Kimi K3 ist nicht die Bedrohung, für die es gehalten wird

Etwa alle anderthalb Jahre macht an den Märkten dieselbe Sorge die Runde: Die enormen Investitionen in führende KI-Labore könnten sich als Blase erweisen, die von einem chinesischen Wettbewerber zum Platzen gebracht wird. Anfang 2025 war es DeepSeek R1, das diese Befürchtungen auslöste. Nun richtet sich die Aufmerksamkeit auf Kimi K3 von Moonshot AI, ein Mixture-of-Experts-Modell mit 2,8 Billionen Parametern und einem Kontextfenster von einer Million Tokens. Den von Moonshot veröffentlichten Benchmarks zufolge übertrifft es Claude Opus 4.8 in einer Vielzahl von Tests, bleibt jedoch hinter den Spitzenmodellen Claude Fable 5 und GPT-5.6 Sol zurück. Die Reaktion der Märkte ließ nicht lange auf sich warten: KI-bezogene Aktien gerieten unter Druck, begleitet von zahlreichen Kommentaren, die bereits von einem möglichen „DeepSeek 2.0“ sprachen.

Dabei lohnt sich ein Blick darauf, was nach DeepSeek tatsächlich passiert ist. Anfang 2025 herrschte die Befürchtung, ein leistungsfähiges, frei verfügbares und lokal betreibbares Modell könnte die wirtschaftliche Grundlage der westlichen KI-Wertschöpfungskette infrage stellen – von Grafikprozessoren über Rechenzentren und Energieinfrastruktur bis hin zu den KI-Laboren selbst. Rund anderthalb Jahre später zeigt sich jedoch ein anderes Bild: Die Investitionen in KI-Infrastruktur sind deutlich gestiegen, nicht gesunken. Gleichzeitig erwirtschaften die führenden KI-Unternehmen höhere Umsätze denn je. Unseren Schätzungen zufolge erzielt die Branche inzwischen annualisierte Erlöse von rund 175 Milliarden US-Dollar, während OpenAI und Anthropic ihre gemeinsamen Umsätze im selben Zeitraum von etwa 8 Milliarden auf rund 110 Milliarden US-Dollar gesteigert haben. DeepSeek hat die Erwartungen an die Branche also nicht zunichtegemacht. Rückblickend war das Modell vielmehr ein bedeutender technologischer Fortschritt, der die Effizienzgrenzen des KI-Trainings verschoben hat, ohne die Marktführer von ihrer Spitzenposition zu verdrängen.

Kimi K3 ist nicht DeepSeek

Genau an diesem Punkt gerät der Vergleich ins Wanken. Denn Kimi K3 ist in nahezu jeder Hinsicht das Gegenteil von DeepSeek.

Die eigentliche Sorge rund um DeepSeek bestand darin, dass das Modell den Bedarf an aufwendiger KI-Infrastruktur verringern könnte. Es war klein und kosteneffizient genug, um lokal auf vergleichsweise einfacher Hardware betrieben zu werden. Damit schien erstmals denkbar, die Abhängigkeit von Nvidia, den großen Cloud-Anbietern und der zugrunde liegenden Infrastruktur deutlich zu reduzieren. Kimi K3 verfolgt hingegen einen völlig anderen Ansatz. Mit mehr als 2,8 Billionen Parametern gehört es zu den größten KI-Modellen überhaupt. Nach Angaben von Moonshot AI benötigt das Modell für einen effizienten Betrieb einen Verbund von 64 der neuesten Nvidia-Chips. Allein die Modellgewichte beanspruchen rund 1,4 Terabyte Speicher, sodass bereits zweistellige H200-GPU-Kapazitäten erforderlich sind, bevor weitere Anforderungen wie das Management des Kontextfensters berücksichtigt werden. Kimi K3 ist somit kein Modell, das sich lokal auf handelsüblicher Hardware betreiben lässt, sondern auf modernste Hochleistungsinfrastruktur angewiesen ist.

