- Kimi K3 von Moonshot Labs und Qwen 3.8 von Alibaba sollen eine Leistung nahe an Anthropics Fable 5 erreichen; zudem sollen die Gewichte innerhalb weniger Wochen veröffentlicht werden, wodurch sich der Wettbewerb um Frontier-Modelle auf offene Modelle ausweitet
- Für die Modellentwicklung braucht es Forschungspersonal, Computing und Strom, doch nach der Bereitstellung entstehen die Grenzkosten der Inferenz vor allem durch Computing und Strom. Wer Rechenzentren und Stromerzeugungsanlagen besitzt, kann diese Kosten in Fixkosten umwandeln und bei steigender Nutzung die Margen ausweiten
- Modellanbieter ohne eigene Infrastruktur müssen sich entweder auf Spitzenleistung oder auf günstige, ausreichend gute Qualität stützen. Die Auswege verengen sich auf rekursive Selbstverbesserung, Marktschließung durch Regulierung oder den Aufbau schwer kopierbarer Produkte
- Anthropics Fable 5 kostet pro erledigter Aufgabe etwa dreimal so viel; auch Harnesses wie Claude Code und Cowork konkurrieren mit OpenCode, OpenClaw und Hermes. Modell, Produkt und Kostenstruktur werden gleichzeitig angegriffen, wodurch das Risiko einer Entbündelung steigt
- Mit GLM 5.2, Kimi K3 und Qwen 3.8, die im Juni und Juli 2026 nacheinander erschienen, zeigt sich, dass mehrere Labore aufholen können. Das schwächt die Verteidigungsfähigkeit modellzentrierter Anbieter wie Anthropic, Moonshot Labs und Knowledge Atlas
Frontier-Wettbewerb weitet sich auf offene Modelle aus
- Kimi K3 wurde am 16. Juli 2026 veröffentlicht, Qwen 3.8 am 19. Juli angekündigt
- Beide Modelle sollen eine Leistung nahe an Anthropics Fable 5 erreichen
- Die Modellgewichte sollen innerhalb weniger Wochen veröffentlicht werden
- Auch GLM 5.2 von Knowledge Atlas ist ein im Juni erschienenes Topmodell unter den offenen Modellen
- Dieser Trend ist breiter als der einzelne „DeepSeek-Moment“ des Jahres 2025
- Er zeigt, dass mehrere Labore nicht nur kapitalstarke Anbieter wie Anthropic und OpenAI, sondern auch Meta und SpaceXs Grok einholen können
- Es zeichnet sich ein Muster wiederholten Wettbewerbs und Aufholens ab; berücksichtigt man auch die Kosten, sind künftig sogar Leistungsumkehrungen möglich
Kostenstruktur von Foundation Models
- Für den Aufbau eines Modells braucht es Forschungspersonal, Computing-Ressourcen wie Chips und Rechenzentren sowie Strom für deren Betrieb
- Bei einem fertigen Modell entstehen die größten Kosten durch die Inferenz, also dadurch, dass Nutzer das Modell verwenden
- Auch in der Inferenzphase werden Personal, Computing und Strom eingesetzt
- Da das Modell nicht fortlaufend neu trainiert wird, ist der Anteil der Personalkosten niedriger als beim Training; der Großteil der Grenzkosten konzentriert sich auf Computing und Strom
- Ein Inferenzgeschäft muss Strom- und Rechenzentrumskosten optimieren; je mehr Teile der Wertschöpfungskette man besitzt, desto eher lassen sich variable Kosten in Fixkosten umwandeln
Margen hängen vom Umfang eigener Infrastruktur ab
- Anthropic, Knowledge Atlas und Moonshot Labs beziehen Rechenzentren und Strom extern und besitzen weder eigene Rechenzentren noch Kraftwerke
- Meta und Alibaba bauen eigene Rechenzentren, kaufen den Strom aber von anderen Anbietern
- SpaceX wählt den Weg, sowohl Stromerzeugungsanlagen als auch Rechenzentren zu besitzen
- Unternehmen, die auf externe Rechenzentren und Strom angewiesen sind, verdienen Geld, indem sie auf die Inferenzkosten ihrer Kunden eine Marge aufschlagen
- Da die Kosten zusammen mit dem Umsatz steigen, ist es schwierig, die Margen bei wachsender Nutzung auszuweiten
