KI als neuer China-Schock und SAP mauert sich ein

Ist KI der neue China-Schock?

Das Audimax am MIT war diese Woche ausverkauft: Ökonomen diskutierten darüber, ob generative KI die gleiche strukturelle Verwerfung auslöst wie Chinas WTO-Beitritt 2001. David Autor präsentierte Daten, wonach der China-Schock 2 Millionen US-Manufaktur-Jobs kostete – vor allem in Rust-Belt-Regionen ohne Dienstleistungsalternativen. Die neue These: KI trifft diesmal nicht Fabrikarbeiter, sondern die wissensbasierte Mittelschicht. UBS-Analysten sprechen von 300 Millionen weltweit gefährdeter White-Collar-Jobs. Der entscheidende Unterschied liegt in der Geschwindigkeit: China brauchte 20 Jahre, um die Weltmärkte zu durchdringen, GPT-4 erreichte 100 Millionen Nutzer in zwei Monaten. Ford-CEO Jim Farley warnte vor einer „brutalen Disruption“ in den Design- und Engineering-Abteilungen. Das Muster ist bekannt: Erst verschwinden die einfachen Tasks, dann wandern ganze Funktionen ab. → Benedict Evans

Synthszr Take: Die KI-Disruption funktioniert wie ein umgekehrter Containerhafen – statt physische Güter effizienter zu verschiffen, docken Algorithmen direkt an der Wissensproduktion an und machen den Transport überflüssig. Malcolm McLean revolutionierte 1956 die Frachtschifffahrt, indem er standardisierte Container einführte; heute standardisiert GPT kognitive Arbeit in Tokenpakete. Der China-Schock brauchte noch Fabriken, Schiffe und Häfen als Infrastruktur. KI braucht nur API-Zugang. Die geografische Pufferzone verschwindet: Ein Prompt in Bangalore konkurriert in Echtzeit mit einem Analysten in Manhattan. Was Ökonomen übersehen: Anders als chinesische Fabriken verbessern sich KI-Modelle im Laufe der Nutzung exponentiell. Das ist kein Trade-Schock mehr, sondern eine sich selbst beschleunigende Substitutionswelle.

Chinesische KI-Unternehmen melden massive Finanzierungsrunden

Innerhalb weniger Tage meldeten drei chinesische KI-Unternehmen massive Finanzierungsrunden an. Moonshot AI schloss eine 2-Milliarden-Dollar-Runde bei einer Bewertung von über 20 Milliarden ab, angeführt von Meituan. Moonshot AI meldet einen Meilenstein: Ihr neues Sprachmodell Kimi K2.5 hat in den ersten 20 Tagen nach dem Launch mehr Umsatz generiert als im gesamten Jahr 2025. StepFun strukturiert sich gerade für einen möglichen Hongkong-Börsengang und sammelt parallel dazu 2,5 Milliarden Dollar ein. DeepSeek verhandelt über eine Finanzierung, die das Unternehmen auf 45 bis 50 Milliarden Dollar bewerten würde – potenzielle Hauptinvestoren sind Chinas staatlich gestützter Halbleiter-Investmentfonds. Die Timing-Logik dahinter: Mit Zhipu (52 Milliarden Marktkapitalisierung) und MiniMax (32 Milliarden) gibt es seit Anfang Mai börsengehandelte Vergleichswerte in Hongkong. Private Bewertungen schweben nicht mehr im Luftleeren. Besonders brisant ist DeepSeeks Runde: Der nationale KI-Fonds mit einem Volumen von 60 Milliarden RMB könnte bis zu 7,35 Milliarden Dollar investieren, wobei Gründer Liang Wenfeng selbst den größten Einzelbeitrag leisten will. → Hello China Tech

