Anthropics Position im Coding bekommt Konkurrenz aus China

ZCode fordert Claude Code, Cursor & Co heraus

Z.ai aus Peking (früher Zhipu AI) hat am Mittwoch ZCode gestartet, eine kostenlose Desktop-App für macOS, Windows und Linux, die als „Agentic Development Environment“ für das hauseigene Modell GLM-5.2 gebaut ist. Das Tool tritt direkt gegen Cursor, Claude Code, GitHub Copilot und Googles Antigravity an, unterstützt BYOK-Konfigurationen und lässt sich per WeChat, Feishu oder Telegram vom Handy aus steuern. Der Clou steckt im Preis: Die GLM-Coding-Pläne starten bei 16,20 Dollar pro Monat und reichen bis 144 Dollar für „Max“, deutlich unter Anthropic und Cursor. GLM-5.2 selbst ist eine 744-Milliarden-Parameter-MoE-Architektur mit 40 Milliarden aktiven Parametern, einem echten Ein-Million-Token-Kontextfenster und Training auf 28,5 Billionen Token, veröffentlicht als Open Source unter MIT-Lizenz auf Hugging Face. Auf der Code Arena rangierte das Modell Mitte Juni weltweit auf Platz zwei, nur hinter Anthropics Claude 3.5 Sonnet. Entscheidend: Trainiert wurde komplett auf Huawei-Silizium, ohne einen einzigen amerikanischen Chip, zu geschätzten 25 Millionen Dollar Gesamtkosten. Gartner taxiert den Markt für agentische Coding-Tools für 2026 auf rund 10 Milliarden Dollar. → Techpresso

Synthszr Take: 25 Millionen Dollar Trainingskosten auf Huawei-Chips, und das Ergebnis landet auf Platz zwei einer Coding-Rangliste. Das ist die eigentliche Nachricht, nicht die App selbst. Im März warf Cursor Anthropic noch vor, seine Preise massiv zu subventionieren; jetzt kommt ein Anbieter, der die Coding-Pläne bei 16 Dollar ansetzt und das Modell obendrein als Open Source verschenkt. Wer 2026 einen 2-Tool-Standard für sein Growth-Engineering setzt, sollte GLM-5.2 als BYOK-Option für regulierte oder kostenkritische Workloads ernsthaft testen, nicht wegwischen. Die geopolitische Frage bleibt: Ein Modell auf chinesischer Hardware, gesteuert über WeChat, das ist für europäische Compliance kein Selbstläufer, sondern braucht saubere Leitplanken und On-Premise-Prüfung. Aber der Preisdruck wirkt trotzdem, weil er die Erwartung an alle Anbieter verschiebt. Das Jevons-Paradoxon schlägt hier voll durch: Je billiger das Coding wird, desto mehr davon wird passieren, und der Vorsprung liegt bei denen, die früh eine modellagnostische Architektur bauen, statt sich an einen einzigen Vendor zu ketten.

Sam Altman bietet Trump 5% Beteiligung an

OpenAI hat der US-Regierung eine Beteiligung von 5% angeboten, laut einem Bericht der Financial Times rund 42,6 Milliarden Dollar wert. Die Zahl basiert auf der Bewertung von 852 Milliarden Dollar, die Investoren dem Unternehmen vor drei Monaten zugeschrieben haben. Sam Altman will dem Vernehmen nach, dass Anthropic, Google und Meta einen ähnlichen 5%-Anteil abtreten. Altman hat den Plan mit Präsident Trump, Handelsminister Howard Lutnick und Finanzminister Scott Bessent besprochen. Senator Bernie Sanders wies das Angebot zurück und fordert stattdessen eine einmalige Steuer von 50% auf die Anteile von OpenAI, Anthropic und xAI. Der Vorstoß kommt, während der politische Druck in Washington auf den ChatGPT-Macher wächst. → Techpresso

