Donnerstag28. Mai

Die Woche begann mit dem wohl wichtigsten juristischen Signal für die AI-Branche: Ein neunköpfiges Bundesgericht in Oakland verwarf Elon Musks 150-Milliarden-Dollar-Klage gegen OpenAI nach weniger als zwei Stunden Beratung vollständig. Die Richter sahen Musks Ansprüche wegen Verjährung als verwirkt an — er hatte die angebliche Umwandlung OpenAIs in eine For-Profit-Struktur bereits 2021 gekannt, die Klage aber erst 2024 eingereicht. Der Prozess förderte zudem belastende Details zutage: Musk hatte OpenAI-Forscher darunter Andrej Karpathy und Ilya Sutskever ohne Vergütung für Tesla arbeiten lassen und hatte 2017 die alleinige Kontrolle über jede kommerzielle OpenAI-Struktur angestrebt. Unmittelbar nach dem Urteil bestätigte OpenAI, in den nächsten Wochen vertraulich einen IPO-Prospekt bei der SEC einzureichen — begleitet von Goldman Sachs und Morgan Stanley, bei einer aktuellen Privatbewertung von 852 Milliarden Dollar und einem annualisierten Umsatz von 30 Milliarden Dollar. CEO Sam Altman peilt einen Börsengang im September 2026 an; CFO Sarah Friar ließ Vorsicht walten und betonte, das Unternehmen werde erst dann an die Börse gehen, wenn es bereit sei. Simon Willisons Analyse trifft den Kern: Anthropic und OpenAI haben Product-Market-Fit gefunden — und zwar ausgerechnet über Coding-Agents. Seit April 2026 zahlen Enterprise-Kunden beider Anbieter API-Preise statt bisheriger Pauschalrabatte; Willisons eigene Token-Kosten lägen hochgerechnet bei 2.180 USD im Monat, die er für sein 200-Dollar-Abo-Paket aufwendet.

Die Infrastruktur-Wetten dieser Woche verdeutlichen, wo das Kapital den Worten folgt. Snowflake unterzeichnete einen 6-Milliarden-Dollar-Fünfjahresvertrag mit AWS — ein Volumen, das nahezu dem gesamten seit der Gründung 2012 über den AWS Marketplace erzielten Umsatz entspricht. Treiber ist explizit KI: Snowflakes AI-Builder-Tool Cortex AI hat die AWS-Kundenumsätze 2025 auf 2 Milliarden Dollar verdoppelt. Besonders aufschlussreich ist, dass der Vertrag primär auf Amazons hauseigene ARM-Chips der Graviton-Serie abzielt — denn mit zunehmender Agenten-Automatisierung wächst vor allem der CPU-Bedarf, während GPUs Training und Reasoning übernehmen. Parallel dazu verdreifachte Nvidia seine jährlichen Investitionen in Taiwan auf 150 Milliarden Dollar und erklärte die Insel zum „Epizentrum der KI-Revolution". CEO Jensen Huang begründete die Priorisierung explizit mit der fortgeschrittenen Chip-Packaging-Infrastruktur und den Partnernetzwerken mit TSMC, Foxconn und Quanta — Kapazitäten, die in US-Fabriken kurzfristig nicht replizierbar sind. Tech-Konzerne planen laut Huang gemeinsam 750 Milliarden Dollar Ausgaben für KI-Infrastruktur allein in diesem Jahr.

Auf der Werkzeugseite verdichtet sich das Bild einer Branche, die gerade die Grenzen agentischer Systeme auslotet — und dabei ehrlicher wird. TokenSpeed erzielte 580 Token pro Sekunde auf dem 397-Milliarden-Parameter-MoE-Modell Qwen3.5-397B-A17B — durch systematische Eliminierung von Memory-Copies, Advanced-Kernel-Fusions und vollständig überlappte CPU-GPU-Ausführung. Dieser Rekord macht hochdurchsatzige Agenten-Pipelines auf Standard-GPU-Hardware praktisch nutzbar. Demgegenüber steht der ernüchternde Befund des ITBench-AA-Benchmarks von Artificial Analysis und IBM Research: Kein einziges getestetes Frontier-Modell erreicht 50 Prozent bei realen SRE-Kubernetes-Szenarien — längere Agenten-Trajektorien garantieren dabei keine höhere Genauigkeit, und Open-Weights-Modelle wie Gemma 4 31B bieten ein besseres Kosten-Leistungs-Verhältnis. Das Bild vervollständigt NVIDIAs neues Polar-Framework für GRPO-Training: Es ermöglicht Reinforcement Learning über beliebige Agent-Harnesses wie Codex CLI, Claude Code oder Qwen Code, ohne deren Code anzufassen — der Proxy setzt einfach an der Modell-API-Grenze an. Die Integration als NeMo-Gym-Umgebung macht das Framework direkt in bestehende NVIDIA-Trainingspipelines einbindbar und senkt die Einstiegshürde für RL-basiertes Coding-Agent-Training erheblich.

Was Agenten in der Praxis konkret leisten — und wo ihre Grenzen gezogen werden —, zeigen zwei gegensätzliche Signale. OpenAI entwickelte gemeinsam mit Thrive und Crete einen selbstverbessernden Steuer-Agenten auf Codex-Basis, der Steuererklärungen automatisiert, die Genauigkeit erhöht und Workflows beschleunigt — ein konkretes Umsetzungsmuster für regulierte Branchen. Microsoft zieht derweil mit Azure Logic Apps nach, das nun sandboxed Code Interpreters in Agent-Workflows integriert: Ein LLM kann Python-, JavaScript-, C#- oder PowerShell-Code erzeugen und ihn direkt in Hyper-V-isolierten Sandboxes ausführen — alles innerhalb eines einzigen governed Workflows. Damit positioniert sich Logic Apps als dedizierte Integrationsarchitekten-Plattform neben Azure Foundry und Copilot Studio, mit granularer Modellauswahl pro Workflow. Den schärfsten Kontrapunkt setzt ausgerechnet ein Open-Source-Projekt: SQLite führte eine AGENTS.md-Datei ein und lehnt agentischen Code kategorisch ab — das Wort „derzeit" wurde in einer späteren Commit-Revision bewusst entfernt, um die Aussage zu verschärfen. Reproduzierbare Testfälle und Proof-of-Concept-Patches für Dokumentationszwecke sind willkommen; agentic-generierte Pull Requests sind es nicht. Nachdem das SQLite-Forum mit KI-generierten Bug-Reports geflutet wurde, richtet das Projekt nun ein separates Bug-Forum ein. Für Builder, die Coding-Agents auf Open-Source-Projekte ansetzen, setzt SQLite damit ein klares Policy-Präzedenz.