Für Unternehmen ist DeepSeek Coder ein Sonderfall in dieser Wissensdatenbank. Die meisten Werkzeuge, die wir hier beschreiben, sind fertige Produkte: eine Erweiterung für den Editor, ein Dienst für Pull Requests, eine Cloud-Plattform mit Benutzerverwaltung. DeepSeek Coder ist dagegen in erster Linie ein Modell, also der Rechenkern, der hinter einem solchen Produkt arbeitet. Wer es nutzen möchte, braucht ein Werkzeug, das das Modell anspricht, und eine Entscheidung darüber, wo das Modell läuft. Genau diese Entscheidung ist bei einem chinesischen Anbieter der Dreh- und Angelpunkt.
Hinter DeepSeek steht ein Unternehmen mit Sitz in Hangzhou, das nach öffentlich bekannten Angaben aus dem Umfeld eines chinesischen quantitativen Investmenthauses hervorgegangen ist und seit 2023 eigene Sprachmodelle entwickelt. Der Anbieter hat sich früh dafür entschieden, viele seiner Modelle mit offenen Gewichten und begleitenden technischen Berichten zu veröffentlichen. Das hat DeepSeek in der Entwickler-Community bekannt gemacht und gleichzeitig eine Debatte über Abhängigkeiten, Datenschutz und geopolitische Risiken ausgelöst, die für die Bewertung im Mittelstand zentral ist. Drei Merkmale prägen DeepSeek Coder:
Die Geschichte von DeepSeek Coder ist kurz, aber lehrreich. Die erste Generation erschien Ende 2023 in mehreren Größen, jeweils als Basismodell für Autovervollständigung und als Instruct-Variante für Chat und Anweisungen. Im Jahr 2024 folgte DeepSeek-Coder-V2, das auf einer Mixture-of-Experts-Architektur aufbaute: Das Modell besteht aus vielen spezialisierten Teilnetzen, von denen pro Anfrage nur ein Teil aktiv ist. Das macht große Modelle im Betrieb effizienter, als ihre Gesamtgröße vermuten lässt.
Danach hat DeepSeek nach unserem Kenntnisstand die Trennung zwischen Chat- und Code-Modellen schrittweise aufgegeben. Bereits mit einer Zwischenversion der zweiten Generation wurden allgemeine und Code-Fähigkeiten in einem Modell zusammengeführt, und die späteren großen Modelle der V-Generationen sowie die auf logisches Schlussfolgern ausgerichteten Modelle decken Programmieraufgaben mit ab. Ob und in welcher Form künftig wieder eigenständige Coder-Modelle erscheinen, ist offen. Wer heute von „DeepSeek Coder“ spricht, meint deshalb entweder die älteren spezialisierten Modelle oder umgangssprachlich die Coding-Fähigkeiten der aktuellen DeepSeek-Modelle. Den jeweils aktuellen Stand sollten Sie beim Anbieter und in den Modellverzeichnissen prüfen.
Viele mittelständische Unternehmen stehen vor demselben Dilemma: Sie sehen den Produktivitätsgewinn durch KI-Assistenten, dürfen oder wollen ihren Quellcode aber nicht an einen Cloud-Dienst außerhalb der EU übermitteln. Gerade in der Industrie, im Maschinenbau, im Gesundheitswesen oder bei Zulieferern mit strengen Kundenauflagen ist Quellcode ein schützenswertes Gut. Offene Modelle lösen dieses Dilemma grundsätzlich, weil sie sich vollständig im eigenen Netz betreiben lassen.
DeepSeek Coder hat in dieser Kategorie Maßstäbe gesetzt und die Erwartungen an offene Code-Modelle deutlich angehoben. Gleichzeitig ist es nicht die einzige Option. Mit Codestral von Mistral AI gibt es einen europäischen Anbieter, mit StarCoder2 ein Projekt aus einer offenen Forschungsgemeinschaft und mit weiteren Modellfamilien internationaler Anbieter zusätzliche Alternativen. Die Frage für Unternehmen lautet deshalb nicht nur, ob DeepSeek Coder gut ist, sondern ob die Herkunft des Modells, die Lizenz und die internen Richtlinien zum Einsatz passen. Diese Abwägung zieht sich durch alle folgenden Kapitel.
