaft der generativen KI

Automatisierung im Unternehmen: Wie KI die Wertschöpfung verändert

Im Oktober 2026 steht der Markt für generative künstliche Intelligenz vor einem grundlegenden Umbruch, der sich nicht mehr durch einfache Ranglisten erfassen lässt. Anhand unterschiedlicher Messgrößen zeigt sich ein vielschichtiges Bild der aktuellen Entwicklungen: Während ChatGPT die Hauptbenutzeroberfläche bleibt, dominieren preisgünstige chinesische Modelle im Datenverkehr über Programmierschnittstellen, und Anthropic hat sich als bedeutender Akteur im Unternehmenssegment etabliert. Dieser facettenreiche Markt ist in mehrere wirtschaftlich unterschiedliche Teilmärkte aufgegliedert, die jeweils eigene Dynamiken und Herausforderungen mit sich bringen.

Eine sorgfältige Analyse der Nutzung von KI-Modellen erfordert eine präzise Klärung der zugrunde liegenden Messgrößen – seien es Nutzerzahlen, Token, Ausgaben oder produktive Arbeitsabläufe. Diese Differenzierung ist entscheidend, um zu verstehen, welche Anbieter tatsächlich wirtschaftlich führen und wo sich Preisdruck entwickelt. OpenAI und Google prägen nach wie vor die sichtbare Konsumentenwelt, doch unter der Oberfläche verlagert sich die operative Last hin zu kostengünstigen Modellen aus China und spezialisierten Systemen für Programmierung und Automatisierung. In dieser komplexen Landschaft wird es für Unternehmen unerlässlich, ihre Strategien zu überdenken und auf eine orchestrierte Nutzung verschiedener Modelle zu setzen, um den sich wandelnden Anforderungen gerecht zu werden.

Der unsichtbare Machtwechsel im KI-Markt

Wer nur auf ChatGPT schaut, versteht die neue KI-Ökonomie nicht

Der weltweite Markt für generative künstliche Intelligenz lässt sich im Oktober 2026 nicht mehr mit einer einzigen Rangliste erklären. Je nach Messgröße entsteht ein anderes Bild: Bei der Reichweite unter Endnutzern liegt ChatGPT klar vorn, beim über Programmierschnittstellen verarbeiteten Datenvolumen dominieren besonders günstige chinesische Modelle, und bei den Ausgaben großer Unternehmen hat sich Anthropic eine außergewöhnlich starke Position erarbeitet. Diese drei Ebenen widersprechen einander nicht. Sie zeigen vielmehr, dass sich der KI-Markt in mehrere wirtschaftlich unterschiedliche Teilmärkte aufgespalten hat.

Die populärste Benutzeroberfläche ist nicht automatisch das meistverwendete Einzelmodell. Das Modell mit dem höchsten Tokenvolumen erzielt nicht zwingend den höchsten Umsatz. Und der Anbieter mit den größten Unternehmensbudgets muss keineswegs die meisten Menschen direkt erreichen. Wer die weltweite Nutzung von KI-Modellen seriös beurteilen will, muss deshalb zuerst klären, ob Nutzer, Besuche, Anfragen, Token, Ausgaben, installierte Systeme oder produktive Arbeitsabläufe gemeint sind.

Diese methodische Unterscheidung ist mehr als eine statistische Fußnote. Sie entscheidet darüber, welche Anbieter wirtschaftlich tatsächlich führen, wo Preisdruck entsteht und welche Geschäftsmodelle tragfähig sind. Die sichtbare Konsumentenwelt wird weiterhin von OpenAI und Google geprägt. Unterhalb dieser Oberfläche verschiebt sich die operative Last jedoch zu preisgünstigen Modellen aus China und zu spezialisierten Systemen für Programmierung, Agenten und automatisierte Prozesse. Im Unternehmensmarkt wiederum konzentriert sich ein großer Teil der zahlungswirksamen Nachfrage auf wenige US-Anbieter mit hoher Leistungsfähigkeit und tief integrierten Entwicklungswerkzeugen.

Drei Märkte statt einer Weltrangliste

Der erste Teilmarkt ist der direkte Zugang der Endnutzer. Hier zählen Websitebesuche, aktive Nutzer, App-Nutzung, Suchanfragen und die Verbreitung eines Dienstes im Alltag. ChatGPT ist in diesem Segment weiterhin die globale Referenz. Je nach Messverfahren liegt sein Anteil am erfassten KI-Chatbot-Verkehr bei rund 55 bis 80 Prozent. Google Gemini folgt mit deutlichem Abstand, erreicht aber je nach Datengrundlage bereits etwa 11 bis 28 Prozent. Die enorme Spannweite zeigt, wie stark das Ergebnis davon abhängt, ob Verweise auf Websites, reine Webbesuche, Apps, Desktop-Programme oder übergreifende Nutzeraktivitäten gemessen werden.

Der zweite Teilmarkt besteht aus dem Zugriff über Programmierschnittstellen. Hier kommuniziert häufig kein Mensch unmittelbar mit dem Modell. Software-Agenten schreiben oder prüfen Code, analysieren Dokumente, erzeugen strukturierte Daten, bearbeiten Supportfälle oder führen mehrstufige Arbeitsabläufe aus. Diese Systeme können in kurzer Zeit Milliarden oder sogar Billionen Token verarbeiten. Ein einzelner Entwickler oder ein automatisierter Agent kann dadurch mehr Datenverkehr erzeugen als Tausende gelegentliche Chatbot-Nutzer. Aus diesem Grund ist Tokenvolumen kein verlässlicher Ersatz für Nutzerzahlen.

