Ausgabe vom 4. Juli 2026

Anthropic hat Ende Juni auf einer Veranstaltung in San Francisco angekündigt, künftig eigene Medikamente zu entwickeln. Das ist ein qualitativer Sprung: Bislang positionierte sich das Unternehmen als Anbieter von KI-Werkzeugen für die Wissenschaft — nun steigt es selbst in die Wirkstoffforschung ein. Der Fokus liegt zunächst auf präklinischen Programmen für vernachlässigte und seltene Krankheiten, also auf der Phase vor dem ersten Test am Menschen. Als Public Benefit Company begründet Anthropic den Schritt mit dem Patientennutzen bei Erkrankungen, für die klassische Pharmakonzerne keine ausreichende Marktlücke sehen.

Flankiert wurde die Ankündigung vom Start der Beta von „Claude Science“, einer Workbench mit über 60 Funktionen für Forschende, über die wir bereits in unserer Ausgabe vom 1. Juli berichteten. Neu — und der eigentliche Paukenschlag — ist das eigene Labor. Eric Kauderer-Abrams, bei Anthropic für Life Sciences zuständig, und CEO Dario Amodei verwiesen dabei auf Amodeis Essay „Machines of Loving Grace“ aus dem Jahr 2024, in dem er die These vom „komprimierten 21. Jahrhundert“ aufstellte: KI könne 50 bis 100 Jahre biomedizinischen Fortschritt in fünf bis zehn Jahren bündeln. Bemerkenswert ist, wie viel vorsichtiger Amodei diesmal auftrat — von konkreten Budgets oder Zeithorizonten war keine Rede.

Damit rückt Anthropic in ein Feld, das andere KI-Akteure längst besetzt haben. Vorn liegt Isomorphic Labs, die von Google DeepMind ausgegründete und von Demis Hassabis geführte Firma: Sie hat rund zwei Milliarden Dollar frisches Kapital eingesammelt, Wirkstoff-Deals mit Eli Lilly und Novartis im Gesamtwert von etwa drei Milliarden Dollar geschlossen und will Ende 2026 erste eigene klinische Studien starten. Auch Recursion (fusioniert mit Exscientia), das mit einer Milliarde Dollar ausgestattete Xaira Therapeutics sowie Insilico Medicine sind aktiv. Ernüchternd bleibt der Gesamtbefund der Branche: Trotz geschätzter 60 Milliarden Dollar Investitionen ist bis heute kein einziger vollständig KI-entdeckter Wirkstoff zugelassen.

Für die Life-Science-Szene ist Anthropics Einstieg ein Warnsignal. Ein Foundation-Model-Anbieter, der zugleich die zugrundeliegenden KI-Modelle bereitstellt und selbst Medikamente entwickelt, wird zum vertikalen Konkurrenten spezialisierter Startups — mit Zugriff auf dieselben Talente und dasselbe Kapital. Europäische Biotech-Gründer beobachten die Entwicklung laut Branchenmedien „genau“, aus Sorge vor genau dieser Doppelrolle. Die Bedeutung des Themas vertiefen wir in der heutigen Reportage zur KI-Medikamentenentwicklung.

Einschränkend gilt: In der Berichterstattung kursierten zusätzliche Details — etwa eine mutmaßliche Übernahme eines Biotech-Spezialisten und ein prominenter Personalwechsel aus dem AlphaFold-Umfeld —, die sich bislang nur auf Sekundärquellen stützen und nicht unabhängig bestätigt sind. Sie sollten mit Vorsicht behandelt werden, bis Anthropic konkrete Programme, Partner und Zeitpläne offenlegt.

Es ist eine unbequeme Nachricht für einen Konzern, der zweistellige Milliardenbeträge in eigene KI steckt: Meta-Mitarbeiter nutzen für zentrale interne Aufgaben lieber Googles Gemini als die konzerneigenen Llama-Modelle. Das berichtete zunächst die Financial Times am 28. Juni, aufgegriffen unter anderem von CNBC und Bloomberg; die deutschsprachige Aufarbeitung durch t3n folgte am 3. Juli. Grundlage sind interne Meta-Bewertungen, wonach Gemini bei Betrugs- und Scam-Erkennung, Content-Moderation, Kundenservice-Chatbots und beim Programmieren spürbar besser abschneidet.

