Ausgabe vom 20. August 2026

Am 19. August haben Stripe und OpenRouter die Übernahme bestätigt — Stripe über seinen Newsroom unter dem Titel „Stripe agrees to acquire OpenRouter to help businesses optimize token routing and usage“, OpenRouter über einen eigenen Blogbeitrag mit der Überschrift „OpenRouter is Joining Stripe“. Der Abschluss soll binnen weniger Wochen erfolgen. Damit ist geklärt, was wir am 17. August ausdrücklich als unbestätigten Bloomberg-Bericht gekennzeichnet hatten.

Zum Kaufpreis müssen wir präziser werden, als es die Schlagzeilen sind. Weder Stripe noch OpenRouter nennen eine Zahl. Die New York Times berichtet 7,5 Milliarden Dollar, davon 1,5 Milliarden an die Gründer. Andere Häuser — darunter Forbes und Axios — schreiben von über 8 Milliarden in bar und Aktien. Das Wall Street Journal hatte im Juli erste Gespräche noch mit rund 10 Milliarden kolportiert. Belastbar ist keine dieser Zahlen, weil keine autorisiert ist; wir nennen die 7,5 Milliarden als am breitesten berichteten Wert und halten die Spanne fest, statt eine Punktzahl zu suggerieren.

Was OpenRouter ist, lässt sich in einem Satz sagen: eine Vermittlungsschicht zwischen Anwendungen und Sprachmodellen. Ein Entwickler spricht eine einzige Schnittstelle an, und OpenRouter leitet die Anfrage an dasjenige Modell weiter, das nach Preis, Verfügbarkeit und Eignung gerade passt — 400 Modelle von über 80 Anbietern. Das Geschäftsmodell ist ein Aufschlag von etwa fünf Prozent auf die durchgeleiteten Inferenzkosten. Gegründet wurde die Firma 2023 in New York von Alex Atallah, zuvor Mitgründer und Technikchef von OpenSea, und Louis Vichy. Rund 90 Beschäftigte, Investoren unter anderem a16z, CapitalG, Menlo Ventures und Nvidias Wagniskapitalarm.

Die Zahlen, die den Preis erklären sollen, sind Wachstumszahlen, keine Ertragszahlen: über zehn Billionen durchgeleitete Token pro Tag, mehr als zehn Millionen Entwickler und Unternehmen — im Januar waren es fünf Millionen —, und ein Umsatz, der von rund 19 Millionen Dollar Ende 2025 auf hochgerechnet etwa 50 Millionen im März 2026 stieg. Im Mai 2026 hatte OpenRouter in einer von CapitalG angeführten Runde 113 Millionen Dollar bei einer Bewertung von 1,3 Milliarden eingesammelt. Ein Kaufpreis von 7,5 Milliarden entspricht dem Fünf- bis Sechsfachen dieser Bewertung — binnen drei Monaten.

Stripe-Mitgründer Patrick Collison begründet den Kauf so: „Tokens are the central currency for companies building with AI. Stripe is building the economic infrastructure for AI, and together with OpenRouter we'll help businesses maximize profitability by routing their requests intelligently.“ Atallah wiederum formuliert die Geschäftsthese seines eigenen Hauses: „We believe intelligence will be multi-model: no single model will be optimal for every task, and developers need a neutral layer to orchestrate and manage them all.“ Das Wort, auf das es in diesem Satz ankommt, ist neutral.

Denn genau daran entzündet sich die Kritik. In der Diskussion auf Hacker News dreht sich der Hauptstrang um die Frage, ob eine Vermittlungsschicht neutral bleiben kann, wenn sie einem Zahlungsanbieter gehört. Das Verkaufsargument von OpenRouter war stets die Unabhängigkeit: Die Weiterleitung folgt Preis und Leistung, nicht den Geschäftsinteressen des Betreibers. Ein zweiter Strang betrifft den Datenschutz — OpenRouter sieht sämtliche durchgeleiteten Eingaben und gibt sie an Dritte weiter, was bei sensiblen Unternehmensdaten schon vorher eine Frage war und jetzt eine Eigentümerfrage bekommt. Beide Unternehmen betonen in ihren Mitteilungen ausdrücklich, an Name, Produkt, Fahrplan und neutraler Weiterleitung ändere sich nichts. Das ist die übliche Formulierung bei Übernahmen; ihre Haltbarkeit lässt sich erst in einigen Quartalen beurteilen.

Zur Einordnung des strategischen Musters: Stripe hat im Januar 2026 den Stablecoin-Anbieter Bridge für 1,1 Milliarden Dollar gekauft und gemeinsam mit OpenAI das Agentic Commerce Protocol samt Sofortkauf in ChatGPT entwickelt. Die Linie ist erkennbar — Stripe baut die Abrechnungsschicht für eine Wirtschaft, in der nicht nur Menschen, sondern auch Agenten Zahlungen auslösen und Rechenleistung verbrauchen. Der Kauf von OpenRouter ergänzt darin nicht die Zahlungsseite, sondern die Messstelle: Wer den Punkt kontrolliert, an dem Tokenverbrauch anfällt, kontrolliert die Grundlage jeder Abrechnung darüber.

Für Unternehmen, die OpenRouter produktiv einsetzen, ergeben sich zwei konkrete Aufgaben. Erstens: prüfen, ob der eigene Vertrag Zusicherungen zur Datenverarbeitung enthält, die einen Eigentümerwechsel überdauern — und ob ein Wechsel des Auftragsverarbeiters eine Anpassung der Datenschutz-Folgenabschätzung auslöst. Zweitens: den Ausweichpfad testen, bevor man ihn braucht. Ein Gateway, das nur eine einzige Anbieterbeziehung kennt, ist selbst ein Einzelausfallpunkt; wer die Anbindung so gebaut hat, dass sich die Vermittlungsschicht tauschen lässt, hat diese Übernahme mit Interesse zu lesen, aber ohne Handlungsdruck.

Marvell hat am 19. August eine Pflichtmitteilung bei der US-Börsenaufsicht eingereicht, und darin steht ein Geschäft, das die Frage aufwirft, wer hier eigentlich wem etwas verkauft. Die nüchternen Fakten aus dem Formular 8-K und dem beigefügten Optionsschein: Am 29. Juli 2026 haben Marvell Technology und Google LLC eine kommerzielle Vereinbarung über die Entwicklung kundenspezifischer Halbleiter geschlossen. Am 18. August hat Marvell dazu einen Optionsschein über bis zu 58.970.907 eigene Stammaktien ausgestellt, Ausübungspreis 206,58 Dollar, ausübbar bis zum 18. August 2033. Öffentlich wurde all das erst am 19. August — dem Tag, an dem die Marvell-Aktie um 9,85 Prozent auf 237,27 Dollar sprang.

