Japan launcht Fable Alternative — EU blockiert sie

Japan kontert Claude Mythos mit Fugu — aber ohne Europa

Sakana, das zunehmend auf Unternehmen ausgerichtete KI-Startup von Ex-Google-Brain-Mann David Ha, hat gestern Abend Fugu gestartet: ein Multi-Agenten-Orchestrierungssystem, das Frontier-Performance über eine einzige, OpenAI-kompatible API liefert. Statt auf ein einzelnes monolithisches Modell zu setzen, routet Fugu (japanisch für Pufferfisch) Anfragen dynamisch an einen austauschbaren Pool spezialisierter Agenten. Der Zeitpunkt ist kein Zufall: Am 12. Juni hatte Anthropic nach einer US-Exportkontrollanordnung den öffentlichen Zugang zu seinen Spitzenmodellen Claude Mythos 5 und Fable 5 gekappt. Auf den Benchmarks zieht Fugu vorbei: 93,2 auf LiveCodeBench gegen Fables 89,8 und 95,5 auf GPQA-Diamond. Die Preise sind happig: Fugu Ultra startet bei 5 Dollar je Million Input-Token und 30 Dollar je Million Output-Token. Pikant: Welche Modelle Fugu intern wählt, bleibt proprietär und vor dem Nutzer verborgen, und in der EU läuft der Dienst wegen offener DSGVO-Fragen vorerst gar nicht. → venturebeat.com

Synthszr Take: Am 12. Juni hat Anthropic Claude Mythos 5 und Fable 5 außerhalb der USA abgeschaltet. Drei Tage später kommt aus Tokio ein System, das auf den Benchmarks vorbeizieht. Das sollte uns in Europa nachdenklich machen, und zwar aus dem richtigen Grund. Sakana hat geliefert, was Mistral & Co nicht hinbekommen haben. Wir reden über Souveränität, gründen Konsortien, schreiben Strategiepapiere. David Ha hat den Exportbescheid gelesen und in die Lücke ein fertiges Produkt gebaut. Fugu fährt 93,2 auf LiveCodeBench gegen Fables 89,8. Das ist keine Ankündigung. Das läuft. Und was tut die EU? Sie sperrt den Dienst aus. Offene DSGVO-Fragen, in Europa startet Fugu vorerst gar nicht. Wir haben gerade live erlebt, wie schnell ein US-Anbieter den Hahn zudreht. Im selben Moment liefert ein befreundetes Land die erste echte Alternative, und Brüssel weist sie an der Grenze ab. Das ist strategisch dumm. Japan und Europa sitzen im selben Boot. Beide hängen an US-Modellen, beide haben keinen eigenen Frontier-Stack, beide schauen im Rennen zwischen Washington und Peking zu. Daraus folgt der naheliegende Zug: anrufen statt blockieren. Gemeinsame Standards, ein gemeinsamer Markt, ein zweiter Pol, der nicht in Kalifornien sitzt. Eine kluge Allianz mit Sakana wäre der erste echte Spielzug, den Europa in dieser Sache überhaupt macht. Fugu ist dabei kein Heiliger. Die Routing-Logik bleibt eine Black Box, der Nutzer sieht nicht, welches Modell hinter seiner Anfrage arbeitet, und 30 Dollar pro Million Output-Token sind happig für eine Schicht, die nur koordiniert. Sakana sichert sich gegen Vendor Lock-in ab, indem es selbst zum Gatekeeper wird. Genau das gehört verhandelt. Aber verhandeln kann nur, wer am Tisch sitzt. Wer Souveränität will, muss sie auch dann wollen, wenn sie unbequem wird. Sonst bleibt Europa der Markt, der zusieht, wie andere die Infrastruktur bauen, von der er morgen abhängt.

