KI-Newsletter KW23: Die KI-Flatrate stirbt, die Infrastruktur-Rechnung kommt
Letzte Woche ging es um ROI. Diese Woche zeigt, wo die Rechnung wirklich landet: am Kapitalmarkt, im Rechenzentrum, im Betriebssystem, im Netzwerk, in der Security, in der Entwicklerabrechnung und sogar in menschlicher Alltagsarbeit.
Alphabet sammelt Milliarden für KI-Infrastruktur. Meta prüft neue Kapitalquellen. Chipwerte verlieren an einem Tag 1,3 Billionen Dollar Marktwert. SpaceX verkauft Rechenkapazität an Google und Anthropic. Microsoft macht Agenten zur Enterprise-Plattform. Cisco baut die Kontrollschicht für Agenten in die Netzwerkinfrastruktur. Nvidia nennt Vera die erste CPU für Agenten. GitHub beendet die Illusion der KI-Flatrate. Und Anthropic bereitet den Börsengang vor, während es gleichzeitig einen Notfallplan für Frontier-KI fordert.
Der rote Faden ist klar: KI ist nicht mehr nur Software. KI wird Infrastruktur und Infrastruktur kostet Geld, Kontrolle und Governance.
Die naive Frage lautet: Welches Modell ist am besten?Die bessere Frage lautet: Wer kontrolliert die Schichten, auf denen KI künftig arbeitet?
Hier sind die zehn Entwicklungen der Woche, die du jetzt einordnen kannst.
1. KI-CapEx trifft den Kapitalmarkt: Alphabet, Meta und der Chip-Selloff
Alphabet hat seine geplante Equity-Finanzierung auf 84,75 Milliarden Dollar erhöht, um den massiven Ausbau seiner KI-Infrastruktur zu finanzieren. Meta prüft laut Reuters ebenfalls eine große Aktienplatzierung, nachdem die KI-Ausgaben immer stärker steigen. Parallel verloren US-gehandelte Chipwerte an einem Tag rund 1,3 Billionen Dollar Marktwert. Besonders Nvidia, Micron, AMD, Marvell und Broadcom standen unter Druck.
Warum das wichtig ist: Das ist der Moment, in dem KI-Infrastruktur endgültig zur Kapitalmarktfrage wird. Die großen Plattformen finanzieren KI nicht mehr nur aus laufendem Cashflow. Sie holen sich Fremd- und Eigenkapital, um Rechenzentren, Chips, Energieverträge und Dateninfrastruktur zu finanzieren. Gleichzeitig beginnt der Markt, überzogene KI-Erwartungen härter abzustrafen.
Für Unternehmer heißt das: KI-Kosten sind nicht mehr nur Toolpreise. Sie hängen an Kapitalverfügbarkeit, Zinsen, Lieferketten und Investorengeduld.
Was zu machen ist:
• Prüfe deine KI-Roadmap nicht nur technisch, sondern finanziell: Welche Projekte hängen indirekt an Cloud-, GPU- oder Plattformkosten?
• Plane KI-Budgets mit Puffer. Die Infrastrukturkosten der Anbieter werden früher oder später in deine Preise durchgereicht.
• Behandle KI-Lieferanten wie strategische Infrastrukturpartner, nicht wie normale SaaS-Anbieter.
2. SpaceX wird zum KI-Compute-Anbieter für Google und Anthropic
SpaceX hat einen mehrjährigen Cloud-Deal mit Google geschlossen. Laut Reuters zahlt Google ab Oktober 2026 monatlich 920 Millionen Dollar für Compute-Kapazität, inklusive rund 110.000 Nvidia-GPUs sowie CPUs, Memory und weiterer Infrastruktur. Zuvor hatte Anthropic bereits einen großen Deal für SpaceX-Rechenkapazität abgeschlossen. Zusammen werden die Compute-Deals mit Google und Anthropic auf mehr als 70 Milliarden Dollar beziffert, sofern sie vollständig laufen.