Rechnet man den Optionsschein aus, ergeben sich rund 12,2 Milliarden Dollar, die Google für die Aktien zahlen müsste — und bei etwa 876 Millionen ausstehenden Aktien entspräche das einem Anteil von etwa 6,7 Prozent an Marvell. Je nach Stichtag und Quelle kursieren Werte zwischen 6,5 und 7 Prozent; wir nennen die Spanne, weil der Nenner schwankt.

Und jetzt zur Zahl, die in fast jeder Meldung steht und fast überall falsch eingeordnet wird. Der Optionsschein wird nicht auf einen Schlag frei, sondern in Stufen. Ein kleiner Teil — 1.360.867 Aktien — wird zeitbasiert in vier gleichen Quartalstranchen im ersten Jahr frei, also rund 340.000 je Quartal. Der weitaus größere Rest von 57.610.040 Aktien wird leistungsbezogen frei: in 240 gleichen Tranchen von je rund 240.000 Aktien, und jede einzelne Tranche wird fällig, wenn Google für weitere 500 Millionen Dollar Custom-Produkte bei Marvell gekauft hat. 240 mal 500 Millionen ergibt 120 Milliarden Dollar — und das ist die Herkunft der Schlagzeilenzahl. Sie ist kein garantiertes Bestellvolumen, sondern die Umsatzschwelle, bei deren vollständigem Erreichen der Optionsschein vollständig frei wäre. Ob Google jemals in die Nähe kommt, steht in keinem Dokument.

Was Google bestellt, ist ebenfalls präziser, als die Berichterstattung nahelegt: nicht die TPU-Rechenkerne selbst, sondern laut 8-K eine Bandbreite von Bausteinen, die „attach to the TPU ecosystem“ — Inferenzbeschleuniger, Speicher-Controller, Netzwerkschnittstellen-Controller, Speicherschnittstellen-Controller und speichernahe Recheneinheiten. Broadcom bleibt nach übereinstimmenden Berichten Googles Hauptpartner für die eigentlichen Hochleistungs-TPU-Designs. Marvell wird damit nicht Ersatz, sondern zusätzlicher Designpartner in einer Lieferkette, die Google erkennbar verbreitert. Der Markt las es trotzdem als Angriff: Die Broadcom-Aktie gab am selben Tag um etwa drei bis fünf Prozent nach — die Spanne variiert je nach Messzeitpunkt.

Eine Korrektur zur Ausgangsmeldung. In der deutschsprachigen Berichterstattung kursiert eine Vertragslaufzeit von 17 Jahren. Wir haben sie im 8-K, im Optionsschein-Anhang und in den geprüften englischsprachigen Quellen nicht gefunden. Belegbar ist ein leistungsbezogener Zeitraum vom dritten Quartal des Marvell-Geschäftsjahres 2027 bis zum Ende des Geschäftsjahres 2033 sowie eine Ausübbarkeit bis August 2033 — also rund sechs bis sieben Jahre. Wir führen die 17 Jahre deshalb nicht.

Das eigentlich Interessante ist das Muster. Zulieferer räumen ihren größten Kunden Beteiligungen ein, statt ihnen bloß Rabatte zu geben — und das ist 2026 kein Einzelfall mehr. AMD hat OpenAI Optionsscheine auf bis zu 160 Millionen eigene Aktien eingeräumt, die mit dem Ausbau der Rechenkapazität frei werden, und später ein vergleichbares Papier an Meta ausgegeben. Nvidia hält inzwischen rund 30 Milliarden Dollar an OpenAI, allerdings ohne Stimmrechte. Amazon hat sich bei Anthropic über Wandelanleihen und stimmrechtslose Vorzugsaktien beteiligt, verbunden mit einer Abnahmeverpflichtung über zehn Jahre. Die Struktur variiert, die Logik ist dieselbe.

Sie hat einen nachvollziehbaren betriebswirtschaftlichen Kern: Der Zulieferer sichert sich Planbarkeit, der Kunde bekommt einen Anreiz, tatsächlich in großem Stil zu bestellen — er profitiert ja am Kursgewinn, den seine eigenen Bestellungen erzeugen. Sie hat aber auch eine unangenehme Eigenschaft, auf die Kritiker seit Monaten hinweisen: Sie erzeugt Zirkularität. Ein Umsatz, der zugleich der Auslöser für eine Beteiligung des Umsatzbringers ist, taugt schlechter als unabhängiger Nachweis realer Nachfrage. Wer Marktzahlen aus dem KI-Halbleitersektor liest, sollte inzwischen bei jeder Größenordnung zuerst fragen, wer an wem beteiligt ist. Wir haben die Ökonomie dahinter in unserer Reportage vom 19. Juni über kundenspezifische KI-Chips aufgearbeitet.

Zum Maßstab: Marvell hat im Geschäftsjahr bis Februar 2026 einen Gesamtumsatz von 8,2 Milliarden Dollar erzielt, davon 6,1 Milliarden im Rechenzentrumsgeschäft. Das Custom-Silicon-Geschäft läuft mit einer Jahresrate von rund 1,5 Milliarden Dollar über 18 Design-Gewinne bei Cloud-Anbietern, darunter Amazon, Microsoft und Meta. Bis zum Geschäftsjahr 2029 peilt das Management dort 10 Milliarden Dollar an. Die 120 Milliarden aus der Google-Vereinbarung wären ein Vielfaches davon — was noch einmal unterstreicht, dass es sich um eine Obergrenze handelt und nicht um eine Prognose. Die nächsten Quartalszahlen legt Marvell am 27. August vor.

OpenAI hat am 19. August bekräftigt, Zero Data Retention für Frontier-Modelle weiter anzubieten, und dazu eine Vorschau auf eine neue Funktion namens Private Safety Processing gegeben. Der Zusammenhang zu den Maßnahmen, die wir in unserer gestrigen Ausgabe beschrieben haben, ist direkt: Nach dem Vorfall bei Hugging Face und angesichts der Cyber-Fähigkeiten des kommenden Modells Astra baut OpenAI die Überwachung aus — und muss zugleich erklären, wie sich das mit Datenschutzzusagen an Unternehmenskunden verträgt.