Auf den ersten Blick könnten die Effizienzverbesserungen der K3-Architektur, insbesondere durch die sogenannte Kimi Delta Attention, als Gegenwind für Nvidia und andere Halbleiterunternehmen interpretiert werden. Schließlich reduziert die Technologie die Anforderungen an den Datentransfer des KV-Cache erheblich. Bei genauerem Hinsehen zeigt sich jedoch das Gegenteil. Aufgrund der enormen Größe des Modells müssen die Parameter weiterhin über eine große Zahl von GPUs verteilt werden. Mithilfe einer Optimierung namens WideEP werden die 896 Experten des Modells auf verschiedene Prozessoren aufgeteilt, was die Anforderungen an die Netzwerkbandbreite sogar erhöht. Erst die leistungsfähige Systemarchitektur moderner Nvidia-Plattformen macht den Betrieb eines solchen Modells überhaupt praktikabel. Kimi K3 ist daher weniger eine Bedrohung für Nvidia als vielmehr ein eindrucksvoller Beleg dafür, wie unverzichtbar leistungsfähige KI-Infrastruktur für die nächste Generation von Sprachmodellen geworden ist.

Ein weiterer wichtiger Unterschied ist die Preisgestaltung. Der große Reiz von DeepSeek bestand darin, KI-Funktionen deutlich günstiger anzubieten als die führenden Modelle am Markt. Kimi K3 erfüllt dieses Versprechen nicht. Mit Preisen von 3 US-Dollar pro Million Eingabetokens und 15 US-Dollar pro Million Ausgabetokens bewegt sich das Modell auf einem ähnlichen Niveau wie Claude Sonnet und ist deutlich teurer als andere chinesische Open-Source-Modelle wie GLM 5.2. Hinzu kommt, dass K3 derzeit ausschließlich in einem besonders rechenintensiven Reasoning-Modus verfügbar ist. Eine kostengünstige Variante für einfachere Anwendungen existiert bislang nicht, sodass die tatsächlichen Kosten pro Aufgabe mit rund 0,94 US-Dollar beinahe auf dem Niveau von GPT-5.6 Sol liegen. Um diese Preisstruktur überhaupt wirtschaftlich darstellen zu können, setzt Moonshot offenbar auf umfassende Infrastruktur-Optimierungen, darunter hohe Rabatte auf zwischengespeicherte Eingaben sowie Lösungen zur Auslagerung von Speichervorgängen. Das ist nicht das Profil eines Anbieters, der den Markt über aggressive Niedrigpreise angreift. Vielmehr zeigt es, wie anspruchsvoll und kostspielig es geworden ist, mit den führenden KI-Modellen konkurrieren zu können. Moonshot nähert sich preislich der technologischen Spitze an, dürfte dabei jedoch mit deutlich geringeren Margen operieren als Marktführer wie OpenAI oder Anthropic.

Distillation: die oft übersehene Asymmetrie

All dies soll die Leistung von Moonshot AI nicht schmälern. Ein Modell dieser Größenordnung mit derart ausgeprägten Fähigkeiten im Bereich agentischer Anwendungen und komplexer Programmieraufgaben zu entwickeln, ist zweifellos eine bemerkenswerte technische Leistung. Das chinesische KI-Ökosystem verdient dafür Anerkennung. Gleichzeitig wäre es jedoch naiv anzunehmen, dass solche Fortschritte völlig unabhängig von den Entwicklungen der führenden US-Labore entstanden sind.

Ein wichtiger Begriff in diesem Zusammenhang ist die sogenannte Distillation. Dabei wird ein neues oder kleineres Modell darauf trainiert, die Antworten eines leistungsfähigeren Modells nachzubilden. Die Ausgaben des fortschrittlicheren Systems dienen gewissermaßen als Trainingsdaten, sodass das neue Modell einen Teil seiner Fähigkeiten übernehmen kann, ohne diese selbst entwickeln zu müssen. Innerhalb eines Unternehmens ist dies eine etablierte und weit verbreitete Methode. Anders verhält es sich jedoch, wenn dieser Ansatz über Programmierschnittstellen (APIs) gezielt auf die Modelle eines Wettbewerbers angewendet wird. In diesem Fall entsteht der Eindruck, dass ein Teil des Werts, der durch milliardenschwere Investitionen in Training und Forschung geschaffen wurde, indirekt übernommen wird, ohne die entsprechenden Entwicklungskosten selbst tragen zu müssen.

