Büroklammern und Stahlträger

Bauplan: Ivan Zhao vergleicht Organisationen mit Städten. Die eine wird für Menschen gebaut. Die andere für Maschinen. 70 Operatoren steuern 3.000 Robotaxis. Ein Open-Source-Projekt orchestriert ganze Unternehmen ohne einen einzigen Mitarbeiter. Die Frage an uns: Bauen wir unsere Zukunft für Menschen oder für Maschinen?

Schwelle: Die KI-Forscherin Fei-Fei Li brachte Computern das Sehen bei. Jetzt sammelt sie eine Milliarde ein, um ihnen die physische Welt beizubringen. Drei Wochen später verkündet Yann LeCun die Gründung seines Unternehmens Advanced Machine Intelligence. Zwei der profiliertesten KI-Forscher der Welt sind überzeugt: Echte Intelligenz braucht Sprache und ein Verständnis der Welt.

Strom: Microsoft reaktiviert Three Mile Island. Meta kauft drei Gigawatt Nuklearstrom. Trump stuft KI-Datencenter als Verteidigungsinfrastruktur ein. Frankreich bietet Gigawatt-Grundstücke mit Atomstrom an. Und Deutschland? Hat seine Kernkraftwerke abgeschaltet. Die Kaskade: Ohne Strom kein Compute. Ohne Compute keine Modelle. Ohne Modelle keine Souveränität.

Kurzmeldungen: Die New York Times lässt 86.000 Leser blind zwischen Mensch und KI wählen. 54 Prozent bevorzugen die Maschine. Anthropic gründet ein internes Forschungsinstitut. Nvidia investiert 26 Milliarden in Open-Source-Modelle. Und die Informatik-Einschreibungen an US-Universitäten brechen ein.

Jede Stadt erzählt, für wen sie gebaut wurde. In Florenz sind die Gassen so schmal, dass sich Nachbarn über die Straße hinweg unterhalten können. Steinbänke laden zum Sitzen ein. Jeder Platz ist ein Wohnzimmer. Eine Stadt, in der alles zu Fuß erreichbar ist, weil sie für den menschlichen Maßstab gebaut wurde. Im Kontrast dazu: Los Angeles. Die Stadt hatte in den Zwanzigerjahren eines der größten Straßenbahnsysteme der Welt. Innerhalb weniger Jahrzehnte wurde es jedoch systematisch abgebaut. Mit dem Aufkommen des Autos traten Freeways, Parkplätze und sechsspurige Boulevards an seine Stelle. Heute machen Parkflächen ein Drittel der Gesamtfläche von Downtown aus. Die Stadt wurde nicht mehr für Menschen optimiert. Sie wurde für Maschinen optimiert.

Ivan Zhao, Mitgründer von Notion, nutzt dieses Bild in einem Gespräch mit dem US-amerikanischen Risikoinvestor Reid Hoffman. Es ist kurz und präzise und hilft dabei, zu verstehen, was gerade mit unseren Organisationen passiert. Denn genau das, was unseren Städten geschehen ist, sagt Zhao, steht unseren Unternehmen jetzt bevor. Und manche sind schon mittendrin.

Waymo: 70 Remote-Operatoren   →   3.000 autonome Robotaxis
John Deere: 1 Landwirt        →   mehrere Traktoren gleichzeitig
Midjourney: 10 Personen       →   100+ Mio. USD Umsatz      

Das Unternehmen Waymo betreibt rund 3.000 autonome Robotaxis in mehreren US-Städten, darunter in Phoenix und der San-Francisco-Bay-Area. Rund 70 Remote-Operatoren überwachen die gesamte Flotte gleichzeitig. Sie greifen ein, wenn das System es braucht. Früher wären 3.000 Fahrer nötig gewesen.

John Deere, der weltweit größte Landmaschinenhersteller, geht denselben Weg auf dem Feld. Der Landwirt setzt den autonomen Traktor ein, startet ihn per App und überwacht den Betrieb. Ein Mensch steuert mehrere Maschinen gleichzeitig.

