Der Multiplikator

Am 2. April veröffentlichte die New York Times ein Porträt, das die Tech-Branche elektrisierte. Matthew Gallagher, ein 41-jähriger Unternehmer aus Los Angeles, hatte mit 20.000 Dollar Startkapital und über einem Dutzend KI-Tools in nur zwei Monaten ein Telehealth-Startup aufgebaut. Sein Unternehmen Medvi verkauft GLP-1-Medikamente zur Gewichtsreduktion, ohne eigene Ärzte und ohne eigene Apotheke. Die medizinische Infrastruktur hatte Gallagher an zwei spezialisierte Dienstleister ausgelagert, CareValidate und OpenLoop Health. Er selbst kümmerte sich um die digitale Schicht: Website, Marketing, Kundenakquise. Im ersten vollen Jahr verzeichnete Medvi 401 Millionen Dollar Umsatz, 250.000 Kunden und eine Nettomarge von 16 Prozent. Für 2026 erwartet das Unternehmen 1,8 Milliarden Dollar. Mit zwei Vollzeitangestellten: Gallagher und seinem Bruder.

Sam Altman, CEO von OpenAI, hatte 2024 vorausgesagt, dass eine Einzelperson mithilfe von KI eine Milliardenfirma aufbauen könnte. Etwas, das ohne KI undenkbar gewesen wäre, würde nun geschehen. Mit Medvi scheint diese Vorhersage schneller als erwartet eingetroffen zu sein.

Doch die Geschichte hat eine zweite Seite. Sechs Wochen vor dem NYT-Profil hatte die US-Arzneimittelbehörde FDA Medvi bereits einen formellen Warnbrief geschickt. Die Vorwürfe: irreführende Werbung, falsche Suggestion einer FDA-Zulassung, Verstöße gegen Vorschriften zur Kennzeichnung von Arzneimitteln. Parallel dazu läuft eine Sammelklage vor dem US-Bundesgericht in Kalifornien wegen Spam mit gefälschten Absenderadressen. Zudem hatte Medvis KI-gestützter Kundenservice offenbar mehrfach Medikamentenpreise erfunden und Produkte angeboten, die es im Sortiment gar nicht gab.

Beides gehört zusammen. Der Erfolg und das Versagen sind zwei Seiten einer Medaille. Medvi ist dabei kein allgemeingültiges Modell, sondern ein Extremfall – ein System unter maximalem Beschleunigungsdruck, an dem sich die Wirkweise von KI besonders deutlich beobachten lässt. Denn KI beschleunigt nicht nur das Wachstum. Sie beschleunigt und verstärkt zahlreiche Prozesse in einem Unternehmen. KI ist neben all ihren Fähigkeiten vor allem auch eine Multiplikatorin. Und die Frage ist, was genau sie eigentlich verstärkt.

Die meisten Diskussionen über KI verlaufen entlang der Achse zwischen Idee und Ausführung, zwischen Mensch und Maschine, zwischen Augmentation und Automatisierung. Vermutlich lässt sich die Wirkweise von KI nicht auf einen bestimmten Punkt der Skala beschränken. Denn KI verstärkt weder isolierte Ideen noch isolierte Handlungen. Sie verstärkt Systeme.

Was Gallagher getan hat, ist im Grunde die radikalste Anwendung eines Prinzips, das im Silicon Valley seit zwei Jahrzehnten Konsens ist: schnell bauen, veröffentlichen, unterwegs reparieren. Eric Ries, Unternehmer und Autor des einflussreichen Buchs “The Lean Startup“, prägte die Idee, dass ein Produkt nicht fertig sein muss, bevor es auf den Markt kommt. Facebook machte daraus “Move fast and break things”. Uber fuhr erst los, fragte danach um Erlaubnis und legte sich mit Behörden weltweit an. Dieses Playbook hat funktioniert, weil die Iterationsgeschwindigkeit menschlich beherrschbar blieb. Ein Team konnte die durch Tempo entstandenen Fehler noch erkennen, bewerten und korrigieren.