Warum das wichtig ist: SpaceX ist damit nicht mehr nur Raketen-, Satelliten- und Starlink-Firma. SpaceX wird KI-Infrastrukturspieler. Das ist ein harter Strategiewechsel: Wer extreme Energie-, Kühlungs-, Hardware- und Standortkompetenz hat, kann plötzlich Compute verkaufen.
Der Punkt ist nicht SpaceX allein. Der Punkt ist: KI-Compute wird zur handelbaren strategischen Ressource. Wer Kapazität hat, vermietet Macht.
Was zu machen ist:
• Verstehe Compute-Zugang als strategisches Risiko. Cloud-Verfügbarkeit ist nicht garantiert, nur weil du einen Account hast.
• Baue Szenarien für steigende Inferenz- und Trainingskosten in deine KI-Planung ein.
• Prüfe, ob kritische KI-Workloads auf einem Anbieter hängen oder ob du echte Ausweichoptionen hast.
3. Microsoft Build 2026: Agenten werden zur Enterprise-Plattformfunktion
Microsoft hat auf der Build 2026 die Agenten-Schicht deutlich ausgebaut. Microsoft Foundry erhält mehr Bausteine für produktive Agenten: Runtime, Tools, Memory, Grounding, Observability und Governance. Microsoft beschreibt den Weg von Prototypen zu produktiven Agenten explizit als Plattformproblem: bauen, betreiben, beobachten, evaluieren und kontrollieren. Parallel wird das Microsoft Agent Framework als SDK und Runtime für Agenten- und Multi-Agent-Workflows ausgebaut.
Warum das wichtig ist: Microsoft verschiebt Agenten aus der Spielwiese in den Enterprise-Stack. Das ist kein einzelnes Feature. Das ist Arbeitsplatz, Cloud, Identität, Governance, Entwicklung und Deployment in einem System.
Für Unternehmen bedeutet das: Agenten werden nicht als isolierte Chatbots kommen. Sie werden in die vorhandenen Arbeitsprozesse, Rechte, Datenquellen und Kontrollsysteme eingebaut.
Was zu machen ist:
• Behandle Agenten als Teil deiner IT-Architektur, nicht als einzelnes Fachbereichs-Experiment.
• Kläre früh, welche Rollen, Rechte und Datenquellen Agenten in Microsoft 365, Teams, GitHub und Azure bekommen dürfen.
• Verlange von deiner IT eine Agenten-Governance, bevor Fachbereiche eigenständig produktive Agenten bauen.
4. Cisco Cloud Control: Das Netzwerk wird zur Agenten-Kontrollschicht
Cisco hat auf Cisco Live Cloud Control und AgenticOps vorgestellt. Cloud Control soll Menschen und KI-Agenten in einer gemeinsamen Umgebung zusammenbringen, um kritische IT-Infrastruktur zu betreiben, zu überwachen und zu verteidigen. Cisco bündelt dafür Networking, Security, Compute, Observability und Collaboration in einer Managementebene.
Warum das wichtig ist: Wenn Agenten echte Arbeit machen, wird jeder Agentenlauf ein Infrastrukturereignis: Zugriff, Routing, Telemetrie, Berechtigung, Risiko. Cisco positioniert das Netzwerk nicht mehr nur als Leitung, sondern als Kontrollinstanz.
Das ist für CIOs und Geschäftsführer entscheidend. Die Frage lautet nicht mehr nur: Welcher Agent kann welche Aufgabe? Sondern: Wer sieht, kontrolliert und stoppt ihn, wenn er falsch handelt?
Was zu machen ist:
• Baue Agenten-Monitoring nicht erst auf Anwendungsebene. Du brauchst Sichtbarkeit auf Netzwerk-, Identitäts- und Security-Ebene.
• Definiere Freigabeprozesse für Agentenaktionen, die Systeme verändern, Daten bewegen oder externe Dienste ansprechen.
• Prüfe, ob deine Observability- und Security-Tools Agenten überhaupt als eigene Akteursklasse erkennen können.
