MAD-Landkarte der Branche 2025 (ML, AI, Data)

 (mattturck.com)
38 Punkte von GN⁺ 2025-11-07 | 2 Kommentare | Auf WhatsApp teilen
  • Die MAD-Landkarte der Branche 2025: Bubble & Build fasst das Thema in einem Bild zusammen und erläutert 25 Themen des Jahres.
  • Der AI- und Datenmarkt 2025 befindet sich in einer Phase, in der überhitzte Investitionen und reale Implementierung gleichzeitig stattfinden; zugleich verlagert sich der Fokus von Chatbots hin zu Agentensystemen mit Tools, Memory und Reasoning-Modellen.
  • Anhand von 25 zentralen Trends werden die Veränderungen in sämtlichen Bereichen zusammengefasst, darunter Bubble, Infrastruktur, Forschung, Geopolitik, Business und Anwendungen.
  • Diese MAD-Landkarte reduziert die Anzahl der Logos von über 2.000 auf rund 1.150 und gewichtet Hyperscaler und Kategorie-Führer wie NVIDIA, Databricks und OpenAI stärker, um die Marktkonzentration abzubilden.
  • Neu hinzugekommen sind die Bereiche Agent Stack und Local AI (On-Device LLM); der Open-Source-Bereich wurde in die Gesamtstruktur integriert, wodurch der Fluss zu Daten–Infrastruktur–AI–Agenten–Anwendungen neu geordnet wurde.
  • Insgesamt ist die Marktstruktur dadurch geprägt, dass Bubble und realer Aufbau (Bubble & Build) gleichzeitig voranschreiten, wobei Energie, verteilte Infrastruktur und Agentisierung als zentrale Achsen aufsteigen.

Überblick und redaktionelle Ausrichtung

  • Die Ausgabe 2025 der MAD Landscape ist die 11. Version seit 2012 und wurde strukturell am stärksten überarbeitet.
    • Die Anzahl der Logos wurde von über 2.000 auf rund 1.150 reduziert, um die Lesbarkeit zu erhöhen, und Hyperscalern sowie Kategorie-Führern wurde mehr Raum eingeräumt.
    • Die Open-Source-Box wurde entfernt, stattdessen wurden die Bereiche Agent Stack und Local AI hinzugefügt.
  • Dadurch entsteht insgesamt eine einfache und klare Schichtenstruktur, die von Daten über Infrastruktur und ML/AI zu Agenten und Anwendungen führt.
  • Verfügbar als hochauflösendes PDF und als durchsuchbare interaktive Version - mad.firstmark.com

