Michael Witzenleiter: Hallo und herzlich willkommen zu einer neuen Folge von Das Gelbe von AI. Wir sind heute schon bei Folge 106, Mensch, Kinder, wie die Zeit vergeht. Aber... Das kennen wir doch schon, oder? Wie geht es dir heute?

Jean-Luc Winkler: Ja, die Zeit vergeht natürlich immer schneller als man denkt. Deswegen, letzte Woche habt ihr es mitbekommen, haben wir den Feiertag bzw. den Brückentag genutzt. Und deswegen gibt es diese Woche wieder eine News-Folge. Und wir starten direkt rein mit der Zahl der Woche, wie immer. Ich würde mal sagen, die letzte Woche lässt sich sehr gut zusammenfassen unter den Themen IPOs bzw. alles, was mit Börsenthemen zu tun hat und was mit Modellen zu tun hat. Und deswegen habe ich mir auch einen Mix daraus letztendlich ausgesucht. Diese Woche ist die Zahl der Woche 965 Milliarden US-Dollar. Das ist die aktuelle Bewertung von Entropic und damit liegt Entropic auf dem Papier jetzt vor OpenAI. Und das ist bemerkenswert, weil OpenAI lange als der klare Marktführer galt. Und die Runde kommt zu einem Zeitpunkt, an dem gleichzeitig Regulierungen massiv anziehen und Big Tech aber auch weiteren Milliarden in KI investiert. In den USA steht ein umfassendes Gesetz im Raum. In Europa greifen bald die harten Regeln für die Strafen Ihr erinnert euch, wir haben über den EU-AI-Act und alle Themen dazu mit dem Digital Omnibus gesprochen in den letzten Folgen. Spannend ist auch, Entropix selbst war öffentlich, dass ihre Modelle bald zumächtig werden könnten, ⁓ sie vollständig zu kontrollieren. Also gleichzeitig treiben sie Tränen wie Sicherheit und das Finden von Zero-Day-Schwachstellen auch aktiv weiter voran. Michael, was denkst du dazu?

Michael Witzenleiter: Ja, von mir zeigt die Zahl vor allem eins, dass KI nun endgültig ein geopolitisches und wirtschaftliches Machtspiel geworden ist. Diese Bewertung ist kein klassisches Start-up-Material mehr. Das ist wirklich eine Wette auf Infrastruktur, Marktbeherrschung und regulatorische Positionierung. könnte man es Gleichzeitig steigt aber auch das Risiko, denn wenn Regulierung jetzt wirklich durchgreift, kann das Geschäftsmodell natürlich schnell davon betroffen werden. Kurz gesagt, wir sehen hier einen Markt, der gleichzeitig explodiert und erwachsen wird. Aber es ist kein Spiel mehr.

Jean-Luc Winkler: Lass uns zum ersten großen Thema für diese Woche kommen. Aus meiner technischen Brille habe ich mich sehr gefreut, dass mal wieder ein Benchmarking-Thema relevant ist. Und das hat auch ziemlich eingeschlagen tatsächlich, denn Frontier Code hat hier neue Maßstäbe in der Codequalität gesetzt, beziehungsweise in den Benchmarks dafür. Was eigentlich genau passiert? Cognition stellt Frontier Code vor. Ein neuer Benchmark misst jetzt erstmals nicht nur funktionierende, sondern auch qualitativ hochwertige und vor allem produktionsreife KI generierte Software. Der Fokus verschiebt sich dabei von der Korrektheit, also funktioniert das Ganze auch alles, wenn ich jetzt irgendwie mich durch die Software durchklicke, hin zu Qualität. Also bewertet wird jetzt hier, ob der Code auch tatsächlich von Maintainern gemerged werden würde, sogenannte Thema Mergeability. Also würde man die Software auch mit integrieren im bestehenden Software. Hierfür werden jetzt realistische Aufgaben genutzt über 20 Open Source Maintainer, also Personen, sonst Open Source Software am Leben erhalten und weiterentwickeln. Die entwickeln jetzt komplexe Tasks mit hohem Praxisbezug und investieren jeweils über 40 Stunden darein, ⁓ diese Tests zu konzipieren. Die Bewertung wird jetzt deutlich strenger. Also die Kriterien umfassen unter anderem Code-Stil, auch das Thema Testing von Code, der Scope, Was wird eigentlich überhaupt hier umgesetzt? Die Wartbarkeit und die Einhaltung auch von Projektstandards. Dazu kann ich vielleicht gleich noch ein bisschen mehr ausholen. Die Fehlbewertungen werden jetzt weiter reduziert. Das heißt, der Benchmark erreicht laut Cognition eine ⁓ 81 Prozent niedrigere Falls-Positive-Rate als die bisherigen Standards.

