Destillation ist das strategische Ziel

Die Frage ist, wer in wen destilliert, und auf wessen Substrat.

Am 23. Juli 2026 beschuldigte Michael Kratsios, Leiter des White House Office of Science and Technology Policy, öffentlich Moonshot AI, groß angelegte Destillation gegen Anthropics Claude Fable 5 eingesetzt zu haben, um Kimi K3 zu trainieren, und behauptete, das Unternehmen habe eine interne Plattform aufgebaut, um die Extraktion durchzuführen, wobei es zwischen Zugriffsmethoden wechselte, um einer Erkennung zu entgehen. Anthropic hatte zuvor behauptet, dass etwa 25.000 betrügerische Konten zwischen dem 22. April und dem 5. Juni 2026 28,8 Millionen Austausche über Claude durchgeführt hätten, die gezielt auf Coding-, Reasoning- und Cybersicherheitsfähigkeiten abzielten. Im Februar 2026 hatte das Unternehmen eine ähnliche Behauptung gegen DeepSeek, Moonshot und MiniMax gemeinsam aufgestellt. Kratsios legte keine direkten Beweise dafür vor, dass Fable-5-Outputs in K3 eingeflossen waren, und KI-Forscher widersprachen öffentlich der Frage, ob der Zeitrahmen dies technisch machbar erscheinen ließ. Andere wiesen auf die Peinlichkeit hin, dass die Anschuldigung von einem Unternehmen kam, das kürzlich Ansprüche wegen des Trainings auf raubkopierten Büchern für 1,5 Milliarden US-Dollar beigelegt hatte, und verwiesen auf Entwicklerberichte, wonach sich Claude Opus 4.8 bei Sprachtests als Alibabas Qwen identifizierte. Das Oxford China Policy Lab hat dokumentiert, dass chinesische Entwickler routinemäßig proxied Claude-Zugang über Wiederverkaufskanäle zu etwa einem Zehntel des Listenpreises erwerben. Ob die konkrete Anschuldigung zutreffend ist, ist eine Frage für Regulierungsbehörden, Gerichte und die beteiligten Labore. Was für die europäische Unternehmensarchitektur zählt, ist etwas anderes, und fast niemand sagt es: Die Technik im Zentrum dieser Kontroverse ist dieselbe Technik, die die Enterprise-KI-Architektur in den nächsten vierundzwanzig Monaten definieren wird. Die Kontroverse dreht sich darum, wer in wen destilliert, und auf wessen Substrat. Das sind die richtigen Fragen. Sie haben auf der Enterprise-Ebene nur eine völlig andere Antwort als in einem Kampf zwischen Frontier-Laboren.

Dies ist der vierzehnte Beitrag in einer Serie, die ich für neuland.ai schreibe. [¹] Der rote Faden durch jeden Beitrag ist derselbe: Im Enterprise-KI-Bereich liegen der Wert, das Risiko und der Burggraben in der Schicht über und um das Modell herum, nicht im Modell selbst. Der vorherige Beitrag argumentierte, dass die Veröffentlichung von Kimi K3 am 16. Juli 2026 die empirische Auflösung der Kommodifizierungsthese war — dass die Open-Weight-Frontier und die Closed-Weight-Frontier sich bei den meisten unternehmensrelevanten Benchmarks nun überschneiden. [²] Dieser Beitrag handelt davon, was Unternehmen mit dieser Ausgangslage tun, und er dreht sich um eine Technik, die eine politische Kontroverse gerade aus den falschen Gründen hochgradig sichtbar gemacht hat.

Was Destillation tatsächlich ist

Destillation ist eine etablierte Machine-Learning-Technik mit einer fünfzehnjährigen Geschichte und ohne inhärente Kontroverse. In ihrer allgemeinen Form wird ein kleineres Modell auf den Outputs eines größeren trainiert und lernt, das Verhalten des größeren Modells bei einem Bruchteil der Parameteranzahl, der Inferenzkosten und des Deployment-Footprints zu approximieren. Jedes große Labor nutzt sie intern. So werden Frontier-Modelle in die günstigeren, schnelleren Varianten umgewandelt, die neben ihnen in derselben Produktfamilie erscheinen. So wird auch ein Allzweckmodell in etwas Engeres und Besseres für eine bestimmte Aufgabenklasse verwandelt.

