👋 Hallo! Du liest diese Ausgabe als eine:r von 🥳 53 Leser:innen.
❤️ Danke an alle, die den Newsletter zuletzt weiterempfohlen haben - Wachstum entsteht hier nicht durch Algorithmen, sondern durch Weitersagen.
Diese Ausgabe umfasst ca. 1965 Wörter (~10 Minuten Lesezeit).
Heute ist Montag, der 20. Juli 2026 - willkommen in KW30. Viel Spaß beim Lesen!
🎯 Kimi K3: China greift die KI-Spitze an - beginnt jetzt der Preiskrieg?
Moonshot AI hat mit Kimi K3 ein neues Frontier-Modell vorgestellt und damit den Wettbewerb zwischen chinesischen und amerikanischen KI-Anbietern weiter verschärft. K3 verfügt über 2,8 Billionen Parameter, basiert auf einer Mixture-of-Experts-Architektur und aktiviert innerhalb des Stable-LatentMoE-Systems 16 von insgesamt 896 Experten. Hinzu kommen ein Kontextfenster von einer Million Token sowie native Bild- und Texteingaben; die Ausgabe bleibt textbasiert. Die vollständigen Modellgewichte sind noch nicht verfügbar, sollen aber bis zum 27. Juli 2026 veröffentlicht werden.
Starke Benchmarks mit Einschränkungen
In Moonshots eigener Evaluationssuite liegt Kimi K3 hinter Claude Fable 5 und GPT-5.6 Sol, aber vor den übrigen getesteten Modellen. Die Ergebnisse sind allerdings nur eingeschränkt vergleichbar, weil je nach Benchmark unterschiedliche Agenten-Frameworks wie KimiCode, Claude Code oder Codex eingesetzt wurden.
Unabhängige Messungen von Artificial Analysis bestätigen dennoch die grundsätzliche Richtung. Kimi K3 erreicht dort 57 Punkte im Intelligence Index. Bei Veröffentlichung der Auswertung lag es damit hinter Claude Fable 5 mit 60 und GPT-5.6 Sol mit 59 Punkten, aber knapp vor Claude Opus 4.8 mit 56 Punkten.
Der Preiskrieg beginnt nicht beim Tokenpreis
Die offizielle Kimi-API kostet 3 US-Dollar je eine Million nicht gecachter Input-Token und 15 US-Dollar je eine Million Output-Token. Für gecachte Eingaben werden 0,30 US-Dollar berechnet. Damit entspricht K3 dem regulären Preisniveau von Claude Sonnet 5. Während dessen Einführungsphase bis Ende August ist Sonnet 5 mit zwei beziehungsweise zehn US-Dollar allerdings günstiger.
Gegenüber Kimi K2.6 steigt der Output-Preis von vier auf 15 US-Dollar und damit auf das 3,75-Fache. Auf den ersten Blick spricht das gegen einen Preiskrieg. Tatsächlich verlagert sich der Wettbewerb jedoch von den Listenpreisen zu den Kosten einer erfolgreich gelösten Aufgabe.
Artificial Analysis berechnet für Kimi K3 durchschnittlich 0,94 US-Dollar je Aufgabe im eigenen Intelligence Index. GPT-5.6 Sol liegt bei 1,04 US-Dollar, Claude Opus 4.8 bei 1,80 US-Dollar und GLM-5.2 bei 0,32 US-Dollar. Diese Werte gelten ausschließlich für die Aufgaben und Gewichtungen dieses Index und sind keine allgemeingültigen Betriebskosten.
K3 benötigte in dieser Testreihe rund 21 Prozent weniger Output-Token als K2.6: etwa 132 Millionen statt 166 Millionen. Der höhere Tokenpreis wird dadurch teilweise kompensiert. Kimi K3 ist damit teuer im Vergleich zu bereits veröffentlichten Open-Weight-Modellen, aber wettbewerbsfähig innerhalb seiner Leistungsklasse.
Was das für Anleger bedeutet
Kimi K3 ist aus meiner Sicht kein zweiter DeepSeek-Schock. Das Modell bestätigt vielmehr, dass chinesische Anbieter schneller an die technologische Spitze heranrücken, als viele westliche Beobachter erwartet hatten. Für amerikanische Modellanbieter entsteht vor allem ein wirtschaftliches Risiko: Sie können technologisch führend bleiben und dennoch an Preissetzungsmacht verlieren.