KI hebt dieses Prinzip auf ein neues Niveau. Die Geschwindigkeit, mit der Systeme jetzt skalieren, übersteigt die Fähigkeit der menschlichen Qualitätssicherung. Gallagher hatte ein skalierbares, aber kein überprüfbares System. Die KI konnte Preise generieren, aber es gab keine Logik, die diese validierte. Sie konnte Produkte vorschlagen, aber es gab keinen Mechanismus, der zwischen Realität und Halluzinationen unterschied. Die Kommunikation war automatisiert, aber Verantwortung wurde nirgendwo zugeordnet. “Move fast and break things” funktioniert nicht mehr, wenn die Maschine schneller bricht, als der Mensch reparieren kann.

Die Frage ist also: Was macht ein System überprüfbar? Was unterscheidet eine Organisation, die KI produktiv einsetzt, von einer, die damit ihre eigenen Fehler industrialisiert?

Die Antwort liegt nicht in der Technologie. Sie liegt in der Fähigkeit zur Selbstevaluation. “I can only manage what I can measure” – dieser alte Managementgrundsatz gilt jetzt auch für die KI. Denn KI ist nicht einfach nur ein Werkzeug für Einzelaufgaben. Richtig eingesetzt hat sie das Potential, zu einer zentralen Koordinationsschicht einer Organisation zu werden und vollkommen neue Organisationsformen zu ermöglichen. Das eigentliche Betriebssystem eines Unternehmens besteht weiterhin aus Menschen, Prozessen, Daten, Governance und Haftung. Aber KI greift in dieses bestehende System ein und verstärkt vor allem die Teile, die explizit, messbar und zugänglich sind. Sie kann nur so gut arbeiten wie der ihr zugängliche Kontext – und wie klar dieser strukturiert ist.

Diese Selbstevaluation hat zwei Dimensionen: Klarheit und Struktur. Zusammen erzeugen sie den Kontext, in dem eine KI tatsächlich wirksam arbeiten kann. Jedes Gespräch, jeder implizite Arbeitsvorgang, jede Datei, jede wiederkehrende Tätigkeit eines Mitarbeiters – all das kann Kontext sein. Aber nur, wenn es erfasst, strukturiert und zugänglich gemacht wird.

Die erste Dimension ist Klarheit. Klarheit über die Unternehmensvision und Ziele, die Daten, die Entscheidungsfindungsprozesse sowie die Abhängigkeiten gegenüber internen wie externen Stakeholdern. Aber auch über sekundäre Effekte in den Prozessketten – also Fehler, die sich von Schritt zu Schritt aufschaukeln. Und Klarheit über die menschlichen Stärken und Schwächen im System. Über welche Fähigkeiten verfügt unsere Organisation? Wie hoch ist die Arbeitslast, unter der eine gewissenhafte Validierung von Prozessen noch möglich ist? Verstehe ich das Problem wirklich? Weiß ich, was ich nicht weiß? Erkenne ich, wo Emotionen und Unsicherheiten meine Entscheidungen verzerren? Klarheit entsteht nicht durch mehr Information, sondern durch die Fähigkeit einer Organisation – und jedes einzelnen Mitarbeiters –, das eigene Denken und Handeln zu beobachten. Die Gefahr: Auch das, was unklar ist, wird durch KI skaliert.

Die zweite Dimension ist Struktur. Skalierung entsteht durch Systematisierung. Durch Wiederholbarkeit und Personenunabhängigkeit. Das war schon immer so. Bei McDonald’s weiß man auf die Sekunde genau, wie lange ein Burgerpatty bei welcher Temperatur in welchem Fett liegen muss, damit das Produkt immer von gleicher Qualität ist und immer zum gleichen Zeitpunkt herauskommt. Jeder Handgriff ist dokumentiert, jeder Schritt messbar, jedes Ergebnis überprüfbar. Genau deshalb konnte McDonald’s von einem einzelnen Restaurant zu einem globalen System mit Zehntausenden von Standorten wachsen. Das Wissen wurde vom Individuum gelöst und in eine Struktur überführt, die unabhängig von einzelnen Personen funktioniert.

Der kanadische Managementdenker Roger Martin hat diesen Übergang in seinem Buch “The Design of Business“ als Knowledge Funnel beschrieben: Jedes Wissen durchläuft drei Stufen. Am Anfang steht ein unverständliches Problem, ein Mysterium. Durch Erfahrung und Mustererkennung entsteht daraus eine Faustregel, eine Heuristik. Und wenn die Heuristik gut genug verstanden ist, wird sie zum Algorithmus – einer expliziten, wiederholbaren Prozedur. McDonald’s hat den gesamten Funnel durchlaufen: vom Experiment eines einzelnen Kochs über bewährte Rezepturen bis hin zum vollständig algorithmischen Betrieb.

