Ausgabe vom 9. Mai 2026

Matthew Prince und Co-Founder Michelle Zatlyn haben das Memo am Donnerstagabend an die rund 5.100 Cloudflare-Mitarbeitenden weltweit verschickt. „Wir haben uns entschieden, etwa 1.100 Kolleginnen und Kollegen gehen zu lassen", schreiben sie. „Agentic AI" habe die Arbeitsweise „fundamental verändert", die interne KI-Nutzung sei in nur drei Monaten um über 600 Prozent gestiegen. Cloudflare wechsle nun zu einem „agentic-AI-first operating model". Auf der Earnings-Call präzisierte Prince später: Einzelne Mitarbeitende seien jetzt „2x, 10x, sogar 100x produktiver". Auf die Frage, warum man trotz Rekord-Quartal entlasse, antwortete er: „Just because you're fit doesn't mean you can't get fitter." Im selben Atemzug versprach er: „In 2027 we'll have more employees than at any point in 2026."

Konkret betroffen sind nach Princes Darstellung primär Back-Office- und Support-Funktionen — die Sales-Mitarbeitenden mit Umsatz-Quote werden ausgenommen, „very few engineers or customer-facing sales people" seien dabei. Auf Hacker News widersprachen mehrere mutmaßliche Insider dieser Darstellung und berichteten, dass auch Engineering-Rollen gestrichen wurden. Das Abfindungspaket gilt als außergewöhnlich großzügig: volle Grundvergütung bis 31. Dezember 2026 (rund 34 Wochen), US-Krankenversicherung bis Jahresende, Equity-Vesting bis 15. August 2026, Wegfall der 1-Jahres-Cliffs. Cloudflare beziffert die Restrukturierungskosten auf 140–150 Millionen Dollar.

Die Quartalszahlen waren ein Rekord: Umsatz 639,8 Millionen Dollar (+34 % YoY), Non-GAAP-Operating-Income 73,1 Millionen, Free Cash Flow 84,1 Millionen. Großkundenbasis: 4.416 Kunden mit über 100.000 Dollar Jahresumsatz, +73 Prozent YoY bei Deals über 1 Million Dollar. Die Jahresprognose 2026 wurde auf 2,805–2,813 Milliarden Dollar angehoben. Trotzdem stürzte die NET-Aktie am 8. Mai um 24 Prozent auf 193,23 Dollar — der stärkste Tagesverlust seit dem Börsengang. Auslöser waren weniger die Layoffs als eine schwächere Q2-Guidance (664–665 Millionen Dollar vs. Konsens 666 Millionen) und eine überraschend niedrige Non-GAAP-Bruttomarge von 72,8 Prozent (Erwartung 75,1).

In den Kontext setzt sich der Schritt so: In unserer Ausgabe vom 8. Mai haben wir den DeepL-Pivot zur „AI-native"-Organisation analysiert (250 Stellen, ein Viertel der Belegschaft). Salesforce hat im September 2025 unter Marc Benioff den Customer-Support von 9.000 auf 5.000 Stellen reduziert — Agentforce übernimmt rund die Hälfte der Tickets. IBM hat im Frühjahr 2025 etwa 8.000 Stellen abgebaut, davon rund 200 HR-Rollen direkt durch AI-Agenten ersetzt. Das Klarna-Reversal von 2025/26, in dem CEO Sebastian Siemiatkowski einräumte, eine „Empathie-Lücke" der KI unterschätzt zu haben und die OpenAI-Bot-ersetzten 700 Servicestellen teils zurückzuholen, gilt inzwischen als kanonisches Warnbeispiel für übereiltes Agent-Outsourcing.

Cloudflare unterscheidet sich strukturell von DeepL: Hier geht es nicht um einen verlierenden Spezialisten, sondern um einen profitablen Plattform-Anbieter, dessen Margen-Hebel KI-Effizienz heißt. Cloudflare nutzt fast ausschließlich seine eigene Plattform: Cloudflare Access für Zero-Trust-Auth, AI Gateway für Routing und Cost-/Retention-Policies, Workers AI für Inferenz. Auf Workers AI läuft seit März 2026 unter anderem Kimi K2.5 (256k Context, Tool-Calling). Stand Q1: 3.683 interne AI-Coding-Nutzer, 47,95 Millionen AI-Requests pro Monat, das AI Gateway routet 241,37 Milliarden Tokens pro Monat. Ein internes Portal aggregiert 13 produktive MCP-Server mit 182+ Tools.

