Kinesisk AI på europæiske servere: Kan det give mere kontrol end amerikanske API'er?

Europa har i øjeblikket ikke en state-of-the-art lukket model på niveau med GPT eller Claude; den stærkeste open-weight mester, Mistral, er konkurrencedygtig, men ikke helt i front . Det realistiske kortvarige valg for de fleste europæiske virksomheder er derfor mellem en amerikansk proprietær model og en kinesisk open-weight model, ikke et europæisk alternativ.

Den skarpeste skillelinje: GDPR-overholdelse og datakontrol

Her skaber implementeringsformen en juridisk kløft. Sovereign AI Registry vurderer DeepSeek R1 som "EU-indkøbsklar", når den selvhostes, og bemærker: "Dataflow passerer fuldstændigt – samme vægte, nul dataflow til Kina" . GDPR-risikoen er knyttet til den hostede service, ikke til selve open-weight modellen .

• Hostet kinesisk API (f.eks. deepseek.com) : Kina har ingen EU-adequacy decision, og DeepSeeks privatlivspolitik angiver eksplicit, at data opbevares i Kina og kan deles med kinesiske myndigheder. Italien forbød den hostede service inden for 72 timer . Europa-Kommissionen bekræftede, at enhver overførsel af personoplysninger til Kina fra DeepSeek skal være i overensstemmelse med GDPR, hvilket kræver standardkontraktbestemmelser eller en adequacy decision, som ikke eksisterer i øjeblikket .
• Selvhostede open weights: En selvhostet kinesisk open-weight model på EU-infrastruktur sender ingen data tilbage til Kina. Flere juridiske analytikere bekræfter, at det at køre open-weight modeller lokalt medfører den samme lave risiko som at køre lokal Qwen eller Llama – intet grænseoverskridende dataflow .
• Amerikansk proprietær API: Amerikanske cloud-udbydere tilbyder generelt GDPR-kompatible datahåndteringsaftaler og muligheder for dataresidens i EU. Dog sender hvert API-kald stadig promptdata til udbyderens infrastruktur, hvilket kan give anledning til bekymring for meget følsomme use cases .

Forsyningskædeafhængigheder: En anden form for risiko

Brug af kinesiske open-weight modeller skaber en nedstrømsafhængighed af kinesiske AI-laboratorier for opdateringer, sikkerhedsrettelser og fremtidige modelversioner. CNBC bemærkede risikoen for, at "amerikanske virksomheder bliver afhængige af kinesisk teknologi" – den samme logik gælder for Europa . Centre for European Policy advarer om, at kinesiske modeller kan indeholde "bagdøre, der ikke kan fjernes, selv gennem intensive sikkerhedstræningsprocedurer", og at politisk kontrol er "dybt indlejret i træningsdataarkitekturen" .

Begge muligheder afhænger dog i sidste ende af amerikansk-designede chips (Nvidia, AMD) eller kinesiske alternativer underlagt eksportkontrol. En kinesisk model, der kører på europæisk hardware, er stadig afhængig af en global halvlederforsyningskæde.

Brug af amerikanske modeller binder virksomheden til amerikanske cloud-udbydere og single-vendor API-prissætning. Efterhånden som amerikanske AI-omkostninger er steget, skifter globale virksomheder aktivt til billigere alternativer . Goldman Sachs bemærkede, at kinesiske open-weight modeller "når et kritisk punkt af intelligens, der gør dem til levedygtige alternativer" .

Omkostningsfordelen er dramatisk

Kinesiske open-weight modeller er 60–90 % billigere end flagskibs amerikanske proprietære modeller . DeepSeek V4 Flash koster $0,14 per million input-tokens sammenlignet med GPT-5.2 til $1,75 . En arbejdsgang, der koster $10.000 per måned på en førende amerikansk model, kan køre for $1.000 til $4.000 på et kinesisk open-weight alternativ .

I juli 2026 routede amerikanske virksomheder mere end 30 % af deres OpenRouter-tokens til kinesiske open modeller, oppe fra kun 4,5 % i første halvdel af 2025 . Coinbase annoncerede i juni 2026, at de havde omdirigeret rutinemæssige ingeniørarbejdsbyrder fra OpenAI til open-weight kinesiske modeller fra Zhipu AI og DeepSeek .

En praktisk mellemvej: Multi-model routing

Mange europæiske virksomheder tager en "workload routing"-strategi i brug: at bruge billigere open-weight modeller til ikke-følsomme opgaver og premium-modeller til højrisikoopgaver, hvilket reducerer afhængigheden af en enkelt udbyder . Denne hybride tilgang giver virksomheder mulighed for at balancere omkostninger, risiko og ydeevne.

En forsvarlig modelvalgsstrategi involverer fire trin ifølge The National Law Review: kortlæg hvilke arbejdsgange, der berører hvilke modeller; identificer hvor eksportkontrolleret teknologi indgår i disse arbejdsgange; sæt en model- og implementeringsposition for hver arbejdsbyrde; og dokumenter due diligence grundigt .

Open-weight paradokset kan ikke ignoreres

Open weights er "uigenkaldelige" – når først udgivet, kan sikkerhedsbarrierer fjernes med minimal indsats, og tusindvis af sikkerhedsstrippede varianter cirkulerer allerede frit . Det udlignende potentiale ved open-weight modeller og de sikkerhedsrisici, der følger med dem, er uadskillelige .

EU's AI Act, som gælder for generelle AI-modeller, der er bragt på EU-markedet fra august 2025, forudsætter, at modeller trænet over 10²⁵ floating-point operationer medfører systemisk risiko og skal opfylde skærpede sikkerheds- og gennemsigtighedsforpligtelser . Både kinesiske open-weight og amerikanske proprietære modeller vil skulle overholde dette.

Bundlinje: Valget for europæiske virksomheder er ikke mellem "kinesisk" og "amerikansk" som monolitisk kategori. Selvhost af en kinesisk open-weight model på europæisk infrastruktur kan give bedre datakontrol og operationel suverænitet end at stole på en amerikansk proprietær API – men det introducerer andre forsyningskædeafhængigheder, sikkerhedsrisici og politiske bekymringer. Den mest praktiske vej for mange virksomheder er en hybridstrategi, der dirigerer følsomme arbejdsopgaver til selvhostede open modeller og reserverer amerikanske proprietære API'er til mindre følsomme, højtydende opgaver .