DeepSeek

DeepSeek AI ist ein chinesisches Forschungsunternehmen, das seit 2023 mit hochleistungsfähigen Modellen zu überraschend günstigen Konditionen internationale Aufmerksamkeit erregt. Die V4-Generation vom April 2026 und die Reasoning-Modelle der R-Serie haben gezeigt, dass Spitzenqualität im LLM-Markt kein Spitzenbudget voraussetzt — und dass MIT-lizenzierte Open Weights dabei kein Widerspruch sind.

Für Unternehmen in Deutschland ist DeepSeek vor allem deshalb relevant, weil die offenen Weights einen Betriebsweg eröffnen, der datenschutzrechtlich sauber gestaltbar ist. Entscheidend ist dabei die Unterscheidung zwischen der direkten API über deepseek.com und einem selbst gehosteten Deployment — dieser Unterschied bestimmt, ob ein DSGVO-konformer Einsatz überhaupt möglich ist.

Was ist DeepSeek?

DeepSeek AI wurde 2023 als Teil der chinesischen Quant-Firma High-Flyer gegründet und veröffentlicht seitdem regelmäßig Modellgewichte unter der MIT-Lizenz auf Hugging Face. Wer die Weights herunterlädt, darf sie kommerziell einsetzen, anpassen und weiterverteilen — ohne Lizenzgebühren oder inhaltliche Einschränkungen. Diese Kombination aus Leistungsfähigkeit und offener Lizenz hat DeepSeek zu einem der meistdiskutierten Namen im LLM-Umfeld gemacht.

Die aktuelle Flaggschiffgeneration V4 (April 2026) gliedert sich in zwei Varianten. DeepSeek-V4-Pro ist ein Mixture-of-Experts-Modell mit rund 1,6 Billionen Gesamtparametern, von denen pro Inferenzschritt etwa 49 Milliarden aktiv sind. Es ist für komplexe Coding-Projekte, mehrstufiges Reasoning und langreichweitige Agenten-Workflows ausgelegt und unterstützt ein Kontextfenster von einer Million Token. Der günstigere Schwestervariant V4-Flash arbeitet mit 284 Milliarden Gesamtparametern und 13 Milliarden aktiven Parametern, bleibt auf demselben API-Surface wie Pro und ist deutlich leichter selbst zu betreiben.

Neben der V4-Linie bietet DeepSeek mit der R-Serie spezialisierte Reasoning-Modelle. DeepSeek-R1 löst mathematische und logische Probleme durch explizit ausgegebene Denkschritte: Das Modell zeigt seine Zwischenüberlegungen, bevor es zur Antwort kommt. Das macht Fehler in der Lösungskette früh sichtbar — ein Vorteil in Aufgaben, bei denen Nachvollziehbarkeit zählt, etwa in der technischen Prüfung oder im Compliance-Umfeld. Das 128K-Kontextfenster des R1 reicht für die meisten Unternehmensdokumente aus, ohne an die Grenzen zu stoßen, die kürzere Modelle im Praxiseinsatz häufig begrenzen.

Die Architektur-Entscheidung, Modelle als Mixture-of-Experts aufzubauen, ist ein wesentlicher Faktor für das günstige Kosten-Leistungs-Verhältnis. Nur ein Bruchteil der Parameter ist bei jeder Anfrage aktiv, was den Rechenaufwand pro Token deutlich senkt, ohne die Modellkapazität zu verringern. Dieser Effizienzgewinn kommt sowohl beim Selbsthosten als auch beim API-Betrieb zum Tragen und erlaubt es DeepSeek, Preise anzubieten, die klassische Dense-Modelle mit vergleichbarer Parameteranzahl nicht erreichen können.

Relevant für die Einordnung ist auch der Trainingskontext: DeepSeek-R1 und V3 wurden vollständig mit öffentlich zugänglichen Daten trainiert; die Trainingspipeline und Gewichte sind offen zugänglich, was eine eigene Evaluation und theoretisch auch nachträgliche Prüfung der Gewichte ermöglicht — ein Transparenzgrad, den proprietäre Modelle nicht bieten.

Die V4-API ist rückwärtskompatibel mit dem OpenAI-API-Format aufgebaut, was die Integration in bestehende Anwendungen, die bereits mit anderen Anbietern arbeiten, ohne größere Anpassungen ermöglicht. Das vereinfacht Migrationsprojekte und erlaubt es, DeepSeek-Modelle als Drop-In-Alternative in Pipelines zu testen, bevor eine vollständige Ablösung entschieden wird.