Makroökonomie und Markt

  • 1. Bubble-Dynamik ohne Bremsen
    – Der Markt ist erneut in einer Blase, aber anders als 1999: Kapital ist reichlich vorhanden, die Bewertungen liegen in der Stratosphäre, und besonders für Agenten, Frontier AI und schnell wachsende Unternehmen gilt eine „AI-Prämie“.
    • Wie bei Paradigmenwechseln üblich werden CapEx und OpEx vorab in großem Umfang eingesetzt; damit das tragfähig wird, muss die Nachfrage in großem Maßstab realisiert werden, doch Verhaltensänderungen brauchen Zeit und die Einführung verläuft ungleichmäßig.
    • Viele Teams arbeiten mit einer Intensität auf 996-Niveau und beschleunigen das Auslieferungstempo, während das Burnout-Risiko steigt.
    • Das Paradox von 2025 ist, dass sowohl Hype als auch Fundamentaldaten zunehmen; historisch können die negativen Folgen früher eintreffen als die Belohnungen.
    • Dieses Jahr ist von Anspannung und Beschleunigung geprägt.
  • 2. Fragilität: Zyklik und Kundenkonzentration
    – Hinter den großen Wachstumszahlen fließt viel Kapital an nur wenige Akteure.
    • Einige Deals wirken zirkulär: OpenAI schließt mit NVIDIA Verträge über große GPU-Käufe, während NVIDIA OpenAI umfangreiche Investitionen zusagt; zugleich gibt es mit AMD Chip-Deals in Milliardenhöhe, bei denen OpenAI eine Option auf Beteiligung hält.
    • Ähnliche Muster breiten sich über den gesamten Stack aus, wobei Finanzierungen und Lieferverträge der Branche Model Labs, Chiphersteller, Cloud-Anbieter und AI-Startups zu einem gegenseitig abhängigen Netzwerk verbinden und Bedenken über „Roundtripping“ auslösen.
    • Durch die Kundenkonzentration ist die Widerstandsfähigkeit des AI-Ökosystems gegenüber Schocks gering: Ein erheblicher Teil der Ausgaben läuft über wenige Hyperscaler und Frontier Labs, und mehrere Breakout-Anbieter sind von einigen wenigen Großkunden abhängig.
  • 3. Das große Bild ist unscharf, die kurzfristige Perspektive dagegen sehr real
    – Die Meinungen gehen auseinander, ob der Fortschritt stagniert oder ob die nächste exponentielle Wachstumsphase übersehen wird; der Weg zu AGI/ASI ist nicht definiert, und schon die Definition selbst bleibt vage, während auch die Trommeln der Untergangspropheten leiser geworden sind.
    • Gleichzeitig ist die kurze bis mittlere Frist eindeutig konkret: Eine Lawine von AI Slop über Video, Text und Code hinweg trifft ein, begleitet von drängenderen Sorgen um Arbeitsplätze.
    • Wie stark, wie schnell und für wen sich die Dinge verändern, ist die unmittelbare Streitfrage; menschliche, politische und gesellschaftliche Reaktionen hinken dem technologischen Tempo hinterher.
  • 4. Forschungslabore vs. etablierte Unternehmen: unterschiedliche Bilanzen, derselbe Wettbewerb
    – Der Kampf um die Vorherrschaft in der AI ist intensiver denn je, und das Spielfeld ist ungleich.
    • Big Tech verfügt über riesige Auslieferungsnetze, gewaltige Produktportfolios und Budgets, mit denen sich Bundling, Abwarten von Zyklen und langfristiges Durchhalten finanzieren lassen.