Es lohnt sich, präzise zu benennen, was die Technik leisten kann und was nicht, denn das begrenzt das Argument in beide Richtungen. Supervised Fine-Tuning auf den Outputs eines anderen Modells überträgt Stil, Formatierungskonventionen, Antwortstruktur und — wie die Berichte über Identitätsverwechslungen zeigen — manchmal das eigene Selbstverständnis des Quellmodells. Was Supervised Fine-Tuning nicht ohne Weiteres überträgt, ist Frontier-Level-Reasoning-Fähigkeit. Nathan Lamberts technische Einschätzung der aktuellen Kontroverse, berichtet von TechCrunch, macht genau diesen Punkt: Um eine wirklich frontier-nahe Fähigkeit durch Destillation zu erreichen, sind Reinforcement-Learning-Techniken in erheblichem Umfang erforderlich, bei denen ein Agent des größeren Modells die Outputs des kleineren Modells über sehr viele Durchläufe hinweg bewertet. Das ist ein anderes Infrastrukturproblem als die Erzeugung einiger Dutzend Millionen API-Austausche, und es ist einer der Gründe, warum Forscher skeptisch waren, ob der behauptete Mechanismus das beobachtete Ergebnis hervorbringen konnte. [³]

Die Unterscheidung ist für das Enterprise-Argument wichtig, denn sie sagt einem, wofür Destillation tatsächlich gut ist. Sie ist keine Abkürzung zum Besitz eines Frontier-Modells. Sie ist eine äußerst effektive Methode, um ein kleineres, günstigeres, schnelleres Modell zu produzieren, das in einer bestimmten, abgegrenzten Domäne sehr gut ist — vorausgesetzt, man hat die Domänendaten und die Verankerung, um zu definieren, was „gut in dieser Domäne" bedeutet.

Die Lab-zu-Lab-Version, und warum sie umstritten ist

Die Version der Destillation, die derzeit politische Hitze erzeugt, hat eine bestimmte Form. Ein Labor nutzt die kommerzielle API eines anderen Labors, in industriellem Umfang, über Konten und Zugangswege, die die Bedingungen umgehen, unter denen diese API angeboten wird, zum Zweck des Aufbaus eines konkurrierenden Produkts. Anthropics Behauptung beschreibt genau dies, mit konkreten Zahlen: rund 25.000 Konten, 28,8 Millionen Austausche, ein Sechs-Wochen-Fenster vom 22. April bis 5. Juni 2026 und Fähigkeitsziele in Coding, Reasoning und Cybersicherheit. Kratsios' öffentliche Anschuldigung am 23. Juli erweiterte den Rahmen um die Beteiligung staatlicher Akteure und Hardware-Beschaffungswege und benannte Kimi K3 als das Ergebnis. [⁴]

Die Gegenargumente wurden öffentlich vorgebracht und verdienen es, anerkannt statt abgetan zu werden. Es wurden keine direkten Beweise vorgelegt, die Fable-5-Outputs mit K3s Trainingskorpus verknüpfen. Forscher haben infrage gestellt, ob das behauptete Volumen für das behauptete Ergebnis ausreicht. Kommentatoren haben darauf hingewiesen, dass ein Unternehmen, das kürzlich Urheberrechtsansprüche bezüglich seiner eigenen Trainingsdaten für 1,5 Milliarden Dollar beigelegt hat, eine unbequeme Position einnimmt, wenn es argumentiert, dass unautorisiertes Training auf den Outputs anderer illegitim sei. Entwicklerberichte, wonach sich Claude Opus 4.8 als Qwen identifiziert, legen nahe, dass die Einflussrichtung im aktuellen Markt, wie auch immer sie verläuft, wahrscheinlich nicht nur in eine Richtung geht. [⁵]

