Anthropic hat die bahnbrechende KI-Bewertungsdebatte von privaten Deal-Räumen auf öffentliche Märkte verlagert. Die vertrauliche Einreichung des Börsengangs, die am 1. Juni 2026 angekündigt wurde, wenige Tage nach einer Serie-H-Aufstockung in Höhe von 65 Milliarden US-Greenback bei einer Submit-Cash-Bewertung von 965 Milliarden US-Greenback, gibt der Wall Road einen ersten Take a look at dafür, ob die KI-Einnahmen von Unternehmen die astronomischen Erwartungen erfüllen können, die personal Märkte vorangetrieben haben.

Die Einreichung ist nicht nur ein Fundraising-Gewinn. Es signalisiert, dass sich die Geschichte von Anthropic von „Wir haben das beste Modell entwickelt“ zu „Wir haben eine Plattform entwickelt, die Claude infrastrukturähnlich für Unternehmenssoftware macht“ gewandelt hat. Das ist eine völlig andere Bewertungsthese und wird die Artwork und Weise beeinflussen, wie öffentliche Investoren den gesamten Frontier-KI-Sektor bewerten.

Anthropic hat im Frontier AI-IPO-Rennen den ersten Platz belegt

Anthropic hat am 1. Juni 2026 einen vertraulichen Entwurf einer Registrierungserklärung auf Formblatt S-1 bei der SEC eingereicht. Das Unternehmen gab keine Angaben zur Anzahl der Aktien, zur Preisspanne oder zum endgültigen Zeitpunkt. Die vertrauliche Einreichung ermöglicht es Anthropic, die SEC-Prüfung durchzuführen und gleichzeitig wise Finanzdaten geheim zu halten, bis das Unternehmen beschließt, an die Börse zu gehen.

Laut Reuters-Berichten von Anfang Juni verschafft Anthropics Schritt dem Unternehmen einen Sequenzierungsvorteil gegenüber OpenAI, das sich darauf vorbereitet, vertraulich einen US-Börsengang zu beantragen und bereits im September 2026 an die Börse gehen will. OpenAI wurde zuletzt mit privaten Mittelbeschaffungen auf 852 Milliarden US-Greenback geschätzt. Mit der ersten Einreichung ist Anthropic das erste Pionier-KI-Labor, das einer öffentlichen Marktprüfung unterzogen wird. Dies ist wichtig, da das erste Unternehmen, das an die Börse geht, häufig die Bewertungsvorlage für die nachfolgenden Wettbewerber vorgibt. Anthropic wird der erste sein, der öffentlichen Investoren zeigt, wie die geprüften Einnahmen, Margen, Rechenverpflichtungen und Kundenkonzentration eines Pionier-KI-Unternehmens tatsächlich aussehen.

Die 965-Milliarden-Greenback-Bewertung hängt davon ab, dass Unternehmens-KI zur Infrastruktur wird

Die Sequence-H-Bewertung von 965 Milliarden US-Greenback spiegelt mehr als nur die Begeisterung der Anleger für KI wider. Es spiegelt eine Veränderung in dem wider, was Anthropic verkauft. Im Mai 2026 gab Anthropic bekannt, dass sein durchschnittlicher Umsatz 47 Milliarden US-Greenback überschritten hat, eine Zahl, die den Anlegern einen kommerziellen Anker bietet. Aber die wahre Geschichte ist nicht die absolute Umsatzzahl. Es ist so, dass Claude über einen Chatbot oder eine Modellzugriffs-API hinaus in die Unternehmensinfrastruktur vorgedrungen ist. Claude ist auf AWS, Google Cloud und Microsoft Azure verfügbar, den drei größten Cloud-Plattformen. AWS bleibt Anthropics wichtigster Cloud-Anbieter und Schulungspartner.

Durch diese Verteilung ist Claude dort präsent, wo Unternehmen bereits tätig sind. Die Bewertung spiegelt die Überzeugung der Anleger wider, dass Claude zu einer Arbeitsschicht in der gesamten Software program und nicht nur zu einer App-Kategorie werden kann. Wenn die Kapitalmärkte Anthropic mit 965 Milliarden US-Greenback bewerten, preisen sie die These an, dass KI-Modelle zu Software program werden, was Datenbanken und Authentifizierungssysteme heute sind: eine grundlegende Infrastruktur, auf der jedes Unternehmen aufbaut.