Uber setzt in der eigenen Softwareentwicklung KI-Agenten namens Minion und Shepherd ein. Sie erstellen Codegerüste, prüfen den Code anderer Entwickler auf Fehler und übernehmen damit Aufgaben, für die früher Dutzende Junior-Entwickler nötig waren. Die Menschen übernehmen die Systemkontrolle und die strategischen Entscheidungen.

Andrej Karpathy, Mitgründer von OpenAI und ehemaliger KI-Chef bei Tesla, treibt das konsequent zu Ende. Sein Open-Source-KI-Forschungsprojekt „autoresearch" besteht aus 630 Zeilen Code. Ein einzelner Agent läuft über Nacht, testet selbstständig 100 verschiedene Modellarchitekturen und startet alle fünf Minuten ein neues Training. Arbeit, für die ein Forschungsteam normalerweise Wochen braucht. Hier jedoch ohne einen einzigen Menschen im Loop.

„Part code, part sci-fi, and a pinch of psychosis.”
— Andrej Karpathy

Und dann gibt es noch Paperclip AI, ein Open-Source-Projekt, das Anfang März 2026 auf GitHub erschien, der weltweit größten Plattform für Softwareentwicklung. Tagline: „Open-source orchestration for zero-human companies.” Innerhalb weniger Tage wurde es zu einem der meistbeachteten neuen Projekte auf der Plattform.

Die Idee: Du bist der Vorstand. Du definierst das Unternehmensziel. Du stellst KI-Agenten als CEO, CTO, Marketing-Chef und Entwickler ein, setzt Budgets und gibst die Strategie frei. Dann läuft das Unternehmen. Du steuerst eine gesamte Organisation aus Agents. Als einziger Mensch im System.

Dabei ist die Grundidee nicht neu. Das menschliche Gehirn hat immer schon Systeme gesteuert, die größer waren als ein einzelner Mensch direkt bedienen könnte. Ein Pilot steuert ein Flugzeug mit 300 Passagieren an Bord. Ein Kraftwerksingenieur überwacht Systeme, die Millionen Haushalte mit Strom versorgen. Teilautonomie war schon lange Teil der Gleichung.

Was sich verändert, ist die Dimension. Und die Geschwindigkeit.

Im 19. Jahrhundert ermöglichte Stahl den Bau von Hochhäusern. Gebäude konnten plötzlich deutlich höher werden, ohne unter ihrem eigenen Gewicht zusammenzubrechen.

Zhao nutzt dasselbe Bild für Organisationen:

„Language models are the steel beam of organizations. They allow organizations to grow in terms of throughput without adding more people — just to do the information passing part of work.”
— Ivan Zhao

Der Engpass großer Unternehmen war lange nicht Wissen oder Ideen, sondern Koordination. Je mehr Menschen dazukommen, desto mehr Zeit fließt in Meetings, Statusberichte und Abstimmungen. Wenn Sprachmodelle diesen Teil übernehmen, können Organisationen wachsen, ohne dass die Kommunikationslast proportional mitsteigt.

Damit verschiebt sich auch, was Menschen beisteuern.

Fähigkeiten wie Programmieren, Schreiben und Analysieren waren lange Zeit der Engpass. Da KI sie zunehmend demokratisiert, verlagert sich der Wert. Urteilsfähigkeit, Geschmack, Werte, der Antrieb, etwas gegen Widerstände durchzusetzen: Das sind die Qualitäten, die nicht skalierbar sind.

Die Frage “Kannst du etwas bauen?“ verlagert sich in die Frage: “Was sollte überhaupt gebaut werden?”

Wie weit diese Verschiebung bereits reicht, lässt sich seit dieser Woche erstmals empirisch beantworten. Anthropic veröffentlichte am 5. März eine Studie, die einen neuen Ansatz verfolgt: Statt zu fragen, was KI theoretisch an einem Arbeitsplatz übernehmen könnte, misst sie, was KI tatsächlich tut, anhand echter Nutzungsdaten von Claude im beruflichen Einsatz.