    • Google hat 2025 mit einer Reihe AI-bezogener Schlagzeilen-Releases klar wieder Momentum gewonnen, Meta hat mit dem SuperIntelligence Lab seine Ambitionen ausgeweitet; beide operieren auf Basis gewaltiger Erlöskerne und nahezu unbegrenzter Bilanzen.
    • Unabhängige Frontier Labs brauchen bahnbrechende Durchbrüche, um ihre Bewertungen zu rechtfertigen.
    • Neue Namen — SSI, Thinking Machines, Reflection — sind in die oberste Liga aufgestiegen, während die Begeisterung für Agenten und Reasoning zunimmt, auch wenn Bereitstellungshürden bestehen bleiben.
    • OpenAI ist der klare Marktführer und beschafft weiterhin Kriegskasse; Anthropic liegt ebenfalls nicht weit zurück, doch es bleibt fraglich, wie lange Kapital auf diesem Niveau tragfähig ist.
    • In jedem Fall profitieren die Nutzer. Etablierte Unternehmen liefern Bündelangebote, Forschungslabore erzielen atemberaubende Fortschritte.
  • 5. IPOs und börsennotierte Unternehmen: Das Fenster ist (selektiv) geöffnet
    – Das Debüt von CoreWeave im März lieferte genau das, was der Markt brauchte: einen sauberen AI-Infrastruktur-IPO, der sich seitdem gut entwickelt.
    • Palantir ist der Vergleichsmaßstab im Zentrum der Debatte und wird mit einem Premium-EV/NTM-Multiple gehandelt (zuletzt etwa 80- bis 90-fach), was Late-Stage-Kandidaten mutiger machen dürfte.
    • Als Nächstes: Cohere erklärte, ein IPO könne „bald“ möglich sein; Dataiku hat Banken ausgewählt, Cerebras zog nach einer neuen Finanzierungsrunde sein S-1 zurück.
    • Für die etwa zehn größten privaten AI-Player gibt es angesichts ihres Kapitalzugangs und ihrer strategischen Flexibilität kaum Anreize für einen Börsengang;
      sollten jedoch Databricks (> $100B privat) und Frontier Labs (OpenAI, Anthropic) letztlich an die Börse gehen, werden rekordverdächtige IPOs erwartet.
  • 6. M&A: Konsolidierung und der Krieg um Talente
    – Große Player versuchten, vollständige Agent Stacks aufzubauen, stellten jedoch fest, dass dies schwieriger war als erwartet, und begannen zuzukaufen; zugleich wurden selbst Schlagzeilen-Deals gestoppt (Adobe–Synthesia, SoftBank–Agility).
    • Daher ist „Buy vs. Build“ keine natürliche Entweder-oder-Entscheidung.
    • Erfolgreiche Transaktionen waren chirurgisch präzise: ServiceNow–Moveworks ($2.85B) im Bereich Enterprise-Agenten; Salesforce–Informatica (ca. $8B) zur Stärkung der Data Control Plane.
    • Auch die Dateninfrastruktur konsolidiert sich intern: dbt Labs und Fivetran (reiner Aktiendeal; ≈$600M ARR) bringen Erfassung und Transformation unter ein Dach.
    • Die lauteste Geschichte dreht sich um Talente und Acqui-Hires: Meta geht dabei besonders aggressiv vor.
      – Das Unternehmen übernahm rund 49 % von Scale AI für etwa $14–15B, um Alexandr Wang in die Superintelligence-Initiative zu holen, setzte anschließend mit Vergütungspaketen im neunstelligen Bereich neue Maßstäbe und warb OpenAI-Forscher ab, was einen Teufelskreis auslöste, in dem Talente um jeden Preis gehalten werden.
    • Unterm Strich ist 2025 das Jahr präziser Übernahmen, Team-Akquisitionen und kreativer Strukturen.
      • Wegen Integrationsrisiken und der genauen Beobachtung durch das Kartellrecht bleiben echte Mega-Deals weiterhin selten.

