Newsletter · 2026-08-08 · Ashutosh Agarwal

Wir bereuen, dass Produktmanagement existiert - How They Build - Woche vom 8. August 2026

Eine podcastübergreifende Synthese für die Woche vom 8. August 2026 darüber, wie Software-Teams die Manager- und Produktmanagement-Ebene abschaffen, während KI die Hebelwirkung auf immer weniger Menschen konzentriert, und darüber, wie die daraus resultierende Token-Rechnung inzwischen groß genug geworden ist, um mit einem vollen Gehalt zu konkurrieren.

How They Build

Woche vom 8. August 2026: Wir bereuen, dass Produktmanagement existiert

Die Ebene, die diese Woche als Erstes verschwindet, ist nicht der Programmierer, sondern der Manager und der Produktmanager dazwischen. Dazu: Die KI-Rechnung hat sich still und leise in ein Gehalt verwandelt, und ein Unternehmen sagt das jetzt laut.

Ein Jahr lang drehte sich die „How they build"-Geschichte vor allem um die Person an der Tastatur: Agenten schreiben den Code, also braucht man weniger Ingenieure. Diese Woche ist das Gespräch im Organigramm nach oben gewandert. Ein Gründer nach dem anderen beschrieb, wie er die Mitte streicht, den Manager, der Arbeit verteilte, den Produktmanager, der das Abstimmungsmeeting leitete, den Analysten, der den Bericht zog, und wie er alle Verbliebenen wieder zurück in die eigentliche Arbeit drängt. Die zitierfähigste Version davon kam von einer namhaften Produkt-Show, wo ein bekannter Chief Product Officer sagte, sein Unternehmen schreibe es wörtlich in seine internen Dokumente: Wir bereuen, dass Produktmanagement existiert.

Und darunter läuft dieselbe Spannung weiter, die diese ganze Serie geprägt hat: Das Geld ist nicht verschwunden, als die Menschen es taten. Es ist zum Token-Zähler gewandert. Diese Woche legten mehrere Operator eine unverblümte Zahl vor: Bei voller Auslastung kostet die KI-Gewohnheit eines Ingenieurs etwa so viel wie das Gehalt eines zweiten Ingenieurs, und eine Gruppe von Investoren begann, diesem Problem einen Namen zu geben: „Return on Invested Tokens."

Die Zahl: 21 Produktmanager. 31.832 Bewerber. Eine Einstellung.

Die auffälligste Effizienzkennzahl der Woche kam von Tom Verrilli, dem Chief Product Officer von Whatnot, bei Lenny's Podcast. Whatnot ist ein schnell wachsender Live-Shopping-Marktplatz, und das Volumen der Waren, die seine Verkäufer bewegen, ist enorm. Die Zahl der Produktmanager, die das Ganze steuern: etwa 21.

„Wir haben gerade die 20-PM-Marke überschritten. Wir haben, glaube ich, heute 21, 22 PMs im Haus, was für alle, die unsere Entwicklung verfolgen, angesichts des GMV-Volumens, das unsere Verkäufer bewegen, ziemlich klein ist."

Und neue PMs kommen fast nie hinzu. Wie Gastgeber Lenny Rachitsky es formulierte, als er eine von Verrilli geteilte Statistik vorlas: „In den letzten zwei Jahren haben sich 31.832 Menschen als Produktmanager bei Whatnot beworben. Wir haben einen eingestellt." Verrillis Antwort: „Ja, so ist es."

Die provokante Formulierung ist eine Phrase, die das Unternehmen in seinen eigenen internen Texten verwendet, dass es „bereue, dass Produktmanagement existiert." Verrilli achtete genau darauf, was das bedeutet und was nicht. Es ist nicht so, dass PMs nutzlos sind; es ist so, dass Whatnot sich weigert, anzunehmen, dass jedes Team einen braucht. Sie ordnen PMs Problemen zu, nicht Teams, und weisen sie alle sechs Monate neu zu. Das Ergebnis ist, dass „es ein Jahr oder länger geben wird, in dem einem bestimmten Engineering-Team kein PM zugeordnet ist, obwohl es viel laufende Produktarbeit zu erledigen gibt", weil der Ingenieur oder der Designer das stattdessen übernehmen kann.