Anthropic — „Labor Market Impacts of AI", März 2026
Tatsächliche KI-Nutzung am Arbeitsplatz:
 →  Bruchteil dessen, was technisch möglich wäre
Berufe mit höchster KI-Exposition:
 →  Nicht Fabrikarbeiter, sondern Wissensarbeiter
 →  Tendenziell älter, weiblich, höher gebildet, besser bezahlt
 →  US-Arbeitsmarktprognose: niedrigeres Beschäftigungswachstum bis 2034
Arbeitslosigkeit:
 →  In hoch KI-exponierten Berufen zeigt sich seit Ende 2022 kein zusätzlicher Anstieg der Arbeitslosigkeit im Vergleich zu weniger exponierten Gruppen.
Aber:
→  Einstellungen jüngerer Arbeitnehmer in stark exponierten Berufen gehen seit 2022 spürbar zurück; die Studie spricht von einer deutlichen Verlangsamung der Neueinstellungen.

Die Studie zeigt ein Paradox: Menschen könnten KI bereits für weit mehr Aufgaben einsetzen, als sie tatsächlich tun. Und sie verändert bereits, wer eingestellt wird und wer nicht. Der Flaschenhals ist nicht mehr die Technologie. Es ist das Urteilsvermögen, sie richtig einzusetzen.

Los Angeles oder Florenz

Hier liegen die eigentliche Entscheidung und die natürlichen Grenzen. Man kann Organisationen für Maschinen optimieren. Maximale Effizienz, maximale Automatisierung, minimale menschliche Reibung.

Waymo hat 70 Operatoren für 3.000 Fahrzeuge. Das funktioniert, weil 70 Menschen tatsächlich 3.000 Systeme überwachen können. Sobald die kognitive Last das, was ein Mensch tragen kann, übersteigt, bricht das Modell zusammen. Nicht die Maschinen sind das Limit. Die Menschen sind das Limit.

Eine neue Studie des Harvard Business Review und der BCG zeigt, wie nah viele Unternehmen bereits an diesem Limit sind. Rund 14% der Wissensarbeiter mit intensivem KI-Einsatz zeigen in der Studie Überlastungssymptome („Brain Fry"). Am stärksten betroffen sind Marketing-Rollen, während Beschäftigte im Rechtsbereich die niedrigsten Werte aufweisen. Richtig eingesetzt, kann KI die Last reduzieren. Falsch eingesetzt, multipliziert sie sie.

Der Philosoph Nick Bostrom hat das Endspiel dieses Denkens einmal als Gedankenexperiment beschrieben: Eine KI, beauftragt, möglichst viele Büroklammern zu produzieren, optimiert konsequent auf dieses einzige Ziel, bis sämtliche verfügbaren Ressourcen, einschließlich der Menschen, in Büroklammern verwandelt sind. Kein böser Wille, kein Fehler. Nur ein System, das seinen Auftrag erfüllt.

Das ist die logische Endlinie der Machine-Optimized Company. Kein Mensch im Loop. Ein Ziel. Keine Grenzen. Und dann?

„Are you operating in human scale? Is the human in the center of this. Or is the market in the center of this?”
— Ivan Zhao²

Städte, die für Menschen in Autos gebaut wurden, gehören trotzdem den Autos. Unternehmen, die für Menschen mit KI entwickelt werden, könnten denselben Weg gehen.

Das Ergebnis wäre Los Angeles, nicht Florenz.