Googles Talent-Exodus: Ein Nobelpreisträger geht zu Anthropic

John Jumper verlässt Google DeepMind nach neun Jahren und wechselt zu Anthropic. Jumper hat AlphaFold mit aufgebaut, die KI zur Vorhersage von Proteinstrukturen, und dafür gemeinsam mit Demis Hassabis den Chemie-Nobelpreis bekommen. Sein Abgang folgt nur wenige Tage auf den Wechsel von Gemini-Co-Lead Noam Shazeer zu OpenAI, also zwei prominente Köpfe in einer einzigen Woche. Jumper will sich erst „eine Auszeit nehmen“, bevor er bei Anthropic anfängt, pünktlich vor einem für den 30. Juni geplanten Wissenschafts-Event. Zuletzt soll er bei Google auch an Coding-Tools für den Enterprise-Bereich mitgearbeitet haben, einem Feld, in dem der Konzern hinter den Frontier-Rivalen zurückliegt. Nachdem Googles Modelle 2024 und 2025 an der Spitze standen, fühlt sich 2026 nach einem Rückschritt gegenüber OpenAI und Anthropic an. Die Wissenschaft galt als DeepMinds eigenes Terrain, und genau dort sitzt jetzt eine Lücke. → The Rundown AI

Synthszr Take: Talent ist der eigentliche Burggraben im KI-Geschäft, und Google verliert ihn gerade an die zwei Firmen, gegen die es antritt. Jumper ist kein beliebiger Forscher, er hat mit AlphaFold das eine Vorzeigeprojekt geliefert, das DeepMind über reine Sprachmodelle hinaushob. Dass er ausgerechnet zu Anthropic geht, dessen Umsatz wir Anfang März schon Richtung 20 Milliarden Dollar laufen sahen, sagt mehr über die Schwerkraft der Bewertungen als über Google selbst. Ein Konzern mit dieser Forschungstiefe kann Modelle nachbauen, aber er kann keinen zweiten Nobelpreisträger aus dem Regal holen. Die nüchterne Frage für Sundar Pichai lautet, warum die besten Köpfe lieber Aktienpakete eines hochbewerteten Startups nehmen als die Sicherheit eines Billionenkonzerns. Wer hier nur mit mehr Compute und mehr Gehalt antwortet, hat die Frage nicht verstanden. Es geht um das Gefühl, am schnellsten fahrenden Auto zu sitzen, und dieses Gefühl hat Google in zwölf Monaten verspielt.

Open-Weight-Modelle: Der „ChatGPT-Moment“ für die Hosentasche

Zum ersten Mal spielt ein frei herunterladbares Modell mit MIT-Lizenz auf Augenhöhe mit den teuersten geschlossenen Systemen. Die Rede ist von GLM-5.2 von Zhipu AI (Z.ai), das Entwickler reihenweise begeistert: Matt Velloso, früher VP bei Meta, DeepMind und Microsoft, nennt es „das erste Open-Source-Modell, das als Daily Driver durchgeht“. Jeremy Howard, Mitgründer von Fast AI, stellt es auf eine Stufe mit Opus 4.8 und GPT-5.5. Die Zahlen stützen den Hype: ein Kontextfenster von einer Million Token, das eine komplette Codebasis auf einmal hält, Platz eins auf unabhängigen Open-Weight-Ranglisten und der Spitzenplatz für Frontend-Coding auf Arena AI. Das Ganze läuft auf eigener Hardware, kostenlos und unter permissiver Lizenz. Schon Mitte Juni hatten wir notiert, wie GLM-5.2 GPT-5.5 zu einem Bruchteil des Preises überholt; jetzt ist der Abstand zum Closed-Source-Lager praktisch verschwunden. → Linas from Linas's Newsletter