Claudes Produktstrategie erklärt die Neubewertung des Marktes

Anthropic setzt nicht auf ein einzelnes Produkt. Claude Code richtet sich an Softwareentwicklungsteams; Es liest Codebasen, nimmt dateiübergreifende Änderungen vor, führt Assessments aus und liefert festgeschriebenen Code. Claude Cowork richtet sich an nicht-technische Wissensarbeiter; Es automatisiert die Dokumentenrecherche, die Datenreorganisation und sich wiederholende Analyseaufgaben in allen Unternehmenstools.

Claude for Small Enterprise wurde im Mai 2026 eingeführt und bettet Claude in Workflows in QuickBooks, PayPal, HubSpot, Canva, DocuSign, Google Workspace und Microsoft 365 ein. Das Produkt für kleine Unternehmen umfasst 15 sofort einsatzbereite Agenten-Workflows in den Bereichen Finanzen, Betrieb, Vertrieb, Advertising and marketing, Personalwesen und Kundenservice. Jedes Produkt richtet sich an einen anderen Käufer und einen anderen Teil des Unternehmensportfolios. Dies ist eine bewusste Abkehr vom Ein-Produkt-Modell, das frühere KI-Unternehmen definiert hat. Investoren belohnen diese Diversifizierung, weil sie darauf hindeutet, dass Anthropic über mehrere Einnahmequellen und eine geringere Abhängigkeit von einzelnen Anwendungsfällen oder Kundentypen verfügt.

Die Berechnung ist die andere Seite der Bewertung

Die 65-Milliarden-Greenback-Serie H wirft eine kritische Frage auf, die öffentliche Investoren genau prüfen werden: Woher kommt die Marge von Anthropic, wenn das Unternehmen auf einer Hyperscaler-Infrastruktur aufbaut? Anthropic sagt, dass es die Mittel zur Erweiterung der Rechenkapazität verwenden wird. Das Unternehmen unterzeichnete Vereinbarungen mit Amazon über bis zu fünf Gigawatt neue Kapazität, mit Google und Broadcom über fünf Gigawatt TPU-Kapazität der nächsten Era und hat Zugriff auf GPU-Kapazität in den Colossus-Supercomputern von SpaceX. Dabei handelt es sich nicht um eine zufällige Infrastruktur. Dies ist der Kostenmotor des gesamten Geschäftsmodells von Anthropic. Claudes Inferenz läuft auf Computern, die Anthropic nicht besitzt. Die Abhängigkeit des Unternehmens von AWS, Google Cloud und der mit SpaceX verbundenen Infrastruktur birgt zwei Risiken.

Erstens werden die Bruttomargen von Anthropic davon abhängen, ob es mit diesen Lieferanten günstige Tarife aushandeln kann und ob es die Inferenz effizient genug ausführen kann, um keine Marge für die Kostenberechnung zu verschenken.

Zweitens beruht die strategische Unabhängigkeit von Anthropic auf der Pflege guter Beziehungen zu Lieferanten, die theoretisch mit Anthropic konkurrieren könnten. Öffentliche Investoren werden sowohl den Umfang der Rechenleistungsverpflichtungen von Anthropic als auch die Preisgestaltung genau unter die Lupe nehmen.

Das Timing von OpenAI erhöht den Einsatz

Berichten zufolge strebt OpenAI laut Reuters-Bericht vom 20. Mai 2026 den Börsengang bereits im September 2026 an. Die letzte personal Bewertung von OpenAI betrug 852 Milliarden US-Greenback. Durch die erste Einreichung schafft Anthropic einen Präzedenzfall für die Offenlegung. Sobald Anthropics S-1 an die Börse geht, werden Investoren und Wettbewerber den Umsatzmix, die Kundenkonzentration, die Bruttomargen, die Infrastrukturkosten und die Risikofaktoren untersuchen.

OpenAI wird sehen, wie öffentliche Investoren auf die Zahlen von Anthropic reagieren, bevor es seinen eigenen Prospekt fertigstellt. Für Anthropic ist das nicht automatisch ein Vorteil. Es könnte zu einer Belastung werden, wenn der Markt skeptisch auf das Umsatz-Bewertungs-Verhältnis reagiert oder wenn Anleger Einblick in Kennzahlen verlangen, die Anthropic noch nicht offengelegt hat. Aber es gibt Anthropic die Möglichkeit, das Gespräch zu bestimmen. Das Unternehmen kann beeinflussen, wie Grenz-KI an der Wall Road diskutiert wird, bevor OpenAI in die Debatte eintritt.