Ich werde dies nicht beurteilen. Es ist ein echter Streit mit realen kommerziellen Einsätzen, aktiver regulatorischer Aufmerksamkeit und Beweisfragen, zu denen ich keinen privilegierten Zugang habe. Was ich daraus extrahieren möchte, ist die darunterliegende Beobachtung: Der Grund, warum dieser Kampf überhaupt stattfindet, ist, dass Destillation gut genug funktioniert, um einen Kampf wert zu sein. Zwei der technisch anspruchsvollsten Organisationen der Welt, plus das Weiße Haus, behandeln die Fähigkeit, Kompetenz aus einem großen Modell in ein kleineres zu komprimieren, als strategisch bedeutsam. Sie haben recht, dass sie es ist. Sie streiten darüber auf der falschen Ebene des Stacks, als dass europäische Unternehmen aus dem Kampf selbst etwas Nützliches lernen könnten.

Die Version, die für europäische Unternehmen zählt

Verschiebt man dieselbe Technik eine Ebene nach unten, ändert sich das gesamte Bild.

Ein Unternehmen muss kein Frontier-Modell in einen Allzweck-Konkurrenten destillieren. Es hat kein kommerzielles Interesse daran, keine Kapazität dafür und nichts davon zu gewinnen. Was ein Unternehmen braucht, ist etwas Engeres und für es erheblich Wertvolleres: ein Modell, das in der spezifischen Klasse von Reasoning, die sein eigenes Geschäft erfordert, sehr gut ist, zu einem Kosten- und Latenzprofil läuft, das einen Hochvolumen-Einsatz wirtschaftlich sinnvoll macht, auf Infrastruktur, die es kontrolliert, verankert in seiner eigenen operativen Realität.

Das ist ein Destillationsproblem. Und es ist ein Destillationsproblem ohne die Eigenschaften, die die Lab-zu-Lab-Version umstritten machen. Die Quellmodelle sind solche, die das Unternehmen lizenziert nutzen darf, zugänglich unter den Bedingungen, unter denen sie angeboten werden, über die eigene Routing-Tabelle des Unternehmens. Das Trainingssignal kommt aus den eigenen Daten des Unternehmens, seinen eigenen Dokumenten, seinen eigenen historischen Entscheidungen, den Urteilen seiner eigenen Domänenexperten darüber, wie eine korrekte Antwort aussieht. Das Ergebnis ist ein kundenspezifisches Small Language Model, das der Kunde vollständig besitzt, auf dem von ihm gewählten Substrat betreibt und bei Änderung seiner Anforderungen nachtrainieren oder verwerfen kann. Keine Bedingungen werden verletzt. Kein IP-Streit entsteht. Keine jurisdiktionelle Exposition wird geschaffen, die nicht bereits bestand.

Die Ökonomie ist der Teil, der dies strategisch dominant macht und nicht nur interessant. Ein Frontier-Modell, das über eine kommerzielle API bei jedem Dokument in einem hochvolumigen Enterprise-Workflow aufgerufen wird, ist auf Per-Token-Ebene teuer und auf Budgetebene unvorhersehbar — weshalb Uber ein Jahres-KI-Budget in vier Monaten aufbrauchte und warum Per-Action-Metering zum Standard-Monetarisierungsmuster bei den großen Enterprise-Software-Anbietern geworden ist.