Forschung und Frontier

  • 7. Inferenz + RL sind die Frontier
    – Der größte Sprung in diesem Jahr bestand nicht in größeren Transformern, sondern darin, Modelle so zu trainieren, dass sie Rechenleistung auf das Denken konzentrieren
    • Reinforcement Learning für Inferenz – durch DeepSeek R1 und Modelle im Stil der „o-Serie“ popularisiert – also das Zuweisen von Tokens an Schlussfolgerungen, hat in Mathematik, Code und mehrstufiger Planung deutliche Fortschritte gebracht
    • Curriculum-Design, Reward-Design und Feedback-Loops beim Tool-Einsatz werden wichtiger als die rohe Modellgröße
    • RL ist kein Allheilmittel – schlechte Rewards lehren weiterhin schlechte Gewohnheiten – aber richtig skaliert liefert es enorme Hebel auf das Pretraining
    • Die nächste Herausforderung ist die Generalisierung über Code und Mathematik hinaus auf chaotische reale Aufgaben, bei denen „richtig“ und „falsch“ nicht immer eindeutig sind;
      hier werden reichhaltigere Signale wichtig – von Geschäftsergebnissen über menschliches Feedback bis hin zu neuen Benchmarks wie GDPVal (Bewertung von End-to-End-Task-Ketten)
  • 8. Verlangsamt sich AI? Gegenstimmen halten uns ehrlich
    – Einige führende Forscher – darunter Gäste des MAD-Podcasts (Sholto Douglas, Julian Schrittwieser, Jerry Tworek) – sagen weiterhin, dass es noch viel niedrig hängende Früchte gibt und mit dem aktuellen Paradigma aus Pretraining + RL noch jahrelange Fortschritte bevorstehen
    • Andere mahnen zur Vorsicht: Andrej Karpathy sagt, „Agenten sind noch 10 Jahre entfernt“, Rich Suttons Bitter Lesson argumentiert, dass allgemeine Methoden + Compute Handtuning schlagen, und Yann LeCun treibt Weltmodelle und selbstüberwachtes Vorhersagen als anderen Weg voran
    • Diese Debatten sind gesund: weniger Leaderboard-Theater, mehr Zurückhaltung, Red Teaming und echte Aufgaben
  • 9. Schnell voranschreitende Frontiers: AI, die kreative Wissenschaft betreibt; Robotik
    – In Laboren sehen wir „Move 37“-Ideen – Modelle schlagen nicht intuitive Hypothesen und Pfade vor, die Menschen nicht zuerst versucht hätten
    • AlphaFold 3 geht zu biomolekularen Interaktionen über; GNoME hat etwa 2,2 Millionen plausible Kristalle ans Licht gebracht; Yale × Google Cell2Sentence-Scale 27B markiert potenzielle Krebstherapiepfade aus Einzelzelldaten
    • Über die Biologie hinaus beschleunigt sich die Robotik:
      Robotik-Foundation-Modelle (Vision-Language-Action-Policies, trainiert auf großen gepoolten Datensätzen) verbessern den Transfer zwischen Robotern und Aufgaben,
      während mobile Manipulatoren mehr Realweltzeit protokollieren und autonome Laborgeräte die Schleife aus Entwerfen–Bauen–Testen enger ziehen
    • Kann AI Durchbrüche auf Nobelpreis-Niveau liefern oder Feldroboter bauen, die nützliche Arbeit zuverlässig ausführen?
      • Beides fühlt sich mit jedem Quartal näher an
  • 10. Open Source (Open Weights) hält durch – trotz eines schwierigen Jahres
    – Der R1-Moment von DeepSeek (und Open-Weights-Derivate) gab den Ton an, aber Llama 4 blieb hinter den Erwartungen zurück und Meta deutete eine strengere Haltung bei permissiven Releases an
    • Mistral schwankte, gewann dann aber wieder Momentum; Qwen3 wurde still und leise zur „gut genug“-Flaggschiffplattform in vielen Stacks
    • Auf der positiven Seite liefert AI2 weiterhin reale Assets aus (OLMo/OLMo-2, Daten im Dolma-Maßstab), und die Finanzierung von Reflection AI belebt die Erzählung vom „amerikanischen DeepSeek“ wieder
    • Unternehmen wollen weiterhin Kontrolle und Datenresidenz; Startups wollen weiterhin Marge
    • Die Zukunft wirkt hybrid: wenn möglich zu Open Source routen und bei Bedarf auf die Frontier spiken
    • Da NPUs überall landen, werden kleine Modelle eine wichtige Rolle spielen;
      die gesündesten Stacks bleiben plural – offen und geschlossen, Cloud und Device, groß und klein – ohne Religionskriege oder Vendor Lock-in

Geopolitik (Geopolitics)

  • 11. China baut einen parallelen AI-Stack auf
    – China baut einen End-to-End-Pfad auf, der weniger von NVIDIA und CUDA abhängt:
    Huawei Ascend 910B/910C unter einem wachsenden Software-Layer (CANN, MindSpore),
    darüber eigene Modelle, abgestimmt auf lokale Daten und Richtlinien (DeepSeek, Qwen3, Kimi, ERNIE usw.)
    • Seit dem DeepSeek-Moment war es ein großes Jahr für chinesische Modelle, mit Qwen und Kimi, die in der Produktion skalieren;
      nicht nur auf dem Niveau von „gut genug“, sondern in mehreren Domänen wettbewerbsfähig
    • Exportkontrollen haben den Fortschritt verlangsamt, aber nicht gestoppt;
      Lokalisierung wird zum Feature, während die technische Entkopplung voranschreitet: kompatibel, zunehmend autark und in einigen Bereichen führend
  • 12. Souveräne AI wechselt vom Slogan zur Beschaffung
    – „Lokale Modelle auf lokalem Compute bauen“ wird jetzt durch Hardware, Budgets und reale Käufer gestützt
    • Das Vereinigte Königreich hat Isambard-AI hochgefahren und die Netzanschlussarbeiten abgeschlossen
    • IndiaAI hat die Marke von 34.000 GPUs überschritten und beginnt mit subventionierten Zuteilungen
    • Golfstaaten bauen über G42 × Cerebras (Condor Galaxy) weiterhin nationale „AI-Fabriken“ aus
    • Europa fördert eigene Champions – Mistral jetzt mit ASML als Rückhalt – während OpenAI EU-/UK-Datenresidenz ausrollt, um souveräne Anforderungen zu erfüllen
  • 13. Energie wird zum neuen Compute-Flaschenhals, und Staaten erkennen das
    – Nicht GPUs, sondern Strom ist der neue Flaschenhals
    • Standortentscheidungen für Rechenzentren folgen jetzt Megawatt-Verträgen, Wasserrechten und Netzanschlüssen
    • Regierungen werben um AI-Fabriken wie einst um Foundries
    • Zu erwarten sind souveräne PPAs und Co-Location mit Kernenergie/Erneuerbaren (Netzanschluss von Isambard-AI im Vereinigten Königreich; Google – TVA/Kairos SMR-Pilot; Microsoft-Helion Fusion PPA)
    • Power-First-Incentives werden prägen, wo Modelle trainiert werden und welche Regionen den Aufbau von AI gewinnen
    • Exportkontrollen bleiben wichtig, aber Kilowatt bestimmen jetzt den Zeitplan