Stärken und Schwächen

DeepSeeks stärkstes Argument ist das Verhältnis zwischen Modellqualität und Betriebskosten. V4-Flash eignet sich in der API-Nutzung über europäische Drittanbieter für die meisten produktiven Aufgaben in Coding, Analyse und Textverarbeitung — zu einem Bruchteil der Kosten vergleichbarer US-Modelle. Für Unternehmen mit hohen Verarbeitungsmengen ist diese Preisstruktur ein echter Differenziator.

Ein zweiter wesentlicher Vorteil ist die MIT-Lizenz. Wer die Weights selbst hostet, ist weder an eine bestimmte API noch an einen Dienst gebunden: Datenverarbeitung bleibt im eigenen Rechenzentrum, Update-Zyklen werden selbst gesteuert, und spezifische Anwendungsfälle lassen sich durch Fine-Tuning an eigene Daten anpassen. Das ist für Unternehmen mit hohen Anforderungen an Datensouveränität ein struktureller Vorteil, den kommerzielle Closed-Source-Modelle nicht bieten können.

Die Kehrseite sind klare Grenzen: V4-Pro benötigt für das Self-Hosting rund 862 GB GPU-Speicher, was mindestens acht H200-GPUs entspricht. V4-Flash ist mit etwa 158 GB handhabbarer, bleibt aber infrastrukturell anspruchsvoll. Wer keine eigene GPU-Infrastruktur betreibt, ist auf europäische Inference-Anbieter angewiesen — und muss deren AVV sorgfältig prüfen. Hinzu kommt, dass die Marktbekanntheit europäischer Partner, die DeepSeek-Modelle mit einem DSGVO-konformen Setup anbieten, noch nicht die Tiefe der langjährigen Cloud-Partner von US-Anbietern erreicht.

Für kleine und mittlere Unternehmen ohne eigene KI-Infrastruktur ist V4-Flash über europäische Drittanbieter oft der realistischste Einstieg: Die Weights liegen beim Anbieter in der EU, die Kosten bleiben überschaubar, und die Ergebnisqualität ist für die meisten operativen Aufgaben ausreichend — ohne dass ein Rechenzentrum betrieben werden muss.

Einsatz im Unternehmen

Im Unternehmenseinsatz empfiehlt sich eine klare Trennung nach Datenkategorie. Aufgaben ohne Personenbezug — interne Code-Reviews, technische Dokumentation oder strukturierte Datenanalysen mit unkritischen Inhalten — können über europäische Inference-Anbieter auf Basis der DeepSeek-Weights abgewickelt werden. Für Verarbeitungen mit Personenbezug oder vertraulichen Geschäftsdaten kommt nur der selbst gehostete Betrieb in einem EU-Rechenzentrum infrage.

Der häufigste Einsatzbereich in der Praxis ist die Code-Assistenz. Die V4-Generation gehört zu den leistungsstärksten offenen Modellen für Coding-Aufgaben: von der Dokumentation bestehender Codebasen über automatisierte Tests bis zur Migration von Legacy-Systemen. Das Kontextfenster von einer Million Token erlaubt es, ganze Repositories oder umfangreiche Anforderungsdokumente in einem Schritt zu verarbeiten, statt sie aufwändig in Fragmente zerlegen zu müssen.

In strukturierten Wissensmanagement-Projekten lässt sich DeepSeek gut als Engine für RAG-Systeme einsetzen: Das Modell verarbeitet Retrieval-Ergebnisse zuverlässig und folgt auch bei großen Kontextmengen konsistent dem gewünschten Ausgabeformat, was die Nachbearbeitung von Antworten reduziert.

Für analytische Aufgaben bietet die R-Serie einen eigenständigen Mehrwert: Wenn Zwischenschritte einer Lösung nachvollzogen werden müssen — etwa bei Berechnungen in technischen oder finanziellen Prozessen — liefern Reasoning-Modelle eine transparentere Grundlage als Modelle, die nur das Endergebnis ausgeben. In Audits und Compliance-Prozessen ist dieser Unterschied zwischen nachvollziehbaren und opaken Entscheidungen oft entscheidend.

