Das Zeitalter der großen Modelle ist angebrochen – wo liegt der genaue Rückstand der in China entwickelten KI?

„Codex-Anleitung für absolute Anfänger“, „Claude Code-Umgebungskonfiguration ohne Vorkenntnisse“ – in den sozialen Medien der letzten Zeit gehören Anleitungen für ausländische KI-Agenten zu den beliebtesten Inhalten.

Der Markt für große KI-Modelle im Inland ist offensichtlich sehr dynamisch: Doubao hat hunderte Millionen täglich aktive Nutzer, DeepSeek hat den Preis für API-Aufrufe auf einen für das Silicon Valley verblüffenden „Sparpreis“ gedrückt, und die Pressemitteilungen verschiedener Hersteller, die von einer „Überlegenheit gegenüber GPT-4“ sprechen, sind überall verbreitet.

Nach der logischen Erwartung sollten die Nutzer im inländischen Markt, in dem die verschiedenen Modelle sich in harter Konkurrenz messen, reichhaltige, günstige und praktische Auswahlmöglichkeiten haben. Dennoch sind zahlreiche inländische Nutzer bereit, Zeitkosten zu tragen, komplizierte Netzwerkbarrieren zu überwinden und hohe monatliche Abonnementgebühren zu zahlen, um beharrlich ausländische KI-Agenten zu nutzen – daraus hat sich sogar eine verborgene Industriekette entwickelt.

▲ Hinweis: Das Bild stammt von Xiaohongshu

Dieses zerrissene und eigenartige Marktphänomen macht neugierig: Wenn große Modelle in das Zeitalter der Agenten eintreten – ist die Tatsache, dass inländische KI-Produkte in den Augen inländischer Nutzer „nicht ganz überzeugen“, nur ein starres Vorurteil, oder besteht tatsächlich eine kaum zu verbergende Generationslücke zwischen chinesischer und ausländischer KI?

Inländische Agenten: Stärken sind sehr ausgeprägt, Schwächen bleiben bestehen

Tatsächlich zeigen die Daten verschiedener Ranglisten und das Marktfeedback, dass in den letzten drei Jahren inländische große Modelle keineswegs insgesamt zurückgeblieben sind, sondern in mehreren Teilbereichen und spezifischen Dimensionen starke Überholmanöver vollzogen haben.

Das Verstehen und Verarbeiten von Texten ist der Kern, der die Lokalisierungsfähigkeit und die grundlegende Logik großer Modelle auf die Probe stellt – schließlich ist Sprache nicht nur ein Symbol, sondern auch Träger von Kultur, Denkweisen und Geschäftslogik.

Obwohl Spitzenmodelle aus dem Ausland wie GPT-5 und Claude Opus fließend Chinesisch sprechen, zeigen sie bei tiefgehenden Textkreationen oft unübersehbare „Übersetzungssprache“. Ihre Ausdruckslogik neigt eher zur westlichen linearen Erzählweise – diese Eigenschaft führt dazu, dass sie bei der Bearbeitung von zwischenmenschlichen Beziehungen mit chinesischen Merkmalen oder geschäftlichen Texten nicht recht zurechtkommen.

In diesem Zusammenhang zeigen inländische KI-Agenten einzigartige Vorteile beim Verständnis des chinesischen Kontexts und der Textverarbeitung.

Am 29. April erreichte das Modell von ByteDance bei der Bewertung chinesischer multimodaler visueller Sprachmodelle von SuperCLUE-VLM im April 2026 mit 90,66 Punkten den ersten Platz in der Gesamtrangliste. Viele inländische große Modelle wie die Ali Qwen3.5-Serie, SenseNova von SenseTime und GLM von Zhipu belegten vordere Plätze, während bekannte ausländische Modelle wie GPT-5.4 von OpenAI und Grok von X.AI nur im mittleren Bereich landeten.

▲ Hinweis: Das Bild stammt von Sina Finance

Die Aufholjagd inländischer großer Modelle im chinesischen Kontext basiert hauptsächlich auf der „Versorgung“ mit riesigen Mengen lokaler hochwertiger Sprachdaten sowie ihrer tiefen Integration in das chinesische Internet-Ökosystem.

