Der teuerste Börsengang aller Zeiten steht bevor – und Nvidia will mit einsteigen

Der teuerste Börsengang aller Zeiten steht bevor – und Nvidia will mit einsteigen

Reuters berichtete am Freitag exklusiv: Nvidia verhandelt darüber, bis zu 10 Milliarden US-Dollar als Ankerinvestor in den Börsengang von Anthropic zu stecken, dem Unternehmen hinter dem KI-Modell Claude. Ein Ankerinvestor ist ein Großinvestor, der schon vor dem eigentlichen Börsenstart einen namhaften Anteil fest zusagt – das signalisiert anderen Anlegern Vertrauen. Anthropic selbst peilt beim Börsengang (dem erstmaligen Verkauf von Firmenanteilen an der Börse) einen Erlös von bis zu 100 Milliarden Dollar bei einer Bewertung von rund 2 Billionen Dollar an – mehr als doppelt so viel wie die letzte Bewertung vom Frühjahr (965 Milliarden Dollar) und deutlich mehr, als SpaceX beim bislang größten Börsengang der Geschichte (86 Milliarden Dollar) einsammelte. Laut Bloomberg soll der Börsengang noch vor den US-Zwischenwahlen im November abgeschlossen sein.

Was die Bewertung stützt: Anthropics annualisierte Erlöse – der aktuelle Monatsumsatz hochgerechnet aufs Jahr – lagen im Juli bei rund 65 Milliarden Dollar, sechsmal so viel wie ein Jahr zuvor. Finanziert wird dieses Wachstum über gewaltige Rechenleistungs-Deals: 5 Gigawatt bei Amazon, weitere 5 Gigawatt an Google-TPU-Kapazität sowie Verträge mit Nscale (45 Milliarden Dollar) und Lambda (35 Milliarden Dollar) für zusätzliche Chip-Kapazität.

Für Unternehmer:innen zählt daran vor allem eines: Die beiden derzeit führenden KI-Anbieter für Business-Anwendungen, OpenAI und Anthropic, sitzen nach diesem Kapitalschub auf so viel Geld, dass beide sich in den kommenden Jahren kaum eine Verlangsamung bei Tempo, Funktionsumfang oder Preiskampf leisten können, ohne Marktanteile zu verlieren. Wer also gerade zögert, ob sich der Umstieg auf ein bestimmtes KI-Tool langfristig lohnt: Die Fluktuation bei Funktionen und Preisen dürfte eher zu- als abnehmen – ein Grund mehr, die eigene Anbindung an einzelne Anbieter so flexibel wie möglich zu halten.

Drei Wege, wie n8n-Workflows Entscheidungen treffen

n8n hat in einem ausführlichen Guide (11. September) drei grundsätzliche Modelle für sogenannte Prozessorchestrierung gegenübergestellt – also die Frage, wer oder was in einem automatisierten Workflow eigentlich die Kontrolle über den Ablauf hat. Beim deterministischen Modell ist jeder Schritt vorab in einem festen Ablaufplan festgelegt, ähnlich einem klassischen n8n-Workflow mit fixen Wenn-Dann-Verzweigungen: maximale Nachvollziehbarkeit und Prüfbarkeit, aber wenig Toleranz für Überraschungen – alles außerhalb des vorgesehenen Pfads führt zum Abbruch und braucht manuelles Eingreifen.

Beim dynamischen Modell passt sich der Ablauf in Echtzeit an veränderte Bedingungen an, etwa schwankende Auslastung oder Datenmengen – flexibler, aber schwerer nachzuvollziehen, wenn mal etwas schiefgeht, weil Entscheidungen dezentral und situativ fallen. Das agentische Modell kombiniert feste, geprüfte Prozessschritte mit KI-Agenten, die für unstrukturierte Teilaufgaben eigenständig Entscheidungen treffen – etwa, wie eine unklare Kundenanfrage einzuordnen ist. n8n selbst positioniert seine Plattform als Werkzeug für alle drei Modelle gleichzeitig: mit Ausführungsverlauf zur Nachvollziehbarkeit, eigenen Fehlerbehandlungs-Nodes und KI-Agenten-Nodes für den agentischen Anteil.

Praktisch heißt das: Bevor du einen Workflow baust, lohnt sich die bewusste Entscheidung, wie viel Kontrolle du abgeben willst. Buchhaltung oder Compliance-Prozesse gehören eher ins deterministische Modell, offene Aufgaben wie Posteingangs-Sortierung oder Erstkontakt mit Kund:innen vertragen mehr agentische Freiheit – und lassen sich in ein und demselben n8n-Workflow sogar kombinieren.