Die Frontier-Labore sind sich dessen bewusst und reagieren darauf in ihrer eigenen Preisgestaltung. Anthropic veröffentlichte Claude Opus 5 am 24. Juli 2026 zum halben Token-Preis von Fable 5 und positionierte es ausdrücklich als das Modell, das man standardmäßig in der alltäglichen Produktionsarbeit nutzen sollte, statt desjenigen, das Benchmark-Rekorde jagt, und berichtete von Effizienzgewinnen, die ein Early-Access-Kunde als sechsundzwanzigprozentige Reduktion des durchschnittlichen Token-Verbrauchs bei gleichwertiger Output-Qualität gemessen hatte. Die Leiterin des Produktmanagements für Forschung des Unternehmens charakterisierte Enterprise-Käufer als wertorientiert, in einem Markt, in dem sie zunehmend nicht bereit sind, mit teuren Modellen zu experimentieren, ohne ein klares Bild der Rendite zu haben. [⁶] Das ist ein echtes Zugeständnis an die oben beschriebene Kostendynamik, und es verengt die Lücke zwischen Frontier-Preisen und Open-Weight-Preisen erheblich. Es ändert nichts an der grundlegenden Arithmetik für einen Kunden, der einen wirklich hochvolumigen Workload betreibt, denn ein niedrigerer Per-Token-Preis für ein Allzweckmodell ist immer noch ein Per-Token-Preis für ein Allzweckmodell — gemessen von einem Dritten, auf einer Preisliste, die der Kunde nicht festlegt, für ein Modell, das das Geschäft des Kunden nie gesehen hat. Ein domänenoptimiertes kleines Modell, das auf der eigenen GPU-Kapazität des Kunden läuft, kostet die GPU-Minuten, die es verbraucht. Für die Workloads, die den Großteil des Enterprise-KI-Traffics ausmachen — Klassifikation, Extraktion, strukturierte Zusammenfassung, Routing, Compliance-Prüfung, Erstentwurf, Retrieval-Grounding — erreicht ein gut destilliertes Domänenmodell nicht nur Frontier-Leistung zu geringeren Kosten. Es übertrifft sie häufig, weil es auf dem spezifischen Vokabular, den Dokumentstrukturen, Ausnahmemustern und Entscheidungsregeln dieses bestimmten Unternehmens trainiert wurde, die kein allgemeines Frontier-Modell je gesehen hat.

Warum die Ontologie den Unterschied zwischen einem kleinen Modell und einem Domänenmodell ausmacht

Hier verbindet sich das Argument mit dem früheren Beitrag in dieser Serie über das Ontologie-Rennen. [⁷]

Destillation ohne Wissenssubstrat produziert ein kleineres Allzweckmodell. Nützlich, günstiger, schneller, und immer noch grundlegend generisch. Was ein destilliertes Modell in eine Domänen-Reasoning-Engine verwandelt, ist die Ontologie: die formale Repräsentation der Entitäten, Beziehungen, Entscheidungsregeln und erlaubten Aktionen, die ausmachen, wie ein bestimmtes Unternehmen tatsächlich arbeitet. Kunden, Lieferanten, Verträge, Vermögenswerte, Produkte, Genehmigungsschwellen, Ausnahmepfade, regulatorische Verpflichtungen, branchenspezifische Terminologie, die innerhalb dieses Unternehmens etwas anderes bedeutet als im allgemeinen Sprachgebrauch.

Mit der Ontologie werden mehrere Dinge möglich, die ohne sie nicht möglich sind. Das Trainingssignal für die Destillation kann gegen Ground Truth konstruiert werden statt gegen generische Qualitätsheuristiken — die Ontologie definiert, was eine korrekte Entitätsextraktion ist, was eine valide Beziehungsinferenz ist, was eine akzeptable Compliance-Bestimmung in diesem spezifischen regulierten Kontext aussieht. Die Evaluation des destillierten Modells kann rigoros statt impressionistisch sein, weil es eine formale Definition von Korrektheit gibt, gegen die evaluiert werden kann. Und die Outputs des resultierenden Modells bleiben auditierbar und erklärbar, weil sie in einer Repräsentation verankert sind, die ein menschlicher Domänenexperte inspizieren und nachvollziehen kann.

Die praktische Konsequenz ist, dass die Ontologie und das domänenspezifische Modell nicht zwei getrennte Initiativen sind. Sie sind zwei Hälften einer Architektur. Ein Unternehmen, das in eine kundeneigene Ontologie investiert hat, hat als direkte Folge das Substrat, das erforderlich ist, um kundenspezifische Modelle zu produzieren, die auf seinen eigenen Workloads wirklich besser sind als Allzweck-Alternativen. Ein Unternehmen, das dies nicht getan hat, hat bestenfalls Zugang zu einem günstigeren generischen Modell. Deshalb ist das Ontologie-Konsolidierungsrennen, das früher in dieser Serie beschrieben wurde, so wichtig, und deshalb bestimmt die Frage, wessen Ontologie es ist, letztlich, welche Modelle das Unternehmen bauen kann.