- Wer Kraftwerke oder Rechenzentren besitzt, macht einen erheblichen Teil der Inferenzkosten zu Fixkosten und kann die Margen mit zunehmender Kundennutzung steigern
Infrastruktur erweitert strategische Optionen
- Je mehr vom Infrastruktur-Stack ein Unternehmen besitzt, desto stärker kann es die Infrastruktur selbst monetarisieren
- Selbst wenn das eigene Modell nicht das beste ist, kann es leistungsfähige Open-Source-Modelle hosten
- Auch die Vermietung vorhandener Hardware an andere Unternehmen ist möglich
- Meta soll einen 10-Milliarden-Dollar-Vertrag zur Bereitstellung von Serverkapazität für Anthropic verhandeln
- SpaceX hat einen Cloud-Vertrag mit Google abgeschlossen und diskutiert außerdem, dem US-Verteidigungsministerium Computing-Leistung bereitzustellen
- Ohne Rechenzentren oder Stromerzeugungsanlagen hängt der Erfolg von der Nachfrage nach dem Modell ab
- Das Modell muss entweder die beste Leistung bieten oder günstig und zugleich gut genug sein
- Man befindet sich in einem Wettbewerb, in dem man die Inferenzpreise ständig senken oder die Position als Anbieter des besten Modells verteidigen muss
Drei Überlebenswege für reine Modellunternehmen
- Anthropic, OpenAI, DeepSeek, Moonshot Labs und Knowledge Atlas dürften es in einem hyperkompetitiven Markt für Foundation Models schwer haben, wenn sie ihre Führungsposition nicht dauerhaft halten
- Für Unternehmen, die sich auf Modelle konzentrieren, gibt es drei Wege zum Erfolg
- Mit ausreichenden Computing-Ressourcen zuerst rekursive Selbstverbesserung erreichen und die Konkurrenz deutlich abhängen
- Den Markt durch Regulierung abschotten
- Ein Produkt bauen, das so einzigartig ist oder Nutzer so stark bindet, dass es nicht kopierbar ist
Anthropics Kosten- und Regulierungsstrategie
- Unter den Frontier-Modell-Laboren stützt sich Anthropic am stärksten auf eine Regulierungsstrategie und rekursive Selbstverbesserung
- Der ethikzentrierte Ansatz, der in der Selbstzensur von Fable und Mythos sichtbar wurde, hängt mit der Regulierungsstrategie zusammen
- Spätere Maßnahmen der US-Regierung beschränkten zudem weitere Veröffentlichungen
- Bei der Modellleistung bleibt Anthropic führend, ist aber deutlich teurer als OpenAI und offene Modelle
- Im Vergleich von Artificial Analysis liegen die Kosten von Fable 5 pro erledigter Aufgabe bei nahezu dem Dreifachen
- Ob Nutzer diesen Preis für ein besseres Modell zahlen werden, ist noch nicht erwiesen
- Einige Forscher und Gründer erwarten wegen der Ausweitung des Wettbewerbs und der Sättigung von AI-Benchmarks, die Preise nicht widerspiegeln, einen Preiskrieg
Harness-Wettbewerb und Entbündelungsdruck
- Anthropic hat in Produkte wie Claude Code und Cowork investiert, doch eine Strategie rund um Agent-Harnesses birgt Risiken
- OpenCode, OpenClaw, Hermes und mehrere Harness-Startups innovieren im selben Bereich
- Die Eintrittsbarrieren für den Aufbau eines Foundation Models sind sehr hoch, die für den Start eines eigenen AI-Harnesses dagegen nahezu nicht vorhanden
- Anthropic steht aus drei Richtungen unter Entbündelungsdruck
- Das Modell wird zur Messlatte, die Wettbewerber übertreffen müssen
- Das Produkt wird zunehmend stärker von geschlossenen und Open-Source-Konkurrenten herausgefordert
- Das wirtschaftliche Modell ohne eigene Infrastruktur ist kostenseitig im Nachteil
- Ohne regulatorische Eingriffe oder die tatsächliche Erfindung von AGI könnte es für Anthropic schwierig werden, die Position als führender Anbieter von Foundation Models zu halten
OpenAIs andere Verteidigungsstrategie
- OpenAI-Modelle lagen in den vergangenen Monaten hinter Anthropic zurück, doch OpenAI investiert in Produkte, Consumer Experience, Site Publishing, Voice und Hardware