Synthszr Take: Sam Altman spielt hier ein Stück, das er gut kennt. Wer sich als quasi-öffentliche Infrastruktur inszeniert, will nicht reguliert, sondern beschützt werden. Ein 5%-Staatsanteil ist dafür genau der richtige Köder: Er verwandelt Washington vom Torwächter zum Miteigentümer, mit allen Interessenskonflikten, die das mit sich bringt. Dean Ball hat recht mit seinem Rattenbild, denn wer den Regulierer zum Aktionär macht, kann ihn kaum noch bitten, unabhängig zu urteilen. Interessant ist der Kontrast zu Anthropic, das demonstrativ auf Distanz bleibt und lieber an eigenen Chips mit Samsung bastelt, während OpenAI die politische Absicherung sucht. Beide setzen auf einen Burggraben, nur baut der eine ihn aus Silizium und der andere aus Lobby-Beziehungen. Für europäische Unternehmen, die diese Modelle nutzen, heißt das schlicht: Die Machtfrage der KI-Wertschöpfungskette wird gerade in Washington entschieden, nicht in Brüssel.

Wer crawlt, zahlt: Cloudflare erzwingt die Trennung der Bots

Cloudflare setzt der KI-Branche eine Frist: Ab dem 15. September 2026 blockiert der Anbieter per Standardeinstellung sogenannte „Mixed-Use“-Crawler auf allen Seiten mit Werbung. Gemeint sind Bots, die Suche, Agenten-Nutzung und Training in einem Aufwasch erledigen. Wer künftig für ein großes Sprachmodell trainieren will, muss seinen Crawler sauber von der klassischen Suche trennen, sonst kommt er nicht mehr rein. Die Regel greift für neue Kunden, neu angelegte Seiten und alle bestehenden Free-Kunden. CEO Matthew Prince nennt einen konkreten Anlass: Bots haben den menschlichen Traffic im Netz erstmals überholt, ein Jahr früher als erwartet. Cloudflare nimmt dabei sichtbar Google ins Visier, das durch die Verzahnung von Suche und KI-Training auf „doppelt so viele“ Daten zugreife wie andere. Aus „Pay Per Crawl“ wird „Pay Per Use“: Verlage sollen bezahlt werden, wenn ihr Content Wert schafft, nicht bloß wenn er abgeholt wird. Erste Partner sind Ceramic.ai und You.com. → AI Secret

Synthszr Take: Endlich zieht jemand eine Grenze in ein Feld, das bisher jeder gratis abgeerntet hat. Der eigentliche Coup steckt im Übergang von „Pay Per Crawl“ zu „Pay Per Use“: bezahlt wird nach Wertschöpfung, nicht nach Abruf. Das ist genau die Verrechnungslogik, die dem offenen Web seit Jahren fehlt, und sie kommt spät, aber nicht zu spät. Bemerkenswert ist die Zahl von über 50 Prozent Crawl-Traffic, der unveränderte Seiten immer wieder neu abholt: reine Verschwendung von Bandbreite und Compute, die niemand vermissen wird. Cloudflare positioniert sich hier als Torwächter mit Kasse an der Tür, und das trifft Google an der empfindlichsten Stelle, weil dessen Googlebot Suche und KI-Features nicht trennt. Wer als Verlag jetzt noch darauf wartet, dass sich das Problem von selbst löst, reitet ein totes Pferd. Die saubere Trennung der Bot-Intentionen ist der Hebel, an dem sich in den nächsten Monaten entscheidet, wer im KI-Zeitalter noch für seine Inhalte kassiert.

