Der neue Kampf um den E-Commerce, neue Agenten-Stack und neues aus Europa
Yann LeCun gründet eine neue Firma als LLM-Alternative in Paris und VC-Investitionen steigen (langsam) auf dem alten Kontinent. Plus: Agenten-Stacks, E-Commerce, Bytedance
Der Kampf um den AI-gesteuerten E-Commerce
Die Art und Weise, wie Konsumenten Kaufentscheidungen treffen, wird zunehmend von AI geprägt. Amazon, Google und OpenAI konkurrieren darum, den Moment der Produktentdeckung und -bewertung zu dominieren, noch bevor ein Produkt im Warenkorb landet. Anstatt zahlreiche Tabs zu öffnen und Rezensionen zu lesen, stellen Nutzer eine einfache Frage an einen AI-Assistenten. Amazon positioniert sich als smarter Shopping-Begleiter, Google will seine Rolle als primäre Informationsquelle verteidigen, und OpenAI agiert als neutrale Schicht darüber. Für Verbraucher bedeutet dies mehr Komfort, aber auch eine Verengung der Auswahl. Der Kompromiss liegt zwischen Geschwindigkeit und der Entdeckung neuer Optionen, wobei die meisten die Einfachheit bevorzugen werden. → Future Blueprint
Synthszr Take: Hier findet eine tektonische Verschiebung statt: Die Wertschöpfung verlagert sich von der Transaktion zur Empfehlung. Wer die AI-gestützte Vorauswahl kontrolliert, kontrolliert den Markt. Amazon hat die Transaktionsdaten, Google die Suchhistorie und das Inventar, OpenAI die Konversationsebene. Sichtbarkeit wird nicht mehr über organisch oder über Ads erzielt, sondern über die Fähigkeit, von einer AI als relevante Option interpretiert zu werden. Die Balance zwischen Werbung (=Manipulation) und organischen LLM-Ergebnissen zu finden, wird verdammt schwierif für jeden Newcomer — Google hat hier die besten Karten.
Humans& startet mit 480 Mio. $ Seed-Runde
Das AI-Startup Humans&, gegründet von ehemaligen Mitarbeitern von Anthropic, xAI und Google, hat eine Seed-Finanzierung in Höhe von 480 Millionen US-Dollar bei einer Bewertung von 4,48 Milliarden US-Dollar abgeschlossen. Zu den Investoren gehören Nvidia, Jeff Bezos und diverse bekannte VC-Firmen. Die Philosophie des Unternehmens ist es, AI zur Stärkung menschlicher Kollaboration einzusetzen, anstatt Menschen zu ersetzen. Das Team besteht aus prominenten Forschern und Ingenieuren der grossen AI-Labs. Humans& will existierende AI-Techniken nutzen, um Modelle auf neue Weisen zu trainieren, etwa um Chatbots zu befähigen, Informationen von Nutzern anzufordern und für spätere Verwendung zu speichern. Das Ziel ist eine AI, die als „tieferes Bindegewebe“ für Organisationen und Gemeinschaften dient, was Innovationen im Bereich Reinforcement Learning, Gedächtnis und Nutzerverständnis erfordert. → Techpresso
Synthszr Take: Die Finanzierung von Humans& ist ein perfektes Beispiel für den aktuellen AI-Superzyklus: Investoren wetten nicht auf ein MVP, sondern auf die Dichte an Talenten aus den führenden Labs. Es geht um die Annahme, dass diese Teams einen unfairen Vorteil bei der Rekrutierung und beim Zugriff auf die nächste Generation von Architekturen haben. Die „human-centric“ Positionierung ist dabei cleveres Marketing, um sich von der reinen Skalierungs- und Effizienz-Rhetorik der Konkurrenz abzusetzen. Unterm Strich bleibt: Kapital folgt Talent, nicht Produkten.