- In diesen Bereichen ist eine verteidigungsfähige Basis klarer erkennbar als bei Anthropics harnesszentrierten Produkten
- OpenAI ist auch offener für den Besitz von Rechenzentren und Investitionen in Stromerzeugungsanlagen
- Manche sehen in dieser Strategie einen Verlust an Fokus, langfristig könnte sie jedoch die Resilienz erhöhen
- OpenAI hat die Flexibilität und Risikobereitschaft, Produkte mit Netzwerkeffekten und Verteidigungsfähigkeit auszuprobieren
- Langfristige Margen lassen sich optimieren
Schwächer werdende Verteidigungsfähigkeit modellzentrierter Anbieter
- Kimi K3 und Qwen 3.8 zeigen, dass auch offene Modelle den Bereich der Frontier-Leistung erreichen können
- Gemessen am Kriterium eines langfristig nachhaltigen Geschäfts sind Unternehmen, die nur Modelle anbieten, besonders gefährdet
- Für Knowledge Atlas, Moonshot Labs und Anthropic ist es schwieriger, Verteidigungsfähigkeit aufzubauen als für OpenAI, Alibaba, SpaceX, Meta und Google, die Infrastruktur und weitere Produkt-Assets besitzen
1 Kommentare
Hacker-News-Meinungen
Wenn man sieht, wie in den letzten Tagen Modelle mit offenen Gewichten und offener Architektur in Massen erscheinen, wirkt es immer wahrscheinlicher, dass am Ende derjenige gewinnt, der Modelle am schnellsten auf ASICs brennt
Wie die K3-Ankündigung zeigte, kann das LLM selbst bereits Teile des Chipdesigns übernehmen, und hochmoderne Modelle sind schon jetzt für ein breites Spektrum an Aufgaben gut genug und werden dieses Niveau bald auch für einen erheblichen Teil der Softwareentwicklung erreichen
Wenn Fable 5 statt mit 150 Token pro Sekunde auf einer Nvidia-GPU mit 9.000 Token pro Sekunde auf einem ASIC läuft, könnte das den Großteil der Nachfrage abdecken
Auch Unternehmen könnten verschiedenste Anwendungsfälle sicherer mit einigen wenigen On-Premises-ASICs abdecken, statt ihre Daten an OpenAI oder Anthropic weiterzugeben
Ich würde nur ungern das Risiko eingehen, dass während der Abstimmung der Chip-Release-Details ein neues Paper oder ein neuer Ansatz erscheint, der um ein Mehrfaches schneller ist
Entwickler haben eine sehr geringe Markentreue und wechseln sofort zum besten Modell, daher dürften GPUs dominant bleiben, solange die besten Modelle auf programmierbaren GPUs laufen
Ich nutze sie oft, aber sie missachten die angefragten Bedingungen komplett, und etwa die Hälfte der empfohlenen Zwischenstopps erfüllt die Filter nicht
Wenn man Kunden folgt, die immer größere Modelle wollen, als wären Ressourcen unbegrenzt, verdient man kurzfristig viel Geld, läuft aber Gefahr, von etwas wie Apple Silicon überholt zu werden, das durch Effizienz und kontinuierliche Verbesserungen gewachsen ist
Ein Forschungslabor brachte ein Modell mit 8 Milliarden Parametern, das auf einem allgemeinen Software-Stack etwa 100 Token pro Sekunde schaffte, auf einer einzelnen MI300X auf rund 3.000 Token pro Sekunde
Außerdem werden Flash-Speicher mit mehreren TB und hoher Bandbreite entwickelt, die über 1 TB pro Sekunde lesen, sodass man in einigen Jahren ein Modell mit 3 Billionen Parametern vielleicht lokal auf einer Karte mit 40–90 GB HBM und 4 TB HBF für etwa 10.000 bis 20.000 Dollar betreiben kann
Ich muss ständig an den Fall Figma denken
Mike Krieger, CPO von Anthropic und Mitgründer von Instagram, war Vorstandsmitglied bei Figma, trat aber kurz vor der Veröffentlichung von Claude Design zurück; Berichten zufolge stützte sich Figma zwar auf eine gemeinsame „Code to Canvas“-Integration mit Anthropic-Modellen, kannte den Umfang von Claude Design jedoch nicht im Voraus