Synthszr Take: Ende Mai war Anthropic noch die unangefochtene Nummer Eins mit Rekordbewertung, jetzt liefert ein Open-Weights-Modell aus China Opus-4.8-Niveau zum Bruchteil der Betriebskosten. Genau das ist das Jevons-Paradoxon in Aktion: Je billiger Inference wird, desto mehr davon wird verbraucht, und der Wert verschiebt sich von der Modellgewichtung zur Orchestrierung. Sakanas Fugu Ultra macht das sichtbar, weil dort nicht ein Riesenmodell gewinnt, sondern die kluge Koordination spezialisierter Modelle hinter einer API. In den OH-SO-Vendor-Maps steht seit Runde sechs der Satz, dass die Wahl des Orchestrierungs-Frameworks eine längere Halbwertszeit hat als die Wahl des Modells, und GLM-5.2 bestätigt das ein weiteres Mal. Wer heute seinen Coding-Stack ausschließlich an einen proprietären Anbieter klebt, baut sich ein Lock-in-Risiko, das in sechs Monaten richtig teuer werden kann. „Reasonable Sovereignty“ heißt: ein Frontier-Modell als Standard, ein Open-Weights-Backup wie GLM-5.2 oder Llama daneben, und die Logik in einem agnostischen Framework wie LangGraph. Diese Architektur lässt sich im Pilot konfigurieren, nicht erst nach dem nächsten Strategie-Offsite.

GLM-5.2 knapp vor Kimi K2.7: Zwei chinesische Open-Source-Modelle setzen die Frontier-Preise neu

Zhipu AIs GLM-5.2 und Moonshots Kimi K2.7 Code, beide Mitte Juni binnen weniger Tage gestartet, sind jetzt von fünf unabhängigen Reviewern direkt gegeneinander getestet worden, und das frühe Urteil sieht GLM-5.2 hauchdünn vorn. Bei schnellen One-Shot-Aufgaben tauschten die beiden die Siege, Kimi war öfter schneller und packte ungefragt Features dazu. Der Unterschied zeigte sich beim zweiten Blick: GLMs Builds hielten der Code-Inspektion besser stand, Kimis polierte Oberflächen versteckten mehr Bugs. GLM-5.2 fährt 744 Milliarden Parameter (40 Milliarden aktiv), MIT-Lizenz, ein Million-Token-Kontextfenster, führt Artificial Analysis' Intelligence Index mit 51 Punkten an und schlug GPT-5.5 auf GDPval. Kimi K2.7 Code ist das schmalere Instrument: eine Billion Parameter, 32 Milliarden aktiv, liest als einziges der beiden Bilder, aber das Kontextfenster von rund 256.000 Token nannten mehrere Reviewer eng für Produktionscode. Beim Three.js-Racing-Game brauchte GLM einen Prompt und 40.000 Token, Kimi einen Nachschlag und 110.000. Und der Preis: GLM landet bei etwa 50 Cent pro Aufgabe, Kimi startet bei 15 Dollar im Monat. → Marcus Schuler

Synthszr Take: Fünf subjektive Einzelläufe sind kein Benchmark, das Muster über alle hinweg zählt mehr als jeder einzelne Test. Trotzdem ist die Richtung klar: zwei frei verfügbare Modelle aus China spielen in der Nähe von Opus 4.5, und eines davon erledigt eine Coding-Aufgabe für rund 50 Cent. In unserer Vendor-Map haben wir Claude Code und Cursor als Standard-Stack empfohlen, mit Cline plus On-Premise-Modell für regulierte Workloads. Genau dieser dritte Slot wird gerade interessant, denn GLM-5.2 unter MIT-Lizenz ist das, was wir „Reasonable Sovereignty“ genannt haben: Multi-Region und Open-Source-Backup statt Hyperscaler-Lock-in. Wer 2026 die Architektur modellagnostisch aufsetzt, hat 2027 die Wahl, statt am Anthropic-Tropf zu hängen. Die Code-Lesefähigkeit von GLM noch nicht überschätzen, die Reviewer urteilten nach Augenmaß und ließen Claude nachprüfen. Aber den Preis ignorieren wäre der teuerste Fehler: Wenn eine Aufgabe von 15 Dollar auf 50 Cent fällt, verschiebt sich nicht das Tooling, sondern die Mathematik dahinter.