Was das möglich gemacht hat, ist teilweise KI, und Verrilli war ehrlich, dass das nicht die ganze Geschichte ist. „Ich glaube nicht, dass es explizit an KI liegt, aber ich glaube, KI macht es viel einfacher", sagte er. Die Hebelwirkung, die eine einzelne Person jetzt hat, ist es, was den Unterschied macht:

„Wir sind jetzt so leistungsfähig darin, Dinge zu erledigen, dass man fast einen gewissen Druck spürt wegen der Dinge, die man nicht erledigt, weil man weiß, dass man, wenn man ein paar Stunden mehr freischaufeln würde, eine Menge bewegen könnte. Man kann heute in einem Hex-Thread Daten ziehen, wofür man 2017 mit einem Amazon-L7-Datenwissenschaftler im Grunde eine Woche oder zwei gebraucht hätte."

Der Folgeeffekt, den er sich wünscht, ist eine flachere, erfahrenere, stärker involvierte Organisation. Er verwies auf die wachsende Liste von CTOs großer Unternehmen, die gekündigt haben, um bei Anthropic als einfache Ingenieure zu arbeiten, „der CTO von Workday ist bei Anthropic einfach Mitglied des technischen Personals; der CTO von Instagram, der CTO von Box, der CTO von Super.com, sie sind jetzt einfach Ingenieure", und sagte: „Es ist mein größter Wunsch, dass die Produktmannschaft von Whatnot im Grunde so aussieht." Er hat sogar ein Vergütungsargument dafür: Man nehme die Gesamtvergütung einer klassischen Pyramide, fünf L5 unter einem L7, vier L7 unter einem VP, und stelle stattdessen drei Leute ein und „bezahle sie alle mit VP-Gehalt, besonders wenn sie diese Wirkungsebene erreichen." Verrilli hat selbst Produktionscode geschrieben, gibt aber als Erster zu, dass „jemand still und leise den größten Teil meines Codes überarbeitet hat", den er und Claude Code „nicht richtig hinbekommen haben."

Lenny's Podcast, „This CPO regrets that product management exists | Tom Verrilli (CPO of Whatnot)" (2. August 2026).

Was Gründer geändert haben

„Drei Leute zu je 80.000 Dollar werden zu einer Person mit 220.000 Dollar, die die Arbeit von zehn erledigt." Bei The Andrew Faris Podcast lieferte Investor-Operator Mehtab Bhogal von Karta Ventures, der ein Portfolio von E-Commerce-Marken mitbetreibt, die klarste Dollar-Rechnung der Woche dafür, warum die Management-Ebene verschwindet. Seine Herangehensweise: In einem 40-köpfigen Unternehmen gab es früher eine C-Level-Ebene, eine VP-/Manager-Ebene und die einzelnen Mitarbeiter, die die eigentliche Arbeit erledigen. Diese mittlere Ebene sei „inzwischen praktisch weg, oder sehr, sehr viel kleiner, einfach weil jede einzelne Person so viel mehr leisten kann."

„Man hatte vielleicht drei Leute, die jeweils 80.000 Dollar im Jahr verdienten. Jetzt kann man eine Person haben, die 220.000 Dollar im Jahr verdient, aber dafür die Arbeit von zehn dieser Leute erledigt."

Der Grund, sagte er, sei, dass KI gewöhnlichen Rollen die Art von Hebelwirkung verleiht, die früher nur einem seltenen „10x-Ingenieur" oder einem legendären Verkäufer vorbehalten war: „Jetzt fühlt es sich an, als hätte fast jede Rolle dieselbe Hebelwirkung wie ein 10x-Entwickler." Sein konkretestes Beispiel ist eine Stelle, von der er sagt, dass sie schlicht verschwindet, der interne Datenabrufer. „Lange Zeit hatten wir immer einen Kollegen, dessen einzige Aufgabe darin bestand, diverse Berichte zu erstellen, die Leute wollten", sagte er; jetzt kann jeder, der neugierig ist, die Daten direkt mit KI befragen, sodass diese Rolle „disintermediiert" wird. Er beschrieb außerdem den Einsatz eines „adversarial review"-Modus, der Dutzende Agenten hervorbringt, um seine eigenen Finanzmodelle anzugreifen und zu verfeinern, bevor er ihnen vertraut, weil „die Fehlerquote deutlich sinkt."

