Die Zerlegung der Forschungsabteilung: Warum die Spitzenforscher gehen — und was das für die bedeutet, die ihre Modelle einkaufen

Ein Abgang, der kein Einzelfall ist

Als Sundar Pichai am Mittwoch mitteilte, dass Jeff Dean nach 27 Jahren geht, war die naheliegende Lesart die persönliche: ein Mann am Ende einer langen Karriere, der noch einmal etwas Eigenes machen will. Die weniger naheliegende ist die interessantere. Dean geht nicht allein — mit ihm gehen Sanjay Ghemawat, Quoc Le und Oriol Vinyals, und sie gründen mit Discovery Loop nicht irgendein Startup, sondern eines, in das Alphabet selbst investiert.

Das ist inzwischen ein Muster. Im Juni verließ Noam Shazeer, Miterfinder der Transformer-Architektur, Google zum zweiten Mal — Richtung OpenAI, nachdem Google ihn 2024 für 2,7 Milliarden Dollar über einen Lizenz- und Talentdeal mit Character.AI zurückgeholt hatte. Wenige Tage später kündigte John Jumper an, zu Anthropic zu wechseln; Jumper hatte 2024 gemeinsam mit Demis Hassabis den Chemie-Nobelpreis für AlphaFold erhalten. David Silver, einer der ersten DeepMind-Mitarbeiter und Wegbereiter des bestärkenden Lernens, gründete ein eigenes Unternehmen. Die Liste ließe sich fortsetzen.

Für Unternehmen, die KI einkaufen, ist das zunächst Branchenklatsch. Es wird in dem Moment relevant, in dem man fragt, was eigentlich die Verlässlichkeit eines Modellanbieters ausmacht — und ob sie an Personen hängt.

Geld ist die Schwelle, nicht der Grund

Die einfachste Erklärung wäre die Bezahlung, und sie greift zu kurz. Meta hat 2025 für sein Superintelligence-Team Pakete geboten, die in die Hunderte Millionen Dollar gingen; ein früherer Apple-Manager erhielt Berichten zufolge rund 200 Millionen. Metas Technikchef Andrew Bosworth stellte dabei klar, dass es sich nicht um reine Antrittsprämien handelte, sondern um Mischungen aus Grundgehalt, teils sofort verfügbaren Aktien und Boni. Der entscheidende Befund kommt danach: Trotz dieser Summen verließen binnen zwei Monaten acht Mitarbeitende die neu gegründete Einheit wieder, darunter zwei, die zu ihrem alten Arbeitgeber OpenAI zurückkehrten.

Was sich stattdessen grundlegend verschoben hat, ist der Kapitalzugang. Wer als Forscher mit Namen heute ein Labor verlässt, braucht keinen Businessplan mehr, sondern einen Ruf. Ilya Sutskevers Safe Superintelligence hat seit der Gründung im Juni 2024 rund sieben Milliarden Dollar eingesammelt — eine Milliarde bei fünf Milliarden Bewertung, dann zwei Milliarden bei 32 Milliarden, dann eine Fünf-Milliarden-Investition von Nvidia im Juli 2026. Stand heute: kein kommerzielles Produkt, kein Umsatz. Mira Muratis Thinking Machines Lab sammelte im Juli 2025 zwei Milliarden Dollar bei zwölf Milliarden Bewertung ein — die größte Seed-Runde der Geschichte. Ein Nachschlag bei 50 Milliarden Bewertung scheiterte allerdings; die Bewertung liegt weiter bei zwölf Milliarden.

Das kehrt eine Annahme um, die lange stimmte: dass nur große Konzerne sich Spitzenforschung leisten können, weil nur sie die Rechenleistung haben. Wer heute prominent genug ist, bekommt das Kapital für diese Rechenleistung, bevor er weiß, was er damit baut.

Dazu kommen strukturelle Gründe, die in den Berichten überraschend gleichförmig klingen. Über DeepMind wird eine Kultur beschrieben, die „bürokratisch, teils fast sklerotisch und stark risikoscheu“ sei. Bei xAI führte die Integration in SpaceX Anfang 2026 zu einer Arbeitsweise, die auf Hardware-Taktung ausgelegt war und mit Forschungszyklen kollidierte. Die Muster sind unterschiedlich, das Ergebnis ist dasselbe.