Quellen: Andrej Karpathy, X/Twitter, März 2026. x.com/karpathy, Ivan Zhao im Gespräch mit Reid Hoffman, 2026., Anthropic Research, „Labor market impacts of AI: A new measure and early evidence”, März 2026. anthropic.com/research/labor-market-impacts, Harvard Business Review / BCG, „When Using AI Leads to Brain Fry”, März 2026. hbr.org/2026/03/when-using-ai-leads-to-brain-fry

2012 passierte etwas scheinbar Unbedeutsames, dessen tatsächliche Tragweite damals nur wenige Menschen erfassen konnten. Eine Informatikerin an der Stanford University veröffentlichte einen Datensatz mit 14 Millionen Bildern. Jedes Einzelne von Hand beschriftet. Hund. Stuhl. Straße. Gesicht. Der Datensatz hieß ImageNet. Die Informatikerin hieß Fei-Fei Li.

Bis dahin konnten Computer ein Gesicht nicht von einer Kaffeetasse unterscheiden. ImageNet änderte das. Forschungsgruppen weltweit trainierten danach neuronale Netze auf diesem Datensatz, und innerhalb weniger Jahre übertrafen die Maschinen die Menschen bei der Bilderkennung. Computer lernten sehen. Li wurde später Googles Chief Scientist für Cloud AI, kehrte nach Stanford zurück und gilt heute als eine der einflussreichsten KI-Forscherinnen der Welt.

Nach dem Sehen lernten Computer zu sprechen. 2017 veröffentlichte Google die Transformer-Architektur. OpenAI baute darauf GPT. Anthropic baute Claude. Innerhalb weniger Jahre konnten Maschinen Texte schreiben, Code generieren, Verträge analysieren und Gespräche führen. Die Sprachmodelle, die heute Hunderte Millionen Menschen nutzen, sind die zweite Stufe.

Jetzt steht die dritte bevor. Maschinen sollen die Welt verstehen lernen, in der sie agieren. Fei-Fei Li und Yann LeCun, zwei der profiliertesten KI-Forscher der Welt, setzen unabhängig voneinander genau darauf. Die Märkte folgen: zwei Milliarden Dollar an Risikokapital in vier Wochen.

Am 18. Februar sammelte Li mit ihrem Unternehmen World Labs eine Milliarde Dollar ein. Nvidia, AMD und Autodesk gehören zu den Investoren. Li hatte den Computern das Sehen beigebracht. Jetzt bringt sie ihnen bei, die physische Welt zu verstehen.

Sie unterscheidet zwei Domänen menschlicher Intelligenz. Die erste ist Sprache: symbolisches Denken, Abstraktion, Kommunikation. Das ist es, was jedes große AI-Lab seit einem Jahrzehnt baut. Die zweite ist Spatial Intelligence: räumliche Wahrnehmung, Navigation und physische Interaktion mit der dreidimensionalen Welt. Alles, von Gemälden bis hin zu den Pyramiden, entstand in dieser Domäne.

„Language describes reality. Spatial intelligence acts on it.”
— Fei-Fei Li

World Labs baut Large World Models, KI-Systeme, die dreidimensionale Umgebungen verstehen, generieren und in ihnen handeln können. Das erste Produkt, Marble, erzeugt aus Bildern, Texten oder Videos persistente 3D-Welten. Anwendungen: Robotik, Spieleentwicklung, Film, wissenschaftliche Simulation. „If AI is to be truly useful, it must understand worlds, not just words”, sagte sie. „Worlds are governed by geometry, physics, and dynamics.”

Nvidia baut derweil die Infrastruktur für diese Systeme auf. Cosmos, auf der CES 2025 vorgestellt, ist eine Plattform, die Robotern das Lernen in virtuellen Welten ermöglicht, bevor sie in die echte Welt entlassen werden. Waymo, bereits Cosmos-Partner, muss in seltenen Hochrisikosituationen autonomes Fahren beherrschen. Schnee. Nachts auf Baustellen. Kinder, die plötzlich auf die Straße laufen. Solche Szenarien kann man nicht beliebig häufig in der Realität herbeiführen. Cosmos simuliert sie millionenfach. Ein Logistikroboter muss Zehntausende verschiedene Pakete kennen, in unterschiedlichen Größen, Gewichten und instabilen Stapeln. Cosmos generiert sie synthetisch. Der sogenannte Sim-to-Real-Transfer ist das fehlende Glied zwischen Modell und Roboter. Nvidia baut es.