The Andrew Faris Podcast, „Where AI Is Actually Making Money In Ecommerce – Mehtab Bhogal" (3. August 2026).

Ein CRO hat sein gesamtes Go-to-Market-Organigramm zusammengelegt, und dabei ging es vor allem nicht um KI. Bei The Revenue Leadership Podcast schilderte Ian Tickle, der neue CRO von Freshworks, wie er eine zuvor getrennte Struktur zusammenführte, Sales getrennt von Customer Success, ein Team unter 500 Mitarbeitern getrennt von einem Team über 500, zu einer einzigen Organisation. Man sollte hier klar sehen: Er stellte Kosten und Kundenerlebnis als Treiber dar, nicht KI. Seine Logik war, dass Ebenen und Doppelarbeit dem Kunden im Weg standen: „Je mehr Ebenen man einzieht, desto schwerer wird es, die Botschaft nach unten durchzubringen", und „Kunden interessiert mein Organigramm nicht." Er berief sich auf die alte Shopify-Idee, das eigene Organigramm nicht „auszuliefern", also Kunden die internen Nahtstellen nicht spüren zu lassen. Es ist eine nützliche Erinnerung daran, dass der Instinkt, der gerade durch die Softwarebranche fegt, die Mitte zusammenzulegen, zu zentralisieren, abzuflachen, größer ist als KI; KI gießt nur Brennstoff auf ein Feuer, das effizienzorientierte Operator ohnehin schon entzündet hatten.

The Revenue Leadership Podcast mit Kyle Norton, „E72: I Collapsed My GTM Org Chart. This Is Why | Ian Tickle, CRO @ Freshworks" (6. August 2026).

Ein Mann baut allein ein ganzes Online-Spiel neu, und hat komplett aufgehört, Code zu reviewen. Den lebhaftesten Blick darauf, wohin das führt, lieferte Dev Interrupted, wo die Moderatoren zwei neue Essays des erfahrenen Ingenieurs Steve Yegge aufschlüsselten. Yegge baut derzeit sein Massively-Multiplayer-Spiel Wyvern, ein Herzensprojekt, das er seit den frühen 2000er-Jahren hat, im Wesentlichen allein, indem er eine Flotte von Agenten dirigiert. Er gibt zu, „etwa 12 Claude-Max-Konten" zu besitzen und „die Tokens wie einen Wasserhahn zu rotieren", damit seine Agenten „rund um die Uhr, Tag und Nacht arbeiten" können. Er teilt sie nach „kognitiver Nähe" in Rollen auf, gibt ihnen dauerhafte Identitäten, die Modell-Upgrades überstehen (er lässt jeden sogar ein Tier auswählen, das ihn repräsentiert), und pflegt sie, eine Philosophie, die er halb im Scherz „Model Welfare" nennt, nach der Theorie, dass ein unterstützter, gut informierter Agent bessere Arbeit leistet.

Das Detail, bei dem Engineering-Führungskräfte innehalten sollten, ist das, was er den „Land Rush" nennt. Das Volumen des Codes, den seine Agenten produzieren, ist so hoch, dass das traditionelle Testen vor dem Merge vollständig zusammengebrochen ist. Wie die Moderatoren es beschrieben: „Dinge werden einfach direkt in main gemerget. Er reiht eine Reihe von PRs auf und knallt sie alle auf einmal in main, und statt sie durch Checks laufen zu lassen, schickt er einen Schwarm von Agenten los, um die jetzt offensichtlich kaputte Codebasis durchzugehen und alle Probleme zu beheben." Mit anderen Worten: „Er prüft nichts. Er repariert es in Produktion." Das klingt riskant, und für die meisten Teams wäre es das auch, aber es ist eine echte Vorschau darauf, wie „how they build" aussieht, wenn eine einzelne Person eine Armee unermüdlicher Coder dirigiert.

Dev Interrupted, „Model welfare, building a civilization for agents, and the CI/CD landrush" (7. August 2026).