Synthszr Take: DeepSeeks Finanzierung funktioniert wie Chinas Halbleiter-Aufholstrategie nach den US-Sanktionen 2022: Der Big Fund, eigentlich für Chip-Fabriken gedacht, investiert jetzt in KI-Unternehmen, die beweisen, dass Hardware-Beschränkungen durch algorithmische Effizienz kompensierbar sind. Wie SMIC bei 7-nm-Chips ohne EUV-Lithographie zeigt, ist der zweite Weg oft innovativer als der erste – die erzwungene Ressourcenknappheit wurde zum Innovationstreiber. Die 45-Milliarden-Bewertung ist dabei weniger Marktmechanik als politisches Signal: Peking baut sich seine eigenen Technologie-Champions auf, unabhängig von westlicher Hardware und Kapital. Der Big Fund finanziert nicht nur Chips, sondern auch ein komplettes Ökosystem. DeepSeeks Open-Source-Strategie ist kein Altruismus, sondern eine geopolitische Offensive.

SAP mauert sich in Panik ein und sperrt Agenten aus

SAP übernimmt das Freiburger Startup Prior Labs für einen nicht genannten, aber „fast vollständig in bar“ bezahlten Betrag und plant, über vier Jahre hinweg eine Milliarde Euro in ein europäisches KI-Labor für strukturierte Unternehmensdaten zu investieren. Das Labor soll auf tabellarische Foundation Models spezialisiert werden – genau der Datentyp, der in SAP-Systemen dominiert wird. Gleichzeitig aktualisiert der Walldorfer Konzern seine API-Richtlinien radikal: Sämtliche Drittanbieter-Agenten wie OpenClaw werden ausgesperrt, nur SAP-genehmigte Systeme wie der hauseigene Joule oder Nvidias NemoClaw erhalten noch Zugang. Die Botschaft ist unmissverständlich: SAP will die Kontrolle über jeden KI-Zugriff auf seine Kundendaten behalten. Der Zeitpunkt ist kein Zufall – genau jetzt, wo Agenten-Startups beginnen, die jahrzehntelange Datendominanz der ERP-Giganten herauszufordern. → TheSequence

Synthszr Take: SAPs Strategie erinnert an die Bauleitplanung deutscher Innenstädte, bei der Bestandsschutz über Entwicklung triumphiert. Wie Kommunen mit rigiden Bebauungsplänen verhindern, dass moderne Architektur historische Strukturen herausfordert, zieht SAP eine regulatorische Mauer um seine Datenschätze – nur genehmigte „Bauherren“ dürfen noch ran, der Rest bleibt draußen. Die Milliarde für Prior Labs ist dabei weniger Innovation als Burggraben-Vertiefung. SAP kauft sich nicht die Zukunft, sondern Zeit. Das Problem: Agententechnologie entwickelt sich schneller, als Bebauungspläne geändert werden können. Wer heute Mauern baut, riskiert morgen von der eigenen Festung aus zuzuschauen, wie die Wertschöpfung außerhalb stattfindet.

HubSpot erfindet das Performance-Pricing neu

HubSpot führt ab 14. April ein radikal neues Preismodell für seine KI-Agenten ein: Kunden zahlen nur noch bei erfolgreichem Abschluss einer Aufgabe. Der Breeze Customer Agent kostet 0,50 Dollar pro gelöster Konversation (statt 1 Dollar pro Konversation), der Prospecting Agent 1 Dollar pro qualifiziertem Lead (statt einer monatlichen Pauschale). Das Unternehmen begründet den Schritt mit der überlegenen Performance seiner Agenten: Der Customer Agent löst bereits 65% aller Konversationen und reduziert die Bearbeitungszeit um 39%. Über 8.000 Kunden nutzen das Tool aktiv, beim Prospecting Agent stiegen die Aktivierungen zuletzt um 57% quarter-over-quarter. Laut Chief Customer Officer Jon Dick können nur Agenten mit Zugriff auf den vollständigen CRM-Kontext solche konsistenten Ergebnisse liefern – generische KI-Tools ohne Unternehmenskontext erreichen diese Verlässlichkeit nicht. → Evan Armstrong from The Leverage

