Ausgabe vom 30. Mai 2026

Am 27. Mai startete Robinhood "Agentic Trading" in der Beta — verfügbar für die rund 27 Millionen finanzierten Kunden des Brokers. Nutzer können damit Drittanbieter-KI-Agenten direkt an ihr Robinhood-Konto anbinden; die Agenten analysieren das Portfolio (Klumpenrisiken, Sektor-Exposure, Analystennotizen) und können eigenständig Aktien handeln. Die technische Anbindung läuft über Robinhoods Model-Context-Protocol-Server (MCP) — explizit unterstützt werden Standard-Consumer-Agenten wie Claude (Anthropic) und ChatGPT (OpenAI). Es gibt also keinen proprietären Robinhood-Bot; der Nutzer bringt seinen eigenen Agenten mit.

Der Kern des Sicherheitskonzepts ist ein dediziertes, abgeschottetes Agenten-Konto, getrennt vom Hauptportfolio. Der Nutzer muss Geld gezielt auf dieses Konto einzahlen; der Agent kann ausschließlich auf das vorab geladene Guthaben zugreifen — im schlimmsten Fall ist also nur der eingezahlte Betrag verloren, nicht das gesamte Depot. Hinzu kommen Benachrichtigungen über jeden Trade, bei bestimmten Orders eine Vorschau mit manueller Freigabe (auf Wunsch verpflichtend), ein Echtzeit-Activity-Feed, Gewinn-/Verlust-Tracking und eine Ein-Klick-Trennung des Agenten. Ein Robinhood-Team prüft verdächtige Trades. Das Unternehmen weist ausdrücklich darauf hin, dass Agenten "Anweisungen falsch lesen, auf unvollständigen Daten handeln oder den gesamten eingezahlten Betrag verlieren" können. Vorerst ist nur Aktienhandel möglich; Optionen, Krypto, Event Contracts, Futures und Prediction Markets sollen folgen.

Parallel führt Robinhood eine virtuelle Kreditkarte für KI-Agenten ein (zunächst für Gold-Card-Inhaber, ausgegeben über die Coastal Community Bank, abgewickelt über das Visa-Netz, mit 3 Prozent Cashback). Agenten sollen damit Preise vergleichen, Verfügbarkeiten überwachen und automatisch einkaufen — teils ohne Einzel-Freigabe pro Transaktion, wobei Nutzer Monatslimits und Genehmigungspflichten setzen können. Damit verbindet Robinhood agentisches Investieren mit agentischem Einkaufen und reiht sich in den breiten Trend ein, den wir in unserer Reportage zum Standardkrieg um Agentic Commerce vom 29. Mai analysiert haben — von Visa Intelligent Commerce über Mastercard Agent Pay bis zu OpenAIs eigenem Personal-Finance-Tool.

CEO Vlad Tenev rahmt den Schritt als Demokratisierung: Hedgefonds-artige Automatisierung solle nicht nur Institutionen mit Eigen-Systemen offenstehen, sondern jedem Privatanleger. American Banker bezeichnet den Vorstoß als "Weckruf für Banken" — Robinhood drohe, traditionelle Institute weiter aus der Kundenbeziehung zu verdrängen. Robinhood ist einer der ersten großen Retail-Broker, der seine Plattform für autonome Drittanbieter-Agenten öffnet, und die erste große Retail-Marke mit agentischem Kreditkarten-Shopping.

Die offenen Fragen sind erheblich. Sicherheitsexperten warnen, hier werde ein Präzedenzfall geschaffen, "zu viel Vertrauen in Systeme zu setzen, die im Namen des Nutzers handeln, bevor Kontrollen und Rechenschaft ausgereift sind". Wer haftet bei einer fehlerhaften oder betrügerischen Transaktion? FTC und CFPB haben bereits klargestellt, dass bestehende Verbraucherschutzgesetze auch für KI-Finanzprodukte gelten. Relevant ist auch Robinhoods Vorgeschichte: Im Januar 2025 zahlte das Unternehmen 45 Millionen Dollar SEC-Strafe wegen Mängeln bei Recordkeeping, Trade-Reporting und Cybersecurity. Eine konkrete laufende SEC-Maßnahme speziell zum Agentic Trading ist bislang nicht belegt — die regulatorischen Bedenken sind vorausschauend, nicht aktuell-aufsichtsrechtlich.