Ein Brand-Designer hat allein eine komplette Firmenwebsite (Code, Animationen, Deploy) in einer Woche ausgeliefert. Beim Y Combinator Startup Podcast beschrieb das Team hinter dem Design-Tool Paper, wie die Übergabe zwischen Design und Engineering schlicht verschwindet. Ihre Brand-Designerin Agu, „eine brillante Brand-Designerin, die ein bisschen programmiert, sich aber selbst nicht als Programmiererin bezeichnen würde", baute die gesamte Launch-Website des Unternehmens „in etwa einer Woche, inklusive Ausliefern, inklusive aller Animationen", komplett mit maßgeschneiderten Hintergrund-Shadern. Sie entwarf sie in Paper und beauftragte dann einen Agenten: „nimm meine Paper-Designs, verwandle sie in eine Codebasis." Es ist eine Next.js-Seite. „Niemand sonst hat sich das angeschaut. Agu hat das von Anfang bis Ende in einer Woche gemacht." Ihre Zusammenfassung der neuen Schleife: „Es gibt gar keine Übergabe mehr. Es ist eine Person, die Änderungen vornimmt, iteriert und ausliefert, eine Person kann die Arbeit eines ganzen Teams erledigen."

Bemerkenswerterweise ist Paper auch das eingebaute Warnsignal dieser Woche. Sie halten ihr Kernprodukt bewusst menschengebaut: „Gute Software braucht Zeit. Wir haben Wettbewerber, die jedes einzelne Feature haben, aber die Leute wollen, dass Paper besser ist." Ihre Experience-Designer, sagten sie, brauchen butterweiche Oberflächen mit 120 Bildern pro Sekunde, „und die Agenten sind dafür einfach noch nicht so weit." Das ganze Unternehmen hat 12 Mitarbeiter, bewusst: „Ein kleines Elite-Team hält die Talentlatte extrem hoch; wenn man weniger Leute hat, hat man weniger Kommunikationsaufwand."

Y Combinator Startup Podcast, „How To Design In The Agent Era" (7. August 2026).

„Freiwild für alte Steuerungen": Sechs-Wochen-Aufträge dauern jetzt zwei. Bei Manufacturing Hub beschrieb David Nichols von der Systemintegrationsfirma Loupe, wie KI die Arbeit im industriellen Engineering auf den Kopf gestellt hat, und die Wettbewerbsvorteile seiner eigenen Branche bedroht. „Wir haben früher in Sechs-Wochen-Sprints gesprochen", sagte er. „Was wir in sechs Wochen schaffen, ist jetzt fünfmal so viel. Was früher sechs Wochen dauerte, dauert jetzt zwei." Sein Lieblingsbeispiel: Ein Ingenieur, der versuchte, eine ausfallende, jahrzehntealte Roboterzelle zu verstehen, „packte alle Rohdokumente und die Rohtextdatei des Roboters in einen Ordner und wies Claude an, ein Zustandsdiagramm zu erstellen. Es hat die gesamte Zelle in 30 Minuten reverse-engineert", und produzierte „bessere Dokumentation, als sie je hatten", was zudem genau offenlegte, warum die Maschine immer wieder ausfiel. Die Ökonomie einer Neuentwicklung hat sich vollständig umgekehrt: Was früher die dümmste Sache war, die ein Ingenieur tun konnte („nie neu schreiben"), ist jetzt oft die schnellste Lösung. Seine Warnung an die eigene Branche, er nannte es das Ende des „SI-Burggrabens", war unverblümt: „Steuerungs-Retrofits sind jetzt massiv billiger geworden. Es ist Freiwild für alte Steuerungen." (Er erwähnte auch beiläufig, dass er die eigene Website von Loupe, samt Backend und Deployment, an einem Tag zwischen 9 und 14 Uhr neu gemacht hat.)

Manufacturing Hub, „Ep. 268 – David Nichols of Loupe on Claude Code, AI Retrofits, and the End of the SI Moat" (6. August 2026).

Die andere Seite: mehr Code bedeutet nicht mehr Ausgeliefertes

Zwei kluge Stimmen widersprachen diese Woche der Erzählung „Streiche die Mitte und beobachte, wie der Output explodiert", nicht indem sie die Hebelwirkung leugneten, sondern indem sie infrage stellten, ob der Output real ist.