Was öffentliche Investoren sehen wollen

Non-public Investoren haben KI-Labore aufgrund ihrer Modellfähigkeit, ihres Abilities und ihrer Wachstumsdynamik belohnt. Öffentliche Investoren verlangen unterschiedliche Nachweise.

• Sie werden sich wahrscheinlich auf die Umsatzqualität konzentrieren: ob der laufende Umsatz von Anthropic in Höhe von 47 Milliarden US-Greenback aus wiederkehrenden Unternehmensverträgen oder aus der volatilen API-Nutzung stammt.
• Sie werden die Bruttomarge untersuchen: ob Claudes Umsatz die Inferenz- und Schulungskosten übertreffen kann.
• Sie werden die Kundenkonzentration unter die Lupe nehmen: ob eine kleine Anzahl von Hyperscaler- oder Unternehmenskonten zu übergroßen Umsätzen führt und so Konzentrationsrisiken schafft.
• Sie werden Rechenverpflichtungen untersuchen: den Umfang, die Dauer und die finanziellen Verpflichtungen hinter Cloud- und Chip-Kapazitätsverträgen.
• Sie werden nach der Bindung und Erweiterung fragen: ob Unternehmen die Claude-Nutzung nach der ersten Bereitstellung ausweiten oder sich der Konkurrenz zuwenden.
• Sie werden den Wettbewerbsdruck bewerten: wie Anthropic seinen Anteil gegen OpenAI, Google, Microsoft, Meta, xAI, Mistral und Open-Supply-Alternativen verteidigt.
• Sie werden die Governance untersuchen: wie die gemeinnützige Struktur und die Sicherheitsverpflichtungen von Anthropic mit den Verpflichtungen der Aktionäre interagieren. Und sie werden die regulatorische Gefährdung modellieren: wie sich KI-Sicherheitsregeln, Datenverwaltung, Urheberrechtsstreitigkeiten und Exportkontrollen auf Wachstumspfade auswirken könnten.

Die wahre Geschichte ist die Disziplin der Unternehmens-KI-Bewertung

Non-public Märkte haben Pionier-KI-Labore für Wachstum, Knappheit, Modellfähigkeit und Infrastrukturpositionierung belohnt. Öffentliche Märkte verlangen Zahlen. Der Börsengang von Anthropic könnte den ersten großen öffentlichen Maßstab dafür schaffen, was der Aufbau und Betrieb eines Pionier-KI-Unternehmens tatsächlich kostet. Wenn öffentliche Investoren die Bewertung von 965 Milliarden US-Greenback akzeptieren, könnte dies eine neue Kategorie von Billionen-Greenback-KI-Infrastrukturunternehmen bestätigen.

Wenn sich die Anleger zurückhalten, kann dies zu einer umfassenderen Neubewertung des gesamten privaten KI-Marktes führen. Bei der Zahl von 965 Milliarden US-Greenback handelt es sich um eine Sequence-H-Bewertung, nicht um eine IPO-Bewertung. Die IPO-Preise werden von öffentlichen Märkten und nicht von privaten Anlegern festgelegt. Die Frage ist nicht, ob Anthropic 965 Milliarden US-Greenback verdient, sondern ob die öffentlichen Märkte glauben werden, dass Claudes Unternehmensakzeptanz, seine diversifizierte Produktpalette und seine Computerpartnerschaften diesen oder einen höheren Preis rechtfertigen.

Die Risiken, die Claude bewältigen muss

Die Erzählung von Anthropic ist überzeugend, basiert jedoch auf Annahmen, die die öffentlichen Märkte auf die Probe stellen werden. Die Rechenkosten könnten die Margen schneller schmälern als der Umsatz steigt. Unternehmenskäufer könnten mehrere KI-Anbieter testen, anstatt sich auf Claude zu verlassen, was zu einer Fragmentierung des Umsatzes und höheren Kosten für die Kundenakquise führen würde.