Die erste Generation von DeepSeek Coder ist für viele Unternehmen bis heute der praktikabelste Einstieg. Die Modelle sind dicht aufgebaut, also ohne Experten-Architektur, und in mehreren Größen verfügbar. Die kleineren Varianten laufen mit Quantisierung auf gut ausgestatteten Entwickler-Notebooks oder Arbeitsplatzrechnern mit aktueller Grafikkarte, die mittleren auf einer einzelnen Server-GPU, die großen auf einem Server mit mehreren GPUs. Die Basismodelle sind auf Vervollständigung und das Füllen von Lücken trainiert und eignen sich damit für Inline-Vorschläge im Editor. Die Instruct-Modelle sind für Chat, Erklärungen und Aufgaben in natürlicher Sprache optimiert.
Bemerkenswert war bei der Veröffentlichung, dass DeepSeek nicht nur einzelne Dateien, sondern ganze Repositorys als Trainingseinheiten verwendet hat. Das Modell sollte dadurch lernen, wie Dateien eines Projekts zusammenhängen. In der Praxis zeigt sich das darin, dass Vorschläge häufiger zu Konventionen und Strukturen des umgebenden Projekts passen, sofern das Werkzeug dem Modell genügend Kontext mitgibt. Die Leistung im Vergleich zu aktuellen Modellen ist allerdings nicht mehr an der Spitze; Code-Modelle entwickeln sich schnell, und ältere Generationen werden von neueren Veröffentlichungen anderer Anbieter regelmäßig überholt.
DeepSeek-Coder-V2 war ein deutlicher Sprung. Die Mixture-of-Experts-Architektur erlaubt sehr große Modelle, bei denen pro Token nur ein Bruchteil der Parameter rechnet. Für den Betrieb heißt das: Die Rechenlast pro Anfrage ist moderat, der Speicherbedarf für das vollständige Modell aber hoch, weil alle Experten im Speicher liegen müssen. Die Lite-Variante ist ein Kompromiss, der sich auf einer leistungsfähigen Workstation oder einem kleinen GPU-Server betreiben lässt. Die Vollvariante ist eher etwas für Rechenzentren oder für Hoster, die das Modell als Dienst anbieten.
Mit den nachfolgenden Modellen hat DeepSeek die Code-Kompetenz in allgemeine Modelle verlagert. Für Unternehmen hat das zwei Folgen. Erstens werden die leistungsstärksten DeepSeek-Modelle für Code immer größer und sind damit kaum noch auf eigener Hardware im Mittelstand zu betreiben. Zweitens gibt es aus dieser Linie zum Teil kleinere, sogenannte destillierte Modelle, bei denen Fähigkeiten eines großen Modells auf kleinere Basismodelle übertragen wurden, auch auf Basismodelle anderer Anbieter. Welche Variante welche Lizenz hat und auf welchem Basismodell sie beruht, muss im Einzelfall geprüft werden.
DeepSeek Coder konkurriert nicht direkt mit GitHub Copilot oder Cursor, sondern mit den Modellen, die in solchen Werkzeugen arbeiten. Es positioniert sich als leistungsfähiger, frei verfügbarer Rechenkern, den Unternehmen in eigene Werkzeugketten einbauen können. Das ist eine Stärke für Teams mit technischer Kompetenz und eine Hürde für Teams, die eine fertige Lösung mit Support, Benutzerverwaltung und Vertragsrahmen suchen. Einen Unternehmensvertrag mit Auftragsverarbeitung, europäischen Ansprechpartnern und Service-Zusagen gibt es beim Self-Hosting nicht, denn dann ist das Unternehmen selbst Betreiber. Für Cloud-Nutzung beim Hersteller bestehen aus unserer Sicht keine Konditionen, die den Anforderungen europäischer Unternehmen an Datenschutz und Geheimnisschutz verlässlich genügen.
