{"id":1404930,"date":"2026-09-25T10:21:45","date_gmt":"2026-09-25T09:21:45","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&#038;p=1404930"},"modified":"2026-09-25T10:21:45","modified_gmt":"2026-09-25T09:21:45","slug":"chinas-ai-advantage-the-token-economics","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/chinas-ai-advantage-the-token-economics\/","title":{"rendered":"Chinas Vorteil im Bereich der KI: Die Token-\u00d6konomie"},"content":{"rendered":"<p>In den vergangenen zwei Jahren lautete die entscheidende Frage im Bereich der KI ganz einfach: <strong>Welches Modell ist das intelligenteste?<\/strong> Diese Frage verliert zunehmend an Bedeutung. Die Modellebene entwickelt sich schneller als erwartet zu einer Massenware, wobei sich Leistungsl\u00fccken, deren Schlie\u00dfung fr\u00fcher ein Jahr dauerte, nun innerhalb eines Quartals verringern \u2013 h\u00e4ufig durch technische Fortschritte au\u00dferhalb des Modells selbst. Daher kommt eine neue Variable in die Entscheidungsmatrix f\u00fcr KI hinzu: <strong>Wie viel kostet ein Wertmarke?<\/strong><\/p>\n<p>Das Token hat sich weit \u00fcber seine technische Definition als Untereinheit eines Wortes hinaus weiterentwickelt.<\/p>\n<ul>\n<li><strong>An einen Makler<\/strong>, ein Token ist die grundlegende Arbeitseinheit.<\/li>\n<li><strong>An einen Finanzvorstand<\/strong>, ein Token stellt einen neu entstehenden Betriebsaufwand dar.<\/li>\n<li><strong>Auf den Markt<\/strong>, ein Token verh\u00e4lt sich zunehmend wie eine handelbare Ware, mit verschiedenen Anbietern, Preisen, Routing-Mechanismen und sogar neu entstehenden Finanzinstrumenten.<\/li>\n<\/ul>\n<p>Unsere zentrale These ist einfach: <strong>Die Token-\u00d6konomie ist im Grunde genommen eine Energie\u00f6konomie, die durch Software verschleiert wird.<\/strong>. Da sich die Leistungsmerkmale der Modelle immer mehr angleichen, wird die F\u00e4higkeit, zuverl\u00e4ssige Token zu geringeren und besser kalkulierbaren Kosten zu generieren und zu verteilen, zu einer zunehmend wichtigen Quelle f\u00fcr Wettbewerbsvorteile werden.<\/p>\n<h2>Agenten haben die wirtschaftlichen Rahmenbedingungen der KI neu definiert<\/h2>\n<p>Herk\u00f6mmliche Chat-Oberfl\u00e4chen stellten eine nat\u00fcrliche Grenze f\u00fcr die Nutzung von KI dar: <strong>Menschen sind langsam<\/strong>. Ein Nutzer stellt eine Frage, wartet auf eine Antwort, liest diese und formuliert die n\u00e4chste Eingabeaufforderung. Die menschliche Interaktion ist daher <strong>wirkt als Begrenzer f\u00fcr den Token-Verbrauch<\/strong>.<\/p>\n<p><strong>Die Mitarbeiter entfernen diese Drosselklappe<\/strong>. Ein Programmieragent kann eine Aufgabe planen, Dateien pr\u00fcfen, Tools aufrufen, Befehle ausf\u00fchren, Ergebnisse auswerten, Fehler korrigieren und den Vorgang wiederholen. Mit jeder Iteration kann der an das Modell zur\u00fcckgegebene Kontext erweitert werden. Nach Sch\u00e4tzungen der Branche bel\u00e4uft sich das Arbeitsvolumen von Agenten \u00fcblicherweise auf <strong>Je nach Aufgabe 10- bis 50-mal so hoher Token-Verbrauch wie bei herk\u00f6mmlichen Interaktionen mit nur einer Gespr\u00e4chsrunde<\/strong>.