Palantir: US-Regierungskunden wechseln zu Open-Source

Palantir-Chef Alex Karp verkauft sich als Torwächter zwischen den Budgets seiner Kunden und den Modellanbietern OpenAI und Anthropic. Nach einem hitzigen CNBC-Auftritt, in dem er den beiden Firmen unterstellte, Kundendaten abzugreifen und zu überteuer (Belege dafür gibt es keine, beide untersagen Training auf Kundendaten laut ihren Bedingungen), positioniert er Palantir als schützende „Application Layer“. Konkret: Einige US-Regierungskunden haben von proprietären Modellen auf Nvidias Open-Source-Modell Nemotron gewechselt, angedeutet ist das Verteidigungsministerium. Palantir hat dafür ein Produkt gelauncht, das Behörden hilft, Nemotron sicher zu betreiben und laufend fürs eigene Umfeld anzupassen. Karp erwartet, dass jeder Kunde auf Open Source geht, „sobald sie es als gleichwertig sehen“. Nvidias Jensen Huang stellt klar, dass es kein Entweder-oder gibt, sondern „proprietary and open“; laut Artificial Analysis liegt Nemotron zwar hinter den geschlossenen Frontier-Modellen und chinesischen Open-Source-Modellen, ist aber das führende US-Open-Modell. Die Aktie stieg nach den Aussagen um 12 %, steht im Jahr aber immer noch 22 % im Minus. → Applied AI

Synthszr Take: Karp spielt das RedHat-Manöver von 2026. Als Linux die geschlossenen Unix-Derivate von Sun, DEC und HP verdrängte, hat nicht der Kernel das Geld verdient, sondern die Firmen, die ihn nutzbar gemacht haben. Genau da setzt Palantir an: Nemotron ist frei verfügbar und billig, aber eine eigene Inference-Toolchain zu betreiben und ein Modell fürs eigene Umfeld zu tunen bleibt harte Arbeit, die kaum eine Behörde selbst stemmt. Der Burggraben wandert von den Modellgewichten zur Serviceebene, die das Ganze sicher und anpassbar orchestriert. Karps Schlussverkäufersprech über böse Absichten der Modellanbieter ist Marketing, das Argument dahinter trägt trotzdem: Sobald Open Source auf Parität ist, hat niemand mehr einen Grund, sich in einen proprietären Lock-in zu begeben. Wer heute AI-Architektur baut, sollte den Adapter fürs Modell so bauen, dass er austauschbar bleibt, und die Wertschöpfung in die eigene Datenschicht legen. Die 12 % Kurssprung sind Wetten auf diesen Vektor, nicht auf Nemotron-Benchmarks.

TabFM: Ein Fundamentmodell für tabellarische Daten ohne Fine-Tuning

Google Research hat TabFM vorgestellt, ein Fundamentmodell für Klassifikation und Regression auf tabellarischen Daten. Der Clou: Zero-Shot-Vorhersagen per In-Context Learning, ganz ohne Fine-Tuning, ohne Hyperparameter-Optimierung und ohne manuelles Feature Engineering. Das Modell frisst den kompletten Datensatz (Trainingsbeispiele plus Zielzeilen) als einen einzigen Prompt und erzeugt die Vorhersage in einem einzigen Forward Pass. Technisch kombiniert TabFM Ansätze aus TabPFN und TabICL: abwechselnde Attention über Zeilen und Spalten, Kompression jeder Zeile in einen dichten Vektor und ein Transformer, der auf diesen komprimierten Embeddings arbeitet. Damit greift Google die klassischen Baumverfahren wie XGBoost, AdaBoost und Random Forests an, die dieses Feld seit Jahren dominieren. TabFM ist ab sofort auf Hugging Face und GitHub verfügbar. → The Deep View

Synthszr Take: Tabellarische Daten sind das Rückgrat fast jeder Enterprise-Infrastruktur, und genau dort saß bisher der Flaschenhals. Ein XGBoost-Modell auf einen neuen Datensatz zu bringen war nie ein einziger .fit()-Aufruf, sondern Wochen an Handarbeit: Feature Engineering, Hyperparameter-Tuning, Domänenwissen ins Modell prügeln. TabFM commodifiziert genau diese Handarbeit, und das trifft einen ganzen Berufsstand von Data Scientists mitten in ihre teuerste Tätigkeit. Der eigentliche Wert wandert damit weiter nach oben: Wer sauber definiert, welche Frage die Tabelle beantworten soll und welche Vorhersage tatsächlich einen Geschäftsprozess steuert, gewinnt. Das Modell zu ziehen dauert Minuten, die Erfolgskriterien zu definieren bleibt die eigentliche Denkarbeit. Wer jetzt noch Budgets für monatelange Churn- und Fraud-Modellierung freigibt, sollte diese Rechnung neu aufmachen, bevor der Wettbewerber es tut.