Der Agenten-Stack wird zu realer Software
Die Entwicklung von AI-Agenten bewegt sich weg von cleveren Prompts hin zu robuster Software-Architektur. Bisher lag der Fokus auf der Verbesserung des logischen Denkens (Reasoning) von Modellen. Die eigentlichen Probleme in der Praxis sind jedoch Ausdauer und Kohärenz über längere Zeiträume. Agenten verlieren den Faden, wiederholen Aufgaben oder werden instabil. Aktuelle Forschungsarbeiten behandeln diese Herausforderungen als Systemprobleme. Themen wie hierarchisches Caching von Wissen, Gedächtnis als exekutive Kontrollfunktion und die dynamische Erzeugung von Werkzeugen zur Laufzeit rücken in den Mittelpunkt. Die Infrastruktur für das Training und den Betrieb dieser Agenten wird entscheidend. → 🔳 Turing Post
Synthszr Take: Das ist der Übergang von Phase 1 (Magie) zu Phase 2 (Industrialisierung) der generativen AI. Der Hype um „Prompt Engineering“ war ein Cargo-Kult für Nicht-Techniker. Die wirkliche Wertschöpfung und die defensiven Burggräben werden in der Systemebene gebaut. Agenten-Fehler ähneln bald weniger einer falschen Antwort und mehr einem „Memory Leak“ oder einer „State Corruption“. Die gefragtesten Experten werden nicht„Prompt-Engineers“ sein, sondern Systemdenker, die verstehen, wie man resiliente, langlaufende AI-Prozesse orchestriert.
ByteDance fordert Alibaba im AI-Cloud-Markt heraus
ByteDance, das Mutterunternehmen von TikTok, greift Alibaba im chinesischen Cloud- und AI-Markt an. Das Unternehmen hat sein Enterprise-Cloud-Geschäft, Volcano Engine, erheblich ausgebaut und setzt dabei auf seine AI-Kompetenzen und Rechenressourcen. Mit aggressiven Preissenkungen und einer vergrösserten Vertriebsmannschaft positioniert sich ByteDance als ernsthafter Konkurrent. Die Strategie konzentriert sich auf massgeschneiderte AI-Agenten für Unternehmenskunden, die auf denselben proprietären Modellen und Dateninfrastrukturen basieren, die auch TikTok und Douyin antreiben. IDC schätzt, dass ByteDance bereits fast 13% des chinesischen AI-Cloud-Marktes kontrolliert und damit an zweiter Stelle hinter Alibaba liegt. → Techpresso
Synthszr Take: Dies ist ein klassischer „Full-Stack“-Angriff. ByteDance hat für den internen Bedarf (den TikTok-Algorithmus) eine der weltweit fortschrittlichsten AI-Infrastrukturen aufgebaut. Jetzt externalisieren sie diese Fähigkeit und kommodifizieren den Markt von aussen. Sie verkaufen nicht nur Cloud-Speicher, sondern ein ganzes AI-Betriebssystem, das im härtesten denkbaren Umfeld – dem globalen Aufmerksamkeitsmarkt – kampferprobt ist. Für Alibaba und Tencent ist das eine massive Bedrohung, denn ByteDance verkauft keine Technologie, sondern eine bewährte Rezeptur für Engagement.