<\/p>\n<p>Dies ver\u00e4ndert die wirtschaftlichen Rahmenbedingungen der KI. Mit zunehmender Verbreitung von Agenten h\u00e4ngt der Token-Verbrauch weniger von der menschlichen Nutzung ab, sondern vielmehr von <strong>Maschinenausf\u00fchrung<\/strong>. Der Markt reagiert bereits: Die intensive Nutzung hat KI-Produkte wie Cursor und Claude Code dazu gezwungen, ihre festen Abonnementmodelle zu \u00fcberdenken, <strong>die Einf\u00fchrung von Nutzungsbeschr\u00e4nkungen oder zus\u00e4tzlichen Geb\u00fchren<\/strong> wenn eine kleine Anzahl von Nutzern unverh\u00e4ltnism\u00e4\u00dfig gro\u00dfe Rechenkapazit\u00e4ten in Anspruch nimmt.<\/p>\n<p>Die logische Antwort lautet <strong>Multi-Modell-Routing<\/strong>. Nicht jeder Schritt in einem Agenten-Workflow erfordert ein \u201eFrontier\u201c-Modell. Komplexe Planungsaufgaben k\u00f6nnen einem Premium-Modell zugewiesen werden, w\u00e4hrend das Abrufen von Informationen, die Zusammenfassung, die Klassifizierung oder die Ausf\u00fchrung von Routine-Tools von kleineren, kosteng\u00fcnstigeren Modellen \u00fcbernommen werden k\u00f6nnen. Forschungsframeworks wie RouteLLM und FrugalGPT haben gezeigt, dass <strong>Es sind erhebliche Kosteneinsparungen m\u00f6glich, ohne dass die Leistung entsprechend beeintr\u00e4chtigt wird.<\/strong>.<\/p>\n<p>Dies ist der Ort, an dem die <strong>Agenten-Kabelbaum<\/strong> erh\u00e4lt strategische Bedeutung. Das \u201eHarness\u201c \u2013 die Ebene, die f\u00fcr die Planung, die Koordination der Tools, das Kontextmanagement, die Fehlerbehebung und die Integrationen zust\u00e4ndig ist \u2013 kann <strong>Schw\u00e4chen des zugrunde liegenden Modells ausgleichen<\/strong>.<\/p>\n<p>Durch eine verbesserte Technik l\u00e4sst sich daher die praktische Kluft zwischen teuren Spitzenmodellen und kosteng\u00fcnstigeren Alternativen verringern.<br \/>\nDie Auswirkungen sind erheblich: <strong>Der Intelligenzvorteil des Modells nimmt ab, w\u00e4hrend die Wirtschaftlichkeit der Inferenz an Bedeutung gewinnt<\/strong>.<\/p>\n<h2>Durch das Caching werden die physischen Kosten eines Tokens deutlich<\/h2>\n<p>Die Routenf\u00fchrung ist nur ein Aspekt der Token-Optimierung. <strong>Zwischenspeicherung von Eingabeaufforderungen<\/strong> greift das andere an: \u00fcberfl\u00fcssige Berechnungen.<\/p>\n<p>Agenten-Workflows senden wiederholt dieselben Systemaufforderungen, Tool-Definitionen und den persistenten Kontext. Anstatt diese Token jedes Mal neu zu berechnen, k\u00f6nnen Anbieter die zugrunde liegenden KV-Zust\u00e4nde zwischenspeichern und wiederverwenden.<\/p>\n<p>Gro\u00dfe Anbieter gew\u00e4hren mittlerweile erhebliche Rabatte f\u00fcr zwischengespeicherte Eingaben, in einigen F\u00e4llen <strong>Ann\u00e4herung an 90%<\/strong>. Die genauen Preise variieren je nach Modell und Cache-Dauer, doch das wirtschaftliche Prinzip bleibt dasselbe: Sind Berechnungen bereits durchgef\u00fchrt worden, ist die sp\u00e4tere Wiederverwendung deutlich kosteng\u00fcnstiger.<\/p>\n<p>Diese Unterscheidung ist von Bedeutung, da ein <strong>Der Cache-Rabatt des 90% ist nicht dasselbe wie die Cache-Trefferquote des 90%<\/strong>. Wenn 90% Token zwischengespeichert werden und zwischengespeicherte Token nur 10% des Listenpreises kosten, betragen die gemittelten Kosten etwa 19% des urspr\u00fcnglichen Preises: <strong>eine effektive Einsparung von etwa 80%<\/strong>.