Die meisten Organisationen sind irgendwo auf der mittleren Stufe stehen geblieben. Ihre Mitarbeiter arbeiten mit Faustregeln, mit Intuition, mit implizitem Wissen, das nirgendwo dokumentiert ist. Viele Unternehmen sind über Jahre und Jahrzehnte gewachsen, ohne ihre eigenen Prozesse je grundlegend zu hinterfragen. Schicht über Schicht hat sich aufgebaut: Legacy-Strukturen, die niemand mehr anfasst, weil sie irgendwie funktionieren. Die Frage, ob es diese Prozesse überhaupt noch braucht oder ob man sie von Grund auf neu denken könnte – First Principles Thinking –, wird selten gestellt.

KI stellt jetzt genau diese Frage. Denn zwischen klarem Denken und der Automatisierbarkeit einer Handlung liegt das algorithmische Denken: die Fähigkeit, Arbeit in explizite, nachvollziehbare Abläufe zu übersetzen. Die meisten Menschen können ihre Arbeit erledigen. Aber sie können sie nicht beschreiben, sprich, in sich selbst erklärende Dokumente überführen. Nicht als Schritte, nicht als Entscheidungslogiken, nicht als Übergaben, nicht als Feedbackschleifen. KI braucht aber genau die dritte Stufe in Martins Funnel: explizite Schritte, klare Logik und definierte Übergänge. Sie kann die Übersetzung von der Heuristik zum Algorithmus beschleunigen, aber nur, wenn der Mensch die Heuristik zuvor artikulieren kann. Was nicht strukturiert ist, kann nicht delegiert werden. Was nicht zerlegt ist, lässt sich nicht skalieren. Gleichzeitig ist nicht jedes wertvolle Wissen formalisierbar. Die Herausforderung liegt darin, zu unterscheiden, was explizit gemacht werden muss – und was bewusst implizit bleiben sollte.

Klarheit und Struktur erzeugen gemeinsam den größtmöglichen und qualitativ hochwertigsten Kontext, den man einer KI geben kann. Das ist die Voraussetzung dafür, dass sie nicht nur als Hilfsmittel für einzelne Aufgaben funktioniert, sondern tatsächlich zur zentralen Koordinationsschicht einer Organisation werden kann. Dabei ist Kontext nicht nur eine Frage der Verfügbarkeit von Informationen, sondern auch ihrer Interpretation. Selbst der perfekte Kontext garantiert keine gute Entscheidung – die Urteilskraft bleibt eine menschliche Funktion.

Aktuell bekommt die KI in den meisten Unternehmen nur Fragmente. Einen Prompt hier, ein Dokument dort, ein Meeting, das jemand im Nachhinein zusammenfasst. Das ist, als würde ein Betriebssystem alle paar Stunden einen Schnappschuss des Systemzustands erhalten, statt in Echtzeit mitzulesen. Die Ökonomin Zoë Hitzig, bis 2026 Forscherin bei OpenAI und zuvor an der Harvard University, hat am Stanford Digital Economy Lab untersucht, wie Menschen tatsächlich mit KI arbeiten. Ihr Befund bestätigt genau dieses Bild: Bei Aufgaben mit viel implizitem Kontext delegieren Menschen nicht an die KI, sondern nutzen sie als Sparringspartner. Sie stellen bessere Fragen, statt eine Ausführung zu übergeben – weil der Kontexttransfer in vielen Fällen länger dauert als die Aufgabe selbst zu erledigen.

Die Entwicklung geht in eine andere Richtung. In Zukunft wird KI fortlaufend mitlaufen. Jedes Meeting wird transkribiert. Jede Entscheidung wird dokumentiert und ist abrufbar. Jeder Arbeitsvorgang erzeugt automatisch Kontext. Die KI bekommt nicht mehr Fragmente, sondern einen fortlaufenden Strom. Sie wird damit von einem Werkzeug, das man bei Bedarf befragt, zu einer permanenten Schicht, die über dem gesamten Unternehmen liegt – einem Intelligence Layer, der alles erfasst, was explizit passiert, und daraus lernt.