Der dritte Teilmarkt ist die betriebliche Wertschöpfung. Entscheidend sind dort nicht Reichweite oder Rohvolumen, sondern Budgets, Integrationen, Sicherheitsanforderungen, Zuverlässigkeit und der wirtschaftliche Nutzen einer Anwendung. Unternehmen zahlen hohe Preise für Modelle, wenn diese Programmieraufgaben zuverlässig lösen, Werkzeuge sicher bedienen, lange Arbeitsabläufe stabil ausführen oder die Kosten menschlicher Nacharbeit senken. Deshalb kann ein teures Modell mit geringerem Tokenanteil wirtschaftlich bedeutender sein als ein extrem günstiges Modell mit deutlich höherem Datenvolumen.

Eine vierte Ebene ergänzt dieses Bild: der Betrieb auf eigener Infrastruktur. Offene oder frei anpassbare Modellfamilien wie Llama, Mistral und Teile des Qwen-Ökosystems werden häufig in privaten Cloud-Umgebungen, Rechenzentren oder abgeschotteten Unternehmensnetzen eingesetzt. Diese Nutzung erscheint in öffentlichen Plattformranglisten nur unvollständig. Gerade in regulierten Branchen, bei sensiblen Produktionsdaten und in staatlichen Anwendungen kann sie aber strategisch wichtiger sein als öffentlich sichtbarer Chatverkehr.

ChatGPT beherrscht die Oberfläche

Im Endkundengeschäft bleibt ChatGPT die klare Nummer eins. Statistische Erhebungen, die ausgehende Verweise von KI-Chatbots auf Websites erfassen, weisen OpenAI einen Anteil von rund 80 Prozent zu. Analysen des weltweiten Websiteverkehrs kommen dagegen auf ungefähr 55 Prozent. Beide Werte können gleichzeitig korrekt sein, weil sie unterschiedliche Verhaltensweisen messen. Wer besonders viele externe Seiten über ChatGPT erreicht, wird in einer verweisbasierten Statistik stärker gewichtet als in einer reinen Besuchsmessung.

Auch die Abgrenzung des Produkts ist wichtig. ChatGPT ist kein einzelnes Modell, sondern eine Plattform, auf der je nach Tarif, Aufgabe und Verfügbarkeit unterschiedliche GPT-Varianten eingesetzt werden. Eine Aussage wie „ChatGPT ist das meistgenutzte KI-Modell“ ist deshalb sprachlich bequem, fachlich aber ungenau. Korrekt ist, dass ChatGPT der meistgenutzte allgemeine KI-Dienst für Endnutzer ist und damit der GPT-Familie eine einzigartige Distribution verschafft.

Diese Distribution ist ein erheblicher wirtschaftlicher Vorteil. Sie erzeugt Gewohnheiten, Markenvertrauen, Daten über reale Anwendungsfälle und eine große Basis potenzieller Abonnenten. Schätzungen von rund einer Milliarde wöchentlichen Nutzern verdeutlichen die Größenordnung, sollten aber nicht mit einer exakt vergleichbaren Zahl zahlender oder täglich aktiver Nutzer verwechselt werden. Ebenso wenig bedeutet eine hohe Reichweite automatisch, dass OpenAI in jedem Unternehmenssegment oder bei jedem technischen Arbeitsablauf führt.

OpenAI profitiert dennoch von einem starken Rückkopplungseffekt. Eine große Nutzerbasis erleichtert die Verbreitung neuer Funktionen, zieht Entwickler an und macht ChatGPT zum Standardzugang für Menschen, die generative KI erstmals ausprobieren. Die Plattform wird dadurch zu einer Art Betriebssystem für allgemeine KI-Interaktion. Dieser Vorteil ist real, aber nicht unangreifbar, weil konkurrierende Dienste direkt in Suchmaschinen, Smartphones, Bürosoftware und Unternehmensplattformen eingebettet werden können.

Gemini wächst über die Distribution

Google Gemini ist bei Endnutzern die klare Nummer zwei. Je nach Messverfahren erreicht Gemini ungefähr 11 Prozent der von KI-Systemen ausgehenden Websiteverweise oder mehr als ein Viertel der Besuche eigenständiger KI-Angebote. Der Unterschied ist erneut methodisch bedingt. Entscheidend ist weniger die exakte Zahl als die Richtung: Gemini hat seinen Anteil deutlich ausgebaut und profitiert von Googles enormer Reichweite über Suche, Android, Workspace, Cloud und weitere Dienste.

Die ökonomische Stärke von Gemini liegt in dieser Einbettung. Google muss Nutzer nicht ausschließlich über eine eigenständige Chatoberfläche gewinnen. Das Unternehmen kann generative KI als Funktion innerhalb bestehender Produkte verteilen. Dadurch verschwimmt die Grenze zwischen klassischer Suche, Assistent, Bürosoftware und KI-Agent. Ein Teil der Gemini-Nutzung wird daher in Statistiken zu eigenständigen Chatbots gar nicht vollständig sichtbar.