<\/p>\n<p>F\u00fcr die Finanzplanung von Unternehmen sind diese Unterscheidungen von Bedeutung. Bei der Token-\u00d6konomie geht es nicht lediglich um den Listenpreis, sondern um die effektiven St\u00fcckkosten unter realen Auslastungsbedingungen.<\/p>\n<p>Das Caching macht zudem einen tiefer liegenden Zusammenhang deutlich. Warum ist ein zwischengespeichertes Token kosteng\u00fcnstiger? Weil weniger Rechenaufwand erforderlich ist. Weniger Rechenaufwand bedeutet weniger GPU-Zyklen. GPU-Zyklen verbrauchen Strom. Mit anderen Worten:, <strong>Der Preis eines Tokens spiegelt letztendlich die physische Infrastruktur wider<\/strong>.<\/p>\n<h2>Ein Token ist kristallisierte Elektrizit\u00e4t<\/h2>\n<p>Auf der Infrastrukturebene umfasst der Preis eines Tokens die GPUs und deren Wertminderung, die Kapazit\u00e4t des data-Rechenzentrums, die Netzwerkausstattung, die K\u00fchlung und vor allem, <strong>Strom<\/strong>.<\/p>\n<p>Die genaue Kostenaufschl\u00fcsselung variiert je nach Architektur und Abrechnungsmethode, doch die Tendenz ist eindeutig: Mit zunehmendem Umfang der KI-Inferenz, <strong>Energie entwickelt sich zu einem der wichtigsten einschr\u00e4nkenden Faktoren f\u00fcr die Wirtschaftlichkeit der k\u00fcnstlichen Intelligenz<\/strong>.<\/p>\n<p>Die Zahlen sind bereits erheblich. Eine typische KI-Interaktion verbraucht zwar nur einen Bruchteil einer Wattstunde, doch multipliziert man dies mit Hunderten von Milliarden Interaktionen und ber\u00fccksichtigt zudem agentenbasierte Arbeitsabl\u00e4ufe, die wiederholtes logisches Schlussfolgern und den Aufruf von Tools beinhalten, ergibt sich ein enormer Gesamtbedarf.<\/p>\n<p>Die Internationale Energieagentur geht davon aus, dass sich der weltweite Stromverbrauch auf <strong>950 TWh bis 2030<\/strong>, was fast einer Verdopplung gegen\u00fcber dem Niveau von 2025 entspricht.<\/p>\n<p>Die geografische Lage spielt daher eine wichtige Rolle. Die Strompreise f\u00fcr die Industrie variieren erheblich zwischen den wichtigsten KI-M\u00e4rkten, w\u00e4hrend China die Erzeugung erneuerbarer Energien mit au\u00dferordentlicher Geschwindigkeit ausgebaut und im Rahmen seiner Strategie \u201cEast Data, West Computing\u201d massiv in die energiereichen westlichen Regionen investiert hat.<\/p>\n<p>Software-Intelligenz l\u00e4sst sich innerhalb weniger Monate weltweit skalieren, doch <strong>g\u00fcnstiger, zuverl\u00e4ssiger Strom<\/strong> Das ist nicht m\u00f6glich. Der Aufbau von Erzeugungskapazit\u00e4ten, \u00dcbertragungsinfrastruktur und data-Zentren erfordert jahrelange Kapitalinvestitionen. Da Modellf\u00e4higkeiten zunehmend austauschbar werden, wird der Zugang zu reichlich vorhandener und kosteng\u00fcnstiger Rechenleistung zu einem nachhaltigeren Wettbewerbsvorteil.<\/p>\n<h2>Token machen Energie zu einer weltweit handelbaren Dienstleistung<\/h2>\n<p>Strom selbst l\u00e4sst sich nur schwer grenz\u00fcberschreitend exportieren. Stromnetze sind nach wie vor grunds\u00e4tzlich regional gepr\u00e4gt. <strong>Token l\u00f6sen dieses Problem<\/strong>.<\/p>\n<p>Im Inneren eines data-Centers, <strong>Strom wird zur Rechenleistung<\/strong>. <strong>Rechenleistung wird in Token umgewandelt<\/strong>. Token k\u00f6nnen anschlie\u00dfend \u00fcber APIs und Glasfasernetzwerke sofort an Nutzer \u00fcberall auf der Welt \u00fcbertragen werden. Das Token ist somit eine Form von <strong>digitalisierte Energie<\/strong>: Physikalische Energie, die in eine weltweit verf\u00fcgbare Dienstleistung umgewandelt wird.