Direkt nach der Ankündigung fiel die Figma-Aktie um 7 %, und der SaaS-Abgesang wurde Realität: Basismodell-Unternehmen verdrängen die Anwendungsschicht ihrer SaaS-Partner
Man sollte vorsichtig sein, wenn man LLM-Unternehmen Daten gibt oder von ihnen abhängt, denn wenn die Idee eines AI-Startups erfolgreich ist, können diese direkt konkurrieren oder die API-Preise bestimmen
OpenAI setzt stark auf ein Supergerät für Verbraucher und entwirft sogar eigene Hardware, um von Apple und Android unabhängiger zu werden
Langfristig geht es nicht um AI-Unternehmen gegen SaaS, sondern um Konkurrenz mit großen Verbrauchermarken wie Apple, Google, Meta und Amazon; wer zuerst den ultimativen digitalen Assistenten baut, der jede Aufgabe annimmt und sofort Code und Interfaces erzeugt, könnte selbst Apple alt aussehen lassen
Produkte, die auf anderen Diensten aufbauen, werden leicht übernommen oder vom zugrunde liegenden Dienst absorbiert, und auch Apple hat still und leise Funktionen vieler beliebter Apps in iOS integriert
Im Wettbewerb mit den Forschungslaboren dünne Wrapper zu bauen, ist riskant, aber zugleich ist es auch ein neues Software-Zeitalter, in dem man sich keine Sorgen machen muss, wenn man wertvolle Produkte baut, die ein Chatbot nicht sofort kopieren kann
Ich halte das Risiko für übertrieben
Es gibt Nachfrage danach, für bessere Modelle mehr zu zahlen, und der Wert, den ich in meinem Workflow daraus ziehe, ist weit größer als die 200 Dollar pro Monat, die ich an ein Frontier-Lab zahle, daher habe ich nicht vor, meine Kosten auch nur leicht zu senken
Der Wert liegt stärker in der von Claude Code oder Codex bereitgestellten Laufzeitumgebung als im eigentlichen LLM, und Open-Source-Implementierungen wie OpenCode sind noch deutlich unzureichender
Auch bei Excel gibt es mit Google Sheets eine fast gleichwertige Alternative, die über 90 % der Funktionen bietet, aber weil der durch Tabellenkalkulation erzeugte Wert weit über 100 Dollar pro Jahr liegt, bleibt Microsofts starker Burggraben bestehen
Die beiden Firmen werden wegen ihrer Laufzeitumgebungen auch nicht mit 1 Billion Dollar bewertet
Excel für Unternehmen kostet etwa 50 Dollar im Monat, aber geschlossene Labs verlangen pro Nutzer ein Mehrfaches davon, und ich selbst nutze trotz wenig Coding mindestens etwa 50 Dollar pro Tag
Wo ich lebe, sind selbst 200 Dollar Monatslohn nicht selten und Entwickler verdienen etwa 1.000 Dollar, also kann man es sich trotz hohen Werts nicht leisten, wenn sonst Miete und Essen nicht bezahlt werden können
Auch in Industrieländern sind 200 Dollar im Monat für nicht wohlhabende Studierende oder Gründer schwer tragbar
Noch vor einer Woche war es den Preis wert, für Fable zu zahlen, aber mit dem Erscheinen von K3 ist der Abstand für mich so stark geschrumpft, dass sich die Kosten nicht mehr rechtfertigen lassen
Wenn das reale Ergebnis um 10 % besser ist, zahlt man vielleicht auch das Fünffache, aber für 2 % Verbesserung zum fünffachen Preis gibt es deutlich weniger Käufer
Außerdem ist es kein Vorteil von Anthropic, sondern ein Nachteil, wenn man gezwungen wird, Claude Code statt der bevorzugten Laufzeitumgebung zu nutzen
Es ist erstaunlich, wie schnell Fable sich von einem „verboten guten Gamechanger-Modell“ zu „okay, aber OpenAI ist ähnlich und es gibt auch Alternativen mit offenen Gewichten“ gewandelt hat
Der Hype-Zyklus ist kürzer geworden, und vielleicht sind wir diesmal wirklich an einem Plateau angekommen
Informationen ändern sich ständig, also müssen Modelle aktualisiert werden, aber frei verfügbare Daten werden mit der Zeit knapper
OpenAI ist wie Anthropic de facto ebenfalls ein reiner Modellanbieter, daher ist fraglich, warum es nicht auf die gleiche Weise verwundbar sein sollte
