Newsletter · 12. Juli 2026
Weekly Digest 28
China erwägt Beschränkungen für den Auslandszugang zu seinen besten KI-Modellen, kleine Firmen ersetzen Salesforce durch selbstgebaute Anwendungen mit Coding-Agenten, Metas Muse Spark 1.1 verkleinert den Rückstand seiner Frontier-Einheit, und Nvidia dringt mit Vera in den Rechenzentrums-CPU-Markt vor.
Themen, die wir verfolgen
China beginnt, seine Modell-Frontier zu schützen
Quelle: Reuters — Beijing is looking at curbing overseas access to China's top AI models, sources say
Die chinesischen Behörden erwägen Beschränkungen für den Zugang aus dem Ausland zu den fortschrittlichsten KI-Modellen des Landes. Das Handelsministerium hat im vergangenen Monat Gespräche mit Alibaba, ByteDance und Z.ai geführt, wie Reuters berichtet. Die Gespräche umfassten sowohl geschlossene als auch Open-Weight-Modelle, darunter auch Systeme, die noch nicht veröffentlicht wurden.
Chinesische Labore haben einen großen Teil ihrer internationalen Position über offene Gewichte (Open Weights) aufgebaut. DeepSeek, Qwen, GLM und Kimi konnten heruntergeladen, angepasst und von ausländischen Infrastrukturanbietern bereitgestellt werden, wodurch westliche Entwickler Zugang zu wettbewerbsfähigen Modellen erhielten, ohne ihre Daten nach China zu senden oder von einer chinesischen API abhängig zu sein.
Diese Distribution erzeugte Einfluss und brachte den Markt in Bewegung — vielleicht sehr zur Freude der KPCh —, generierte aber kaum direkte Einnahmen. Wenn Fireworks, Together, AWS Bedrock oder ein anderer amerikanischer Anbieter ein Open-Weight-Modell aus China hostet, vereinnahmt der Inferenzanbieter die Token-Einnahmen, und das chinesische Labor erhält keine direkte Zahlung. Der Nutzen entsteht durch breite Nutzung und externes Experimentieren: Offene Gewichte erlauben es Entwicklern, das Modell über ein breites Spektrum realer Anwendungen hinweg einzusetzen, anzupassen und zu fine-tunen, was öffentliches Feedback, Benchmarks und technische Verbesserungen hervorbringt, die künftige Releases beeinflussen können. Diese Strategie ist besonders attraktiv für Labore unterhalb der Frontier, weil sie die Verbreitung beschleunigt und ihre Modelle zu einer verbreiteten Grundlage für die Weiterentwicklung macht.
Chinesische Modelle werden für westliche Startups und Entwickler zunehmend wichtiger, weil sie leistungsfähig und günstig waren. Die wachsende Nutzung chinesischer Modelle verschaffte Peking zudem eine Form technologischen Einflusses, die seine heimischen Cloud-Anbieter allein über direkte Distribution nicht hätten erreichen können. Cursor, Airbnb und DoorDash haben alle mit chinesischen Modellen gearbeitet, die sich unabhängig hosten und für spezifische Aufgaben fine-tunen lassen.
China wird seine Labore wahrscheinlich zu einer gestuften Release-Strategie drängen, ähnlich der Strategie, die Alibaba bereits mit Qwen verfolgt. Alibaba bietet seine führenden Modelle Qwen Max und Plus über die eigenen Model-Studio-APIs an, während ältere und kleinere Qwen-Modelle als offene Gewichte verfügbar bleiben. Alibabas aktueller Modellkatalog stellt Qwen3.7 Max und Plus an die Spitze seines gehosteten Angebots, während seine Dokumentation den Einsatz offener Qwen-Generationen separat unterstützt.