Was die Labore noch zusammenhält

Der stärkste Bindungsfaktor ist nach wie vor die Rechenleistung — und die wird schnell teurer. Epoch AI hat die Kosten von Frontier-Trainingsläufen systematisch untersucht und findet seit 2016 ein Wachstum um den Faktor 2,4 pro Jahr, gerechnet über Hardware, Energie und amortisierte Anschaffung. Bei Modellen der GPT-4- und Gemini-Ultra-Klasse entfielen 47 bis 67 Prozent auf Hardware, 29 bis 49 Prozent auf Forschungspersonal und nur zwei bis sechs Prozent auf Energie. Setzt sich der Trend fort, kostet ein einzelner Trainingslauf bis 2027 mehr als eine Milliarde Dollar. Epochs eigene Schlussfolgerung ist nüchtern: Nur wenige große Organisationen können dabei mithalten.

Der zweite Mechanismus ist der Rückkauf von Talent, und er hat eine eigene Rechtsform entwickelt. Statt Unternehmen zu übernehmen, kaufen die Großen seit 2024 Lizenzen und stellen die Gründungsteams ein: Microsoft zahlte 620 Millionen Dollar an Inflection, Google 2,7 Milliarden an Character.AI und 2,4 Milliarden an Windsurf, Amazon holte das Covariant-Gründungsteam, Meta erwarb 49 Prozent an Scale AI für rund 14 Milliarden. Diese Konstruktionen — im Jargon Reverse Acquihire — waren erkennbar so gebaut, dass sie keine kartellrechtliche Anmeldepflicht auslösen. Inzwischen schaut die US-Handelsaufsicht FTC genau hin: Ihr Vorsitzender hat Leitlinien angekündigt, im Fall Microsoft/Inflection ergingen Auskunftsverlangen an beide Unternehmen, und das Justizministerium prüft den Character.AI-Deal.

Der Teil, der Einkäufer wirklich betrifft

Ob ein Forscherwechsel die Modellqualität senkt, lässt sich von außen kaum messen. Was sich messen lässt, ist etwas anderes: wie verlässlich ein Anbieter seine eigene Produktlinie behandelt. Und da liegen die Zahlen offen, weil sie in den Dokumentationen stehen.

Bei den Partnermodellen in Google Cloud liegt zwischen Ankündigung und Abschaltung durchgängig etwa ein halbes Jahr: Claude 3.5 Sonnet wurde am 20. August 2025 abgekündigt und am 19. Februar 2026 abgeschaltet, Claude 3.7 Sonnet am 11. November 2025 mit Abschaltung zum 11. Mai 2026, Claude 3 Haiku am 23. Februar 2026 mit Abschaltung zum 23. August 2026. Bei OpenAI schwanken die Fristen erheblich stärker: Für o3 in ChatGPT galt eine Auslauffrist von 90 Tagen bis zum 26. August 2026, für GPT-4.5 dagegen nur 30 Tage bis zum 27. Juni 2026. Sora-2 und die Videos-API laufen zum 24. September 2026 aus, ohne dass ein Nachfolger benannt wäre.

Der drastischste Fall ist Amazon. Nova Premier und Nova Sonic werden zum 14. September 2026 abgeschaltet, Nova Canvas und Nova Reel zum 30. September — hier verschwindet nicht ein Modell, sondern eine ganze Produktlinie zugunsten eines einzigen künftigen Frontier-Modells.

Die Pointe dieser Tabelle ist nicht, dass abgekündigt wird — das ist normal und richtig. Die Pointe ist die Spannbreite: 30 bis rund 180 Tage für dieselbe Art von Ereignis, je nach Anbieter und Modell. Ein Produktteam, das seine Migrationsplanung auf eine angenommene Standardfrist stützt, plant auf Sand. Wer Verlässlichkeit braucht, muss sie vertraglich erzwingen: eine zugesicherte Mindestvorlaufzeit bei Abkündigung, Herausgabe von Fine-Tuning-Gewichten in portablem Format, Datenportabilität mit fester Frist nach Vertragsende. Das sind Klauseln, keine Policy-Seiten.