AI-Business

  • 14. Distribution schlägt Erfindung (noch einmal)
    – Eine ganze Generation AI-nativer Startups wächst schneller, als wir es bisher gesehen haben
    • Produkte gehen in Social Media viral, Vorstände sorgen sich weiter um AI, und Neugier treibt eine Welle von Tests und Experimenten an
    • Die offene Frage ist die Beständigkeit (Durability): Ist das echter ARR oder experimenteller Umsatz, der wieder abwandert?
    • Etablierte Anbieter haben oft einen Distributionsvorteil: Assistenten, gebündelt mit iOS/Android, Windows Copilot, Chrome, Salesforce Einstein und ServiceNow Now Assist
      — aber nicht immer
    • Partnerschaften und Integrationen können die Kurve verändern:
      • Cursor vertieft sich in VS Code;
      • Supabase reitet auf der Lovable-Welle;
      • leisere Gewinner sickern in IDEs, CRM und Dokumente ein
    • Produkte finden Erfolg, indem sie im Moment der Erstellung präsent sind (Schreiben, Coden, Einreichen eines Falls)
      • Eingebettetes schlägt „besser“ und kann mit der realen Nutzung skalieren
  • 15. Margen und Preise: von Landnahme zu Flugzeuglandung
    – Wenn die Nutzung steigt und Kunden die neuesten und intelligentesten Modelle wollen, steigen die Kosten sprunghaft an
    • Die ernüchternde Realität: Wenn man auf den Frontier-Modellen anderer sitzt, kann Wachstum einen in negative Bruttomargen kippen
      — die Geschichten von Windsurf und Cognition sind die Warnung
    • VC-Kapital kann das Wettrennen um Marktanteile finanzieren, deckt aber schlechte Unit Economics nicht ewig
    • AI-Startups passen sich an: kleinere, günstigere Modelle als Standard, Reservekapazität für Spitzenlasten, aggressives Caching
    • Der dominante Ansatz wird ergebnisbasierte Preisgestaltung
      — pro abgeschlossenem Fall, pro gelöstem Ticket usw.
      — zusammen mit Optionen für garantierten Durchsatz, damit der Umsatz den realen Ergebnissen folgt
    • Gewinner kombinieren Kostenprinzipien mit Preisgestaltung, die realen Wert misst
  • 16. Enterprise AI: langsamer aufgebaut als die Demos vermuten lassen (aber auf dem Weg zur Kommerzialisierung)
    – Enterprise-Rollouts bewegen sich langsamer als die coolen Demos in den sozialen Medien
    • Käufer wollen Agent-Governance, Zitate, Herkunftsnachweise, Umgang mit PII, Audit-Trails und eine enge Anbindung an Enterprise-Systeme, bevor sie Autonomie einsetzen
    • Bei der Definition und Umsetzung von Use Cases gibt es echte Fortschritte
      • AI-Kundenservice, AI-Coding, interne Chatbots sind die klaren Gewinner
      • Viele branchenspezifische oder unternehmensspezifische Strategien brauchen noch Anpassung, Datenpipelines und Policy-Arbeit, um vollständig zu entstehen
    • Die „Accenture-Phase“ ist vorbei, und jetzt wird der Bogen sichtbar
      — von Copiloten über eng umrissene Agenten hin zu gemanagter Automatisierung
      — die Nachfrage verfestigt sich
    • In diese Nachfrage hinein haben etablierte Anbieter einen Distributionsvorteil und bringen „Agentenplattformen“ innerhalb von CRM/ERP/ITSM (Salesforce, ServiceNow, Microsoft) auf den Markt
      • Sie bündeln Guardrails, Telemetrie und Freigaben an einem Ort
    • Insgesamt wärmt sich der Enterprise-Markt der Global 2000 ernsthaft für den Kauf und Einsatz von AI auf, befindet sich aber noch nicht im Vollsieden