Synthszr Take: HubSpots Performance-Pricing funktioniert wie ein Akkordlohn in der Fertigung des 20. Jahrhunderts – nur dass hier die Maschine selbst pro Stück bezahlt wird. In der Fabrikhalle galt: Wer mehr Teile produziert, verdient mehr; wer Ausschuss liefert, geht leer aus. HubSpot überträgt dieses Prinzip auf KI-Agenten und setzt dabei zwei Wetten: Erstens, dass ihre 65%-Erfolgsquote stabil bleibt. Zweitens sind Kunden bereit, für gelöste Probleme mehr zu zahlen als für Versuche. Die echte Innovation liegt nicht im Pricing, sondern in der Selbstsicherheit: Nur wer seinen CRM-Kontext als unschlagbaren Vorteil sieht, kann sich so ein Modell leisten. Für die Enterprise-AI-Wirtschaft bedeutet das: Die Schlacht zwischen Plattformen und Tools wird über Datenhoheit entschieden, nicht über Features.

Agenten, die ihre eigene Infrastruktur bauen

Der nächste Sprung in der KI-Entwicklung ist kein besseres Modell – sondern Agenten, die ihren eigenen Code umschreiben. Sakana AIs Darwin-Gödel Machine steigerte ihre Performance auf der SWE-Benchmark von 20% auf 50%, indem sie eigenständig Validierungsschritte einführte und ihre Dateiviewing-Funktionen verbesserte. Meta ging mit Hyperagents noch weiter: Diese verschmelzen Task-Agent und Meta-Agent zu einem einzigen, selbst-editierbaren Programm. Die Systeme entwickeln unaufgefordert eigene Memory-Layer, Performance-Tracking und mehrstufige Evaluierungs-Pipelines. In einem Paper-Review-Task verbesserte sich ein anfangs blanker Agent von 0,0 auf 0,710 Genauigkeit. Das Problem: Diese selbstmodifizierenden Agenten sprengen die klassische Harness-Architektur, auf die Enterprise-Plattformen setzen. → AlphaSignal

Synthszr Take: Self-Modifying Agents funktionieren wie eine Biotech-Firma, die ihre eigenen Laborprotokolle während der laufenden Studie umschreibt – ein Alptraum für jedes Audit-Committee, aber genau das, was bahnbrechende Forschung manchmal braucht. In der Pharmawelt würde die FDA die Studie sofort stoppen: Protokolländerungen während der Phase 3 sind der sichere Weg zur Nichtzulassung. Metas Hyperagents machen genau das: Sie ändern nicht nur ihre Aufgabenlogik, sondern auch die Art, wie sie sich selbst bewerten und verbessern. Enterprise-Plattformen stehen vor einem Dilemma – entweder öffnen sie ihre Systeme für diese Art von Meta-Evolution oder sie werden von nativen Tools überholt, die keine Compliance-Handbremse haben. Die Ironie: Je ausgefeilter die Sicherheitsmechanismen, desto größer der Wettbewerbsnachteil gegenüber Systemen, die sich selbst neu erfinden dürfen.

Hermes etabliert sich als Alternative zu OpenClaw

Eine neue Bewegung deutet sich an: Hermes Agent v0.13.0 ist erschienen, während laut Reddit-Umfragen etwa 30 Prozent der OpenClaw-Nutzer bereits gewechselt haben. Der Open-Source-Agent von Nous Research sammelte seit Februar 2026 über 135.000 GitHub-Stars und läuft wahlweise auf einem 5-Dollar-VPS oder auf einem GPU-Cluster. Das MIT-lizenzierte Projekt bringt 40 vorinstallierte Skills mit und funktioniert mit allen großen Sprachmodellen von OpenAI über Anthropic bis hin zu Kimi. Die gestrige Version 0.13.0 („The Tenacity Release“) umfasste 864 Commits von 295 Entwicklern und schloss acht kritische Sicherheitslücken. Der Clou: Hermes lernt aus komplexen Aufgaben selbstständig, extrahiert wiederverwendbare Muster und schreibt sich eigene Skill-Dateien für ähnliche künftige Tasks. → The Neuron