<\/p>\n<p>Dies tr\u00e4gt dazu bei, die zunehmende Wettbewerbsf\u00e4higkeit chinesischer KI-Modelle zu erkl\u00e4ren. Branchensch\u00e4tzungen zufolge k\u00f6nnen die Inferenzkosten f\u00fchrender chinesischer Modelle deutlich unter denen westlicher Pendants liegen, wobei der genaue Unterschied je nach Modell, Anbieter und Arbeitslast variiert.<\/p>\n<p>Die Reaktion des Marktes wird immer deutlicher. OpenRouter und andere Routing-Plattformen erm\u00f6glichen es Entwicklern, Modelle hinsichtlich Preis, Latenz und Leistung zu vergleichen und den Datenverkehr dynamisch umzuleiten. Chinesische Modelle haben einen erheblichen Anteil am gerouteten Datenverkehr gewonnen, w\u00e4hrend Open-Weight-Modelle wie Qwen und DeepSeek in den globalen Entwickler-\u00d6kosystemen zunehmend an Bedeutung gewinnen.<br \/>\nDies bedeutet nicht, dass westliche Frontier-Modelle an Bedeutung verlieren. Premium-Modelle verf\u00fcgen weiterhin \u00fcber Preismacht bei komplexen Schlussfolgerungen mit hohem Risiko. Vielmehr spaltet sich der Markt auf: Teure Frontier-Modelle werden f\u00fcr die wertvollsten kognitiven Aufgaben eingesetzt, w\u00e4hrend kosteng\u00fcnstigere Modelle das weitaus gr\u00f6\u00dfere Volumen an routinem\u00e4\u00dfigen Schlussfolgerungen abdecken.<\/p>\n<p>Die strategische Frage lautet daher nicht mehr lediglich, wer \u00fcber das leistungsf\u00e4higste Modell verf\u00fcgt. Sie lautet zunehmend \u201d<strong>Wer kann das erforderliche Niveau an Informationen zu den niedrigsten zuverl\u00e4ssigen St\u00fcckkosten bereitstellen?<\/strong>?\u201d<\/p>\n<h2>Offene Gewichtsangaben beschleunigen die Kommodifizierung<\/h2>\n<p>Chinesische Modellanbieter haben zudem eine andere Gesch\u00e4ftsstrategie verfolgt: <strong>offene Gewichtsklassen<\/strong>.<br \/>\nDeepSeek, Qwen, GLM, Kimi und andere chinesische Modellfamilien haben in unterschiedlichem Umfang Gewichte zum Herunterladen ver\u00f6ffentlicht, h\u00e4ufig unter freiz\u00fcgigen Lizenzen. Im Gegensatz dazu, <strong>F\u00fchrende westliche Anbieter konzentrieren sich nach wie vor \u00fcberwiegend auf geschlossene API-\u00d6kosysteme<\/strong>.<\/p>\n<p>Die beiden Ans\u00e4tze spiegeln unterschiedliche Wirtschaftsmodelle wider. Geschlossene Modelle monetarisieren knappe kognitive F\u00e4higkeiten durch propriet\u00e4ren Zugang. Bei Open-Weight-Modellen dient das Modell selbst als Mechanismus zur Verbreitung, wodurch sich der Wettbewerb auf nachgelagerte Bereiche verlagert \u2013 hin zu Inferenzinfrastruktur, cloud-Diensten, Entwicklertools, Feinabstimmung und Unternehmensintegration.<\/p>\n<p>Die Ver\u00f6ffentlichung von DeepSeek-R1 im Januar 2025 markierte einen wichtigen Wendepunkt. Da leistungsstarke Modellgewichte zunehmend zug\u00e4nglich wurden, verlor das Grundmodell selbst zunehmend an Bedeutung als Wettbewerbsvorteil.<\/p>\n<p>Sobald sich die Modellgewichte den Grenzkosten der Verteilung von Null ann\u00e4hern, <strong>Das Wettbewerbsfeld verlagert sich auf die Bereiche Inferenz\u00f6konomie und die Unternehmensebene<\/strong>. Das ist der Kern der Kommodifizierung: Wenn Intelligenz im \u00dcberfluss vorhanden ist, verlagern sich die knappen Ressourcen an andere Stellen.