Kategorie: KI-News

Ein bekanntes Problem: Eine KI erhält den Prompt, ein Bild mit Text zu erstellen, und liefert ein hübsches Gemälde – die Buchstaben sind aber Gekritzel. Oder eine Infografik soll entstehen, doch die Anordnung wirkt chaotisch. Bisher war Bildgenerierung oft Kunst, nicht Werkzeug. Das ändert sich mit Qwen-Image-3.0. Die dritte Generation des Modells fokussiert auf einen Begriff: „Echt“ – im Sinne von nützlich, präzise und anwendbar.

Ein Schweizer Taschenmesser, das nicht nur schön aussieht, sondern dessen Klingen scharf sind: So verhält sich Qwen-Image-3.0. Die erste Generation setzte auf „Präzision“, die zweite auf „Präzision, Vielfalt, Vollständigkeit, Schönheit und Authentizität“. Version 3.0 dreht sich um „Real“. Das Modell liefert nicht nur hübsche Bilder, sondern echte, brauchbare Inhalte – Zeitungsseiten, Prüfungsbögen, komplexe wissenschaftliche Grafiken.

Die Entwickler teilen diese „Realität“ in drei Dimensionen: Reichhaltiger Inhalt, Authentische Details und Tiefes Wissen. Jede Dimension löst ein Problem, das bisherige Modelle nicht befriedigend angingen. Ein detaillierter Blick.

Reichhaltiger Inhalt: Von der Grafik zur komplexen Layout-Welt

Bisher limitierte vieler Bild-KIs der begrenzte „Platz“ im Prompt. Du konntest ein Objekt oder eine Szene beschreiben, aber nicht mehrere unabhängige Infografiken in einem Bild unterbringen. Qwen-Image-3.0 hebt diese Grenze auf 4.500 Token – etwa 3.000 bis 4.000 Zeichen. Das klingt abstrakt, die Auswirkungen sind konkret.

Das Modell generiert auf einen Schlag ein 3×3-Raster mit neun völlig verschiedenen Infografiken: ein Tunnel-Sicherheits-Comic, eine Geometrie-Stunde, eine Stilanalyse eines alten chinesischen Texts, Physik-Projektilbewegung, Biologie-Parasitologie, ein medizinisches Diagramm zu Brustschmerzen, die Sylow-Sätze der Gruppentheorie, ein Bank-Controlling-Inforgrafik, ein DNA-Vergleich. Jede Zelle enthält präzisen Text in Chinesisch und Englisch, Formeln, Strichzeichnungen und Diagramme. Ein einziger Durchlauf, nicht zusammengesetzt aus mehreren Bildern.

Die Entwickler nennen das horizontale Erweiterung: die Fähigkeit, viele parallele Konzepte geordnet auf einer Leinwand unterzubringen. Es gibt auch eine vertikale Erweiterung – die Tiefe. Ein weiteres Beispiel: Ein Bild zeigt einen VSCode-Programmier-Editor, darin ein Qwen-Chat-Fenster, darin ein WeChat-Fenster, darin ein Poster für Pour-Over-Kaffee. Jede Ebene behält den authentischen Stil der jeweiligen Benutzeroberfläche. Bild-im-Bild-im-Bild – eine visuelle Staffelung.

Du kannst jetzt echte Layouts erstellen, wie sie in redaktionellen, pädagogischen oder technischen Kontexten vorkommen. Eine Newsletter-Seite, ein Storyboard für eine Serie, eine Prüfung mit mehreren Aufgaben – all das wird mit einem Prompt möglich.

Authentische Details: 10-Pixel-Text lesbar

Die zweite Dimension: „Wie fein zeichnet das Modell?“ Winziger Text war bisher der Schwachpunkt. Schriftzüge wurden unscharf, Buchstaben verschmolzen oder waren falsch. Qwen-Image-3.0 stellt Text ab einer Höhe von 10 Pixeln klar lesbar dar – ungefähr die Größe einer Fußnote in einem gedruckten Buch.

Ein Beispiel: die Darstellung einer ganzen Seite eines akademischen Papers aus der algebraischen Geometrie. Das Modell generiert Fließtext und komplexe LaTeX-Formeln mit Exponenten, Indizes, Bruchstrichen und mehrzeiligen Ausrichtungen. Die Nummerierung der Theoreme stimmt – in einem fotorealistischen Stil, der wie ein echter Ausdruck aussieht.