Gleichzeitig greift die Vorstellung zu kurz, chinesische Modelle könnten OpenAI, Anthropic und andere Frontier-Labs vollständig ersetzen. Neue Reasoning-Systeme, Agenten und Modellarchitekturen erfordern hohe Forschungs- und Trainingsbudgets. Das globale Ökosystem profitiert zudem von veröffentlichten Forschungsergebnissen, offenen Werkzeugen, besserer Hardware und synthetischen Trainingsdaten.
In welchem Umfang Kimi K3 auf Distillation oder Outputs anderer Frontier-Modelle zurückgreift, ist bislang nicht öffentlich dokumentiert. Moonshot will weitere Einzelheiten zur Architektur, zum Training und zu den Evaluationen erst mit dem technischen Bericht veröffentlichen.
Mein persönliche Sichtweise
Meiner Meinung nach wird der beginnende Preiskrieg nicht allein über möglichst niedrige API-Preise geführt. Ausschlaggebend wird sein, welches Modell eine Aufgabe mit dem besten Verhältnis aus Qualität, Geschwindigkeit und Kosten löst. Genau hier erhöht Kimi K3 den Druck auf westliche Anbieter und deren Margen.
Davon zu unterscheiden ist der Infrastrukturbedarf. Effizientere Modelle senken zwar die Kosten einzelner Aufgaben, machen aber zusätzliche Anwendungen wirtschaftlich. Agentische Systeme, lange Kontextfenster und Physical AI können den Bedarf an GPUs, HBM-Speicher, Netzwerken, Energie und Rechenzentren deshalb weiter erhöhen.
Kimi K3 markiert somit nicht das Ende des KI-Investitionszyklus, sondern den Beginn einer härteren Phase mit mehr leistungsfähigen Anbietern, stärkerem Preisdruck auf der Modellebene und einer Verschiebung der Wertschöpfung hin zu Infrastruktur, Plattformen und konkreten Anwendungen.
🔗 Reuters | WSJ | Bloomberg | Financial Times | BBC | Decrypt | Artificial Analysis | Kimi
📰 Märkte & Nachrichten
KI-Tools zeichnen Gespräche auf, um Produktivität im Alltag und Beruf zu steigern: Immer mehr Beschäftigte und Privatnutzer verwenden KI-Anwendungen, die Meetings, Chats und sogar persönliche Gespräche automatisch mitschneiden, transkribieren und auswerten. Hintergrund ist der wachsende Druck, Kommunikation effizienter zu dokumentieren, Aufgaben automatisiert abzuleiten und Informationsverluste in hybriden Arbeitsumgebungen zu vermeiden. Dies wird über in Videokonferenzen integrierte Assistenten, Smartphone-Apps und Wearables umgesetzt, die Gespräche in Echtzeit erfassen und in durchsuchbare Protokolle, Zusammenfassungen oder To-do-Listen überführen. Gleichzeitig zeigt sich, dass die technische Schwelle für dauerhafte Aufzeichnungen stark gesunken ist, während Einwilligung, Zweckbindung und Datensicherheit regulatorisch oft ungeklärt bleiben. Dadurch entsteht für Plattformen ein neuer Wettbewerb um die Schnittstelle zur Alltagskommunikation, während Unternehmen zusätzliche Compliance-Risiken tragen. Langfristig könnte sich hier ein struktureller Zielkonflikt zwischen Produktivitätsgewinn, sozialer Vertraulichkeit und datenschutzrechtlicher Kontrolle verfestigen.