Drei Wochen später folgte die zweite Milliarde.

AMI Labs — Advanced Machine Intelligence, 10. März 2026
Funding:     1,03 Mrd. USD Seed
Bewertung:   3,5 Mrd. USD
Team:        12 Mitarbeiter
Standorte:   Paris, New York, Montreal, Singapur
Investoren:  Bezos, Nvidia, Temasek, Eric Schmidt, Mark Cuban
Einordnung:  Größte europäische Seed-Runde aller Zeiten

Am Montag stellte Yann LeCun AMI Labs vor.

LeCun ist Turing-Preisträger, Erfinder der Convolutional Neural Networks und bis Ende 2025 KI-Chefwissenschaftler bei Meta. Er ist seit Jahren der lauteste Kritiker des LLM-Paradigmas. Seine Position: Systeme, die nur das nächste Wort vorhersagen, werden nie menschliche Intelligenz erreichen. Sie halluzinieren, weil ihnen ein Modell der Welt fehlt. Sie können nicht planen, weil sie keinen Zustand über die aktuelle Konversation hinaus halten.

AMI baut stattdessen World Models. KI-Systeme mit persistentem Gedächtnis, die die physische Welt verstehen, aus Sensordaten lernen und handeln können. Nicht Sprache als Grundlage, sondern Realität. Bezos, Nvidia, Temasek, Eric Schmidt und Mark Cuban gehören zu den Investoren. Hauptsitz: Paris. Kein einziger Bürostuhl in der Bay Area.

CEO Alexandre LeBrun, zuvor Gründer des digitalen Gesundheitsunternehmens Nabla, sagte gegenüber TechCrunch: „AMI Labs is a very ambitious project because it starts with fundamental research. It’s not your typical applied AI startup that can release a product in three months.”

AMI ist kein Produkt. Es ist eine Forschungswette, deren kommerzielle Anwendungen Jahre entfernt liegen könnten. Laurent Solly, Metas Vizepräsident für Europa, wechselt in die Rolle des COO. LeCun lehrt weiterhin an der NYU. Weitere Standorte: Montreal und Singapur.

Die Frage ist, warum trotzdem eine Milliarde fließt.

Erstens, weil es sich nicht um eine wachsende Forschermeinung, sondern um eine Bewegung handelt. LeCun stand mit seiner Kritik lange allein. Inzwischen investieren Google DeepMind (Genie-Modellfamilie), Meta (schon vor LeCuns Abgang), Li mit World Labs und Wayve in London mit kamerabasiertem autonomem Fahren alle in Systeme, die über reines Text-Reasoning hinausgehen. Das sind keine akademischen Außenseiter. Das sind die Labs, die seit Jahren die Richtung vorgeben.

Zweitens, weil Paris als KI-Standort eine eigene Gravitation entwickelt hat. Dealroom rankte Paris 2025 als weltweit drittwichtigsten KI-Hub. Mistral wird mit 11,7 Milliarden Euro bewertet. Pierre-Éric Leibovici von Daphni formulierte es unverblümt: „AMI Labs could be the first European company to reach the scale of the GAFAM companies.”

Und drittens, weil der Zeitpunkt kein Zufall ist. Viele Forschungs- und Industriegruppen betrachten zentrale Probleme der Computer Vision seit 2025 als weitgehend gelöst: Echtzeit-3D-Videosegmentierung, starke Open-Source-Modelle und sinkende Komponentenkosten bilden den Unterbau für die aktuellen Milliardenwetten. Computer können sehen. Computer können sprechen. Was sie nicht können: einen Becher greifen, durch einen Raum navigieren, verstehen, dass ein Stuhl umfällt, wenn man sich zu weit anlehnt. Die physische Welt ist die letzte Grenze. Wer sie überwindet, definiert die nächste Ära.