Das stärkste Modell hinter einer API zu halten, würde zudem die Wirtschaftlichkeit für den Entwickler verbessern. Alibaba, DeepSeek oder Z.ai könnten den Zugang direkt in Rechnung stellen, anstatt ausländischen Hosting-Anbietern die gesamte Inferenzmarge zu überlassen. Wir glauben nicht, dass viele ausländische Kunden auf eine in China gehostete API zurückgreifen dürften — oder auch nur bereit dazu wären. Der Hauptreiz chinesischer Modelle für westliche Unternehmen war die Möglichkeit, sie auf einer von ihnen kontrollierten Infrastruktur zu betreiben.
Wir werden nächste Woche eine tiefergehende Analyse des chinesischen KI-Ökosystems veröffentlichen, die unter anderem die Rollen von Alibaba, DeepSeek, ByteDance, Moonshot und Z.ai beleuchtet und aufzeigt, wie Peking Modelle, Rechenleistung und Distribution rund um nationale technologische Eigenständigkeit organisiert.
Ein Rückzug Chinas von Frontier-Open-Weights könnte zudem mehr Raum für amerikanische Open-Model-Entwickler schaffen. OpenAI veröffentlichte GPT-OSS im August 2025, Google hat die Gemma-Familie mit Gemma 4 weiter ausgebaut, und Nvidia hat rund um Nemotron ein breites Open-Source-Ökosystem aufgebaut, einschließlich Modellgewichten, Datensätzen und Trainingsrezepten.
Auch Reflection AI versucht, ein in den USA ansässiges offenes Frontier-Lab aufzubauen, wenngleich es noch zu früh ist, seine technische Position zu beurteilen. Das Unternehmen hat erhebliches Kapital eingesammelt und kürzlich bedeutende Partnerschaften mit Regierung und Infrastruktur angekündigt, darunter Arbeiten im Zusammenhang mit der US-amerikanischen Genesis Mission und eine berichtete Rechenleistungsvereinbarung mit SpaceX. Es hat viel Aufmerksamkeit erzeugt, aber bislang kein Modell veröffentlicht.
Kleine Firmen bauen sich ihren Weg aus Salesforce heraus
Quelle: The Information — Small Firms Use Claude to Quit Salesforce
Kleine Unternehmen beginnen, Salesforce und HubSpot durch maßgeschneiderte Anwendungen zu ersetzen, die mit Claude Code, Replit und Lovable gebaut werden. The Information stellte fest, dass Firmen ihre Softwarekosten um 40 % bis 80 % senken, nachdem sie breite CRM-Abonnements durch schlankere, auf ihre eigenen Arbeitsabläufe zugeschnittene Systeme ersetzt haben.
Viele kleine Teams nutzen Salesforce — oder CRM-Software im weiteren Sinne —, um Kundendaten zu speichern, Deals zu verfolgen, Interaktionen zu protokollieren und eine begrenzte Zahl von Berichten zu erstellen. Sie nutzen nur einen schmalen Teil des Gesamtprodukts, zahlen aber für eine Plattform, die für weit größere und komplexere Organisationen ausgelegt ist.
Der SaaS-Anwendungs-Stack — CRM ist das größte Segment
Coding-Agenten machen es einfacher, solche schlankeren Anwendungen nachzubauen. Ein kleines Unternehmen kann heute ein einfaches CRM rund um seinen eigenen Vertriebsprozess bauen, ohne ein großes Engineering-Team zu beschäftigen oder teure Implementierungsberater zu engagieren. Die Kundendatenbank bleibt nützlich, doch die umgebende Anwendung lässt sich leichter ersetzen oder umgehen.
Das setzt auch die sitzplatzbasierte Preisgestaltung unter Druck. Die SaaS-Preisgestaltung war darauf ausgelegt, dass Menschen sich in Anwendungen einloggen und direkt mit ihnen interagieren. Sobald Agenten beginnen, aus diesen Systemen zu lesen, in sie zu schreiben und systemübergreifend zu handeln, wird die Zahl der menschlichen Nutzer weniger relevant für die tatsächlich geleistete Arbeit. Ein Unternehmen kann Salesforce als System of Record behalten und zugleich Sitzplätze reduzieren und mehr Aktivität in externe Agenten verlagern.