5. Nvidia Vera: Agenten bekommen eigene Hardware-Architektur
Nvidia hat Vera als „CPU for Agents“ vorgestellt. Laut Nvidia ist Vera die erste CPU, die explizit für agentische KI-Workloads gebaut wurde. Die CPU soll unter anderem bei Agentenaufgaben, Reinforcement Learning, Datenverarbeitung, Sandbox-Ausführung und Orchestrierung eingesetzt werden. Nvidia spricht von 1,8-fach schnellerer Task Completion gegenüber x86-CPUs.
Warum das wichtig ist: Bisher wurde KI fast nur über GPUs erzählt. Nvidia verschiebt die Story jetzt: Agenten brauchen nicht nur Beschleuniger für Modelle, sondern CPUs für Tool-Use, Code-Ausführung, Datenbewegung, Koordination und viele parallele Umgebungen.
Das ist der nächste Infrastruktur-Layer. Wenn Agenten in Unternehmen wirklich laufen, hängen ihre Kosten und ihre Geschwindigkeit nicht nur am Modell, sondern am ganzen System darunter.
Was zu machen ist:
• Denke KI-Infrastruktur nicht mehr nur in GPU-Stunden. Agentische Workloads brauchen CPU, Memory, Netzwerk, Storage und Isolation.
• Frage Cloud- und Rechenzentrumsanbieter, wie ihre Architektur für lang laufende Agentenprozesse ausgelegt ist.
• Prüfe, welche Agenten-Workloads bei dir CPU- und Orchestrierungsengpässe erzeugen könnten.
6. Agentic Security: Claude Code und Gemini zeigen die neue Angriffsfläche
Microsoft Threat Intelligence hat gezeigt, dass Anthropic Claude Code GitHub Action unter bestimmten Bedingungen CI/CD-Secrets offenlegen konnte, wenn Agenten untrusted GitHub-Inhalte wie Issues, Pull Requests oder Kommentare verarbeiten. Anthropic hat das Problem laut Microsoft nach verantwortlicher Offenlegung mitigiert. Parallel zeigte SafeBreach, wie Google Gemini über Benachrichtigungen aus WhatsApp, Slack, SMS und anderen Apps per indirekter Prompt Injection manipuliert werden konnte.
Warum das wichtig ist: Das ist einer der wichtigsten Punkte der Woche. Prompt Injection ist nicht mehr nur ein Chatbot-Problem. Sobald Agenten Zugriff auf Dateien, Secrets, CI/CD, Nachrichten, Kalender, Tickets oder Tools bekommen, wird natürliche Sprache zur Angriffsfläche.
Ein Kommentar in einem GitHub-Issue, eine Slack-Nachricht oder eine WhatsApp-Benachrichtigung kann dann nicht mehr wie normaler Text behandelt werden. Für den Agenten kann es eine Anweisung sein.
Was zu machen ist:
• Behandle alle Inhalte aus Issues, Pull Requests, Chats, E-Mails und Tickets als untrusted Input.
• Gib Agenten niemals gleichzeitig Zugriff auf untrusted Input, Secrets und externe Kommunikationskanäle.
• Setze für Agenten in CI/CD-Umgebungen Least Privilege, getrennte Tokens, Sandboxen und menschliche Freigaben durch.
7. GitHub Copilot Token-Billing: Das Ende der KI-Flatrate
GitHub Copilot stellt auf usage-based Billing um. Seit 1. Juni 2026 verbraucht Copilot-Nutzung GitHub AI Credits. Statt nur Premium Requests zu zählen, wird Nutzung anhand von Tokenverbrauch berechnet, inklusive Input-, Output- und Cached Tokens. GitHub begründet den Schritt damit, dass Copilot sich von einem Editor-Assistenten zu einer agentischen Plattform entwickelt hat, die lange, mehrstufige Coding-Sessions über ganze Repositories ausführen kann.
Warum das wichtig ist: Die KI-Flatrate stirbt zuerst dort, wo die Nutzung teuer wird: bei Agenten. Ein klassischer Autocomplete ist billig. Ein Agent, der ein Repository analysiert, Änderungen plant, Tests ausführt, Fehler behebt und mehrere Schleifen dreht, ist teuer.
Für CFOs, CTOs und Engineering-Leiter heißt das: KI-Produktivität braucht Kostenkontrolle. Sonst wird „mehr Agenten“ schnell zur Budgetfalle.