Sprachmodelle von OpenAI, Anthropic und Google sind die Werkzeuge, mit denen heute gearbeitet wird. Die World-Model-These ist eine Wette auf übermorgen. Sehen. Sprechen. Die Welt verstehen.

Quellen: ImageNet, Stanford Vision Lab; Fei-Fei Li, Biografie, World Labs, Pressemitteilung, 18. Februar 2026; TechCrunch; Fei-Fei Li, Interview/Talk, gesichtet 01.03.2026, AMI Labs, amilabs.xyz, 10. März 2026; TechCrunch, 9. März 2026; Sifted, 10. März 2026, Dealroom, Paris AI Hub Ranking 2025; Daphni, zitiert in Sifted

Three Mile Island. Der Name steht seit 1979 für den schlimmsten Nuklearunfall in der Geschichte der USA. Im September 2024 zahlte Microsoft 1,6 Milliarden Dollar, um den Reaktor wieder in Betrieb zu nehmen.

Nicht für eine Stadt. Für KI.

Wer verstehen will, warum das passiert, muss bei einer unscheinbaren Zahl anfangen. Eine normale Chatbot-Anfrage verbraucht grob so viel Strom wie eine Google-Suche. Die Modelle wurden effizienter. Agentic AI-Workflows, die Dutzende bis Hunderte von Modellaufrufen und Tools kombinieren, liegen schnell um eine Größenordnung höher. Besonders teuer sind Videomodelle: Schon wenige Sekunden eines Videos kosten ein Vielfaches der Energie eines einzelnen Bildes. Und je komplexer die Modelle (GPT‑5‑Klasse, multimodale Agentensysteme), desto höher wächst der Energiebedarf pro Anfrage.

Doch das eigentliche Problem ist nicht die einzelne Anfrage. Das Problem ist die Skalierung. ChatGPT beantwortet heute 2,5 Milliarden Anfragen pro Tag. Wenn KI-Agenten diese Anfragen künftig selbstständig und rund um die Uhr ausführen, ohne dass ein Mensch auf “Senden“ drückt, multipliziert sich der Verbrauch. Inference, also das Ausführen der Modelle, verbraucht bereits 80 bis 90 Prozent der gesamten KI-Rechenleistung. Nicht das Training. Der Betrieb.

Chips ohne Strom sind Briefbeschwerer. Und wer in fünf Jahren KI im großen Maßstab betreiben kann, wird das nicht in Laboren entscheiden. Das wird in Kraftwerken entschieden.

Diese Woche sicherte sich Thinking Machines Lab, das Startup von Mira Murati, mindestens ein Gigawatt an Nvidia-Vera-Rubin-Systemen. Murati war CTO von OpenAI, leitete die Entwicklung von GPT-4 und ging Ende 2024. Ihr Unternehmen ist 18 Monate alt, beschäftigt 120 Mitarbeiter und erhält Compute auf dem Niveau der größten Labs der Welt. Ein Gigawatt. 750.000 Haushalte. Oder ein einziges KI-Rechenzentrum.

Sam Altman, CEO von OpenAI, sagte diese Woche beim BlackRock Infrastructure Summit, sein größtes Problem sei nicht die Qualität der Modelle. Es sei die physische Infrastruktur: Transformatoren, Fachkräfte, stabile Stromversorgung. Die Modelle sind bereit. Die Stromerzeugung noch nicht.

KI-Datencenter-Stromverbrauch weltweit
2024:    460 TWh (International Energy Agency)
2030:    Szenarien der IEA: 1.000+ TWh  (Verdopplung)
2035:    Schätzung: 1.300 TWh   (= gesamter Jahresstrom Japans)
USA Datencenter-Kapazität:
2024:    19 GW  →  2030: 35 GW (geplant)

Die Antwort der Tech-Konzerne ist eindeutig: Kernenergie. Microsoft reaktiviert Three Mile Island für 1,6 Milliarden Dollar, 20-Jahres-Vertrag, 835 Megawatt. Meta hat Verträge über insgesamt drei Gigawatt geschlossen und zahlt das Drei- bis Vierfache des Marktpreises für Strom, der rund um die Uhr verfügbar ist. Trump unterzeichnete im Mai 2025 Executive Orders zur Vervierfachung der US-Nuklearkapazität auf 400 Gigawatt bis 2050. Genehmigungsdauer für neue Reaktoren: auf 18 Monate gedeckelt. Bisher dauerte das Jahrzehnt.