Michael Witzenleiter: Ja, das ist wirklich sehr spannend. Warum reicht denn funktionierender Code eigentlich nicht mehr aus?

Jean-Luc Winkler: In Unternehmen zählt langfristig die Wartbarkeit, also mehr als die reine Funktion. KI muss sich jetzt an menschliche Entwicklungsstandards messen lassen. Und das funktioniert eigentlich dann nur, wenn der Code auch wirklich funktioniert und sinnvoll integrierbar ist.

Michael Witzenleiter: Du sprachst von Standards. Wie schauen denn die aus jetzt in puncto Mergeability? Ich denke mal, da werden wir ja einiges an Standards auch brauchen, damit das funktioniert.

Jean-Luc Winkler: Ja, da kann ich gleich noch mal ein bisschen was zu auswählen, ich noch ein paar Notizen mir gemacht habe zu dieser Vorgehensweise überhaupt, ⁓ da ein Einblicke zu geben. Ich würde sagen, Mergeability ist jetzt wie so eine Metrik, die sich ableiten lässt. Die ist auch tatsächlich richtig, weil sie einen realen Entwicklungsprozess abbildet. Man muss sich überlegen, würde man diesen Code jetzt tatsächlich integrieren, ja oder nein? Und warum sollte das der Standard sein? Weil das die Subjektivität zwar weiterhin im Spiel belässt, aber die Qualität natürlich deutlich weiter nach oben schraubt. Vielleicht da ganz kurz als Abgrenzung, weil ich vorhin davon gesprochen habe, dass nicht nur funktionierender Code relevant ist. Ja, vorher war es halt so, dass teilweise Komponenten einfach nochmal neu geschrieben wurden. Das funktioniert dann zwar auch, aber das ist natürlich nicht wartbar auf lange Sicht. Wenn wir jetzt bisschen tiefer eindrillen in die Zahlen, dann kommen wir zu den Ergebnissen. Und die sind ein bisschen überraschend tatsächlich, denn die Top-Modelle schneiden schwach ab. Also Claude Opus 4.8, das eins mit der neuesten Modelle. denke mal, Michael, du wirst gleich noch was zu dem ganz neuen Modell von Entropic sagen. Aber das zumindest letzte Woche noch neueste Modell von Entropic erreicht nur 13,4 Prozent von einer 100-Prozent-Skala, wohlgemerkt, in dem schwierigsten sogenannten Diamondset. Andere Modelle liegen deutlich darunter, also GPT 5.5, das Topmodell von OpenAI, kommt auf 6,3 % und Gemini 3.1 Pro auf 4,7%. Und selbst Open-Source-Modelle, die fallen jetzt noch stärker zurück, das heißt, das beste Modell, Kimi-K 2.6, erreicht nur 3,8%. Das heißt, diese Benchmarks, bleiben eigentlich unsaturiert. Selbst die besten Modelle sind weit von einer Lösungskompetenz entfernt nach diesem vorgegensweisenden Benchmarks.

Michael Witzenleiter: Sind wir denn bei Coding KI langsamer als gedacht?

Jean-Luc Winkler: Ja, muss man schon sagen, wenn man sich das jetzt anguckt, zumindest bei anspruchsvoller, productionsreifer Software, einfache Tasks, die werden natürlich trotzdem weiter gut umgesetzt, aber werden auch überschätzt. Also anhand von einfachen Tasks wird jetzt abgeleitet, man könnte einfach mit KI-Software entwickeln. Gerade bei Bestandssoftware wird das dann schwierig.