Die Kosten für die Wartung interner Software sollten nicht unterschätzt werden. KI hat die Kosten für den Bau der ersten Version erheblich gesenkt, doch Software erfordert weiterhin Authentifizierung, Berechtigungen, Sicherheit, Backups, Datenmigrationen, Tests, Dokumentation und Integrationen mit E-Mail-, Abrechnungs- und Support-Systemen. APIs ändern sich, Geschäftsprozesse entwickeln sich weiter, und die Person, die die ursprüngliche Anwendung gebaut hat, verlässt vielleicht das Unternehmen. Diese Reibung wird mit der Zeit geringer, doch Rechenschaftspflicht und Auditierbarkeit bleiben offene Fragen, wenn dies vollständig von Agenten verwaltet wird.
Historisch waren die Opportunitätskosten, Software selbst zu bauen, oft zu hoch, und manche argumentieren, dass es so bleiben wird. Zeit, die für die Wartung eines internen CRM aufgewendet wird, kann nicht in die Verbesserung des Kernprodukts oder in die Betreuung von Kunden fließen. Der Kauf von Software überträgt einen Großteil dieser Last auf einen spezialisierten Anbieter, wenngleich Implementierung und Integration weiterhin erheblichen Aufwand erfordern.
Wir sind seit Langem überzeugt, dass KI den SaaS-Sektor unter Druck setzen wird, wenngleich der Effekt ungleich verteilt sein wird. Manche Softwareunternehmen werden unmittelbar von stärker automatisierter Aktivität profitieren. Mehr Agenten, Anwendungen und Tool-Calls schaffen zusätzliche Systeme, die überwacht, abgesichert und debuggt werden müssen. Das erweitert die Chancen für Unternehmen in den Bereichen Observability, Sicherheit und anderen infrastrukturnahen Kategorien.
Software, die im Wesentlichen als Datenspeicher fungiert, steht vor größeren Hürden. Wenn Agenten zur primären Schnittstelle werden, lässt sich die Anwendungsschicht leichter umgehen, die sitzplatzbasierte Preisgestaltung wird schwerer zu verteidigen, und mehr Wert verschiebt sich hin zu den zugrunde liegenden Daten, Berechtigungen und der Infrastruktur.
Metas Frontier-Neuaufbau zeigt erste Ergebnisse
Quelle: Meta AI — Introducing Muse Spark and the Meta Model API
Meta hat vergangene Woche Muse Spark 1.1 veröffentlicht, drei Monate nach der ersten Version des Modells. Das Update verbessert die Leistung bei Programmierung, Werkzeugnutzung, Computersteuerung und multimodalen Aufgaben, während eine neue öffentliche API US-Entwicklern direkten Zugang zu Preisen bietet, die deutlich unter den führenden Modellen von Anthropic und OpenAI liegen. Meta konkurriert nun direkt um externe Modell-Workloads und verfolgt aggressiv die Kosten-Leistungs-Frontier.
Muse Spark 1.1 platziert Meta noch nicht an der Spitze der Frontier. Entwickler, die das Modell vor der Veröffentlichung getestet haben, fanden es für allgemeine agentische Arbeit in etwa vergleichbar mit Claude Opus 4.6 und GLM 5.2, identifizierten aber weiterhin Schwächen in Coding-Workflows. Wir haben von keinem Engineering-Team gehört, das bedeutendes Token-Volumen auf das Modell verlagern will, und es wird nicht erwartet, dass Meta vor Ende dieses Jahres mit Anthropic oder OpenAI gleichzieht, selbst in einem optimistischen Szenario.
Seit dem Neuaufbau seiner KI-Organisation Ende vergangenen Jahres hat Meta jedoch schnell gehandelt. Llama 4 beschädigte Metas Position und veranlasste Zuckerberg, die Frontier-Einheit des Unternehmens neu zu ordnen. Meta gab 14,3 Mrd. Dollar für die Scale-AI-Transaktion aus und rekrutierte Forscher von OpenAI, Anthropic, Google und Thinking Machines. Die erste Version von Muse Spark, veröffentlicht im April, hinkte den damals aktuellen chinesischen offenen Modellen noch hinterher. Spark 1.1 ist nur drei Monate später ein deutlich glaubwürdigeres Modell.