Getty Images: OpenAI-Partnerschaft lässt die Aktie um 124 Prozent springen

Getty Images hat eine mehrjährige Lizenz- und Produktpartnerschaft mit OpenAI angekündigt, und die Aktie schoss im frühen Handel um 124 Prozent nach oben. OpenAI lizenziert dabei Gettys Bibliothek aus Bildern, Videos und Metadaten fürs Training und die Verbesserung seiner Modelle, während Getty im Gegenzug OpenAIs generative Werkzeuge in die eigenen Produkte einbaut. Der Deal kommt zur richtigen Zeit: Im ersten Quartal lag Gettys Umsatz bei 226,6 Millionen Dollar, ein Minus von 2,5 Prozent gegenüber dem Vorjahr, und das klassische Lizenzgeschäft wird von Tools bedroht, die Stockfotos in Sekunden generieren. Getty war einer der ersten großen Inhalte-Anbieter, die vor Gericht zogen, und verklagte Stability AI 2023 wegen des Scrapings von Millionen urheberrechtlich geschützter Bilder. Vor der Ankündigung hatte die Aktie monatelang unter einem Dollar gehandelt. Die OpenAI-Vereinbarung folgt auf einen Lizenzdeal mit Perplexity aus 2025. Anleger warten jetzt ab, ob Getty seine kuratierte Bibliothek in einen wertvolleren KI-Aktivposten verwandeln kann. → Techpresso

Synthszr Take: Vor zwei Jahren hat Getty die KI-Firmen noch verklagt, jetzt lizenziert das Unternehmen denselben Leuten seine Bibliothek. Das ist kein Sinneswandel aus Überzeugung, das ist eine Aktie, die monatelang unter einem Dollar lag und jeden Strohhalm greift. Der Punkt, den der 124-Prozent-Sprung zeigt: Gettys Wert liegt nicht mehr im Verkauf einzelner Stockfotos, sondern in der kuratierten, sauber verschlagworteten und rechtlich abgesicherten Datenmenge dahinter. Genau das, was OpenAI zum Trainieren braucht und was niemand mehr ungestraft zusammenscrapen kann, seit die Gerichte aufgewacht sind. Die spannende Frage ist, ob 226 Millionen Quartalsumsatz reichen, um aus diesem Asset eine wiederkehrende Lizenzrendite zu bauen, oder ob OpenAI nach dem Training die Daten hat und Getty bloß einen Einmaleffekt feiert. Wer kuratierte Inhalte hortet, sollte jetzt anfangen, sie als KI-Trainingsgut zu bepreisen, solange die Modellbauer noch zahlen. Die Mittelmäßigkeit verschwindet auch hier, übrig bleibt, was wirklich einzigartig und schwer zu replizieren ist.

China schlägt zurück: Exportkontrollen und Beschaffungsverbote für US-Firmen

China hat am Montag neue Beschränkungen für Exporte und öffentliche Beschaffung gegen Dutzende US-Unternehmen verhängt. Betroffen sind laut Nikkei vor allem Firmen aus den Bereichen Drohnen, Seltene Erden und verwandte Technologien. Die Maßnahmen kommen, obwohl Trump im Mai noch in Peking war und beide Seiten dort von Entspannung sprachen. Seither haben sich die Handelsschritte gegenseitig hochgeschaukelt, und Peking nutzt jetzt zwei Hebel zugleich: den Zugang chinesischer Lieferanten und den Zugang zum eigenen Beschaffungsmarkt. Das reiht sich ein in eine Eskalation, die mit den drakonischen US-Exportkontrollen gegen Anthropic im Juni begann, über die wir damals schon geschrieben haben. Wer auf Seltene Erden angewiesen ist, spürt das zuerst. → Marcus Schuler