AI-Infrastruktur

  • 17. NVIDIA dominiert, aber Diversifizierung ist Realität
    – Blackwell-GB200-Racks bleiben der Referenzpunkt, aber Käufer ziehen jetzt auch Google TPU, AMD MI350 und in bestimmten Footprints Intel Gaudi 3 hinzu
    • Da Rack-Scale-Designs die TCO bestimmen, mischen Unternehmen Anbieter für Preis/Leistung und Verfügbarkeit, und betreiben heterogene Cluster unter intelligenteren Schedulern statt in einer Monokultur eines einzelnen Anbieters
  • 18. Der Aufstieg lokaler AI: Geräte, nahes Edge, Private Cloud
    – Neue NPUs in Laptops und Smartphones verlagern echte Arbeit auf das Gerät: schnell, multimodal und standardmäßig privat
    • Wenn die Aufgabe zu groß ist, läuft sie zu einer nahen oder vom Anbieter betriebenen „Private Cloud“ aus (z. B. Apples Private Cloud Compute) statt zu allgemeinen öffentlichen Endpunkten
    • Tools wie LM Studio und Ollama machen lokale Modelle zu Click-to-Run
    • On-Device übernimmt schnelle UX und persönlichen Kontext; die Cloud übernimmt schwerere Inferenz und geteilten Speicher
    • In Fabriken, Kliniken und Autos schützen nahe Edge-Boxen Bandbreite, Privatsphäre und Verfügbarkeit
    • Die besten Produkte übergeben nahtlos zwischen Gerät, Edge und Cloud
  • 19. Der Agenten-Stack wird zur Infrastrukturschicht
    – Unter Apps entsteht eine neue Runtime: Planner und Tool-Calling, strukturierte Outputs und Funktionskataloge, Kurz- und Langzeitgedächtnis (Vektoren, Graphen), Sandbox-Tool-Ausführung, Freigaben, zustandsbehaftete Orchestrierung
    • Darum herum entstehen Task-Evaluatoren, Policy-/Guardrail-Systeme, Tracing und Kosten-Telemetrie, Datasets/Versionskontrolle und Rollbacks
    • Was 2024 noch wie „App Glue“ aussah, ähnelt nun einer Plattformschicht mit eigener SLA und eigener Beschaffungszeile
  • 20. Compliance, Sicherheit und Red Teams sind jetzt Standard
    – Sicherheit und Compliance sind kein Kontrollkästchen mehr, sondern der Preis für den Betrieb von AI in Produktion
    • Aktualisierte Leitlinien (z. B. OWASPs LLM Top 10, Playbooks für Prompt Injection) setzen den Maßstab
      • Zeigen, woher Daten kommen, Prompt-/Tool-/Entscheidungsprotokolle führen, Policies durchsetzen und Jailbreak-Resistenz belegen
    • Unternehmen erwarten Nachweise, Audit-Trails und klare „Break-Glass“-Verfahren, die mit Schichten wie Servicebereitstellung und Storage verbunden sind
    • Wenn es nicht evaluiert, nachverfolgt und gesteuert werden kann, ist es keine Infrastruktur