Ein Ex-DeepMind-Forscher baut KI, die mit dem Unbekannten klarkommt

Der MIT Technology Review porträtiert (8. September) den früheren Google-DeepMind-Forscher Danijar Hafner, der mit seinem neuen Start-up an einem Kernproblem heutiger KI-Agenten arbeitet: Sie scheitern oft, sobald eine Situation von den Trainingsdaten abweicht. Hafners Ansatz heißt bestärkendes Lernen mit Weltmodellen: Die KI baut sich dabei ein eigenes, vereinfachtes Simulationsmodell der Umgebung, in dem sie Handlungen vorab "durchspielen" und deren Folgen abschätzen kann, statt jede Variante in der echten Welt teuer auszuprobieren. Mit Vorgängerversionen löste ein Agent bereits eigenständig das schwierige "Diamant"-Ziel in Minecraft, ein weiterer lernte, in unbekannten Räumen zurechtzukommen und auch auf unerwartete Störungen wie einen Stoß sinnvoll zu reagieren.

Was heißt das praktisch? Das Prinzip lässt sich auf Business-Software übertragen: Je besser ein KI-Agent vorab intern "simulieren" kann, was ein ungewöhnlicher Fall (eine Rechnung im falschen Format, eine widersprüchliche Kundenanfrage) auslösen würde, desto seltener braucht er im echten Betrieb menschliche Nachhilfe. Ein Grund, warum sich die nächste Agenten-Generation in Zuverlässigkeit deutlich von der aktuellen unterscheiden dürfte.

Telefon-KI selbst bauen oder von der Stange kaufen?

Seit dem 10. September lässt sich OpenAIs neues Sprachmodell GPT-Live-1 per Programmierschnittstelle (API) direkt einbinden – der Kniff: Es hört und spricht gleichzeitig (Full-Duplex), unterbricht also nicht mehr abwechselnd wie ein Walkie-Talkie, sondern reagiert wie ein Mensch auch mitten im Satz. Die Sprachschicht kostet 5 US-Cent pro Minute, dazu kommen die üblichen Kosten für das "Denk-Modell" im Hintergrund. Der Sprachlern-Anbieter Speak berichtet, damit unpassende Unterbrechungen um fast 80 Prozent reduziert zu haben – der Haken: Für den produktiven Einsatz braucht es eigene Entwicklung.

Die No-Code-Alternative: Der Sprach-KI-Anbieter ElevenLabs lässt sich direkt mit n8n verbinden – ein Sprachagent löst per Webhook einen n8n-Workflow aus, der auf über 1.000 vorgefertigte Anbindungen an CRM-Systeme, Datenbanken oder Kalender zugreifen kann, laut ElevenLabs in 10 bis 15 Minuten eingerichtet. Preislich reicht das von rund 6 US-Dollar im Monat für Einsteiger:innen (75 Freiminuten) bis zu individuellen Firmentarifen; bei höherem Volumen sinkt der Minutenpreis auf rund 8 US-Cent.

Für dich als Unternehmer:in heißt das: Wer schnell und ohne eigene Entwicklungsressourcen einen Telefon- oder Chat-Sprachassistenten testen will, ist mit der No-Code-Route über n8n meist schneller am Ziel. Wer dagegen ein eigenes Produkt mit Sprachsteuerung tief in die eigene Software einbauen will, kommt an einer direkten API-Anbindung wie bei GPT-Live-1 kaum vorbei – dafür lohnt sich der Aufwand aber erst bei nennenswertem Gesprächsvolumen.

1. Anthropic-Chef Dario Amodei fordert in einem eigenen Essay (12. September), das Tempo der KI-Entwicklung bewusst zu drosseln – unter anderem, weil KI-Systeme zunehmend an der nächsten KI-Generation mitbauen. Sein Vorschlag: unabhängige Prüfer:innen mit weitreichendem internem Zugang bei den KI-Firmen selbst, dazu gemeinsame Sicherheitsstandards der Anbieter. Warum das zählt: Wenn ausgerechnet der Chef eines der größten KI-Anbieter öffentlich für mehr externe Kontrolle wirbt, deutet das auf strengere Prüf- und Nachweispflichten hin, auf die sich auch Nutzer-Unternehmen künftig einstellen sollten.

2. OpenAI rät Entwickler:innen (11. September), ihre Anweisungsdateien für KI-Agenten (etwa AGENTS.md) zu entschlacken: Das neue Modell GPT-6 Astra komme mit knapperen, gezielteren Vorgaben oft besser zurecht als mit langen Regelwerken, die frühere Modelle noch brauchten. Warum das zählt: Wer eigene KI-Agenten mit festen Anweisungstexten steuert, sollte diese jetzt auf Aktualität prüfen – zu viele alte Regeln können die Ergebnisse eher verschlechtern als verbessern.