Ob es darum geht, Jahresrückblicke zu verfassen, die die zwischenmenschlichen Gepflogenheiten im Berufsleben gut verstehen, oder E-Commerce-Live-Sprachen mit starker emotionaler Dynamik wie „Leute, schaltet den Link ein“ zu generieren – inländische Modelle können subtile Sprachgefühle und Internet-Memes präzise erfassen, was ausländische Produkte derzeit nicht erreichen können.

Darüber hinaus zeigen inländische Basismodelle auch bei harten Fähigkeiten wie der Verarbeitung extrem langer Texte und Code-Schlussfolgerungen deutliche Wettbewerbsvorteile auf dem Markt.

Während ausländische Flaggschiff-Modelle sich im Allgemeinen noch im Komfortbereich von 128K bis 200K bewegen, hat das inländische Kimi die verlustfreie Kontextanalyse auf 2 Millionen Zeichen angehoben – Tongyi Qianwen Qwen3-Max erreicht sogar eine Kapazität von 10 Millionen Zeichen. Das bedeutet, dass inländische Agenten komplexe und schwer verständliche chinesische Texte wie Dutzende von Seiten tiefgreifender Forschungsberichte oder juristischer Akten auf einmal verarbeiten und präzise vergleichende Auswertungen sowie Informationsentnahmen durchführen können.

Die Verteidigungsgräben bei Code und mathematisch-logischen Fähigkeiten, auf die ausländische Giganten einst stolz waren, werden nun ebenfalls von inländischen Produkten wie DeepSeek V4 Pro und Doubao 2.1 Pro eingeebnet.

Am 23. Juni veröffentlichte ByteDance offiziell die Doubao-Großmodell-2.1-Serie. Bei neun maßgeblichen Bewertungen wie Terminal Bench 2.1, SWE-Pro und SciCode übertraf Doubao 2.1 Pro in mehreren Indikatoren das Flaggschiff-Modell Claude Opus 4.7 von Anthropic und gelangte vollständig in die erste Leistungsgruppe.

Trotz der beeindruckenden Teilergebnisse bestehen jedoch noch nicht zu übersehende Lücken zwischen inländischen Modellen und ausländischen Spitzenprodukten, wenn sich der Anwendungsbereich von KI-Agenten von der Text-/Code-Verarbeitung auf die physische Welt und multimediale visuelle Inhalte ausweitet.

Diesen April veröffentlichte OpenAI offiziell GPT Image 2. Bereits wenige Stunden nach der Veröffentlichung belegte es mit überwältigendem Punkteabstand den ersten Platz in der Bildgenerierungs-Rangliste Image Arena. Es kann nicht nur Aufgaben selbstständig zerlegen, Planungen durchführen und sich selbst überprüfen, sondern auch präzise chinesische Layouts generieren. In der Zwischenzeit weisen die gängigen inländischen Modelle jedoch noch zahlreiche Fehler bei der Bildqualität, der Simulation physikalischer Gesetze und der räumlichen Konsistenz auf.

Für zukünftige Agenten, die komplexe Arbeitsabläufe übernehmen sollen, bedeutet der Rückstand bei multimodalen Fähigkeiten nicht nur, dass generierte Bilder oder Videos nicht hochwertig genug sind. Noch fataler ist, dass Agenten beim Verstehen grafischer Benutzeroberflächen von Computern, der Verarbeitung komplexer visueller Eingaben über verschiedene Software hinweg und sogar bei der Steuerung zukünftiger verkörperter Intelligenz nicht über ausreichende „visuelle Kortex“-Fähigkeiten und physikalisches Allgemeinwissen verfügen.

Diese einseitige Ausrichtung im Kern-Architektur für multimodale Generierung ist der erste Unterschied, der bei der Nutzung chinesischer und ausländischer großer Modelle durch inländische Nutzer entsteht.