Zunächst die Begriffsklärung, weil sie hier die halbe Meldung ist. Zero Data Retention bedeutet, dass Eingaben und Ausgaben eines Kunden nicht gespeichert werden; Missbrauchsprüfung findet automatisiert innerhalb der jeweiligen Sitzung statt. Das ist keine Neuheit — OpenAI bietet es für bestimmte API-Kunden seit Längerem an, und TechCrunch ordnet es als branchenüblich ein. Neu ist Private Safety Processing. Dabei prüft ein Agent Muster über mehrere Sitzungen hinweg, ohne dass OpenAI-Personal Einblick in die Inhalte bekommt. Schlägt er an, geht ein — in OpenAIs Formulierung — eng definiertes Signal an das Unternehmen; erst dann wird entschieden, ob eingegriffen wird, und erst dann kann der Kunde freiwillig Daten teilen. Zielgruppe sind ausgewählte Enterprise- und API-Kunden, nicht die Verbraucherversion von ChatGPT. Ein technisches Whitepaper und der Rollout sind für September angekündigt.

Der Gegenentwurf, gegen den sich das richtet, hat einen Namen. Anthropic speichert für seine sogenannten covered models sämtliche Sitzungen 30 Tage lang, ausdrücklich zum Zweck der Sicherheitsanalyse, und erlaubt menschliche Durchsicht über einen kontrollierten Zugriffspfad mit einer kleinen Zahl freigegebener Prüfer, protokolliert in einem manipulationssicheren Log. TechCrunch stellt die Ankündigung deshalb offen in den Wettbewerbskontext — und dieser Kontext ist zurzeit unbequem für OpenAI: Anthropic wächst schneller, wie wir am 18. August mit der Zahl von 65 Milliarden Dollar annualisiertem Umsatz berichtet haben.

Man kann die beiden Ansätze als zwei Philosophien lesen, und beide sind vertretbar. OpenAI setzt auf Datenvermeidung plus Automatisierung: Was nicht gespeichert wird, kann nicht abfließen — dafür entscheidet eine Maschine, wann ein Alarm gerechtfertigt ist. Anthropic setzt auf kontrollierte, protokollierte menschliche Aufsicht: Menschen können Kontext beurteilen, den ein Klassifikator nicht sieht — dafür existieren die Daten 30 Tage lang und ein Zugriffspfad zu ihnen. Wer beides gegeneinander abwägen will, sollte nicht fragen, welches Versprechen besser klingt, sondern welches Risiko im eigenen Haus schwerer wiegt: unbefugter Zugriff auf gespeicherte Prompts oder eine unentdeckte Fehlnutzung.

Zwei Dinge bleiben offen, und beide sind für die Vertragsprüfung entscheidend. Erstens sagt keine der geprüften Quellen, ob Reasoning-Traces — also die internen Zwischenschritte, die ein Modell beim Denken erzeugt — und Werkzeugaufrufe von der Nichtspeicherung erfasst sind. Für agentische Systeme ist das die praktisch wichtigste Frage, weil dort die sensibelsten Zwischenstände anfallen. Zweitens behält sich OpenAI über das „eng definierte Signal“ ein Eskalationsrecht vor, dessen Kriterien erst im September offengelegt werden sollen. Als einzige klar benannte Ausnahme wird Material zu sexuellem Kindesmissbrauch genannt, das aus gesetzlichen Meldepflichten weiterhin gespeichert wird.

Und damit zur zweiten Meldung des Tages, die den ersten Teil in ein unangenehmes Licht rückt. Ebenfalls am 19. August meldeten mehrere Sicherheitsforscher in OpenAIs Support-Foren und auf X, ihr Zugang zum Programm Trusted Access for Cyber sei ohne Vorwarnung entzogen worden. Beim Öffnen der Cyber-Seite erschien die Meldung, die Identität könne nicht überprüft werden oder das Konto sei derzeit nicht berechtigt. Betroffen war die Stufe Daybreak Blue, erst am 10. August gestartet und laut OpenAI der empfohlene Einstiegspunkt für Verteidiger — sie gibt Zugang zu Frontier-Modellen mit Schutzmechanismen, die auf autorisierte defensive Sicherheitsarbeit zugeschnitten sind.

TechCrunch sprach mit fünf betroffenen Forschern, die anonym blieben. Ein Merkmal verbindet sie: Alle leben außerhalb der USA und Europas. OpenAI erklärte gegenüber einem Betroffenen per E-Mail: „This was an issue on our end, and not the user experience we want to deliver.“ Öffentlich sprach das Unternehmen von einem begrenzten Nutzerkreis, dessen Zugang nicht mehr aktiv sei und der sich erneut verifizieren müsse. Ursache und Gesamtzahl der Betroffenen bleiben unbekannt.

Einen kausalen Zusammenhang zur Astra-Pause vom 18. August behaupten wir ausdrücklich nicht — OpenAI nennt einen technischen Fehler, und weder TechCrunch noch die übrige Berichterstattung stellen eine belegte Verbindung her. Was sich aber ohne Spekulation feststellen lässt: An dem Tag, an dem OpenAI Unternehmenskunden zusichert, ihre Daten nicht anzufassen, funktioniert bei denselben Systemen die Identitätsprüfung für ein sicherheitskritisches Programm nicht. Das ist keine Verschwörung, sondern ein Betriebsproblem — und für Entscheider die relevantere Beobachtung von beiden. Ein Datenschutzversprechen ist eine vertragliche Zusage; ob es hält, hängt an den operativen Prozessen dahinter. Wer eine Zusicherung zur Nichtspeicherung in einen Vertrag schreiben lässt, sollte sich parallel zusichern lassen, was passiert, wenn diese Prozesse fehlschlagen — und wie man davon erfährt.

Wired hat am 19. August unter dem Titel „Coders Say They Already Found Workarounds to Claude's Invisible Watermarks“ nachgezeichnet, wie schnell nach Anthropics technischer Offenlegung die ersten Gegenwerkzeuge entstanden. Die Vorgeschichte ist bei uns dokumentiert: Am 14. August haben wir über erste Nutzerkritik und Entfernungswerkzeuge berichtet, am 16. August darüber, wie das Verfahren funktioniert und wo es nach Anthropics eigener Darstellung aufhört zu funktionieren.

Kurz zur Erinnerung, weil die Mechanik den Rest erklärt: Das Wasserzeichen ist keine unsichtbare Markierung im Text, sondern ein statistisches Muster in der Wortwahl. Wo ein Modell zwischen mehreren gleichwertigen Formulierungen wählen kann, lenkt ein geheimer Schlüssel diese Wahl so, dass über viele Wörter hinweg ein prüfbares Muster entsteht. Daraus folgt unmittelbar die Angriffsfläche: Wer die Wortwahl ersetzt, ersetzt das Muster.