OpenAI, Microsoft, Google, Meta und andere können ihren Vertrieb, ihre Marke und ihr Kapital nutzen, um die Preise unter Druck zu setzen. Die Leistungsvorteile des Modells könnten sich schnell verringern, wenn sich die Wettbewerber verbessern. KI-Agenten werfen Fragen zu Sicherheit, Berechtigungen, Compliance und Zuverlässigkeit auf, deren Beantwortung Unternehmen möglicherweise nur langsam vorantreiben.

Die Berichterstattung über den öffentlichen Markt wird Umsatzvolatilität, Kundenkonzentration und Kapitalanforderungen aufdecken, die personal Investoren bisher gerne ignoriert haben. Die Gemeinnützigkeitsstruktur und die Haltung von Anthropic, bei denen Sicherheit an erster Stelle steht, schaffen sowohl Markenstärke als auch Governance-Komplexität, die öffentliche Aktionäre möglicherweise nicht belohnen.

Der Markt wird entscheiden, was Frontier AI wert ist

Der Börsengangsantrag von Anthropic beweist nicht, dass Frontier AI eine Billionen-Greenback-Bewertung verdient. Es bewirkt etwas Nützlicheres: Es beginnt mit dem Testen dieser Bewertungen anhand geprüfter Finanzdaten, öffentlicher Investorenkontrolle und realer Unternehmensakzeptanzdaten. Claudes unternehmerische Dynamik ist actual und die diversifizierte Produktstrategie ist vertretbarer als ein Ansatz mit nur einem Modell. Aber der Markt wird darüber entscheiden, ob diese Geschichte in öffentlichem Eigentum überleben kann.

Das erste öffentliche KI-Unternehmen im Grenzbereich wird nicht nur für OpenAI, sondern für die gesamte Branche Maßstäbe setzen. Investoren und Konkurrenten werden untersuchen, wie sich die Zahlen von Anthropic auf Multiplikator, Marge, Wachstumsrate und Risiko auswirken. Diese Disziplin macht diese Einreichung zu einem Wendepunkt.

Die Unternehmensgeschichte rund um generative KI ist an einem heiklen Scheideweg angelangt. Tech-Führungskräfte versprechen regelmäßig eine unmittelbar bevorstehende, reibungslose Realität, in der autonome Software program-Agenten die Komplexität des Unternehmensverkaufs steuern, Kundenabgänge vorhersagen und Markteinführungspipelines ohne menschliches Eingreifen verwalten.

Doch hinter den raffinierten Marketingpräsentationen und hochkarätigen Keynotes kommt eine völlig widersprüchliche technische Wahrheit zum Vorschein.

Die aggressive Ausrichtung der Branche auf grundlegende Sanitär-Frameworks, insbesondere das Mannequin Context Protocol (MCP) von Anthropic, ist der eindeutige Beweis für einen großen architektonischen Mangel. Große Sprachmodelle arbeiten trotz ihres milliardenschweren Trainingsbudgets und ihrer bemerkenswerten Sprachkompetenz im Wesentlichen in einem Informationsvakuum. Sie können echte kommerzielle Operationen nicht alleine durchführen, weil ihnen der Zugang zu strukturierten, realen Kontexten fehlt.

Diese zentrale Herausforderung wurde kürzlich offengelegt Präsentation zur Produkteinführung von EvoLusha 2026das als struktureller Katalysator für diese architektonische Neubewertung diente.

Während der Keynote Lusha CEO Yoni Tserruya signalisierte ausdrücklich das Ende der spekulativen KI-Einführung in Unternehmen und erklärte: „Die KI-Pilotphase ist vorbei. KI ist kein Werkzeug mehr, mit dem Unternehmen spielen; sie erledigt jetzt die eigentliche Arbeit.“

Er warnte davor, dass es nicht mehr um kurzfristige Risiken geht, und fügte hinzu: „Unternehmen, die ihre Agenten-Workflows auf den richtigen Grundlagen aufbauen, werden mehr Geschäfte abschließen, schneller wachsen und sich einen Umsatzvorteil aufbauen, den ihre Konkurrenten einfach nicht schließen können. Diese Lücke wird sich zu einem strukturellen und nicht zu einem vierteljährlichen, sondern zu einem dauerhaften Vorteil entwickeln.“

Der Vortrag verdeutlichte jedoch gleichzeitig, warum große Sprachmodelle diese Arbeit nicht isoliert leisten können. Um die Lücke zwischen Textgenerierung und Unternehmensausführung zu schließen, kündigte Lusha eine tiefe operative Integration mit dem Open-Supply-Normal von Anthropic an und verbindet seine umfangreichen kommerziellen B2B-Datenschichten über MCP direkt mit grundlegenden Modellen wie Claude. Die Notwendigkeit einer solchen Allianz wird zwar als wichtiger Meilenstein für die autonome Produktivität dargestellt, zeigt jedoch, dass der moderne Stack für künstliche Intelligenz vollständig auf zentralisierte Datenbanken der alten Schule angewiesen ist, um wirklich nützlich zu sein.

