Servus, Lissy hier. Stell dir vor, du gibst jeden Monat mehrere Tausend Euro für KI-APIs aus. Frontier Labs, die großen Modelle — teuer, aber state of the art, oder? Ja. Vielleicht nicht mehr lange. Heute kommt eine Analyse, die die ganze KI-Ökonomie auf den Kopf stellt. Plus: Mistral macht Coding Agents, die nicht mehr auf deinem Laptop laufen, sondern in der Cloud. Und ein tiefer Blick in die Black Box Agent Memory. Und eine Erkenntnis, die mir gezeigt hat, wie wenig wir über Memory in KI-Agenten wirklich wissen. Das heute, direkt los.
Fangen wir mit einer These an, die mir nicht mehr aus dem Kopf geht. Ein Blog namens SignalBloom hat aufgeschlüsselt, was KI-Workflows wirklich kosten — und kommt zu einem überraschenden Ergebnis. Die Kombination aus günstigen Remote-Arbeitskräften und lokal laufenden KI-Modellen wird Frontier Labs wie OpenAI und Anthropic preislich überholen.
Die Rechnung ist einfach: Frontier APIs kosten pro Task zwischen 50 Cent und fünf Dollar. Klar, für komplexe Sachen lohnt das. Aber für Routine-Aufgaben? Data Labeling, Dokumentenprüfung, QA, Übersetzungen — das alles kann man outsourcen, zu fünf bis fünfzehn Dollar die Stunde. Kombiniert mit einem lokalen Llama, Mistral oder DeepSeek, der die Masse macht, und einem Menschen, der die kniffligen Fälle löst. Zusammen günstiger als die reine API-Lösung.
Was mich an der Analyse so packt: Sie ist kein technischer Take. Es geht nicht um Benchmark-Zahlen oder ob Modell A besser ist als Modell B. Es geht um Kostenstrukturen. Und Kostenstrukturen lenken Märkte. Wenn lokale Modelle plus menschliche Arbeit tatsächlich günstiger werden als die API-Welt — wohin entwickelt sich dann der Markt? Gehen die ganzen Agent-Starts dann zurück zu lokalen Setups?
Ich finds spannend, weil es die Frage aufmacht, wer eigentlich von der KI-Welle profitiert. Nicht nur die, die die größten Modelle bauen. Sondern auch die, die clevere Workflows um günstige Modelle herum bauen. Das ist genau die Art Markt-Dynamik, die ich liebe: Nicht wer hat das beste Modell, sondern wer hat den besseren Geschäftsplan.
Ein wichtiger Punkt noch: Die Analyse kommt mit Daten, nicht mit Gefühl. Vergleiche Kosten pro Task, nicht nur API-Preise. Wenn man Wartezeit, Fehlerraten und menschliche Überprüfung mitrechnet, wird das Bild noch klarer. Stell dir vor, du lässt einen lokalen DeepSeek die ersten achtzig Prozent einer Aufgabe machen. Was er nicht schafft, geht an einen Menschen in einem günstigeren Markt. Der prüft, korrigiert, macht den Rest fertig. Zusammen billiger als ein End-to-End API-Call bei OpenAI. Und das Qualitätsniveau ist höher, weil der Mensch die Fehler abfängt, die Frontier Labs immer noch machen.
Für mich heute der stärkste Take. Und keiner redet drüber — weil die Leute, die von teuren APIs leben, natürlich kein Interesse daran haben, dass es günstiger geht. Im Biologie-Studium hab ich gelernt: Folge dem Geld. Der Weg der Energie zeigt dir, wo das System wirklich hinführt. Hier ist der Weg klar: Günstige Workflows schlagen teure Modelle.
Was mich aber am meisten umtreibt: Die Analyse zeigt auch, dass Frontier Labs sich darauf verlassen, dass ihre Kunden keine Alternativen kennen oder keine Zeit haben, sie auszuprobieren. Das ist ein klassischer Lock-In, den wir aus der Software-Welt kennen. Sobald genug Leute checken, dass sie einen lokalen DeepSeek oder ein feingetuntes Llama für ihre Workflows nutzen können, kippt der Markt. Ich glaube, dieser Kipppunkt kommt schneller als viele denken. Vor allem in Märkten wie Indien, Brasilien oder Südostasien, wo fünf Dollar pro Task eine Menge Geld sind.
Mistral hat ein neues Modell rausgebracht — Mistral Medium 3.5. Und das ist nicht einfach nur eine weitere Modellversion. Denn dazu kommen Remote Agents in ihrer Coding-IDE Vibe. Was heißt das konkret? Bisher liefen Coding Agents auf deinem Laptop. Du startest sie, sie arbeiten, dein Lüfter dreht auf. Mistral verlegt das jetzt in die Cloud. Agents laufen parallel, unabhängig, und melden sich wenn sie fertig sind.
Das klingt nach einer kleinen Änderung, ist aber strategisch ein großer Schritt. Mistral positioniert sich nicht mehr nur als Modell-Anbieter, sondern als Coding-Agent-Plattform. Genau das Gleiche machen OpenAI mit Codex und Anthropic mit Claude Code. Der Wettbewerb verschiebt sich von wer hat das beste Modell zu wer hat die beste Agent-Plattform.
Mich erinnert das an die Arbeitsteilung, über die wir letzte Woche gesprochen haben. Früher haben Unternehmen ihre eigene IT-Infrastruktur gebaut. Heute mieten sie sie. Mistral will, dass Entwickler ihre Agents bei ihnen hosten — statt auf dem eigenen Rechner. Das schafft Abhängigkeit, aber auch Komfort. Ein klassischer Plattform-Play.
