DeepSeek-Gründer Liang Wenfengs Masterplan: Warum er nie maximale Gewinne anstreben, keine Super-App bauen und seine Modelle niemals schließen wird

Im Juli 2026 wurde ein Transkript eines vierstündigen Investorengesprächs mit DeepSeek-Gründer Liang Wenfeng von Tencent Technology veröffentlicht. Es gewährt einen ungewöhnlich offenen Einblick in eines der geheimnisvollsten KI-Labore der Welt – und zeigt einen Gründer, der von einer einzigen Idee besessen ist: der Künstlichen Allgemeinen Intelligenz (AGI). Dafür ist er bereit, jede konventionelle Geschäftslogik zu opfern. Das Dokument wird durch mehrere Nachrichtenagenturen wie Reuters, Bloomberg und das Wall Street Journal gestützt .

Die 6,9-Milliarden-Dollar-Finanzierungsrunde: Eine strategische Kehrtwende

DeepSeek schloss seine erste externe Finanzierungsrunde mit über 50 Milliarden Yuan (ca. 6,94 Milliarden Dollar) ab. Dies verlieh dem Unternehmen eine Bewertung von über 50 Milliarden Dollar . Die Runde war eine radikale Abkehr von Liangs lange gehegtem Grundsatz 'keine Mittelaufnahme, kein Börsengang, keine Kommerzialisierung' . Am bemerkenswertesten: Liang selbst wurde zum größten Einzelinvestor, indem er rund 20 Milliarden Yuan (ca. 2,8 Milliarden Dollar) aus eigener Tasche beisteuerte – fast die Hälfte der gesamten Summe . Auch Tencent war ein wichtiger Teilnehmer . Das Kapital ist dazu bestimmt, die Belegschaft von DeepSeek zu verdoppeln und aggressiv Rechenleistung zu erwerben, um mit den führenden US-Labors konkurrieren zu können .

Open Source ist nicht verhandelbar

Liang bekannte sich fest dazu, die fortschrittlichsten Modelle von DeepSeek weiterhin als Open Source zu veröffentlichen. Er argumentiert, dass Open-Source-Entwicklung und kommerzielle Monetarisierung sich nicht gegenseitig ausschließen . Er beschrieb Open Source als 'Gewinnverzicht' – einen bewussten Kompromiss, der interne Vorteile (Stolz der Mitarbeiter, Zusammenhalt im Unternehmen) und externe Vorteile (die breitere KI-Community profitiert) bringt . Er lehnte einen Wechsel zu Closed Source explizit ab und betonte, dass Zurückhaltung selbst eine Strategie sei, um die Wahrscheinlichkeit der Erreichung von AGI zu maximieren .

Die AGI-Roadmap: Schritt für Schritt

Liang stellte klar, dass die alleinige langfristige Vision von DeepSeek AGI ist – nicht der Aufbau einer Verbraucherplattform, einer Super-App oder die Maximierung kurzfristiger Einnahmen . Er legte eine gestaffelte technische Roadmap dar:

• CoT (Chain-of-Thought): die 'Treppenstufe' des Jahres 2025 .
• Agent: die aktuelle Treppenstufe für 2026 .
• Continuous Learning (Kontinuierliches Lernen): das nächste große Problem, das nach Agent gelöst werden muss .
• Singularität → Verkörperte Intelligenz (Embodied Intelligence): die längerfristige Entwicklung nach dem kontinuierlichen Lernen .

Investitionen in 3D-Generierung, Videogenerierung oder Weltmodelle lehnte er explizit als Ablenkungen vom AGI-Pfad ab .

Die Philosophie der 'Zurückhaltung als Strategie'

Liang lehnte eine monopolistische Gewinnmaximierung ab. Seine API-Preisphilosophie war geradlinig: Die Preise sollten die Hardwarekosten in etwa zehn Monaten wieder einspielen – ein angemessener Gewinn, kein gewinnmaximierender . Er stellte fest, dass die Nachfrage in diesem Preissegment unelastisch sei – selbst eine Verdoppelung des Preises würde den Token-Verbrauch nicht wesentlich reduzieren –, aber er entschied sich dennoch dagegen . Als DeepSeek einmal den Preis eines Modells auf ein Viertel senkte, feierte das Team; die Erschwinglichkeit selbst war das Ziel .

Zum Thema Monopol sagte er, das Unternehmen kämpfe nicht um Verbraucher-Traffic, jage nicht den B2B-Markttrends hinterher und versuche nicht, irgendeine Nische zu dominieren . Sein Kernargument: 'Je zurückhaltender du bist, desto wahrscheinlicher ist es, dass du Erfolg hast' . Das einzige Monopol, das ihm wichtig ist, ist das, das für den AGI-Fortschritt entscheidend ist: der Zugang zu Rechenleistung. Dies bezeichnete er als die größte Einschränkung von DeepSeek. Er stellte fest, dass DeepSeek mit etwa 20.000 H-äquivalenten GPUs nur über etwa 1/20 der Rechenleistung der US-Spitzenlabore verfügt und damit 12 bis 18 Monate hinter den USA zurückliegt .