Cursor für iOS: Code schreiben von überall

Anysphere bringt seinen Coding-Agent aufs iPhone. Die neue Cursor-App lässt dich Always-on-Agents direkt vom Handy starten oder Agents fernsteuern, die lokal auf deinem Rechner laufen. Du bekommst Live-Updates zum Fortschritt und kannst Pull Requests vom Telefon aus mergen, ohne am Schreibtisch zu sitzen. Cursor gehört mit bis zu acht parallelen Agents und dem Composer-Mode ohnehin zu den stärksten IDE-First-Tools im Feld von 15+ ernsthaften Playern. Der Schritt aufs Smartphone entkoppelt das Coding vom Arbeitsplatz und macht die IDE zum reinen Kontrollraum. → Cursor Team

Synthszr Take: Die spannende Bewegung steckt nicht im iPhone, sondern in der Rollenverteilung. Wenn ein Agent selbstständig Datenbankmigrationen schreibt, API-Endpoints baut und Tests hinzufügt, während du auf dem Handy nur noch die Richtung vorgibst und PRs freigibst, dann ist die IDE zum Überwachungspult geworden. Der Mensch steuert und korrigiert, die Maschine arbeitet in Schleifen. Das ist genau der Übergang, den Cursor, Windsurf und Devin seit Ende 2024 vollziehen: weg vom Reagieren, hin zum eigenständigen Handeln. Für Teams heißt das konkret, den Arbeitsmodus umzustellen, statt weiter Zeilen zu tippen. Wer heute noch glaubt, Entwicklung sei an einen Bildschirm mit Tastatur gebunden, riskiert, ein totes Pferd zu reiten. Die eigentliche Kompetenz verschiebt sich zur präzisen Formulierung von Intent, und die lässt sich vom Bahnsteig aus genauso gut treffen wie vom Bürostuhl.

Higgsfield VFX: Der Endgegner der Video-Bearbeitung

Higgsfield hat ein Tutorial veröffentlicht, das VFX aus der Werkzeugkette von After Effects, 3D-Modellierung und Tracking herauslöst und in eine Prompt-Pipeline verlegt. Der Kern: Claude liest das hochgeladene Footage frameweise, der Nutzer beschreibt die gewünschte Änderung in normaler Sprache (etwa „beim Fingerschnippen wird der Hintergrund zur Wüste“), und eine Skill generiert daraus den kompletten Prompt für Seedance 2.0 in 4K. Über ein „Lock header“-Konzept bleiben Gesicht, Kleidung, Linse und Kamerabewegung fixiert, während exakt getimt Umgebung oder Einzelelemente ausgetauscht werden. Die Beispiele reichen von simplem Hintergrundtausch über einen sechsstufigen Umbau einer Hand zum Roboterarm bis zu Handheld-Aufnahmen mit Krakenangriff, Sauropoden im Regenwald und einstürzenden Tempeln. 4K ist dabei kein Luxus, sondern die Schwelle, unter der Gesicht und Lippensynchronität in 1080p zusammenbrechen. Noch gibt es Grenzen bei komplexen Bewegungen und langen Clips, aber das Niveau ist bereits praxistauglich. → Trendium.ai