Die Tech-Community ist gespalten. Auf Hacker News dominiert Skepsis: Mehrere Kommentare deuten den Schritt als „economic downturn disguised as velocity" — also als verkappte Rezessions-Korrektur, die mit dem AI-Narrativ kommunikativer ist. Investoren auf X verglichen das Muster mit Meta, Microsoft und Amazon (Rekord-Umsätze plus Massenentlassungen) und stellen in Frage, ob der 24-Prozent-Kursrutsch wirklich nur an der Q2-Guidance liegt. Für SaaS-Entscheider lohnt der genaue Blick: Wer den Cloudflare-AI-Stack als Vorlage nimmt (eigene Modelle plus Frontier-Modelle hinter einem Gateway, MCP-Server für interne Tools, AI-Coding für alle Engineers), kann signifikante Effizienzgewinne realisieren — bevor man die Personalplanung anpasst, lohnt aber der Blick auf die Klarna-Lehre.

SAP-CTO Philipp Herzig formuliert die strategische Überzeugung in einem Satz: „Frühzeitig hat SAP erkannt, dass die größte ungenutzte Chance in der Enterprise-KI nicht bei Large Language Models liegt — sondern in KI, die für die strukturierten Daten gebaut ist, mit denen Unternehmen weltweit arbeiten." Mit dieser Begründung übernimmt der Konzern Prior Labs aus Freiburg. Der genaue Kaufpreis wurde offiziell nicht genannt; TechCrunch-Quellen berichten von einem mittleren dreistelligen Millionenbetrag in bar plus über eine Milliarde Euro Investitionszusage über vier Jahre, Gesamtvolumen zirka 1,16 Milliarden Dollar. Closing wird für das zweite oder dritte Quartal 2026 erwartet, vorbehaltlich kartellrechtlicher Freigaben.

Prior Labs wurde 2024 in Freiburg von Frank Hutter (CEO), Noah Hollmann und Sauraj Gambhir gegründet. Hutter ist Hector-Endowed Fellow am ELLIS Institute Tübingen, W3-Professor für Machine Learning an der Universität Freiburg, Mitautor des ersten AutoML-Buchs und mit über 89.000 Zitationen einer der einflussreichsten europäischen ML-Forscher. Das Lab beschäftigt rund 30 Menschen, mit Büros in Berlin und New York. Researcher kommen unter anderem von Google, Apple, Microsoft, Amazon, G-Research, Jane Street, Goldman Sachs und CERN. Das Scientific Advisory Board ist mit Yann LeCun und Bernhard Schölkopf prominent besetzt.

Vor der SAP-Akquisition gab es eine einzige Pre-Seed-Runde im Februar 2025 über 9 Millionen Euro (~9,3 Millionen US-Dollar), geführt von Balderton Capital mit XTX Ventures, der Hector Foundation (gegründet von SAP-Mitgründer Hans-Werner Hector — eine pikante Linie, die sich nun schließt), Atlantic Labs und Galion.exe. Angel-Investoren waren unter anderem Thomas Wolf (Hugging Face), Robin Rombach (Black Forest Labs) und Peter Sarlin (Silo AI). Vom Pre-Seed zum Milliarden-Exit vergingen knapp 15 Monate — ein Tempo, das in Europa kaum Vergleich hat.

Im Zentrum steht das Modell TabPFN — Tabular Prior-Data Fitted Network. Es ist ein Transformer, der auf rund 130 Millionen synthetischen Datasets vortrainiert wurde und dann ohne erneutes Training per In-Context Learning Vorhersagen liefert. Der Originalbenchmark zeigte: TabPFN schlug in 2,8 Sekunden ein vier Stunden lang trainiertes AutoML-Ensemble. Im Januar 2025 wurde TabPFN v2 in Nature publiziert; im November 2025 folgte TabPFN-2.5 (50.000 Zeilen, 2.000 Features). Anfang Dezember 2025 demonstrierte Prior Labs eine Skalierung auf bis zu 10 Millionen Zeilen — ein 1.000-facher Sprung in einem Jahr. Auf TabArena, dem Living Benchmark für tabellarisches Machine Learning, liegt RealTabPFN-2.5 derzeit an der Spitze. Für SAP-Kunden bedeutet das: Predictive Maintenance, Demand-Forecasting, Cash-Flow-Prognose und Cross-Selling-Scoring lassen sich künftig in Joule-Konversationen direkt auf SAP-Datasphere-Tabellen ausführen — ohne Export auf separate ML-Plattformen.