US-amerikanische Forschungslabore und Start-ups gehen mit den führenden KI-Modellen anderer Anbieter nicht in diesem Umfang so um. Der Grund dafür ist struktureller Natur. Würde ein kapitalstarkes US-Start-up dabei ertappt, GPT oder Claude durch Distillation nachzubilden und das daraus entstandene Modell kommerziell weiterzuverkaufen, sähe es sich mit einer Welle von Klagen und Verstößen gegen Nutzungsbedingungen konfrontiert. Hinter diesen Ansprüchen stünden Rechtsabteilungen mit praktisch unbegrenzten Ressourcen, und kaum ein Venture-Capital-Investor würde ein solches Unternehmen noch finanzieren. Chinesische Forschungslabore sind einem vergleichbaren rechtlichen Risiko nicht ausgesetzt. Anthropic wies bereits Anfang dieses Jahres darauf hin, als das Unternehmen offenlegte, dass es große Mengen verdächtiger Konten identifiziert habe. Viele davon konnten nach China zurückverfolgt werden und griffen systematisch auf die API des Unternehmens zu, und zwar auf eine Weise, die gegen die Nutzungsvereinbarungen verstieß. Die beobachteten Muster entsprachen genau dem Verhalten, das bei der Extraktion von Modellwissen dieser Art zu erwarten wäre. Darin liegt die Asymmetrie: Während auf der einen Seite des Ökosystems durchsetzbare Regeln gegen das Kopieren von Modellen gelten, existieren auf der anderen Seite solche wirksamen Beschränkungen weitgehend nicht.

Vielleicht holen sie gar nichts auf

Derzeit dominiert die Einschätzung, dass chinesische Open-Source-Modelle zur amerikanischen KI-Spitze aufschließen. Das mag zutreffen. Es gibt jedoch eine zweite Erklärung, die bislang deutlich weniger Beachtung findet: US-Labore veröffentlichen ihre fortschrittlichsten Modelle möglicherweise vorsichtiger, als sie es unter anderen Umständen tun würden. Anthropic liefert hierfür selbst ein aktuelles Beispiel. Die Modelle der Mythos-Klasse wurden zunächst veröffentlicht, kurz darauf jedoch zur Einhaltung von Exportkontrollen wieder vom Markt genommen und erst einige Wochen später erneut freigegeben. Der Fall zeigt, wie schnell Frontier-Modelle ins Visier staatlicher Aufsicht geraten können. Es wäre daher überraschend, wenn solche Erfahrungen die Labore nicht vorsichtiger machen würden, wenn es darum geht, ihre leistungsfähigsten Systeme öffentlich bereitzustellen. Ein Teil des vermeintlichen Aufholprozesses könnte deshalb weniger darauf beruhen, dass die technologische Spitze stagniert, sondern vielmehr darauf, dass ihre neuesten Fähigkeiten langsamer in den Markt gelangen, als dies eigentlich möglich wäre.

Worauf es wirklich ankommt

Lässt man die Alarmstimmung beiseite, bleibt eine zentrale strukturelle Frage. Sie hat wenig damit zu tun, ob Kimi K3 nun „genauso gut“ ist wie Opus oder Sonnet. Entscheidend sind vielmehr die Margen. Wird die Modellebene wettbewerbsintensiver, mit einer wachsenden Zahl offener Modelle, zunehmendem Preisdruck und sinkenden Margen für alle Anbieter, verweist die optimistische Lesart auf das Jevons-Paradoxon: Wenn Intelligenz günstiger wird, wird sie auch stärker genutzt. Das höhere Nutzungsvolumen könnte die niedrigeren Preise je Einheit mehr als ausgleichen. Daran ist durchaus etwas Wahres. Doch das ist nicht die ganze Geschichte. Wer die Entwicklung ausschließlich so betrachtet, übersieht das eigentliche Risiko.

Das eigentliche Risiko besteht darin, dass die Modellebene zur Commodity wird, bevor die KI-Nachfrage einen stabilen Reifegrad erreicht hat. In diesem Fall würden den führenden KI-Laboren jene Inferenzmargen fehlen, die derzeit die Entwicklung der nächsten Modellgeneration finanzieren. Diese Gewinne wirken funktional wie eine Abgabe, die Unternehmen und Verbraucher mit jedem verarbeiteten Token entrichten. Gleichzeitig hängt ein Großteil des KI-Ökosystems indirekt von ihnen ab, weil sie den finanziellen Anreiz schaffen, die technologische Grenze weiter nach vorne zu verschieben. Fällt diese „Abgabe“ zu früh weg, führt das nicht zwangsläufig zu einem dauerhaft günstigeren Marktgleichgewicht. Vielmehr könnten die führenden Labore irgendwann nicht mehr in der Lage sein, jene neuen Modelle zu entwickeln, für die die heute aufgebauten Rechenkapazitäten überhaupt vorgesehen sind. Unternehmen erwarten, mit unveränderten KI-Budgets stetig leistungsfähigere Systeme nutzen zu können. Das funktioniert jedoch nur, wenn weiterhin intelligentere Modelle entwickelt werden, und deren Entwicklung bleibt teuer.

