LLM-Marktanteil: Nutzung & Akzeptanz im Vergleich

Wir analysierten den LLM-Marktanteil, indem wir nutzungsbasierte Daten und Web-Besuchsschätzungen kombiniert haben, um zu zeigen, wie sich die Nachfrage nach Large Language Models auf KI-Labore und KI-Anwendungen verteilt.

LLM-Marktanteil im Ländervergleich

Lesen Sie die Methodik, um zu sehen, wie wir diese Ergebnisse gemessen und berechnet haben.

Die Vereinigten Staaten dominierten die Web-Besuche in allen vier Monaten und machten durchgehend 90–95 % aus. Dies spiegelt sowohl die Konzentration von KI-Verbraucherprodukten in englischsprachigen Märkten als auch die US-Basis der meisten großen Plattformen wider.

China zeigt ein anderes Nutzungsprofil:

• Im November 2025 entfielen auf China 51 % der Entwicklernutzung ohne BYOK, aber nur etwa 7 % der Web-Besuche. Dies deutet auf eine starke API- oder programmatische Nutzung statt auf Verbraucheraktivität hin.
• Bei der Metrik „Entwicklernutzung ohne BYOK“ ändert sich der Abstand zwischen China und den USA im Laufe des Jahres. Ab Juli 2026 übernimmt China jedoch mit großem Abstand die Führung beim Anteil der Entwicklernutzung ohne BYOK.

LLM-Marktanteil im Anwendungsvergleich

ChatGPT bleibt Marktführer, aber der Wettbewerbsdruck nimmt zu. Sein Marktanteil sank von 74 % im Oktober 2025 auf 53 % im Juli 2026, ein Rückgang um 20 Prozentpunkte innerhalb von 9 Monaten.

Gemini machte den größten Teil dieser Verschiebung aus, indem es von 14 % auf 26,5 % wuchs. Der Anstieg resultierte wahrscheinlich aus Vertrieb und kontinuierlichen Modellverbesserungen.

LLM-Marktanteil nach KI-Laboren

OpenAI verzeichnete die größte Veränderung im Datensatz. Sein Anteil der Web-Besuche sank von 71 % im November 2025 auf 55 % im August 2026, während Anthropics Web-Besuche von 2,5 % auf 9 % zunahmen.

Bei der Entwicklernutzung ohne BYOK sank Qwens starke Präsenz im November 2025 von 39 % dramatisch auf 3 % im August 2026.

Währenddessen zeigte Xiaomi das höchste Wachstum und steigerte sich von etwa 3 % im Mai 2026 auf 70 % im Juli 2026. Xiaomis Anstieg im Juli ist wahrscheinlich auf die Einführung von MiMo-V2.5 zurückzuführen. Preissenkungen, eine 5–8×-Erhöhung der API-Plan-Kontingente, OpenAI/Codex-kompatible APIs und eine starke Code-/Agentenleistung machten MiMo besonders attraktiv für Entwickler-Workloads mit hohem Volumen.¹

Marktanteilsvergleich nach App-Kategorien

Chat dominiert den Markt beim Anteil der Web-Besuche und macht durchgehend über 95 % aus. Die Nutzung von KI im Verbraucherbereich ist weiterhin auf allgemeine konversationelle Schnittstellen zentriert. Eine bemerkenswerte Veränderung zeigt sich bei der Entwicklernutzung: Chat sank im Juli 2026 auf 24 %, und Code überholte ihn mit 51 %

Innerhalb der Kategorie Chat entfielen im Juli 2026 auf ChatGPT und Gemini ~80 % des Marktanteils.

LLM-Marktanteilsmethodik

Schritt 1: Identifizierung von KI-Laboren und KI-Anwendungen

• KI-Labore: Organisationen, die LLMs entwickeln und pflegen. OpenAI, Google, Anthropic, DeepSeek, Qwen, X, Mistral AI und Meta Llama gehören beispielsweise zu den prominentesten KI-Laboren, die KI-Apps entwickeln.
• KI-Anwendungen: Endbenutzer-Tools, Plattformen oder Agenten, die auf eine oder mehrere LLMs angewiesen sind, wie ChatGPT, Claude, Grok und Gemini.

Jede KI-Anwendung wird dann zugeordnet zu:

• Einem oder mehreren zugrunde liegenden KI-Laboren.
• Einer funktionalen Kategorie.

Schritt 2: Berechnung des Marktanteils auf App- und Laborebene

Wir haben die folgenden Metriken verwendet, um den Marktanteil für Apps und KI-Labore zu berechnen:

Entwicklernutzung ohne BYOK

Erfasst, wie viele Tokens die Modelle eines Labors über OpenRouters kostenpflichtiges Creditsystem verarbeiten. Die Kriterien schließen Anfragen aus, die über BYOK (Bring Your Own Key) geleitet werden, bei denen Entwickler ihre eigenen Provider-API-Schlüssel bereitstellen und direkt vom Provider abgerechnet werden statt über OpenRouter.

Ein hoher Anteil hier signalisiert, dass die Modelle eines Labors in entwicklergebauten Workflows weit verbreitet sind: API-integrierte Anwendungen, Agenten-Pipelines, RAG-Systeme und Codegenerierungstools. Es ist ein angebotsseitiges Signal, das mit der Entwickleraktivität auf der OpenRouter-Plattform verbunden ist.

