OpenAIs Führungskrise und Metas API-Preisangriff dominieren das Enterprise-KI-Feld, während Kostenoptimierung bei Inferenz und Coding-Agents konkrete Builder-Entscheidungen erzwingt.
Die Führungskrise bei OpenAI spitzt sich zu einem denkbar ungünstigen Zeitpunkt zu: Fidji Simo, die als CEO of Applications erst im Mai 2025 zur Nummer 2 des Unternehmens aufgestiegen war, wechselt nach einer länger als erwartet andauernden Erkrankung in eine Teilzeit-Beratungsrolle. Mit ihr verliert OpenAI die Führungsperson, die COO Brad Lightcap, CFO Sarah Friar und CPO Kevin Weil unter sich gebündelt hatte — wobei Weil das Unternehmen inzwischen bereits verlassen hat. Sam Altman, der sich eigentlich auf Forschung, Compute und Safety konzentrieren wollte, muss nun eine Nachfolge organisieren, während ein möglicher Börsengang näher rückt. Intern gilt Chief Revenue Officer Denise Dresser als potenzielle Kandidatin für eine erweiterte Rolle; sie bringt zwei Jahre als Slack-CEO sowie 14 Jahre bei Salesforce mit. Gleichzeitig kämpft OpenAI an einer zweiten Front: Im laufenden Urheberrechtsstreit mit dem New York Times wirft die Zeitung dem Unternehmen vor, Milliarden ChatGPT-Logs versteckt zu haben. Ein OpenAI-Datenschutzingenieur räumte in einer Zwangsdeposition ein, dass das Unternehmen dem Gericht über zwei Jahre lang falsche Angaben über seine technische Fähigkeit zur Log-Durchsuchung gemacht habe — darunter zwei de-identifizierte Stichproben mit 10 Millionen bzw. 78 Millionen Einträgen, die nie offengelegt wurden. News-Organisationen fordern nun „ernsthafte Sanktionen"; ein Präzedenzfall für KI-Training auf urheberrechtlich geschützten Daten steht damit im Raum.
Trotz dieser Turbulenzen setzt OpenAI sein Produktprogramm fort: Mit ChatGPT Work startet ein autonomer Agent, der eigenständig über Apps und Dateien hinweg agiert und stundenlang an komplexen Projekten arbeiten kann — explizit als Antwort auf Anthropic positioniert. Doch im Enterprise-Segment wächst der Druck von allen Seiten. Meta tritt mit Muse Spark 1.1 in den API-Markt ein — zu 4,25 Dollar pro Million Output-Token, günstiger als Grok 4.5 und deutlich unter den Preisen von Anthropic und OpenAI. Dass ein Tech-Konzern mit Milliardenbilanz das Pricing als strategisches Instrument einsetzt, verschärft den Margendruck auf reine KI-Labs strukturell. Parallel dazu demonstriert Databricks, wie ernst Kostenoptimierung in der Praxis genommen wird: GLM 5.2, ein chinesisches Open-Source-Modell, ersetzt bei Databricks Claude Opus 4.8 als Standard-Coding-Engine — bei identischer Qualität auf der eigenen Multi-Millionen-Zeilen-Codebase, aber für 1,28 statt 1,94 Dollar pro Task, ein Kostenvorteil von rund 34 Prozent. Databricks empfiehlt dabei ausdrücklich, eigene Benchmarks auf realen Codebasen zu bauen statt auf öffentliche Evals zu vertrauen.
Genau diese Verschiebung — weg von austauschbaren Modell-APIs, hin zu integrierten Plattformen — beschreibt Arvind Narayanan in seiner viel diskutierten Analyse über den drohenden Enterprise-Lock-in durch AI-Labs. Seine These: Frontier-Inferenz tendiert strukturell zur Commodity, da Modelle weitgehend austauschbar sind und Switching-Kosten niedrig bleiben. Die Labs reagieren darauf, indem sie gezielt in den Stack hinaufwandern — durch vertikale Integration, eingebettete Enterprise-Deployments und den Aufbau bewusster Wechselhürden. Wer heute auf offene APIs setzt, könnte sich morgen in proprietären Plattformen gefangen sehen, warnt Narayanan. Ein konkretes Gege…