Genau das tun die von Wired beschriebenen Methoden, und keine davon ist raffiniert. Der Entwickler Guillaume Meyer lässt den Text von einem Modell ohne Wasserzeichen mehrfach umschreiben. Der Softwareingenieur Erik Hughes hat sich nach eigener Angabe in fünfzehn Minuten — mit Claude selbst — ein Werkzeug gebaut, das unsichtbare und ähnlich aussehende Unicode-Zeichen entfernt, Sätze innerhalb eines Absatzes umsortiert und Wörter durch Synonyme tauscht. Leon Chlon, Visiting Fellow an der Universität Oxford, beschreibt den Weg über eine Übersetzung in eine semantisch weit entfernte Sprache wie Arabisch und zurück. Meyers Repository watermarks-remover auf GitHub steht inzwischen bei über 15.000 Sternen und mehr als 1.700 Abspaltungen; laut Wired haben über 100 Menschen dazu beigetragen.

Der entscheidende Punkt kommt erst danach, und er wird in den meisten Zusammenfassungen übersprungen. Es gibt bislang keinen öffentlichen Detektor. Anthropic hat eine Erkennungs-Schnittstelle angekündigt — wörtlich: „We will soon be offering a watermark detection API. We're in the process of working out the details of its implementation“ —, aber ohne Termin. Solange die fehlt, beruhen sämtliche Wirksamkeitsbehauptungen auf dem theoretischen Verständnis des zugrunde liegenden Verfahrens, nicht auf Messungen. Wired formuliert es unmissverständlich: Es gebe keine Gewissheit, dass das Werkzeug wirkt, solange Anthropic seine Erkennungssoftware nicht veröffentlicht. Selbst Befürworter räumen das ein — Wayne Pan, Technikchef des Startups Haimaker, das Meyers Werkzeug eingebunden hat, sagt: „I think they wanted to show that they're in good faith doing it, but I don't think you can ever have a watermark that will withstand everything.“

Man sollte deshalb genau unterscheiden, was hier eigentlich neu ist. Anthropic hatte die Grenze in der Ankündigung vom 14. August selbst benannt: „Light editing probably won't remove the watermark completely; a complete rewrite where every word is replaced will.“ Ebenso, dass die Erkennung bei kurzen Texten schlecht funktioniert und bei faktenlastigen Passagen schwächer ausfällt, weil dort schlicht weniger Wahlfreiheit besteht. Der Wired-Bericht deckt also keine unbekannte Schwachstelle auf. Er zeigt, wie niedrigschwellig die eingeräumte Grenze in der Praxis erreichbar ist — vier Stunden nach der Offenlegung, mit Werkzeugen, die man sich an einem Nachmittag selbst bauen kann.

Anthropic verweist auf den regulatorischen Anlass. Gegenüber Wired erklärt ein Sprecher: „We're adding marking to Claude's output to comply with the EU AI Act, and other labs are taking similar steps. It's hard to identify AI-generated text, and this gives people better tools for identification.“ Seit Anfang August 2026 müssen Anbieter KI-erzeugte Inhalte maschinenlesbar kennzeichnen; für neue Modelle gilt die Pflicht sofort, für Bestandsmodelle bis Dezember 2026, und Verstöße können mit bis zu drei Prozent des Jahresumsatzes geahndet werden. Bemerkenswert an der Konstruktion: Die Pflicht adressiert die Anbieter. Werkzeuge Dritter, die Markierungen wieder entfernen, sind davon nach der Darstellung in Wired nicht erfasst, solange die Anbieter sie nicht selbst vermarkten.

Meyer selbst begründet sein Projekt nicht mit Ablehnung von Transparenz, sondern mit Zweifeln am Verfahren: „I'm not against transparency, and I'm all for content attribution. I just think watermarking in itself is a really bad solution, because it has major drawbacks and risks.“ Sein Hauptargument sind Falschbezichtigungen. Anthropic selbst spricht nur von einer Wahrscheinlichkeit, dass ein Text von Claude berührt wurde — wer als Nichtmuttersprachler ein Sprachmodell zur Korrektur benutzt, kann in dieselbe Kategorie fallen wie jemand, der einen Text vollständig generieren ließ.

Was Organisationen daraus mitnehmen sollten. Für Hochschulen, Verlage und Behörden, die auf Herkunftsnachweise für Text setzen, ist die praktische Schlussfolgerung unbequem, aber eindeutig: Ein Textwasserzeichen taugt als schwaches Indiz, nicht als Beweis, und es taugt nicht als Grundlage für eine belastende Entscheidung gegen eine Person. Der Unterschied zu Herkunftsnachweisen bei Bildern und Video — etwa nach dem C2PA-Standard — ist dabei kein gradueller, sondern ein grundsätzlicher: Ein Bild lässt sich nicht verlustfrei umformulieren, ein Text schon. Wer Prüfprozesse aufsetzt, sollte das Wasserzeichen als einen Datenpunkt neben Bearbeitungshistorie, Entstehungskontext und Rückfrage behandeln — und nicht als Prüfsiegel.

Cerebras hat am 18. und 19. August den WSE-3 Turbo und das erste Rack-System der neuen Plattformgeneration namens CS-4 vorgestellt. Die interessanteste Angabe steht dabei nicht in der Pressemitteilung, sondern im Vergleich mit dem Vorgänger: Der Chip ist derselbe. 4 Billionen Transistoren, 900.000 Rechenkerne, 44 Gigabyte On-Wafer-Speicher, TSMCs 5-Nanometer-Fertigung, 46.225 Quadratmillimeter Waferfläche — alles unverändert.

Was sich ändert, ist die zugeführte Leistung. Cerebras formuliert es zurückhaltend: Man führe doppelt so viel Strom zu, was höhere Betriebsfrequenzen ermögliche. Einen Hertz-Wert nennt das Unternehmen nicht. Drei unabhängige Fachmedien — The Next Platform, The Register und der Analysedienst SemiAnalysis — kommen übereinstimmend auf eine Verdopplung von rund 1,4 auf etwa 2,8 Gigahertz. Das ist eine Schätzung, keine Herstellerangabe, und wir kennzeichnen sie so.

Die daraus folgenden Zahlen sind Herstellerangaben und durchweg Verdopplungen: 125 auf 250 Petaflops bei dünnbesetzter FP16-Rechnung, Speicherbandbreite von 21,6 auf 43,2 Petabyte pro Sekunde, chipinterne Verbindungsbandbreite von 26,7 auf 53,5 Petabyte pro Sekunde, externe Anbindung von 1,2 auf 2,4 Terabit pro Sekunde je Wafer. Die Ein-/Ausgabelatenz sinkt von 5 auf 2 Mikrosekunden. Das CS-4-Rack bündelt drei Wafer und kommt damit auf 750 Petaflops. Erste Auslieferungen sollen noch in diesem Quartal beginnen; einen Preis nennt Cerebras nicht.