Die architektonische Phantasm der Selbstversorgung

Diese architektonische Abhängigkeit stellt die Vorstellung, dass grundlegende Modelle autarke kognitive Systeme sind, grundsätzlich in Frage. Entfernen Sie die Echtzeit-Suchmaschinen und alten Datenstrukturen, und ein fortschrittliches Unternehmensmodell beschränkt sich darauf, Unternehmenstelefonnummern zu erraten und frühere Beschäftigungsverläufe zu erfinden. Der kommerzielle Wert ergibt sich nicht aus der generativen Engine selbst, sondern aus den rohen, verifizierten Datenbankregistern, die Softwareunternehmen lange vor dem aktuellen Technologieboom jahrzehntelang erstellt haben.

Marktanalysten haben zunehmend festgestellt, dass eigenständige Modelle aufgrund des Mangels an internem Speicher und Echtzeiterkennung zu einer Belastung für präzise Unternehmensfunktionen werden. Laut einer Auswertung von Gartner über 50 % der unternehmensweiten generativen KI-Projekte Aufgrund schlechter Datenqualität und der Unfähigkeit der Modelle, ihre Ergebnisse auf authentischem Organisationswissen zu stützen, kommt es bei der Umsetzung zu Verzögerungen oder gar zum Scheitern. Dieses systemische Downside verdeutlicht, warum der Technologiesektor bestrebt ist, sichere Brücken zwischen Rohtextgeneratoren und starren, deterministischen Aufzeichnungssystemen zu bauen.

Diese Dynamik offenbart ein klares Ungleichgewicht im aufstrebenden Technologie-Ökosystem. Entwickler grundlegender Modelle haben enorme Kapitalsummen absorbiert, indem sie behaupteten, eine souveräne Softwareschicht zu schaffen, die in der Lage ist, menschliche Arbeitsabläufe zu überdenken. Der praktische Einsatz dieser Instruments zeigt jedoch ein anderes Bild.

Bei der Anwendung auf die tatsächliche Umsatzgenerierung fungiert ein Agent für künstliche Intelligenz lediglich als versatile Schnittstelle in natürlicher Sprache, die auf herkömmlichen, strukturierten Datenrepositorys aufsetzt. Es fungiert als eleganter Übersetzer, der Konversationsbefehle in Datenbankabfragen umwandelt und Zeilen- und Spaltenausgaben wieder in geschriebene Absätze umwandelt.

Wie Ben Harten-Beilis, Core Expertise Product Director bei Lusha, während der Übertragung betonte, führt die bloße Ausrichtung eines Rohmodells auf ein Marktsegment zu einem erheblichen operativen Versagen: „Die Vertriebsmitarbeiter hatten zwar Hear, aber keinen Grund, anzurufen. Sie haben 5.000 ICP-taugliche Kontakte abgerufen und völlig kalt gesprengt. Niedrige Verbindungsraten, verbrannte Kontakte – die Vertriebsmitarbeiter waren völlig demoralisiert.“

Was Unternehmensbetreiber wirklich brauchen, sind laut Harten-Beilis „Leads mit einem guten Grund, Leads, die tatsächlich konvertieren.“ Die eigentliche operative Schwerarbeit liegt weiterhin bei den Datenanbietern, die die reale Validierung, Compliance-Prüfung und kontinuierliche Registrierungsaktualisierungen verwalten.

Die Industrialisierung automatisierter Fehler

Die betriebliche Realität moderner Income-Operations-Groups unterstreicht diese Abhängigkeit von externen Daten noch mehr. Seit Jahren kämpfen Vertriebsprofis mit unorganisierten Plattformen für das Kundenbeziehungsmanagement, veralteten Kontaktdatensätzen und widersprüchlichen Marktindikatoren. Die Einführung der sprachlichen Automatisierung löst diese strukturellen Probleme nicht automatisch; Stattdessen besteht die Gefahr, dass sich die Verbreitung ungenauer Informationen im industriellen Maßstab beschleunigt.