Die Pointe der Geschichte liegt in einem zweiten Umstand: Google hat Metas Zugriff auf Gemini — bezogen über die Google Cloud — inzwischen gedrosselt. Wichtig für die Einordnung: Der Grund ist ausdrücklich nicht Wettbewerbsschutz oder ein vertragliches Verbot, konkurrierende Modelle zu nutzen, sondern schlicht Rechenknappheit. Google teilte Meta etwa im März 2026 mit, die angeforderte Kapazität nicht vollständig liefern zu können. Betroffen sind auch andere Google-Cloud-Kunden; Meta traf es am härtesten, weil sein Bedarf am größten war. Als Reaktion wies Meta seine Belegschaft an, Tokens effizienter einzusetzen, Kontingente einzuhalten und nach alternativen Anbietern zu suchen.

Die zeitliche Ironie ist bemerkenswert: Nur einen Tag vor der deutschsprachigen Berichterstattung räumte Mark Zuckerberg in einem internen Town-Hall-Meeting ein, dass sich Metas KI-Agenten nicht so schnell entwickelt hätten wie erhofft und der große Konzernumbau „nicht so sauber“ verlaufen sei — die Aktie fiel daraufhin rund fünf Prozent. Dass nun auch noch die eigenen Ingenieure lieber zur Konkurrenz greifen, verschärft den Eindruck, dass Metas KI-Strategie trotz gigantischer Infrastrukturausgaben (für 2026 sind bis zu rund 145 Milliarden Dollar eingeplant) intern nicht überzeugt.

Der Hintergrund reicht bis zum holprigen Start von Llama 4 im April 2025 zurück: Damals stand der Vorwurf im Raum, Meta habe für die Benchmark-Plattform LMArena eine geschönte, „experimentelle“ Variante eingereicht, während die öffentliche Version enttäuschte. KI-Chef Yann LeCun bestätigte im Januar 2026, dass Benchmark-Ergebnisse „gefudged“ — also frisiert — worden seien. Vor diesem Hintergrund wirkt die interne Präferenz für Gemini weniger wie ein Ausrutscher als wie ein Symptom.

Für Entscheider ist die Lehre doppelt. Erstens zeigt der Fall, wie aussagekräftig internes „Dogfooding“ ist: Wenn die eigenen Teams bei freier Wahl zur Fremdlösung greifen, ist das ein ehrlicheres Qualitätsurteil als jeder veröffentlichte Benchmark. Zweitens rückt die eigentliche Engstelle der KI-Ökonomie ins Bild — nicht die Modellqualität, sondern die verfügbare Rechenkapazität. Selbst ein Hyperscaler wie Google muss priorisieren. Unbestätigt bleibt Metas mutmaßliche Antwort: ein neues Eigenmodell namens „Muse Spark“, das bislang nur über die FT-Berichterstattung belegt ist.

DeepSeek hat mit DSpark ein quelloffenes Framework (MIT-Lizenz) vorgestellt, das die Auslastung von Grafikprozessoren bei der KI-Inferenz deutlich verbessert. Wichtig zur Einordnung: DSpark ist kein neues Modell, sondern eine Optimierung des „Servings“ — also der Art, wie ein bestehendes Modell Antworten ausliefert. Es setzt auf den vorhandenen DeepSeek-V4-Gewichten auf (Checkpoints DeepSeek-V4-Pro-DSpark und -Flash-DSpark). Der Golem-Bericht, der das Thema am 3. Juli im deutschsprachigen Raum aufgriff, verweist auf die Kerntechnik: Speculative Decoding. Veröffentlicht wurde das Framework Ende Juni.

Die Technik lässt sich anschaulich erklären. Große Sprachmodelle erzeugen Text normalerweise Wort für Wort (genauer: Token für Token), was die GPU oft warten lässt. Beim Speculative Decoding rät ein kleines, schnelles „Draft“-Modell einen ganzen Block künftiger Tokens voraus; das große Modell prüft diesen Block dann in einem einzigen Durchlauf, statt jeden Token einzeln zu berechnen. So werden Leerlaufzeiten der GPU besser genutzt. DSpark kombiniert dabei paralleles Vorhersagen mit einem „Confidence-Scheduler“, der die Prüftiefe dynamisch an die aktuelle GPU-Auslastung anpasst — bei hoher Last vorsichtiger, bei freien Kapazitäten aggressiver.