Das Branchenmuster verallgemeinert sich über die Vertikalen hinweg, in denen diese Arbeit am wertvollsten ist. Eine Rechtsdienstleistungsorganisation mit einer formalen Repräsentation ihrer Vertragstaxonomie, Klauselbibliothek und jurisdiktionellen Regeln kann ein Modell produzieren, das über ihre Verträge zuverlässiger urteilt als jedes Frontier-Modell. Ein Finanzinstitut mit einer formalen Repräsentation seiner Produktstrukturen, regulatorischen Verpflichtungen und Risikokategorien kann ein Modell produzieren, das seine Compliance-Workflows mit einem Genauigkeitsprofil bewältigt, das ein allgemeines Modell nicht erreichen kann. Ein Hersteller mit einer formalen Repräsentation seiner Komponentenhierarchien, Qualitätsstandards und Lieferantenbeziehungen kann ein Modell produzieren, das seine technische Dokumentation so liest, wie es seine eigenen Ingenieure tun. In jedem Fall ist die Ontologie das Asset und das destillierte Modell die Fähigkeit, die das Asset ermöglicht.

Wo neuland.ai steht

Der neuland.ai HUB ist um dieses Muster herum architekturiert, statt nachträglich daran angepasst. Die Routing-Tabelle gibt dem Kunden Zugang zu proprietären und Open-Weight-Frontier-Modellen über Anbieter und Jurisdiktionen hinweg, wobei eine Per-Workload-Evaluation bestimmt, was wo läuft. Die Ontologie-Schicht generiert und pflegt die Unternehmensontologie und Per-Connector-Ontologien aus den eigenen Daten des Kunden, materialisiert als Knowledge Graph mit Skills, Regeln und Vektor-Indizes, und wird kontinuierlich synchron gehalten, wenn sich die zugrunde liegenden Daten ändern. Der Orchestrator routet jede Aufgabe zur passenden Ontologie und zum passenden Modell pro Domäne und Anwendung, deterministisch oder agentisch, wie es der Workload erfordert. Die Governance-, Observability- und Audit-Schichten arbeiten einheitlich über all das hinweg. Die Ingestion läuft im Petabyte-Maßstab auf kundengesteuerter Infrastruktur. Das Deployment ist standardmäßig souverän auf STACKIT, mit On-Premises-, Private-Cloud- und Hybrid-Optionen nach Ermessen des Kunden. [⁸]

Die Destillations- und Domänenadaptionsarbeit sitzt natürlich auf diesem Fundament auf, und sie ist ein aktiver Forschungsschwerpunkt. Unser Forschungsteam arbeitet an Adaptions- und Destillationstechniken zur Produktion kundenspezifischer und branchenspezifischer Small Language Models, die gegen Kundenontologien verankert sind, mit der Evaluationsdisziplin, die ein regulierter Einsatz erfordert — rigorose Messung gegen reale Kunden-Workloads statt öffentlicher Benchmarks, explizites Tracking, wo das Domänenmodell das allgemeine Modell übertrifft und wo nicht, und ehrliche Berichterstattung über die Grenze zwischen beiden. Die Delivery-Seite des Geschäfts ist es, die identifiziert, welche Workloads in einer bestimmten Kundenumgebung die Investition rechtfertigen, denn diese Bestimmung erfordert das Verständnis der tatsächlichen Prozesse des Kunden, nicht das Lesen einer Fähigkeitsmatrix. Dies ist die Entwicklungsrichtung, die in einem früheren Beitrag dieser Serie beschrieben wurde: Die Plattformfähigkeit existiert, weil die Engagements sie erforderten, nicht umgekehrt. [⁹]

Persönliche Einschätzung

Die Destillationskontroverse wird noch Monate andauern. Sie umfasst nationale Sicherheitsrahmungen, Exportkontrollimplikationen, IP-Rechtsfragen ohne gesicherte Antworten und kommerzielle Interessen, die groß genug sind, um zu garantieren, dass alle Parteien das Narrativ aggressiv prozessieren werden. Europäische Unternehmen haben keine nützliche Rolle in diesem Kampf und nichts davon zu gewinnen, darin Position zu beziehen.