Synthszr Take: Die eigentliche Botschaft steckt in den Seltenen Erden, nicht in der Drohnen-Liste. China kontrolliert rund 90 Prozent der Verarbeitung, und genau dieser Hebel entscheidet darüber, wer KI-Hardware und Sensorik bauen kann. Washington spielt Exportkontrolle, Peking spielt Importabhängigkeit, und beide vergessen, dass in einem Hyper-Wettbewerb der Verlierer oft der Dritte ist: Europa, das weder die Modelle noch die Rohstoffe kontrolliert. Wir sind nicht in der Spitzenposition, wir sind in der Rückenlage, und in der Rückenlage hilft kein Strategie-Offsite, sondern eine ehrliche Inventur der eigenen Lieferketten. Die Frage ist banal und brutal zugleich: Welche kritischen Inputs hängen an genau einer Quelle, und was passiert am Tag, an dem die Quelle zugemacht wird? Das lässt sich morgen früh durchrechnen. Wer es erst tut, wenn die Lieferung ausbleibt, hat den falschen Moment gewählt.

KI-Code-Generierung: Standardisierung im Entwicklungsteam

48 Prozent des Codes werden laut einer Befragung von 219 Engineering-Verantwortlichen inzwischen von KI generiert, doch die Organisation hinkt brutal hinterher: Nur 19 Firmen haben Rollenbeschreibungen angepasst, gerade mal 15 die Einführung neuer Leute, 32 die Produktivitätsmessung. 55 Prozent der Leader fürchten, dass ihre Teams das gemeinsame Verständnis der Codebasis verlieren, 39 Prozent zweifeln, ob sie mit zunehmend agentengeschriebenem Code noch sicher ausliefern können. Das Kernproblem ist nicht schlechter KI-Code, sondern fehlende Standards: Der eine Agent nimmt Jest, der andere Mocha, der eine async/await, der andere Promises. Alles läuft, aber die Codebasis wird Commit für Commit schwerer zu verstehen. IBM nennt das Resultat „intent debt“: Ziele und Leitplanken, die Menschen wie Agenten sagen sollten, was „gut“ heißt, sind noch für die alte Welt geschrieben. Die vorgeschlagene Lösung sind project-level rules, also explizite Konventionen, die KI-Agenten denselben Rahmen geben, dem auch menschliche Entwickler folgen würden. → The Deep View

Synthszr Take: Genau das habe ich in „Code Crash“ beschrieben, nur unter anderem Namen. Implizites Wissen war schon immer das teuerste Anti-Pattern, und mit Agenten wird die Rechnung sofort fällig. Ein erfahrener Entwickler kennt die ungeschriebene Regel, den Bug von 2019, das Modul, das man nicht anfasst. Ein LLM sieht nur, was im Code steht, und wenn der Code seine eigene Struktur verschweigt, optimiert der Agent auf die falschen Dinge. Project-level rules sind deshalb kein Bürokratie-Aufwand, sondern Wissensarchäologie in Reinform: eine Stunde pro Woche eine implizite Regel explizit machen, dann liest der Agent dieselbe Konvention wie ein Junior. Wer 48 Prozent seines Codes von Maschinen schreiben lässt, aber die Rollenbeschreibungen aus der alten Welt behält, baut sich seine eigene Komplexitätsfalle. Diese Standards lassen sich morgen früh im Repo verankern, nicht erst nach dem nächsten Strategie-Offsite.

JD.com: 700.000 Kuriere werden durch Roboter ersetzt

Richard Liu, Chef des chinesischen E-Commerce-Riesen JD.com, hat auf dem APEC China CEO Forum in Shenzhen offen ausgesprochen, was die meisten Tech-Bosse umschiffen: Roboter werden „früher oder später“ die 700.000 Zusteller des Unternehmens überflüssig machen. Gleichzeitig verspricht er, keinen einzigen Frontline-Mitarbeiter zu entlassen. Sein Programm heißt „Nirvana“: JD hat Verträge mit rund 120 Schulen in ganz China geschlossen, um Kuriere zu Wartungs-Ingenieuren und KI-Trainern umzuschulen. JD baut die Roboter selbst, betreibt unbemannte Lager, Drohnen-Lieferung und selbstfahrende Lieferwagen, und testet bereits Flughafen-Roboter in Shenzhen. Der Hintergrund ist angespannt: China zählt dieses Jahr rund 320 Millionen Gig-Worker, etwa 40 Prozent der städtischen Beschäftigung, die Jugendarbeitslosigkeit lag im April bei 16,3 Prozent. Peking trackt die KI-Folgen für Jobs inzwischen als nationale Priorität. Die offene Frage bleibt, ob 120 Schulen eine Belegschaft von 700.000 schneller umschulen können, als die Automatisierung sie überholt. → Techpresso