Wenn ein autonomes System angewiesen wird, anhand ungeprüfter Daten eine Zielkontoliste zu erstellen oder personalisierte Nachrichten zu verfassen, automatisiert es Fehler einfach schneller, als es ein menschlicher Bediener jemals könnte. Berichte verschiedener Kommentatoren und Veröffentlichungen betonen, dass die Der Unternehmensmarkt verlagert sich weg von allgemeiner „Wrapper“-Software program hin zu tiefgreifenden Infrastrukturintegrationen, gerade weil sich Unternehmen das Reputationsrisiko nicht leisten können, dass KI-Halluzinationen in ihre kundenorientierten Kommunikationskanäle eindringen. Dieses Risiko erklärt, warum Unternehmenskäufer Anzeichen einer Erschöpfung in Bezug auf rein generative Instruments zeigen und Technologieanbieter dazu zwingen, nach sicheren, überprüfbaren Datenintegrationen zu suchen, um ihre Marktbewertungen zu schützen.

Diese Realität hat zu einem Wandel in der Artwork und Weise geführt, wie Vertriebsautomatisierungstools entwickelt und vermarktet werden. Der Fokus liegt weg von generischen Chat-Schnittstellen und hin zu hochspezifischen, signalgesteuerten Datenarchitekturen. Unternehmenslösungen betonen jetzt unterschiedliche Betriebsebenen, die die inhärenten Einschränkungen von Standardtextmodellen kompensieren sollen.

Während der Präsentation erläuterte Lusha, wie sie diese Angebote in zwei spezifische Systeme segmentiert haben. Tserruya erklärte, dass die erste Schicht „unsere Kerndaten sind; wir nennen sie die Suchschicht. Diese Daten sind universell, umfassend und objektiv und umfassen alles, was in der Geschäftswelt passiert. Die zweite Schicht sind die tiefgreifenden Informationen. Diese Schicht ist einzigartig für Ihr Unternehmen. Unsere KI lernt Ihren Kontext, Ihre Kunden, Ihre Muster und Ihre Geschäfte.“

Diese zweischichtige Struktur existiert genau deshalb, weil rohe Sprachmodelle diese sich schnell verändernden kommerziellen Realitäten nicht beibehalten oder unabhängig überprüfen können.

Die Realität kontrollierter Autonomie

Darüber hinaus verändert dieser Integrationstrend unser Verständnis von Softwareautonomie innerhalb des Unternehmens. Technikbegeisterte beschreiben oft eine Zukunft, in der automatisierte Software program komplexe Aufgaben routinemäßig isoliert erledigt. Tatsächliche Implementierungen zeigen jedoch eine kontrolliertere, kollaborativere Umgebung.

Eine aktuelle Studie veröffentlicht von der MIT Know-how Overview weist darauf hin, dass automatisierte Agenten zwar die Again-Workplace-Datensynthese effizient durchführen können, die Anwesenheit eines „Menschen in der Schleife“ jedoch weiterhin von entscheidender Bedeutung ist, um Betriebsabweichungen zu verhindern und die Einhaltung von Datenschutzbestimmungen wie der DSGVO aufrechtzuerhalten. Während automatisierte Systeme Datenbankänderungen erfolgreich überwachen, Kontaktdaten mit Querverweisen versehen und erste Mitteilungen generieren können, bleibt die menschliche Aufsicht ein kritischer betrieblicher Engpass.

Lushas Keynote demonstrierte diese Realität direkt und zeigte, dass seine Systeme menschliche Bediener nicht umgehen; Stattdessen liefern sie organisierte Zusammenfassungen, Personalbestandsdifferenzen und vorgefertigte Antworten an ein Dashboard oder einen Kommunikationskanal wie Slack zur abschließenden Überprüfung vor der Bereitstellung.

Tserruya legte Wert darauf, diese Sichtbarkeit hervorzuheben, um vorsichtige Unternehmenskäufer zu beruhigen, und erklärte: „Es handelt sich nicht um eine Black Field. Sie haben immer die Kontrolle. Sie können die Gründe erkennen und sie an Ihre Bedürfnisse anpassen.“ Dieser hybride Ansatz ist ein offenes Eingeständnis, dass vollständig autonome Unternehmenssoftware zu unvorhersehbar bleibt, als dass man ihr direkte, unüberwachte Kundeninteraktionen anvertrauen könnte.