Laut übereinstimmenden Berichten von Axios (28. Mai) und TechCrunch (29. Mai) sammelt Groq bis zu 650 Millionen Dollar ein — bemerkenswerterweise von bestehenden Investoren, nicht von einem neuen Lead aus dem Venture-Markt. Die Investoren Disruptive und Infinitum haben zugesagt, die Runde aufzufüllen, falls andere Altinvestoren ihre Anteile nicht zeichnen. Die Bewertung der neuen Runde wurde in keiner Quelle genannt. Das Geld soll den Pivot zu einer "AI-Inference-Neocloud" finanzieren — also dem Hosting inferenz-hungriger Anwendungen für Entwickler und Unternehmen, weg vom eigenen Chip-Geschäft. (Der Betrag ist als "reportedly" zu lesen — eine offizielle Bestätigung von Groq lag bei Redaktionsschluss nicht vor.)

Um die Dramatik des Schritts zu verstehen, muss man auf Dezember 2025 zurückblicken. Damals schloss Nvidia einen ungewöhnlichen Deal: eine nicht-exklusive Lizenzvereinbarung über rund 20 Milliarden Dollar für Groqs Inferenz-Technologie — ausdrücklich keine klassische Übernahme. Ein großer Teil des Führungsteams wechselte zu Nvidia, darunter Groq-Gründer und CEO Jonathan Ross. Die 20 Milliarden entsprachen dem 2,9-Fachen von Groqs damaliger Bewertung von 6,9 Milliarden Dollar (Stand September 2025). Genau diese Struktur — Lizenz plus Abwerbung der Führung bei nomineller Unabhängigkeit Groqs — rief Antitrust-Bedenken hervor: Die Senatorinnen und Senatoren Elizabeth Warren und Richard Blumenthal schrieben am 20. März 2026 an Nvidia-CEO Jensen Huang und warfen die Frage auf, ob die Konstruktion gezielt die kartellrechtliche Fusionsanmeldung umgehe. (Eine zusätzlich kursierende Beteiligung von Senator Wyden ließ sich nicht belegen.)

Groqs technische Signatur ist die LPU (Language Processing Unit) — ein für Inferenz statt Training gebauter Chip. Statt auf externem HBM-Speicher setzt die LPU auf hunderte Megabyte schnellen On-Chip-SRAM, was die Latenz drastisch senkt; ein eigener Compiler ermöglicht deterministische, vorhersehbare Ausführung, und die Chips sind luftgekühlt. Genau diese Geschwindigkeits- und Energieeffizienz-Vorteile machten Groq für Nvidia interessant und für Regulierer brisant. Die Cloud-Plattform GroqCloud (gestartet März 2024) wurde nach Unternehmensangaben von über 800.000 Entwicklern adoptiert; ein Großkunde war Saudi-Arabien, wo Groq in Dammam ein Inferenz-Rechenzentrum mit 19.000 LPUs aufbaute, unterlegt mit einer 1,5-Milliarden-Dollar-Zusage.

Der Pivot ist strategisch bemerkenswert: Groq gibt faktisch die eigene Chip-Entwicklung auf — die Technologie liegt nun lizenziert bei Nvidia — und wird zum Neocloud-Betreiber, der Inferenz-Kapazität als Dienst verkauft, womöglich künftig sogar auf fremder Hardware. Die neue Interim-Führung (CEO Adam Winter, CFO Matt Eng) steht für diesen Neustart. Das Wettbewerbsumfeld verschiebt sich dadurch spürbar, wie wir es in unserer Reportage zum stillen Aufstand gegen Nvidia vom 28. Mai beschrieben haben: Cerebras (8,1 Milliarden Dollar Bewertung, möglicher Q2-IPO) und SambaNova (Berichten zufolge vor einer Intel-Übernahme) gelten als Profiteure, weil Nvidia mit Groq den schärfsten unabhängigen Inferenz-Rivalen vom Markt nahm.