Die Einordnung in SAPs eigene Geschichte ist bemerkenswert. 2023 hatte SAP gemeinsam mit der Schwarz-Gruppe, Bosch Ventures und HPE über 500 Millionen Dollar in das Heidelberger Startup Aleph Alpha investiert, eingebettet in eine 1-Milliarde-Dollar-Sapphire-Ventures-KI-Initiative mit Beteiligungen auch an Anthropic und Cohere. Aleph Alpha pivotierte später weg vom Foundation-Model-Geschäft; Reste des LLM-Erbes wurden 2025 an Cohere abgegeben. Mit Prior Labs übernimmt SAP nun erstmals selbst ein deutsches Frontier-Lab vollständig — und verankert es per Vertrag in Deutschland. Sitz Freiburg bleibt, Marke bleibt, Open-Source-Commitment bleibt. Der Konzern fängt damit das auf, was bei Aleph Alpha schiefgegangen ist: nicht Investor zu sein, sondern strategischer Eigentümer mit klarer Produkt-Roadmap.

Für die deutsche und europäische KI-Souveränitätsdebatte ist das Signal stark — und gegenläufig zum schleichenden Aleph-Alpha-Abgang. Parallel hat SAP den US-Daten-Lakehouse-Spezialisten Dremio übernommen; damit schließt der Konzern den Stack von Rohdaten bis zur tabellarischen Inferenz in einem Doppelschlag. Wer wissen will, was Tabular Foundation Models technisch sind, warum sie XGBoost in vielen Use Cases überholen und welche Pilotprojekte CEOs jetzt evaluieren sollten, findet in unserer heutigen Reportage die ausführliche Einordnung.

Der IWF-Blog vom 7. Mai 2026 trägt den Titel „Financial Stability Risks Mount as Artificial Intelligence Fuels Cyberattacks". Autoren sind Tobias Adrian, Tamas Gaidosch und Rangachary Ravikumar. Der Beitrag schließt an die Analysen aus dem Global Financial Stability Report (GFSR) der Spring Meetings 2026 an, die schon Mitte April im IWF-Pressebriefing thematisiert worden waren — er ist die deutlichste Eskalation der Tonlage seit Beginn des Projekt-Glasswing-Programms.

Wir hatten in unserer Ausgabe vom 8. Mai die operative Innenansicht des Mythos-Programms in Firefox dargestellt: 271 Schwachstellen in drei Wochen, False-Positive-Rate unter 5 Prozent. Der IWF zieht jetzt die makrofinanzielle Konsequenz. Adrian und Co-Autoren schreiben, fortgeschrittene KI-Modelle könnten „Zeit und Kosten für das Auffinden und Ausnutzen von Schwachstellen drastisch reduzieren" — und zwar in weit verbreiteten Systemen, was eine systemische Übertragung praktisch eingebaut hat. Die Asymmetrie zwischen Angreifer und Verteidiger werde maschinengeschwindigkeitsbedingt zunehmen, klassisches Patching komme nicht hinterher. Schwellenländer seien besonders verwundbar.

Das Schadensszenario, das der IWF zeichnet, hat eine klare Form: Eine einzelne ausgenutzte Schwachstelle könne mehrere global systemrelevante Banken (G-SIBs) simultan treffen, „funding strains, Solvenzprobleme und Marktverwerfungen" auslösen, mit Vertrauensverlust, Zahlungsausfällen, Liquiditätsengpässen und Fire-Sale-Dynamiken. Der IWF verweist auf das eigene Working Paper WP/2025/085 „Using Simulations for Cyber Stress Testing Exercises" — die durchgespielten Szenarien umfassen explizit Angriffe auf Großbankenknoten, kritische Service-Provider, Large-Value-Payment-Systems (LVPS) und FX-Settlement-Systeme. Ein Szenario beschreibt einen 10-Stunden-Ausfall eines zentralbank-betriebenen LVPS — also ein SWIFT-/RTGS-naher Bedrohungspfad.