Auch alltägliche Anwendungen gelingen: eine Zeitungsseite mit dichtem Text, korrektem Inhalt und typischem Layout – Spalten, Überschriften, Bildunterschriften. Noch erstaunlicher: handschriftliche Notizen simuliert das Modell. Auf einem Buchseiten-Bild wirken rote Unterstreichungen, Wellenlinien, Pfeile und kurze Kommentare wie die Notizen eines Schülers. Diese Nachbearbeitungsfähigkeit öffnet Türen für Bildungsmaterialien, Korrekturen oder personalisierte Lerninhalte.

Über Text hinaus meistert das Modell feinste Texturen. Porträtaufnahmen zeigen Poren, Haarsträhnen und Hautstrukturen, die an echte Fotos erinnern. In der Bildbearbeitung kann es fehlende Teile eines traditionellen Gemäldes restaurieren, Pinselduktus und Tuscheverläufe originalgetreu fortführen. Die Qualität reicht für professionelle Produktion.

Tiefes Wissen: Von Sprachen bis zu UI-Interfaces

Die dritte Dimension: „Wie breit ist das Repertoire?“ Qwen-Image-3.0 beherrscht native Darstellung in zwölf Sprachen, darunter Japanisch, Koreanisch und Spanisch. Die Schriftzeichen sind korrekt, die Zeichenabstände stimmen, die kulturelle Ästhetik wird respektiert – japanischer Text wirkt in einem Manga-Stil, koreanischer Text in einem K-Pop-Plakatstil.

Das Modell verfügt über umfangreiches Weltwissen. Es generiert realistische Benutzeroberflächen: eine E-Commerce-Seite, ein Live-Streaming-Interface, eine Wetter-App oder ein Spielmenü. Die Elemente sind anklickbar, die Icons passen, das Layout entspricht gängigen Standards. UX-Designer oder Produktmanager können schnell Mockups erstellen, ohne ein Design-Tool zu öffnen.

Das Modell kann Verbindung zum Internet aufnehmen, um aktuelle Daten abzurufen. Ein Beispiel: Es generiert eine Wettervorhersage-Grafik für Hangzhou am 21. Juli – mit realistischen Temperaturangaben, Sonnen-/Regensymbolen und Datumsangabe, basierend auf tatsächlichen Vorhersagedaten. Oder es kombiniert zwei historische Figuren – den chinesischen Maler Qi Baishi und Vincent van Gogh – in einem Live-Streaming-Raum, in dem sie gemeinsam das neue Modell vorstellen. Das Modell kennt die visuellen Stile beider Künstler und entwirft einen stimmigen Hintergrund für eine fiktive Sendung.

Du kannst Inhalte generieren, die auf realem Wissen basieren – in Bildung, Marketing oder Unterhaltung. Die KI wird vom reinen Bildgenerator zum Wissensvisualisierer.

Was bedeutet das konkret?

Qwen-Image-3.0 ist der nächste Schritt in der Evolution der Bild-KI. Frühere Modelle glänzten mit ästhetisch ansprechenden Kunstwerken, diese Version zielt auf Produktivität. Die Entwickler wollen von „gut aussehend“ zu „nützlich“. Das gelingt ihnen beeindruckend.

Denkbar sind Anwendungen in der Verlagsbranche (automatische Erstellung von Zeitungen oder Lehrbüchern), im E-Learning (generierte Prüfungen mit korrekten Formeln), im Marketing (lokalisierte Werbemittel in zwölf Sprachen), in der Softwareentwicklung (UI-Mockups auf Knopfdruck) und in der Wissenschaft (Diagramme und Datenvisualisierungen aus Textbeschreibungen).

Das Modell wird nicht alle Probleme lösen. Kritisch bleibt die Verlässlichkeit: Wie oft macht es Fehler in den Formeln oder sprachlichen Details? Die Entwickler zeigen beeindruckende Beispiele, aber für den produktiven Einsatz müsste die Fehlerquote nahe null sein. Auch die ethische Dimension – täuschend echte Dokumente oder das Nachahmen von Handschriften – erfordert Diskussionen.

Der Trend ist klar: Bildgenerierende KI wird erwachsen. Sie kann malen, schreiben, layouten und Wissen abbilden. Wer regelmäßig mit visuellen Inhalten arbeitet, sollte einen Blick auf Qwen-Image-3.0 werfen. Vielleicht verbringst du bald weniger Zeit mit Design-Tools und mehr mit guten Prompts.