Michael Witzenleiter: Und überschätzen Unternehmen aktuell die Fähigkeiten für KI-Entwicklungstools, weil viele switchen komplett drauf

Jean-Luc Winkler: Ja, ich würde sagen schon, also besonders wenn es ⁓ komplexe Systeme und Wartbarkeit geht, wenn es ⁓ einbinden eines nächsten Features geht, was man gut abgrenzen kann, dann ist es sicherlich nicht überschätzt. Aber wenn wir jetzt sagen, wir wollen damit dauerhaft ganz große Systeme umsetzen, wenn man damit Entwicklern spricht oder selber auch mal reinschaut, wie das abläuft, dann muss man schon sagen, das ist noch alles nicht so weit, wie man sich das vielleicht wünschen würde. Lass uns vielleicht mal einen Blick reinwerfen, wie denn hier die Bewertung stattfindet, wenn schon die Ergebnisse so verhältnismäßig schlecht ausfallen. Im Grunde genommen ist es eine Blocker-Logik, die hier entscheidet über das Bestehen. Also jedes Kriterium ist entweder ein Blocker, ein harter Ablehnungsgrund im Code Review, wie Korrektheit oder die Skopeverletzung, also wenn nicht das umgesetzt wird, was umgesetzt werden sollte, oder ein Non-Blocker als Qualitätssignal. Wer einen einzigen Blocker reißt, der bekommt dann gleich Null Punkte. Neue Trüfe... Neue Prüfmethoden kommen hier zum Einsatz. Das ist eine Kombination aus Unit-Tests, LLM-Bewertungen und neuen Verfahren wie Reverse Classical. Für offene Aufgaben passt ein eigenes Tool die Testumgebung dann per LLM an, die jeweilige Implementierung auch tatsächlich an und ermöglicht damit dann valide Alternativlösungen nicht an Funktionsnamen oder Formulierungen oder sowas scheitern zu lassen, sondern dann können die Lösungen trotzdem noch angenommen werden, was sich die Umgebung dann Tests der KI werden dann selbst geprüft, das heißt, KI-generierte Tests müssen Fehler im Originalcode zuverlässig erkennen. Sie laufen dafür gegen den ursprünglich fehlerhaften Code und müssen dort dann viel schlagen. Nur dann hat das Modell das Problem auch wirklich verstanden und lösen Und die Scope-Kontrolle wird hier jetzt auch wichtig. Modelle werden bewertet, ob sie nur notwendige Änderungen vornehmen. Das automatische Checks prüfen jetzt Dateigrenzen, die Größen der sogenannten Diffs, also der Abweichungen zu dem, was dann neu hinzugekommen oder weggegangen ist aus dem Code und auch semantische Lokalität. Also unnötige Refactorings gelten hier als Fehler, nicht als Fleiß. Was man nicht machen muss, sollte man auch nicht machen. Und das wird dann auch entsprechend angekreidet. Die Bewertungskriterien wurden selbst dann nochmal weiter gehärtet. Also jeder Task-Autor versucht, die eigene Rubrik mit absichtlich schlechten Lösungen auszutricksen, schreibt jetzt vier Kalibrierungslösungen von 0 bis 100 Prozent und durchläuft ein mehrstufiges Review bis zum finalen Check durch einen Cognition-Researcher. Der Messaufbau ist sehr robust gemacht, muss man sagen. Also jedes Modell durchläuft fünfmal pro Reasoning-Effortstufe. Gewertet wird nun der Durchschnitt der besten Stufe. Das heißt, drei verschachtelten Schwierigkeitsklassen, sogenannten Extended, Main und Diamond Klassen, jetzt hier getestet, sodass man auch wirklich ein außerhalb kräftiges Ergebnis hat und nicht nur einfach dann ein Ergebnis, was man vielleicht falsch einwertet.

Michael Witzenleiter: Warum scheitern denn Modelle an scheinbar kleinen Qualitätsdetails?

Jean-Luc Winkler: Ja, das ist eine gute Frage. würde sagen, weil diese implizites Wissen und auch Erfahrung erfordern und die sind natürlich nur schwer zu modellieren. das, was ich vorhin zum Refactoring sagte, vielleicht würde man jetzt auch was noch mit umsetzen, was nicht umzusetzen gilt und das fällt dann hier negativ ins Gewicht.

Michael Witzenleiter: Welche Rolle spielt das Ganze jetzt für die Unternehmen? Sind da solche Kriterien überhaupt relevant?