Unterschiedliche Entwicklungswege führen zu Unterschieden im Nutzererlebnis

Wenn große Modelle von Dialogfeldern zu intelligenten Agenten übergehen, bestimmen die Wege, die große inländische und ausländische Unternehmen bei der Umsetzung von KI wählen, mehr als die Stärken und Schwächen der zugrundeliegenden Technologie das völlig unterschiedliche reale Nutzungserlebnis der Nutzer im Alltag.

Ausländische KI-Giganten wie OpenAI und Anthropic konzentrieren sich in ihrer Kernvision stets auf die Verwirklichung allgemeiner künstlicher Intelligenz. In ihrem strategischen Entwurf soll ein Agent nicht nur ein Frage-Antwort-Roboter sein, der im Webbrowser verweilt, sondern ein „siliziumbasierter Kooperationspartner“ mit hoher Fähigkeit zum selbstständigen Denken, der alle digitalen Werkzeuge des Menschen nutzen kann.

Codex hat in diesem Jahr offiziell die Funktion zur Nutzung von Computern eingeführt. Es ist nicht mehr auf API-Schnittstellen angewiesen, sondern kann durch seine starken visuellen multimodalen Fähigkeiten jedes Pixel auf dem Computerbildschirm direkt „verstehen“ – es kann wie ein Mensch automatisch die Maus bewegen, Desktop-Symbole anklicken und Befehle über die Tastatur eingeben.

Wenn Nutzer Anweisungen mit mehreren komplexen Aufgaben wie Datenorganisation, Detailanalyse und Dokumentenversand geben, antwortet es nicht wie herkömmliche KI-Assistenten nur mit Betriebsvorschlägen oder Code, den der Nutzer selbst ausführen muss. Stattdessen öffnet es automatisch Software auf dem Desktop, ruft Daten ab, verarbeitet sie und startet schließlich den E-Mail-Client, um sie an bestimmte Kontakte zu senden – so wird ein echter vollautomatischer End-to-End-Geschlossener Kreislauf erreicht.

Auf diesem Weg nehmen die Nutzer nicht mehr nur eine clevere Suchmaschine wahr, sondern einen „digitalen Kooperationspartner“, der über die grundlegende Architektur diskutieren, Aufgabenketten selbstständig planen und sogar unabhängig reflektieren und Fehler korrigieren kann.

Laut öffentlichen Daten von OpenRouter erreichte der Hermes-Agent mit Selbstreflexionsmechanismus im Mai 2026 einen täglichen Token-Verbrauch von 291 Milliarden. Diese Zahlen belegen, dass zahlreiche Nutzer solche Agenten intensiv nutzen – sie können selbstständig komplexe Aufgabenketten ausführen und sind nicht auf das Chatfenster beschränkt.

Im Gegensatz dazu konzentriert sich der inländische KI-Agenten-Sektor – gestützt auf das weltweit einzigartige Anwendungsökosystem von WeChat, Feishu, Douyin, Taobao und anderen Plattformen – von Anfang an auf die Positionierung von Agenten als kommerzielle Effizienzwerkzeuge.

Das „Kouzi“ von ByteDance verfügt über mehr als 2000 offizielle Plug-Ins und seine visuellen Arbeitsabläufe sind hervorragend gestaltet – selbst Anfänger ohne Programmierkenntnisse können Bots ohne Code erstellen. Tencents WorkBuddy hat mehr als 80.000 Fähigkeitsmodule integriert, erreicht monatlich 8,85 Millionen Besuche und ist tief mit WeCom und Tencent-Dokumenten verbunden.

▲ Hinweis: Das Bild stammt von Kouzi

Sie eignen sich für unverzichtbare Szenarien wie E-Commerce, Marketing, das Verfassen offizieller Dokumente und das Erstellen von Präsentationen – also für die kommerzielle Umsetzung im B2B-Bereich sowie für die Kostensenkung und Effizienzsteigerung. In bestimmten geschlossenen Geschäftsabläufen können sie repetitive Arbeitskräfte auf ein Minimum reduzieren.