Für OpenAI ist diese Entwicklung strategisch relevant. ChatGPT bleibt zwar größer, doch die Distanz nimmt in einigen Messungen ab. Gleichzeitig steigt die Mehrfachnutzung: Viele Anwender verwenden nicht mehr nur einen Assistenten, sondern wählen je nach Aufgabe zwischen ChatGPT, Gemini, Claude, Perplexity, Grok oder spezialisierten Werkzeugen. Der Markt entwickelt sich damit von einem dominanten Einzelprodukt zu einem Portfolio aus austauschbaren und teilweise komplementären Diensten.

Gemini besitzt zudem einen Vorteil bei multimodalen und produktnahen Anwendungen. Wenn ein Modell Zugriff auf E-Mails, Dokumente, Kalender, Suchdaten, Videos oder Smartphone-Funktionen erhält, entsteht Nutzen nicht allein durch die Qualität des Sprachmodells, sondern durch Kontext und Integration. Der Wettbewerb verschiebt sich deshalb von der isolierten Modellintelligenz zur Kontrolle der Benutzeroberfläche, der Datenzugänge und der Arbeitsprozesse.

DeepSeek führt die Maschinenökonomie

Während ChatGPT die sichtbare Nutzerwelt dominiert, führt DeepSeek V4.1 Flash beim über OpenRouter verarbeiteten Tokenvolumen. In aktuellen Zeitfenstern entfällt ungefähr ein Viertel des dort gemessenen Datenverkehrs auf dieses Einzelmodell; zeitweise wurden mehr als 40 Billionen Token innerhalb einer Woche verarbeitet. Damit ist DeepSeek nicht zwingend der Dienst mit den meisten Menschen, wohl aber ein zentraler Akteur in der automatisierten Maschinenökonomie.

Der Namenszusatz Flash beschreibt den entscheidenden Markttrend. Viele produktive Aufgaben benötigen nicht bei jedem Schritt das teuerste und leistungsstärkste Modell. Klassifikation, Datenextraktion, einfache Codeänderungen, Zusammenfassungen, Übersetzungen, Vorprüfungen und wiederkehrende Agentenschritte lassen sich oft mit schnellen und günstigen Systemen bewältigen. Wenn ein Arbeitsablauf Hunderte Modellaufrufe enthält, wird der Preis pro Token zu einem wesentlichen Wettbewerbsfaktor.

DeepSeek steht damit für eine Verschiebung von maximaler Intelligenz zu wirtschaftlich ausreichender Intelligenz. Unternehmen und Entwickler optimieren nicht nur die Qualität einer einzelnen Antwort, sondern den Gesamtertrag eines Prozesses. Ein Modell, das etwas schwächer, aber erheblich billiger und schneller ist, kann bei großen Volumina den höheren betriebswirtschaftlichen Wert erzeugen. Das gilt besonders dann, wenn anspruchsvolle Fälle automatisch an ein stärkeres Modell weitergeleitet werden.

Diese Kaskadierung verändert den Markt. Das Spitzenmodell wird zum Eskalationsdienst für schwierige Aufgaben, während günstige Modelle den Großteil der Routinearbeit übernehmen. In einer solchen Architektur sinkt der Anteil der teuersten Systeme am Tokenvolumen, ohne dass ihre strategische Bedeutung vollständig verschwindet. Sie setzen weiterhin die Leistungsgrenze, doch die Massenproduktion wandert in preisgünstigere Modellklassen.

Chinas Preisoffensive verändert die Kostenkurve

Die auffälligste ökonomische Verschiebung des Jahres 2026 ist der Aufstieg chinesischer Modelle im API-Verkehr. Im September entfielen schätzungsweise rund 65 Prozent der über OpenRouter verarbeiteten Token auf chinesische Anbieter, aber nur etwa 30 Prozent der entsprechenden Ausgaben. Zu Jahresbeginn war das Verhältnis beinahe umgekehrt: US-Anbieter hielten einen deutlich höheren Anteil am Volumen und fast die gesamten Erlöse.

Der Grund liegt in einer Preisdifferenz von ungefähr 80 Prozent gegenüber vergleichbaren US-Angeboten. Diese Differenz ist so groß, dass sie nicht nur Anbieter austauscht, sondern zusätzliche Nachfrage erzeugt. Sobald Inferenz deutlich billiger wird, werden Prozesse automatisiert, die zuvor wirtschaftlich nicht sinnvoll waren. Entwickler lassen Agenten länger arbeiten, erzeugen mehrere Lösungsvorschläge, prüfen Ergebnisse häufiger und verarbeiten größere Datenbestände. Sinkende Stückkosten führen dadurch nicht automatisch zu sinkenden Gesamtausgaben, sondern können den Verbrauch überproportional erhöhen.

Dieses Muster entspricht dem Jevons-Paradoxon: Effizienzsteigerungen reduzieren den Ressourcenverbrauch nicht zwingend, wenn die günstigere Nutzung neue Anwendungen hervorbringt. Bei KI ist dieser Effekt besonders stark, weil Token keine physisch knappe Einheit im klassischen Sinn sind. Sie bilden Rechenleistung ab, deren Grenzkosten durch bessere Chips, Quantisierung, Modellarchitekturen und intensiveren Wettbewerb laufend sinken können. Je billiger ein intelligenter Arbeitsschritt wird, desto mehr solcher Schritte werden in Software eingebaut.