Für Unternehmen bedeutet das zweierlei: Der bisher schnellste und günstigste unabhängige Inferenz-Anbieter bleibt als Service bestehen — aber die Hardware-Differenzierung verwässert, und die Konsolidierung der Inferenz-Landschaft um Nvidia herum schreitet voran. Wer seine Inferenz-Strategie auf Anbieter-Vielfalt baut, sollte die Bewegungen bei Cerebras, SambaNova und den Hyperscaler-eigenen ASICs genau verfolgen.

Mistral AI hat seinen Chatbot "Le Chat" in "Vibe" umbenannt. Bestehende Konversationen, Einstellungen und Abo-Pläne werden übernommen. Es ist weniger ein Relaunch als ein Merger: "Vibe" war zuvor bereits der Name von Mistrals eigenständigem, kostenpflichtigem Coding-Tool — Chat-Assistent und Coding-Agent verschmelzen nun unter einer Marke. Der Name signalisiert die strategische Neupositionierung weg vom reinen Chatbot hin zum, wie Mistral es nennt, "full-blown work agent". (Eine offizielle Marken-Begründung über diese Herleitung hinaus wurde nicht genannt.)

Funktional bündelt Vibe zwei Modi. Der Work Mode ist ein Agent für langlaufende Aufgaben: angebunden an Google Workspace, Outlook, SharePoint, Slack und GitHub, scannt er Postfächer, zieht Zahlen aus Tabellen, baut Reports und legt sie in Notion oder SharePoint ab — über 100 Tools via Connectors und volle Kompatibilität zum Model Context Protocol (MCP). Der Code Mode betreibt Remote-Coding-Agenten in isolierten Cloud-Sandboxes, die Features bauen, Bugs fixen, Tests schreiben und Pull Requests öffnen; sie laufen parallel und überdauern das Schließen des Laptops. Dazu kommen eine VS-Code-Extension und ein CLI mit einem /teleport-Befehl, der Sessions zwischen Terminal und Cloud verschiebt. Standardmodell ist das neue Mistral Medium 3.5 (laut Anbieter 77,6 Prozent auf SWE-Bench Verified). Weitere im vergangenen Jahr eingeführte Funktionen — Deep Research, Voice Mode, Bildbearbeitung und -generierung, eine Memory-Funktion — laufen jetzt ebenfalls unter Vibe. (Eine Video-Funktion ist, anders als teils berichtet, nicht eindeutig belegt — bestätigt ist nur Bild.)

Die Umbenennung ist Teil eines breiteren Full-Stack-Schwenks. Mistral ist Frankreichs KI-Aushängeschild und gilt als Europas führender Herausforderer von OpenAI und Anthropic. Im September 2025 sammelte das Unternehmen rund 2 Milliarden Euro bei einer Bewertung von etwa 12 Milliarden Euro ein, beschäftigt inzwischen rund 1.000 Mitarbeitende und peilt für 2026 etwa 1 Milliarde Euro Umsatz an. Parallel zur Vibe-Ankündigung meldete Mistral den Einstieg in industrielle Engineering-Anwendungen mit Airbus und BMW sowie ein neues Inferenz-Rechenzentrum nahe Paris — ein klares Bekenntnis zu souveräner europäischer Compute-Kapazität.

Im Enterprise-Geschäft macht Mistral Tempo: Die Partnerschaft mit dem Legal-Tech-Startup Harvey bringt Mistral-Modelle auf eine Plattform mit über 1.500 Organisationen in mehr als 60 Ländern; BNP Paribas, seit 2023 Kunde, betreibt Mistral-Modelle on-premises und hat die LLM-Plattform auf 65.000 Nutzer ausgerollt. Genau hier liegt Mistrals Wette: Wer Datenschutz, On-Premises-Betrieb und EU-Hosting als Verkaufsargument ausspielt, kann sich von den US-Anbietern absetzen. Kritik blieb nicht aus — die Berichterstattung bemängelt unklare Nutzungslimits der drei kostenpflichtigen Tiers (Pro 14,99 Euro, Team 24,99 Euro pro Nutzer, Enterprise auf Anfrage). The Decoder spottete: "six times an unknown number is still a mystery."