Dateninfrastruktur

  • 21. Das Ende einer Ära, der Beginn der Konsolidierung
    – Das Unbundling des „modernen Daten-Stacks“ führt zu Konsolidierung:
    • dbt Labs und Fivetran wachsen zusammen
    • Plattformen wie Databricks decken weiterhin die gesamte Waterfront ab, indem sie Build und Buy ausgewogen kombinieren (Batch und Streaming, Vektoren und Graphen, Feature Stores, Governance)
    • Der Bezugsrahmen verschiebt sich von „Warehouse vs. Lakehouse“ hin zu Objektspeicher + offenen Tabellen + neutralem Katalog als Control Plane
    • Modellierung, Bewegung, Features, Evaluierungs-Datasets, Lineage und Policies verschmelzen mit AI-Serving und Agenten-Runtimes
    • In der Praxis kollabieren Dateninfrastruktur und AI-Infrastruktur zu einer gemeinsamen Ebene, und in den Lücken dazwischen versickert Wert
  • 22. Doch Daten-Grundlagen sind wichtiger denn je
    – Solide Tabellen und Kataloge, Qualität und Lineage sowie Query Engines mit niedriger Latenz sind zu Voraussetzungen für Agenten, Retrieval und evaluationszentriertes CI geworden und kein nachträglicher Gedanke mehr
    • Graph- und Vektor-gestützte Suche wechselt von Blogposts zu einem Muster
    • Observability erstreckt sich jetzt über Prompts, Tools und Kosten
    • Compliance liegt auf derselben Ebene wie Performance
    • Dieses Feld bekommt neue Energie
      • Der Aufstieg von ClickHouse in Echtzeit-Analytics (nun auch mit Vektoren) zeigt die Nachfrage nach Geschwindigkeit im großen Maßstab
      • Lokale und Edge-Stacks brauchen weiterhin klare Verträge, um Cloud-Speicher zu unterstützen
    • Daten verschwinden nicht, sie steigen zum Kontrollbereich von AI auf

