Freitag10. Juli

Die Führungskrise bei OpenAI spitzt sich zu einem denkbar ungünstigen Zeitpunkt zu: Fidji Simo, die als CEO of Applications erst im Mai 2025 zur Nummer 2 des Unternehmens aufgestiegen war, wechselt nach einer länger als erwartet andauernden Erkrankung in eine Teilzeit-Beratungsrolle. Mit ihr verliert OpenAI die Führungsperson, die COO Brad Lightcap, CFO Sarah Friar und CPO Kevin Weil unter sich gebündelt hatte — wobei Weil das Unternehmen inzwischen bereits verlassen hat. Sam Altman, der sich eigentlich auf Forschung, Compute und Safety konzentrieren wollte, muss nun eine Nachfolge organisieren, während ein möglicher Börsengang näher rückt. Intern gilt Chief Revenue Officer Denise Dresser als potenzielle Kandidatin für eine erweiterte Rolle; sie bringt zwei Jahre als Slack-CEO sowie 14 Jahre bei Salesforce mit. Gleichzeitig kämpft OpenAI an einer zweiten Front: Im laufenden Urheberrechtsstreit mit dem New York Times wirft die Zeitung dem Unternehmen vor, Milliarden ChatGPT-Logs versteckt zu haben. Ein OpenAI-Datenschutzingenieur räumte in einer Zwangsdeposition ein, dass das Unternehmen dem Gericht über zwei Jahre lang falsche Angaben über seine technische Fähigkeit zur Log-Durchsuchung gemacht habe — darunter zwei de-identifizierte Stichproben mit 10 Millionen bzw. 78 Millionen Einträgen, die nie offengelegt wurden. News-Organisationen fordern nun „ernsthafte Sanktionen"; ein Präzedenzfall für KI-Training auf urheberrechtlich geschützten Daten steht damit im Raum.

Trotz dieser Turbulenzen setzt OpenAI sein Produktprogramm fort: Mit ChatGPT Work startet ein autonomer Agent, der eigenständig über Apps und Dateien hinweg agiert und stundenlang an komplexen Projekten arbeiten kann — explizit als Antwort auf Anthropic positioniert. Doch im Enterprise-Segment wächst der Druck von allen Seiten. Meta tritt mit Muse Spark 1.1 in den API-Markt ein — zu 4,25 Dollar pro Million Output-Token, günstiger als Grok 4.5 und deutlich unter den Preisen von Anthropic und OpenAI. Dass ein Tech-Konzern mit Milliardenbilanz das Pricing als strategisches Instrument einsetzt, verschärft den Margendruck auf reine KI-Labs strukturell. Parallel dazu demonstriert Databricks, wie ernst Kostenoptimierung in der Praxis genommen wird: GLM 5.2, ein chinesisches Open-Source-Modell, ersetzt bei Databricks Claude Opus 4.8 als Standard-Coding-Engine — bei identischer Qualität auf der eigenen Multi-Millionen-Zeilen-Codebase, aber für 1,28 statt 1,94 Dollar pro Task, ein Kostenvorteil von rund 34 Prozent. Databricks empfiehlt dabei ausdrücklich, eigene Benchmarks auf realen Codebasen zu bauen statt auf öffentliche Evals zu vertrauen.

Genau diese Verschiebung — weg von austauschbaren Modell-APIs, hin zu integrierten Plattformen — beschreibt Arvind Narayanan in seiner viel diskutierten Analyse über den drohenden Enterprise-Lock-in durch AI-Labs. Seine These: Frontier-Inferenz tendiert strukturell zur Commodity, da Modelle weitgehend austauschbar sind und Switching-Kosten niedrig bleiben. Die Labs reagieren darauf, indem sie gezielt in den Stack hinaufwandern — durch vertikale Integration, eingebettete Enterprise-Deployments und den Aufbau bewusster Wechselhürden. Wer heute auf offene APIs setzt, könnte sich morgen in proprietären Plattformen gefangen sehen, warnt Narayanan. Ein konkretes Gegenbeispiel liefert Google mit AlloyDB AI Proxy-Modellen: Statt externe LLM-Calls pro Datenbankzeile durchzuführen, trainiert AlloyDB ein leichtgewichtiges lokales Modell auf einer Datenstichprobe und wendet dessen Urteil danach lokal an — Google berichtet dabei von 100.000 Zeilen pro Sekunde Durchsatz in der Preview, gegenüber 2.400-fach langsamerem Row-at-a-Time-Processing. Das Muster invertiert die klassische Datenbank-zu-LLM-Beziehung grundlegend.

Für Builder, die Coding-Workflows optimieren, verdichtet sich das Feld weiter. Der Vergleich von Coding-Agent-Interfaces — darunter Emdash, Conductor, Cursor und weitere — zeigt, dass die Wahl des Interface die Produktivität beim parallelen Betrieb mehrerer Agents erheblich beeinflusst: Emdash wird als derzeit stärkste Option hervorgehoben, mit voller CLI-Feature-Parität und Tab-Splitting, wenngleich mit schwächerer Agenten-Übersicht als Conductor. Dass KI-gestützte Code-Migration inzwischen industriell skaliert, belegt das Bun-Beispiel eindrücklich: Der JavaScript-Runtime-Entwickler Jarred Sumner migrierte Bun in elf Tagen von Zig auf Rust — mithilfe von Anthropics Tool Fable, zu Kosten von 165.000 Dollar in Token-Gebühren. Was ein kleines Team laut Einschätzung sonst ein bis zwei Jahre gekostet hätte, wurde zur Sprint-Aufgabe — Voraussetzung war laut Sumner eine umfassende Testabdeckung. Wer keine Cloud-API nutzen will oder kann, findet mit DeepSeek V4 Flash auf einer einzelnen RTX 6000 Pro via vLLM-Moet eine Alternative: Durch 2-Bit-Kompression der Routed Experts bei FP4-Präzision für aktive Experten lässt sich das Frontier-MoE-Modell lokal betreiben — bei rund 100 bis 130 Token pro Sekunde, allerdings mit initialem RAM-Bedarf von rund 150 GB.