Die Basismodelle von DeepSeek Coder wurden darauf trainiert, nicht nur am Ende einer Datei weiterzuschreiben, sondern Lücken zwischen vorhandenem Code zu schließen. Dieses Verfahren, meist als Fill-in-the-Middle bezeichnet, ist die Grundlage für brauchbare Autovervollständigung. Wenn eine Entwicklerin mitten in einer Funktion eine neue Zeile beginnt, sieht das Modell den Code oberhalb und unterhalb der Cursorposition und schlägt etwas vor, das zu beidem passt. Werkzeuge wie Tabby, Continue oder Refact nutzen genau diesen Modus, sofern sie für das Modell richtig konfiguriert sind.
Für Vervollständigung ist Geschwindigkeit wichtiger als maximale Intelligenz. Ein Vorschlag, der nach mehreren Sekunden erscheint, stört mehr, als er hilft. In der Praxis setzen Teams deshalb für die Inline-Vervollständigung bevorzugt kleine Modelle ein, die auf lokaler oder zentraler Hardware schnell antworten, und für Chat und komplexe Aufgaben ein größeres Modell. DeepSeek Coder bietet für beide Rollen passende Größen, was die Planung einer gemischten Umgebung erleichtert.
Die Instruct-Varianten beantworten Fragen zu Code, erklären Algorithmen, deuten Fehlermeldungen und schreiben auf Anweisung neue Funktionen oder Tests. Sie verstehen Anweisungen auf Englisch am besten, kommen nach unserer Erfahrung aber auch mit deutschen Anfragen zurecht; Kommentare und Erklärungen auf Deutsch sind allerdings sprachlich nicht immer so sicher wie bei Modellen mit stärkerem europäischem Trainingsanteil. Für technische Teams, die ohnehin englische Bezeichner und Kommentare verwenden, ist das selten ein Problem.
Die Qualität der Ergebnisse hängt stark vom Kontext ab, den das Werkzeug mitliefert. Ein Modell, das nur die aktuelle Datei sieht, kann nicht wissen, welche Hilfsfunktionen es im Projekt bereits gibt oder welche Konventionen gelten. Gute Werkzeuge ergänzen deshalb relevante Ausschnitte aus anderen Dateien, Dokumentation oder Schnittstellenbeschreibungen. Bei Self-Hosting liegt die Verantwortung für diese Kontextversorgung beim eigenen Team, was zusätzlichen Konfigurationsaufwand bedeutet, aber auch volle Kontrolle darüber, welche Daten das Modell sieht.
DeepSeek Coder unterstützt eine breite Palette gängiger Programmiersprachen, darunter Python, Java, JavaScript, TypeScript, C, C++, C#, Go, PHP, Rust und SQL, sowie viele weitere in geringerer Tiefe. Die Ergebnisse sind wie bei allen Code-Modellen in weit verbreiteten Sprachen am besten. In Nischensprachen, bei proprietären Skriptsprachen von Branchensoftware oder bei sehr alten Dialekten, wie sie in der Industrie noch vorkommen, sinkt die Qualität spürbar.
Typische Fehlerbilder sind erfundene Funktionen oder Bibliotheken, veraltete Schnittstellen und Code, der plausibel aussieht, aber Randfälle falsch behandelt. Hinzu kommen Sicherheitsschwächen, etwa unsauber behandelte Eingaben, schwache Kryptografie oder fehlende Rechteprüfungen. Das ist kein spezifisches Problem von DeepSeek, sondern gilt für alle Code-Modelle. Es unterstreicht aber, dass generierter Code dieselben Prüfungen durchlaufen muss wie menschlicher Code: Review, Tests und statische Analyse. Ein Modell, das in der eigenen Infrastruktur läuft, ist nicht automatisch ein Modell, dessen Ergebnissen man blind vertrauen kann.