Die Zahlen, die DeepSeek nennt, sind beachtlich: eine 57 bis 85 Prozent schnellere Token-Generierung pro Nutzer gegenüber der Basislinie, im Produktivbetrieb rund 51 bis 52 Prozent mehr aggregierter Durchsatz — bei gleichbleibender Ausgabequalität und ohne zusätzliche Hardware. DeepSeek setzt DSpark nach eigenen Angaben bereits produktiv ein. Ergänzend wurde mit „DeepSpec“ eine Trainings- und Evaluierungs-Codebasis quelloffen gestellt, mit der sich eigene Draft-Module auch für fremde Modellfamilien wie Qwen3 oder Gemma bauen lassen.

DSpark reiht sich in DeepSeeks Ruf ein, mit hardwarenaher Ingenieurskunst mehr aus weniger herauszuholen — schon die früheren Modelle V3 und R1 hatten mit Optimierungen wie FP8-Rechnung und Multi-Head-Latent-Attention für Aufsehen gesorgt. Der wirtschaftliche Hebel ist erheblich: Höherer Durchsatz pro GPU bedeutet niedrigere Inferenzkosten pro Anfrage — genau jene „letzte Meile“ der KI-Ökonomie, an der sich gerade entscheidet, ob agentische Anwendungen bezahlbar bleiben. Das ist auch der Grund, warum unsere Berichterstattung über explodierende KI-Kosten und Effizienzframeworks wie DSpark zwei Seiten derselben Medaille sind.

Ein paar Einschränkungen gehören zur Ehrlichkeit dazu: Das zugehörige Paper mit DeepSeek-Gründer Liang Wenfeng als Mitautor liegt bislang nur als PDF im DeepSpec-Repository vor, ist also nicht peer-reviewed. Die Leistungszahlen stammen aus Herstellerangaben und Fachmedien-Berichten; eine besonders hohe kursierende Durchsatzzahl stufen wir als Ausreißer ein und verwenden sie bewusst nicht. Nicht zu verwechseln ist DSpark zudem mit Nvidias Hardware „DGX Spark“ — gleicher Wortstamm, völlig anderes Produkt. Geopolitisch relevant bleibt der Befund: Effizienzgewinne wie diese helfen Akteuren unter US-Exportkontrollen, mehr Leistung aus weniger High-End-Chips zu ziehen.

Anfang Juli tauchte ein geleaktes, etwa dreiminütiges Konzeptvideo auf, das ein radikal KI-zentriertes Windows zeigt — intern offenbar unter dem Namen „Projekt Aion“ geführt. Das Video, zuerst über einen BetaWiki-Discord verbreitet und dann von Zac Bowden (Windows Central) einer breiten Öffentlichkeit zugänglich gemacht, skizziert ein Betriebssystem, in dem das klassische Startmenü durch eine multimodale „Omnibox“ ersetzt wird: eine zentrale Eingabezeile, über die man das System per Sprache und Text steuert. Ältere Win32-Programme liefen in diesem Konzept nicht mehr lokal, sondern würden per Windows-365-Cloud-PC aus der Ferne gestreamt.

Die entscheidende Einordnung — und der Punkt, an dem viele Schlagzeilen unpräzise werden: Das gezeigte Konzept ist rund zwei Jahre alt und stammt aus 2024. Es handelt sich weder um ein neues Produkt noch um eine Roadmap oder gar eine offizielle Ankündigung. Microsoft hat sich zu dem Leak nicht geäußert. Was hier zirkuliert, ist eine interne Zukunftsstudie („das wollte Microsoft einmal ausprobieren“), nicht ein Ausblick auf das nächste Windows. Diese Unterscheidung ist für Entscheider zentral, um den Leak nicht als Produkt-Vorschau misszuverstehen.

Dennoch fügt sich Aion in Microsofts erkennbare Richtung ein. Mit Copilot, den Copilot+-PCs und der Idee eines „agentischen Betriebssystems“ verfolgt der Konzern seit Längerem das Ziel, KI vom aufgesetzten Assistenten zur zentralen Bedienschicht zu machen. Aion war offenbar die aggressivste Ausprägung dieses Gedankens — ein „Win3“-Ansatz auf Edge-Basis, der Windows im Kern als KI-gesteuertes Web-OS neu denkt. Dass eine solche Vision existierte, überrascht wenig; dass sie in dieser Konsequenz nie ausgeliefert wurde, ebenfalls nicht.