Was zu machen ist:
• Setze Usage-Limits und Kostenwarnungen für Entwicklerteams, bevor Agenten-Workflows skaliert werden.
• Messe nicht nur eingesparte Entwicklerzeit, sondern Kosten pro abgeschlossenem Task.
• Definiere, welche Modelle für welche Aufgaben erlaubt sind. Nicht jede Codeaufgabe braucht das teuerste Modell.
8. Anthropic IPO + Pause-Plan: Kapitalmarkt trifft Kontrollfrage
Anthropic hat vertraulich einen Draft-S-1-Antrag bei der US-Börsenaufsicht SEC eingereicht. Das gibt dem Unternehmen die Option, nach Prüfung durch die SEC an die Börse zu gehen; konkrete Angaben zu Preis, Aktienzahl und Zeitpunkt sind noch offen. Gleichzeitig fordert Anthropic einen koordinierten und überprüfbaren Plan, um Frontier-KI-Entwicklung temporär zu verlangsamen oder zu pausieren, falls Risiken eskalieren. Besonders im Fokus steht rekursive Selbstverbesserung: KI-Systeme, die helfen könnten, zukünftige KI-Systeme immer schneller zu verbessern.
Warum das wichtig ist: Das ist der stärkste Widerspruch der Woche. Auf der einen Seite bereitet sich Anthropic auf den Kapitalmarkt vor. Auf der anderen Seite warnt das Unternehmen vor einer Entwicklungsgeschwindigkeit, die Institutionen, Regulierer und Unternehmen überfordern könnte.
Das zeigt die neue Realität der Frontier-KI: Die Anbieter wollen wachsen, Kapital aufnehmen und Marktanteile gewinnen. Gleichzeitig wissen sie, dass die Systeme mächtiger, schwerer kontrollierbar und politisch sensibler werden. Für Unternehmen ist das kein akademisches Risiko. Wenn Frontier-Labore plötzlich unter regulatorischem Druck stehen oder selbst Pause-Mechanismen fordern, kann sich deine KI-Roadmap über Nacht verändern.
Was zu machen ist:
• Baue deine KI-Strategie nicht auf der Annahme auf, dass Frontier-Modelle dauerhaft im gleichen Tempo besser und verfügbarer werden.
• Bewerte Anbieter nicht nur nach Benchmark-Leistung, sondern nach Governance, Sicherheitsphilosophie und regulatorischer Robustheit.
• Plane Exit- und Fallback-Szenarien für kritische KI-Workloads, falls Modelle, APIs oder Nutzungsbedingungen kurzfristig eingeschränkt werden.
9. KI greift das Outsourcing-Modell an
Harvard Business Review beschreibt, dass generative KI die ökonomische Grundlage klassischer Outsourcing-Modelle verändert. Viele Routineaufgaben, die Unternehmen bisher wegen günstiger Lohnkosten offshore ausgelagert haben, können durch KI automatisiert oder stark reduziert werden. Damit gerät das jahrzehntealte Modell der Lohnarbitrage unter Druck.
Warum das wichtig ist: Das ist kein kleiner Effizienzpunkt. Es betrifft ein Kernmodell globaler Unternehmensorganisation: Arbeit in günstigere Märkte verschieben, Prozesse standardisieren, Marge über niedrigere Personalkosten holen.
KI verändert diese Logik. Wenn Routinearbeit automatisierbar wird, gewinnt nicht mehr automatisch der günstigste Standort. Dann gewinnt das Unternehmen mit den besten Prozessen, Daten, Automatisierungsrechten und Kontrollsystemen.
Was zu machen ist:
• Prüfe alle ausgelagerten Prozesse auf Automatisierbarkeit, nicht nur auf Kostenvorteil.
• Verhandle Outsourcing-Verträge neu, wenn Anbieter KI einsetzen, aber die Produktivitätsgewinne nicht weitergeben.
• Baue intern Prozesskompetenz zurück auf. Wer seinen Prozess nicht versteht, kann ihn auch nicht sinnvoll automatisieren.
