Dienstag14. Juli

Die produktive KI-Welle macht sich in Nutzerzahlen und Conversion-Metriken bemerkbar. OpenAI Codex mit 7 Millionen aktiven Nutzern — ein Wachstum von mehr als dem Zehnfachen innerhalb von sechs Monaten seit Jahresbeginn — ist die wohl auffälligste Zahl der Woche. Zum Vergleich: Codex startete mit schätzungsweise 550.000 bis 700.000 Nutzern ins Jahr; das Halten der 5-Stunden-Nutzungsbeschränkung für Plus-, Business- und Pro-Konten wurde temporär aufgehoben, was die Wachstumsdynamik zusätzlich befeuerte. Ähnlich messbar liefert DoorDashs KI-Shoppingassistent „Ask DoorDash" konkrete Produktionskennzahlen: persistentes Consumer-Memory steigerte die Grocery-Checkout-Conversion um 24 %, erhöhte Warenkorbgrößen um 17 % und reduzierte Konversations-Turns um 7 %. Bei Restaurant-Discovery lag die Conversion bei offenen Suchanfragen 15 % höher. Das Architekturprinzip dahinter ist bemerkenswert: Statt Business-Logik in Prompts einzubetten, trennt DoorDash Orchestrierung von Geschäftsfähigkeiten über einen MCP-basierten Tooling-Layer — ein Muster, das über Shopping hinaus als Blaupause für produktive Agent-Systeme taugt. Wer ein ähnliches System ohne Vektorembeddings aufbauen will, findet in Agentic RAG mit dem OpenAI Agents SDK eine minimale Implementierung, die Retrieval als iterativen Such-Lese-Entscheidungs-Loop modelliert.

Der Infrastrukturunterbau dieser Agentenarchitekturen verschiebt sich parallel in mehrere Richtungen. Laut dem Vercel AI Gateway Production Index für Juli 2026 — der auf Daten aus dem Juni basiert — liefen Open-Weight-Modelle bereits 29 % aller Gateway-Tokens, gegenüber 11 % im April, bei weniger als 4 % des Gesamtspends. DeepSeek allein erreichte 22,6 % des Token-Volumens und liegt damit weniger als zwei Prozentpunkte hinter Google auf Platz drei. Anthropic hingegen dominiert bei kostenkritischen Workloads: 72 % oder mehr des Spends in jeder High-Stakes-Kategorie entfallen auf Anthropic-Modelle. Das Muster ist eindeutig — Volumen geht an günstige Open-Weight-Modelle, Risiko bleibt auf Frontier-Modellen. Auf Hardware-Ebene verstärken zwei Entwicklungen diesen Trend: Neue FP4-Attention-Kernels für Nvidias B300-Architektur erzielen bis zu 1,69-fache Inferenzgeschwindigkeit gegenüber FlashAttention 4, und ein Pull Request für llama.cpp bringt Unterstützung für Tencents Hy3 — ein 299-Milliarden-Parameter-MoE-Modell — inklusive Multi-Token-Prediction-basiertem Speculative Decoding, was lokale Deployments großer Modelle weiter beschleunigt.

Im Kapitalmarkt spiegelt sich die Erwartung an eine breitere Modalitäten-Expansion wider. PixVerse schloss eine Series-C-Extension über insgesamt 439 Millionen US-Dollar ab und überschritt dabei eine Bewertung von 2 Milliarden Dollar. Das in Singapur ansässige Unternehmen verweist auf 150 Millionen registrierte und 15 Millionen monatlich aktive Nutzer. Investoren der Erweiterungsrunde umfassen unter anderem Alibaba — das zugleich als Vertriebskanal für die Enterprise-Kundschaft fungiert. Das Unternehmen bietet neben Consumer-Video-Generierung (V-Series) auch ein C-Series-Modell für professionelle Film- und Commercials-Workflows sowie R-Series-World-Models für Game-Development an. Dass die Kategorie „World Models" kommerziell reift, beleuchtet ausführlich ein Ars-Technica-Bericht: Während LLMs mit einer Chat-Schnittstelle starteten und danach Anwendungsfälle suchten, entwickeln aktuelle World-Model-Akteure — darunter Runway mit GWM-1 und World Labs mit Marble — ihre Systeme von konkreten Use-Cases in Robotik, Asset-Generierung und wissenschaftlicher Simulation aus.

Zwei kritischere Stimmen verdienen eigene Einordnung. Princeton-Forscher Arvind Narayanan stellte auf dem ICML 2026 in Seoul drei Thesen vor: Das Rahmenwerk „AI as Normal Technology" bleibe solange korrekt, wie es keine Diskontinuität durch rekursive Selbstverbesserung gebe; kein einzelner Labormeilenstein werde alle Jobs auf einmal gefährden; und die Arbeit der Zukunft werde sich radikal verändern und Anpassungen erfordern — wobei Urteilsvermögen, Agentur und Geschmack als komplementäre Fähigkeiten zentral werden. Davon methodisch getrennt, aber thematisch verwandt ist die Debatte um Datenmacht: Samsung Health soll Nutzern mit der Löschung ihrer Gesundheitsdaten drohen, wenn diese der Verwendung für KI-Training widersprechen. Die Praxis wirft grundlegende Fragen zu informierter Einwilligung auf — und zeigt, dass Datenstrategie und ethische Consent-Flows keine nachgelagerten Compliance-Themen sind, sondern Kernarchitekturentscheidungen in jeder AI-Pipeline.