Die erste Generation von DeepSeek Coder wurde vor der breiten Verbreitung agentischer Werkzeuge entwickelt. Sie beherrscht einzelne Aufgaben gut, ist aber nicht speziell darauf trainiert, strukturierte Werkzeugaufrufe abzusetzen oder über lange Abläufe einen Plan zu verfolgen. In einfachen Agenten-Workflows, etwa beim Bearbeiten einer überschaubaren Anzahl von Dateien mit Aider, funktioniert sie dennoch, solange die Aufgaben klar geschnitten sind.
Die neueren allgemeinen DeepSeek-Modelle sind nach Herstellerangaben deutlich stärker auf Werkzeugnutzung und mehrschrittige Aufgaben ausgerichtet. Die Reasoning-Varianten denken vor der Antwort ausführlicher nach, was bei kniffligen Fehlern oder Algorithmen hilft, aber Antwortzeit und Rechenaufwand erhöht. Für den Einsatz in Agenten-Werkzeugen gilt die Faustregel: Je größer und neuer das Modell, desto zuverlässiger die Ergebnisse, aber desto höher der Hardwarebedarf. Für viele Mittelständler ist das der Punkt, an dem Self-Hosting an Grenzen stößt und ein europäischer Hoster oder ein anderes Modell die praktikablere Lösung wird.
Weil ein lokal betriebenes Modell über eine Standardschnittstelle erreichbar ist, lässt es sich auch außerhalb des Editors einsetzen. Denkbar sind Schritte in der CI-Pipeline, die zu jedem Merge Request eine Zusammenfassung erstellen, Skripte, die alte Module dokumentieren, oder nächtliche Läufe, die Testvorschläge für geänderte Dateien erzeugen. Der Vorteil gegenüber Cloud-Diensten: Es fallen keine Kosten pro Token an, und der Code bleibt im eigenen Netz. Der Nachteil: Betrieb, Überwachung und Qualitätssicherung liegen vollständig beim eigenen Team.
Solche Automatisierungen sollten klein beginnen und klar abgegrenzte Ziele haben. Ein automatisch erstellter Kommentar im Merge Request ist harmlos und schnell bewertet. Ein Agent, der eigenständig Code ändert und Pull Requests eröffnet, braucht dagegen feste Regeln, wer die Ergebnisse prüft, welche Bereiche tabu sind und wie Fehlläufe erkannt werden. Ohne diese Disziplin entstehen schnell mehr ungeprüfte Änderungen, als das Team verarbeiten kann.
Bei Agenten kommt ein Risiko hinzu, das bei reiner Vervollständigung kaum eine Rolle spielt: Das Modell entscheidet mit, welche Befehle ausgeführt werden. Ein Modell kann durch manipulierte Inhalte in Dateien, Dokumentation oder Webseiten zu unerwünschten Aktionen verleitet werden, etwa zum Ausführen fremder Skripte. Diese sogenannte Prompt Injection betrifft alle Modelle, unabhängig vom Hersteller. Bei einem Modell aus einem Land ohne vergleichbare Transparenz- und Aufsichtsstrukturen sind Unternehmen zusätzlich gut beraten, auch die theoretische Möglichkeit unerwünschter Verhaltensmuster im Modell selbst ernst zu nehmen. Konkrete Belege für versteckte Hintertüren in DeepSeek-Modellen sind uns nicht bekannt, die Forschung zeigt aber, dass solche Muster grundsätzlich möglich und schwer zu entdecken sind. Abschottung, minimale Rechte und menschliche Freigabe sind deshalb Pflicht.
Für erste Versuche auf einem einzelnen Rechner haben sich Ollama und LM Studio etabliert. Beide laden quantisierte Varianten eines Modells, stellen eine lokale Schnittstelle bereit und erfordern kaum Konfiguration. Die Grundlage vieler dieser Werkzeuge ist llama.cpp, eine effiziente Laufzeit, die Modelle auch auf CPUs und Apple-Rechnern mit gemeinsamem Speicher ausführen kann. Für ein Team, das ein Modell zentral für viele Entwicklerinnen und Entwickler bereitstellen möchte, sind Server-Laufzeiten wie vLLM, SGLang oder Text Generation Inference die bessere Wahl. Sie bündeln Anfragen, nutzen GPUs effizient und stellen eine Schnittstelle bereit, die mit gängigen Client-Bibliotheken kompatibel ist.