Synthszr Take: Das Interessante hier ist nicht der Kraken, sondern die Arbeitsteilung. Ein LLM übernimmt die Rolle, an der bisher der Flaschenhals saß: das technische Übersetzen einer kreativen Absicht in korrekte Parameter. Genau das ist die Verschiebung von Single-Model zu orchestrierter Pipeline, die gerade im ganzen Stack passiert (nur eben jetzt sichtbar im Consumer-Video). Higgsfield sitzt im Application-Layer, und der ist bekanntlich der mit den höchsten Margen und der höchsten Substitutionsgefahr: Claude analysiert die Frames, ByteDances Seedance rendert, Higgsfield liefert die Skill-Logik dazwischen. Wer nur einen dieser Layer bedient, muss über Workflow-Cleverness differenzieren, und genau das versuchen sie mit dem „Lock header“-Ansatz. Die eigentliche Ansage steckt im letzten Absatz des Tutorials: Das Gewicht wandert vom Dreh zur Regie, vom „was kann ich filmen“ zum „was inszeniere ich“. Für jeden, der Video produziert, verschieben sich damit die knappen Skills. Handwerk am Compositing wird austauschbar, die Fähigkeit, präzise zu beschreiben, was passieren soll, wird der einzige echte Vorteil.

Jobmarkt und KI: Der Mensch kehrt zurück

Immer mehr Unternehmen, die Jobs zugunsten von KI gestrichen haben, rudern zurück und stellen wieder Menschen ein, so ein CNBC-Bericht vom Dienstag. Ford hat über 350 erfahrene Ingenieure zurückgeholt und befördert, nachdem automatisierte Qualitätskontrolle die Erfahrung der Veteranen nicht abbilden konnte; KI sei „ein fantastisches Werkzeug“, so Hardware-Chef Charles Poon, aber nur so gut wie die Trainingsdaten. Australiens Commonwealth Bank ersetzte über 40 Servicekräfte durch Voice-Bots, kassierte das wegen steigender Anrufvolumina wieder ein. IBM will die Zahl der Einstiegs-Einstellungen in den USA bis 2026 verdreifachen, weil Urteilskraft, Ethik und komplexe Entscheidungen menschlich bleiben. Eine Orgvue-Studie zeigt: 39 Prozent der Führungskräfte haben wegen KI Leute entlassen, 55 Prozent halten das im Nachhinein für einen Fehler. Robert Half meldet, dass 32 Prozent der US-Hiring-Manager, die eine Stelle primär wegen KI gestrichen haben, sie später wieder besetzten. Parallel pumpen Oracle, Meta und Intuit weiter Milliarden in KI und kündigen zugleich Stellen. → Techpresso

Synthszr Take: 55 Prozent Reue-Quote ist keine Fußnote, das ist ein Massenphänomen mit Kalender. Diese Firmen haben KI als Ersatz gebucht und dann gemerkt, dass sie einen Assistenten gekauft haben. Der Ford-Fall bringt es auf den Punkt: Das Modell antwortet in Sekunden, aber die Qualitätsurteile der Veteranen stecken in Erfahrung, die kein Trainingsdatensatz kennt. Genau das deckt sich mit dem, was die IBM-CEOs selbst sagen, nämlich dass 83 Prozent den Erfolg ihrer KI eher von der menschlichen Adoption abhängig machen als von der Technik. Der Engpass war nie die Rechenleistung, sondern die Nähe zum Kontext, zum Kunden, zum Grenzfall. Wer jetzt entlässt, um in sechs Monaten teurer zurückzuholen, zahlt zweimal Lehrgeld und verliert dazwischen das Betriebswissen. Die vernünftige Rechnung lautet: KI übernimmt die Routine, die Menschen bekommen den anspruchsvolleren Teil, und wer das früh so aufstellt, spart sich die peinliche Rolle rückwärts.

Boris Cherny: Fünf Archetypen statt Jobtitel

Boris Cherny, der bei Anthropic das Team hinter Claude Code führt, beschreibt in einem viel geteilten Beitrag, wie sich die klassischen Rollen auflösen. Engineering, Product, Design und Data Science verschmelzen ineinander, bis die alten Jobtitel kaum noch etwas erklären. In seinem eigenen Team erkennt Cherny stattdessen fünf Archetypen: den Prototyper, der Ideen am Fließband produziert (die meisten sterben früh), den Builder, der sie in Produktion bringt, den Sweeper, der löscht und vereinfacht, den Grower, der Product-Market-Fit jagt, und den Maintainer, der ein reifes System im großen Maßstab am Leben hält. Diese Muster beschreiben, was Menschen tatsächlich tun, nicht was auf ihrer Visitenkarte steht. Für Cherny ist das die logische Folge davon, dass KI-Werkzeuge die Grenzen zwischen den Disziplinen einreißen. → AI Secret

