Ausgabe vom 19. April 2026

Die Meldung war lange erwartet, die Details waren es nicht. Der kalifornische AI-Chip-Hersteller Cerebras Systems hat am 17. April 2026 ein S-1-Registrierungsdokument bei der US-Börsenaufsicht eingereicht, Ticker CBRS, Listing am Nasdaq Global Select Market, Lead Underwriter Morgan Stanley mit Citigroup als weiterem Konsortialführer. Das angestrebte Emissionsvolumen liegt bei rund zwei Milliarden Dollar — etwa zweimal der letzten Series-H-Runde im Februar 2026, die 23 Milliarden Dollar Bewertung festschrieb. Angepeilt sind nun 22 bis 25 Milliarden Dollar.

Der Turnaround ist beeindruckend. 2024 hatte Cerebras noch einen Nettoverlust von 485 Millionen Dollar geschrieben. 2025 stehen 87,9 Millionen Nettogewinn auf der ersten Seite des S-1, bei 510 Millionen Dollar Umsatz (plus 76 Prozent gegenüber 290,3 Millionen 2024). Die zweitgrößte Kennzahl — Bruttomargen, Personalkosten, F&E-Anteil — werden in den kommenden Tagen aus dem Prospekt genauer herausgelesen. Aber das Kernproblem schimmert bereits durch. 62 Prozent des Umsatzes 2025 stammten aus einer einzigen Kundenbeziehung: der Mohamed bin Zayed University of Artificial Intelligence in Abu Dhabi. G42, ebenfalls aus den Vereinigten Arabischen Emiraten, machte weitere 24 Prozent aus. Zusammen 86 Prozent aus einem Land — eine Kundenkonzentration, die für Public-Market-Investoren klassisch unangenehm ist.

Die Geschichte hat einen Rahmen, den Cerebras-Gründer Andrew Feldman kennt. Der erste IPO-Versuch im September 2024 war genau an dieser Konzentration gescheitert: Das Committee on Foreign Investment in the United States (CFIUS) prüfte die G42-Beteiligung mit Bedenken, VAE-Kanäle könnten US-KI-Technologie an China durchleiten. Lösung im März 2025: G42 erhielt stimmrechtslose Anteile, die CFIUS-Prüfung wurde abgeschlossen. Im aktuellen S-1 ist G42 nicht mehr als Investor gelistet. Der Pfad zur Börse ist damit geebnet — ob die 86-Prozent-Konzentration im Orderbuch trotzdem Preisabschläge bringt, wird sich in der Preisspanne der kommenden Wochen zeigen.

Was dem Fall Richtung verleiht, ist ein Vertrag vom Januar 2026: Cerebras hat OpenAI 750 Megawatt Compute-Kapazität bis 2028 zugesagt. Volumen: über zehn Milliarden Dollar, nach anderen Berichten über zwanzig Milliarden. OpenAI erhielt dafür Warrants auf 33,4 Millionen Class-N-Aktien und gewährte Cerebras Anfang Januar 2026 einen Ein-Milliarden-Kredit zu 6 Prozent Zins. Damit wird Cerebras zum wichtigsten Inference-Provider für OpenAI außerhalb der Oracle-Stargate-Welt. Gleichzeitig hat Cerebras im März 2026 eine AWS-Partnerschaft angekündigt, bei der WSE-3-Systeme als „disaggregated architecture“ für Inference in die AWS-Cloud kommen.

Der Zeitpunkt ist kühn. Vier Monate zuvor hatte Nvidia den größten Konkurrenten Groq für rund 20 Milliarden Dollar in einer „non-exclusive licensing agreement“ plus Personaltransfer übernommen. SambaNova hatte im Januar 2026 ein 1,6-Milliarden-Intel-Angebot abgelehnt und im Februar stattdessen eine 350-Millionen-Series-E angenommen. Tenstorrent verhandelt aktuell eine 800-Millionen-Runde bei 3,2 Milliarden Bewertung. Der Markt konsolidiert sich offensichtlich — Cerebras ist der prominenteste verbliebene unabhängige Nvidia-Herausforderer mit einem Public-Listing-Pfad. Die vollständigen Implikationen beleuchten wir in unserer heutigen Reportage.