Für chinesische Anbieter entsteht daraus ein volumenorientiertes Geschäftsmodell. Niedrige Preise beschleunigen die Verbreitung, erhöhen die Abhängigkeit von Schnittstellen und schaffen Erfahrungsdaten aus realen Anwendungen. Allerdings bleibt die Umsatzlücke zu US-Anbietern groß. Hoher Datenverkehr bedeutet deshalb noch keine entsprechende Ertragskraft. Langfristig entscheidet, ob Anbieter ihre Preise stabilisieren, Zusatzdienste verkaufen und das Vertrauen internationaler Unternehmen gewinnen können.

GLM, Qwen, MiMo und Hy4 bilden die zweite Angriffslinie

DeepSeek ist nicht der einzige chinesische Gewinner. Z.ai hat mit GLM 5.3 Flash zeitweise rund 13 Prozent der Anfragen beziehungsweise einen hohen einstelligen Anteil des Tokenvolumens erreicht und innerhalb kurzer Zeit starke Wachstumsraten verzeichnet. Xiaomi MiMo-V2.6-Flash gehörte ebenfalls zu den fünf meistgenutzten Modellen auf OpenRouter. Tencent Hy4 erreichte in 30-Tage-Auswertungen einen der vorderen Plätze, während Alibaba Qwen eine breite Entwicklerbasis und besondere Stärke bei multimodalen Anwendungen besitzt.

Diese Vielfalt ist strategisch bedeutend. Der Wettbewerb findet nicht mehr nur zwischen einem US-amerikanischen und einem chinesischen Spitzenanbieter statt. Stattdessen entsteht in China ein dichtes Ökosystem aus Internetkonzernen, Geräteherstellern, spezialisierten KI-Unternehmen und offenen Modellprojekten. Anbieter können ihre Modelle über Cloud-Dienste, Smartphones, Unternehmenssoftware, E-Commerce, soziale Plattformen oder Entwicklergemeinschaften verbreiten.

Qwen zeigt, wie breit das Feld geworden ist. Die Modellfamilie wird sowohl für Text- und Programmieraufgaben als auch für Bild- und Videoanwendungen eingesetzt. In einzelnen Plattformauswertungen erreicht Qwen bei generativen Medien eine führende Position. Das erweitert den Wettbewerb von Sprachmodellen auf Produktionsketten für Marketing, Design, Produktvisualisierung und Videoinhalte.

Xiaomi wiederum kann KI mit einem großen Geräteökosystem verbinden. MiMo muss daher nicht ausschließlich als unabhängige API profitabel sein. Das Modell kann Smartphones, Fahrzeuge, Haushaltsgeräte und persönliche Assistenten aufwerten. Tencent besitzt mit Hy4 ebenfalls Zugänge zu Kommunikation, Unterhaltung, Cloud und Unternehmen. Diese vertikale Distribution senkt die Kosten der Kundengewinnung und macht reine API-Ranglisten nur zu einem Ausschnitt der tatsächlichen Marktposition.

Xpert.Digital ist ein von Konrad Wolfenstein geführter, datengetriebener B2B-Industry-Hub. Das Unternehmen agiert als externe Quasi-Inhouse-Lösung für Industriepartner und schließt operative Lücken in Marketing, Content und Vertrieb – ohne zusätzlichen Ressourcenaufbau auf Kundenseite.

Mehr dazu hier:

• Die Quasi-Inhouse-Lösung: Wie Xpert.Digital operative Lücken in B2B-Marketing und Vertrieb schließt – Smart Content-Driven Business

Anthropic monetarisiert Qualität statt Masse

Anthropic liefert das stärkste Gegenbeispiel zur Gleichsetzung von Volumen und wirtschaftlicher Führung. Im allgemeinen Endkundengeschäft liegt Claude deutlich hinter ChatGPT und Gemini. Auch beim gesamten OpenRouter-Tokenvolumen führen günstigere Modelle. Bei den Ausgaben US-amerikanischer Unternehmen für produktiv eingesetzte LLM-Schnittstellen erreichte Anthropic jedoch rund 40 Prozent und lag damit vor OpenAI mit etwa 27 Prozent und Google mit rund 21 Prozent.

Diese Position ist vor allem auf Programmierung und agentische Arbeitsabläufe zurückzuführen. Claude-Modelle haben sich in Entwicklungsumgebungen, Code-Assistenten und Werkzeugketten tief etabliert. In Erhebungen zum Unternehmensmarkt erreichte Anthropic bei Programmieraufgaben mehr als die Hälfte der Ausgaben, während OpenAI auf ungefähr ein Fünftel kam. Unternehmen zahlen dabei nicht für abstrakte Benchmarkpunkte, sondern für kürzere Entwicklungszeiten, weniger Fehler und zuverlässig ausführbare Arbeitsabläufe.

Die wirtschaftliche Logik unterscheidet sich von der Strategie der Flash-Modelle. Anthropic konkurriert über hohe Wertschöpfung pro Aufruf. Wenn ein teures Modell eine Aufgabe mit weniger Korrekturschleifen erledigt oder einen Entwickler eine Stunde früher zum Ergebnis bringt, kann ein hoher Tokenpreis betriebswirtschaftlich unbedeutend sein. Die relevantere Kennzahl ist dann nicht der Preis pro Million Token, sondern der Preis pro erfolgreich abgeschlossenem Arbeitsvorgang.