Diese Kompatibilität ist ein großer Vorteil. Fast alle Editor-Werkzeuge und Agenten können eine solche Schnittstelle ansprechen, indem man lediglich Adresse, Modellname und gegebenenfalls einen internen Schlüssel einträgt. Ein Wechsel des Modells, etwa von DeepSeek Coder zu Codestral oder StarCoder2, ist dann eine Konfigurationsänderung und kein neues Projekt. Diese Austauschbarkeit sollte bei der Architektur von Anfang an eingeplant werden, um Abhängigkeiten von einem einzelnen Modell zu vermeiden.
Im Editor wird DeepSeek Coder meist über quelloffene Erweiterungen genutzt. Continue bietet Chat, Bearbeitung und Vervollständigung in VS Code und JetBrains-IDEs und lässt sich frei mit lokalen Modellen verbinden. Tabby ist ein selbst betriebener Server mit eigener Erweiterung, Benutzerverwaltung und Repository-Indizierung, der sich gut für Teams eignet. Refact bietet eine ähnliche Kombination aus Server und Erweiterung. Für agentische Arbeit auf der Kommandozeile oder im Editor kommen Aider und Cline infrage, die beide mit beliebigen kompatiblen Endpunkten arbeiten.
Wichtig für die Qualität ist die richtige Konfiguration. Basismodelle für Vervollständigung erwarten ein bestimmtes Format für Fill-in-the-Middle, Instruct-Modelle eine passende Chat-Vorlage. Viele Werkzeuge bringen dafür Voreinstellungen mit, bei neueren oder destillierten Varianten muss man aber gelegentlich nachjustieren. Falsch konfigurierte Vorlagen sind eine häufige Ursache für schlechte Ergebnisse, die dann fälschlich dem Modell zugeschrieben werden.
Die Gewichte von DeepSeek Coder werden über öffentliche Modellverzeichnisse wie Hugging Face und über die offiziellen Kanäle des Herstellers verteilt. Daneben existieren zahlreiche Varianten Dritter: quantisierte Fassungen, nachtrainierte Versionen und Zusammenführungen mehrerer Modelle. Für Unternehmen gilt: Nur Gewichte aus nachvollziehbaren Quellen verwenden, Prüfsummen abgleichen und sichere Dateiformate wie Safetensors oder etablierte Quantisierungsformate bevorzugen, die beim Laden keinen beliebigen Code ausführen.
Wer keine eigenen GPUs betreiben möchte, kann DeepSeek-Modelle auch bei Hostern nutzen, die die offenen Gewichte in eigenen Rechenzentren betreiben. Einige große Cloud-Plattformen und spezialisierte Anbieter haben DeepSeek-Modelle in ihre Modellkataloge aufgenommen, teils mit europäischen Regionen. In diesem Fall fließen Daten nicht an DeepSeek, sondern an den jeweiligen Hoster, mit dessen Vertrag, Auftragsverarbeitung und Serverstandort. Welche Modelle wo in welcher Region verfügbar sind, ändert sich laufend und sollte vor der Entscheidung aktuell beim jeweiligen Anbieter geprüft werden.
Im Segment der offenen Code-Modelle ist DeepSeek Coder einer der bekanntesten Namen, aber nicht allein. Codestral von Mistral AI hat den Vorteil eines europäischen Herstellers, der auch eine Cloud-Schnittstelle innerhalb der EU anbietet. Die Gewichte sind verfügbar, für den kommerziellen Selbstbetrieb gelten aber Lizenzauflagen, die vor dem Einsatz zu prüfen sind. StarCoder2 aus dem BigCode-Projekt punktet mit besonders transparenter Dokumentation der Trainingsdaten und einem Verfahren, mit dem Urheber ihre Repositorys ausschließen konnten. Für Unternehmen, die Wert auf Nachvollziehbarkeit legen, ist das ein Argument.