Frankreich und Deutschland entwickeln Palantir-Konkurrenten für europäische Datensouveränität: Frankreich und Deutschland haben die gemeinsame Entwicklung einer europäischen Alternative zu Palantir für die militärische und sicherheitsrelevante Datenanalyse angekündigt. Hintergrund ist die wachsende Abhängigkeit europäischer Staaten von US-Plattformen in Bereichen, die zunehmend als strategische Infrastruktur gelten. Zusätzlichen Druck erzeugte die Einschätzung eines hochrangigen NATO-Kommandeurs, wonach es bislang keine echte europäische Alternative gebe. Die Umsetzung soll über eine bilaterale Industrie- und Technologiebasis erfolgen, die Analysefähigkeiten, Interoperabilität und operative Einsatzfähigkeit in sicherheitskritischen Umgebungen vereint. Damit zielen beide Staaten nicht nur auf technologische Eigenständigkeit, sondern auch auf mehr Kontrolle über Datenflüsse, Beschaffung und sicherheitsrelevante Software-Standards ab. Gleichzeitig wird das strukturelle Problem Europas deutlich: Im Bereich verteidigungsnaher KI- und Datenplattformen ist der Markt stark von wenigen US-Anbietern geprägt. Langfristig könnte das Vorhaben zum Testfall dafür werden, ob Europa digitale Souveränität auch in hochsensiblen Sicherheitsmärkten industriell umsetzen kann.
🔗 POLITICO
EZB drängt auf digitalen Euro, um Einlagenabfluss durch Stablecoins zu begrenzen: EZB-Direktor Piero Cipollone warnt vor einem strukturellen Risiko für das europäische Bankensystem durch Stablecoins und andere digitale Zahlungsformen. Hintergrund ist, dass sich der Zahlungsverkehr, die Kundenschnittstelle und die Liquidität zunehmend von Geschäftsbanken zu technologiegetriebenen Plattformen verlagern könnten. Cipollone beschreibt eine dreistufige Bedrohung: Erstens würden Banken Erträge aus dem Zahlungsverkehr verlieren, zweitens würde ihre Kundennähe sinken und drittens könnten Einlagen in tokenisierte Alternativen abwandern. Die EZB positioniert den digitalen Euro deshalb nicht nur als neues Zahlungsmittel, sondern auch als infrastrukturelle Antwort, um öffentliches Geld im digitalen Raum verfügbar zu halten. Die Umsetzung zielt auf ein staatlich abgesichertes Zahlungsinstrument ab, das neben Bargeld existiert und die Abhängigkeit Europas von privaten, oft außereuropäischen Anbietern reduziert. Gleichzeitig zeigt sich die regulatorische Stoßrichtung der EU: Stablecoins werden nicht nur als Innovationsfeld, sondern auch als potenzieller Eingriff in die Finanzstabilität und die monetäre Souveränität behandelt. Langfristig verdichtet sich damit der Zielkonflikt zwischen digitaler Innovation, Plattformökonomie und staatlicher Kontrolle über die Geldinfrastruktur.
🔗 Decrypt
📊 Daten & Insights: KI und Energie - kleine Anfrage, große Infrastruktur
Der Energieverbrauch künstlicher Intelligenz wird häufig an der einzelnen Chatbot-Anfrage festgemacht. Die Analyse von Epoch AI zeigt jedoch: Entscheidend ist weniger der einzelne Prompt als das schnelle Wachstum der gesamten KI-Infrastruktur.
Eine typische Anfrage an einen Chatbot mit rund 100 Wörtern benötigt einschließlich anteiligem Entwicklungsaufwand ungefähr 0,6 Wattstunden. Das ist weniger Energie, als eine Mikrowelle in zehn Sekunden oder eine 10-Watt-LED in fünf Minuten verbraucht. Ein durchschnittlicher US-Haushalt müsste täglich mehr als 400 solcher Anfragen stellen, damit sein Stromverbrauch dadurch um ein Prozent steigt. Komplexe Reasoning-Modelle und KI-Agenten können allerdings deutlich mehr Energie benötigen.
Der Gesamtverbrauch wächst rasant
In der Summe sieht es anders aus. Mitte 2026 benötigt die weltweite KI-Rechenleistung mehrere zehn Gigawatt. Das entspricht ungefähr dem Spitzenstromverbrauch des US-Bundesstaates New York. In den USA entfallen derzeit einige Prozent des jährlichen Stromverbrauchs auf KI.