Quelle: qwen.ai

Du möchtest ein Bild generieren – ein realistisches Porträt oder eine abstrakte Komposition. Die Idee ist da, aber dein Rechner ist kein High-End-Server mit mehreren Grafikkarten. Große Modelle wie Midjourney oder DALL·E 3 laufen in der Cloud. Als Forscherin oder Entwickler möchtest du vielleicht verstehen, was unter der Haube passiert, eigene Anpassungen vornehmen oder das Modell auf eine spezielle Nische trainieren. Hier setzt Microsofts neue Modell-Familie an: Mage. Es ist ein Gegenentwurf zur aktuellen „Bigger is Better“-Mentalität – ein leichter, forschungsfreundlicher Baukasten für multimodale KI, der mit vier Milliarden Parametern auskommt und trotzdem mit deutlich größeren Systemen mithalten kann.

Das Effizienz-Versprechen: Weniger ist mehr

Vier Milliarden Parameter – das klingt nach einer großen Zahl, ist aber im Vergleich zu modernen Bildgenerierungsmodellen wie FLUX (über 30 Milliarden) oder Qwen-Image (20 Milliarden) ein Zwerg. Microsofts These: Vieles von dem, was große Modelle an Kapazität mitbringen, wird gar nicht genutzt. Stattdessen verfolgt Mage eine „Codec-alignierte Effizienz-Philosophie“. Einfach gesagt: Das Modell konzentriert seine Repräsentationskapazität dort, wo tatsächlich visuelle Information steckt – in den feinen Details eines Bildes, anstatt den gesamten Raum gleichmäßig abzudecken. Denk an einen erfahrenen Fotografen, der bei einem Porträt nicht das gesamte Bild gleich scharf stellt, sondern die Augen des Motivs perfekt fokussiert, während der Hintergrund weich bleibt. So spart er Speicher und Rechenzeit, ohne dass das Ergebnis leidet.

Das Mage-Projekt besteht aus zwei Hauptmodellen: Mage-VL für das Verständnis von Bildern und Videos (inklusive eines proaktiven Streaming-Modus) und Mage-Flow für die Text-zu-Bild-Generierung und die instruktionsbasierte Bildbearbeitung. Beides sind multimodale Modelle – sie verarbeiten Text und Pixel. Das Besondere: Sie teilen sich dieselbe Architektur und sind darauf ausgelegt, auf handelsüblicher Hardware trainierbar und einsetzbar zu sein. Kein Atomkraftwerk an GPUs nötig.

Mage-Flow: Generative Präzision im Kleinformat

Den ersten verfügbaren Teil der Familie stellt Mage-Flow dar. Es ist ein kompaktes System zur Erzeugung und Bearbeitung von Bildern. Die Entwickler haben zwei Komponenten zusammengeführt: einen extrem effizienten VAE (Variational Autoencoder) namens Mage-VAE und einen nativen Auflösungs-Multimodal-Diffusionstransformer. Der VAE ist das Herzstück der Effizienz – er komprimiert Bilder mit einer Rekonstruktionsqualität, die mit FLUX’s VAE vergleichbar ist, aber mit einem Bruchteil der Rechenleistung: etwa 12- bis 22-mal weniger Multiplikationen pro Pixel. Das klingt abstrakt, bedeutet in der Praxis aber, dass der VAE nicht zum Engpass wird, wenn hohe Auflösungen anliegen.

Der Transformer kann in einem Durchgang Bilder von 512 Pixeln pro Seite bis zu 2048 Pixeln erzeugen – und das bei jedem Seitenverhältnis, inklusive extremer 4:1-Formate wie 512×2048 oder 2048×512. Für ein kleines Modell ist das bemerkenswert. Dank optimierter C++-Kerne und einer intelligenten Verpackung der Bilddaten („Native Resolution Packing“) ist die Trainingszeit um den Faktor 2,5 kürzer als bei herkömmlichen Implementierungen. Auf einer einzelnen A100-GPU erzeugt die Turbo-Variante von Mage-Flow ein Bild in 0,59 Sekunden, eine Bildbearbeitung dauert rund eine Sekunde. Diese Geschwindigkeiten bringen dich ans Ziel, ohne Stunden auf einen Render zu warten.