Für Entscheider in europäischen Unternehmen ist Vibe vor allem ein Signal: Der agentische Arbeitsplatz wird zum umkämpften Standard, und mit Mistral gibt es dafür eine ernstzunehmende europäische Alternative — inklusive der Möglichkeit, Modelle im eigenen Rechenzentrum zu betreiben. Wer Connector- und MCP-Strategien evaluiert, sollte Vibe in die Vergleichsliste neben Microsofts Copilot und OpenAIs Workspace Agents aufnehmen.

Liquid AI hat LFM2.5-8B-A1B vorgestellt — ein Upgrade des im Oktober 2025 erschienenen LFM2-8B-A1B. Die Kennzahlen: rund 8,3 Milliarden Gesamt-Parameter, von denen pro Token aber nur etwa 1,5 Milliarden aktiv sind (eine Mixture-of-Experts-Architektur, kurz MoE). Vereinfacht gesagt: Das Modell besitzt das Wissen vieler Spezialisten, aktiviert für jede einzelne Anfrage aber nur die zuständigen wenigen — das senkt Rechen- und Speicherbedarf drastisch, ohne die Wissensbreite zu opfern. Trainiert wurde es auf 38 Billionen Tokens, mehr als das Dreifache des Vorgängers (12 Billionen), gefolgt von großskaligem Reinforcement Learning. (Das Label "A1B" ist eine gerundete Klassen-Bezeichnung; die präzisen Werte sind 8,3B/1,5B.)

Architektonisch ist LFM2.5 kein reiner Transformer. Liquid AI kombiniert MoE mit sogenannten "gated short convolution blocks" — eine Faltungsstruktur, die in 18 der 24 Schichten die sonst übliche, rechenintensive Attention ersetzt; nur 6 Schichten nutzen Group-Query-Attention. Dieser "Liquid"-Ansatz geht auf die Forschung von CEO Ramin Hasani am MIT zu "Liquid Neural Networks" zurück: Netze, die bei vergleichbarer Leistung deutlich weniger Rechen- und Speicherbedarf haben sollen als klassische Transformer. Das Kontextfenster wurde auf 128.000 Tokens vervierfacht, das Vokabular auf 128.000 verdoppelt — was nicht-lateinische Schriften besser unterstützt.

Der eigentliche Clou ist die On-Device-Tauglichkeit. LFM2.5 erreicht laut Liquid AI rund 253 Tokens pro Sekunde auf einem M5 Max bei unter 6 Gigabyte Speicher und rund 30 Tokens pro Sekunde auf Smartphones — verfügbar über llama.cpp, MLX, vLLM, SGLang und ONNX. Bei den Benchmarks legt das Modell gegenüber dem Vorgänger deutlich zu: IFEval steigt von 79,4 auf 91,8 (laut MarkTechPost auf Augenhöhe mit dem viel größeren Gemma-4-26B-A4B trotz weit weniger aktiver Parameter), MATH500 von 74,8 auf 88,8. Die Gewichte sind frei herunterladbar (Open Weights). (Zur exakten Lizenzbezeichnung gibt es widersprüchliche Angaben — wer es kommerziell einsetzt, sollte die Lizenz auf der Hugging-Face-Modellkarte prüfen.)

Liquid AI ist ein Spin-off aus dem MIT (Mitgründerin ist die Robotik-Pionierin Daniela Rus) und schloss im Dezember 2024 eine 250-Millionen-Dollar-Series-A bei rund 2,35 Milliarden Dollar Bewertung ab — angeführt von AMD Ventures. Dieses Investment ist strategisch: Es verknüpft Liquids effiziente Modelle mit AMDs Hardware-Ambitionen im Edge-Bereich und damit mit einer Alternative zur Nvidia-Dominanz.

