Delegation und Infrastrukturkosten dominieren heute: Anthropics eigene Daten zeigen explodierende Automatisierungserwartungen, während Big Tech RAM-Engpässe auf Endkunden abwälzt. Dazu: konkrete Builder-Tools von lokalem Image-Inference bis Coding-Agents.

Die Zahlen, die Anthropic diese Woche veröffentlicht hat, sind bemerkenswert konkret: Laut einer Umfrage unter rund 9.700 Claude-Nutzern glaubt bereits heute rund die Hälfte der Befragten, dass KI mindestens die Hälfte ihrer Arbeit übernehmen könnte. 26 Prozent erwarten, dass dieser Anteil in zwölf Monaten auf den Großteil ihrer Tätigkeit steigt. Besonders aufschlussreich: Die Erwartungen sind laut Anthropic „auffallend konsistent" über alle Berufsgruppen, Regionen und Erfahrungsstufen hinweg. Berufseinsteiger sehen sich am stärksten exponiert — sie beziffern den KI-fähigen Anteil ihrer Aufgaben am höchsten und machen sich am meisten Sorgen. Gleichzeitig planen dieselben Unternehmen, die Automatisierung vorantreiben, die gesellschaftliche Antwort darauf selbst: Amazon, Anthropic, Microsoft und die OpenAI Foundation gehören zu den Unterstützern von „Raise Us", einem von der früheren US-Handelsministerin Gina Raimondo gegründeten Umschulungsprogramm mit einem Zielvolumen von einer Milliarde Dollar — 500 Millionen davon sind laut New York Times bereits zugesagt. Dass dieselben Akteure, die Disruption finanzieren, nun auch deren Auffangnetz kontrollieren, ist ein Interessenkonflikt, den das Programm selbst einräumt.

Der Kostendruck auf Entwickler und Endkunden manifestiert sich derweil auf zwei Ebenen. Auf der Hardware-Seite hat Apple zuletzt die MacBook-Pro-Preise um 300 Dollar angehoben, das 11-Zoll-iPad Air kostet nun 749 statt 599 Dollar — und selbst der HomePod Mini wurde um 30 Dollar teurer. Tim Cook machte die KI-Industrie verantwortlich: Speicherhersteller hätten ihre Produktionslinien auf HBM-Speicher für Rechenzentren umgestellt, was Consumer-DDR5-RAM knapp und teuer mache. Laut dem an der NYU lehrenden Ökonomen Srikanth Jagabathula verdiene derselbe Chip in einem KI-Server schlicht ein Vielfaches mehr als in einem Konsumentengerät — ein Strukturproblem, das sich nach Einschätzung von Experten über Jahre hinziehen dürfte. Auf der Inference-Ebene zeigt ein ausführlicher Post-mortem-Bericht, dass Cost-Routing-Architekturen als Pareto-Falle wirken können: Das beschriebene Team halbierte seinen Inference-Aufwand — und bemerkte erst drei Monate später, dass Kundenzufriedenheit und Retention parallel sanken. Der Kostenvorteil war real, der Qualitätsverlust war es auch, nur wurde er nicht dort gemessen, wo er auftrat.

Für Builder, die Infrastrukturkosten aktiv steuern wollen, zeichnen sich konkrete Ausweichstrategien ab. Clark Labs hat den Sana-1.6B-Text-to-Image-Transformer via ternärer Quantisierung von 3,21 GB auf 374 MB komprimiert — ein 8,6-facher Shrink bei nach Angaben der Entwickler nahezu unveränderter FP16-Qualität, Apache-2.0-lizenziert und drop-in-kompatibel mit Diffusers. Wer auf der Coding-Seite lokale Kontrolle bevorzugt, findet in Sebastian Raschkas Tutorial zu lokalen Coding-Agents eine praxisnahe Anleitung: Harnesses wie Codex oder Claude Code lassen sich mit Open-Weight-Modellen betreiben, wobei modellspezifische Harnesses — etwa Qwen-Code für Qwen3.6 — laut Raschka Performancevorteile gegenüber generischen Alternativen bringen können. Ergänzend dazu beschreibt ein Leitfaden zum Aufbau LLM-gestützter Knowledge Bases automatisierte Pipelines via Cron-Jobs, die In…