Jean-Luc Winkler: Ja, auf jeden Fall. Und das ist tatsächlich das, was in den bisherigen Tests ja nicht abgefragt wurde. Das heißt, diese Kriterien sind entscheidend, weil schlechter Code natürlich hohe Folgenkosten verursacht. Ich kann jetzt einen funktionierenden Code durch KI generieren lassen und einbinden. Aber wenn ich morgen schon wieder was refactoren, also umbauen muss oder neu gestalten muss, dann wird es teuer. Und das soll halt mit diesem Test aufgedeckt und dadurch dann vermieden werden. Ja, jetzt vielleicht noch mal auf den Prüfstand zu diesem Benchmark-Test, ist das jetzt Realismus statt künstlichen Aufgaben. Ich würde schon sagen, die Aufgaben werden von echten Maintainern erstellt, statt jetzt synthetische Probleme basierend auf irgendwelchen Task- oder Code-Basen dann hervorzuholen. Die Promts sind jetzt auch bewusst knapper gehalten. Das heißt, die Modelle müssen mehr eigene Initiative und Verständnis zeigen. Das ist viel realitätsnah. Heutzutage sind die Promps einfach schneller geschrieben, das in den Tests vielleicht vorher der Fall gewesen ist. Mehr Programmiersprachen werden jetzt auch abgedeckt, Also eine deutlich höhere Diversität als in älteren Benchmarks. Und damit wird auch die bestehende diverse Code-Landschaft, da draußen in den Unternehmen vorher besser abgedeckt. Und eine subjektive Bewertung wird jetzt hier auch integriert. Die LLMs und menschlichen Kriterien bewerten Auch weiche Faktoren wie zum Beispiel die Lesbarkeit des Codes.

Michael Witzenleiter: Sind denn bisherige Benchmarks dann zu gaming-friendly gewesen?

Jean-Luc Winkler: Ja schon, also viele Modelle wurden auf die Tests weiter optimiert, ohne echte Fähigkeiten zu entwickeln, weil man möchte natürlich in den Tests bestehen und dort dann als Sieger hervorgehen. mein, du kennst das ja, Gefühlt jeder Veröffentlichung eines neuen Modells wird dann damit geworben, welche Benchmarks man gerade gewonnen hat und das ist dann nicht mehr zielführend. Ja, last but not least vielleicht nochmal einmal ein Blick auf das Thema Kosten. die Modelle unterscheiden sich stark im Tokenverbrauch. Auch das wurde berücksichtigt oder bewertet. GPT 5.5 z.B. benötigt bis zu viermal weniger Tokens, als Claude Opus 4.8 das benötigt hat. Das heißt, die Effizienz wird jetzt messbar. Trotz geringerer Qualität kann ein besseres Kosten-Leistungsverhältnis auch hier entscheidend sein. Ich weiß gar nicht, ob darüber gesprochen haben in letzten Folgen, aber zumindest diskutiere ich das in letzter Zeit sehr häufig, dass wir sehr stark subventioniert die KI-Modelle gerade nutzen mit unserem Claude-Abo beispielsweise. Und das wird halt nicht mehr lange gut gehen. Ein Trade-off wird sichtbar, also höhere Qualität erfordert oft deutlich mehr Rechenressourcen. Und da muss man sich einfach entscheiden, möchte man jetzt die ... hohe Qualität und dafür dann auch tiefer in die Tasche greifen oder schafft man es ein System aufzubauen, was da dann vielleicht differenziert zwischen den teuren und den günstigen Modellen. Also unterm Strich vielleicht kurz nochmal die wichtigsten Punkte. Menschliche Kontrolle bleibt notwendig. Also Maintainership, Code Reviews sind weiterhin zentral. Es geht ⁓ die dauerhafte Qualität, nicht nur das einmalige Lösen vom Problem. Und diese Benchmarks zeigen jetzt auch eine klare Lücke zwischen der Demo Performance und echter Unternehmensrealität.