Anwendungen und Agenten

  • 23. Große Labs und Plattformen bewegen sich den Stack nach oben
    – Frontier-Labs und etablierte Anbieter geben sich nicht mehr nur mit Modell-APIs zufrieden
    • OpenAI, Anthropic und Google/Gemini bringen fortlaufend Produkte auf der App-Ebene heraus
      • Sprachassistenten, Desktop-Apps, Team-Pläne, E-Mail, Dokumente, mit CRM verbundene Workflow-Builder usw.
    • Das führt zu Plattformrisiko und direkter Konkurrenz
      • Wenn Modellanbieter die Oberfläche und das Bundle besitzen, können sie morgen in Ihr Terrain vordringen
    • OpenAI treibt das am weitesten voran
      • rekrutiert Domänenexperten, etwa ehemalige Banker, um Workflows zu vermitteln
      • fügt innerhalb von ChatGPT Commerce-Schienen hinzu
        • Einführung eines ChatGPT-First-Browsers
          — Anthropic vertieft Team-/Projektabläufe und bringt Claude Code heraus
    • Gemini stärkt die Consumer- und Workspace-Oberflächen
    • Gleichzeitig absorbieren Modelle große Teile der „Wrapper“-Ebene
      • First-Party-Structured-Output, Function Calling, Memory, Browse-/Code-/Vision-/Voice-Tools, leichte Automatisierung, sogar Commerce
    • Nutzer gewinnen an Geschwindigkeit
      — sie können Funktionen nutzen, die bereits gut funktionieren
    • Für Startups verläuft der Wrapper-Zyklus dünn → dick → wieder dünner
      • Frühe UIs sind zu echten Produkten gewachsen (Datenbrücken, Workflows, Compliance), doch Plattformen ziehen viele Funktionen in den Kern zurück
  • 24. Vibe Coding ist der Hit des Jahres 2025
    – Coding-Agenten springen vom Neuigkeitswert zur Alltagsgewohnheit
    — lesen Repositories, starten Sandboxes, planen Änderungen, öffnen PRs, führen Tests aus und beschreiben Diffs
    — sogar „Video Coding“-Demos zeigen inzwischen Agenten, die UIs in Screencasts bedienen
    • Die Adoptionsrate ist erstaunlich:
      • Cursor und Claude Code werden weithin als einige der am schnellsten wachsenden Entwickler-Tools aller Zeiten genannt
      • innerhalb weniger Monate zeichnen sich Pfade zu ARR in neunstelliger Höhe ab
    • Das Handwerk hat sich von Autocomplete zu Anweisung und Review verschoben, und der Stack hat sich zu End-to-End-Workflows erweitert, etwa mit GitHub Copilot, Sourcegraph Cody, Codeium/Windsurf und Devin
    • Auf der Produktseite verwandeln Vercel v0, Lovable und Replit „Describe, then ship“ in eine produktive Produktionsschleife für kleine Teams
    • Die Frage ist vor allem bei nichtprofessionellen Entwicklern die Bindungskraft; das Verhalten früher Kohorten zeigt, dass diese Gewohnheiten so dauerhaft werden könnten wie Coding Search
  • 25. Modalitäten kommen zur Geltung
    – Bild, Video und Sprache schalten einen Gang höher: Veo3, Runway und Sora treiben filmische Generierung voran
    • ElevenLabs und Synthesia machen hochwertige Sprache und Avatar-Arbeit alltagstauglich
    • Echtzeit-Sprachagenten führen flüssige Gespräche und steuern Tools an
    • Vision-Modelle analysieren nun UIs, Diagramme und Fotos aus der Praxis ohne fragile Templates
    • Video-Editoren springen direkt von Clips zu Storyboard-Szenen mit belegbarer Herkunft
    • Gleichzeitig zielen World Models – von Genie 3 bis zu neuen Arbeiten aus der Gruppe von Fei-Fei Li – darauf, in interaktiven Umgebungen wahrzunehmen und zu handeln
      • Das verwischt die Grenze zwischen kreativer Software und operativer Software
    • Der Maßstab verschiebt sich von „Kann es Untertitel hinzufügen?“ zu „Kann es modalitätsübergreifend zuverlässig wahrnehmen, planen und handeln?“
    • 2026 wird ein großes Jahr für Modalitäten

Abschließende Gedanken

  • Die MAD-Landschaft 2025 ist eine Karte eines Marktes, in dem Blasenbildung und Aufbau gleichzeitig stattfinden
  • Um die Realität besser abzubilden, wurde sie mit weniger Logos und mehr Gewichtung neu gezeichnet
  • Hyperscaler und Pure-Play-Marktführer sitzen am Rand, Agenten sowie Daten-/Kontroll-Ebenen treffen sich in der Mitte, und nicht nur GPUs, sondern auch Strom bestimmen das Tempo
  • Die Storylines reimen sich über die gesamte Karte hinweg
    • Während Open Weights widerstandsfähig bleiben, erweitern die einzelnen Labs ihr Geschäft in Richtung Apps
    • Daten- und AI-Infrastruktur sind verschmolzen
    • Trotz des Rückstands gegenüber den Demos finden Enterprise-Deployments statt
    • Coding-Agenten sind zur Alltagsgewohnheit geworden
  • Von hier an wird der Horizont breiter als ein einzelner Release:
    Wenn Distribution, Margen, Governance und Stromverbrauch neu austariert werden, wird Intelligenz zur Infrastruktur,
    und die nächste Welle wird zu zusammengesetzten Fortschritten führen, die ganze Branchen voranbringen

Verwandte Beiträge

2 Kommentare

 
ragingwind 2025-11-10

„Wenn Vertrieb, Margen, Governance und Stromverbrauch angepasst werden, wird Intelligenz zu Infrastruktur, und die nächste Welle wird zu einer zusammengesetzten Entwicklung führen, die die gesamte Industrie voranbringt.“ Es ist unklar, wann das geschehen wird, aber sobald sich alles konsolidiert hat, werden darüber viele Güter und Passagiere verkehren.