Kurz zum Prinzip, weil es die Stärken und Schwächen gleichermaßen erklärt. Üblicherweise wird ein Siliziumwafer in hunderte einzelne Chips zersägt, die anschließend über Netzwerke zu einem Rechenverbund verkabelt werden. Cerebras lässt den Wafer ganz. Die 900.000 Kerne reden direkt miteinander, nicht über Kabel. Das zahlt sich genau dort aus, wo es beim Betrieb von Sprachmodellen am meisten weh tut: Die Ausgabe eines jeden einzelnen Tokens erfordert, dass die Modellgewichte erneut aus dem Speicher gelesen werden. Diese Phase ist bandbreitenbegrenzt, nicht rechenbegrenzt — und Speicher direkt auf dem Wafer ist um Größenordnungen schneller angebunden als der HBM-Speicher neben einer GPU.

Deshalb sind die Latenzzahlen beeindruckend. Cerebras nennt über 4.400 Token pro Sekunde und Nutzer beim offenen Modell GPT-OSS-120B und bis zu dreißigmal schneller als GPU-Lösungen — welche GPU-Lösung gemeint ist, steht nicht dabei, und die Kontextlänge des Vergleichs ebenfalls nicht. SemiAnalysis kommt unabhängig auf eine plausible Größenordnung von rund 4.000 Token pro Sekunde und Nutzer bei Spitzenmodellen gegenüber etwa 100 bis 200 bei Nvidia Blackwell. Dieselbe Analyse hält aber auch fest, dass Cerebras' Werbeaussage, man habe rund zweitausendmal mehr Speicherbandbreite als Nvidias kommende Rubin-Generation, irreführend sei: Sie vergleicht chipinternen SRAM mit externem HBM, und das sind keine vergleichbaren Größen.

Die Grenze, über die der Hersteller nicht spricht, steht in der Spezifikation selbst. Die 44 Gigabyte On-Wafer-Speicher sind unverändert geblieben — die Rechenleistung wurde verdoppelt, die Kapazität nicht. Große Modelle mit langem Kontext müssen deshalb über viele Wafer verteilt werden. SemiAnalysis rechnet vor, dass ein Modell mit 1,6 Billionen Parametern bei einer Million Token Kontext rund vierzig Systeme, über 20 Millionen Dollar Anschaffungskosten und ein Megawatt Leistung allein für einen Durchlauf beanspruchen könnte. Wer viele Nutzer gleichzeitig mit moderater Latenz bedienen will, fährt mit GPU-Verbünden weiterhin günstiger; Cerebras' Vorteil liegt bei wenigen gleichzeitigen Anfragen mit sehr niedriger Latenz.

Die Leistungsaufnahme des Racks beziffert Cerebras ebenfalls nicht. Unabhängige Schätzungen liegen bei 120 bis 140 Kilowatt — was im Vergleich zu den 240 bis 250 Kilowatt kommender Nvidia- und AMD-Racks günstig aussieht, aber immer noch das Zehnfache dessen ist, wofür klassische Rechenzentren ausgelegt wurden.

Zur Einordnung ins Geschäft: Am 13. August hatten OpenAI und Cerebras den API-Tarif Ultrafast für GPT-5.6 Sol angekündigt, den wir in unserer Ausgabe vom 14. August behandelt haben — 750 Ausgabe-Token pro Sekunde, bis zu vierzehnmal schneller als der Standardtarif. Cerebras nennt in seiner eigenen Mitteilung im Risikohinweis OpenAI, G42, die MBZUAI und AWS als bedeutende Kunden. Genau dort liegt auch das offensichtlichste Geschäftsrisiko: G42 und die MBZUAI sollen nach Auswertung von Bilanzzahlen durch The Register rund 86 Prozent des 2025er-Umsatzes ausgemacht haben. Cerebras ist seit dem 14. Mai 2026 an der Nasdaq notiert.

Für Entscheider ist die praktische Frage nicht, ob Cerebras schneller ist — das ist es in seiner Nische unbestritten —, sondern ob Latenz für das eigene Produkt überhaupt die knappe Ressource ist. Bei einem Chatfenster, in dem ein Mensch mitliest, sind 200 Token pro Sekunde bereits schneller als Lesegeschwindigkeit; die zusätzlichen 4.000 verpuffen. Lohnend wird es dort, wo eine Kette von Agentenschritten seriell abgearbeitet wird und jede Wartezeit sich multipliziert. Diese Rechnung — Kosten je gelöster Aufgabe statt je Token — haben wir in unserer Reportage vom 14. August aufgemacht.

Liquid AI hat am 19. August neue Prüfpunkte für vier Modelle seiner LFM2.5-Familie veröffentlicht — in den Größen 230 Millionen, 350 Millionen, 1,2 Milliarden und 2,6 Milliarden Parameter, jeweils im 4-Bit-Format Q4_0 für die verbreitete Laufzeitumgebung llama.cpp. Erzeugt wurden sie mit einem Verfahren, das das Unternehmen Quantization-Aware Distillation nennt.

Der Reihe nach, weil hier drei Begriffe zusammenkommen, die oft verwechselt werden. Quantisierung ist das Verkleinern eines Modells, indem man seine Gewichte von 16-Bit-Zahlen auf zum Beispiel 4 Bit herunterrundet — das Modell braucht danach etwa ein Viertel des Speichers. Der Standardweg dorthin ist die nachträgliche Quantisierung: fertig trainiertes Modell nehmen, runden, fertig. Billig, aber die Qualität leidet, weil das Modell nie gelernt hat, mit der groben Rundung umzugehen. Der aufwendigere Weg ist quantisierungsbewusstes Training, bei dem die Rundungsfehler schon während des Trainings simuliert werden. Destillation wiederum ist etwas Drittes: Ein kleines Schülermodell lernt, die Ausgaben eines großen Lehrermodells nachzuahmen.

Liquid AI kombiniert die letzten beiden: Ein hochpräzises Lehrermodell wird direkt in ein bereits quantisiertes Schülermodell destilliert. Eine Analogie, die trägt: Die nachträgliche Quantisierung ist, als würde man ein fertiges Buch im Nachhinein zusammenstreichen — Sätze brechen ab, Nuancen fallen weg. Das neue Verfahren ist eher ein erfahrener Übersetzer, der das Original von vornherein in eine knappere Sprache überträgt und dabei laufend prüft, welche Nuancen erhalten bleiben müssen.