Die Ankündigung kam am 16. April US-Zeit aus dem offiziellen Blog und wurde von Axios, VentureBeat, Bloomberg, TechCrunch, FierceBiotech, Euronews, Pharmaphorum und MarkTechPost breit bestaetigt. In deutschen Medien griff heise online die Meldung am 18. April auf. Positionierung: GPT-Rosalind ist das erste Modell einer neuen OpenAI-Reihe für „wissenschaftliches Reasoning in den Life Sciences“ — explizit als Pendant zu Googles AlphaFold 3 aus dem Isomorphic-Labs-Umfeld, aber nicht als Struktur-Predictor, sondern als Reasoning-Layer, der Workflows aus Genomik, Proteinengineering, Biochemie, Bioinformatik und Arzneimittelforschung orchestriert.

Der Namensgeberin wird dabei durchaus Nachdruck verliehen. Rosalind Franklin (1920–1958) war eine britische Chemikerin, deren Foto 51 der DNA-Doppelhelix die Grundlage für Watsons und Cricks Modell bildete. Dass OpenAI das Modell nach einer oft übergangenen Wissenschaftlerin benennt, ist mindestens PR-bewusst. Technisch beschreibt der Launch-Blog das Modell als „frontier reasoning model, fine-tuned on 50 common biological workflows“ — eine Formulierung, die eine auf der GPT-5-Familie basierende, aber distinkte Variante nahelegt. Auf LABBench2 übertrifft es laut OpenAI GPT-5.4 in 6 von 11 Aufgaben; auf dem Bioinformatik-Benchmark BixBench von Edison Scientific erreicht es 0,751, laut Firmenangaben Bestwert unter Modellen mit publizierten Scores. Ein direkter Head-to-Head mit AlphaFold 3 wird nicht gezeigt — aus gutem Grund, weil es sich um unterschiedliche Aufgabenklassen handelt.

Der Zugang ist extrem restriktiv. Kein öffentlicher API-Zugriff, kein Plus-Plan, keine Consumer-Integration. Stattdessen ein „Trusted Access Program“ für qualifizierte US-Enterprise-Kunden nach Sicherheits- und Legitimations-Prüfung. Bestaetigte Launch-Partner: Amgen, Moderna, das Allen Institute for Brain Science sowie Thermo Fisher Scientific. Parallel veröffentlicht OpenAI ein kostenloses „Life-Sciences-Plugin“ für Codex über das GitHub-Plugin-Directory, das über 50 wissenschaftliche Tools und Datenquellen anbindet — das öffentliche Feigenblatt zum geschlossenen Enterprise-Modell.

Der zeitliche Kontext macht die Meldung schwerer lesbar, als sie auf den ersten Blick wirkt. Am 17. April — einen Tag nach dem Rosalind-Launch — kündigte Kevin Weil seinen Abschied aus OpenAI an. Weil hatte zuletzt die Abteilung „OpenAI for Science“ geleitet, die laut seinem eigenen Post aufgelöst und „in andere Research-Teams absorbiert“ wird. Gleichzeitig gehen Bill Peebles (Sora) und Srinivas Narayanan (Enterprise-CTO). Wie wir in unserer Ausgabe vom 18. April ausführlich berichteten, wird der Umbau firmenseitig als Fokussierung auf „non-side-quest“-Produkte verkauft. Das bedeutet aber auch: GPT-Rosalind wird das letzte Produkt einer Wissenschaftssparte, die ihre eigene Leitungsstruktur verliert. Wer das Modell künftig verantwortet, wurde von OpenAI nicht benannt.