„Adoptionsdaten sind eine falsche Fährte." Bei Dev Interrupted argumentierte Arnab Bose, Chief Product Officer bei Asana, dass die meisten Unternehmen das Falsche messen. An einem Ort wie Asana wollen alle jedes KI-Tool gleichzeitig nutzen, „also ist der Blick auf Adoptionsdaten eine Art falsche Fährte, das hilft uns nicht, echte Ergebnisse zu verfolgen. Steigern wir tatsächlich die echte Produktivität, oder spielen wir mit vielen Tools herum, ohne das Handwerk verbessert zu haben?" Die Falle, die er benannte: „Man kann sagen, man habe diesen Monat 40 Features ausgeliefert gegenüber 20 im letzten Monat, aber 20 dieser Features liegen ungenutzt im Regal." Sein Team beobachtet jetzt die End-to-End-Zykluszeit, nicht die rohe Pull-Request-Geschwindigkeit. Dieselbe Folge zitierte eine Benchmark, die auf 2,7 Millionen Pull Requests über mehr als 250 Engineering-Organisationen basiert und, in den Worten der Sendung, ergab, dass „hohe KI-Nutzung mit einer Verdopplung der gemergten PRs korreliert", aber auch, dass „mehr KI-Code nicht automatisch mehr ausgelieferten Code bedeutet."

Und die Ingenieure werden nicht einfach verschwinden. Bei No Priors argumentierten die Investoren Sarah Guo und Elad Gil, dass selbst wenn Big-Tech-Firmen einige Ingenieure abstoßen, „es sehr, sehr viele Heimathäfen für sie gibt", der bei Google nur mittelmäßige Ingenieur sei „im Kontext bestimmter Old-School-Unternehmen außergewöhnlich" und werde „von GE oder PG&E oder Hershey's sehr begehrt sein." Gil hält zudem den „Tod von SaaS" für übertrieben, aus einem Kostengrund, auf den wir noch zurückkommen: Warum teure Tokens verbrennen, um billige Software neu zu bauen, für die man ohnehin schon sehr wenig zahlt? Bei The AI Fundamentalists machte ein Moderator die humankapital-Version desselben Punkts: Angesichts dessen, dass ein vollzeitgenutzter Agent bei intensiver Nutzung so viel kosten kann wie ein Gehalt, „würde ich lieber in einen wirklich talentierten Junior-Ingenieur investieren, der lernt und ein Senior-Ingenieur wird, als Anthropic einfach für Output zu bezahlen."

Die Kostenecke: Die Rechnung wurde zum Gehalt

Das ist das Thema, das erneut am lautesten hervorgehoben werden sollte, aber die Geschichte ist gereift. Letzten Monat war es Schock („Moment, die KI-Rechnung ist wie groß?"). Diese Woche wurde daraus eine Management-Disziplin: die Kosten benennen, sie pro Person budgetieren und entscheiden, wer sie verdient.

Der Satz, der den gesamten Wandel einfängt. Bei The AI Fundamentalists machten die Moderatoren die Rechnung, die inzwischen alle im Stillen aufmachen:

„Wenn man nur 300 bis 500 Dollar pro Tag an reinen API-Kosten ausgibt, entspricht das einem Ingenieursgehalt von 100.000 bis 180.000 Dollar. Wenn man also voll auf Tokens ausgereizt ist, könnte man genauso gut für eine Angestellte oder einen Angestellten zu diesem Satz bezahlen."

Oder, wie Kunden ihnen inzwischen sagen: „Ein digitaler Mitarbeiter könnte teurer sein als ein menschlicher." Zum Vergleich, wie schnell der Zähler läuft: Tausend Tokens auf einem Top-OpenAI-Modell kosten etwa einen Cent; bei Anthropics Opus etwa zweieinhalb. Das ist pro Aufruf nichts, und alles, wenn Agenten Millionen von Aufrufen tätigen. Dieselbe Folge wies auf die Mechanik hin, die das zementiert: GitHub stellt alle Copilot-Pläne auf nutzungsbasierte Abrechnung um, zu etwa einem Cent pro KI-Credit, und beendet damit die Ära der Pauschal-Abos, während die intensivsten Abo-Nutzer derzeit subventioniert werden und „das 10- bis 100-Fache dessen an Tokens verbrennen, wofür sie bezahlen." Die Bücher, so hieß es, „sind noch nicht ausgeglichen."