Für Unternehmen ist der praktische Wert klar umrissen: Ein Modell, das offline auf Consumer-Hardware läuft, adressiert Datenschutz (keine Cloud-API, keine Datenabflüsse), Latenz und Kosten zugleich. Wer KI lokal und privat betreiben will — auf Laptops, Smartphones, in Robotern oder auf schlanken Servern —, bekommt mit LFM2.5 einen ernstzunehmenden Konkurrenten zu den Small-Language-Modellen von Qwen und Gemma. Die Botschaft des Jahres 2026 lautet zunehmend: Nicht jedes Problem braucht ein Billionen-Parameter-Modell in der Cloud.

Amazon hat ein internes Leaderboard namens "KiroRank" abgeschaltet, das die Nutzung des hauseigenen KI-Entwickler-Tools Kiro trackte und Mitarbeiter nach KI-Aktivität rankte. Der Grund, über den die Financial Times zuerst berichtete: Mitarbeiter betrieben "Tokenmaxxing" — sie ließen KI-Agenten unnötige Aufgaben ausführen und wiederholten niedrigwertige Anfragen, nur um im Ranking aufzusteigen. Das trieb die Rechenkosten in die Höhe. Dave Treadwell, Senior VP of Engineering bei Amazon, sagte den Mitarbeitern wörtlich: "Please don't use AI just for the sake of using AI. Use AI to help you solve customer problems, to help you solve business problems, to innovate." Das Leaderboard sei mit guten Absichten entstanden, die Kosten seien aber zu hoch geworden. (Einen konkreten Dollar-Betrag nannte keine Quelle.)

"Tokenmaxxing" ist 2026 zu einem regelrechten Statusspiel im Silicon Valley geworden: Wer am meisten KI-Tokens verbraucht, gilt als produktiv und zukunftsfähig. Befeuert wurde die Rhetorik maßgeblich von Nvidia-CEO Jensen Huang, der vorschlug, ein "Token-Budget" als Mitarbeiter-Benefit zusätzlich zum Grundgehalt einzuführen, und andeutete, ein gut bezahlter Ingenieur, der nicht ordentlich Tokens verbrauche, mache ihn nachdenklich. Dass ausgerechnet der Hersteller, der an Inferenz-Compute verdient, diese Erwartungshaltung prägte, ist Teil der Pointe.

Amazon ist nicht allein. Der prominenteste Vorläufer war Meta: Ein Mitarbeiter baute dort ein Leaderboard namens "Claudenomics", das die Token-Nutzung aller über 85.000 Mitarbeitenden trackte und die Top 250 mit Titeln wie "Token Legend" und "Cache Wizard" auszeichnete. In einem 30-Tage-Fenster verbrauchten Metas Mitarbeiter zusammen 60 Billionen Tokens, der Spitzenreiter allein 281 Milliarden. Mark Zuckerberg tauchte nicht in den Top 250 auf. Meta schaltete das Dashboard kurz nach Bekanntwerden im April 2026 ab.

Der breitere Trend ist eine nüchterne Kostenkorrektur. Unternehmen, die Entwickler erst zu mehr Token-Verbrauch drängten, rudern zurück, weil die Leaderboards Produktivität vortäuschten, statt sie zu schaffen. Uber hatte sein KI-Jahresbudget bereits nach vier Monaten aufgebraucht; Salesforce wechselte von rohen Token-Zählungen zu einer "Agent Work Unit"-Metrik. Amazon will dem Vernehmen nach künftig auf "normalised deployments" als Maß für sinnvolle KI-Arbeit setzen. (Diese Metrik stammt aus dem FT-Bericht und wurde nicht von allen Quellen bestätigt.)

Für Führungskräfte ist die Lehre ein Lehrbuchfall von Goodharts Gesetz: "Wird eine Kennzahl zum Ziel, taugt sie nicht mehr als Kennzahl." Token-Verbrauch als KPI belohnt verschwenderisches Verhalten und kann Inferenzkosten unkontrolliert eskalieren lassen — ein direktes Bilanzrisiko angesichts steigender Compute-Preise. Wer KI-Adoption messen will, sollte am Geschäftsergebnis ansetzen, nicht am Verbrauch.