Drei Varianten für jeden Forschungsbedarf

Microsoft liefert Mage-Flow in drei Geschmacksrichtungen aus: einer Basisversion (30 Iterationen für die Generation), einer mit Reinforcement Learning optimierten Variante (20 Iterationen) und einer destillierten Turbo-Version, die mit nur vier Iterationen auskommt. Für die Bildbearbeitung gibt es dieselbe Auswahl. Das ist ein durchdachter Ansatz für die Forschung: Du kannst untersuchen, wie sich die Anzahl der Iterationen auf die Qualität auswirkt, wie Belohnungslernen die Ästhetik verbessert oder wie Destillation die Laufzeit drastisch verkürzt, ohne dass die Ergebnisse unbrauchbar werden. Die Modelle sind auf Hugging Face unter der MIT-Lizenz verfügbar – du kannst sie herunterladen, ausführen und weiterentwickeln.

Alle Checkpoints sind als komplette Diffusers-Repos organisiert. Du hast sofort Zugriff auf den Transformer, den VAE, den Text-Encoder und den Scheduler. Kein mühsames Zusammenstöpseln von Teilen aus verschiedenen GitHub-Repos. Das senkt die Einstiegshürde für Studierende, kleine Labore oder Unternehmen, die eine kontrollierte Umgebung für Experimente suchen.

Mage-VL: Der Blick in die Zukunft von Video und Streaming

Der zweite Teil der Familie, Mage-VL, ist noch nicht vollständig veröffentlicht. Er soll für das Verständnis von Bildern und Videos zuständig sein und einen „proaktiven Streaming“-Modus bieten. Konkret: Ein Modell, das einen Livestream analysiert und nicht erst abwartet, bis das gesamte Video geladen ist, sondern bereits während des Streams Aussagen über die Szene trifft – und dabei selbst entscheidet, wann es mehr Information anfordert. Ein solches proaktives Verhalten ist für praktische Anwendungen wie Überwachung, Echtzeit-Dolmetschen oder autonome Systeme entscheidend. Auch hier setzt Microsoft auf Kompaktheit: 4 Milliarden Parameter, von Grund auf trainiert, optimiert für die effiziente Nutzung von Rechenressourcen.

Bisher liegen nur die Architekturbeschreibungen vor; die Code- und Modellgewichte sollen demnächst folgen. Wenn die Versprechen von Mage-Flow auch auf das visuelle Verständnis übertragbar sind, könnte Mage-VL ein wichtiger Baustein für dezentrale KI-Lösungen werden. Dass ein 4B-Modell in der Lage ist, Videos zu verstehen, während Systeme wie GPT-4V oder multimodale Modelle auf 10- bis 100-Milliarden-Parameter Skalen setzen, zeigt, dass es nicht immer auf die Parameterzahl ankommt, sondern auf die Architektur und das Training.

Einordnung: Was bedeutet das für die KI-Landschaft?

Mage ist nicht besser als die Giganten – das behauptet Microsoft auch nicht. Es ist konkurrenzfähig. Ein 20-Milliarden-Modell kann in manchen Tests leicht besser abschneiden, verbraucht aber fünfmal so viel Speicher und Rechenzeit. Für einen Forscher, der zehn verschiedene Lernraten oder Datensätze testen möchte, wird der Unterschied schnell prohibitiv. Mage erlaubt es, mit einem Bruchteil der Kosten zu experimentieren – und die Ergebnisse lassen sich dann auf größere Modelle übertragen. Es demokratisiert die Forschung.

Die Entwickler betonen, dass die Modelle ausschließlich für Forschungszwecke gedacht sind und nicht für Produktionssysteme. Die verantwortungsvolle KI-Entwicklung wird von Anfang an mitgedacht: Die Trainingsdaten wurden bereinigt, soweit möglich, aber Web-Scale-Daten enthalten immer Verzerrungen. Nutzer müssen daher zusätzliche Filter und Moderationsmechanismen einbauen, bevor sie das Modell in einer echten Anwendung einsetzen. Das ist ein ehrlicher Hinweis – keine Werbung, sondern die Einsicht, dass KI-Modelle nie perfekt sind und in einem kontrollierten Umfeld bleiben sollten, bis ausreichend Sicherheitsmechanismen etabliert sind.

