Technischer Kontext
Ich habe mir das ursprüngliche CNBC-Interview mit Karp vom 1. Juli angesehen, und eine Sache ist entscheidend: Er hat nicht nur OpenAI und Anthropic emotional angegriffen. Er hat einen Schmerzpunkt getroffen, den ich regelmäßig in KI-Implementierungsprojekten sehe: Unternehmen kaufen Modellzugang, erhalten aber kein steuerbares System.
Seine Hauptthese klingt grob, trifft aber den Kern. Der Markt hat zu lange Token verkauft, als wären sie das Produkt, obwohl für Unternehmen das eigentliche Produkt eine funktionierende Anwendungsschicht über Daten, Zugriffsrechten, Logs, Routing und SLAs sein sollte, nicht nur Textgenerierung.
Karp sagte wörtlich, dass „etwas völlig schiefgelaufen ist“ und Unternehmen es leid sind, für Token zu zahlen, die keinen Wert schaffen. Besonders betonte er die Kontrolle über Rechenleistung, Modelle, Datenstack und Alpha. Und das ist keine PR-Floskel, sondern eine echte Architekturdebatte.
Seine Aussagen zu Open-Weight-Modellen werden oft schärfer wiedergegeben, als er sie tatsächlich gemacht hat. Aber der Kern stimmt: Wenn ein Unternehmen sensible Prozesse nicht nach außen geben will, sucht es nach einem kontrollierbareren Stack, bei dem Modell, Umgebung und Inferenzkosten gesteuert werden können.
Ich würde seinen Gedanken ganz einfach übersetzen. Wenn Ihre gesamte KI-Integration darauf hinausläuft, „lasst uns eine API anflanschen und schauen“, landen Sie fast sicher beim Tokenmaxxing: viele Anfragen, schicke Piloten, schwache Wirtschaftlichkeit und unscharfe IP-Grenzen.
Mich hat nicht Karps Empörung fasziniert, sondern dass er endlich das Gespräch aus den vertraulichen CEO-Telefonaten laut aussprach. Dort fragt man längst nicht mehr „welches Modell ist klüger“, sondern „was genau kontrollieren wir, was kostet es im großen Maßstab und was bringen wir dem fremden System mit unseren Daten bei“.
Auswirkungen auf Geschäft und Automatisierung
Für das Geschäft sehe ich drei direkte Konsequenzen. Erstens: weniger blinde Experimente mit teuren APIs und mehr Interesse an Open-Weight- und Hybridmodellen. Zweitens: KI-Automatisierung wird anhand der Reduzierung von Zykluszeiten und Fehlern bewertet, nicht anhand der Prompt-Anzahl.
Drittens: Gewinnen werden diejenigen, die KI-Architektur um den Prozess herum bauen können, nicht um ein modisches Modell. Verlieren werden Teams, die ihre gesamte Logik auf einen einzigen Anbieter aufgebaut haben, ohne Portabilität, Auditierung und Datenzugriff zu bedenken.
An genau solchen Gabelungen bremse ich normalerweise Projekte, um den Kunden nicht in eine glänzende Falle zu locken. In Nahornyi AI Lab lösen wir diese Fragen praxisnah: wo eine private API nötig ist, wo ein lokaler Kreislauf, wo ein schmaler Agent ausreicht und wo man besser gar keinen LLM berührt.
Wenn Ihre KI derzeit das Budget frisst, aber kein steuerbares Ergebnis liefert, lassen Sie uns den Prozess Schicht für Schicht analysieren. In Nahornyi AI Lab kann ich helfen, die KI-Lösungsentwicklung so zu strukturieren, dass Sie die Kontrolle über Daten, Kosten und echten Wert behalten – nicht nur einen Token-Zähler.