Allerdings beziehen sich die bekannten Unternehmenszahlen auf befragte US-Entscheider und modellierte Ausgaben. Sie dürfen nicht ohne Weiteres als weltweiter Marktanteil interpretiert werden. In Europa, China, Indien oder dem Nahen Osten können Datenschutz, lokale Cloud-Angebote, Regulierung und Preisempfindlichkeit zu anderen Ergebnissen führen. Gleichwohl zeigt Anthropics Aufstieg, dass spezialisierte Stärke in einem wertvollen Anwendungsfeld ein tragfähigeres Geschäftsmodell sein kann als maximale Reichweite.

Programmier-Agenten verzerren jede einfache Rangliste

Ein wesentlicher Teil des API-Wachstums stammt von Programmier-Agenten. Diese Systeme lesen große Codebasen, planen Änderungen, erzeugen Dateien, führen Tests aus, analysieren Fehlermeldungen und wiederholen den Prozess. Jeder Schritt kann umfangreiche Eingaben und Ausgaben verursachen. Ein einziger Auftrag erzeugt dadurch möglicherweise Millionen Token, obwohl nur ein Mensch beteiligt ist.

OpenRouter-Ranglisten messen genau diese verarbeiteten Token und nicht die Anzahl der Nutzer. Sie bilden reale Nutzung ab, aber eben nur die Nutzung, die über diese Plattform läuft. Direkte Verträge mit OpenAI, Anthropic, Google oder chinesischen Cloud-Anbietern fehlen ebenso wie lokal ausgeführte Modelle. Kostenlose Varianten können das Volumen zusätzlich erhöhen, ohne einen proportionalen Umsatz zu erzeugen.

Die Plattform ist dennoch ein wertvoller Frühindikator. Sie zeigt, welche Modelle Entwickler tatsächlich auswählen, wenn Preise und Anbieter relativ einfach vergleichbar sind. Besonders in offenen Agenten-Ökosystemen wechseln Nutzer schnell zu einem günstigeren oder leistungsfähigeren Modell. Dadurch werden Veränderungen früher sichtbar als in langfristigen Unternehmensverträgen.

Für die Interpretation gilt jedoch eine klare Grenze: Ein Token ist keine standardisierte wirtschaftliche Leistungseinheit. Modelle tokenisieren Texte unterschiedlich, Aufgaben haben unterschiedliche Schwierigkeitsgrade und Ausgaben können sehr verschieden lang sein. Auch Caching, Stapelverarbeitung und interne Denkprozesse beeinflussen Kosten und Volumen. Eine Rangliste nach Token misst Aktivität, nicht automatisch Produktivität.

Die Spitzenmodelle verlieren die Routinearbeit

Besonders bemerkenswert ist der sinkende Anteil der leistungsstärksten Modelle am gesamten Datenverkehr. Im dritten Quartal 2026 entfielen in einzelnen Auswertungen nur noch etwa 14 Prozent der Nutzung auf die zehn leistungsfähigsten Modelle. Im ersten Quartal des Vorjahres waren es noch rund 55 Prozent. Diese Verschiebung deutet nicht auf einen Bedeutungsverlust intelligenter Spitzenmodelle hin, sondern auf eine Reifung des Marktes.

In der frühen Phase generativer KI wurde für fast jede Aufgabe das beste verfügbare Modell eingesetzt. Die Unsicherheit war groß, Optimierungswerkzeuge fehlten und Unternehmen wollten zunächst maximale Qualität. Mit zunehmender Erfahrung zerlegen Entwickler Anwendungen in Teilaufgaben und ordnen jedem Schritt ein passendes Modell zu. Einfache Tätigkeiten wandern zu Flash-, Mini- oder Open-Weight-Systemen, während komplexe Planung, schwierige Fehleranalyse und hochwertige Kommunikation bei Frontier-Modellen verbleiben.

Dieser Prozess ähnelt der Entwicklung des Cloud-Computings. Unternehmen verwenden nicht für jede Arbeitslast die teuerste Recheninstanz. Sie kombinieren leistungsfähige Systeme für Spitzenlasten mit günstigeren Ressourcen für Standardaufgaben. Bei KI entsteht daraus ein Modellrouting, das Qualität, Geschwindigkeit, Datenschutz und Kosten dynamisch abwägt.

Die Folge ist ein intensiver Preisdruck im mittleren Leistungssegment. Dort sind Modelle am leichtesten austauschbar. Anbieter müssen sich über Latenz, lange Kontextfenster, Werkzeugnutzung, spezielle Sprachen oder Branchenwissen differenzieren. Wer lediglich durchschnittliche Textqualität liefert, läuft Gefahr, in einen Rohstoffmarkt mit sinkenden Margen zu geraten.

Open Source bleibt der unsichtbare Gegenspieler

Meta Llama, Mistral und andere offen verfügbare Modellfamilien sind in öffentlichen Nutzungsstatistiken systematisch unterrepräsentiert. Unternehmen können sie herunterladen, anpassen und in eigener Infrastruktur betreiben. Jeder lokal verarbeitete Token verschwindet aus den Ranglisten kommerzieller Schnittstellen. Deshalb ist die Aussage, Llama sei eine der verbreitetsten Grundlagen für selbst betriebene Modelle, plausibel, aber nur schwer weltweit exakt zu quantifizieren.