Sobald sich die KI-Nutzung einem nachhaltigen Gleichgewicht nähert, ist eine wettbewerbsintensivere Modellebene mit niedrigeren Margen eindeutig positiv für den Rest des Technologie-Stacks. Halbleiterhersteller, Hyperscaler und die Unternehmen, die diese Technologie einsetzen, profitieren davon, wenn eine Ebene weniger einen wirtschaftlichen „Wegezoll“ abschöpft. Doch noch sind wir nicht an diesem Punkt angekommen. Wer so tut, als wäre dies bereits der Fall, riskiert, ausgerechnet jenen Teil des Ökosystems finanziell auszuhungern, der derzeit die wirklich schwierige und kostspielige Aufgabe übernimmt, die technologische Grenze weiter nach vorne zu verschieben.

Zudem lohnt ein Blick auf die bisherige Entwicklung, denn sie spricht bereits gegen die aktuelle Alarmstimmung. Offene und chinesische Modelle haben den Abstand zur geschlossenen amerikanischen Spitze wiederholt verkürzt. Dennoch hat keines von ihnen in den vergangenen zwei Jahren die Führungsposition übernommen. DeepSeek ist dies nicht gelungen, und ebenso wenig irgendeinem offenen Modell danach. Kimi K3 ist zweifellos beeindruckend. Nach Einschätzung von Moonshot selbst und auf Basis unabhängiger Benchmarks handelt es sich jedoch um ein sehr leistungsfähiges Modell, das etwa eine Generation hinter der technologischen Spitze liegt, nicht an ihr.

Der KI-Investitionskreislauf

Quelle: DPAM, 2026

Das optimistische Szenario

Auf einen Punkt lohnt es sich zurückzukommen: Bislang hat sich jede dieser Phasen der Verunsicherung als Fehlalarm erwiesen, weil sie sich auf das falsche Risiko konzentrierte. Die Gefahr bestand nie darin, dass ein Wettbewerber ein ausreichend gutes Modell entwickelt, um die gesamte Kategorie obsolet zu machen. Das eigentliche Risiko war vielmehr, dass die Unternehmen, die den schwierigen und kostspieligen Fortschritt an der technologischen Spitze vorantreiben, ihre wirtschaftliche Fähigkeit verlieren könnten, diese Arbeit fortzusetzen. Bislang ist genau das nicht eingetreten. Die Umsätze haben sich innerhalb von nur anderthalb Jahren mehr als verzehnfacht. Die Investitionsausgaben steigen weiter. Und nun gibt es einen weiteren Datenpunkt: ein tatsächlich leistungsfähiges Open-Source-Modell, das die Margen der führenden Anbieter nicht unter Druck gesetzt hat, sondern aufgrund seiner eigenen Größenordnung gezwungen war, seine Preisgestaltung im Bereich der Frontier-Modelle anzusiedeln.

Statt eine Geschichte über den Verlust der westlichen Technologieführerschaft zu erzählen, zeigt dieses Beispiel vor allem, was es tatsächlich kostet, an der technologischen Spitze mitzuhalten, diesmal anhand der Bilanz eines anderen Unternehmens. Die sogenannte „Modellsteuer“ bleibt bestehen, weil bislang weder amerikanische noch chinesische Anbieter einen Weg gefunden haben, Modelle auf diesem Leistungsniveau zu entwickeln, ohne die damit verbundenen Kosten über entsprechende Preise wieder einzuspielen. Mit anderen Worten: Wer an der Spitze konkurrieren will, muss die dafür entstehenden Ausgaben finanzieren, und bislang hat niemand einen Weg gefunden, diese ökonomische Realität zu umgehen.