Bemerkenswert ist die institutionelle Choreografie. IWF-Chefin Kristalina Georgieva sagte im CBS-Interview Face the Nation: „We are very keen to see more attention to the guardrails that are necessary to protect financial stability in the world of AI." BoE-Gouverneur und FSB-Chair Andrew Bailey hatte bereits Mitte April in Columbia formuliert: „Anthropic may have found a way to crack the whole cyber risk world open" — eine „very serious challenge for all of us". Laut heise und Bloomberg trafen sich Fed-Chair Jerome Powell und Treasury Secretary Scott Bessent zu einem Notfall-Meeting mit Wall-Street-Spitzen; EZB und BaFin haben europäische und deutsche Institute parallel gewarnt. Project-Glasswing-Teilnehmer JPMorgan Chase wird namentlich benannt.

Anthropic positioniert sich kooperativ. CEO Dario Amodei sprach am 5. Mai gemeinsam mit JPMorgan-CEO Jamie Dimon auf einer JPM-Konferenz von einem „moment of danger" mit „6- bis 12-Monats-Fenster", um die zehntausenden gefundenen Schwachstellen zu schließen. Mythos werde nur via Project Glasswing an verifizierte Partner ausgegeben (Apple, Google, Microsoft, Nvidia, JPMorgan, Mozilla); gegenüber dem Weißen Haus erfolgte bereits ein Briefing. Die EU-Eurogroup fordert mittlerweile selbst Zugang, da kein EU-Institut das Modell prüfen kann.

Was bedeutet das für SaaS-Unternehmen, die Finanz-Workflows abbilden? Erstens: Die operationelle Resilienzpflicht aus DORA bekommt eine neue Schärfentiefe — Cyber-Stresstests, die nicht KI-gestützte Angriffsmodelle simulieren, gelten ab jetzt als unvollständig. Zweitens: Wer als kritischer ICT-Drittanbieter eingestuft wird, sollte aktiv auf Mythos-/GPT-5.5-Cyber-Equivalenz-Audits vorbereiten. Drittens: Public-Private-Partnerships mit Frontier-Labs werden in den nächsten 12 Monaten zum Bottleneck — die EU-Diskussion um einen geregelten Mythos-Zugang wird sich beschleunigen, sobald ein erster sichtbarer Vorfall in einer europäischen Bank publik wird. Adrians Maxime: „Defences will inevitably be breached, so resilience must also be a priority."

Atlassian Team '26 lief vom 5. bis 7. Mai im Anaheim Convention Center. Mike Cannon-Brookes' Founders Keynote am 6. Mai stellte das Leitmotiv: Intelligenz sei 2026 zur Commodity geworden — „you can literally buy smarts by the token". Differenzierung komme aus Kontext. Genau dafür baut Atlassian den Teamwork Graph aus, beschrieben als „lebende gemeinsame Kontextschicht, die Menschen, Projekte, Dokumente und Entscheidungen über Atlassian- und Drittanbieter-Tools verbindet". Der Graph umfasst inzwischen über 150 Milliarden Verknüpfungen.

Die wichtigsten Produktbausteine: Agents in Jira sind General Availability — KI-Agenten lassen sich wie menschliche Kollegen Tickets zuweisen, in Kommentaren weiteriterieren und in Workflows einbetten. Audit-Logging ist eingebaut. Rovo Studio (GA) bietet einen No-Code-Builder für Agenten, Automatisierungen und Apps — mit eingebauten Rollen, Approvals, Versionierung und Audit-Controls. Max Mode (Early Access) ist ein neuer Reasoning-Modus in Rovo Chat, der komplexe Aufgaben in mehrstufige Pläne zerlegt, ausführt und Nutzer zur Review zurückholt. Code Intelligence beantwortet intent-basierte Fragen über Multi-Repo-Umgebungen, kombiniert mit Jira- und Confluence-Kontext. Third-Party Agents in Confluence (Open Beta) ermöglichen per @mention die Einbindung von Lovable, Replit, Databricks und Gamma in Seiten.

