Die vergangene Woche hat gezeigt, dass die strategischen Weichenstellungen im KI-Markt nicht mehr allein in den Labors der Modellanbieter stattfinden — sondern in Gerichtssälen, Vorstandsetagen und bei der Neuarchitektur ganzer Unternehmens-IT-Landschaften. Während Anthropic mit einer beispiellosen Regierungskrise kämpft, beweist AT&T, dass die eigentliche KI-Revolution nicht im nächsten Modell steckt, sondern in der Orchestrierung vieler kleiner. Und ein führender KI-Forscher warnt: Die größte Blase liegt dort, wo am meisten investiert wird.
Anthropics 60-Milliarden-Dollar-Krise: Wenn Ethik zum Geschäftsrisiko wird
Die Eskalation zwischen Anthropic und dem Pentagon hat eine neue Dimension erreicht. Nachdem das Verteidigungsministerium das Unternehmen offiziell als Supply Chain Risk eingestuft hat — eine Klassifizierung, die bislang ausländischen Firmen mit Verbindungen zu US-Gegnern vorbehalten war –, stehen nun über 60 Milliarden Dollar an Investorengeldern auf dem Spiel. Laut Axios haben mehr als 200 Risikokapitalgeber in Anthropic investiert, die Hälfte davon erst im vergangenen Monat.
CEO Dario Amodei bekräftigte, dass er die Einstufung gerichtlich anfechten werde, bezeichnete die Maßnahme jedoch als rechtlich nicht haltbar. Anthropic hatte sich geweigert, dem Pentagon uneingeschränkten Zugang zu Claude für Massenüberwachung und autonome Waffen zu gewähren. Google und Amazon stellten klar, dass Anthropic-Produkte auf ihren Plattformen für alle nicht-verteidigungsbezogenen Zwecke weiterhin verfügbar bleiben (CNN). Doch die Investoren sind gespalten: Fortune berichtet, dass sich die über 200 Kapitalgeber keineswegs einig sind, wie der Konflikt zu bewerten ist — ein Zeichen dafür, wie tief die Verunsicherung im KI-Investmentmarkt sitzt.
AT&T zeigt, wie Enterprise-KI wirklich skaliert: 90 Prozent Kostensenkung durch Multi-Agent-Architektur
Während die Branche über Frontier-Modelle debattiert, hat AT&T einen der eindrucksvollsten Enterprise-KI-Erfolge der vergangenen Monate vorgelegt. Der Telekommunikationskonzern verarbeitete 8 Milliarden Tokens pro Tag — und die Kosten explodierten. Die Lösung: Chief Data Officer Andy Markus liess die gesamte Orchestrierungsschicht neu aufbauen. Statt alles über grosse Reasoning-Modelle zu leiten, setzt AT&T nun auf eine Architektur aus grossen Super-Agent-LLMs, die kleinere, spezialisierte Worker-Agents dirigieren (VentureBeat).
„Ich glaube, die Zukunft von Agentic AI liegt in vielen, vielen, vielen kleinen Sprachmodellen. Wir stellen fest, dass kleine Sprachmodelle in einem bestimmten Fachgebiet genauso präzise sind wie ein grosses Sprachmodell.“ — Andy Markus, Chief Data Officer, AT&T
Das Ergebnis: 90 Prozent Kostenreduktion, eine Verdreifachung des Token-Durchsatzes auf 27 Milliarden pro Tag und über 100.000 Mitarbeiter, die das System täglich nutzen — mit 90 Prozent Produktivitätsgewinn bei aktiven Nutzern. Das Modell zeigt, dass der wahre Hebel nicht in größeren Modellen liegt, sondern in intelligenter Orchestrierung mit rollenbasiertem Zugriff, Audit-Logs und menschlicher Kontrolle.