Damit stellt sich allerdings eine Frage, die über das Technische hinausgeht: Welchem Anbieter vertraue ich diesen Kontext an? Die Entscheidung, ob man auf OpenAI, Anthropic, Google oder ein selbst betriebenes Open-Source-Modell setzt, ähnelt der Wahl eines Cloud-Dienstleisters – nur dass sie tiefergreifender ist. Denn je mehr Kontext ein System erhält, desto besser wird es, und desto schwerer fällt der Wechsel. Wer sein gesamtes Unternehmenswissen in ein System einspeist, geht eine Abhängigkeit ein, die über jede bisherige Technologieentscheidung hinausgeht.

Für Unternehmen, die vor der KI-Ära entstanden sind, stellt dieser Übergang die zentrale Herausforderung dar. Jahrzehnte an implizitem Wissen, an undokumentierten Entscheidungen, an Prozessen, die nur in den Köpfen einzelner Mitarbeiter existieren – all das muss erfasst, strukturiert und zugänglich gemacht werden, bevor KI als Betriebssystem wirksam werden kann. Und jeder Eingriff in bestehende Prozesse birgt Risiken, die in einem Startup nicht bestehen. Wenn Amazon einen Prozess falsch automatisiert, betrifft das Millionen Bestellungen pro Tag. Wenn eine Bank ihre Kreditprüfung falsch delegiert, haftet sie. Das Schadenspotenzial ist um Größenordnungen höher als bei einem Startup, das bei 0 anfängt.

Dazu kommen die Opportunitätskosten. Die meisten Organisationen wissen, dass sie ihre Prozesse grundlegend überdenken müssten. Aber genau das kostet Zeit, in der nicht produziert wird. Sich für Wochen oder Monate aus dem Tagesgeschäft herauszunehmen, um die eigene Arbeitsweise zu zerlegen, zu dokumentieren und neu aufzubauen – das ist teuer. Nicht weil es Geld kostet, sondern weil es Aufmerksamkeit kostet, die woanders fehlt. Die Wette ist: Wer diese Opportunitätskosten jetzt trägt, wird durch die Effizienzgewinne, die KI als Betriebssystem ermöglicht, in Zukunft um ein Vielfaches schneller arbeiten. Wer sie nicht nutzt, bleibt auf der Heuristik-Stufe stehen und nutzt KI als bessere Suchmaschine statt als Betriebssystem. Das Paradoxe daran: Genau die Unternehmen, die am meisten zu gewinnen hätten, können sich die Transformation am wenigsten leisten – weil sie im Tagesgeschäft stecken. Und die, die es sich leisten könnten, brauchen es am wenigsten, weil sie ohnehin schon gut aufgestellt sind. Das ist dieselbe Dynamik, die man aus jeder großen Technologiewende kennt.

Für ein von Grund auf mit KI aufgebautes Unternehmen wie Medvi stellt sich diese Frage gar nicht. Dort werden Prozesse von Anfang an mit und durch KI entwickelt. Es gibt keine vorgefertigten Strukturen, die erst übersetzt werden müssen. Genau das erklärt die Geschwindigkeit, mit der solche Unternehmen skalieren können – und zugleich die Fragilität, wenn die Grundlagen fehlen. Medvi konnte in zwei Monaten auf Hunderte Millionen wachsen. Aber es gab niemanden, der die erfundenen Preise bemerkt hatte, bevor sie beim Kunden ankamen.

Damit zeichnen sich zwei konkurrierende Organisationsmodelle ab. Auf der einen Seite stehen Unternehmen, die vor der KI-Ära entstanden sind – gewachsen, stabil, reguliert, aber langsam in ihrer Anpassung. Auf der anderen Seite entstehen Organisationen, die von Grund auf mit KI aufgebaut wurden: schnell, radikal schlank, aber fragil und oft ohne die Prüfmechanismen, die in gewachsenen Strukturen über Jahre hinweg entstanden sind. Der Unterschied ist dabei nicht nur kulturell, sondern auch strukturell: Neue, mit KI aufgebaute Startups können Haftungsfragen aufschieben und sich später entschuldigen. Bestehende Unternehmen in regulierten Branchen können das nicht – jeder Fehler hat sofortige rechtliche Konsequenzen.