Der wirtschaftliche Nutzen eigener Modelle liegt in Kontrolle und Planbarkeit. Unternehmen behalten sensible Daten im eigenen Netzwerk, können Modelle an Fachsprache anpassen und vermeiden eine vollständige Abhängigkeit von externen Schnittstellen. Bei dauerhaft hohen Auslastungen kann eigener Betrieb günstiger sein. Dem stehen Investitionen in Hardware, Energie, Personal, Wartung und Aktualisierung gegenüber.

Für Europa besitzt dieser Bereich besondere Bedeutung. Mistral kann von Anforderungen an Datensouveränität, europäische Infrastruktur und regulatorische Nachvollziehbarkeit profitieren. Der Anbieter konkurriert nicht nur über Modellqualität, sondern über geografische und rechtliche Nähe. In Behörden, Industrie, Verteidigung, Finanzwesen und kritischer Infrastruktur kann dieser Vorteil wichtiger sein als ein geringer Benchmarkabstand.

Open-Weight-Modelle erhöhen zugleich den Druck auf proprietäre Anbieter. Selbst wenn Unternehmen sie nicht vollständig selbst betreiben, schaffen sie eine glaubwürdige Ausweichmöglichkeit. Das begrenzt Preise, erleichtert Multi-Modell-Strategien und verhindert, dass ein einzelner Anbieter die gesamte Wertschöpfung kontrolliert.

Die wirtschaftlich sinnvollste Top Ten

Eine zusammengeführte Rangliste muss mehrere Messgrößen berücksichtigen und bleibt deshalb eine begründete Gesamteinschätzung statt eines objektiv gemessenen Endergebnisses. An der Spitze steht die OpenAI-GPT-Familie wegen der Reichweite von ChatGPT, der starken Unternehmenspräsenz und der breiten Entwicklerbasis. Google Gemini folgt aufgrund seiner Endnutzerposition und der einzigartigen Distribution über das Google-Ökosystem.

DeepSeek gehört wegen des höchsten sichtbaren API-Volumens auf Rang drei. Anthropic Claude folgt trotz geringerer Konsumentenreichweite unmittelbar dahinter, weil das Unternehmen einen besonders großen Anteil der Unternehmensausgaben und der hochwertigen Programmierarbeit erfasst. Z.ai GLM nimmt aufgrund seines schnell gewachsenen Flash-Volumens einen Platz in der Spitzengruppe ein.

Alibaba Qwen folgt wegen seiner breiten Modellfamilie, der Entwicklerverbreitung und der Stärke bei multimodalen Anwendungen. Meta Llama beziehungsweise das erweiterte Muse-Ökosystem bleibt durch den Betrieb auf eigener Infrastruktur und die Rolle offener Modelle strategisch relevant. Xiaomi MiMo gehört wegen seines hohen API-Volumens und der Verbindung zu einem großen Geräteökosystem in die Top Ten.

xAI Grok besitzt vor allem in den USA eine sichtbare Nutzerbasis und profitiert von der Einbindung in eine reichweitenstarke soziale Plattform. Den letzten Platz teilen sich in einer Gesamtsicht Tencent Hy4 und Mistral: Hy4 überzeugt durch hohes aktuelles Tokenvolumen, Mistral durch seine Position in Europa, offene Modelle und souveräne Unternehmenslösungen. Eine starre Reihenfolge zwischen diesen Anbietern wäre angesichts der unterschiedlichen Messgrößen künstlich.

Microsoft Phi sollte dagegen nicht ohne belastbare Nutzungsdaten in eine weltweite Top Ten aufgenommen werden. Die Modellfamilie ist technisch und strategisch relevant, doch Relevanz allein ersetzt keinen Nachweis für hohe tatsächliche Nutzung. Diese Unterscheidung ist wichtig, weil Ranglisten sonst leicht zu einer Mischung aus Bekanntheit, Qualität und realer Verwendung werden.

Umsatz, Volumen und Wert driften auseinander

Die zentrale ökonomische Erkenntnis lautet, dass sich Nutzung und Monetarisierung entkoppeln. Chinesische Anbieter gewinnen über niedrige Preise enorme Mengen, während US-Anbieter einen überproportionalen Anteil der Ausgaben behalten. Anthropic kann mit deutlich weniger Token mehr Unternehmenswert abschöpfen als viele Volumenführer. OpenAI wiederum monetarisiert sowohl Verbraucherabonnements als auch APIs und Unternehmensverträge.

Diese Struktur schafft unterschiedliche Risiken. Volumenanbieter müssen dauerhaft niedrige Stückkosten erreichen und gleichzeitig genügend Umsatz pro Kunde erzielen. Premiumanbieter müssen beweisen, dass ihr Qualitätsvorsprung die höheren Preise rechtfertigt. Plattformanbieter wie Google können KI teilweise querfinanzieren, um ihr bestehendes Werbe-, Cloud- oder Produktivitätsgeschäft zu schützen.

Für Investoren und Unternehmensstrategen ist deshalb der reine Marktanteil nur begrenzt aussagekräftig. Wichtiger sind Umsatz pro Token, Bruttomarge, Kundenbindung, Integrationsgrad und die Kosten eines Anbieterwechsels. Ebenso relevant ist, welcher Anteil der Nutzung in produktive Prozesse eingebettet ist. Ein experimenteller Chat erzeugt weniger dauerhaften Wert als ein Modell, das täglich Bestellungen prüft, Software testet oder Produktionsdaten analysiert.