Besonders energieintensiv ist das Training großer Sprachmodelle. Für moderne Frontier-Modelle werden Hunderttausende spezialisierte Grafikprozessoren eingesetzt. Hinzu kommen Experimente, Testläufe und verworfene Modelle. Der Stromverbrauch entsteht daher nicht erst beim finalen Training, sondern während der gesamten Forschungs- und Entwicklungsphase. Zudem fließt teilweise weniger als die Hälfte des Energiebedarfs eines KI-Rechenzentrums direkt in die Chips. Ein erheblicher Anteil entfällt auf Kühlung, Stromverteilung und Netzwerktechnik.
JUPITER: Deutschlands Supercomputer am Forschungszentrum Jülich
Die Dimensionen solcher Systeme zeigt der Supercomputer JUPITER am Forschungszentrum Jülich. Er ist Europas erster Exascale-Rechner und kann mehr als eine Trillion Rechenoperationen pro Sekunde ausführen. JUPITER wird für Klima-, Energie-, Medizin- und Materialforschung sowie für das Training großer KI-Modelle eingesetzt.
Der Rechner hat einen durchschnittlichen Leistungsbedarf von rund elf Megawatt und nutzt direkte Flüssigkeitskühlung. Die entstehende Abwärme soll zur Beheizung von Campusgebäuden verwendet werden. JUPITER verdeutlicht damit, dass bei Hochleistungsrechnern neben der Rechenleistung auch Kühlung, Energieeffizienz und Abwärmenutzung zentral sind.
Klimafolgen und lokale Belastungen
Rechenzentren verursachen bislang weniger als ein Prozent der weltweiten CO₂-Emissionen; KI ist wiederum nur ein Teil davon. Dennoch greifen Betreiber beim schnellen Ausbau neuer Standorte zunehmend auf eigene Gaskraftwerke oder Gasturbinen zurück, weil Netzanschlüsse nicht schnell genug verfügbar sind.
Neue Rechenzentren können zusätzliche Investitionen in Stromnetze, Umspannwerke und Kraftwerke erforderlich machen. Im Umfeld des xAI-Rechenzentrums in Memphis wurden zudem erhöhte Stickstoffdioxidwerte gemessen, nachdem dort Gasturbinen installiert worden waren.
Epoch AI hält es für möglich, dass amerikanische KI-Rechenzentren bis 2030 rund 100 Gigawatt benötigen könnten. Der Ausbau leistungsfähiger KI-Systeme wird damit zunehmend zu einer Frage von Stromerzeugung, Netzausbau und verfügbaren Standortkapazitäten.
🎬 Sehenswert: Können Staaten endlos Geld leihen? (ca. 27 Min.)
Staatsschulden wirken oft abstrakt - bis steigende Zinsen, Haushaltsstreit und Sparprogramme plötzlich ganz konkrete Folgen haben. Die ARTE-Dokumentation geht der grundlegenden Frage nach, wie lange sich Staaten immer weiter verschulden können und wo die Grenzen dieses Modells liegen.
Dabei wird verständlich erklärt, warum öffentliche Schulden nicht mit einem privaten Haushaltskredit gleichgesetzt werden können, weshalb wirtschaftlich starke Staaten über enorme Finanzierungsspielräume verfügen und wann Vertrauen an den Kapitalmärkten ins Wanken gerät. Besonders interessant ist der Blick auf das Zusammenspiel von Notenbanken, Inflation, Zinsen und politischer Handlungsfähigkeit.
Mein Eindruck: ein sehenswerter Beitrag, weil er weder pauschal vor Staatsverschuldung warnt noch Schulden als grundsätzlich unproblematisch darstellt. Stattdessen zeigt er, dass es vor allem darauf ankommt, wofür Kredite aufgenommen werden, wie tragfähig die Wirtschaft bleibt und ob ein Staat seine langfristigen Verpflichtungen finanzieren kann.
Dieser Newsletter erscheint weiterhin jeden Montagmorgen in Deiner Inbox. Wenn Du sicherstellen möchtest, keine Ausgabe zu verpassen, füge die Absenderadresse am besten zu Deinen Kontakten hinzu oder verschiebe den Newsletter in Deine Primary Inbox.
Vielen Dank für Deine Zeit und Aufmerksamkeit! ❤️
📮 Feedback, Anmerkungen oder Themenvorschläge? Schreib mir gern an newsletter@markus-begerow.de oder leite den Newsletter an Freunde und Kollegen weiter, für die dieser Newsletter interessant sein könnte.