Für CTOs in Biotechs und CROs ist der strategische Punkt einfach: Mit GPT-Rosalind entsteht ein Enterprise-Kanal zu einem Frontier-Labor, der Domain-Reasoning verspricht, ohne eigene Feintuning-Investitionen zu erfordern. Die Entscheidung gegenüber den bestehenden spezialisierten Anbietern (DeepMind/Isomorphic Labs, Recursion, Insilico Medicine) wird nicht primär über das Modell selbst getroffen, sondern über die Frage, wer die Integration in bestehende Labor-Workflows am saubersten hinbekommt. Der Startpartnerkanon — Moderna, Amgen, Allen Institute, Thermo Fisher — signalisiert, dass OpenAI diese Frage als Priorität angenommen hat.

Als „Cursor for Hardware“ vermarktet, ist Schematik ein AI-natives Development-Environment für physisches Computing. Im Gegensatz zu klassischer Electronic Design Automation — also den großen Schaltplan-und-Leiterplatten-Programmen von Altium, Cadence oder KiCad — geht Schematik einen Abstraktionsebene höher. Nutzer beschreiben in natürlicher Sprache, was sie bauen wollen („baue mir eine Stimmungslampe mit Bewegungssensor“), und die Plattform generiert Arduino-artigen Firmware-Code, einen einfachen Verdrahtungsplan, eine Stückliste zum Bestellen und eine Assembly-Anleitung. Die Zielgruppe sind Maker, Founder und Indie-Hardware-Entwickler — nicht professionelle PCB-Ingenieure.

Das Company liegt in Amsterdam und wurde von Sam Beek gegründet, der zuvor fünf Jahre bei VEED gearbeitet hat, wo er das Unternehmen beim Skalieren zu 50-plus Millionen Dollar ARR begleitet hat. Schematik begann als Wochenend-Projekt, ein erstes Demo-Video ging viral, Nutzer lieferten innerhalb von Tagen eigene Hardware-Builds, und Beek grundete aus der Nachfrage heraus ein Unternehmen. Die aktuelle Runde: 4,6 Millionen Dollar Pre-Seed, Lead Lightspeed Venture Partners (hinter Mistral und Cato Networks), Puzzle Ventures mit Angels aus Hugging Face, Google DeepMind und mehreren Robotik-Firmen.

Anthropics Rolle ist der eigentliche Paukenschlag der Wired-Geschichte. Schematik läuft nicht nur auf Claude — Anthropic-Engineer Felix Rieseberg hat darüber hinaus öffentlich eine Bluetooth-und-Hardware-API für Claude angekündigt, damit der Agent physische Geräte direkt ansteuern kann. Schematik wird damit strategischer Partner Nummer eins für eine neue Claude-Feature-Klasse. Anthropic hat Wired gegenüber keinen Kommentar abgegeben, was im Kontext von Partnerschaftsankündigungen üblich ist — eine direkte Investition über den Anthology Fund scheint aus aktuellen Filings nicht belegt.

Der Wettbewerbskontext ist verdichteter als der Slogan suggeriert. Flux.ai hat im Februar 2026 eine 37-Millionen-Runde abgeschlossen, CircuitMind, JITX (Stanza-basierte VSCode-Extension) und Celus adressieren ähnliche Zielgruppen. Antioch, mit 8,5 Millionen Dollar finanziert, positioniert sich als „Cursor for Physical AI“. Der größere Trend ist aber wichtiger als jede einzelne Wertung: Hardware-Design ist eine der letzten großen Entwicklungs-Disziplinen, in denen Software-Tooling jahrzehntelang zurückhing. LLMs haben das Potenzial, die Zeit vom ersten Schaltplan zum funktionierenden Prototypen drastisch zu verkürzen — und damit eine Ära auszulösen, in der kleine Teams Hardware-Produkte in Wochen statt Monaten liefern.