Langfristig dürfte sich der Markt in drei Preiszonen gliedern. Frontier-Modelle verlangen hohe Preise für schwierige Aufgaben. Effizienzmodelle konkurrieren über Geschwindigkeit und Kosten. Lokal betriebene oder spezialisierte Modelle bieten Kontrolle und Anpassung. Erfolgreiche Unternehmen werden diese Zonen nicht getrennt betrachten, sondern in einer gemeinsamen Architektur kombinieren.

Was der Machtkampf für Unternehmen bedeutet

Für Unternehmen ist die wichtigste Konsequenz eine Abkehr von der Ein-Modell-Strategie. Wer sämtliche Aufgaben an denselben Anbieter bindet, zahlt möglicherweise zu viel, akzeptiert unnötige Abhängigkeiten und verschenkt Qualitätsvorteile spezialisierter Systeme. Sinnvoller ist eine orchestrierte Umgebung, in der verschiedene Modelle nach Aufgabe, Risikoklasse und Kosten ausgewählt werden.

Ein logistischer Arbeitsablauf kann beispielsweise eingehende Dokumente mit einem günstigen Flash-Modell klassifizieren, sensible Daten lokal extrahieren und nur komplexe Abweichungen an ein leistungsfähiges Frontier-Modell weitergeben. Ein Programmier-Agent kann Routineänderungen preisgünstig durchführen, während schwierige Architekturfragen von Claude, GPT oder einem anderen Spitzenmodell bearbeitet werden. Dadurch sinken Kosten, ohne die Qualität kritischer Entscheidungen zu gefährden.

Die Auswahl sollte anhand konkreter Prozesskennzahlen erfolgen. Dazu gehören die Erfolgsquote vollständiger Aufgaben, die notwendige menschliche Nacharbeit, Latenz, Ausfallrisiko, Datenschutz und Gesamtkosten pro Vorgang. Ein günstiger Tokenpreis kann täuschen, wenn ein Modell mehr Wiederholungen benötigt. Umgekehrt ist ein teures Modell unwirtschaftlich, wenn seine zusätzliche Qualität bei einer einfachen Aufgabe keinen messbaren Nutzen bringt.

Unternehmen benötigen daher eigene Evaluationssysteme. Öffentliche Benchmarks liefern Orientierung, ersetzen aber keine Tests mit echten Dokumenten, Fachsprachen und Fehlerfolgen. Besonders in Industrie, Logistik und B2B-Kommunikation hängen Ergebnisse stark von Datenqualität, Prozessintegration und Domänenwissen ab. Das beste allgemeine Modell ist nicht automatisch das beste Modell für einen konkreten Betrieb.

Geopolitik wird Teil der Modellarchitektur

Der Aufstieg chinesischer Modelle macht KI-Beschaffung zu einer geopolitischen Entscheidung. Niedrige Preise und hohe Leistungsfähigkeit sprechen für ihren Einsatz. Gleichzeitig müssen Unternehmen Datenschutz, Exportkontrollen, rechtliche Zuständigkeiten, Lieferfähigkeit und politische Risiken bewerten. Diese Faktoren unterscheiden sich je nach Branche und Land erheblich.

Eine pauschale Ablehnung chinesischer Modelle wäre ökonomisch kurzsichtig, weil sie wichtige Kosten- und Innovationsvorteile ignoriert. Eine unkritische Abhängigkeit wäre ebenso problematisch. Die sachgerechte Antwort ist eine risikobasierte Architektur: unkritische, volumenstarke Aufgaben können auf günstigen Modellen laufen, während sensible Daten und strategische Prozesse in kontrollierten Umgebungen verbleiben.

Auch US-Anbieter sind nicht frei von Abhängigkeitsrisiken. Preisänderungen, technische Umstellungen, Kontingente oder neue Nutzungsbedingungen können Geschäftsmodelle unmittelbar beeinflussen. Multi-Cloud- und Multi-Modell-Fähigkeit wird deshalb zu einer Form digitaler Resilienz. Unternehmen sollten Schnittstellen abstrahieren, Datenformate standardisieren und den Wechsel zwischen Modellen regelmäßig testen.

Europa besitzt in diesem Wettbewerb eine schwierige, aber nicht aussichtslose Position. Der Kontinent verfügt nicht über die gleiche Plattformmacht wie die USA oder die gleiche preisorientierte Skalierung wie China. Er kann sich jedoch über industrielle Daten, spezialisierte Anwendungen, vertrauenswürdige Infrastruktur und rechtliche Sicherheit differenzieren. Mistral und europäische Cloud-Anbieter sind deshalb weniger als direkte Kopie globaler Chatbot-Plattformen zu betrachten, sondern als Bausteine einer souveränen Unternehmensarchitektur.

Das neue Zentrum liegt im automatisierten Prozess

Die öffentliche Debatte konzentriert sich noch stark auf Chatbots und ihre Antworten. Das größere ökonomische Potenzial entsteht jedoch in Prozessen, die Nutzer kaum sehen. Agenten prüfen Rechnungen, planen Transporte, analysieren Maschinenmeldungen, schreiben Software, erstellen Angebote und überwachen Lieferketten. Dort zählt nicht, welches Modell die bekannteste Marke besitzt, sondern welches System zuverlässig, schnell und kostengünstig arbeitet.