Was europäische Unternehmen daraus mitnehmen sollten, ist das darunterliegende Signal. Die technisch anspruchsvollsten Organisationen der Welt behandeln die Fähigkeit, Kompetenz aus großen Modellen in kleinere, günstigere, spezialisiertere zu komprimieren, als strategisch entscheidend. Sie haben recht. Die Technik funktioniert. Worüber sie streiten, ist eine spezifische Anwendung davon — ein Labor, das das Allzweck-Frontier-Modell eines anderen Labors ohne Lizenz repliziert — die sowohl umstritten als auch, für ein Unternehmen, völlig neben der Sache ist.

Die Anwendung, die für ein europäisches Unternehmen zählt, ist diejenige, bei der das Unternehmen aus Modellen destilliert, die es lizenziert nutzen darf, in Modelle, die es besitzt, verankert auf einer Ontologie, die es kontrolliert, deployed auf einem Substrat, das es gewählt hat, optimiert für Workloads, die nur es hat. Diese Version wirft keine IP-Frage auf, schafft keine jurisdiktionelle Exposition, die nicht bereits bestand, und produziert etwas, das kein Frontier-Labor ihm verkaufen kann: ein Modell, das sein Geschäft kennt. In den nächsten vierundzwanzig Monaten werden die Unternehmen, die die Ontologie und die Plattformdisziplin dafür aufgebaut haben, mit einem Kosten- und Fähigkeitsprofil arbeiten, das Unternehmen, die immer noch Frontier-APIs bei jedem Dokument aufrufen, schlicht nicht werden erreichen können.

Destillation ist das strategische Ziel. Die Kontroverse dreht sich darum, wer in wen destilliert, und auf wessen Substrat. Für ein europäisches Unternehmen sollten die Antworten lauten: aus den Modellen auf deiner Routing-Tabelle, in deine eigenen Domänenmodelle, auf deiner eigenen Infrastruktur, verankert auf deiner eigenen Ontologie. Das ist die Version, die dir niemand vorwerfen wird, und es ist die Version, die dauerhaften Vorteil produziert.

Eine kurze Anmerkung zum regulatorischen Hintergrund, da er sich weiterentwickelt. Die EU-Digital-Omnibus-Einigung vom 7. Mai 2026 verschob die Hochrisiko-Verpflichtungen nach Anhang III vom 2. August 2026 auf den 2. Dezember 2027, und die Anhang-I-Verpflichtungen auf den 2. August 2028. [¹⁰] Die GPAI-Durchsetzungsbefugnisse nach Kapitel V bleiben im ursprünglichen Zeitplan am 2. August 2026. Die strategische Implikation ist unverändert gegenüber den vorherigen Beiträgen dieser Serie: Die Architekturentscheidungen von Q3 und Q4 2026 sind diejenigen, die bestimmen, ob der europäische Enterprise-KI-Stack die Beschaffungszyklen 2027 intakt übersteht.

Destillation ist das strategische Ziel. Die Frage ist, auf wessen Substrat man ankommt. Das ist die Arbeit, die vor uns liegt, und es ist die Arbeit, die wir bereits tun.

¹ Serienartikel unter Insights from neuland.ai: AI in practice, trends & deep dives . Frühere Beiträge haben behandelt: Control Planes und Execution Surfaces; Model Drift, Multi-LLM-Strategie und Observability; Modelltopologie und Hyperscaler-Unabhängigkeit; Compliance als Systemeigenschaft; Agent Security und die letale Trias; MCP-Protokoll-Governance; die Fast-Follower-Workhorse-These mit souveränem Deployment; die neuen Enterprise-Datensilos, die durch SAP / Microsoft / ServiceNow / Salesforce AI Gateways entstehen; Flexibilität als Architektur angesichts des Fable-5-Rückrufs; das Ontologie-Rennen, gestartet von SAP / Microsoft / Google / Palantir; das Argument gegen das Visual-Workflow-Builder-Paradigma; die Entwicklungsrichtung, aus der ein Enterprise-KI-Dienstleistungspartner gebaut wird; und die Open-Weight-Frontier nach Kimi K3.