Meta verfügt nun über die meisten Inputs, die zum Schließen der verbleibenden Lücke nötig sind: Talent, Rechenleistung und Reinforcement-Learning-Daten. Die Daten sind vielleicht der am meisten unterschätzte Vermögenswert. Meta hat Berichten zufolge rund 3.000 Ingenieure in eine Applied-AI-Organisation verlagert, die sich auf die Erstellung von Reinforcement-Learning-Aufgaben und -Umgebungen konzentriert. Es kann zudem auf Datenspuren realer Arbeit aus Softwareentwicklung, Werbung, Finanzen und Betrieb zurückgreifen.
Sein Versuch, Tastenanschläge und Mausbewegungen von Mitarbeitern für das Modelltraining zu sammeln, sorgte für erhebliche Kontroversen und wurde inzwischen zurückgefahren und ausgesetzt. Wir erwarten dennoch, dass diese Art der Erfassung von Arbeitsspuren in großen Unternehmen üblich werden wird, wenngleich die Umsetzung klarere Einwilligung, stärkere Datenschutzkontrollen und eine bessere Data Governance erfordert, als Meta sie anfänglich bot.
Das Unternehmen verfügt zudem über einen aggressiven Compute-Ausbau. SemiAnalysis prognostiziert, dass Meta bis Ende 2026 über mehr gesamte KI-Rechenleistung verfügen wird als OpenAI oder Anthropic, wenngleich ein bedeutender Teil weiterhin Empfehlungen und Werbung unterstützen wird. Meta entwickelt gleichzeitig fünf Rechenzentrums-Campus, die jeweils ein Gigawatt überschreiten sollen, und baut Netzwerksysteme, die Workloads über mehrere Standorte verteilen können. Sein Werbegeschäft kann diesen Ausbau finanzieren, ohne dass Meta einen Großteil der Kapazität für externe Cloud-Kunden reservieren müsste.
Mit Muse Spark hat Meta zudem seine Open-Source-First-Strategie an der Frontier aufgegeben. Sein stärkstes Modell ist Closed-Weight und wird über eine API verkauft, wodurch Meta die Kontrolle über die Bereitstellung behält und die Inferenzeinnahmen selbst vereinnahmt. Die aggressive Preisgestaltung deutet darauf hin, dass Meta der Verbreitung Vorrang vor kurzfristigen Modellmargen gibt. Seine Werbe-Cashflows erlauben es ihm, spezialisierte Labore zu unterbieten, während es dieselben Modelle über Consumer-Produkte, Business-Messaging und Entwickler-Tools hinweg einsetzt. Das ähnelt dem Playbook von Alphabet.
Meta hat noch Boden gutzumachen, und seine Frontier-KI-Agenda könnte mit den Anforderungen der breiteren Produktorganisation kollidieren. Das Team von Alexandr Wang konzentriert sich auf Modellfortschritt, während Metas bestehende Führung diese Modelle in den Bereichen Werbung, Social Apps, Messaging und Hardware in Produkte überführen muss. Frühere interne Berichte verwiesen auf Spannungen um Zuständigkeiten, Anerkennung und Entscheidungsfindung.
Nvidia dringt weiter in den CPU-Markt vor
Quelle: Reuters — Perplexity says it plans to use Nvidia's new CPU
Perplexity plant, Nvidias neue Vera-CPU einzusetzen, nachdem Tests ergaben, dass sie die agentischen Coding-Workloads des Unternehmens rund 1,5-mal schneller abschloss als die derzeit genutzten konventionellen Prozessoren. Perplexity machte keine Angaben zum Umfang des Einsatzes, doch auch OpenAI, Anthropic und Oracle haben sich zur Nutzung von Vera verpflichtet. Nvidia erwartet, dass die CPU bis zum Ende des laufenden Geschäftsjahres 20 Mrd. Dollar Umsatz erzielt.