Microsoft liefert mit Mage ein Beispiel dafür, dass Fortschritt nicht immer in die Richtung größerer Modelle gehen muss. Effizienz, Durchdachtheit und Zugänglichkeit können genauso innovativ sein wie eine weitere Milliarde Parameter. Für alle, die sich fragen: „Was ist KI eigentlich? Kann ich selbst damit experimentieren?“ – Mage ist eine Antwort, die nicht überfordert, aber auch nicht langweilt. Es ist ein Werkzeug, das du in die Hand nehmen und verstehen kannst. Und das ist vielleicht der wichtigste Fortschritt: dass KI nicht mehr nur ein schwarzer Kasten in der Cloud ist, sondern etwas Greifbares, das auf deinem eigenen Schreibtisch laufen kann.

Quelle: github.com

Du fragst ChatGPT nach einem Rezept, es antwortet in Sekunden. Dahinter arbeiten tausende Grafikprozessoren in riesigen Hallen, rund um die Uhr gekühlt und mit Strom versorgt. Je leistungsfähiger KI-Modelle werden, desto mehr Rechenleistung brauchen sie. OpenAI hat seine Investitionen jetzt drastisch erhöht.

TechCrunch berichtet, dass OpenAI die geplanten Ausgaben für Rechenzentren bis 2030 auf rund 750 Milliarden US-Dollar angehoben hat – 25 Prozent mehr als noch vor einigen Monaten. Der erste große Brocken ist Project Camellia im US-Bundesstaat Georgia, ein 20 Milliarden Dollar schweres Datenzentrum. Auf rund 570 Hektar nordwestlich von Savannah soll es 3,2 Gigawatt Strom aus dem öffentlichen Netz ziehen. Ein modernes Atomkraftwerk liefert etwa 1 Gigawatt.

OpenAI trägt die vollen Kosten für Infrastruktur und Stromanschluss selbst. Eine Regelung der öffentlichen Versorgungskommission von Georgia verhindert seit 2023, dass Kosten für Großabnehmer auf andere Stromkunden abgewälzt werden. Der Bezirk Effingham gewährt dem Unternehmen eine 50-prozentige Grundsteuerermäßigung über 15 Jahre. Der Strom soll zwischen 2028 und 2032 verfügbar sein. Wann die ersten GPUs laufen, ließ OpenAI offen. Erst kürzlich wurde Brett Mayo als Leiter des Datenzentrenbaus eingestellt, der zuvor bei xAI das Colossus-Rechenzentrum in Memphis in Rekordzeit hochgezogen hatte.

Wie wird dieser Energiehunger gestillt? Aus Regulierungsunterlagen der Georgia Power geht hervor: Der Großteil des neuen Stroms kommt aus Erdgas. Der Versorger plant, rund 5,8 Gigawatt an Gaskraftwerken zuzubauen oder zuzukaufen – etwa ein Viertel davon besonders umweltschädliche Gasturbinen ohne Abgasreinigung. Das würde die Gasflotte des Unternehmens mehr als verdoppeln. Den Rest decken Batteriespeicher und Solaranlagen. Umweltverbände und lokale Organisationen laufen Sturm. Das Colossus-Datenzentrum von xAI in Tennessee hat bereits zu Klagen geführt – wegen unerlaubter Gasturbinen und schlechterer Luftqualität.

Dieser Fall zeigt ein Dilemma: KI-Modelle werden leistungsfähiger, aber ihr Betrieb ist energieintensiv. Große Sprachmodelle wie GPT-4 verbrauchen für ein einziges Training den Strom eines Haushalts über mehrere Jahre. Im Live-Einsatz summiert sich der Verbrauch. Unternehmen greifen zu fossilen Energien, weil erneuerbare Quellen unzuverlässig sind und Atomkraft zu lange dauert. Erdgas ist der einfachste Kompromiss, aber er hat einen Preis für das Klima.

OpenAI ist nicht allein. Google, Microsoft und Amazon investieren Milliarden in Rechenzentren und schließen Verträge mit Atomkraftwerken oder versuchen es mit kleinen modularen Reaktoren. Doch der Zeitdruck ist enorm. Der Wettlauf um die nächste KI-Generation lässt keine langsamen Lösungen zu. Es zählt, wer zuerst die nötige Rechenleistung am Netz hat. Project Camellia ist ein Beispiel dafür: Riesige Summen, massive Anreize und ein klarer Fokus auf Geschwindigkeit – auch wenn das bedeutet, vorerst auf Erdgas zu setzen.