Daneben gibt es weitere leistungsstarke Code-Modelle internationaler Anbieter, darunter auch Modellfamilien anderer chinesischer Hersteller, für die dieselben Fragen zu Herkunft und Cloud-Nutzung gelten. Meta hat mit Code Llama ebenfalls eine offene Familie vorgelegt, die inzwischen aber von neueren Modellen überholt wurde. In der Leistung liegen die aktuellen Generationen dieser Familien oft nah beieinander, und die Rangfolge ändert sich mit jeder Veröffentlichung. Wer sich festlegt, sollte deshalb auf eine Architektur setzen, in der das Modell austauschbar bleibt.
GitHub Copilot, Cursor, Windsurf und vergleichbare Werkzeuge sind fertige Produkte mit Benutzerverwaltung, Abrechnung, Support und laufend aktualisierten Modellen. Sie greifen auf die leistungsstärksten proprietären Modelle zu und bieten Funktionen wie Repository-Indizierung, Agenten im Editor und Integration in Git-Plattformen aus einer Hand. Ein selbst betriebenes DeepSeek-Modell erreicht diesen Komfort nur in Kombination mit Werkzeugen wie Tabby oder Continue und mit eigenem Betriebsaufwand.
Der Vorteil des Selbstbetriebs liegt an anderer Stelle: vollständige Kontrolle über Daten, keine Abhängigkeit von Preisänderungen eines Anbieters, keine Übermittlung von Code in Drittländer und die Möglichkeit, auch in abgeschotteten Netzen ohne Internetzugang zu arbeiten. Für Unternehmen mit hohen Schutzanforderungen kann das den Ausschlag geben, auch wenn die Ergebnisse nicht ganz an die Spitzenmodelle der großen Cloud-Anbieter heranreichen.
Der sicherste Weg ist der Betrieb im eigenen Rechenzentrum oder Serverraum. Für ein kleines Team genügt für den Einstieg ein Server mit einer leistungsfähigen GPU, auf dem ein kompaktes Modell für Vervollständigung und ein mittelgroßes Modell für Chat laufen. Größere Teams oder größere Modelle erfordern mehrere GPUs mit entsprechend viel Grafikspeicher. Die genaue Dimensionierung hängt von Modellgröße, Quantisierung, Kontextlänge und Zahl gleichzeitiger Nutzer ab und sollte in einem Pilotbetrieb gemessen statt geschätzt werden.
Zum Betrieb gehören mehr als ein laufendes Modell: Authentifizierung für den internen Endpunkt, Protokollierung ohne Speicherung sensibler Inhalte, Überwachung von Auslastung und Antwortzeiten, ein Prozess für Modell-Updates und eine Rückfallebene, falls der Server ausfällt. Ein Reverse Proxy mit Anmeldung über das vorhandene Identitätsmanagement und eine Netzsegmentierung, die den Modellserver vom Internet trennt, sind sinnvolle Grundbausteine. Damit lässt sich auch nachweisen, dass keine Daten das Netz verlassen.
Wer keine eigenen GPUs anschaffen möchte, kann die offenen Gewichte bei einem Hoster mit Rechenzentren in der EU betreiben lassen, etwa als dedizierte GPU-Instanz oder als verwalteter Modelldienst. Datenschutzrechtlich entsteht dann eine Auftragsverarbeitung mit dem Hoster, nicht mit DeepSeek. Entscheidend sind Serverstandort, Vertragsgestaltung, Zugriffsmöglichkeiten des Hosters und die Frage, ob Anfragen protokolliert oder gespeichert werden. Bei Hostern mit Sitz außerhalb der EU ist zusätzlich der Zugriff ausländischer Behörden zu bewerten, auch wenn die Server in Europa stehen.
Diese Variante verbindet einen Teil der Vorteile des Selbstbetriebs mit geringerem Aufwand. Sie ist besonders interessant, wenn größere Modelle der V-Generationen genutzt werden sollen, deren Hardwarebedarf die Möglichkeiten eines typischen Mittelständlers übersteigt. Prüfen Sie dabei, ob der Hoster das Modell in unveränderter Form aus verifizierter Quelle betreibt und wie Updates gehandhabt werden.