Synthszr Take: Hermes funktioniert wie ein Vieraugen-Prinzip in der Wirtschaftsprüfung, bei dem der Junior-Auditor seine eigenen Prüfungsnotizen für die nächste Periode notiert. Während OpenClaw als zentraler Message-Hub konzipiert war, stellt Hermes den Lernzyklus ins Zentrum: Nach jeder komplexen Aufgabe analysiert das System, was funktionierte, und dokumentiert die Lösung als wiederverwendbaren Skill. Diese selbstgeschriebenen Arbeitsanweisungen werden beim nächsten ähnlichen Fall automatisch abgerufen, statt jedes Mal von vorne zu beginnen. Der Wechsel von 30 Prozent der Nutzer zeigt: Wenn ein Marktführer seine Architektur nicht hinterfragt, kann ein Open-Source-Projekt mit einer besseren Grundstruktur schnell Marktanteile gewinnen. Die eigentliche Innovation ist nicht die Technik, sondern dass ein Agent seine eigene Methodenkompetenz aufbaut.

Google jagt Oura-Hersteller

Google transformiert Fitbit radikal: Der neue Fitbit Air kommt ohne Display und reiht sich damit in die Liga von Oura und Whoop ein. Nach der Übernahme 2021 hatte Google die Smartwatch-Linien gekillt, um die Pixel Watch zu pushen – jetzt schwenkt man auf bildschirmlose Wearables um. Die Strategie ist klar: weniger Ablenkung, mehr Datensammlung im Hintergrund. Parallel drängen neue Hardware-Spieler in den Markt: SpeakON klebt magnetisch am Smartphone und editiert Gedanken in Echtzeit, INSPEC trackt Träume für das luzide Träumen, AWEAR misst Gehirnwellen direkt im Ohr. Der Wearables-Markt fragmentiert sich in spezialisierte Nischen – weg vom Alleskönner am Handgelenk. Google positioniert Fitbit als Datensammler ohne Display-Stress, während Start-ups mit exotischen Use Cases experimentieren. → Product Hunt Weekly

Synthszr Take: Google behandelt Fitbit wie eine Zulassungsbehörde für ein Orphan Drug – die ursprüngliche Indikation wird aufgegeben, stattdessen sucht man eine profitable Nische in einem kleineren, aber lukrativeren Markt. Wie bei seltenen Krankheiten, wo die FDA mit Fast-Track-Verfahren und Marktexklusivität lockt, findet Fitbit seine zweite Chance im Premium-Segment der displayfreien Tracker. Die Ironie: Google tötete Fitbits Smartwatches für die Pixel Watch, nur um jetzt festzustellen, dass der wahre Wert in der Abwesenheit von Funktionen liegt. Der Wearables-Markt durchläuft gerade seine eigene Version der Pharma-Spezialisierung – jedes Device braucht seine eng definierte Indikation, vom Traumtracking bis zur Gehirnwellenmessung. Google wettet darauf, dass weniger Bildschirm mehr Marge bedeutet.