Für den Rollout im Mittelstand bewährt sich ein schrittweises Vorgehen: mit V4-Flash für ein klar umrissenes, nicht-personenbezogenes Anwendungsszenario starten, die Ergebnisqualität an realen Fällen messen und erst dann entscheiden, ob die Pro-Variante oder die Reasoning-Modelle benötigt werden. Eine zentrale Routing-Schicht, die Anfragen nach Aufgabentyp auf die passende Modellvariante lenkt, senkt die Gesamtkosten oft deutlich, ohne Abstriche bei der Ergebnisqualität zu erzwingen.

Wer das Modell in CI/CD-Pipelines oder automatisierte Qualitätssicherungsprozesse integrieren will, profitiert von der API-Kompatibilität zum OpenAI-Format: Viele bestehende Entwicklungstools und Frameworks unterstützen DeepSeek-Endpoints ohne zusätzliche Anpassungen, was die Integrationszeit deutlich verkürzt.

DSGVO und Datenschutz

Der entscheidende Datenschutzunterschied bei DeepSeek liegt nicht im Modell, sondern im Betriebsweg. Die MIT-lizenzierten Weights sind technologisch neutral: Wer sie in einem eigenen EU-Rechenzentrum betreibt, trägt die volle Kontrolle über alle verarbeiteten Daten und kann einen DSGVO-konformen Betrieb sicherstellen — einschließlich eines AVV mit dem Rechenzentrumsbetreiber statt mit DeepSeek direkt.

Wer dagegen die deepseek.com-API direkt nutzt, übermittelt Anfragen in ein chinesisches Rechenzentrum, das chinesischem Recht unterliegt. Es gibt keinen öffentlichen AVV nach Art. 28 DSGVO, keine Standardvertragsklauseln und keine dokumentierten Garantien zur Datenresidenz. Für personenbezogene Daten ist dieser Weg nicht rechtskonform. Europäische Datenschutzbehörden haben die Risiken solcher Drittstaaten-Datentransfers im DSGVO-Kontext explizit benannt; bei einem selbst gehosteten Deployment der Open Weights entfällt dieses Risiko strukturell, da kein Datenabfluss an den Hersteller stattfindet.

Europäische Inference-Anbieter, die DeepSeek-Weights in EU-Rechenzentren hosten, können eine datenschutzrechtlich tragfähigere Alternative sein. Hier ist jedoch der AVV mit dem jeweiligen Anbieter sorgfältig zu prüfen — und sicherzustellen, dass nicht nur die Modellverarbeitung, sondern auch Logging, Caching und Monitoring in der EU verbleiben. In der Praxis entstehen Datenschutzlücken selten am Modell selbst, sondern an diesen begleitenden Infrastrukturschichten. Praxis-Orientierung dazu findet sich im Beitrag zur DSGVO-konformen KI-Einführung.

Für Unternehmen, in denen Mitarbeiterinnen und Mitarbeiter eigeninitiativ externe KI-Dienste nutzen, ist zudem das Risiko unkontrollierter Shadow-AI zu beachten: Der günstige und frei zugängliche Chat-Zugang von deepseek.com ist ein attraktiver Kanal, der ohne klare Richtlinien schnell zu unbeabsichtigten Datenweitergaben führen kann.

Fazit

DeepSeek passt zu Unternehmen, die hohe Verarbeitungsmengen kostengünstig abwickeln oder echte Kontrolle über ihre KI-Infrastruktur wollen. Die MIT-Lizenz löst den zentralen Datenschutz-Knotenpunkt auf — vorausgesetzt, der Betrieb findet selbst gehostet oder über einen europäischen Anbieter mit solidem AVV statt. Wer die chinesische API direkt nutzen möchte, sollte zuvor sorgfältig prüfen, ob die Datenkategorien und die fehlende vertragliche Grundlage für den geplanten Anwendungsfall tragbar sind.

Besonders für Unternehmen, die gleichzeitig hohe Coding-Anforderungen und ein begrenztes Budget für KI-Betriebskosten haben, bietet die Kombination aus V4-Flash für Routineaufgaben und R1 für Reasoning-intensive Analysen ein ausgewogenes Portfolio, das vollständig auf Open Weights basiert.

Die Preis-Leistungs-Position von DeepSeek ist real und verdient eine sachliche Bewertung: Pauschalablehnung wegen der chinesischen Herkunft wird der Technologie nicht gerecht; unkritische Übernahme ohne Datenschutzanalyse aber ebenso wenig. Der richtige Ansatz liegt in der klaren Trennung von Betriebsweg und Datenkategorie — und in der sorgfältigen Dokumentation dieser Entscheidung im unternehmensweiten KI-Governance-Rahmen.