Bewährt hat sich ein schrittweises Vorgehen. Zuerst wird die Grundsatzfrage geklärt, ob Modelle chinesischer Herkunft im Unternehmen überhaupt eingesetzt werden dürfen, auch wenn sie lokal laufen. Manche Konzerne, öffentliche Auftraggeber oder Kunden aus sicherheitsrelevanten Branchen schließen das kategorisch aus, und diese Vorgabe sollte vor jeder technischen Arbeit bekannt sein. Danach folgt ein Pilot mit wenigen Freiwilligen, einem kompakten Modell und einem Editor-Werkzeug wie Continue oder Tabby, um Antwortzeiten, Qualität und Akzeptanz zu messen.
Im dritten Schritt werden Betrieb, Rechte und Richtlinien festgelegt: wer Modelle aktualisieren darf, welche Repositorys angebunden werden, wie mit generiertem Code umgegangen wird. Erst im vierten Schritt folgt die breitere Einführung, idealerweise begleitet von einer kurzen Schulung zu Stärken, Grenzen und sicherem Umgang. Parallel sollte ein Vergleich mit mindestens einem alternativen Modell laufen, etwa Codestral oder StarCoder2, damit die Entscheidung auf eigenen Messungen beruht.
In allen Szenarien wiederholen sich dieselben Voraussetzungen. Es braucht mindestens eine Person, die sich mit Betrieb und Konfiguration von Modellen auskennt oder sich einarbeiten möchte. Es braucht Hardware oder einen Hoster mit ausreichend Leistung für die gewünschte Modellgröße. Und es braucht eine klare Vereinbarung im Team, wie generierter Code geprüft und gekennzeichnet wird. Fehlt eine dieser Voraussetzungen, ist ein fertiger Dienst eines europäischen Anbieters oder ein verwaltetes Angebot mit Unternehmensvertrag oft die bessere Wahl.
Hinzu kommt die Akzeptanzfrage. In manchen Unternehmen löst bereits der Name DeepSeek Vorbehalte aus, auch wenn das Modell vollständig lokal läuft. Diese Vorbehalte sollte man ernst nehmen und transparent adressieren: Was läuft wo, welche Daten fließen wohin, wie wird verhindert, dass jemand versehentlich den Cloud-Dienst nutzt. Eine offene Kommunikation, gegebenenfalls mit Einbindung von Datenschutzbeauftragten und Betriebsrat, schafft Vertrauen.
Es gibt Konstellationen, in denen wir von DeepSeek Coder abraten, selbst im Selbstbetrieb. Dazu gehören Unternehmen, deren Kunden oder Auftraggeber Software chinesischer Herkunft ausdrücklich ausschließen, etwa in der Verteidigungs- oder Sicherheitsindustrie, bei kritischen Infrastrukturen oder in bestimmten öffentlichen Aufträgen. Dazu gehören auch Teams ohne Betriebskompetenz, die mit einem fertigen Produkt schneller und sicherer ans Ziel kommen. Und schließlich Unternehmen, die vor allem die neuesten agentischen Fähigkeiten suchen und dafür die größten Modelle bräuchten, deren Betrieb wirtschaftlich nicht darstellbar ist. In diesen Fällen sind europäische Modelle, offene Modelle mit transparenter Herkunft oder Unternehmensangebote etablierter Anbieter die naheliegenden Alternativen.
Beim Selbstbetrieb fallen keine Lizenzgebühren und keine Kosten pro Anfrage an. Stattdessen verschiebt sich der Aufwand auf Investitionen und Betrieb: Anschaffung oder Miete von GPU-Servern, Strom und Kühlung, Wartung, Updates und die Arbeitszeit der Personen, die das System betreuen. Bei einem europäischen Hoster kommen Miet- oder Nutzungsgebühren hinzu, die je nach Modellgröße und Auslastung stark schwanken. Konkrete Preise für Hardware und Hosting ändern sich laufend und sollten aktuell bei den jeweiligen Anbietern geprüft werden.