² Zum Kommodifizierungsargument und Kimi K3s Benchmark-Position siehe den vorherigen Beitrag in dieser Serie. K3 veröffentlicht am 16. Juli 2026: 2,8 Billionen Parameter, sparse Mixture-of-Experts, 1 Million Token Kontext, Modified MIT-Lizenz, mit vollständigen Gewichten geplant für den 27. Juli 2026.

³ Nathan Lamberts technische Einschätzung der Destillationsvorwürfe, berichtet in TechCrunch, 23. Juli 2026: Supervised Fine-Tuning überträgt Oberflächenmerkmale einschließlich Antwortstil und Modell-Selbstidentifikation, aber das Erreichen einer wirklich frontier-nahen Fähigkeit durch Destillation erfordert Reinforcement-Learning-Ansätze, die in einem wesentlich größeren Infrastrukturmaßstab operieren, als das API-Austauschvolumen allein nahelegen würde.

⁴ Michael Kratsios, Direktor des White House Office of Science and Technology Policy, öffentliche Erklärung auf X, 23. Juli 2026, mit dem Vorwurf groß angelegter Destillation durch Moonshot AI gegen Claude Fable 5 bei der Entwicklung von Kimi K3, einschließlich Vorwürfen bezüglich der Rotation von Zugriffsmethoden zur Vermeidung von Erkennung und Hardware-Beschaffungswegen. Anthropics zugrunde liegende Behauptung: etwa 25.000 betrügerische Konten, die zwischen dem 22. April und dem 5. Juni 2026 28,8 Millionen Austausche generierten, mit erklärten Fähigkeitszielen in Coding, Reasoning und Cybersicherheit. Frühere Behauptung, Februar 2026, benannte DeepSeek, Moonshot und MiniMax gemeinsam mit etwa 24.000 Konten und 16 Millionen Austauschen. Berichterstattung: CyberScoop, The New Stack, South China Morning Post, Tom's Hardware, 22.–24. Juli 2026. Alibaba hat die damit verbundenen Vorwürfe bezüglich Qwen bestritten.

⁵ Zum Fehlen direkter Beweise und zur Uneinigkeit der Forscher bezüglich der technischen Machbarkeit siehe die Berichterstattung der South China Morning Post und von TechCrunch, 23. Juli 2026. Zu Anthropics Vergleich über 1,5 Milliarden US-Dollar bezüglich Ansprüchen im Zusammenhang mit Trainingsdaten und zu Entwicklerberichten, wonach sich Claude Opus 4.8 als Qwen identifiziert, siehe The Register, 22. Juli 2026, und TipRanks, 22. Juli 2026. Zu proxied kommerziellen API-Wiederverkaufskanälen, die auf dem chinesischen Entwicklermarkt zu etwa einem Zehntel des Listenpreises operieren, siehe die Forschung des Oxford China Policy Lab, berichtet in The Next Web, 21. Juni 2026. Dies sind berichtete Positionen in einem laufenden kommerziellen Streit; dieser Beitrag bezieht keine Position zu den zugrunde liegenden Sachfragen.