Für dich als Nutzer: Die KI-Dienste werden schneller, umfangreicher und präziser. Aber sie kommen nicht aus dem Nichts. Sie sind das Ergebnis eines gewaltigen Aufbaus, der Milliarden verschlingt. Und dieser Aufbau hat eine ökologische Kehrseite. Wer KI begeistert nutzt, sollte sich dieser Trade-offs bewusst sein. Keine Technologie ist kostenlos, auch wenn man sie nur über die Cloud bezieht. Die Rechnungen bezahlen nicht nur die Unternehmen, sondern auch die Umwelt.

Was bedeutet das konkret? Du wirst in den nächsten Jahren immer mehr KI in allem erleben – von smarteren Assistenten über automatisch generierte Filme bis zu Echtzeit-Übersetzungen. Gleichzeitig steigt der Stromverbrauch der Rechenzentren. Studien gehen davon aus, dass KI bis 2030 bis zu 10 Prozent des globalen Strombedarfs ausmachen könnte. Ob dieser Bedarf dann überwiegend fossil oder erneuerbar gedeckt wird, hängt von Investitionsentscheidungen ab, die heute getroffen werden. OpenAI setzt mit Project Camellia auf eine Mischung aus Gas und Erneuerbaren. Der Weg zur nachhaltigen KI ist noch lang, und er führt durch eine Welt aus Beton, Stahl und vorerst vielen Gasleitungen.

Quelle: techcrunch.com

Heute Morgen meldete Monday.com die Entlassung von Hunderten Mitarbeitern. Eine Schlagzeile, die erst einmal befremdlich wirkt. Das Unternehmen ist eines der erfolgreichsten israelischen Software-Unternehmen, bekannt für seine farbenfrohen Boards, mit denen Teams Aufgaben, Zeitpläne und Workflows verwalten. Der Schritt ist kein plötzlicher Absturz, sondern eine bewusste Neuausrichtung. Monday.com will sich künftig ganz auf seine KI-Plattform konzentrieren – und nimmt dafür einschneidende Kürzungen in Kauf.

Insgesamt werden rund 630 Stellen gestrichen, das entspricht etwa 20 Prozent der gesamten Belegschaft. Offiziell will man ein „schlankeres, fokussierteres Betriebsmodell“ unterstützen. Die Botschaft dahinter: Monday.com hat die Strategie geändert. Anfang des Jahres stellte das Unternehmen seine „AI Work Platform“ in den Mittelpunkt. Kein bloßes Add-on, sondern eine komplette Neugestaltung. Die Plattform umfasst einen No-Code-App-Builder, einen anpassbaren KI-Agenten, ein Workflow-Automation-Tool und einen Chatbot, der Berichte generiert und Dashboards aktualisiert.

Die Idee: Der KI-Agent erkennt automatisch, wenn ein Meilenstein gefährdet ist, und schlägt Korrekturmaßnahmen vor. Reports entstehen aus Rohdaten, ohne dass jemand eine Zeile Code schreiben muss. Diese Vision erfordert eine Verschiebung der internen Ressourcen. Wo bisher viele Menschen für Support, Vertrieb und traditionelle Entwicklung zuständig waren, entstehen neue Rollen in KI-Entwicklung, Datenwissenschaft und Modelltraining. Die Entlassungen sind die Kehrseite dieses Pivots.

Das Phänomen ist kein Einzelfall. Die Tech-Branche erlebt 2026 eine Welle von Entlassungen. Allein in diesem Jahr wurden bereits über 122.000 Stellen abgebaut, wie die Plattform Layoffs.fyi dokumentiert. 78 Prozent der Unternehmen geben als Grund an, ihre Anstrengungen auf KI auszurichten. Monday.com reiht sich ein in eine Liste großer Namen, die Personal abgebaut haben, um Kapital für KI-Investitionen freizusetzen. Ein Goldrausch: Die Firmen kaufen schwere Maschinen für KI und entlassen dafür Arbeiter.