<\/p>\n<h2>Die Token-\u00d6konomie gleicht zunehmend einem Rohstoffmarkt<\/h2>\n<p>Die Struktur, die sich rund um Token herausbildet, \u00e4hnelt bereits einem ausgereiften Rohstoffmarkt:<\/p>\n<ul>\n<li><strong>Preisdifferenzierung<\/strong>: Je nach Anbieter, Region und Infrastruktur k\u00f6nnen die Preise f\u00fcr die Inferenzauswertung desselben Modells erheblich variieren.<\/li>\n<li><strong>Routing und Arbitrage<\/strong>: Plattformen wie OpenRouter erm\u00f6glichen es den Nutzern, dynamisch zwischen verschiedenen Modellen und Anbietern auszuw\u00e4hlen, wobei sie sich an Preis, Latenz und Durchsatz orientieren.<\/li>\n<li><strong>Gestaffelte Preisgestaltung<\/strong>: Die Anbieter differenzieren ihre Preise zunehmend nach Priorit\u00e4t, Geschwindigkeit, Stapelverarbeitung und garantierter Kapazit\u00e4t.<\/li>\n<li><strong>Quoten und Zuteilung<\/strong>: Durch Nutzungsbeschr\u00e4nkungen und Unternehmensstufen werden knappe Rechenressourcen entsprechend dem Kundennutzen und dem Bedarf effektiv zugewiesen.<\/li>\n<li><strong>Finanzialisierung<\/strong>: Neue Indizes und Rechenleistungs-Futures deuten auf eine Zukunft hin, in der Unternehmen ihren Rechenleistungsbedarf \u00e4hnlich wie andere variable Inputkosten steuern k\u00f6nnten.<\/li>\n<\/ul>\n<p>Die Folge ist eine rasche Verdichtung des Rohstoffzyklus. Routing, Caching, Modellersetzung und kosteng\u00fcnstiger Strom tragen alle zur L\u00f6sung desselben zugrunde liegenden Problems bei: <strong>Wie lassen sich die Kosten f\u00fcr die Bereitstellung aussagekr\u00e4ftiger Informationen minimieren?<\/strong>. Und auf den Rohstoffm\u00e4rkten kommt es letztendlich auf die St\u00fcckkosten an.<\/p>\n<h2>Die Artefact-Perspektive: Unternehmen m\u00fcssen ihre Token-\u00d6konomie steuern<\/h2>\n<p>F\u00fcr Unternehmen sollte die Token-\u00d6konomie daher zu einer Managementdisziplin werden und nicht lediglich eine Frage der Infrastruktur bleiben.<\/p>\n<p>1. <strong>Behandeln Sie Tokens als ein FinOps-Thema<\/strong>: Die KI-Kosten m\u00fcssen an die gesch\u00e4ftlichen Ergebnisse gekoppelt werden. Wie viele Token sind erforderlich, um ein Support-Ticket zu bearbeiten? Wie hoch sind die Token-Kosten f\u00fcr einen automatisierten Pull-Request? Wie hoch sind die durchschnittlichen KI-Kosten pro Kundeninteraktion? Ohne diese Zuordnung k\u00f6nnen Unternehmen den produktiven KI-Einsatz nicht von Verschwendung unterscheiden.<\/p>\n<p>2. <strong>Machen Sie die modell\u00fcbergreifende Routing-Planung zu einem architektonischen Grundsatz<\/strong>: Frontier-Modelle sollten nicht f\u00fcr jede Aufgabe als Standard eingesetzt werden. Unternehmen sollten die Modellkapazit\u00e4ten dynamisch an die Komplexit\u00e4t der jeweiligen Aufgabe anpassen, unterst\u00fctzt durch intelligentes Routing, Caching und Observability. Der dauerhafte Wert wird zunehmend au\u00dferhalb des Modells liegen: <strong>propriet\u00e4re Arbeitsabl\u00e4ufe, Unternehmenskontext, Orchestrierungslogik, Fachwissen und bew\u00e4hrte data<\/strong>.<\/p>\n<p>3. <strong>Chinesische Token pragmatisch bewerten<\/strong>: Die zunehmende Kostenunterschiede zwischen chinesischen und westlichen Modellen verdienen eine eingehende Bewertung, insbesondere bei Workloads mit hohem Volumen und geringer Sensitivit\u00e4t.