Strategisch entscheidend ist die Öffnung des Teamwork Graph nach außen. Mit dem Teamwork Graph CLI (über 300 graph-aware Commands) und dem Teamwork Graph MCP-Server (rund 380 Tools) wird der Graph zum offenen Kontext-Layer für externe Agenten — primär gedacht für Claude Code, Cursor, Codex und ChatGPT. Atlassian gewährt damit Anthropics Claude Code Zugriff auf den eigenen Graph — ein Bruch mit dem klassischen Walled-Garden-Modell, in dem Plattformen ihre Daten gegen externe LLMs abschotten. Heise beschreibt zwei konkrete Agent-Szenarien aus der Keynote: Ein Agent identifiziert Incidents, die mit einem bestimmten Deployment zusammenhängen, und benennt die Verantwortlichen; ein anderer kompiliert Quartalsberichts-Daten aus verschiedenen Quellen und markiert fehlende Informationen.

Atlassian fährt eine ausgesprochene Multi-Model-Strategie über sein „AI Gateway" (Model Garden). In Rovo Dev verfügbar sind Claude Opus 4.5, Claude Haiku 4.5, GPT-5.2 und GPT-5.2-Codex. Atlassian bezieht Modelle laut eigener Aussage „von OpenAI, Anthropic, Google, Meta und anderen". Rovo Deep Research nutzt explizit die Reasoning-Fähigkeiten der Claude-4-Modelle. Über den eigenen MCP-Server werden auch ChatGPT, Claude Desktop/Code und Google Gemini CLI als Front-Ends unterstützt. Die Adoption-Zahlen, die Atlassian nennt: 90 Prozent Enterprise-Cloud-Adoption, 75 Prozent der Fortune 500 nutzen Rovo. Referenzkunden: Mercedes-Benz, Docusign, Teach For All, Lendi Group. Rovo ist in Standard, Premium und Enterprise ohne Aufpreis enthalten — mit Verbrauchskontingenten.

Im Wettbewerbskontext positioniert Atlassian sich direkt gegen ServiceNow Now Assist und das am 5. Mai 2026 vorgestellte ServiceNow Otto. The Register schrieb von „ServiceNow under siege" durch Atlassians ITSM-Vorstoß. Gegen Monday.com AI und Notion AI spielt Atlassian die tiefere Workflow-Integration aus, gegen ClickUp Brain den Enterprise-Footprint. Diginomica brachte den Punkt auf den Begriff: Atlassian verkaufe „nicht ein leeres Blatt, sondern ein Nervensystem" — also Kontinuität statt Rip-and-Replace. Für PMs und Tech Leads ist die Botschaft praktisch: Wer Jira/Confluence schon hat, bekommt mit dem Teamwork Graph eine Kontext-Schicht, die externe Agenten direkt anzapfen können — ohne separate Vector-DB, ohne Custom-RAG-Pipeline.

Mitgründer und CEO Nathan Sobo schreibt im 1.0-Blogpost von Zed Industries einen Satz, der das Selbstverständnis des Teams zeigt: 1.0 bedeute weder „fertig" noch „perfekt", sondern den „Tipping Point, an dem sich die meisten Entwickler in Zed schnell zu Hause fühlen". Konkret bündelt das Release fünf Jahre Entwicklung (über eine Million Zeilen Code) in ein Paket mit nativem Git-Integration, SSH-Remoting, einem produktionsreifen Debugger, Rainbow Brackets, sessionübergreifend persistenten Bookmarks, einer neuen `git: view commit`-Aktion und GIF-Support in der Markdown-Vorschau. Außerdem bringt 1.0 Support für die jüngsten Modelle wie DeepSeek-V4-Pro/Flash mit.