⁶ Anthropic, „Introducing Claude Opus 5", 24. Juli 2026. Preise: 5 USD pro Million Input-Tokens und 25 USD pro Million Output-Tokens, unverändert gegenüber Opus 4.8 und halb so viel wie die 10 USD / 50 USD von Fable 5. Anthropic positioniert das Modell als nahe an Fable 5s Frontier-Intelligenz zum halben Preis, konzipiert für den alltäglichen Einsatz statt für Benchmark-Rekorde, und berichtet neue State-of-the-Art-Ergebnisse auf Frontier-Bench (43,3 Prozent, gegenüber Fable 5 mit 33,7 Prozent und Opus 4.8 mit 18,7 Prozent) und GDPval-AA v2 (1.861, vor sowohl Fable 5 als auch GPT-5.6 Sol), während es bei Cybersicherheitsaufgaben hinter Mythos 5 zurückbleibt. Eine einstellbare Effort-Einstellung und ein schnellerer Modus (etwa 2,5x Standard-Output-Geschwindigkeit zum doppelten Basispreis) sind enthalten. Zitierte Effizienzmessung: Niko Grupen, Leiter der angewandten Forschung bei Harvey, berichtete eine Output-Qualität auf dem Niveau von Opus 4.8 bei maximalem Reasoning mit einer 26-prozentigen Reduktion des durchschnittlichen Token-Verbrauchs. Enterprise-Value-Rahmung: Dianne Penn, Anthropic-Leiterin des Produktmanagements für Forschung, in Kommentaren gegenüber CNBC, 24. Juli 2026, über Enterprise-Käufer, die Wert suchen angesichts der Zurückhaltung, sich ohne klare Rendite auf teure Modelle einzulassen. Zu vergleichenden Per-Task-Kosten: Artificial Analysis gewichtete Durchschnittskosten pro Intelligence-Index-Aufgabe zum Zeitpunkt des Opus-5-Launches: 2,75 USD für Fable 5, 2,03 USD für Opus 5 bei maximalem Effort, 1,04 USD für GPT-5.6 Sol bei Maximum und 0,95 USD für Kimi K3. Berichterstattung: The Register, CNBC, Quartz, Techzine, 24.–25. Juli 2026. Anthropic hat keine Informationen über Trainings-Abstammungsbeziehungen zwischen Modellen der Opus- und Mythos-Klasse-Familien veröffentlicht; die dokumentierte Shared-Model-Beziehung besteht zwischen Fable 5 und Mythos 5, die sich in der Safeguard-Konfiguration unterscheiden, nicht im zugrunde liegenden Modell.

⁷ Zum Ontologie-Konsolidierungsargument und zur Positionierung von SAP Knowledge Graph / Microsoft Fabric IQ / Google Enterprise Knowledge Graph / Palantir Foundry Ontology siehe den früheren Beitrag in dieser Serie.

⁸ neuland.ai HUB Plattformarchitektur. Kernelemente: Orchestrator-Routing pro Ontologie und SLM pro Domäne / Anwendung (deterministisch oder agentisch); agentisches Retrieval und Reasoning (agentisches RAG, rekursive Sprachmodelle, agentische Threads, Deep Agents, Multi-Hop-Reasoning, KAG, Query Planning, semantisches Re-Ranking); Ontologie-Schicht mit Unternehmensontologie und Connector-Ontologien, automatisch aus Kundendaten generiert und kontinuierlich aktualisiert, materialisiert als Knowledge Graph, Skills, Regeln und Vektor-Index; Governance und Compliance (Rollen und Rechte, Guardrails, Audit Trail, EU AI Act / DORA / BaFin / DSGVO / BRAO, Erklärbarkeit via AtMan und Aleph Alpha); Observability und Logging über alle Connectoren und agentischen Prozesse; Petabyte-skalierte Ingestion-Pipelines auf Kubernetes-GPU-Clustern; souveränes Deployment auf STACKIT mit On-Premises-, Private-Cloud- und Hybrid-Optionen; modellagnostische Modellschicht mit Per-Workload-Evaluationsharness, der die Routing-Tabelle steuert. neuland.ai AG behält die Verantwortung für Inhaltsqualität und saubere Lieferung von Ergebnissen über alle Kundenengagements hinweg.

⁹ Zur Entwicklungsrichtungsargumentation, wie die Plattformfähigkeit aus Kundenengagements heraus entstand, statt im Voraus konzipiert zu werden, siehe den früheren Beitrag in dieser Serie zur Services-Schicht.

¹⁰ Rat der EU und Europäisches Parlament, vorläufige politische Einigung zum Digital Omnibus on AI, 7. Mai 2026. Anhang-III-Hochrisiko-Verpflichtungen verschoben vom 2. August 2026 auf den 2. Dezember 2027 (16 Monate Verzögerung); Anhang-I-Verpflichtungen verschoben auf den 2. August 2028 (12 Monate Verzögerung); Artikel 50(2) Watermarking verschoben auf den 2. Dezember 2026. GPAI-Durchsetzungsbefugnisse nach Kapitel V bleiben im ursprünglichen Zeitplan am 2. August 2026.

Bild generiert mit dem neuland.ai HUB.