Die Neurahmung: „Return on Invested Tokens." Bei No Priors gab Elad Gil dem neuen mentalen Modell einen Namen. Unternehmen bewegten sich, sagte er, von „jeder nutzt KI und macht, was er will" hin zu „wir müssen unsere Ausgaben messen", und dann zur eigentlichen Frage: „Welche Projekte und Personen sollten tatsächlich überproportionale Anteile eines Token-Budgets bekommen? Es ist wie ein Return on Invested Tokens, eine ROIT-Kennzahl. Wenn man ein bestimmtes Token-Budget hat, wem gibt man es und warum?" Der auffälligste Beleg kam von den KI-Labs selbst: Gil sagte, einige hätten „die Einstellung von Forschern verlangsamt, außer sie liegen über einer sehr, sehr hohen Messlatte, weil nicht der Forscher die Kosten verursacht, sondern die Rechenleistung, die mit der Person verbunden ist." Rechenleistung, nicht Talent, ist die knappe Ressource, und sie wird an die Handvoll Menschen vergeben, die den Großteil der Ergebnisse erzielen.

Der Gegenzug, den alle machen: billige Arbeit an ein billiges Modell weiterleiten. Bei Making Data Simple beschrieb Rob May, CEO von NeuroMetric AI, das Muster, das er ständig sieht: ein Unternehmen, das „100.000 bis 200.000 Dollar im Monat für Inferenz ausgibt, mit 20 bis 30 % monatlichem Wachstum", und auf „eine jährliche Rechnung von 5 Millionen Dollar" zusteuert. Wenn man aufschlüsselt, was man das Frontier-Modell tatsächlich tun lässt, ist vieles davon banal, „15.000 Dollar im Monat nur für die Zusammenfassung von Notizen aus Vertriebsmeetings", etwas, das ein kleines, günstiges Modell seit Jahren erledigt hat, „für vielleicht 1.000 Dollar im Monat." Durch Feintuning kleiner Modelle für enge Aufgaben und entsprechendes Routing spart sein durchschnittlicher Kunde nach eigenen Angaben „etwa 75 %, im schlechtesten Fall 40 %", meist bei „einer zwei- bis vierfachen Beschleunigung und ungefähr denselben Antworten." Bei Tech Disruptors beschrieb Oktas COO dieselbe Kehrtwende aus Sicht der Käuferseite: „Vor drei Monaten haben die Leute ihren Ingenieuren gesagt, sie sollen so viel wie möglich für Tokens ausgeben. Jetzt merken sie, dass sie sich das nicht leisten können." Seine Zusammenfassung der KI-Reise jedes Unternehmens: alle ermutigen, es auszuprobieren, sie schulen, beobachten, wer produktiv ist, und „dann kommt irgendwann der Punkt, an dem allen klar wird, dass sie viel mehr für Tokens ausgeben, als sie dachten."

Aber hier kommt die Wendung: Manche Tokens werden teurer. Bei Eye On A.I. beschrieb Sid Sheth vom Chip-Startup d-Matrix eine „Premium-Token-Ökonomie", die neben der billigen entsteht. Der Grund ist Geschwindigkeit. Seit Tools wie Claude Code interaktives Echtzeit-Coding zum Mainstream gemacht haben, gilt: „Je schneller das Modell antwortet, desto wahrscheinlicher bleibt der Nutzer dran", und Unternehmen verlangen dafür jetzt Geld. „Man kann sagen, ich will diese Interaktivitätsstufe nicht, dann zahle ich 2 Dollar pro Million Tokens", sagte Sheth. „Aber wenn ich diese hohe Interaktivitätsstufe will, zahle ich 20 Dollar pro Million Tokens, und die Leute sind bereit, diese 20 Dollar zu zahlen." Der Markt spaltet sich also gleichzeitig in zwei Richtungen: ein Wettlauf nach unten für Routinearbeit und ein Wettlauf nach oben für sofortige Reaktion.