Für Logistik und Industrie ist diese Verschiebung besonders relevant. Beide Branchen erzeugen große Mengen strukturierter und unstrukturierter Daten, arbeiten mit knappen Margen und besitzen viele wiederkehrende Entscheidungen. Günstige Modelle können Dokumente, E-Mails, Sensordaten und Auftragsinformationen vorverarbeiten. Leistungsstarke Modelle übernehmen Ausnahmen, Verhandlungen oder komplexe Planungsfragen.

Damit verändert sich auch die Rolle von Managed AI. Der wirtschaftliche Mehrwert liegt nicht mehr nur im Zugang zu einem Modell, sondern in Auswahl, Routing, Überwachung, Sicherheit und laufender Optimierung. Ein Dienstleister, der Modelle flexibel kombiniert und ihre Leistung im realen Prozess misst, kann mehr Wert schaffen als ein Anbieter, der lediglich eine einzelne Schnittstelle weiterverkauft.

Der Wettbewerb der Modelle führt somit zu einer neuen Abstraktionsschicht. Unternehmen kaufen langfristig weniger „ein Modell“ als eine garantierte Ergebnisqualität. Im Hintergrund kann der technische Anbieter wechseln, solange Kosten, Datenschutz und Leistung eingehalten werden. Diese Entwicklung schwächt die Bindung an einzelne Modellnamen und stärkt Orchestrierungsplattformen sowie branchenspezifische Anwendungen.

Der Marktführer hängt von der Frage ab

Eine seriöse Antwort auf die Frage nach den meistgenutzten KI-Modellen muss deshalb mehrteilig ausfallen. Bei Endnutzern führt ChatGPT, mit Gemini auf Rang zwei. Beim sichtbaren API-Tokenvolumen liegt DeepSeek V4.1 Flash vorn, gefolgt von weiteren günstigen chinesischen Modellen wie GLM, MiMo und Hy4. Bei den Unternehmensausgaben für Modell-APIs besitzt Anthropic eine Spitzenposition, insbesondere aufgrund seiner Stärke in der Programmierung.

Die Unterschiede zwischen den Messungen sind kein Mangel, sondern die wichtigste Information. Statcounter misst andere Handlungen als Similarweb. OpenRouter erfasst eine bestimmte Entwicklerplattform und keine weltweite Vollerhebung. Unternehmensstudien bilden Budgets ausgewählter Entscheider ab und nicht die gesamte globale Wirtschaft. Jede Zahl beantwortet eine andere Frage.

Die begründete Perspektive lautet daher: OpenAI führt bei Marke und direkter Reichweite, Anthropic bei hochwertiger Unternehmensmonetarisierung, Google bei integrierter Distribution und chinesische Anbieter bei der preisgetriebenen Skalierung automatisierter Arbeit. Meta, Mistral und offene Modellfamilien sichern die strategische Alternative des Eigenbetriebs.

Der entscheidende Machtwechsel besteht nicht darin, dass ein einzelner Anbieter ChatGPT bereits verdrängt hätte. Er besteht darin, dass die Masse der maschinellen Arbeit zunehmend von anderen Modellen erledigt wird als denjenigen, die die öffentliche Wahrnehmung dominieren. Wer nur die bekannteste Oberfläche betrachtet, übersieht den Teil des Marktes, in dem Kostenkurven, Automatisierung und industrielle Wertschöpfung neu verteilt werden.

Im industriellen B2B entstehen tragfähige Geschäftsbeziehungen selten über Nacht. Sie entwickeln sich Schritt für Schritt – über Sichtbarkeit, fachliche Relevanz, wiederkehrende Berührungspunkte und wachsendes Vertrauen. Das 4-Stufen-Modell von Xpert.Digital setzt genau hier an: Es bietet einen strukturierten Weg, der mit einem überschaubaren Einstieg beginnt und sich bei Bedarf zu einer vertieften Zusammenarbeit im Business Development entwickeln kann.

Statt auf laute Marketingversprechen zu setzen, rückt dieses Modell die Beziehung in den Mittelpunkt. Unternehmen steigen mit klar umrissenen, gut kalkulierbaren Maßnahmen ein und entscheiden dann auf Basis eigener Erfahrung, wie weit sie die Zusammenarbeit ausbauen möchten. Ein wesentlicher Faktor für diesen ungestörten Vertrauensaufbau: Die Plattform verzichtet komplett auf nervige Werbe-Ads, sodass der redaktionelle Fokus allein auf der Expertise der Unternehmen liegt.

Mehr dazu hier:

• Von Sichtbarkeit zu Vertrauen: Ihr skalierbarer Weg mit Xpert.Digital

☑️ Unsere Geschäftssprache ist Englisch oder Deutsch

☑️ NEU: Schriftverkehr in Ihrer Landessprache!

 

Gerne stehe ich Ihnen und mein Team als persönlicher Berater zur Verfügung.

Sie können mit mir Kontakt aufnehmen, indem Sie hier das Kontaktformular ausfüllen oder rufen Sie mich einfach unter +49 7348 4088 965 an. Meine E-Mail Adresse lautet: wolfenstein∂xpert.digital

Ich freue mich auf unser gemeinsames Projekt.

 

 

☑️ KMU Support in der Strategie, Beratung, Planung und Umsetzung

☑️ Erstellung oder Neuausrichtung der Digitalstrategie und Digitalisierung

☑️ Ausbau und Optimierung der internationalen Vertriebsprozesse

☑️ Globale & Digitale B2B-Handelsplattformen

☑️ Pioneer Business Development / Marketing / PR / Messen