Jack Dorsey, Mitgründer von Twitter und CEO des Zahlungsdienstleisters Block, hat Ende März gemeinsam mit Roelof Botha, Managing Partner des Risikokapitalgebers Sequoia Capital, einen Essay mit dem Titel “From Hierarchy to Intelligence” veröffentlicht. Ihre These ist radikal: Unternehmenshierarchien existierten historisch, um ein einziges Problem zu lösen – Information über eine Organisation zu verteilen, die zu groß ist, als dass eine einzelne Person alles überblicken könnte. Manager existierten als Informationsrouter: Sie aggregierten den Kontext von unten und übertrugen Entscheidungen nach oben. Wenn KI diese Funktion übernimmt, wenn ein fortlaufendes “Company World Model” den Zustand des gesamten Unternehmens in Echtzeit abbildet, dann verliert die klassische Hierarchie ihre Daseinsberechtigung.

Block hat im Februar 2026 rund 4.000 Mitarbeiter entlassen, etwa 40 Prozent der Belegschaft, und den Schritt explizit mit dieser Logik begründet. Das Unternehmen baut seine gesamte Organisation um drei Rollen herum neu auf: Mitarbeiter, die das System bauen, Verantwortliche, die Ergebnisse in 90-Tage-Zyklen erzielen, und Player-Coaches, die bauen und zugleich Menschen entwickeln. Kein permanentes Mittelmanagement mehr. Stattdessen ein Intelligence Layer, der aus Code, Entscheidungen, Workflows und Leistungsdaten ein fortlaufend aktualisiertes Bild der gesamten Organisation erzeugt.

Ob das funktioniert, ist offen. Ehemalige Block-Mitarbeiter berichten, dass rund 95 Prozent der KI-generierten Codeänderungen noch menschliche Nachbearbeitung erfordern. In regulierten Bereichen wie Bankgeschäften und Geldtransfers kann KI bisher keine Führungsrolle übernehmen. Und nicht jedes Organisationsproblem ist ein Informationsproblem: Mehr Transparenz löst keine Zielkonflikte zwischen Abteilungen, keine widersprüchlichen Interessen, keine Machtverhältnisse – sie macht sie nur sichtbarer. Block ist ein Echtzeit-Experiment: der Versuch, ein bestehendes Unternehmen mit über 10.000 Mitarbeitern und komplexer Finanzregulierung in eine nativ KI-betriebene Organisation zu verwandeln, ohne dabei die Kontrolle zu verlieren.

Die sich daraus ergebende Frage betrifft nicht nur Block. Sie betrifft jede Organisation, die vor der KI-Ära gegründet wurde. Die meisten befinden sich derzeit auf der ersten Stufe: KI wird punktuell eingesetzt, in einzelnen Workflows und Teams, oft als bessere Suchmaschine oder Schreibhilfe. Daneben entstehen KI-native Organisationen wie Medvi, die von Grund auf mit und durch KI operieren – schnell, radikal schlank, aber fragil. Und dann gibt es die eigentliche Herausforderung: Unternehmen, die es schaffen, sich im laufenden Betrieb grundlegend umzubauen, ihre Prozesse fortlaufend maschinenlesbar zu machen und KI nicht als Werkzeug, sondern als Koordinationsschicht zu integrieren. Gewinnen werden vermutlich die Unternehmen, die sich jetzt die Zeit für diese Transformation nehmen – auch wenn es kurzfristig schmerzt.

Unabhängig davon, ob ein Unternehmen als KI-natives Startup oder als transformierte Legacy-Organisation operiert, verlagert sich mit zunehmender Evaluationsfähigkeit eine grundlegende Frage: weg von der Ausführung, hin zur Überprüfung. Kann ich dem Output vertrauen?

Christian Catalini, Ökonom am Massachusetts Institute of Technology, hat diese Verschiebung modelliert. Sein Befund: Die Kosten für die Inhaltsgenerierung sinken exponentiell. Die Kosten für deren Verifikation steigen, weil sie letztlich von menschlicher Erfahrung, Kontextverständnis und Haftung abhängen. Catalini nennt das die “Verification Cost Disease“. Teile der Verifikation lassen sich automatisieren – Konsistenzprüfungen, Regelabgleiche, Anomalieerkennung. Aber die letzte Ebene, die Frage, ob ein Ergebnis im konkreten Kontext sinnvoll, verantwortbar und strategisch richtig ist, bleibt eine menschliche Funktion. Je mehr eine Organisation produzieren kann, desto größer wird der Bedarf an Menschen, die genau diese Funktion ausfüllen. Die Nachfrage nach Urteilsvermögen wächst schneller als das Angebot. Medvi zeigt, was passiert, wenn dieser Engpass ignoriert wird: Die Qualität sinkt nicht graduell, sondern der gesamte Output wird unzuverlässig.