Yann LeCun über seine Wette gegen LLMs
Yann LeCun erläutert in einem Interview die Vision hinter seinem neuen, in Paris ansässigen Unternehmen Advanced Machine Intelligence (AMI). Er positioniert es als europäische Alternative zu den dominierenden US-amerikanischen und chinesischen AI-Firmen und plädiert für einen Open-Source-Ansatz. LeCun kritisiert den aktuellen Fokus der Branche auf Large Language Models (LLMs) als Irrweg. Er ist überzeugt, dass LLMs allein keine menschenähnliche Intelligenz erreichen können, da ihnen ein echtes Verständnis der realen Welt fehlt. Stattdessen setzt AMI auf „Weltmodelle“ und die von ihm entwickelte JEPA-Architektur, die aus Beobachtungen (wie Videos) abstrakte Repräsentationen der Welt lernt und so die Grundlage für Planungs- und Handlungsfähigkeit schaffen soll. → Techmeme
Synthszr Take: LeCun spielt hier ein anderes Spiel. Während das Silicon Valley die Sprache und damit das kumulierte intellektuelle Kapital der Gutenberg-Galaxis und des Webs digitalisiert, will LeCun in Europa die Physik der realen Welt modellieren. Das ist eine fundamental konträre, aber potenziell weitaus wertvollere Wette. Agenten, die nur auf LLMs basieren, werden immer brüchig bleiben, weil sie die Konsequenzen ihrer Handlungen nicht vorhersagen können. Ein Agent mit einem verinnerlichten Weltmodell kann das. LeCun versucht nicht, das nächste ChatGPT zu bauen, sondern die Grundlage für wirklich autonome Systeme. LeCuns „Pivot“ ist das intellektuelle Äquivalent zu einem Erdbeben im AI-Establishment und ein Angriff auf die reine Skalierungs-Hypothese im Valley.
Adaptive RAG-Systeme optimieren die Effizienz
Enterprise-Systeme für Retrieval-Augmented Generation (RAG) entwickeln sich weiter zu query-adaptiven Architekturen. Diese Systeme klassifizieren Anfragen dynamisch nach ihrer Komplexität. Einfache, faktische Fragen werden durch einen schnellen Single-Hop-Retrieval-Prozess beantwortet, während komplexere Anfragen, die logisches Schliessen erfordern, an einen Multi-Hop-Synthese-Prozess weitergeleitet werden. Führende Implementierungen berichten von Latenzreduktionen um 30-40% und einer Genauigkeitssteigerung von 8%. Gleichzeitig können die Kosten für LLM-Aufrufe um bis zu 50% sinken. Der Erfolg hängt von einer robusten Komplexitätserkennung und kontinuierlichen Feedbackschleifen ab. → TLDR Data
Synthszr Take: Das ist die unsichtbare, aber entscheidende nächste Stufe der AI-Industrialisierung. Weg von monolithischen „One-size-fits-all“-Modellen, hin zu intelligenten, ressourcen-effizienten Pipelines. Adaptive RAG ist im Grunde ein Load Balancer für kognitive Last. Es ist die Erkenntnis, dass nicht jede Frage einen sledgehammer, also ein riesiges Modell, benötigt. Diese Art von Optimierung im „Maschinenraum“ der AI ist es, was Enterprise-Anwendungen profitabel und skalierbar macht. Der Burggraben liegt nicht im Modell, sondern in der Orchestrierung.
AI treibt europäisches Venture Capital an
Im Jahr 2025 stiegen die Venture-Capital-Investitionen in europäische Startups leicht um 9% auf 58 Milliarden US-Dollar. Erstmals war AI der führende Sektor für Investitionen mit rund 17,5 Milliarden US-Dollar, ein deutlicher Anstieg gegenüber 10 Milliarden im Vorjahr. Dieser Trend zeigt eine Verlagerung hin zu Deep Tech, einschliesslich Rechenzentren, Wearables, Verteidigung und Quantencomputing. Trotz des Wachstums hat Europa nicht den gleichen AI-getriebenen Boom wie Nordamerika erlebt, wo die Investitionen um 46% stiegen. Das Vereinigte Königreich bleibt das führende Land, obwohl sein Anteil am Gesamtkapital leicht zurückging, während Länder wie Frankreich, Deutschland und die Schweiz zulegten. → Techmeme
Synthszr Take: Die Zahlen zeigen, dass Europa aufwacht, aber immer noch im Windschatten der USA fährt. Die Investitionen fliessen, aber die Frage bleibt: Entstehen hier die nächsten Plattform-Unternehmen oder nur hochfinanzierte Anwender der US-Technologie? Der Fokus auf Deep Tech ist vielversprechend, denn er spielt europäische Stärken in Forschung und Ingenieurwesen aus. Der Lackmustest wird sein, ob es gelingt, aus dieser wissenschaftlichen Exzellenz auch marktbeherrschende Produkte und Ökosysteme zu schaffen, anstatt nur eine weitere Generation von hochinnovativen, aber letztlich unbedeutenden Nischen-Playern.