Trotz des florierenden Plug-In-Ökosystems haben sich inländische Agenten in ihrer Produktform noch nicht aus dem Bereich des Chatfensters gelöst. Wenn Nutzer komplexe systemweite Aufgaben stellen, die mehrere lokale Softwareprogramme umfassen, können sie nicht wie Codex direkt die Maus übernehmen, um diese auszuführen – sondern bieten hauptsächlich Vorschläge und Code-Unterstützung.

Nutzer erwarten voller Hoffnung, einen „tiefgreifenden Partner“ einzusetzen, der komplizierte grundlegende Operationen durchführen kann. Stattdessen erhalten sie von inländischen Agenten einen „Praktikanten-Assistenten“, der sich korrekt verhält, standardisierte Phrasen von sich gibt, aber in der Praxis nur in bestimmten Webseiten Dokumente lesen und offizielle Texte schreiben kann.

Geschäftsmodelle bestimmen die Obergrenze von Agenten

Die Unterschiede in Technologie und Entwicklungswegen müssen sich letztendlich im wirtschaftlichen Umfeld bewähren. Abgesehen von allen abstrakten technischen Idealen liegt der entscheidende Faktor dafür, ob ein Agent wirklich intelligent oder nur scheinbar intelligent ist, in der Rechnung der Server-Rechenleistung.

Ein wirklich guter Agent ist keineswegs so einfach wie das Empfangen eines Prompts und das Ausgeben einer Antwort. Ein ausgereifter Agent ist im Hintergrund mindestens in vier Ebenen unterteilt: Aufgabenplanung, Ausführung, Status- und Kontextgedächtnis sowie Überprüfung und Rückgängigmachung. Jeder Durchlauf dieses geschlossenen Kreislaufs verbraucht riesige Mengen an Tokens. Bei einer scheinbar einfachen Aufgabe zur Fehlerbehebung im Code hat der Agent im Hintergrund möglicherweise bereits Dutzende von selbstständigen Abwägungen und API-Aufrufen durchgeführt.

Angesichts des massiven Verbrauchs an Rechenleistung ist das ausgereifte Software-Zahlungsökosystem im Ausland die Grundlage dafür, dass Agenten „sorgfältig nachdenken“ können.

Im Endkundenbereich betragen die persönlichen Abonnementgebühren für ChatGPT Plus und Claude Pro bis zu 20 US-Dollar pro Monat – dennoch strömen zahlreiche Nutzer zu den kostenpflichtigen Diensten. Bis März dieses Jahres überschritt die wöchentliche aktive Nutzerzahl von ChatGPT 900 Millionen, von denen etwa 50 Millionen zahlende Nutzer sind. Der Bericht von Semi Analysis zeigt zudem, dass der annualisierte Betriebseinnahmen von Anthropic sich seit Ende 2025 fast verfünffacht hat. Der Haupttreiber dieses Wachstums liegt in der starken Leistung von Claude Code und dem explosionsartigen Anstieg der Nachfrage im Unternehmensbereich.

Wenn Nutzer genug bezahlen, wagen ausländische Hersteller es, im Hintergrund reichlich Rechenleistung bereitzustellen. Hohe Stückumsätze geben Agenten die Möglichkeit, langfristige Gedächtnisverwaltung und mehrfache selbstständige Fehlerkorrekturen durchzuführen – so wird die hohe Stabilität des geschlossenen Aufgabenkreislaufs gewährleistet.

Blickt man jedoch zurück auf den inländischen Markt: Um die Aufmerksamkeit der Endkunden zu gewinnen, setzen fast alle Agenten-Anwendungen großer inländischer Hersteller auf das kostenlose Modell. Der Preiskampf bei API-Aufrufen ist zudem erstaunlich.

Im April 2026 senkte DeepSeek den regulären Eingabepreis für V4-Pro auf 3 Yuan pro Million Tokens – der reguläre Ausgabepreis beträgt nur 6 Yuan pro Million Tokens, was etwa einem Zwölftel des Preises von GPT-4o entspricht. Selbst die kostenpflichtige professionelle Version von Doubao kostet standardmäßig nur 68 Yuan pro Monat und bietet sogar einen Studentenpreis von 38 Yuan an.