Michael Witzenleiter: Ich finde es auf jeden Fall auch spannend, wie man mit dem Thema Tokenverbrauch umgeht. Das viermal weniger hört sich immer so an, auch hier braucht das Modell ein paar Tokens weniger. Aber im Endeffekt, wenn du das vergleichst, bedeutet das ja auch für Unternehmen, die jetzt menschliche Entwickler haben, beispielsweise die Frage, ist mir eine gute Code-Qualität quasi das Vierfache an Personalkosten wert? Ende ist es ja genau dieser Vergleich. Vierfache Tokenkosten ist ungefähr so, wie wenn die Entwickler viermal so viel verdienen. Und das wird schon spannende Diskussionen zukünftig geben, weil das schon Größenordnung zukünftig einnehmen wird, wenn die Preise steigen, die halt dann doch vergleichbar vielleicht werden mit menschlichen Entwicklungskosten.

Jean-Luc Winkler: definitiv vergleichbar und messbar und man muss jetzt eine Abwägung treffen, die die Kosten im Grunde genommen einzuschufen und sich zu überlegen, ist es mir das wert, so wie du sagst. Und auf der anderen Seite habe ich jetzt aber die Möglichkeit, diese Entscheidung zu treffen. Vorher war es wahrscheinlich eher so, dass man sich die Frage gestellt hat, wir refactorn nur, wenn wir es wirklich müssen oder optimieren die Code-Basis weiter, wenn wir mal Zeit dafür haben. Und jetzt kann man von vorneherein gleich sagen, ich möchte ein Modell auswählen, was die Code-Basis verbessert. Also im Grunde genommen so, als wenn man jetzt nur noch mit Top-Senior-Levels zusammenarbeiten würde und alle Juniors dadurch ersetzen könnte, einfach durch die finanzielle Entscheidung, die man da trifft. Auf Knopfdruck, jederzeit sozusagen.

Michael Witzenleiter: Ja, absolut. Mal schauen, was das noch gibt. Also die hohe Bewertung, die du gerade genannt hast, die kommt sicherlich nicht von 20 Dollar-Plenen, sagen wir mal so.

Jean-Luc Winkler: Nee, definitiv nicht. Also wenn ich meine Auswertung hier fahren lasse, was wir so bei uns im Team verbrauchen an Kosten, dann ist das schon beachtlich. Aber gut, lass uns das im Blick behalten. Ich denke mal, wir werden nochmal darüber berichten. Ich bin noch gespannt, weil das jetzt gerade relativ kurzfristig auch ist, diese Veröffentlichung von dieser Benchmark-Studie, was da noch weiter zu diskutiert wird und Ableitungen daraus getroffen werden. Wir halten euch auf dem Laufenden. Aber lass uns doch damit gern mal zu den Big-Playern rüberschwenken. Michael, was hast du dir da diese Woche so angeschaut?

Michael Witzenleiter: Genau, natürlich wie immer alle. Starten wir doch mal mit OpenAI. Die haben gerade eine super App als Strategie ausgerufen. Und zwar sollen zukünftig eine OpenAI-Plattform geben, die Coding, Agenten, Bildgenerierung und External Services bündelt und sich damit stärker an zahlungskräftige Unternehmenskunden richten. Also quasi so eine Art Suite, für Unternehmen entsteht. Dazu kooperiert OpenAI mit Oracle Cloud. Das heißt, die Modelle und die Codex werden dann in Unternehmensumgebungen leicht integrierbar und stärken dann auch die Enterprise-Distribution. Also, denkenden Partnerschaften aktuell. Zusätzlich erweitert Chatchi BT auch sein Memory. Das heißt, eine überprüfbare Memory-Übersicht. Erhöht dann auch Transparenz und Vertrauen für Businessnutzung. Und es gibt neue Codex-Plugins. oder es wird neu geben, das heißt spezifische Tools für Sales, Analytics und Investment Banking treiben dann eben auch diese vertikale AI-Anwendung voran. Das ist auch ein Trend, wir ja gerade sehr stark im Markt sehen, diese Vertikalisierung.

Jean-Luc Winkler: Ist der Focus auf B2B der richtige Schritt aus deiner Sicht hier?