Synthszr Take: Cherny beschreibt dieselbe Verschiebung, die überall gerade sichtbar wird: Code ist billig geworden, Intent ist teuer. Wenn Output nichts mehr kostet, wird der Input zum knappen Gut, und der Input ist Urteilsvermögen über die Phase, in der ein Produkt steckt. Die Gefahr sitzt genau hier: Ein Team mit den falschen Instinkten baut jetzt zehnmal schneller und produziert also Inkohärenz im Zehnfachen. Wer eine unklare Strategie beschleunigt, verwickelt sich in ein Dickicht, aus dem kein Weg mehr herausführt. Das Org-Chart nach Handwerk zu sortieren ist damit reif für die Ablösung, denn die knappe Ressource verteilt sich nicht mehr entlang von Job-Titeln. Sie sitzt in Köpfen, die spüren, ob gerade Wahrnehmen oder Ausliefern dran ist. Wer sein Team nach Instinkt statt nach Skill zusammenstellt, hat den entscheidenden Vorteil bereits eingebaut.

Repo Radar: Fünf GitHub-Projekte, wo Agenten die Arbeit machen

Diese Woche zeigt der GitHub-Trending-Radar fünf Projekte, in denen Agenten aus dem Chatfenster in echte Produktionsarbeit rücken. OpenMontage hat 31.003 Sterne geknackt und verwandelt einen Coding-Assistenten wie Claude Code, Cursor oder Codex in ein komplettes Videostudio: 12 Pipelines, 52 Tools, Budget-Deckel und ein Entscheidungs-Log auf jeden Provider-Call (AGPL-3.0, Schwierigkeit 5/5). Google Labs bringt mit design.md eine Format-Spezifikation, die maschinenlesbare Design-Token in YAML mit menschenlesbarer Begründung in Markdown koppelt, damit Agenten nicht zwischen Sessions von der Marke abdriften (Apache-2.0, Schwierigkeit 1/5, noch als Alpha markiert). Strix von usestrix schickt autonome Agenten-Teams durch die OWASP Top 10, fängt HTTP ab, öffnet eine Shell und schreibt funktionierende Proof-of-Concept-Exploits (29.913 Sterne). Alibabas page-agent steuert Web-Oberflächen per natürlicher Sprache, MinerU macht aus chaotischen PDFs sauberes, LLM-fähiges Markdown. Jedes dieser Repos zielt einen Agenten auf genau eine konkrete Aufgabe. → Marcus Schuler

Synthszr Take: Im Mai haben wir hier notiert, dass Agenten wichtiger werden als Modelle. Diese fünf Repos sind der Beweis, dass die Debatte schon eine Ebene tiefer läuft: Nicht mehr, ob ein Agent Code schreibt, sondern was er als Feierabend-Ergebnis abliefert, das ein Mensch nur noch abnickt. OpenMontage ist dabei der spannendste Fall, weil ein Coding-Tool sein Terrain verlässt und Video produziert. Das ist die Überdehnung des Coding-Agents in einen generellen Produktions-Layer, und genau da liegt der Wert. Zwei Dinge lohnen den Blick vor dem produktiven Einsatz: Die AGPL-3.0 bei OpenMontage bringt echte Copyleft-Pflichten mit, und die schönen Marketing-Ergebnisse brauchen GPU plus Cloud-Videomodelle, der kostenlose Pfad reicht nur für lokale Sprachausgabe und Gratis-Footage. Wer diese Woche zwei Stunden investiert, klont design.md und Strix und testet sie an einem echten Repo, statt auf das nächste Modell-Release zu warten. Die Werkzeuge liegen offen auf dem Tisch; wer sie 2026 in den eigenen Workflow einrastet, hat 2027 die Skalierungsbasis.