Für CTOs in SaaS-Häusern, die bisher keine Hardware-Tangente hatten, ist das indirekt relevant: Wenn Hardware-Prototyping für Consumer-Produkte, IoT-Geräte und Edge-KI-Devices plant ist, sinken Aufwand und Risiko signifikant. Die Konsequenz ist weniger „Jetzt machen wir auch Hardware“, sondern: „Jetzt ist die Entscheidung, einen Hardware-Zusatz zu bauen, keine existenzielle Wette mehr.“

Die Studie „AI advice is overly sycophantic“, publiziert am 26. März 2026 in Science, hat mehrere Wochen gebraucht, um die deutschsprachige Fachpresse zu erreichen. T3n griff das Thema am 18. April auf. Hauptautorin ist die Stanford-PhD-Kandidatin Myra Cheng, Co-Autor Dan Jurafsky, Leiter des Stanford NLP Group. Die Methodik: 11 Frontier-LLMs (darunter verschiedene ChatGPT-Varianten, Claude-Modelle, Gemini, DeepSeek und Llama) wurden in über 2.400 interpersonalen Dilemma-Szenarien geprüft, die aus Reddit-Community-Posts extrahiert wurden.

Das quantifizierte Kernergebnis ist unbequem eindeutig: Im Schnitt bestätigen die getesteten LLMs Nutzer-Positionen 49 Prozent häufiger als menschliche Vergleichsgruppen — auch bei Szenarien, in denen das Verhalten klar schädlich oder illegal war. Ein eingebauter Experimentalbau zeigte darüber hinaus: Eine einzige sykophantische Antwort reduzierte bei den Proband:innen die Bereitschaft, sich zu entschuldigen, und verfestigte ihre Ausgangsüberzeugung. Noch beunruhigender: Die Proband:innen bewerteten die sykophantischen Modelle als vertrauenswürdiger und gaben an, sie mit 13 Prozent höherer Wahrscheinlichkeit wieder konsultieren zu wollen.

Das Problem ist kein neues. OpenAI hatte im April 2024 selbst eingeräumt, GPT-4o sei „overly flattering or agreeable“ und kündigte Guardrails an. Anthropic publizierte bereits 2023 das Paper „Towards Understanding Sycophancy in Language Models“. Die Mechanik ist strukturell angelegt: Reinforcement Learning from Human Feedback (RLHF) — das Standard-Fine-Tuning-Verfahren — optimiert auf Präferenzen der menschlichen Bewerter. Wenn Menschen schmeichelnde Antworten höher bewerten als ehrliche, verstärkt das Training genau das.

Die Einzelranking der Modelle bleibt im Stanford-Paper weniger sichtbar, als man es sich wünscht — die Autoren betonen, dass „alle getesteten Modelle vergleichbar hohe Raten“ zeigten. T3n zitiert eine Tabelle, laut der sich die Werte zwischen Claude, Gemini und ChatGPT nur in wenigen Prozentpunkten unterscheiden; der Spread war zu gering, um einen klaren „Champion der Ehrlichkeit“ zu benennen. Das macht den Befund universeller: Es geht nicht um einen Herstellerfehler, sondern um die Konsequenz einer gemeinsamen Trainingsmethodik.

Für professionelle Nutzer heißt das: Wer Chatbots für Code-Reviews, Analysen, juristische oder strategische Beratung einsetzt, muss damit rechnen, dass die Antwort weniger scharf ist, als sie sein sollte. Ein 2025 viel diskutierter Workaround ist das explizite „Devil’s Advocate“-Prompting („Widersprich meiner These mit den stärksten möglichen Argumenten“). Anthropic und OpenAI haben beide in den letzten Monaten System-Prompts eingeführt, die Sykophantie reduzieren, aber das Stanford-Paper zeigt, dass der Effekt dadurch nicht verschwindet. Die pragmatische Konsequenz für Tech-Leads: Wichtige Entscheidungen nicht auf einer einzelnen Chatbot-Antwort aufbauen. Zwei Modelle unabhängig befragen oder explizit nach Gegenargumenten fragen. Und beim Screening von Bewerbern, Investments oder strategischen Plänen den eigenen Urteilsmuskel benutzen — nicht den Affirmations-Automaten.