Michael Witzenleiter: Ja, absolut. Das haben wir ja schon häufiger diskutiert. Die Zahlungsbereitschaft ist da einfach am höchsten. Da sprechen wir halt für ein paar Hundert bis ein paar Tausend Euro pro Monat, vielleicht auch mal ein paar zig Tausend. Auch das ist nicht abwegig. Wenn der Trend so weitergeht, pro Nutzer pro Monat. Und das kriegst einfach im Privatbereich nicht hin. Und diese hohen Bewertungen, wie gesagt, die kommen nicht von den 20 Dollarplänen. Können wir zu Entropic noch zu sprechen? Nochmal. hatten vorher schon ausführlich darüber gesprochen. Jetzt geht es ⁓ die Modelle. Entropic hat diese Woche noch Cloud Fabel 5 veröffentlicht. Das Modell zeigt wirklich eine massive Leistungssteigerung in Coding, Forschung und Wissensarbeit. Wird natürlich auch entsprechend teurer. Gerade kann man es noch testen. Im Problem aber. Wie gesagt, das wird nicht unerheblich. Genauso gibt es ein Update zum Mythos. Ihr wisst, das war ja dieses High-End-System, das zu gefährlich war für die Welt. Da gibt es jetzt die Version 5. Das wird ein stärker reguliertes High-End-Model mit eingeschränktem Zugang für Regierung und kritische Infrastruktur. Mal schauen, wie dieser Zugang definiert wird. Zudem ist es dass Entropic Sicherheitsmechanismen integriert, sensible Abfragen werden automatisch auf schwächere Modelle umgeleitet, eben genau solche Misuse quasi zu unterbinden, modellseitig. über die Bewertung, die jetzt diese wo raus kam, haben wir ja schon gesprochen. Das können wir mal ausklammern. Und das Unternehmen sieht eben auch Risiken durch selbstverbessernde KI-Systeme und fordert eine Entwicklungspause. Also auch da denkt Entropic schon mal an das Thema Kontrollverlust, der sich ergeben könnte. Also das ist ja so bisschen die Strategie aktuell von Entropic auch zu wahren. Und wie gesagt, die Maßnahmen, die jetzt ergriffen werden, die zeigen ja schon deutlich, dass man da Angst hat, dass es zu mächtig wird.

Jean-Luc Winkler: Entwicklungspause klingt irgendwie wie Waffenstillstand, nach dem Motto. Wie glaubwürdig ist denn die Forderung nach so einer Entwicklungspause?

Michael Witzenleiter: Na, die hatte doch Elon Musk damals auch, als er aufholen wollte mit XAI, ich. Da habe ich mich dann noch richtig im Sinn. Ja, ich glaube, ist wie leider gerade in den bewaffneten Konflikten, die wir weltweit sehen, auch so ein Waffenstillstand hält meistens nicht lange und irgend einer versucht immer, einen Nutzen daraus zu ziehen. Ich glaube, die Forderung, die kann man so bringen, wird wahrscheinlich...

Jean-Luc Winkler: Ja.

Michael Witzenleiter: ⁓ nicht zum Tragen kommen, weil ich kann es mir ehrlich gesagt nicht vorstellen.

Jean-Luc Winkler: Ja.

Michael Witzenleiter: Kommen wir zu Google. Die haben Gemini 3.5 Flash in Produktion gebracht. Das Modell ist nun Standard in App Search und setzt eben neue Preisbenchmarks. Jetzt kündigt Google auch Gemini 3.5 Pro an. Da ist der Fokus auf besseres Reasoning und längeren Kontext. Und Google hat auch Notebook LM massiv geupgradet. Es gibt nun agentische Funktionen und Codausführung. Und das ermöglicht eben komplexe Research Workflows. Ja, das ist auch ein sehr unterschätztes Tool, das ich selber sehr schätze, muss ich sagen. Notebook LM, also auch das sollte man auf dem Schirm behalten, auch wenn wir selten drüber sprechen. Tolles Tool. Alphabet sammelt 85 Milliarden ein. Das ist eine Rekordfinanzierung für KI-Infrastruktur und zeigt eben auch enorme Investitionsbereitschaft in dem Bereich. kommen wir zu Apple. Die haben eine Multimodellstrategie vorgestellt. Integriert werden jetzt mehrere KI-Modelle in iOS. Die Nutzer können dann zwischen Chechibit, Gemini und Claude wählen. Und Apple relaunched Siri mit Gemini, externes Modell, bildet dann die Grundlage für Apples Sprachassistenten, der hoffentlich nun cleverer wird als vorher. Ich glaube, da werden wir auf jeden Fall einen sehr großen Quantensprung dort sehen. Apple führt Extension-Systeme ein, die KI wird monolar und austauschbar innerhalb des Apple-Ökosystems.