Die Restrukturierungskosten beziffert Monday.com auf 45 bis 55 Millionen US-Dollar. Eine Summe, die im Verhältnis zum Umsatz verkraftbar erscheint. Dennoch bleibt die Frage, ob der Schritt kurzfristig mehr Schaden anrichtet als Nutzen bringt. Die verbleibenden Mitarbeiter werden mehr Verantwortung tragen müssen. Reibungsverluste und sinkende Moral sind reale Risiken. Auf der anderen Seite zwingt der Wettbewerb zu dieser Entscheidung: Wer heute nicht massiv in KI investiert, läuft Gefahr, in zwei Jahren irrelevant zu sein. Monday.com hat sich für den aktiven Weg entschieden – auch wenn er durch ein Tal der Tränen führt.

Für Nutzer der Plattform bedeutet das: In den kommenden Monaten werden neue Funktionen erscheinen. Die AI Work Platform wird vermutlich zur primären Benutzeroberfläche. Gewohnte Boards und Automatisierungen bleiben erhalten, ergänzt durch intelligente Assistenten. Ob das gelingt, hängt von der Qualität der KI-Integration ab. Monday.com hat den Vorteil einer starken No-Code-Philosophie – die Schwelle, KI-Features zu nutzen, ist niedrig.

Ob der Schritt sich auszahlt, wird die Zukunft zeigen. Die Entlassungen sind schmerzhaft, vielleicht aber notwendig. Ein Schiffsumbau: Die Mannschaft wird um ein Fünftel reduziert, während modernere Navigationssysteme eingebaut werden. Der Wind weht aus Richtung KI. Monday.com hat den Kurs gewechselt. Ob die neue Crew aus Menschen und Maschinen harmonisch zusammenarbeitet, bleibt abzuwarten.

Die Reaktion der Börse und der Analysten ist verhalten optimistisch. Die Aktie zeigte sich nach der Ankündigung stabil. Dennoch: 630 Menschen verlieren ihren Job. Monday.com war noch vor einem Jahr eine Wachstumsperle. Das macht es für die Betroffenen nicht leichter. KI wird oft als Heilsbringer gefeiert, aber sie verursacht auch menschliche Kosten.

Was bedeutet das konkret für die Zukunft? Monday.com wird sich weiter in Richtung einer KI-gesteuerten Work-Plattform entwickeln. Traditionelles Projektmanagement, CRM und Automatisierung verschmelzen. Vielleicht schlägt bald ein KI-Agent vor, welches Board du öffnest, basierend auf deiner aktuellen Aufgabe. Das kann Produktivität steigern – aber auch ein Gefühl der Kontrollabgabe erzeugen. Monday.com positioniert sich als Vorreiter, ähnlich wie Salesforce oder Microsoft. Der Unterschied: die unternehmenseigene No-Code-DNA, die den Einstieg erleichtert.

Für die Tech-Branche ist der Schritt ein weiterer Beleg dafür, dass der KI-Boom nicht nur neue Arbeitsplätze schafft, sondern auch alte vernichtet. 2026 könnte als das Jahr in die Geschichte eingehen, in dem viele Tech-Unternehmen realisierten: Sie müssen sich neu erfinden – oder untergehen. Monday.com hat gehandelt. Ob der schlanke, KI-zentrierte Ansatz aufgeht, wird sich in den nächsten Quartalen zeigen.

Monday.com geht einen mutigen, aber riskanten Weg. Die Entlassungen sind der Preis für eine Zukunft, die noch nicht geschrieben ist. Der Fall zeigt, wie schnell sich Prioritäten in der Tech-Welt verschieben können. Vor zwei Jahren sprach noch niemand von KI-Agenten als Teammitgliedern – heute baut ein ganzes Unternehmen seine Strategie darauf auf. Was Monday.com heute macht, könnten morgen auch andere Tools tun.

Quelle: techcrunch.com

Du gibst einer KI den Auftrag: „Schreibe eine Zusammenfassung.“ Nach einigen Sekunden kommt die Antwort, begleitet von einem leichten Brummen des Rechners. Die meiste Zeit steckt nicht in der Intelligenz der KI, sondern in der Hardware. Googles neuster Plan setzt genau dort an: Ein eigener KI-Chip mit dem Codenamen Frozen v2 soll die hauseigenen Gemini-Modelle effizienter machen. The Information berichtet unter Berufung auf anonyme Quellen. Die Aktie von Alphabet stieg am Montag um etwa drei Prozent. Investoren sehen endlich eine Antwort auf die drängende Frage: Wie viel Energie und Geld frisst die KI?