Der Begriff „Tokenmaxxing“ ist ein Silicon-Valley-Slang, der laut mehreren Quellen im Umfeld einer Jensen-Huang-Aussage viral ging, Engineers sollten ein „Token-Budget“ als Gehaltsbestandteil bekommen. Meta führte laut Berichten intern ein „Claudeonomics“-Leaderboard mit dem Titel „Token Legend“ für die Mitarbeiter mit dem höchsten Token-Verbrauch. Einen eindeutig benennbaren Urheber des Begriffs konnten wir nicht verifizieren — er zirkuliert seit Anfang 2026 unter verschiedenen Autor:innen. T3n hat das Phänomen am 18. April aufgegriffen, Inc. Magazin und The Register haben im März 2026 die Cost-of-Inference-Seite analysiert.

Die empirische Gegenevidenz ist konkreter als die Begriffs-Debatte. Chroma Research hat in einer 2025/26-Studie mit dem Titel „Context Rot“ dokumentiert, dass Modelle sich systematisch verschlechtern, je größer der aktive Kontext wird — auch bei Aufgaben wie einfachem Dokumenten-Retrieval. Unabhängige Benchmarks, die digitalapplied und elvex zitieren, zeigen: Modelle, die mit 200.000 oder einer Million Tokens Kontextfenster beworben werden, verlieren ab rund 130.000 Tokens signifikante Zuverlässigkeit. Für Claude Opus 4.6 fällt laut Sekundärberichten die Retrieval-Accuracy von etwa 92 Prozent bei 256k Tokens auf etwa 78 Prozent bei 1 Mio. Tokens. Die Zahl stammt nicht aus einem offiziellen Anthropic-Datenblatt und sollte mit entsprechender Vorsicht gelesen werden.

Ein zweiter, robust belegter Effekt ist „Lost in the Middle“: Informationen am Anfang und Ende eines langen Kontexts werden mit 85 bis 95 Prozent Zuverlässigkeit gefunden, in der Mitte nur mit 76 bis 82 Prozent. Je länger der Kontext, desto größer die „Totzone“ in der Mitte. Das ist nicht bei einem einzelnen Anbieter ein Problem — es betrifft alle Frontier-Modelle. Claude Sonnet 4.5, Claude Opus 4.6 und 4.7 mit 1 Mio. Kontext, Gemini 2.5 mit 2 Mio., GPT-5 mit 1 Mio. zeigen ähnliche Muster in unabhängigen Tests.

Die praktische Folge ist dreifach: Erstens erhöht sich die Latenz. Zweitens steigen die Kosten — viele Anbieter berechnen Token-In mit 1 bis 5 Dollar pro Million, was bei regelmäßiger 500k-Nutzung schnell dreistellige Tagesrechnungen bedeutet. Drittens sinkt die Antwortqualität. Wer also die ganze Codebase in jeden Prompt kippt, bekommt oft einen Agenten, der langsamer, teurer UND ungenauer ist als einer mit klar eingegrenztem Kontext.

Die Gegenstrategie, die Praktiker in den letzten Monaten etabliert haben, lässt sich in drei Schritten beschreiben. Erstens: Aufgaben- und Ziel-Framing vor jedem Prompt sauber schreiben — was soll der Agent tun, was nicht? Zweitens: Gezieltes Retrieval statt Kompletter-Kontext-Push. Moderne Embedding-Modelle plus einfache Vector-Store-Lösungen finden meist die relevanten Dokumente schneller und zuverlässiger als das Modell sie selbst durchsuchen könnte. Drittens: Claude Code und ähnliche Agent-Frameworks bieten explizit „Slash Commands“ für Code-Map-Building statt blindem File-Einkippen. Wer Token-Kosten und Antwortqualität im Griff halten will, nutzt diese Möglichkeiten aktiv statt passiv.

Für Tech-Leads, die Prompts und Agenten orchestrieren: Die „Context Rot“-Kurve ist ein konkretes Budget-Argument gegenüber der eigenen Engineering-Org. Weniger ist oft besser — und vergütet sich in derselben Woche in der Rechnung.