„We want to flood the world with intelligence.” Das ist Altmans erklärtes Ziel. Die Frage ist nur, woher der Strom dafür stammen wird.

Und Europa? Die beiden größten Volkswirtschaften des Kontinents haben sich in entgegengesetzte Richtungen bewegt.

Frankreich betreibt 56 Reaktoren. Rund 70 Prozent des Stroms stammen aus der Kernenergie. 2024 exportierte das Land 90 Terawattstunden, der höchste Wert seit über zwei Jahrzehnten. Macron verkaufte das am Montag auf dem World Nuclear Energy Summit in Paris als Standortfaktor:

„Thanks to our nuclear plants, we have the ability to open data centers, to build computing capacity, to be at the heart of the artificial intelligence challenge.”
— Emmanuel Macron, World Nuclear Energy Summit, 10. März 2026

Das ist keine Rhetorik. EDF, der staatliche Energieversorger, bietet schlüsselfertige Grundstücke mit bis zu 3 Gigawatt Netzanschluss für Datencenter an. Das britische Unternehmen Fluidstack investiert zehn Milliarden Euro in 500.000 GPUs, die vollständig mit Nuklearstrom betrieben werden. Der kanadische Infrastruktur-Investor Brookfield steckt 20 Milliarden in französische Datencenter. Zugesagte KI-Infrastruktur-Investitionen in Frankreich insgesamt: 109 Milliarden Euro.

Deutschland hat im April 2023 seine letzten drei Kernkraftwerke abgeschaltet. Die Konsequenz wird gerade sichtbar. Der europäische Strommarkt ist integriert. Theoretisch kann jedes deutsche Datencenter französischen Atomstrom beziehen. Praktisch warten Entwickler in Deutschland Jahre auf Netzanschlüsse, während EDF in Frankreich schlüsselfertige Grundstücke mit Gigawatt-Anbindung anbietet. Die Industriestrompreise in Deutschland gehören zu den höchsten in Europa. Während die Deutsche Telekom in München eine AI Factory mit 10.000 GPUs entwickelt, plant Frankreich eine mit 500.000 GPUs. Faktor fünfzig.

Die Kaskade ist logisch: Ohne günstigen, stabilen Strom kommen keine großen GPU-Cluster zustande. Ohne Compute lassen sich keine Modelle trainieren. Ohne eigene Modelle wächst die Abhängigkeit. Und das Talent folgt dem Compute. LeCun gründet AMI Labs in Paris, nicht in Berlin. DeepMind sitzt in London, nicht in München.

Deutschland hat Stärken. Die tiefste Industrieanbindung Europas, einen Mittelstand, der nach KI-Anwendungen sucht, Startups wie n8n, Black Forest Labs und DeepL. Aber es sind Anwendungen auf der Infrastruktur anderer Länder.

Quellen: Nvidia / Thinking Machines Lab, Pressemitteilung, 10. März 2026; Axios; Bloomberg; TechCrunch. Sam Altman, BlackRock Infrastructure Summit, 12. März 2026. IEA, World Energy Outlook; Goldman Sachs, „AI, Data Centers and the Coming US Power Demand Surge". Microsoft / Constellation Energy, Three Mile Island Vereinbarung, September 2024. Meta / Constellation Energy / Vistra, Nuklearstrom-Verträge. White House, Executive Orders zur Nuklearenergie, 23. Mai 2025. Emmanuel Macron, World Nuclear Energy Summit, Paris, 10. März 2026; Reuters. EDF, Datencenter-Grundstücke. Fluidstack, KI-Supercomputer Frankreichs. Brookfield / Data4, Datencenter-Investment Frankreich.