Anthropics und OpenAI: Umsätze steigen, Margen sinken
OpenAIs CFO Sarah Friar hat in einem Blogbeitrag erklärt, dass der annualisierte Umsatz des Unternehmens mit der gleichen Rate gewachsen ist wie der Verbrauch von Rechenressourcen. Der Compute-Bedarf habe sich von 0,2 Gigawatt in 2023 auf 1,9 Gigawatt in 2025 verdreifacht, während der Umsatz im gleichen Zeitraum von 2 Milliarden auf über 20 Milliarden Dollar gestiegen sei. OpenAI schliesst derzeit weitere Deals mit Cloud-Anbietern und Chipherstellern, um den wachsenden Bedarf zu decken. → The Information AM
Anthropic hat seine Bruttomargen-Prognose gesenkt, obwohl der Umsatz stark ansteigt. Das Unternehmen verzeichnete im Jahr 2025 einen annualisierten Umsatz von über 9 Milliarden US-Dollar, mehr als das Doppelte des Vorjahres. Gleichzeitig wurde die erwartete Bruttomarge auf 40% reduziert. Diese Anpassung spiegelt die hohen Kosten wider, die mit dem Training und Betrieb grosser AI-Modelle verbunden sind. → Martin Peers
Synthszr Take: Elegant formulierte Botschaften, um Investoren zu beruhigen, die nervös auf die explodierenden Compute-Kosten blicken. Die Aussage „Umsatz wächst wie Compute“ verschleiert die entscheidende Frage: Wie entwickeln sich die Grenzkosten pro Query? Solange jede Interaktion Geld verbrennt, ist das Wachstum nur eine vorfinanzierte Skalierung. Aktuell ist keine Skalierungsdividende erkennbar: keine gute Nachrichten für Investoren. Entweder man findet einen Weg, die Modelle radikal effizienter zu machen, oder man muss sich auf hochmargige Enterprise-Workflows spezialisieren, die diese Kosten rechtfertigen. Der reine Verkauf von API-Zugängen ist ein Rennen Richtung Null-Marge.
Die Konsolidierung des LIDAR-Marktes
Der LIDAR-Markt, der einst über 200 Unternehmen zählte, konsolidiert sich auf wenige verbleibende Akteure. Laut Omer Keilaf, CEO von Innoviz, nähert sich der Markt einem Endspiel mit ein bis zwei dominanten westlichen Anbietern. Ein wesentlicher Treiber ist der zunehmende Fokus auf Level-4-Autonomie (Robotaxis, LKW), der durch den Erfolg von Waymo ausgelöst wurde. Gleichzeitig werden Level-3-Programme, die lange stagnierten, wieder beschleunigt. Der technische Unterschied zwischen den Autonomiestufen ist entscheidend: Während L2-Systeme einen Fahrer als Rückfallebene haben, erfordern L3 und insbesondere L4 eine nahezu hundertprozentige Verfügbarkeit und Robustheit der Sensoren, auch unter widrigen Bedingungen wie Verschmutzung. → Austin Lyons from Chipstrat
Synthszr Take: Das ist die klassische Entwicklung eines Technologiemarktes, die nach dem Gartner Hype Cycle abläuft. Die Phase der „aufgeblasenen Erwartungen“ mit Hunderten von Anbietern ist vorbei. Jetzt folgt das „Tal der Enttäuschungen“ und die Konsolidierung, in der nur die Unternehmen überleben, die eine industrialisierbare, zuverlässige Technologie für konkrete Use Cases liefern können. Es geht nicht mehr um Demos, sondern um langfristige Lieferverträge mit OEMs. Der Markt rationalisiert sich, und die Gewinner sind diejenigen, die nicht nur die beste Technologie, sondern auch die robusteste Lieferkette und die stärksten Kundenbeziehungen haben.