Die Capex-Karte der Hyperscaler: Mai 2026-Edition

Die vier großen Hyperscaler Microsoft, Amazon, Alphabet und Meta meldeten Ende April 2026 innerhalb von 48 Stunden ihre Quartalszahlen und hoben unisono ihre Investitionsprognosen an. Mit 725 Milliarden Dollar für 2026 kombiniert – ein Anstieg um 77 Prozent gegenüber 410 Milliarden im Vorjahr – läuteten sie den größten konzentrierten Infrastrukturzyklus in der Geschichte der Technologie ein. Apple hingegen senkte seine Investitionsausgaben und brach mit seiner jahrzehntealten „net cash neutral“-Politik. Eine Woche später enthüllte The Information die Details des Google-Cloud-Vertrags von Anthropic: 200 Milliarden Dollar über fünf Jahre für 5 Gigawatt an Kapazität. Die vier größten US-Cloud-Provider halten nun zusammen etwa 2,1 Billionen Dollar an Umsatz-Backlog, wobei die Hälfte davon – 1,05 Billionen – von zwei cashverbrennenden KI-Startups stammt: OpenAI und Anthropic. Der gesamte Investitionszyklus beläuft sich für 2026 auf über eine Billion Dollar, wenn man Oracle (50 Mrd.), Apple (13 Mrd.), Neoclouds (60 Mrd.), China (80 Mrd.), staatliche Akteure (60 Mrd.) und andere (48 Mrd.) hinzurechnet. → The Business Engineer

Synthszr Take: Die Hyperscaler-Investitionen folgen dem Muster einer Rückversicherungsblase vor Naturkatastrophen: Primärversicherer (OpenAI, Anthropic) schreiben massiv Policen ohne ausreichende Kapitalbasis, während Rückversicherer (Microsoft, Google) die Risiken übernehmen in der Annahme, dass die Katastrophe nicht eintreten wird. In der Versicherungsmathematik nennt man das „Spiraling“ – wenn Rückversicherer ihre eigenen Kunden finanzieren müssen, damit diese die Prämien zahlen können, entsteht eine sich selbst verstärkende Abhängigkeit. Die Billion-Dollar-Capex wird zur Hälfte durch Unternehmen „garantiert“, die mit negativem Cashflow operieren. Anders als bei klassischen Infrastrukturzyklen, in denen zahlungskräftige Kunden die Investitionen rechtfertigen, finanziert die Infrastruktur hier ihre eigene Nachfrage. Das ist keine Tech-Investition mehr, sondern eine makroökonomische Wette auf die Stabilität von Staatsanleihen – nur ohne deren Sicherheiten.

25 Prozent des Top-Substack ist KI-generiert – und der Trend ist nicht zu stoppen

Evan Armstrong hat 3.229 Posts der erfolgreichsten Substack-Newsletter analysiert und eine unbequeme Wahrheit gefunden: Ein Viertel der Business-Publikationen besteht aus KI-generierten Texten. Zwei der Top-10-Newsletter sind komplett synthetisch – keine menschliche Feder beteiligt. Armstrong, selbst bekennender Hasser von KI-Texten, wollte seine Abneigung analytisch untermauern. Stattdessen zwangen ihn die Daten dazu, seine eigene These zu hinterfragen. Die Implikation ist brutal: Wenn selbst zahlende Substack-Leser den Unterschied nicht bemerken oder sich nicht daran stören, was bedeutet das für jedes Geschäftsmodell, das auf „wir erzählen dir etwas Neues“ basiert? Armstrong sieht sein eigenes Medium bedroht. → Evan Armstrong from The Leverage

Synthszr Take: Die Substack-Daten funktionieren wie ein Blindtest in der pharmazeutischen Forschung – nur dass hier niemand wusste, dass überhaupt getestet wurde. In klinischen Studien müssen Placebo und Wirkstoff ununterscheidbar sein, sonst ist der Test wertlos. Auf Substack haben KI-Newsletter diese Ununterscheidbarkeit erreicht, ohne dass die Leser darüber informiert wurden. Die zahlenden Abonnenten konsumieren synthetische Texte mit derselben Zufriedenheit wie menschliche Texte. Das ist kein Qualitätsproblem der menschlichen Autoren – es ist ein Wahrnehmungsproblem der Leser. Wenn der Markt zwischen Original und Synthese nicht unterscheiden kann oder will, wird Authentizität zum Luxusgut. Die einzige Rettung für menschliche Autoren: radikale persönliche Perspektiven, die keine Maschine simulieren kann.