Architektonisch ist Zed konsequent ungewöhnlich. Der gesamte Editor ist in Rust geschrieben, das hauseigene UI-Framework GPUI rendert nicht via DOM oder Electron, sondern steuert Shader direkt an — Metal auf macOS, Vulkan auf Linux, DirectX 11/12 auf Windows. Ziel sind konstante 120 FPS. Multi-User-Collab läuft seit Jahren über CRDTs und ist Kernfeature. Performance-Messungen von tech-insider.org zeigen Startup 0,6 Sekunden bei Zed gegenüber 1,3 Sekunden bei VS Code, RAM-Verbrauch 222 MB (5 Prozesse) gegenüber 3,5 GB (23 Prozesse). Bei einem 10.000-File-Monorepo öffnet Zed in 0,25 Sekunden, VS Code in 3,8 Sekunden. Lizenziert ist der Editor unter GPL, der Server unter AGPL, GPUI unter Apache 2 — alles Open Source seit Januar 2024. Native Builds gibt es für macOS Apple Silicon, Linux und Windows inklusive Windows 11 on ARM.

Die AI-Strategie ist die eigentliche Pointe. Zed setzt auf das eigene Agent Client Protocol (ACP), über das Claude Agent (Standard für agentische Arbeit mit Sonnet 4.5), Codex, OpenCode und Cursor-Agents parallel im selben Agent Panel laufen — als gleichberechtigte Citizens, nicht als proprietär eingebackene Plugins. Edit Predictions liefert das hauseigene Open-Source-Modell Zeta2 (Fine-Tune von ByteDances Seed-Coder-8B, rund 30 Prozent besser als Zeta1, p50-Latenz unter 200 ms). Free-Plan: 2.000 Predictions pro Monat. Vision-Input wird für Claude 3+, GPT-4o+, Gemini 1.5/2.0 unterstützt.

Hinter dem Projekt stehen die Atom-Veteranen aus GitHub-Zeiten: Nathan Sobo (zuvor neun Jahre GitHub, leitete Atom bis 2018), Antonio Scandurra und Max Brunsfeld. Series A 2023: 10 Millionen Dollar von Redpoint Ventures, Angels unter anderem Tom Preston-Werner (GitHub-Mitgründer) und Dylan Field (Figma). Series B 2025: 32 Millionen Dollar von Sequoia Capital. Gesamtfinanzierung 42 Millionen Dollar. Das Geschäftsmodell ist drei-stufig: Personal kostenlos ohne AI; Pro für 10 Dollar pro Monat mit 5 Dollar Modell-Credits inklusive und token-basierter Abrechnung mit 10 Prozent Markup; Business für 30 Dollar pro Seat und Monat mit Admin-Controls, BYO-API-Keys möglich. „Zed for Business" wurde parallel zum 1.0-Launch gestartet.

In der Community ist die Reaktion fast einhellig. Zed 1.0 stand am 30. April auf Platz 1 der Hacker-News-Frontpage. Die Bewertungen reichen von „fastest editor I've ever used" bis „everything Sublime should have been". Kritik gibt es an der Extension-Tiefe (rund 1.000 Extensions versus 100.000+ bei VS Code) und an Remote-Workflows (Docker, WSL). Im Vergleich zu Cursor (Anysphere) bleibt Zed nach Ansicht von DevToolReviews/Promptzone schwächer bei Multi-File-AI-Edits und Codebase-Indexierung; Windsurf (jetzt unter Cognition AI mit Devin-Integration) führt bei Autonomie. Zed gewinnt klar bei Geschwindigkeit, Native-Performance und Preis. Die Roadmap nach 1.0 enthält wöchentliche Releases und das strategische Großprojekt DeltaDB — eine CRDT-basierte, operationsbasierte Versionskontrolle als Git-Komplement, die Echtzeit-Kollaboration zwischen Menschen und Agenten ermöglichen soll. Wer mit Claude Code oder Codex bereits in Workflow-Tiefe arbeitet und einen schnelleren, native rendernden Editor sucht, sollte Zed jetzt evaluieren — die Kombination aus ACP, Zeta2 und CRDT-Collab ist für 2026 einzigartig im Markt.

Bernt Børnich, CEO und Gründer von 1X Technologies, hat den Produktionsstart in Hayward zelebriert: 5.400 Quadratmeter, über 200 Mitarbeiter, vertikal integriert von der Komponentenfertigung bis zur Endmontage. Ziel ist die Auslieferung von zunächst 10.000 Einheiten pro Jahr — rund 830 pro Monat — und bis Ende 2027 über 100.000 Einheiten pro Jahr durch zunehmende Automatisierung. Eine zweite Fabrik in San Carlos, Kalifornien soll 2026 dazukommen.