Synthszr Take: Lius Ehrlichkeit ist seltener als die Technologie, die er ankündigt. Während westliche CEOs ihre Botschaft je nach politischem Wind weichspülen (Bezos heute so, Altman morgen anders), legt der JD-Chef die Rechnung offen auf den Tisch und packt ein Versprechen obendrauf, das mathematisch kaum zu halten ist. Robot-Maintenance-Rollen wird es nicht annähernd in Kurier-Stückzahl geben, das weiß er selbst. Trotzdem ist das Sequencing-Argument klüger als das übliche Schweigen: Wer den Bruch früh benennt, kann das Umschulen wenigstens anschieben, statt 700.000 Menschen ungebremst gegen die Wand fahren zu lassen. Wir haben Mitte März über das Ende der Lohn-Arbitrage geschrieben, als 100.000 indische IT-Jobs verschwanden; hier passiert dasselbe eine Etage tiefer, bei den Blue-Collar-Jobs, und die Geschwindigkeit ist brutaler. Die ehrliche Variante schlägt die zuckerwattierte: JDs eigene Beschäftigungsdaten der nächsten Jahre werden zeigen, ob „Nirvana“ ein Plan ist oder eine PowerPoint-Illusion. Wer als Politik oder Unternehmen jetzt nicht in echte Umschulung investiert, reitet ein totes Pferd.

Datenzentren und Strompreise: Eine kausale Analyse für die USA

Eine neue Arbeit von John Bistline (arXiv, Juni 2026) dreht die gängige Erzählung um: Datenzentren haben die durchschnittlichen Strompreise für US-Endkunden zwischen 2015 und 2024 nicht nach oben getrieben, sondern moderat gesenkt. Die Autoren nutzen einen Instrumental-Variables-Ansatz, um den kausalen Effekt sauber von anderen Faktoren zu trennen. Die Logik dahinter ist nüchterne Ökonomie: Stromsysteme tragen hohe Fixkosten, Übertragung und Verteilung skalieren, und die Stückkosten der Erzeugung sinken. Dauerhaft wachsende Nachfrage verteilt diese Fixkosten auf mehr Kilowattstunden und drückt so den Durchschnittspreis. Die Studie findet diese Skaleneffekte über Erzeugung, Übertragung und Verteilung hinweg, auch zwischen verschiedenen Kundenklassen. Die Einschränkung steht klar im Abstract: Künftige Angebotsengpässe könnten den Effekt umkehren. → Techpresso

Synthszr Take: Hier rechnet jemand gegen ein Bauchgefühl an, das sich seit Monaten durch jeden KI-Strom-Artikel zieht. Die Annahme, dass Hyperscaler den Strom für alle teurer machen, klingt plausibel und ist für 2015 bis 2024 schlicht falsch belegt. Der Mechanismus ist das Jevons-Paradoxon in seiner unsexy Variante: Mehr Last auf einem fixkostenlastigen System senkt den Durchschnittspreis pro Einheit, solange das Angebot mithält. Genau an dem Punkt wird es interessant, denn die Autoren setzen ihre eigene Leitplanke: Wenn der Netzausbau hinter der Nachfrage zurückbleibt, kippt das Vorzeichen. Für die Energiepolitik heißt das, der Hebel liegt beim Ausbau von Übertragung und Erzeugung, nicht beim Ausbremsen von Datenzentren. Wer die Skaleneffekte ernst nimmt, baut die Netze schneller aus und kassiert die Digitalisierungsrendite, statt sie aus Angst zu verschenken. Das lässt sich mit Genehmigungstempo und Investitionsplanung beeinflussen, lange bevor der nächste Engpass die Studie widerlegt.