Ob sich der Selbstbetrieb gegenüber einem Abonnement für einen Cloud-Assistenten rechnet, hängt von der Teamgröße, der Auslastung und den Anforderungen an Modellgröße ab. Für kleine Teams ist ein fertiger Dienst oft günstiger, für größere Teams mit hohen Schutzanforderungen kann sich eigene Hardware über die Nutzungsdauer lohnen. Die offizielle API von DeepSeek wirbt mit niedrigen Preisen pro Token; für Unternehmenscode ist sie aus den genannten Gründen aber keine Alternative, so dass sie in die Kalkulation nicht einfließen sollte.
Bei vollständigem Selbstbetrieb verlassen Code und Eingaben das eigene Netz nicht. Es findet keine Übermittlung an DeepSeek statt, und datenschutzrechtlich ist das Unternehmen selbst verantwortlich, wie bei jeder anderen internen Software. Zu dokumentieren sind dennoch Zweck, Datenarten, Zugriffsrechte und Protokollierung, insbesondere wenn personenbezogene Daten im Code oder in Eingaben vorkommen. Bei einem Hoster tritt ein Vertrag zur Auftragsverarbeitung hinzu.
Bei Nutzung der Cloud-Dienste des Herstellers sieht die Lage grundlegend anders aus. Daten werden nach Herstellerangaben in China verarbeitet und gespeichert, es gibt keinen Angemessenheitsbeschluss, und wirksame Garantien für eine Übermittlung lassen sich angesichts weitreichender staatlicher Zugriffsrechte nach chinesischem Recht kaum darlegen. Hinzu kommen Fragen zur Nutzung von Eingaben für Training und Produktverbesserung, zur Speicherdauer und zur Durchsetzbarkeit von Rechten. Aus unserer Sicht ist eine DSGVO-konforme Nutzung für Unternehmenszwecke damit kaum darstellbar. Die konkrete Bewertung sollte mit Ihrem Datenschutzbeauftragten erfolgen.
Quellcode ist in vielen Unternehmen ein Geschäftsgeheimnis. Wer ihn an einen Cloud-Dienst in China übermittelt, verliert faktisch die Kontrolle darüber, wer ihn einsehen, speichern oder auswerten kann. Das kann auch den rechtlichen Schutz als Geschäftsgeheimnis gefährden, der angemessene Geheimhaltungsmaßnahmen voraussetzt. Im Selbstbetrieb entfällt dieses Risiko, weil keine Daten nach außen fließen.
Zu beachten ist außerdem die Lizenz der Modelle. Die älteren Coder-Modelle wurden nach unserem Kenntnisstand unter einer eigenen Modelllizenz des Herstellers veröffentlicht, die kommerzielle Nutzung grundsätzlich erlaubt, aber Nutzungsbeschränkungen enthält. Neuere DeepSeek-Modelle wurden teilweise unter einer freizügigen Open-Source-Lizenz veröffentlicht. Destillierte Varianten können zusätzlich an die Lizenz ihres Basismodells gebunden sein. Prüfen Sie die Lizenz jeder eingesetzten Version einzeln. Wie bei allen Code-Modellen kann generierter Code zudem Ähnlichkeiten mit Trainingsdaten aufweisen; ein Prozess für Lizenzprüfungen bei größeren generierten Blöcken ist sinnvoll.
Code-Assistenten fallen in der Regel nicht in die Hochrisikokategorien des EU AI Act. Für Anbieter von KI-Modellen mit allgemeinem Verwendungszweck gelten aber Transparenzpflichten, und Unternehmen, die Modelle einsetzen, müssen für ausreichende KI-Kompetenz ihrer Beschäftigten sorgen. Werden Nutzungsdaten der Entwicklerinnen und Entwickler protokolliert, kann das Werkzeug zur Leistungs- oder Verhaltenskontrolle geeignet sein, was in Deutschland die Mitbestimmung des Betriebsrats berührt. Eine Betriebsvereinbarung oder zumindest eine klare KI-Richtlinie schafft hier Rechtssicherheit. Diese Hinweise ersetzen keine Rechtsberatung.