Einschränkungen:

OpenRouter-Daten spiegeln eine selbstselektierte Population wider: Entwickler, die für API-Zugang bezahlen, um Anfragen über mehrere Modelle zu leiten. Die Nutzung von ChatGPT, Gemini oder Claude über ihre nativen Apps wird nicht erfasst; die Daten spiegeln in erster Linie Anfragen wider, die über die Plattform von OpenRouter geleitet werden.

OpenRouters „State of KI“-Bericht stellt fest, dass seine Nutzerbasis stark auf API-integrierte Workflows ausgerichtet ist und dass über 50 % der Nutzung außerhalb der Vereinigten Staaten stattfindet. Chinesische Entwickler, insbesondere solche, die auf DeepSeek und Qwen aufbauen, nutzen OpenRouter aktiv für den programmatischen Zugriff. Dies erhöht Chinas Token-Anteil im Verhältnis zu seiner tatsächlichen Verbraucherpräsenz.²

BYOK schafft auch eine Datenlücke. Wenn Entwickler ihre eigenen API-Schlüssel verwenden, leitet OpenRouter die Anfrage, aber der zugrunde liegende Anbieter rechnet direkt mit ihnen ab. Infolgedessen erscheinen diese Tokens nicht in OpenRouters Plattform-Nutzungsstatistiken.

Das bedeutet, dass die Token-Daten von OpenRouter große Unternehmensnutzer mit BYOK-Vereinbarungen nicht erfassen. Gleichzeitig gewichtet es Teams stärker, die über OpenRouter-Guthaben zahlen.

Web-Besuche

Erfasst Besuche auf den Websites von KI-Produkten im Desktop- und Mobile-Web anhand von Similarweb-Schätzungen.³Die Metrik zeigt, wie viele Menschen diese Produkte aktiv online besuchen, und weist auf webbasierte Nachfrage und Akzeptanz hin. Sie misst keine In-App-Nutzungsaktivität.

Einschränkungen: Similarweb wendet Stichproben und Inferenz an, um Metriken wie die Gesamtzahl der Besuche zu erzeugen, wodurch die Schätzungen richtungsweisend statt exakt sind. Die Metrik kann auch private, unternehmensspezifische oder regional eingeschränkte Bereitstellungen unterrepräsentieren.

Schritt 3: Kategorisierung von KI-Anwendungen

Wir haben KI-Anwendungen basierend auf ihrem primären Anwendungsfall in Kategorien eingeteilt. Obwohl viele Tools mehrere Funktionen abdecken, haben wir jeder Anwendung eine einzige primäre Kategorie zugewiesen, um die Konsistenz der Datenanalyse zu gewährleisten.

• Allgemeiner Chat: Anwendungen, die auf konversationelle Interaktion, logisches Denken und breite Aufgabenunterstützung ausgerichtet sind. Diese Tools machen einen großen Anteil der verbraucherorientierten LLM-Nutzung aus und spielen eine zentrale Rolle bei Kundeninteraktionen.
• Programmier- und Code-Assistenten: Codegenerierung, Debugging und Softwareentwicklungs-Workflows. Diese Kategorie ist eng mit Unternehmensnutzung und Entwicklerproduktivität verbunden.
• Entwicklerplattformen und Tooling: Plattformen, die es Entwicklern und Unternehmen ermöglichen, KI-Anwendungen zu erstellen, bereitzustellen oder zu verwalten. Diese Tools sind zentral für die KI-Integration und werden häufig von Cloud-Anbietern und großen Unternehmen genutzt.
• Such- und Antwort-Engines: Anwendungen, die für Informationsabruf und -synthese statt für offenen Chat optimiert sind. Diese Tools kombinieren Sprachmodelle häufig mit Internetdaten, um eine höhere Genauigkeit zu erzielen.
• Vision und multimodale Generierung: Anwendungen, die sich auf Bild- und Videogenerierung oder -verständnis konzentrieren und häufig in der Inhaltserstellung und in medienbezogenen Branchen eingesetzt werden.
• Audio und Sprache: Tools, die auf Spracherzeugung, Sprachinteraktion oder Audioverarbeitung ausgerichtet sind.
• Gaming und interaktive KI: Anwendungen, die hauptsächlich für Unterhaltung, Rollenspiele oder interaktive Erlebnisse konzipiert sind.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

FAQs

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{LLM-Marktanteil: Nutzung & Akzeptanz im Vergleich}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/llm-market-share}},
  note   = {AIMultiple. Abgerufen am 25. September 2026}
}

Änderungsprotokoll

3 Aktualisierungen

2026

1. 31. Aug

   Xiaomi als führender Anbieter bei Entwicklernutzung mit 59,3% im Abschnitt App-Kategorien-Marktanteilsvergleich hinzugefügt.

2. 20. Apr

   Die Metriken Token-Anteil und Traffic-Anteil wurden durch Entwicklernutzung ohne BYOK und Web-Besuche ersetzt.

3. 13. Apr

   Ersetzte den Methodikabschnitt durch Definitionen der Metriken Token-Anteil, Traffic-Anteil und Power-Index.

Referenzlinks

1.

Xiaomi MiMo Home

2.

State of AI 2025: 100T Token LLM Usage Study | OpenRouter

OpenRouter

3.

Similarweb Data Methodology – Similarweb Knowledge Center

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple und befasst sich mit KI-Modellen, KI-Infrastruktur, KI-Governance und KI-Anwendungen für Unternehmen. Ihre Forschung konzentriert sich hauptsächlich auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit.
Zuvor arbeitete sie als Personalvermittlerin in Projektmanagement- und Beratungsunternehmen. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationalen Beziehungen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten