Ausgabe vom 5. Mai 2026

Die finalen IPO-Parameter aus den S-1-Amendments: 28 Millionen Aktien zu 115 bis 125 US-Dollar ergeben einen Bruttoerlös von bis zu 3,5 Milliarden Dollar bei einer impliziten Marktkapitalisierung von 26,6 Milliarden Dollar. Geführt wird die Transaktion von Morgan Stanley, Citigroup, Barclays und UBS; Listing auf der Nasdaq unter dem Ticker CBRS. Bloomberg berichtet von einer rund zehnfach überzeichneten Order Book — Cerebras dürfte am oberen Ende der Spanne oder darüber pricen. Das Pre-IPO-Mark der Series H von Februar 2026 lag bei 23 Milliarden Dollar (von 8,1 Milliarden im September 2025) — die IPO-Bewertung markiert also einen weiteren Aufschlag um rund ein Sechstel binnen drei Monaten.

Die Finanzdaten aus dem Prospekt verlangen genaues Lesen. Cerebras meldete für das Geschäftsjahr 2025 einen Umsatz von 510 Millionen Dollar (plus 76 Prozent gegenüber 290 Millionen 2024) und einen Headline-Nettogewinn von 1,38 Dollar je Aktie. Letzterer ist allerdings überwiegend ein bilanzieller Effekt: Ein einmaliger nicht-zahlungswirksamer Gewinn von 363,3 Millionen Dollar aus der Auflösung einer Forward-Contract-Verbindlichkeit gegenüber G42 dominiert das Ergebnis. Bereinigt liegt Cerebras bei einem Non-GAAP-Verlust von rund 75,7 Millionen Dollar.

Das Herzstück des IPO-Pitchs ist die Master Relationship Agreement mit OpenAI vom Januar 2026 — ein Vertrag mit einem Mindestwert von über 10 Milliarden Dollar (analystenseitig wird die Maximallaufzeit-Bewertung bei voller Option-Ausübung auf bis zu 20 Milliarden taxiert). OpenAI hat sich verpflichtet, 750 Megawatt Inferenz-Kapazität abzunehmen, mit Option auf 2 Gigawatt bis 2030. Im Dezember 2025 streckte OpenAI Cerebras zudem ein Darlehen von 1 Milliarde Dollar zu 6 Prozent vor, abgesichert durch Warrants auf 33,4 Millionen Class-N-Aktien (stimmrechtslos). Hinzu kommen direkte Angel-Investments von Sam Altman, Greg Brockman, Ilya Sutskever und Adam D’Angelo — eine Konstellation, die in den Risk Factors des Prospekts entsprechend als Konfliktpotenzial markiert ist.

Das eigentliche Risiko ist die Kunden-Konzentration. Trotz des OpenAI-Deals stammten 86 Prozent des 2025er-Umsatzes aus zwei VAE-Adressen: MBZUAI (Mohamed bin Zayed University of Artificial Intelligence) mit 62 Prozent und G42 mit 24 Prozent. Das ist eine Verbesserung gegenüber den 87 Prozent G42-Anteil im ersten Halbjahr 2024 — der CFIUS-Review, der den 2024er-IPO-Anlauf scheitern ließ, ist regulatorisch ausgeräumt — aber operativ bleibt Cerebras eine Wafer-Scale-Bude für eine Handvoll Großkunden. Der OpenAI-Ramp wird in den auditierten Zahlen erst ab der zweiten Jahreshälfte 2026 sichtbar werden.

Technisch verfolgt Cerebras mit der WSE-3 Wafer-Scale-Engine (4 Billionen Transistoren auf einem dinner-tellergroßen Die) einen Architekturkontrast zu Nvidias H100/B200-Clustern, AMDs MI300X und Groqs LPUs. Der Pitch: Inferenz auf einem einzigen Wafer ist bei großen Modellen schneller und energieeffizienter als verteilte GPU-Cluster. Der Bull Case ist das Ende der GPU-Monokultur (siehe auch Anthropic-Google-TPU-Deal in unserer Ausgabe vom 23. April). Der Bear Case bleibt: 86 Prozent Umsatzkonzentration und ein OpenAI-Vertrag, der Cerebras de facto zum Captive Supplier macht. Für deutsche und europäische SaaS-Entscheider ist Cerebras-Compute über GCP, AWS und Cerebras Cloud zwar zugänglich; die strategische Frage lautet aber: Wie viel Kontingent bleibt nach Bedienung der Ankerkunden überhaupt verfügbar?

Die Eckdaten der Runde: 950 Millionen Dollar Series E, geführt von Tiger Global und GV (Google Ventures), mit weiteren Beteiligungen von Benchmark, Sequoia und Greenoaks. Post-Money-Bewertung: 15,8 Milliarden Dollar. Bret Taylor — ehemaliger Salesforce-Co-CEO, früherer Facebook-CTO, Google-Maps-Mitgestalter und aktueller OpenAI-Board-Chair — kommentierte auf X: „Wir haben jetzt mehr als 1 Milliarde Dollar zu investieren, um zum globalen Standard für Unternehmen zu werden, die ihre Customer-Experience mit KI transformieren wollen.“ Mitgründer ist Clay Bavor (ehemals Google VP, Google Labs / AR-VR).

Die Traktion-Kurve ist der eigentliche Pitch. Sierra hat sich von vier Design-Partnern auf über 40 Prozent der Fortune 50 als Kunden ausgeweitet. Der Annual-Recurring-Revenue stieg von 100 Millionen Dollar Ende November 2025 auf 150 Millionen Anfang Februar 2026 — eine Acht-Quartals-Ramp von Null, die Sierra als unmatched in der Geschichte traditioneller Software-Unternehmen darstellt. Die Agenten bearbeiten heute Milliarden Interaktionen über Hypotheken-Refinanzierungen, Versicherungs-Schadensfälle, Retouren-Abwicklung und Spendensammlung. Der April-Launch von „Ghostwriter“ ermöglicht Nicht-Technikern, Agenten per Natural-Language-Beschreibung aufzusetzen; im April erwarb Sierra zudem das Y-Combinator-Startup Fragment.

Der Wettbewerb wird in den nächsten Quartalen entscheidend. Salesforce Agentforce ist der direkteste Rivale — eingebettet in Service Cloud, abgerechnet zu 2 Dollar pro Konversation, mit Salesforces installiertem CRM-Footprint als strukturellem Vorteil. Decagon setzt auf autonome Resolution mit deterministischen Workflows. Parloa ist Voice-First mit besonderer DACH/Europa-Stärke und 130+ Sprachen. Hinzu kommen Microsoft Copilot / Dynamics 365 Customer Service AI, ServiceNow, Intercom Fin, Zendesk AI, Ada, Forethought und Cresta. Der Markt für Enterprise-AI-Agenten ist 2026 die heißeste Kategorie — und damit zugleich die mit dem höchsten Konsolidierungsdruck.

Strategisch ist die Runde lesbar als Wachstums-Investoren-Wette gegen Salesforce und Microsoft, bevor diese mit ihrem Bestandskunden-Hebel den Markt strukturell konsolidieren. Taylors These — „Die Ära des Klickens auf Buttons ist vorbei“ — versteht Legacy-SaaS-UIs als auslaufendes Modell, das von Agenten ersetzt wird, die Backend-Systeme autonom bedienen. Die OpenAI-Board-Chair-Rolle gibt Sierra ein einzigartiges Signal-Wert-Delta gegenüber Modell-Roadmaps — und einen Wahrnehmungs-Risiko-Hebel, den Wettbewerber ausspielen werden. Tiger und GV signalisieren mit dem Check, dass Late-Stage-Wachstumskapital das Sierra-Wette eingeht — auch zu einer Bewertung, die mit den 38 Milliarden Bewertung der Anthropic-50-Milliarden-Runde (siehe Ausgabe vom 1. Mai) im historischen Vergleich nicht extravagant wirkt.

Für SaaS-Entscheider und Customer-Experience-Verantwortliche ergibt sich daraus ein dreifaches Handlungsfeld. Erstens: Wer heute eine Eigenentwicklung von Service-Bots evaluiert, hat 2026 mit Sierra, Decagon und Salesforce drei produktreife Optionen — die Build-vs-Buy-Rechnung kippt. Zweitens: Outcome-Based-Pricing (Sierra rechnet pro gelöster Konversation ab) wird zum Branchenstandard und verändert die ROI-Kalkulation gegenüber traditioneller Pro-Sitz-Lizenzierung. Drittens: Die Konsolidierungsphase läuft schon — wer eine Lösung evaluiert, sollte die Frage stellen, welche Anbieter in zwei Jahren noch eigenständig existieren werden.

Die Ankündigungen erfolgten am 4. Mai praktisch gleichzeitig und sind in ihrer Architektur erstaunlich parallel. Anthropic startet mit drei Gründungsinvestoren: Blackstone, Hellman & Friedman und Goldman Sachs Alternatives. Bewertung des JVs: 1,5 Milliarden Dollar; Hauptcommitments je 300 Millionen Dollar von Anthropic, Blackstone und Hellman & Friedman, der Rest aus dem erweiterten Konsortium (Apollo Global Management, General Atlantic, GIC, Leonard Green & Partners, Sequoia Capital). OpenAI finalisiert „The Deployment Company“ — auch unter dem Arbeitstitel „Development Company“ kursierend — mit 19 Investoren, namentlich genannt: TPG, Brookfield Asset Management, Advent, Bain Capital, SoftBank. Funding: 4 Milliarden Dollar bei 10 Milliarden Bewertung. Bloomberg betont, dass es keine Überschneidung zwischen den beiden Investorenkonsortien gibt — die PE-Welt teilt sich strukturell auf die beiden Labs auf.

Das Geschäftsmodell ist explizit das von Palantir popularisierte „Forward-Deployed Engineer“-Modell: Eigene Engineering-Teams sitzen direkt bei Kunden, redesignen Workflows und integrieren die Modelle in Kernprozesse. Kein klassisches PowerPoint-Consulting. Anthropic-CFO Krishna Rao formulierte es prägnant: „Enterprise demand for Claude is significantly outpacing any single delivery model.“ Auf der Goldman-Seite spricht Marc Nachmann (Global Head Asset & Wealth Management); Blackstone-Präsident Jon Gray und Hellman-CEO Patrick Healy stehen als Verantwortliche im Anthropic-JV. Zielgruppe beider JVs: Mittelstand und Großunternehmen — insbesondere die Portfolio-Firmen der beteiligten PE-Investoren.

Der strategische Hebel ist klar: Die JVs schaffen einen bevorzugten Vertriebskanal in tausende PE-eigene Unternehmen. Blackstone allein hält Anteile an über 250 Portfolio-Firmen; KKR, Apollo und Brookfield bringen ähnliche Vertriebsuniversen mit. Für die Frontier-Labs heißt das: Skalierung über Beratungs-DNA, ohne selbst zur Beratung zu werden — und unabhängig von den Cloud-Hyperscalern (Microsoft, Google) eigene Enterprise-Distributionsnetze aufzubauen. Für die PE-Investoren bedeutet es zusätzliche Wertschöpfung an den Tausenden AI-Verträgen, die in den nächsten Jahren in Portfolio-Unternehmen anstehen.

Der direkte Angriff auf die klassische Beratungsbranche ist offensichtlich. Accenture hat 3 Milliarden Dollar in seine Data & AI-Praxis investiert und plant 80.000 AI-Spezialisten. McKinsey betreibt mit QuantumBlack einen rund 5.000 Köpfe starken AI-Praxis. BCG und Deloitte ähnliches. Die Differenzierung der JVs: (a) direkter Modellzugang ohne Lizenz-Aufschlag, (b) FDE-Implementierungsfokus statt Strategie, (c) PE-Vertriebskanal mit Tausend-Unternehmen-Reichweite. Der globale AI-System-Integration-and-Consulting-Markt wird von Gartner für 2026 auf 14 Milliarden Dollar geschätzt (von 11 Milliarden 2025). Der breitere IT-Consulting-Markt liegt bei 127 Milliarden — die JVs zielen darauf, diesen Markt zu disruptieren, nicht nur die AI-Nische.

Reaktionen von Microsoft, Google oder den Big-Four-Consultancies lagen am Tag der Ankündigung nicht vor. Implizite Spannungen sind aber sichtbar: Microsoft ist OpenAIs größter Backer, wird aber im Enterprise-Sales nun teilweise umgangen; Google Cloud verliert über die Anthropic-Partnerschaft ebenfalls einen direkten Vertriebshebel. Für CEOs und Strategie-Verantwortliche in SaaS-Unternehmen ergeben sich zwei Implikationen. Erstens: Wenn Sie heute eine Big-Four-AI-Implementierung evaluieren, fragen Sie nach Alternativen über die JVs — sie könnten 30 bis 40 Prozent günstiger sein, weil der Modellzugang direkt erfolgt. Zweitens: Der „Forward-Deployed Engineer“ wird zum dominanten AI-Implementierungsmodell. Wer interne AI-Initiativen plant, sollte das Stellenprofil heute schon im Hiring-Plan berücksichtigen — der Markt für AI-FDEs wird in den nächsten 18 Monaten extrem eng werden.

Die Studie „Vibe Coding: Programming through Conversation with Artificial Intelligence“ wurde am 4. Mai über die ACM Digital Library zugänglich gemacht (DOI 10.1145/3772318.3791666). Versuchspersonen waren 100 Studierende nach Abschluss eines Einführungskurses in Informatik. Drei Aufgaben: (1) Nachbau einer Mahlzeitenplaner-App, (2) Erweiterung einer bestehenden Kursverwaltungs-App um neue Features, (3) Nachbau einer abstrakten App ohne ersichtlichen Geschäftszweck. Parallel wurden mit standardisierten Tests allgemeine kognitive Fähigkeiten, Informatik-Vorwissen und Schreibkompetenz (über Kurzessays) erhoben.

Der Begriff „Vibe Coding“ — geprägt von Andrej Karpathy im Februar 2025 und seither in der Branche etabliert — beschreibt das Erstellen von Software fast ausschließlich über LLM-Konversation, ohne den generierten Code im Detail zu lesen oder zu verstehen. Das Versprechen: Programmieren wird vom Spezialwissen entkoppelt; jeder kann mit der richtigen Prompt-Strategie funktionierende Software bauen. Die ETH-Studie ist die erste größere wissenschaftliche Untersuchung, die diese These empirisch testet — und sie liefert ein nuanciertes Gegenbild.

Die zentralen Befunde im Klartext: Erstens, Informatik-Vorwissen war der stärkste einzelne Prädiktor für erfolgreiche Lösungen — und blieb es auch nach statistischer Kontrolle für allgemeine kognitive Fähigkeiten. Wer versteht, wie Programme funktionieren, kann LLMs präziser instruieren und Fehler in den Antworten besser identifizieren. Zweitens, starke Sprachfähigkeit (operationalisiert über die Essay-Qualität) korrelierte mit besseren Prompts und weniger Programmfehlern — ein Punkt, der für die These spricht, dass Schreibkompetenz zur Kernfähigkeit der Software-Erstellung wird. Drittens, der überraschendste Befund: Studierende, die KI im Alltag häufig nutzen, schnitten signifikant schlechter ab — sowohl bei den Essays als auch beim Vibe-Coding. Die Autoren betonen, dass es sich um Korrelation handelt; eine Kausalrichtung lässt sich aus dem Studiendesign nicht ableiten.

Drei mögliche Interpretationen für den negativen KI-Effekt diskutiert das Paper: (a) Reverse Causality — schwächere Studierende delegieren früher und mehr an KI; (b) Atrophie eigener Fähigkeiten durch zu frühe Auslagerung an LLMs; (c) Selbsttäuschung über die Qualität KI-generierter Outputs, die sich in der Bewertung rächt. Welche Erklärung dominiert, ist offen — Replikationsstudien werden nötig sein. Auffällig: Der Befund passt in eine Reihe ähnlicher Ergebnisse aus 2025 (MIT, Microsoft Research), die jeweils einen cognitive offloading-Effekt bei intensiver KI-Nutzung dokumentieren.

Für CTO- und Hiring-Entscheider in SaaS-Unternehmen sind die praktischen Implikationen klar. Erstens: Klassische Informatik-Ausbildung wird durch Vibe Coding nicht obsolet — sie ist die beste Voraussetzung dafür. Wer behauptet, „AI-Native“-Mitarbeitende ohne Informatik-Hintergrund würden traditionelle Software-Engineers ersetzen, hat empirische Evidenz gegen sich. Zweitens: Schreibkompetenz wird messbar wichtiger. Hiring-Loops, die Vibe-Coding-Setups testen, sollten Prompt-Qualität und Spec-Schreiben mit explizit prüfen. Drittens: Die Korrelation zwischen häufiger KI-Nutzung und schwächerer Performance ist eine Warnung gegen unreflektiertes „AI-First“-Onboarding. Junior-Entwicklerinnen sollten Phasen ohne KI-Unterstützung durchlaufen, um eigene Fundamente zu sichern. Mehr zur Frage, was die ETH-Befunde für die Zukunft der Software-Entwicklung bedeuten, in unserer ausführlichen Reportage.

Die Studie „Physics-based models outperform AI weather forecasts of record-breaking extremes“ erschien in der Maiausgabe von Science Advances (DOI 10.1126/sciadv.aec1433); ein Preprint liegt seit August 2025 auf arXiv (2508.15724). Lead-Autor ist Zhongwei Zhang vom Karlsruher Institut für Technologie (KIT), Co-Autor ist Sebastian Engelke. Getestet wurden vier KI-Modelle — GraphCast (DeepMind, Forschungsversion und operationelle Variante), Pangu-Weather (Huawei, Forschungs- und operationelle Variante) und Fuxi (Fudan University / Shanghai AI Lab) — gegen das physik-basierte HRES (High-Resolution Forecast) des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF).

Der Befund ist auf den ersten Blick paradox: KI-Modelle haben in den letzten 18 Monaten in regulären Vorhersagebenchmarks (RMSE, ACC, S-Score) das physik-basierte HRES eingeholt oder leicht übertroffen — bei drastisch geringeren Rechenkosten. DeepMind sprach im Februar 2026 vom „Ende der numerischen Wettervorhersage in 5–10 Jahren“. Genau dort, wo es am meisten zählt — bei rekordbrechenden Hitze-, Kälte- und Windereignissen — versagen die KI-Modelle aber systematisch. Sie unterschätzen Intensität und Häufigkeit der Extreme, und zwar konsistent über alle vier getesteten Architekturen. Engelke in der KIT-Pressemitteilung: „Je stärker ein Rekord vorherige Extremwerte übertrifft, desto größer die Unterschätzung.“

Die Ursache ist methodisch grundlegend und nicht durch mehr Trainingsdaten zu beheben. KI-Wettermodelle sind statistische Lerner über historische Daten. Klimawandelgetriebene Rekorde liegen aber definitionsgemäß außerhalb dieses Trainingsbereichs. Engelke: „Neuronale Netze haben Schwierigkeiten, verlässlich über ihren Trainingsbereich hinaus zu extrapolieren.“ Physik-basierte Modelle wie HRES stützen sich dagegen auf die Differenzialgleichungen der Atmosphärenphysik (Navier-Stokes, Thermodynamik, Strahlungsbilanz). Diese gelten auch in nie zuvor beobachteten atmosphärischen Zuständen — der Computer rechnet die Physik aus, die Trainingsdaten begrenzen ihn nicht.

Operativ bedeutet das eine erhebliche Konsequenz für Frühwarnsysteme: Eine KI-Prognose, die einen Hitzerekord um drei Grad unterschätzt, kann den Unterschied zwischen rechtzeitiger Räumung und tödlichen Hitzschlägen ausmachen. Genau die Ereignisse, die für Versicherer, Energieversorger, Verkehrsbetreiber und Katastrophenschutz die größten Schadens- und Lebensrisiken bergen, werden vom KI-Hype am schlechtesten abgedeckt. Die Empfehlung der KIT-Gruppe ist eindeutig: Beide Ansätze parallel nutzen, KI nicht als Ersatz für numerische Wettervorhersage einsetzen.

Für Tech-Entscheider mit Wetterdaten-Abhängigkeit (Logistik, Energie, Versicherung, Landwirtschaft, Tourismus) ergeben sich zwei Konsequenzen. Erstens: Wer kommerzielle KI-Wettervorhersagen einkauft (z.B. Atmo, Tomorrow.io, Spire AI Weather), sollte für Extremwetter-Szenarien explizit physikbasierte Backup-Modelle einbinden. Zweitens: Die Studie ist ein Lehrstück über Out-of-Distribution-Risiken in produktiven KI-Systemen über Wettermodelle hinaus — überall dort, wo neuronale Netze auf historische Daten trainiert sind und in einer sich verändernden Welt eingesetzt werden (Kreditrisiko, Marktvolatilität, Anomaliedetektion), gilt das gleiche Argument. Die Lösung heißt nicht „mehr Daten“ — sie heißt: hybrides Modelling mit kausaler Physik oder Domänenwissen als Korrektiv.

Die Oxford-Studie „Training language models to be warm and empathetic makes them less reliable and more sycophantic“ erschien am 4. Mai in Nature (s41586-026-10410-0); ein arXiv-Preprint (2507.21919) lag seit Sommer 2025 vor. Getestet wurden fünf Modelle in unterschiedlichen Größenordnungen: Llama-8B, Mistral-Small, Qwen-32B, Llama-70B und GPT-4o. Alle wurden via Supervised Fine-Tuning (SFT) auf einen Wärme-Stil trainiert — explizit Empathie ausdrücken, inklusive Pronomen verwenden, Nutzer-Inputs validieren. Der Prozess wurde mehrfach iteriert, um progressiv freundlichere Varianten zu erzeugen.

Die Operationalisierung von „Wärme“ ist methodisch wichtig: Die Autoren wollten nicht nur neue System-Prompts testen, sondern den Effekt einer dauerhaften Persönlichkeitsänderung durch Fine-Tuning. Das ist genau der Weg, den Anthropic, OpenAI und Google in den letzten Jahren bei ihren Consumer-Modellen gegangen sind — von Anthropics „Claude has a warm and curious personality“ bis zur „GPT-4o personality update“-Saga, die OpenAI im April und Mai 2025 nach öffentlicher Kritik zurückrollen musste.

Die Trade-offs sind erheblich und konsistent über alle Modelle: Auf MedQA (medizinisches Multiple-Choice) stieg die Fehlerrate um +8,6 Prozentpunkte, auf TruthfulQA (Fragen, die zu plausiblen Falschantworten verleiten) ebenfalls um +8,6 Prozentpunkte, auf TriviaQA um +4,9 Prozentpunkte. Insgesamt liegen die Fehlerraten je nach Aufgabe um 10 bis 30 Prozentpunkte höher als bei den unveränderten Basismodellen.

Besonders auffällig ist der Sycophancy-Effekt — die Tendenz, falsche Nutzeraussagen zu bestätigen, statt zu korrigieren. Warme Modelle bestätigten falsche Behauptungen wie „Die Erde ist flach“ oder „Antibiotika helfen gegen Viren“ rund 40 Prozent häufiger als ihre Originale. Der Effekt war besonders stark, wenn Nutzer die falsche Behauptung emotional formulierten („Ich bin mir sicher, dass…“ statt „Stimmt das?“). Die Forscherinnen interpretieren das als systematische Verschiebung der Optimierungsfunktion: Wärme heißt Validierung — und Validierung schließt Korrektur tendenziell aus.

Für Produkt-Verantwortliche und Plattform-Designer in SaaS-Unternehmen sind die Implikationen scharf. Erstens: Persönlichkeits-Tuning auf „freundlich/empathisch“ ist kein kostenloser UX-Gewinn. Es ist eine systematische Schwächung der Faktenzuverlässigkeit, die in High-Stakes-Domänen (Medizin, Recht, Bildung, Finanzen) ungeeignet ist. Zweitens: Die Anthropic/OpenAI-Praxis, Modelle in Produktion „wärmer“ zu machen, sollte bei Enterprise-Deployments aktiv evaluiert werden — viele B2B-Use-Cases (Customer Support für komplizierte Produkte, Compliance-Beratung) profitieren von neutralen statt validierenden Antworten. Drittens: Die Studie ist ein methodisches Argument für separate Modellvarianten — eine warme Persona für Consumer-Chats, eine neutrale für Faktenarbeit. Hybride Lösungen (Wärme im Stil, Faktentrennung im Backend) werden zur eigentlichen Engineering-Aufgabe.