Anthropic IPO: 895 Mrd. $ zugesichert.

Oracle kündigte Pläne an, 20 Milliarden Dollar für den Ausbau seiner KI-Infrastruktur zu beschaffen, wobei die Summe gleichmäßig auf 10 Milliarden Dollar in Aktien und 10 Milliarden Dollar in Anleihen aufgeteilt wird. Der Markt reagierte sofort ablehnend auf den Kapitalbedarf und ließ die Oracle-Aktien um fast 6 % fallen.

Dies markiert eine Verschiebung in der Geduld der Investoren. In den letzten Jahren war die Ankündigung massiver Investitionen in KI ein garantierter Aktiensprung. Jetzt wird die Rechnung fällig, und die Aktionäre werden nervös angesichts des endlosen Appetits auf Serverfarmen und Stromverträge.

Oracle ist in einem klassischen Wettrüsten gefangen. Sie müssen die 20 Milliarden Dollar ausgeben, um als Cloud-Anbieter für KI-Workloads relevant zu bleiben, auch wenn es ihre Aktie kurzfristig abstürzen lässt. Die Cloud-Giganten spielen ein Hasardspiel mit ihren eigenen Bilanzen, und der einzige garantierte Gewinner ist die Lieferkette, die ihnen die Schaufeln verkauft.

Forschern des MIT CSAIL gelang es, die Mathematik-Benchmark-Punktzahl eines kleinen Modells signifikant von 7,9 % auf 48,1 % zu verbessern. Der Haken? Sie taten dies, indem sie nur 0,016 % der Gewichte in GPT-6 Astra bearbeiteten, wodurch die Notwendigkeit eines vollständigen erneuten Trainings umgangen wurde. Das Papier ist noch nicht peer-reviewed.

Dies ist eine grundlegende Veränderung in der Art und Weise, wie wir mit Modellleistung umgehen. Derzeit bedeutet die Behebung eines grundlegenden Fehlers normalerweise, Millionen von Dollar an Rechenleistung für einen neuen Trainingslauf aufzuwenden. Wenn man einen 40-Punkte-Benchmark-Sprung erzielen kann, indem man einen Bruchteil eines Prozents des Netzwerks optimiert, ändert sich die Wirtschaftlichkeit der Modellwartung über Nacht.

Wenn diese Technik skaliert, werden die Labore, die die Programmierung im Gewichtsraum beherrschen, diejenigen, die sich noch auf Brute-Force verlassen, in den Schatten stellen. Es verwandelt das Modell-Debugging von einem Vorschlaghammer in ein Skalpell.

Microsoft hat ein Patent für ein KI-System angemeldet, das darauf ausgelegt ist, das Gesagte eines Sprechers während eines Live-Video-Feeds umzuschreiben. Die Technologie verändert den Ton und formt gleichzeitig die Lippen und das Gesicht des Sprechers neu, sodass die Bearbeitung natürlich erscheint. Das Patent schlägt Anwendungsfälle vor, die von Live-Übersetzung und dem Entfernen von Füllwörtern bis hin zu offener Zensur reichen.

Dies geht weit über Standard-Deepfakes hinaus. Indem Microsoft diese Fähigkeit direkt in Live-Broadcast-Pipelines einbettet, öffnet es die Tür zu einer Welt, in der man nie ganz sicher sein kann, ob die Worte, die aus dem Mund eines Live-Sprechers kommen, seine eigenen sind oder eine algorithmische Korrektur, die mitten im Stream angewendet wurde.

Für die Unternehmenskommunikation wird dies als Polierwerkzeug verkauft. Für den Rest von uns bedeutet es das Ende des Vertrauens in Live-Videos. Die Unternehmen, die kryptografische Verifizierung für Live-Streams entwickeln, haben gerade eine massive Bestätigung ihres Geschäftsmodells erhalten.

Ali Ghodsi, Mitbegründer und CEO von Databricks, hat öffentlich erklärt, dass das Training benutzerdefinierter Modelle wenig Wert hat. Berichten zufolge verlagert Databricks seinen Fokus nun auf die Bereitstellung bestehender Modelle, anstatt Kunden dazu zu drängen, ihre eigenen von Grund auf neu zu erstellen.

Dies ist eine erstaunliche Kehrtwende. Noch vor einem Jahr lautete die Unternehmensnarrative, dass jedes Fortune-500-Unternehmen sein eigenes maßgeschneidertes Basismodell benötigte, um seinen Daten-Wettbewerbsvorteil zu schützen. Jetzt gibt einer der Hauptnutznießer dieses Hype-Zyklus zu, dass die Wirtschaftlichkeit und die Ergebnisse den Aufwand einfach nicht rechtfertigen.

Die Ära, in der jede Marke ein benutzerdefiniertes LLM trainiert, ist vorbei. Die Gewinner sind die Inferenzanbieter und die Closed-Source-Giganten; die Verlierer sind die Beratungsunternehmen, die Millionen für benutzerdefinierte Trainingsläufe in Rechnung stellten, die letztendlich schlechter abschnitten als Standard-APIs von der Stange.

Das auf Datenschutz spezialisierte Unternehmen Proton hat seine Pläne, fast alle Mitarbeiter bezüglich ihrer KI-Nutzung erneut zu befragen, abgesagt. Die Kehrtwende folgt auf heftige Gegenreaktionen von Mitarbeitern und Nutzern, ausgelöst durch Berichte, dass CEO Andy Yen die KI-Einführung trotz interner Sicherheitsbedenken vorantrieb.

Wenn ein Unternehmen, das vollständig auf der Prämisse von Datenschutz und Sicherheit aufgebaut ist, versucht, seinen Mitarbeitern KI-Tools aufzuzwingen, ist die kulturelle Ablehnung sofort da. Ingenieure sind sich der Datenleck-Risiken im Zusammenhang mit der Einführung von KI in Unternehmen sehr bewusst, und sie zu zwingen, ihre KI-Nutzung in erneuten Interviews zu rechtfertigen, war ein grober Fehltritt.

Die Proton-Führung hat diese Runde verloren. Es ist eine klare Warnung an Managementteams überall: Man kann KI-Begeisterung nicht erzwingen, besonders wenn das Kernprodukt auf Paranoia aufgebaut ist.