Die Zahlen. Über eine Benchmark-Sammlung aus GPQA Diamond, MMLU-Pro, IFEval, IFBench, Multi-IF und BFCLv4, gemittelt über fünf Durchläufe, erreichen die neuen Prüfpunkte gegenüber dem unkomprimierten BF16-Original: 97,1 Prozent beim 230-Millionen-Modell, 96,5 Prozent bei 350 Millionen, 97,4 Prozent bei 1,2 Milliarden und 96,6 Prozent bei 2,6 Milliarden. Vom Qualitätsverlust, den die herkömmliche 4-Bit-Quantisierung verursacht, holt das Verfahren zwischen 48,4 und 73,4 Prozent zurück — am meisten bei den kleinsten Modellen, was plausibel ist, weil gerade kleine Modelle auf grobe Rundung am empfindlichsten reagieren. Sämtliche Werte sind Herstellerangaben; eine unabhängige Nachmessung liegt nicht vor, und ein Fachaufsatz speziell zu diesem Verfahren ebenfalls nicht.

Der entscheidende Punkt für die Praxis ist ein anderer: Die neuen Prüfpunkte haben exakt dasselbe Format und dieselbe Dateigröße wie die bisherigen 4-Bit-Versionen. Das 350-Millionen-Modell wiegt in beiden Fällen rund 219 Megabyte gegenüber 711 Megabyte in voller Präzision. Es gibt also weder einen Speicher- noch einen Geschwindigkeitsnachteil — die bessere Qualität kommt ohne Gegenrechnung. Bei den beiden kleineren Modellen erreicht Liquid AI damit nach eigenen Messungen die Qualität der deutlich größeren Q5-Variante bei 4 bis 33 Prozent höherem Durchsatz.

Gemessen wurde auf Hardware, die für die Zielgruppe aussagekräftig ist: einem MacBook Pro mit M5 Max, einem Mini-PC mit AMD Ryzen AI Max+ 395, einem Samsung Galaxy S26 Ultra und einem Raspberry Pi 5. Das 350-Millionen-Modell braucht laut Modellkarte unter einem Gigabyte Arbeitsspeicher, beherrscht neun Sprachen einschließlich Deutsch und verarbeitet 32.768 Token Kontext.

Ein Punkt, den man vor dem Einsatz prüfen muss, steht nicht im Blogbeitrag, sondern in der Lizenzdatei. Die Gewichte stehen unter der LFM Open License v1.0. Kommerzielle Nutzung ist erlaubt — aber nur bis zu einer Schwelle von 10 Millionen Dollar Jahresumsatz. Wer darüber liegt, braucht eine gesonderte kommerzielle Lizenz von Liquid AI. Für ein Unternehmen, das ein solches Modell in ein Produkt einbetten will, ist das die erste zu klärende Frage, nicht die letzte.

Zum Unternehmen: Liquid AI ist ein 2023 gegründetes Spin-off des MIT-Labors CSAIL um Ramin Hasani, Mathias Lechner und Alexander Amini, bekannt geworden durch die Forschung an sogenannten Liquid Neural Networks. Die kommerziellen Modelle beruhen inzwischen allerdings auf einer Mischarchitektur aus gesteuerten Faltungsblöcken und Attention-Schichten, nicht mehr auf jenem ursprünglichen Ansatz. Die Series-A-Runde über 250 Millionen Dollar im Dezember 2024 wurde von AMD Ventures angeführt — was erklärt, warum ein AMD-Prozessor in der Messreihe auftaucht.

Warum das wirtschaftlich zählt. Ein Modell, das mit unter einem Gigabyte Speicher auf einem Telefon läuft und dabei fast die Qualität der unkomprimierten Fassung liefert, verschiebt die Grenze dessen, was sich ohne Cloud erledigen lässt: keine laufenden Tokenkosten je Anfrage, keine Netzlatenz, und Daten, die das Gerät nie verlassen — was in regulierten Branchen den Unterschied zwischen machbar und nicht machbar ausmacht. Die Argumente dafür haben wir in unserer Reportage vom 9. Juni ausgeführt; was sich seither geändert hat, ist die Qualität, die man auf dieser Größenklasse tatsächlich bekommt.

JetBrains hat die Ergebnisse seiner zehnten jährlichen Entwicklerbefragung veröffentlicht, erhoben von Mai bis Juli 2026 unter nach eigener Angabe mehr als 15.000 professionellen Entwicklern in acht Sprachen; heise nennt die genaue Zahl 15.509. Der Befund ist deutlich: Claude Code wird von 39 Prozent der Befragten beruflich genutzt — in den USA sogar von 47 Prozent —, GitHub Copilot von 21 Prozent.

Die Bewegung wird erst im Vergleich zur JetBrains-Zwischenerhebung vom Januar 2026 sichtbar, und sie ist drastisch. Claude Code stand damals bei 18 Prozent, Copilot bei 29. Innerhalb von rund einem halben Jahr hat sich das eine Werkzeug also mehr als verdoppelt und das andere um acht Punkte verloren. Ebenfalls bemerkenswert: OpenAI Codex springt von 3 auf 16 Prozent, während Cursor von 18 auf 12 Prozent fällt — in China sogar von 28 auf 16. JetBrains' eigenes Angebot kommt auf 9 Prozent, OpenCode auf 7, Google Antigravity auf 6. Zur Nutzungsintensität nennt die Erhebung 90 Prozent mindestens wöchentliche und 68 Prozent tägliche Nutzung; 31 Prozent aller Befragten geben Claude Code als ihr meistgenutztes Werkzeug an.

Bevor man das für bare Münze nimmt, gehören zwei Einschränkungen auf den Tisch. Die erste ist der offensichtliche Interessenkonflikt: JetBrains verkauft selbst einen Coding-Agenten. Er relativiert sich hier allerdings deutlich, weil ausgerechnet das eigene Produkt mit 9 Prozent weit abgeschlagen im Feld liegt und die Erhebung Wettbewerbsprodukte als Sieger ausweist. Hinzu kommt, dass JetBrains' Geschäftsmodell sich zur Plattform verschiebt — praktisch alle genannten Agenten laufen inzwischen in JetBrains-Entwicklungsumgebungen, das Haus verdient also weitgehend unabhängig davon, welcher Agent gewinnt. Was der Interessenkonflikt trotzdem berührt: Welche Werkzeuge überhaupt abgefragt werden, wie „Nutzung“ definiert ist und wie die Ergebnisse gerahmt werden, entscheidet der Anbieter.

Die zweite Einschränkung wiegt schwerer und gilt für jede Entwicklerumfrage: Es ist keine Zufallsstichprobe. Wer teilnimmt, meldet sich selbst — überwiegend über JetBrains-Kanäle, Newsletter und Community. Das verzerrt systematisch zugunsten technisch versierter, werkzeugaffiner Profis, die neuen agentischen Werkzeugen offener gegenüberstehen als der Durchschnitt. Dieselbe Einschränkung trifft die Stack-Overflow-Umfrage und, in anderer Ausprägung, den DORA-Report; keine dieser Erhebungen misst „alle Entwickler“.