Der Preiskrieg ist real, und er hat ein Ziel. Bei Everyday AI zeigten die Modell-Veröffentlichungen der Woche, wie erbittert das untere Preissegment geworden ist. Meta brachte einen Claude-Code-artigen Kommandozeilen-Coding-Agenten (Muse Code) auf Basis eines neuen Modells zum Preis von 1,25 Dollar pro Million Tokens ein, 4,25 Dollar aus, mit einer „Contributor-Stufe", die das auf 0,10 Dollar ein / 0,20 Dollar aus senkt, rund 95 % Rabatt, wenn man Meta auf dem eigenen Code trainieren lässt. Der Moderator las es unverblümt: „Das sieht aus wie ein Schuss auf Anthropic", da Coding der Bereich ist, in dem „Anthropic Berichten zufolge etwa 80 % seines Umsatzes erzielt." OpenAI machte unterdessen ein Modell der Frontier-Klasse (GPT-5.6 Luna, „ziemlich auf Augenhöhe mit Claude Sonnet 5") kostenlos und unbegrenzt für rund eine Milliarde Nutzer verfügbar, nachdem es seinen Preis um 80 % gesenkt hatte, und Alibabas neues Open-Weight-Modell Qwen wird bei großen Unternehmen künftig einen Umsatzanteil verlangen. Das Urteil des Moderators: „Es waren keine guten paar Wochen für Anthropic", das Berichten zufolge in ein bis zwei Monaten auf einen Börsengang zusteuert.

Und der konträre Makro-Ausblick: KI könnte teurer werden, nicht billiger. Beim Dwarkesh Podcast legte der Moderator die unbequeme Rechnung hinter der ganzen Euphorie über billige Tokens dar. Anthropic hat den Umsatz drei Jahre in Folge etwa verzehnfacht, von 9 Milliarden Dollar im vergangenen Jahr auf voraussichtlich 100 bis 150 Milliarden Dollar in diesem Jahr, aber die Rechenkapazität der Labs wächst nur etwa um das Dreifache pro Jahr. Irgendetwas muss nachgeben. Die Inferenz-Margen sind bereits „von 40 % Mitte letzten Jahres auf inzwischen über 80 %" gestiegen, und die Spot-Preise für Rechenleistung liegen „mehr als 40 % über dem Tiefpunkt im Februar." Sein zentrales Gedankenexperiment: Wenn ein wirklich menschenwertiger Software-Ingenieur auf einem einzigen High-End-Chip (einem H100) laufen könnte, dann müsste dieser bei heutigen Ingenieursgehältern „über 250.000 Dollar im Jahr an Miete einbringen, mehr als das 15-Fache des aktuellen Preises", noch bevor man einrechnet, dass die KI auch nachts und am Wochenende arbeitet. Als Beleg dafür, dass die Verknappung bereits da ist, zitierte er, dass Google SpaceX „900 Millionen Dollar im Monat für 110.000 GPUs" zahlt, etwa das Doppelte des Spot-Preises. Selbst die Hardware, die man kaufen würde, um der Cloud zu entkommen, ist steil gestiegen: The AI Fundamentalists verwies auf RAM-Preise, die um rund 220 % gestiegen sind, Flash-Speicher um rund 470 %, und GPUs um 100 bis 300 %, während Mac Minis und Mac Studios seit Monaten ausverkauft sind, weil alle versuchen, Modelle zu Hause laufen zu lassen.

Der rote Faden: Ein Jahr lang haben wir beobachtet, wie KI Jobs von unten im Organigramm streicht. Diese Woche begann sie, sie aus der Mitte zu streichen, den Managern, die verteilten, den PMs, die abstimmten, den Analysten, die Daten heranschafften, und Whatnot war unverblümt genug, „wir bereuen, dass Produktmanagement existiert" in sein eigenes Playbook zu schreiben. Aber dieselben Operator, die die Ebene streichen, starren jetzt auf einen Token-Zähler, der mit der Geschwindigkeit eines zweiten Gehalts läuft, und die Klügsten unter ihnen haben aufgehört zu fragen „wie nutzen wir mehr KI?" und fragen stattdessen „wer hier hat sich seine Tokens tatsächlich verdient?" Die Unternehmen, die die nächsten paar Jahre gewinnen, werden nicht die mit den wenigsten Mitarbeitern oder der größten KI-Rechnung sein. Es werden die sein, die den Wechselkurs zwischen einer Person, einem Token und einem ausgelieferten Ergebnis herausfinden, und die ehrlich genug sind, zu bemerken, wenn all der zusätzliche Code nie tatsächlich einen Kunden erreicht hat.