10. MicroAGI/Shift: Menschliche Alltagsarbeit wird Robotik-Trainingsdaten
Shift, unterstützt durch das deutsche MicroAGI-Umfeld, bietet in New York kostenlose Wohnungsreinigung an. Der Deal: Reinigungskräfte tragen Head-Mounted-Kameras und zeichnen echte Haushaltsarbeit aus der Ich-Perspektive auf. Diese Daten sollen für KI- und Robotiktraining genutzt werden. Laut Business Insider war die Nachfrage hoch; Shift sammelt bereits in mehreren Ländern Daten aus realer Alltagsarbeit.
Warum das wichtig ist: Der nächste Datenkrieg findet nicht nur im Internet statt. Er findet in Küchen, Badezimmern, Lagern, Werkstätten, Krankenhäusern und Fabriken statt.
Sprachmodelle wurden mit Text trainiert. Bildmodelle mit Bildern. Roboter brauchen reale Handlungen: greifen, wischen, sortieren, öffnen, reparieren, reinigen. Genau diese Daten sind knapp und wertvoll. Deshalb wird menschliche Arbeit selbst zur Trainingsdatenquelle.
Was zu machen ist:
• Wenn du physische Prozesse im Unternehmen hast, prüfe, welche davon künftig wertvolle Trainingsdaten erzeugen könnten.
• Kläre früh Datenschutz, Eigentum und Verwertungsrechte an Video-, Sensor- und Prozessdaten.
• Unterschätze Physical AI nicht. Der Engpass ist nicht nur der Roboter, sondern der reale Datensatz, der ihn trainiert.
Fazit
KW23 zeigt eine klare Verschiebung: KI wird zur Infrastrukturklasse.
Nicht das beste Modell entscheidet allein. Entscheidend wird, wer die Schichten kontrolliert: Kapital, Compute, Cloud, Betriebssystem, Netzwerk, Security, Billing, Prozessdaten und physische Trainingsdaten.
Die letzten zwei Jahre ging es darum, KI überhaupt einzusetzen. Jetzt geht es darum, sie kontrollierbar, bezahlbar und strategisch belastbar zu machen.
Wer KI nur als Toolfrage behandelt, wird von den Kosten überrascht.Wer KI nur als Modellfrage behandelt, übersieht die Plattformmacht.Wer KI nur als Produktivitätsfrage behandelt, unterschätzt Security und Datenrechte.Wer KI nur als Innovationsprojekt behandelt, ignoriert den Kapitalmarkt und die Regulierung.
Die bessere Managementfrage lautet:
Welche Teile unserer Wertschöpfung laufen künftig auf fremder KI-Infrastruktur und welche davon müssen wir selbst kontrollieren?
3 Aufgaben für diese Woche
- KI-Kostenmodell bauen: Erfasse für deine wichtigsten KI-Anwendungen nicht nur Lizenzkosten, sondern Tokenverbrauch, Agentenlaufzeit, Modellwahl, Cloudkosten und interne Review-Zeit.
- Agentenrechte prüfen: Liste alle Systeme, in denen Agenten heute oder demnächst lesen, schreiben, ausführen oder externe Dienste ansprechen können. Alles mit Schreibrechten gehört unter Governance.
- Infrastrukturabhängigkeit bewerten: Prüfe, welche KI-Workloads bei dir von einzelnen Cloud-, Modell- oder Plattformanbietern abhängen. Wo kein Exit-Plan existiert, existiert ein Risiko.
Du willst nicht nur lesen, sondern handeln?
Jede Woche bekommst du hier die Entwicklungen. Aber die entscheidende Frage bleibt: Was davon setzt du tatsächlich um und mit wem?
Im Business Circle triffst du Unternehmer und Entscheider, die genau diese Themen nicht nur verfolgen, sondern in ihren Unternehmen umsetzen. Kein Frontalunterricht, sondern direkter Austausch auf Augenhöhe.
Wer KI-Strategie alleine macht, macht sie langsamer. Wer sie mit den richtigen Leuten macht, baut einen Vorsprung, den Wettbewerber nicht kopieren können.