UK startet Sovereign AI Fund. Großbritannien lanciert am 16. April einen Sovereign AI Fund im Umfang von 500 Millionen Pfund. Das Branding ist strategisch: Ada Lovelace, Alan Turing, AlphaFold, alles britisch. Das Land hat 5.800 KI-Unternehmen, über 160 Unicorns und den größten KI-Sektor Europas. Nvidia investiert zusätzlich zwei Milliarden Pfund in das britische Startup-Ökosystem. Die eigentliche Botschaft ist der Kontrast: UK investiert, die EU reguliert. Allerdings relativiert sich die Summe schnell. ElevenLabs allein hat in einer einzigen Runde genauso viel eingesammelt.

Anthropic gründet ein internes Forschungsinstitut. Jack Clark, Mitgründer von Anthropic, wechselt in eine neue Rolle als Head of Public Benefit und baut das Anthropic Institute auf. 30 Mitarbeiter zum Start, zusammengesetzt aus dem Frontier Red Team, der Societal-Impacts-Gruppe und der Economic-Research-Abteilung. Das Institut soll erforschen, wie KI Arbeitsmärkte, Sicherheit und Governance verändert. Das Timing ist kein Zufall: Anthropic klagt gleichzeitig gegen das Pentagon, das das Unternehmen als Supply-Chain-Risiko eingestuft hat. Anhörung am 24. März.

Nvidia investiert 26 Milliarden Dollar in Open-Source-Modelle. Laut einem Scoop von Wired plant Nvidia, über fünf Jahre lang 26 Milliarden in die Entwicklung offener KI-Modelle zu investieren. Der Chipverkäufer wird zum Modell-Investor. Nächste Woche auf der GTC in San Jose (16.–19. März) will Jensen Huang vor 30.000 Teilnehmern Chips vorstellen, die „die Welt noch nie gesehen hat“. Gerücht: eine x86-CPU gemeinsam mit Intel.

Informatik-Einschreibungen brechen ein. 62 Prozent der Informatik-Programme an US-Universitäten meldeten 2025 Rückgänge. An den UC-Schulen sanken die Einschreibungen um 9 % in zwei Jahren. Die Studenten reagieren schneller als die Arbeitsmärkte. Gleichzeitig sagt Replit-CEO Amjad Masad das Gegenteil: „We’re finding that a lot of young people are agentmaxxing.” Wer KI-Tools beherrscht, habe bessere Chancen als je zuvor. Die Frage ist, ob ein Informatikstudium noch der richtige Weg dorthin ist.

GTC nächste Woche. Nvidias jährliche Entwicklerkonferenz (16.–19. März, San Jose) wird zum Gradmesser für die nächste Phase der KI-Infrastruktur. Jensen Huangs Keynote am Montag. Auf dem Programm: Physical AI, Agentic AI, neue Chiparchitekturen sowie ein Panel zu Open-Source-Frontier-Modellen mit Cursor, Langchain und Mistral. Und ein Build-a-Claw-Event, bei dem Teilnehmer vor Ort ihren eigenen OpenClaw-Agenten bauen.

Quellen: UK Sovereign AI Fund — UK Government, März 2026; Nvidia UK Investment. Anthropic Institute — Anthropic, anthropic.com/news/the-anthropic-institute, 11. März 2026; Axios; CNN. NVIDIA Open Source — Will Knight, Wired, 11. März 2026. Informatik-Einschreibungen — Lenny Rachitsky, basierend auf Handshake/UC-Daten; Amjad Masad, TBPN-Interview, März 2026., GTC — Nvidia, nvidia.com/gtc.

Nächste Ausgabe: Freitag, 20.03.2026

Über diesen Newsletter: Dieser Newsletter basiert auf meiner eigenen Recherche, Lektüre und Einordnung. KI unterstützt mich bei der Strukturierung, dem Entwurf und der Dokumentation. Themenauswahl, Bewertung und finale Redaktion liegen bei mir.