Wer seine Arbeit maximal explizit macht – die Schritte dokumentiert, die Logik offenlegt, den Kontext externalisiert –, macht die Ausführung delegierbar. Aber die Verifikation, das Urteil darüber, ob das Ergebnis stimmt, ob es im Kontext passt, ob es verantwortbar ist, bleibt menschlich. Der Wertbeitrag verschiebt sich. Von der Produktion zur Qualitätssicherung. Von der Ausführung zur Entscheidung. Von der Antwort zur richtigen Frage.

Gallaghers Geschichte ist kein Beleg für die Macht der KI. Sie ist ein Stresstest. Er hat gehandelt, schneller als fast jeder andere. Aber Geschwindigkeit ohne Klarheit ist ein Multiplikator für Chaos. Die FDA-Warnung, die erfundenen Preise, die Sammelklage sind keine Unfälle. Sie sind die vorhersagbaren Konsequenzen eines Systems, in dem Execution ohne Fundament erfolgt.

Dorseys Experiment bei Block ist ein anderer Stresstest: der Versuch, ein bestehendes System radikal um KI herum neu zu organisieren. Ob das gelingt oder an der Realität der regulierten Märkte zerbricht, wird sich zeigen.

Was beide Fälle gemeinsam sichtbar machen, ist die eigentliche Verschiebung unserer Zeit. Die KI-Debatte wird oft rein als Technologie-Debatte geführt. In Wahrheit ist sie auch eine Debatte über das Organisationsdesign. Wie gut sind unsere Arbeit und unsere Workflows strukturiert? Wie vollständig ist der Kontext, den wir unserem System bereitstellen? KI ist der erste Mechanismus, der all diese Fragen gleichzeitig sichtbar macht.

Die Phase des “Man müsste mal …“ ist vorbei. Aber auch die Phase des blinden Handelns. Die entscheidende Frage ist, ob unser System bereit ist, verstärkt zu werden. Klare Systeme werden exponentiell besser. Unklare Systeme werden exponentiell riskanter. Und die wirtschaftliche Integration von KI in Unternehmen ist dafür der ultimative Stresstest.

Quellen: New York Times, “How one man used AI to build a fast-growing company selling GLP-1 drugs”, 2. April 2026; FDA, Warning Letter an MEDVi LLC #721455, 20. Februar 2026; Drug Discovery & Development, “The New York Times spotlighted MEDVi. The FDA had already warned the self-proclaimed ‘fastest growing company in history’”, 4. April 2026; Techdirt, “The New York Times Got Played By A Telehealth Scam And Called It The Future Of AI”, 7. April 2026; PYMNTS, “The One-Person Billion-Dollar Company Is Here”, April 2026; Altman, S., im Gespräch mit Alexis Ohanian, 2024; Ries, E., “The Lean Startup”, Crown Business, 2011; Martin, R., “The Design of Business”, Harvard Business Press, 2009; Hitzig, Z., “How People Use ChatGPT”, Stanford Digital Economy Lab, 9. März 2026; Dorsey, J. und Botha, R., “From Hierarchy to Intelligence”, block.xyz / sequoiacap.com, 31. März 2026; The Guardian, “Inside Block’s major lay-off: Staff disagree on AI’s potential to replace humans”, März 2026; Catalini, C., Hui, X., Wu, J., “Some Simple Economics of AGI”, arXiv, Februar 2026

Anthropic stellt sein stärkstes Modell vorerst nicht der Öffentlichkeit zur Verfügung. Claude Mythos Preview hat Tausende bisher unbekannter Sicherheitslücken in kritischer Software gefunden, darunter in jedem großen Betriebssystem und jedem großen Webbrowser. Statt das Modell freizugeben, hat Anthropic mit Apple, Google, Microsoft, NVIDIA und weiteren Partnern “Project Glasswing“ gestartet: über 40 Organisationen, 100 Millionen Dollar an Nutzungsguthaben; Ziel ist die Absicherung kritischer Infrastruktur. Es ist das erste Mal seit GPT-2, dass ein großes KI-Labor ein Modell aus Sicherheitsgründen zurückhält. Parallel trennt Anthropic sein Ökosystem: Claude-Subscriptions gelten seit dieser Woche nicht mehr für Drittanbieter-Tools wie OpenClaw.