Andrew Ng warnt: Die KI-Blase lauert im Training-Layer
Andrew Ng, Gründer von DeepLearning.AI und Mitbegründer von Coursera, hat in einem viel beachteten Interview eine nüchterne Bestandsaufnahme der KI-Branche vorgelegt. Seine zentrale These: AGI liegt noch Jahrzehnte entfernt — und die größte Gefahr einer Blase liegt nicht bei den KI-Anwendungen, sondern bei der Infrastruktur. Die massivsten Investitionen fliessen in hochspezialisierte Training-Hardware, die sich nur ineffizient für Inferenz wiederverwenden lässt (Fast Company via Yahoo Finance).
Die Zahlen stützen seine Skepsis: Laut dem PwC 2025 Global CEO Survey gaben 56 Prozent der CEOs aus 95 Ländern an, im vergangenen Jahr weder höhere Umsätze noch niedrigere Kosten durch KI erzielt zu haben. Nur 12 Prozent berichteten über Erfolge in beiden Bereichen. Dennoch planen 51 Prozent, ihre Investitionen fortzusetzen — bei sinkendem Vertrauen in künftige Umsatzsteigerungen.
„Wenn es irgendwo ein Blasenrisiko gibt, dann im Training-Layer, wo die Infrastrukturinvestitionen in die Höhe schiessen und sich auf wenige Akteure konzentrieren.“ — Andrew Ng, DeepLearning.AI
OLMo Hybrid: Doppelte Dateneffizienz durch neue Architektur
Das Allen Institute for AI (Ai2) hat mit OLMo Hybrid ein neues Open-Source-Modell veröffentlicht, das einen architektonischen Paradigmenwechsel markiert. Das 7-Milliarden-Parameter-Modell kombiniert klassische Transformer-Attention mit linearen rekurrenten Schichten und erreicht auf dem MMLU-Benchmark dieselbe Genauigkeit wie der Vorgänger OLMo 3 — allerdings mit 49 Prozent weniger Trainings-Tokens, also einer rund doppelten Dateneffizienz (Ai2).
Besonders bemerkenswert: Die Effizienzgewinne kommen allein aus der Architektur, nicht aus Kompromissen bei der Geschwindigkeit. OLMo Hybrid erreicht zudem eine um 75 Prozent verbesserte Inferenz-Effizienz bei langen Kontextlängen. Ai2 stellt sämtliche Gewichte, Zwischen-Checkpoints und den Trainingscode offen zur Verfügung — ein deutliches Signal an die Branche, dass die Zukunft effizienter Modelle nicht hinter verschlossenen Türen stattfinden muss.
Was das für Ihr Unternehmen bedeutet
Die Nachrichtenlage dieser Woche macht eines deutlich: Der strategische Wert von KI liegt nicht im blindem Skalieren, sondern in kluger Architektur und bewusster Anbieterwahl. AT&Ts Multi-Agent-Ansatz zeigt, dass Enterprise-ROI realisierbar ist — aber nur durch grundlegende Neugestaltung der Orchestrierung. Gleichzeitig müssen Unternehmen ihre Abhängigkeit von einzelnen KI-Anbietern kritisch prüfen, wie der Anthropic-Fall zeigt. Und Andrew Ngs Warnung vor Überinvestition im Training-Layer sollte jeden CFO dazu veranlassen, die eigenen KI-Ausgaben auf ihre tatsächliche Wertschöpfung zu überprüfen.
Bei neothink helfen wir Ihnen, Ihre KI-Architektur zukunftssicher aufzustellen: Mit NEOPLAN analysieren wir Ihre aktuelle Orchestrierungslandschaft und identifizieren, wo Multi-Agent-Ansaetze den größten Hebel bieten. NEOSKILL befähigt Ihre Teams, kleine spezialisierte Modelle effektiv einzusetzen und Anbieterrisiken zu bewerten. Und mit NEOACT implementieren wir skalierbare KI-Architekturen, die Kosten senken und Produktivität messbar steigern. Sprechen Sie uns an.