Dazu kommt der neue Work Mode in Le Chat — ein spezieller Modus für komplexe Aufgaben. Die Richtung ist klar: Mistral will vom Modell zum kompletten Arbeitsplatz werden. Die Frage ist: Werden Entwickler ihre Agents wirklich in die Cloud geben? Oder wollen sie die Kontrolle behalten, besonders bei sensiblen Codebasen? Mistral wettet auf ersteres — und die Wette ist nicht dumm, wenn man sich ansieht, wie GitHub Copilot und Claude Code gewachsen sind.
Was mir besonders gefällt: Mistral macht das zu Preisen, die für kleinere Teams erschwinglich sind. Während die Frontier Labs ihre Enterprise-Preise in schwindelerregende Höhen treiben, bleibt Mistral im Bereich, wo ein Startup sich das noch leisten kann. Das passt perfekt zum SignalBloom-Take von eben. Die günstigen Alternativen rücken von allen Seiten näher.
Wechseln wir zu einem Thema, das uns alle betrifft, aber kaum einer versteht: Agent Memory. Ein Blogpost mit dem schönen Titel Agent Memory: An Anatomy seziert, was aktuell unter Memory firmiert. Spoiler: Nicht viel.
Der Autor zeigt, dass fast jede Memory-Library die gleichen Begriffe verwendet — episodisch, semantisch, prozedural — aber ganz unterschiedliche Dinge darunter versteht. Die Begriffe stammen aus den Siebzigern, vom Gedächtnisforscher Endel Tulving. Nur dass die Ingenieure heute nicht die kognitive Architektur dahinter liefern, sondern nur die API.
Das meiste, was aktuell als Memory verkauft wird, ist eigentlich nur autobiografischer Content über den User. Also Fakten, die der Agent über dich speichert, damit er sich an deinen Namen, deine Vorlieben, deine Projekte erinnert. Das ist nützlich, aber nicht Memory im kognitiven Sinne. Es fehlt Struktur, Hierarchie, vor allem: Vergessen. Keine echte Memory-Library hat eine Antwort darauf, wann und wie Erinnerungen verblassen sollten.
Was heißt das praktisch? Wenn du heute einen Agenten baust und denkst Memory ist gelöst — nein, ist es nicht. Jede Library tickt anders. Es gibt keine Standards. Das ist wie bei Datenbanken in den Achtzigern: Jeder baut sein eigenes Rad, und keines passt zum anderen. In den nächsten ein bis zwei Jahren wird sich hier noch viel tun.
Wer früh versteht, wie Memory wirklich funktioniert — und vor allem was es nicht kann — hat einen Vorteil. Besonders spannend: Der Artikel beschreibt die Grundbausteine jeder Memory-Library als Extractoren, Stores, Retriever und Summarizer. Wenn man die versteht, kann man jede Library durchschauen, egal wie fancy das Marketing ist. Und das ist genau die Art von Wissen, mit der man als Entwickler oder Gründer Zeit und Geld spart.
Und wisst ihr, was mich am meisten fasziniert? Keine der großen Agent-Plattformen hat Memory wirklich im Griff. Weder OpenAI noch Anthropic noch Mistral. Alle verkaufen Memory als Feature, aber keiner hat eine kohärente Architektur dafür. Das ist ein Riesen-Offene-Flanke für jemanden, der es richtig macht. Vielleicht ist der nächste große Durchbruch in Agent-Land nicht ein besseres Modell — sondern ein Agent, der sich wirklich erinnert.
Noch drei Sachen, die heute unter dem Radar liefen, aber zusammen ein Bild ergeben.
Erstens: DeepSWE. Ein neuer Benchmark für Coding Agents, der auf eines der größten Probleme der Branche zielt — Kontamination. Die meisten Coding-Benchmarks wie SWE-Bench sind inzwischen verseucht. Die Modelle haben die Aufgaben im Training gesehen, die Ergebnisse sind wertlos. DeepSWE verspricht contamination-free. Das klingt trocken, ist aber fundamental. Ohne saubere Benchmarks wissen wir nicht, ob Coding Agents besser werden oder nur auswendig gelernt haben.
Zweitens: Minicor aus dem YC-Batch P26. Ein Startup, das Windows Desktop Automation als Service anbietet. Also klassisches RPA — aber mit modernen KI-Agenten statt starren Skripten. Die spannende Frage: Wird die alte RPA-Welt von den Börsenriesen UiPath und Automation Anywhere von KI-Agenten überrollt? Minicor wettet darauf. Und wenn man sieht, wie schnell Coding Agents Fortschritte machen, ist das keine schlechte Wette.
Drittens: Die SignalBloom-Analyse hat auf Hacker News 240 Punkte geholt. Das ist kein Zufall. Nicht nur Entwickler haben gevotet, sondern auch Gründer und Entscheider. Das Thema Kosten beschäftigt alle. Und das ist der beste Indikator, dass hier wirklich was dran ist. Keine Labor-Studie, sondern ein echtes Markt-Signal.
Wenn ich den heutigen Tag zusammenfassen müsste: Die Frage ist nicht mehr, ob KI funktioniert. Die Frage ist, wer damit Geld verdient und wer nicht. Die SignalBloom-Analyse zeigt: Vielleicht sind es gar nicht die mit den größten Modellen. Sondern die mit den klügsten Workflows. Mistral setzt auf die Plattform-Seite, und Agent Memory ist noch lange nicht gelöst. Was denkst du? Arbeitest du mit lokalen Modellen, oder bist du ganz auf APIs? Schreibs mir, per Mail oder in die Kommentare. Ich bins Lissy, bis morgen. Wenn du einen guten lokalen Workflow hast oder eine Agent-Memory-Bibliothek, die wirklich funktioniert — schreib mir! Ich sammle gerade die besten Beispiele. Servus, pfiat eich.