Google hat den Chip weder bestätigt noch dementiert. Die offizielle Antwort an TechCrunch klingt nach Unternehmensrhetorik: „Unsere Teams forschen und experimentieren ständig an neuen Innovationen.“ Gleichzeitig betont Google den „Full-Stack-Ansatz“ – das Zusammenspiel von Hardware und Software aus einer Hand. Diese Integration ist der Schlüssel zu Effizienzsprüngen, die mit Standardkomponenten nicht erreichbar wären. Frozen v2 soll zwischen sechs und zehn Mal effizienter sein als die aktuellen Google-KI-Chips. Gemessen wird das an der Anzahl der Tokens pro Watt. Ein Token ist ein kleiner Baustein der KI-Ausgabe: ein Wortteil, ein Satzzeichen, eine Silbe. Je mehr Tokens eine KI pro eingesetzter Energie erzeugt, desto günstiger und schneller wird der Betrieb.

Stell dir einen Motor vor, der aus einem Liter Benzin zehn Kilometer macht. Mit einer neuen Technologie schafft er sechzig Kilometer. Gleiche Strecke, Bruchteil des Treibstoffs. Für Google bedeutet das: mehr KI-Leistung bei gleicher Stromrechnung oder weniger Kühlung in den Rechenzentren. In Zeiten, in denen der Energiehunger der KI-Industrie kritisiert wird, ist das ein starkes Argument. Es geht um Geld, aber auch um Nachhaltigkeit und politische Akzeptanz.

Warum baut Google eigene Chips, statt auf Nvidia zu setzen, das den Markt für KI-Hardware dominiert? Nvidia verkauft Grafikprozessoren zu hohen Preisen und kontrolliert die Lieferketten. Eigene Chips sparen Kosten und erlauben eine für die KI-Modelle optimierte Architektur. OpenAI machte diesen Schritt im Juni mit einem Chip namens Jalapeño – einem Inference-Prozessor für trainierte Modelle. Anthropic führt Gespräche mit Samsung über eine Chip-Partnerschaft. Die Großen der KI-Branche wollen ihre Hardware selbst kontrollieren.

Google hat einen Vorteil: Es entwickelt seit Jahren eigene Chips, etwa die Tensor Processing Units (TPUs). Frozen v2 wäre eine Weiterentwicklung dieser TPU-Architektur. Der Zeithorizont 2028 mag weit entfernt klingen, doch in der Chip-Entwicklung sind fünf Jahre normal. Die Konkurrenz schläft nicht, die Anforderungen wachsen exponentiell. Die Frage ist, ob Googles Strategie langfristig aufgeht.

Für Anwender bedeutet das: KI-Anwendungen auf Gemini-Basis – in der Google-Suche, Google Docs oder Vertex AI – könnten schneller und günstiger werden. Alphabet plant Investitionen von 180 bis 190 Milliarden Dollar für den KI-Ausbau. Ein effizienterer Chip senkt die Betriebskosten pro Anfrage und macht KI wirtschaftlich für alltägliche Aufgaben, bei denen heute der Stromverbrauch abschreckt.

Die Börse reagierte mit einem leichten Kurssprung. Investoren reagieren sensibel auf das Thema Effizienz. Die Euphorie der Anfangszeit, als jedes neue KI-Feature zu Kursgewinnen führte, ist abgeflacht. Heute zählt: Wie viel Rendite bringt jeder investierte Dollar? Frozen v2 klingt nach einer Antwort – aber erst in vier Jahren. Bis dahin muss Google beweisen, dass die Milliarden nicht in technologischen Sackgassen versickern. Die Konkurrenz durch OpenAI und Anthropic wird härter, und Nvidia ruht sich nicht aus. Der Markt für KI-Hardware bleibt ein Rennen, bei dem Effizienz das neue Gold ist.

Ob sich die Versprechungen bewahrheiten, bleibt abzuwarten. Die Geschichte der Technik ist voller Ankündigungen von Superchips, die nie kamen. Doch Google hat mit seinen TPUs gezeigt, dass es eigene Hardware erfolgreich skalieren kann. Frozen v2 könnte der nächste logische Schritt sein – vielleicht der entscheidende, um KI alltagstauglich zu machen. Denn was nützt die intelligenteste KI, wenn sie zu viel Strom frisst? Die Zukunft liegt in intelligenteren, effizienteren Chips.

Quelle: techcrunch.com