Die Reaktionen fielen überwiegend skeptisch aus. Nutzer und Kommentatoren kritisierten vor allem den impliziten Cloud-Zwang, den drohenden Kontrollverlust über lokal installierte Software und die Datenschutzfragen eines Systems, das permanent mit KI-Diensten kommuniziert. Viele zogen Parallelen zum Recall-Debakel von 2024, als Microsofts Funktion zum kontinuierlichen Mitschneiden des Bildschirminhalts nach massiver Kritik zurückgezogen und überarbeitet werden musste.

Für IT-Verantwortliche ist der Leak weniger als Produktnachricht relevant denn als Stimmungsbild. Er zeigt, wie weit Microsofts interne Denkschule reicht — und warum Enterprise-Kunden bei jedem KI-first-Vorstoß auf zwei Dinge achten sollten: die Frage, welche Daten das System wohin überträgt, und die Frage, ob geschäftskritische Legacy-Anwendungen weiterhin lokal und offline lauffähig bleiben. Ein Windows, dessen Kernfunktionen an eine Cloud-Verbindung gekoppelt sind, wäre für viele regulierte Branchen schlicht nicht einsetzbar.

Zwischen den Schlagzeilen über KI-bedingte Massenentlassungen setzt eine neue Auswertung einen Kontrapunkt: Unternehmen, die intensiv in KI investieren, bauen ihre Belegschaft nicht ab, sondern aus. Die Untersuchung, über die Golem am 3. Juli berichtete, wertete Daten von rund 21.500 US-Unternehmen aus (auf Basis von Zahlungs- und Arbeitsmarktdaten der Anbieter Ramp und Revelio Labs). Ergebnis: Firmen mit besonders hoher KI-Adoption verzeichneten ein Personalwachstum, das im Schnitt um etwa 10,2 Prozentpunkte höher lag als bei Unternehmen mit geringer KI-Nutzung.

Das Ergebnis widerspricht dem dominierenden Narrativ, KI ersetze in großem Stil menschliche Arbeit. Es fügt sich aber in eine wachsende Zahl von Studien ein, die zeigen, dass KI-Investitionen häufig mit Expansion einhergehen: Wer in KI investiert, investiert oft auch in Vertrieb, Produktentwicklung und Support, um die neuen Fähigkeiten zu skalieren. In dieser Lesart ist KI kein Substitut für Personal, sondern ein Wachstumsverstärker — zumindest in der aktuellen Phase.

Die zentrale methodische Einschränkung benennen die Autoren selbst: Es handelt sich um eine Korrelation, nicht um einen belegten Kausalzusammenhang. Der wahrscheinlichste Störfaktor ist naheliegend — wachsende, profitable Unternehmen haben schlicht das Geld, um in alles zu investieren: in KI und in mehr Personal. Ob die KI das Wachstum verursacht oder ob das Wachstum beides ermöglicht, lässt sich aus den Daten nicht sauber trennen. Wer die Studie als Beweis liest, dass KI Jobs schafft, überinterpretiert sie.

Die Gegenperspektive bleibt real und darf nicht verdrängt werden. Meta hat im Zuge seines KI-Umbaus rund 8.000 Stellen gestrichen, Amazon und andere Konzerne haben Entlassungen ausdrücklich mit Effizienzgewinnen durch KI begründet. Einzelne Berufsbilder — etwa im Kundenservice, in der einfachen Content-Produktion oder im Einstiegssegment der Softwareentwicklung — stehen nachweislich unter Druck. Die aggregierte Statistik „mehr KI, mehr Personal“ und die schmerzhafte Realität einzelner wegrationalisierter Rollen schließen sich nicht aus; sie beschreiben unterschiedliche Ebenen.

Für die Personalplanung ergibt sich daraus ein nüchterner Schluss: Der pauschale KI-Jobkiller-Diskurs ist empirisch bislang nicht gedeckt — die Nettobilanz auf Unternehmensebene ist eher positiv. Zugleich verschiebt KI die Zusammensetzung der Belegschaft: weg von Routineaufgaben, hin zu Rollen, die KI-Systeme steuern, prüfen und in Geschäftsprozesse einbetten. Entscheider tun gut daran, weniger über Stellenabbau nachzudenken als über Requalifizierung — und die verfügbaren Daten mit der gebotenen Vorsicht vor voreiligen Kausalschlüssen zu lesen.