Der Trend selbst ist trotzdem belastbar, und das ist der Grund, warum wir die Meldung bringen. Eine methodisch völlig andere Erhebung kommt zum gleichen Ergebnis: Der Newsletter The Pragmatic Engineer befragte im Januar und Februar 2026 906 überwiegend erfahrene Abonnenten und fand Claude Code bei 46 Prozent als meistgeschätztes Werkzeug gegenüber 9 Prozent für GitHub Copilot. Die absoluten Werte weichen stark ab — was für sich genommen schon zeigt, wie wenig eine einzelne Prozentzahl bedeutet —, die Richtung ist identisch.

Der blinde Fleck der Umfrage ist ebenso aufschlussreich wie ihr Inhalt. JetBrains veröffentlicht Zahlen zur Verbreitung und Nutzungshäufigkeit, aber keine zu Vertrauen, Zufriedenheit oder Codequalität. Der DORA-Report 2025 liefert dazu den Gegenpunkt: 90 Prozent nutzen KI bei der Arbeit, aber 30 Prozent äußern wenig bis kein Vertrauen in KI-erzeugten Code — bei gleichzeitig über 80 Prozent wahrgenommenem Produktivitätsgewinn. Hohe Verbreitung ist nicht dasselbe wie hohes Vertrauen, und beides ist nicht dasselbe wie messbar bessere Ergebnisse.

Was Tech Leads daraus mitnehmen können, lässt sich sauber trennen. Ableitbar ist: Agentisches Programmieren ist in dieser Zielgruppe Alltag, nicht Experiment, und wer noch mit reiner Autovervollständigung arbeitet, hat einen evidenzgestützten Anlass, den Wechsel zu prüfen. Nicht ableitbar ist ein Marktanteil, den man auf die eigene Organisation übertragen könnte — und erst recht keine Aussage darüber, ob der Wechsel die Codequalität verbessert. Diese Frage beantwortet keine Verbreitungsumfrage, sondern nur die eigene Messung an den eigenen Kennzahlen.

Velaura AI aus San Jose hat 110 Millionen Dollar eingesammelt, bei einer Bewertung von über einer Milliarde. Angeführt wird die Runde von Seligman Ventures; beteiligt sind unter anderem der Samsung Catalyst Fund, Mayfield, Capricorn Investment Group und Prosperity7 Ventures. Die deutschsprachigen Meldungen bei Golem und heise nennen sie als Series A.

Das ist formal richtig und inhaltlich irreführend, und diese Einordnung fehlt in der deutschen Berichterstattung vollständig. Velaura AI heißt erst seit März 2026 so. Davor firmierte das 2022 gegründete Unternehmen als Auradine und stellte Spezialchips für das Schürfen von Bitcoin her. Die aktuelle Runde ist die erste unter dem neuen Namen — tatsächlich aber die vierte Finanzierungsrunde der Firma: 81 Millionen Dollar in der ursprünglichen Series A, 80 Millionen in der Series B im April 2024, 153 Millionen in der Series C im April 2025 unter Führung der StepStone Group. Rechnerisch summiert sich das auf rund 424 Millionen Dollar.

Geführt wird das Haus von Rajiv Khemani, zuvor Bereichsleiter für Netzwerkprozessoren bei Intel, danach Betriebschef bei Cavium und Gründer von Innovium, das 2021 für rund 1,1 Milliarden Dollar an Marvell ging. Mitgründer und President ist Sanjay Gupta. Im Aufsichtsgremium sitzt Intel-Chef Lip-Bu Tan.

Zur Technik. Das Produkt heißt Titan Core und ist kein Chip, sondern lizenzierbares Entwurfsmaterial: proprietäre Standardzellbibliotheken für Niedrigspannungsbetrieb plus ein eigener Werkzeugfluss für das physische Layout. Der Ansatz lässt sich an einer Zahl festmachen. Heutige Rechenblöcke in GPUs und KI-Beschleunigern arbeiten typischerweise bei 700 bis 800 Millivolt; Titan Core zielt auf 300 bis 500 Millivolt. Das ist, technisch eingeordnet, Betrieb nahe der Schaltschwelle des Transistors — ein seit Jahrzehnten bekanntes Verfahren, das enorme Energieersparnis verspricht und zugleich anfällig für Fertigungsschwankungen und Fehlerraten ist. Genau daran ist es in der Praxis oft gescheitert.

Das Versprechen lautet: zwei- bis vierfach geringerer Energieverbrauch in den Matrixmultiplikationsblöcken, die laut Velaura 40 bis 70 Prozent des gesamten Chipverbrauchs ausmachen, und daraus abgeleitet bis zu halbierter Gesamtverbrauch. Als Rechenbeispiel nennt die Firma eine Ersparnis von bis zu 500 Watt bei einem Beschleuniger mit 1.000 Watt, was über drei Jahre etwa 1.300 bis 1.500 Dollar Stromkosten je Chip entspräche. Gefertigt werden soll in 3- und 2-Nanometer-Knoten. Sämtliche Effizienzzahlen sind Firmenangaben.

Und hier wird die Auradine-Vorgeschichte wichtig. Velaura verweist als Beleg für die Zuverlässigkeit seiner Niedrigspannungstechnik auf über 30 Millionen bereits gefertigte anwendungsspezifische Chips. Diese Zahl stammt jedoch, wie GamesBeat unabhängig herausarbeitet, aus dem Bitcoin-Mining-Geschäft der Auradine-Zeit. Für KI-Beschleuniger gibt es nach den geprüften Berichten bislang laufende Gespräche mit Hyperscalern, aber keine abgeschlossene Serienfertigung. Die Effizienzversprechen beruhen also auf Simulationen und auf Fertigungserfahrung mit einem anderen Chiptyp — nicht auf gemessenem KI-Silizium.

Man sollte diesen Einwand nicht mit Ablehnung verwechseln. Mining-ASICs sind ein hartes Umfeld für Niedrigspannungsdesign, weil dort jedes Milliwatt unmittelbar Marge kostet; die Erfahrung ist echt. Aber ein Mining-Chip rechnet immer dieselbe, extrem regelmäßige Operation. Ein KI-Beschleuniger muss unterschiedliche Genauigkeiten, Speicherzugriffsmuster und Auslastungsprofile beherrschen — die Übertragbarkeit ist eine offene technische Frage, keine ausgemachte Sache.