Jean-Luc Winkler: du sagen, Apple wird jetzt eher zum Orchestrator statt Innovator? Ja, sehr wahrscheinlich.

Michael Witzenleiter: Ja, sehr wahrscheinlich. Also die Strategie klingt auf jeden Fall danach. Wir haben ja schon häufig über Apple auch diskutiert. Sie wären gern Innovator, glaube ich, geworden. Aber dazu sind sie im KI-Bereich jetzt aktuell ziemlich hinten dran und müssen aufholen. dem her sich da zu bedienen macht auf jeden Fall auch strategisch mittel- bis langfristig Sinn. Komm mal zu Meta. Die haben radikalen Umbau für einen AI-Fokus gerade. Meta streicht nämlich 8000 Shops etwa. Das sind rund 10 % der Belegschaft, die im Zuge einer AI-Neuausrichtung entlassen werden. Damit verlagert Meta 7000 Mitarbeitenden AI-Teams und der Fokus liegt klar darauf, KI als strategischen Kernbereich zu positionieren.

Jean-Luc Winkler: Würdest jetzt sagen, ist ein Zeichen von Stärke oder Schwäche?

Michael Witzenleiter: Ich habe immer noch bisschen ein ambivalentes Verhältnis zum Meta. Ich glaube, dass die einfach aufgrund des Erfolgs manchmal vielleicht auch Strukturen und Teams geschaffen haben, die tatsächlich auch Raum noch für Optimierung, sage ich mal, bieten. So schwierig, das natürlich auch für die Betroffenen häufig ist. Deshalb glaube ich schon, dass da zwei Dinge auf einmal getan werden. Einerseits Kostenquenzen. Cost-Cutting, was sie tun müssen und was vielleicht auch notwendig war ein Stück weit durch die Strukturen, die sie sich gegeben haben und sei gleich eben auch ein Signal an den Markt zu senden, dass sie eben auch in dem KI-Rennen noch da sind. macht, so hart sich's hört auch, wie gesagt, für die Betroffenen macht, glaube ich, strategisch für Meta Sinn. Kommen wir zu XAI und SpaceX, die ja gerade wirklich alles an Diskussion bestimmen. Der Börsengang, der diese Woche ansteht, der ist jetzt noch nicht durchgeführt, als wir hier die Sendung aufnehmen. Zieht natürlich viel Attention auf sich. Darüber hinaus ist aber so, dass SpaceX aktuell 55 Milliarden in eine Chipfabrik investiert. Ziel ist dann eine eigene KI-Hardware-Produktion und geringere Abhängigkeit von NVIDIA. SpaceX erhält dann auch Steuererleichterungen, d.h. staatliche Unterstützung zeigt eben die große strategische Bedeutung von KI-Infrastruktur.

Jean-Luc Winkler: Spannend, ist das eine echte Bedrohung für Nvidia und da möchte ich jetzt bitte eine Antwort zu geben, der wir keinen Disclaimer für Anlageberatung einfügen müssen.

Michael Witzenleiter: Ja, davon sollte ich Abstand nehmen, nachdem ich beim letzten Mal selber meiner eigenen Empfehlung gefolgt bin und ins Rebras investiert habe. Das war nicht so cool. Ich hoffe, ihr habt es nicht gemacht. Wir haben nur ja null Kompetenz, muss ich sagen nach dieser Geschichte. Ja, ist das eine echte Bedrohung für ein Video? Langfristig ja, kurzfristig eher nein.

Jean-Luc Winkler: dann lass uns schnell, bevor wir jetzt von dir noch Anlageempfehlungen bekommen, zu unseren Quick News drüber springen. Michael, magst du starten? Ja. Tipps, wenn sie meinen.