<br \/>\nBei sensiblen data-Anwendungen k\u00f6nnen Open-Weight-Modelle, die in privaten oder staatlichen Umgebungen eingesetzt werden, eine bessere Kontrolle \u00fcber den Speicherort und die Infrastruktur von data erm\u00f6glichen. Bei standardisierten, hochfrequenten Aufgaben k\u00f6nnen kosteneffiziente API-Endpunkte erhebliche Verbesserungen der St\u00fcckkosten bewirken.<\/p>\n<p>4. <strong>Ber\u00fccksichtigen Sie sinkende Modellkosten in Ihren Gesch\u00e4ftsmodellen<\/strong>: Die Preise f\u00fcr Modelle werden weiter sinken. Nachhaltige Margen werden daher weniger vom Zugang zu Rohdaten und mehr von <strong>Workflow-Integration, die firmeneigene L\u00f6sung data, Orchestrierung, Fachkompetenz und Kundenvertrauen<\/strong>.<\/p>\n<p>5. <strong>Setzen Sie das Thema Energie auf die Agenda der KI-Strategie<\/strong>: F\u00fcr Technologieunternehmen, cloud-Anbieter, Hersteller und politische Entscheidungstr\u00e4ger ist die KI-Infrastruktur nicht mehr von der Energiestrategie zu trennen. Der n\u00e4chste Wettbewerbsvorteil ergibt sich m\u00f6glicherweise nicht aus dem Besitz des intelligentesten Modells, sondern aus der Sicherung <strong>reichlich verf\u00fcgbare, ausfallsichere und kosteng\u00fcnstige Rechenleistung<\/strong>.<\/p>\n<h2>Fazit: Der Wandel von \u201esmart\u201c hin zu \u201ehochwertig und kosteng\u00fcnstig\u201c<\/h2>\n<p>Die wichtigste Wettbewerbsachse im Bereich der KI hat sich von der Frage \u201cWelches Modell ist das intelligenteste?\u201d hin zu \u201c<strong>Wer kann hochwertige Token zu den niedrigsten Kosten erstellen und bereitstellen?<\/strong>?\u201d<\/p>\n<p>Da ein Token letztlich aus Rechenleistung und Strom besteht, wird die k\u00fcnftige Landschaft der KI-Dominanz nicht allein von elit\u00e4ren Forschungslabors bestimmt werden, sondern von der Verteilung von <strong>eine reichlich vorhandene, kosteng\u00fcnstige und widerstandsf\u00e4hige Energieinfrastruktur<\/strong>.<\/p>","protected":false},"excerpt":{"rendered":"<p>In den vergangenen zwei Jahren drehte sich der Wettlauf um k\u00fcnstliche Intelligenz weitgehend um eine Frage: Wessen Modell ist das intelligenteste? Doch da sich die F\u00e4higkeiten der Modelle immer mehr angleichen und der Einsatz agentenbasierter KI dramatisch zunimmt, l\u00e4sst sich eine andere Frage immer schwerer ignorieren: Wie viel kostet Intelligenz tats\u00e4chlich?<br \/>\nDie Antwort k\u00f6nnte in einer auf den ersten Blick einfachen Einheit liegen: dem Token. Token sind nicht mehr nur eine technische Ma\u00dfeinheit f\u00fcr Text, sondern entwickeln sich zu Betriebskosten f\u00fcr Unternehmen, zu einer Variablen f\u00fcr KI-Architekturen und m\u00f6glicherweise zu einer neuen Handelsware in der globalen KI-Wirtschaft.<\/p>","protected":false},"featured_media":1405329,"parent":0,"template":"","meta":{"_acf_changed":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-1404930","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/1404930","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/1405329"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=1404930"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=1404930"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=1404930"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}