Der Marktdruck dahinter ist unstrittig. Der Strombedarf amerikanischer Rechenzentren ist von rund 3 Gigawatt im Jahr 2023 auf über 28 Gigawatt gestiegen, während Netzanschlüsse in vielen US-Märkten vier bis sieben Jahre Wartezeit haben. Ein einzelnes Rack aktueller Nvidia-Systeme zieht 120 bis 140 Kilowatt, wo klassische Rechenzentren für 10 bis 15 ausgelegt wurden. Effizienz je Chip ist der einzige Hebel, der wirkt, ohne auf ein Kraftwerk zu warten.

Bemerkenswert ist Velauras Geschäftsmodell, weil es das übliche Problem umgeht. Wer gegen Nvidia antreten will, scheitert selten an der Hardware und fast immer am Software-Ökosystem: CUDA ist über zwei Jahrzehnte gewachsen und tief in Arbeitsabläufe eingebettet. Velaura baut deshalb gar keinen konkurrierenden Chip, sondern verkauft sein Entwurfsmaterial an bestehende Chiphersteller — an Hyperscaler mit eigenen Beschleunigern und im Prinzip auch an Nvidia selbst. Die Vergütung soll teils an nachgewiesene Stromeinsparung gekoppelt sein. Das ist eine Zulieferer- statt einer Angreiferposition, und sie ist deutlich robuster gegen das Ökosystem-Argument als die Strategie von Etched, Groq oder d-Matrix.

Das Digital Economy Lab der Universität Stanford hat seine Auswertung „Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence“ von Erik Brynjolfsson, Bharat Chandar und Ruyu Chen fortgeschrieben. Grundlage sind Lohnabrechnungsdaten des Dienstleisters ADP — je Monat 3,5 bis 5 Millionen US-Beschäftigte, Zeitraum Januar 2021 bis Juni 2026.

Der Kernbefund: Bei 22- bis 25-Jährigen in den beiden am stärksten KI-ausgesetzten Berufsgruppen ist die Beschäftigung zwischen November 2022 und Juni 2026 um rund 11 Prozent gefallen, während sie in den drei am wenigsten ausgesetzten Gruppen um 10 Prozent gestiegen ist. Den Rückstand gegenüber dem Pfad, den diese Gruppe ohne KI-Exposition genommen hätte, beziffern die Autoren auf 19 Prozentpunkte. Im Juli 2025 waren es 15. Die Lücke schließt sich also nicht, sie öffnet sich weiter. Bei erfahrenen Beschäftigten findet sich kein vergleichbarer Effekt.

Ebenso wichtig ist, was die Auswertung nicht findet: keinen breiten Verdrängungseffekt über alle Altersgruppen. Der Mechanismus wirkt fast ausschließlich über ausbleibende Neueinstellungen, nicht über Entlassungen — und über Beschäftigung, nicht über die Grundvergütung. Als Fallbeispiele nennt die Arbeit Softwareentwicklung und Kundenservice.

Wir haben über diese Datenreihe schon berichtet: In unserer Reportage vom 10. August stand die frühere Fassung mit minus 16 Prozent im Mittelpunkt, zusammen mit den Harvard-Daten und dem METR-Experiment. Neu ist heute die Fortschreibung — und der gewachsene Abstand. Ebenfalls abzugrenzen ist die ifo-Sonderfrage, über die wir am 13. August geschrieben haben: Das war eine Erwartungsbefragung deutscher Unternehmen zu künftigen Löhnen. Hier geht es um gemessene Beschäftigung in den USA. Andere Institution, anderes Land, andere Methode, anderer Gegenstand.

Ein zweiter, unabhängiger Datenpunkt kam am 18. August dazu. Die Bank of Korea berichtet für Südkorea zwischen Juni 2022 und Juni 2026 einen Rückgang der Beschäftigung bei 15- bis 29-Jährigen um 285.000 Stellen, wovon 268.000 — also 94 Prozent — auf KI-exponierte Branchen entfallen: IT-Dienstleistungen minus 31,4 Prozent, Verlagswesen minus 27,4 Prozent, Programmierung minus 16,6 Prozent. Im selben Zeitraum wuchs die Beschäftigung der über 50-Jährigen um 230.000 Stellen. Dasselbe Muster, ein anderer Kontinent.

Und jetzt die Einwände, die zu dieser Meldung gehören. Beide Untersuchungen bezeichnen ihre Befunde ausdrücklich als deskriptiv, nicht als kausal — daher auch das Bild vom Kanarienvogel im Bergwerk. Ökonomen bei Google führen die Effekte auf die Zinsentwicklung zurück. Torsten Sløk von Apollo Global Management sieht schlicht einen Arbeitsmarkt, auf dem wenig eingestellt und wenig entlassen wird. Andere verweisen auf die Übereinstellung im Techsektor 2021/22 und auf Nachwirkungen der Pandemie. Die Bank of Korea räumt selbst ein, dass Südkoreas schrumpfende Jugendkohorte einen erheblichen Teil erklären könnte und KI den Trend allenfalls beschleunigt habe.

Die Autoren selbst benennen drei Schwachstellen offen: Die Divergenz beginnt teilweise schon vor ChatGPT, vor allem rund um die Pandemie. Der Effekt schwächt sich ab, wenn man nach Bildungsniveau kontrolliert — was entweder eine Alternativerklärung ist oder der eigentliche Wirkungskanal. Und die Kluft ist im ADP-Datensatz stärker ausgeprägt als in nationalen Umfragedaten. Dagegen halten sie, dass die Lücke weiter wächst, lange nachdem die Zinsen ihren Höhepunkt überschritten haben, und dass der Effekt bestehen bleibt, wenn man Techfirmen und Computerberufe ausschließt.

Für die Personalplanung folgt daraus etwas Konkretes, unabhängig davon, wie der Kausalitätsstreit ausgeht. Klassische Einstiegsrollen funktionieren als Ausbildungsplätze: Berufsanfänger erledigen Routinearbeit und bauen dabei Erfahrung auf. Genau diese Routinearbeit ist das, was Sprachmodelle zuerst übernehmen — die Einstiegsrolle verliert also ihre Aufgabe und ihre Ausbildungsfunktion gleichzeitig. Wer weiterhin Nachwuchs aufbauen will, muss Einstiegsrollen aktiv neu zuschneiden, um Aufgaben mit Erfahrungswissen und um Begleitung durch Erfahrene. Wer darauf verzichtet, spart heute Personalkosten und hat in fünf bis zehn Jahren keine erfahrenen Fachkräfte, weil niemand mehr ausgebildet wurde. Das ist keine Prognose über KI, sondern eine Rechnung über Kohorten.