Diese Historie liefert persönlichen Kontext, verbessert das Produkt und kann auch für Modelltraining und Werbung genutzt werden
In einer Zukunft, in der eine Eingabe wie „Plane meinen Urlaub“ den gesamten Ablauf koordiniert, werden Nutzer nicht einfach zu einem Modell wechseln, das 10 % billiger oder besser ist
Falls die Produkte tatsächlich erscheinen und einigermaßen erfolgreich sind, könnte das dem Unternehmen eine einzigartige Position verschaffen, die es von anderen Frontier-Labs unterscheidet
Allerdings bleiben diese Differenzierungsmerkmale derzeit entweder hinter den Erwartungen zurück oder sind, wie bei Hardware, überhaupt nicht validiert
Gute Modelle zu bauen und sie schnell bereitzustellen sowie die Nachfrage zu bedienen, sind zwei verschiedene Dinge
Anthropic hatte dieses Problem vor etwa 6 Monaten, und Moonshot konnte die Nachfrage ebenfalls nicht bedienen und hat Abos für den Coding-Tarif bereits eingestellt
Wenn die Obergrenze des AI-Fortschritts bei rekursiver Selbstverbesserung liegt, baut AI bessere Modelle und die Eigentümer der Rechenzentren gewinnen, womit Anthropic und OpenAI erledigt wären
Wenn die Untergrenze Stagnation ist, läuft es auf einen Wettbewerb hinaus, dauerhaft die höchste Leistung zum niedrigsten Preis anzubieten
Dass Google angeblich Gemini-Chips baut, bei denen die Gewichte in Silizium eingebrannt sind, bedeutet angesichts von Chip-Lebenszyklen von mindestens 2 bis 3 Jahren, dass man in den nächsten 3 Jahren keinen Fortschritt auf einem deutlich anderen Niveau erwartet; am Ende wäre das ein Wettbewerb mit minimalen Margen, in dem beide Firmen erneut im Nachteil wären
Um zu überleben, muss die AI-Entwicklung zwischen diesen beiden Extremen bleiben
OpenAI wirkt weit stärker gefährdet als Anthropic
Dass die eine Seite auf einen Börsengang zusteuert und die andere ihre Bücher nicht offenlegen will, sagt schon viel aus
Entscheidend ist, ob andere Labs bessere Modelle als Anthropic und OpenAI bauen können
Wichtig ist auch, wie stark sie etwa durch Distillation von den APIs der beiden Firmen abhängen; falls es sich um abgeleitete Modelle handelt, ist zu erwarten, dass ihre Leistungsspanne enger und ihr Fortschritt begrenzter bleibt
Bei Unternehmen, die Tokens kaufen, zeigt sich bereits, dass mehr Intelligenz nicht zu höheren Umsätzen führt; am Ende werden also die Finanzen die Entscheidungen bestimmen
Wenn ich OpenAI oder Anthropic wäre, wäre ich sehr nervös
Dario könnte den Trend wieder drehen, wenn er erneut auf Podcast-Tour geht und damit droht, dass durch seine AI 75 % der Jobs verschwinden
Wenn das nicht funktioniert, dann 85 %, und wenn auch das nicht reicht, eben 100 %
Im November 2025 waren Anthropic Opus 4.5 und Claude Code zwar die einzigen Systeme, die klar definierte Funktionen auf Anhieb sauber implementierten, aber inzwischen bin ich mit Claude und Codex fast ähnlich zufrieden
Wenn die beiden Unternehmen beim Preis zu stark drücken oder die Sicherheitsrichtlinien übermäßig verschärfen, dürfte es auch mehr Optionen geben, zu fähigen Open-Weight-Modellen und echten Open-Source-Ausführungsumgebungen zu wechseln
Gemini 3.1 Pro wirkt stark, aber das Antigravity, das ich zuletzt benutzt habe, war unfähig
Es ist gut, wenn Anthropic als einer der starken Wettbewerber überlebt, aber wegen seiner Safety-First-Philosophie nehmen die Ablehnungen und die absichtliche Unwissenheit der neuesten Modelle zu
Langfristig könnte das Unternehmen als die Firma in Erinnerung bleiben, die die Softwareentwicklung beschleunigt hat, damit andere weniger ängstliche Werkzeuge bauen