Die zweite Konsequenz ist architektonisch. Laut Berichterstattung über Gartner erwarten Analysten, dass bis 2028 rund 70 Prozent der Organisationen mit Mehr-Modell-Anwendungen eine Gateway-Abstraktionsschicht einsetzen — 2024 waren es weniger als fünf Prozent. Was solche Schichten leisten und wo sie überschätzt werden, haben wir in unserer Reportage vom 1. August im Detail behandelt. Der Punkt hier ist bescheidener: Ein Anbieterwechsel sollte eine Konfigurationsänderung sein und kein Projekt.

Die Gegenprobe

Bevor man daraus eine Kausalkette baut, lohnt der ehrliche Blick auf die Gegenevidenz — und die ist unbequem für die naheliegende These.

OpenAI verlor 2024 innerhalb weniger Monate Ilya Sutskever, Jan Leike, Mitgründer John Schulman und Technikchefin Mira Murati. Es war die dichteste Abgangsserie an einer Laborspitze überhaupt; wir haben sie in unserer Reportage vom 12. Juli nachgezeichnet. Eine Verlangsamung der Produkt-Roadmap lässt sich trotzdem nicht erkennen: o1-Preview im September 2024, o1 im Dezember, o3-mini im Januar 2025, GPT-4.5 im Februar, o3 und o4-mini im April, GPT-5 im August. Die Institution hat den Verlust getragen.

Bei xAI sieht es anders aus. Bis Ende März 2026 hatten alle elf ursprünglichen Mitgründer das Unternehmen verlassen, dazu über 80 weitere Forscherinnen und Ingenieure. Im selben Zeitraum fielen Groks täglich aktive Nutzer um 12,5 Prozent, von 13,9 auf 12,2 Millionen, und das Produkt rutschte vom zweiten auf den fünften Marktrang. Nur ist dieser Fall durch die SpaceX-Fusion und den Führungsumbau so überlagert, dass sich Ursache und Wirkung nicht sauber trennen lassen.

Der aufschlussreichste Fall ist Anthropic. In der gesamten Recherche taucht das Unternehmen ausschließlich als Ziel von Wechseln auf, praktisch nie als Quelle nennenswerter Abgänge. SignalFires Talentbericht wies für Anthropic mit 80 Prozent die höchste Zwei-Jahres-Bindung aus, vor DeepMind mit 78 und OpenAI mit 67 Prozent — allerdings mit Stand Mitte 2025; neuere Zahlen liegen nicht vor, obwohl die alten weiterhin zitiert werden. Anthropic zahlt dabei nach übereinstimmender Darstellung nicht die höchsten Pakete am Markt. Wenn diese Zahlen halbwegs weitertragen, dann bindet nicht das Geld, sondern das, was ein Labor sonst noch bietet.

Was man daraus mitnehmen sollte

Die ehrliche Antwort auf die Ausgangsfrage lautet: Es kommt darauf an, und es ist nicht entschieden. Bei OpenAI hat ein Exodus an der Spitze die Kadenz nicht gebremst. Bei xAI fiel das Produkt zurück, aber unter Bedingungen, die auch ohne Abgänge Schaden angerichtet hätten. Bei Google DeepMind ist der Zusammenhang zwischen Abgängen und einem seit Monaten überfälligen Flaggschiffmodell plausibel — bewiesen ist er nicht.

Für eine Beschaffungsentscheidung ist das aber auch die falsche Frage. Ob Jeff Dean bei Google sitzt oder in einem eigenen Unternehmen, wird die Qualität von Gemini in den nächsten zwölf Monaten kaum spürbar verändern. Was sie verändern kann, sind Dinge, die man vertraglich adressieren kann: wie lange ein Modell garantiert verfügbar bleibt, wie schnell man wechseln könnte, wenn man müsste, und ob die eigene Architektur einen Wechsel überhaupt zulässt. Die Personalmeldungen sind das Signal. Die Fristen in der Anbieterdokumentation sind die Information.