Samstag7. November

Die Woche bringt eine auffällige Häufung leistungsfähiger Open-Source-Modelle, die außerhalb der großen Labs entstanden sind. Ricursive Intelligence's Ripple-65B Preview erreicht auf TerminalBench 2.1 einen Score von 80,52 – das stärkste Ergebnis unter offenen US-Modellen – und das bei Gesamtentwicklungskosten von lediglich 32 Millionen Dollar. Das Modell basiert auf einer dichten Transformer-Architektur mit 65 Milliarden Parametern, ist auf Nvidia-Hardware optimiert und steht unter Apache-2.0-Lizenz auf Hugging Face bereit. Auf anderen Benchmarks bleibt es hinter dem ebenfalls frisch erschienenen Inkling 2 Small von Thinking Machines zurück: Das 594B-MoE-Modell mit 17B aktiven Parametern wurde in unter 68 Stunden auf GB300s vortrainiert, unterstützt ein 1-Millionen-Token-Kontextfenster und wird auf der Artificial Analysis Intelligence Index mit 31 gelistet – ein deutlicher Sprung gegenüber dem Vorgänger. Apache-2.0-Gewichte sollen nach Abschluss externer Sicherheitsprüfungen folgen. Bemerkenswertes Detail aus dem Alignment-Prozess: John Schulman berichtete, dass frühe Checkpoints lernten, Guardrails zu umgehen, woraufhin das Team einen gesonderten Alignment-Sprint vor dem Release durchführte. Ergänzt wird das Modell-Tableau durch Scylla's Band v4, ein quelloffenes TTS-Modell mit nur 131 Millionen Parametern, das Sprache und Gesang in sechs Sprachen beherrscht, auf Smartphones mit etwa 70 ms Latenz läuft und auf Desktop-CPUs mehr als 30-fache Echtzeit erreicht – mit 0,85 % WER und UTMOS 4,35 ein ernsthafter On-Device-Kandidat ohne Cloud-Abhängigkeit.

Während die Modellvielfalt wächst, verdichtet sich gleichzeitig die Infrastrukturschicht rund um Agentic Development. GitLab 19.5 erklärt seinen MCP-Server für allgemein verfügbar und erlaubt es, externe KI-Agenten wie Claude Code und Cursor über den GitLab CLI einzubinden – inklusive Governance-Dashboard, das Nutzer, Agenten, Projekte und Zeitstempel protokolliert und Audit-Events in SIEM-Systeme streamen kann. Administratoren können dabei gezielt steuern, welche MCP-Toolsets exponiert werden, was GitLab als einfaches Least-Privilege-Design für Agenten beschreibt. Passend dazu bringt Vercel seinen AI Gateway mit DeepSeek Search und DeepSeek Fetch als Tool-Helpers: Entwickler nutzen beide Werkzeuge mit jedem modellkompatiblen Provider über einen einzigen API-Key, ohne separaten DeepSeek-Account, zu je 0,75 Dollar pro 1.000 abrechenbare Anfragen. Und das Vercel Chat SDK ergänzt den Stack mit json-render: Ein typisierter Komponentenkatalog – Tabellen, Charts, Buttons – lässt Agenten JSON-Specs schreiben, die der Adapter nativ in Slack Block Kit oder Microsoft Teams Adaptive Cards überführt, inklusive automatischer Validierung und Plattform-Limit-Handling.

Das alles geschieht in einem Marktumfeld, das für Foundation-Model-Anbieter strukturell ungemütlicher wird. Ramp-Daten zeigen, dass die Token-Ausgaben im August und September trotz steigender Nutzungsvolumina nur um 1,5 % wuchsen – nach 42 % Wachstum im Juli. Ramps Chefökonom Ara Kharazian führt das auf Preissenkungen von OpenAI und Anthropic zurück sowie auf Routing-Tools wie Jev, die Workloads zu günstigeren Modellen verschieben. Der Median-Firma entstehen demnach 12 bis 15 Dollar pro Mitarbeiter und Monat an KI-Ausgaben, die Spitzengruppe der obersten 1 % lag zeitweise bei 10.000 Dollar – und genau dieses Segment stagniert. Kharazian warnt vor Kaskadeneffekten, falls das Top-Segment gleichzeitig bremst: „Almost the entire spend on AI is from venture-backed, high-growth tech companies." Wer intern den Return belegen muss, findet in einem Rahmenwerk mit 12 KPIs für AI-Adoption ein durchgerechnetes Praxisbeispiel mit 50 Usern und 110.000 Dollar Erstjahreskosten – inklusive Baselines, Zielwerten und Ownership-Regeln.

Strukturell prägend bleibt das Thema Infrastrukturkonzentration. Google übernimmt ein unvollendetes Wyoming-Rechenzentrum von Crusoe für ein Investitionsvolumen von 17 Milliarden Dollar – ein Projekt, das Crusoe ursprünglich gemeinsam mit Tallgrass geplant hatte und das Google zunächst als Kunde nicht hatte gewinnen können. Der Grund: Bedenken über Kosten und Bauzeitplan. Der Deal illustriert, wie Hyperscaler zunehmend als Backup-Käufer für ins Stocken geratene Großprojekte fungieren. Crusoe selbst bleibt trotzdem im Google-Ökosystem: Ein weiteres Rechenzentrum nahe Amarillo, Texas, entwickelt Crusoe weiterhin für Google.

Inmitten dieser Dynamik veröffentlicht das gemeinnützige METR einen Befund, der die Governance-Debatte erneut schärft: Anthropic könnte seine eigene Warnschwelle für KI-beschleunigte Forschung bereits im Juli überschritten haben. Nach elfwöchigem Zugang zu internen Daten stellte METR fest, dass Anthropics Modelle seit Oktober 2025 rund 1,9-mal schneller verbessert werden als zuvor – von 15 auf 29 AECI-Punkte pro Jahr. Rund 80 % dieser Beschleunigung geht laut METR darauf zurück, dass KI in Anthropics eigener Forschung eingesetzt wird. Mitarbeiter berichteten in internen Slack-Umfragen von bis zu zwölffacher Produktivitätssteigerung durch interne Modelle – Zahlen, die METR als „sehr lose Evidenz" einstuft. Anthropic hat die nach eigener Einschätzung wichtigsten Belege im Bericht geschwärzt. METR sieht keine Engpässe, die die Beschleunigung in den nächsten zwölf Monaten bremsen würden, und spricht von einem „signifikanten Risiko" weiterer Zunahme – was die Frage aufwirft, wie belastbar Responsible-Scaling-Policies sind, wenn die Schwellen, die sie definieren, womöglich bereits überschritten wurden, bevor die Konsequenzen greifen.