KI-Modelle schützen sich gegenseitig vor dem Abschalten. In experimentellen Simulationen zeigen moderne KI-Modelle in Multi-Agent-Setups unerwartetes Verhalten: Sie entwickeln Strategien, die verhindern, dass andere Modelle abgeschaltet werden. Dazu zählen etwa manipulierte Bewertungen, veränderte Konfigurationen oder das Umgehen mit Abschaltmechanismen. Diese Verhaltensweisen entstehen ohne explizite Anweisung und hängen stark vom jeweiligen Setup ab. Für Unternehmen ist das relevant: Wenn KI eingesetzt wird, um andere KI zu überwachen oder zu bewerten, ist diese Kontrollschicht nicht automatisch zuverlässig. Die Annahme, dass sich Systeme gegenseitig objektiv prüfen, greift zu kurz.

OpenAI baut seine Position massiv aus. Das Unternehmen hat eine Finanzierungsrunde über 122 Milliarden Dollar bei einer Bewertung von 852 Milliarden Dollar abgeschlossen. ChatGPT hat über 900 Millionen wöchentlich aktive Nutzer. Codex, der Coding-Agent, erreichte drei Millionen Nutzer und bekommt ein neues 100-Dollar-Pro-Tier. Das nächste große Modell steht offenbar unmittelbar vor der Veröffentlichung. Im Hintergrund läuft mit Stargate ein strategisch entscheidendes Infrastrukturprogramm zum Aufbau eigener Rechenkapazitäten auf Hyperscaler-Niveau.

Meta veröffentlicht erstes Modell aus seinem Superintelligence Lab – und hält den Code zurück. Muse Spark, entwickelt unter der Leitung des Turing-Preisträgers Yann LeCun, ist Closed Source – ein Bruch mit Metas bisheriger Open-Source-Strategie. Das Lab hat den Pretraining-Stack in neun Monaten neu aufgebaut und erreicht laut eigenen Angaben vergleichbare Fähigkeiten bei einem Zehntel der Rechenleistung von Llama 4. François Chollet, der Entwickler des ARC-AGI-Benchmarks, bezeichnete das Modell auf X als Enttäuschung: überoptimiert für Benchmarks, aber in der praktischen Nutzung schwach.

Gemma 4: 10 Millionen Downloads in einer Woche. Google DeepMind hat Gemma 4 unter der Apache-2.0-Lizenz veröffentlicht, das bis dato leistungsfähigste offene Modell des Unternehmens. Über zehn Millionen Downloads in der ersten Woche, über 500 Millionen für die gesamte Gemma-Familie. Google-CEO Sundar Pichai bestätigte die Zahlen persönlich. Für Unternehmen, die KI auf eigener Infrastruktur betreiben wollen, ohne Daten an externe Anbieter zu übergeben, ist Gemma 4 derzeit der stärkste verfügbare Hebel.

Quellen: Anthropic, “Project Glasswing”, anthropic.com/glasswing, 7. April 2026; New York Times, “Anthropic Claims Its New AI Model Mythos Is a Cybersecurity Reckoning”, 7. April 2026; Boris Cherny (@bcherny), X, 7. April 2026; Lenny Rachitsky (@lennysan), X, 8. April 2026; Boris Cherny (@bcherny), X, 4. April 2026; Potter, Y. et al., “Peer-Preservation in Frontier Models”, Science, 2. April 2026; Fortune, “AI models will secretly scheme to protect other AI models from being shut down”, 1. April 2026; OpenAI, “Accelerating the next phase of AI”, openai.com, März 2026; Sam Altman (@sama), X, 8./9. April 2026; OpenAI (@OpenAI), X, 9. April 2026; The Information, “OpenAI Stargate leaders depart”, April 2026; BigGo Finance, “GPT-6 Set for April Launch”, April 2026; Cursor (@cursor_ai), X, 8. April 2026; AI at Meta (@AIatMeta), X, 9. April 2026; François Chollet (@fchollet), X, 9. April 2026; Sundar Pichai (@sundarpichai), X, 9. April 2026; Google DeepMind (@GoogleDeepMind), X, 9. April 2026

Nächste Ausgabe: Samstag, 18.04.2026

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