Michael Witzenleiter: Speicherchips werden zur neuen Macht im KI-Markt. Der größte Engpass im KI-Boom ist aktuell nicht Rechenleistung, sondern Speicher. Ohne genügend Speicher können Rechenzentren schlicht nicht skalieren. Dabei gibt es eben drei Player, die den Markt dominieren. Das ist Esker Hynix, Samsung und Micron. Und das verschiebt eben die Machtverhältnisse massiv. Dort sich diktieren nicht mehr nur die großen Tech-Konzerne die Preise. SK HeiniX plant, die Kapazität in den nächsten fünf Jahren zu verdoppeln, klingt vieles aber relativ langsam. Eine neue Chipfabrik braucht über fünf Jahre bis zur Produktion. Das heißt, die Entscheidung von heute bestimmen den Markt bis 2030. Wer jetzt investiert, setzt die Preise von morgen. Spannend ist auch der strukturelle Wandel. Ich früher ein klassisches Zyklusgeschäft mit Überangebot und Preisverfall. Seit KI dreht dieses Muster gerade komplett ⁓ Für Unternehmen bedeutet das aber vor allem eins, KI wird nicht nur durch Modelle limitiert, sondern durch Infrastruktur und die wird eben zunehmend teurer.

Jean-Luc Winkler: Dann lass uns doch mal bei der Quick News, die ich rausgesucht habe, nach Frankreich rüberschauen. Die möchten nämlich 110 Milliarden Euro investieren. Also richtig massiv. Das Ganze dann für Rechenzentren und Infrastruktur. Allein Softbank bringt hierbei 75 Milliarden mit. Die geplante Kapazität entspricht ungefähr zehn Atomkraftwerken. Also würde sagen, das zeigt, wie energieintensiv die KI dann wirklich ist. Das eigentliche Problem liegt aber nicht im Geld, sondern in der Umsetzung. Netzanschlüsse dauern aktuell bis zu acht Jahre. Macron setzt deshalb auf sogenannte Notre-Dame-Methode. bedeutet, Bürokratie wird umgangen und Entscheidungen werden einfach zentral durchgedrückt. Kurzfristig kann das funktionieren, langfristig bleibt dabei natürlich ein Risiko. Macron ist nur noch ... bis 2027 im Amt, wenn ich das richtig im Kopf habe. Also, ob diese Geschwindigkeit danach gehalten wird, ist natürlich vollkommen offen. Für Unternehmen heißt das, Europa will natürlich aufholen, klar, das ist auch super so, aber die entscheidende Frage bleibt, ob die Infrastruktur dann auch schnell genug nachzieht.

Michael Witzenleiter: Ja, das sind doch schöne Abschlussworte, Schonlück. Wir haben viel über Infrastruktur gesprochen, die ein sehr wichtiges Thema ist. Es geht also nicht nur ⁓ die besten Modelle, sondern eben auch ⁓ den Zugang zu Ressourcen. Das vielleicht als Wort zum Sonntag oder zum Freitag, wenn ihr unsere Folge hört, wenn sie herauskommt. Wenn es euch gefallen hat, lasst gerne eine Bewertung da und abonniert den Podcast. Und ansonsten hören wir uns dann erst wieder in zwei Wochen, Schonlück. Du hast Urlaub.

Jean-Luc Winkler: Ja ich fürchte es sind dann sogar drei Wochen in Summe also zwei Wochen setzen wir aus das geht auf meine Kappe weil ich Urlaub mache sorry dafür. habt uns beim letzten mal beim Brückentag, da hatten wir es vergessen anzukündigen, auch darauf hingewiesen. Danke für die Hinweise. Diesmal denken wir dran also wir hören uns dann Anfang Juli wieder.

Michael Witzenleiter: Genau, dann genießt deinen Urlaub schonig. Ich halte hier die Stellung. Und ich bin mir sicher, der Zeit wird wieder einiges passieren. Das heißt, freut euch auf die Folge, da werden wir einiges aufarbeiten müssen.

Jean-Luc Winkler: Ich bin mir sicher, der Zeit wird wieder einiges passieren. heißt, freut euch auf die Folge, wenn mal einiges aufverweiten Genau, wir werden euch auf jeden Fall dann den gesamten Rundumblick geben über all das, was in der Zeit passiert ist. Also, danke euch. Ich verabschiede mich dann schon mal langsam Richtung Urlaub. Das heißt, bis dahin. Macht's gut. Ja, bis dann. Ciao.

Michael Witzenleiter: Ja, bis dann, ciao.