Der Markt für Rechenzentrums-CPUs wurde historisch von Intel und AMD dominiert, doch Nvidia betritt ihn aus einer starken Position heraus, weil es bereits die wertvollste Komponente in einem KI-Rack, einen Großteil der Netzwerk- und Interconnect-Schicht sowie die Software zur Programmierung und zum Betrieb des Systems kontrolliert.
Vera wird als Teil größerer Systeme wie der Vera-Rubin-Plattform verkauft, was Nvidia den Vorteil verschafft, die CPU gemeinsam mit seinen GPUs, Netzwerkprodukten und der Systemsoftware zu entwerfen und die gesamte Roadmap auf KI-Workloads hin zu optimieren. Nvidia hat Vera auf hohe Single-Thread-Leistung, Speicherbandbreite pro Kern und vorhersehbare Latenz unter Volllast ausgerichtet. Das Unternehmen gibt an, dass der Chip eine Reihe agentischer und datenverarbeitender Aufgaben bis zu 1,8-mal schneller abschließt als x86-Prozessoren.
Intel und AMD bedienen einen weit breiteren Markt, mit Prozessoren, die Datenbanken, virtuelle Maschinen, Unternehmensanwendungen und Legacy-Software über eine Vielzahl von Serverkonfigurationen hinweg unterstützen müssen.
Das Gleichgewicht zwischen CPU- und GPU-Nachfrage verschiebt sich, da Agenten längere Aufgaben bewältigen können. METR misst die Länge von Softwareaufgaben, die ein Agent zuverlässig abschließen kann, und stellt fest, dass sich die Zeithorizonte von Frontier-Modellen etwa alle vier bis sieben Monate verdoppelt haben. Während diese Systeme von kurzen Coding-Anfragen zu Arbeitsabläufen übergehen, die Menschen Stunden oder Tage kosten, besteht ein größerer Teil der Arbeitslast aus dem Kompilieren von Code, dem Ausführen von Tests, dem Bedienen von Browsern, dem Abfragen von Datenbanken und dem Verwalten von Dateien und Containern. Diese Phasen sind oft CPU-intensiv und können die GPU auf den nächsten Modellaufruf warten lassen.
Das wird die CPU-Kapazität erhöhen, die für jede Einheit Beschleunigerkapazität benötigt wird. Agenten mit längeren Zeithorizonten verbringen zwischen den Inferenzaufrufen mehr Zeit mit Aktionen in Softwareumgebungen, was die Host-CPU-Leistung und eine engere Systemintegration wertvoller macht. Das genaue Verhältnis wird von der Arbeitslast abhängen.
Wir haben das CPU-Geschäft aufmerksam verfolgt, während KI zunehmend agentisch geworden ist, und halten Nvidia in diesem Markt für am besten positioniert. Kunden kaufen CPU, GPU, Netzwerk und Software zunehmend als ein integriertes System, oft über bestehende Beziehungen zu Nvidia und seinen Serverpartnern. Nvidia profitiert zudem von seiner Größe und der langjährigen Beziehung zu TSMC, das sowohl Vera als auch Rubin fertigt und bereits erhebliche Advanced-Node- und Packaging-Kapazitäten für Nvidias Roadmap reserviert. Diese Position in der Lieferkette dürfte es erleichtern, die gesamte Plattform in großem Maßstab hochzufahren, und stärkt das Argument, dass Nvidia einen größeren Teil der Wertschöpfung jedes KI-Racks vereinnahmt.
Gesehen auf X
Weitere interessante Geschichten
- Reuters: China's DeepSeek is developing its own AI chip, sources say
- Transformer Circuits: Verbalizable Representations Form a Global Workspace in Language Models
- Derek Thompson: Is This the End of Booze?
- Peter Harrell — Donald Trump: Trade Order Builder?
- xAI: Grok 4.5
- The Information: Khosla-backed startup claims breakthrough with largest-ever AI model on an iPhone