Die technischen Eckdaten: 1,65 Meter, etwa 30 Kilogramm Eigengewicht, maximal 70 Kilogramm Hubkraft, 25 Kilogramm Tragelast, 1,4 m/s Gehgeschwindigkeit. Akku 842 Wh, rund vier Stunden aktiver Betrieb mit 24-minütiger Schnellladung; autonomes Andocken an die Ladestation. Hände mit je 22 Freiheitsgraden, Gesamt-DoF 75. Geräuschpegel rund 22 dB, also Kühlschrank-Niveau. Tasks: Wäsche falten, Geschirrspüler beladen, Aufräumen, Holen und Bringen, Tür öffnen. Kochen und komplexe Manipulation sind noch nicht autonom.

Der KI-Stack ist ebenfalls eigenständig. Auf einem eingebetteten GPU (NEO Cortex) läuft Redwood AI, ein Vision-Language-Transformer mit 160 Millionen Parametern, der vortrainierte Sprach-Embeddings, Vision-Tokens aus zwei 8,85-MP-Stereo-Fisheye-Kameras (90 Hz) und Propriozeption (Gelenkpositionen und -kräfte) fusioniert. Sensorik: Beamforming-Mikrofone, IMUs, taktile Sensoren in Soft-Skin und Handschuhen.

Das eigentlich prägende Feature ist aber das, was 1X „Human-in-the-Loop" nennt. Komplexe Tätigkeiten, die das autonome Modell nicht zuverlässig schafft, werden von Teleoperatoren in der 1X-Zentrale remote ausgeführt. Børnich beschreibt das als „social contract" — Nutzer akzeptieren, dass ihre Wohnungen für die Lernphase teilweise von menschlichen Operatoren gesehen und gesteuert werden. Kontrollen: Räume und Zeiten als „off-limits" definierbar, Audio-Masking, Visual-Blurring, Background-Check und NDA für die Operatoren. Trotzdem: Tom's Guide und Medium kritisieren die Privatsphäre-Implikationen scharf — „ein 20.000-Dollar-Roboter, der einen menschlichen Babysitter braucht". Engadget und TechCrunch werten die Teleoperation nüchterner: Jeder Remote-Eingriff wird als Trainingsdaten für Redwood verwendet — was Børnich als Bugfix-Schleife für die nächste Modellgeneration positioniert.

Wettbewerblich liegen mehrere Spieler im Rennen. Figure 03 wurde im Oktober 2025 vorgestellt und peilt ähnliche Heim-Use-Cases an. Tesla Optimus zielt auf 20.000–30.000 Dollar, ist aber noch in begrenzter Produktion. Apptronik Apollo hat im Februar 2026 eine 520-Millionen-Dollar-Runde bei 5 Milliarden Dollar Bewertung abgeschlossen, fokussiert aber auf Industrie und die Mercedes-Benz-Partnerschaft. Boston Dynamics Atlas zielt auf Industrie. Unitree H1 und G1 kommen aus China, ab 13.500 Dollar. 1X verhandelt aktuell eine Runde über 1 Milliarde Dollar bei mindestens 10 Milliarden Dollar Bewertung — über zwölfmal Vorjahresbewertung. Die letzte abgeschlossene Runde war eine 100-Millionen-Dollar-Series-B im Januar 2024 mit Beteiligung des OpenAI Startup Fund, Tiger Global und Samsung NEXT.

Für die Einordnung 2026 ist die Lehre eine andere als bei Sprachmodellen. Hardware ist lieferfähig, autonome Performance liegt aber noch deutlich unter Demo-Niveau. Die wirtschaftliche Logik der ersten Generation Heim-Humanoiden funktioniert nur mit menschlicher Schatten-Belegschaft im Hintergrund — und genau das ist der Teil, der reguliert werden wird, sobald ein erster Vorfall publik wird. Wer Pilotprojekte im Bereich Heim-/Pflege-Robotik plant, sollte die Frage „Wer sieht meine Wohnung?" als Top-Item ins Produkt-Briefing nehmen.