Diese Entwicklung rückt die wahre Wirtschaftsstruktur der modernen Softwarelandschaft stärker in den Fokus. Der wahre Wert liegt nicht in der generischen Rechenschicht, die sich schnell zu einer Massenressource entwickelt, die durch sinkende Kosten und starken Wettbewerbsdruck gekennzeichnet ist. Stattdessen konzentriert sich der strategische Wert auf proprietäre, intestine gepflegte Datenökosysteme, die durch Internet-Scraping-Algorithmen nicht einfach repliziert werden können.

Finanzanalysen von Bloomberg und anderen deuten darauf hin, dass Kapitalinvestitionen zunehmend in Unternehmen fließen, die über einzigartige, proprietäre Datensätze verfügen, da die Margen für reine Rechenleistung und Basissprachmodelle in einem zunehmend überfüllten Markt immer weiter schrumpfen.

Die offene Standardisierung von Kommunikationsprotokollen wie dem Anthropic-Framework ermöglicht einen ungehinderten Fluss von Unternehmensdaten in verschiedene Produktivitätstools, stärkt aber gleichzeitig die Dominanz der zugrunde liegenden Dateneigentümer. Die Sprachmodelle selbst werden zu hocheffizienten Versorgungsleitungen, während die Entitäten, die die verifizierten Daten liefern, die wahren Schlüssel zur Unternehmensausführung innehaben.

Auf dem Weg zu einem pragmatischen Gleichgewicht

Letztendlich bewegt sich die technische Entwicklung von Unternehmenssoftware in Richtung eines pragmatischeren Gleichgewichts. Die anfängliche Begeisterung für unabhängige, eigenständige künstliche Intelligenz weicht der Erkenntnis, dass sprachliche Beherrschung etwas anderes ist als tatsächliches operatives Wissen.

Wie Tserruya bei der Produkteinführung abschließend feststellte, beruht der Weg nach vorn ausschließlich auf der Verknüpfung reiner Intelligenz mit strukturierten Grundlagen: „Die Suchschicht stellt Ihren Agenten die Daten zur Verfügung – universell, verifiziert, in Echtzeit … Durch die Zusammenarbeit hinter den Kulissen unterstützen sie nicht nur Ihre Agenten; sie machen jeden Mitarbeiter produktiver.“

Die Zukunft der Geschäftsautomatisierung wird nicht durch eine einzige, allwissende Software program-Engine definiert, die die bestehende Unternehmensinfrastruktur ersetzt. Vielmehr wird es wie ein hochgradig vernetztes Netzwerk spezialisierter Instruments aussehen, in dem moderne Schnittstellen in natürlicher Sprache systematisch an die präzisen, unscheinbaren Unternehmensdatenbanken gebunden sind, die die Softwareindustrie seit einer Technology verankert haben.

Glaubst du, das ist klein? neuronales Netzwerk (wie TRM) bei Argumentationsaufgaben um ein Vielfaches größere Modelle übertreffen kann? Wie ist es möglich, dass Milliarden von LLM-Parametern eine so kleine Anzahl bescheidener Millionen-Parameter-Iterationen haben, die Rätsel lösen?

„Derzeit leben wir in einer skalierungsbesessenen Welt: Mehr Daten. Mehr GPUs bedeuten größere und bessere Modelle. Dieses Mantra hat bisher den Fortschritt in der KI vorangetrieben.“

Aber manchmal ist weniger wirklich mehr, und die Ting Recursive Fashions (TRMs) sind markante Beispiele für dieses Phänomen. Die Ergebnisse, wie darin bewiesen diesen Berichtsind leistungsstark: TRMs erreichen eine Genauigkeit von 87,4 % bei Sudoku-Excessive und 45 % bei ARC-AGI-1 und übertreffen gleichzeitig die Leistung größerer hierarchischer Modelle, während einige hochmoderne Modelle wie DeepSeek R1, Claude und o3-mini bei Sudoku 0 % erzielten. Und DeepSeek R1 erreichte 15,8 % auf ARC-1 und nur 1,3 % auf ARC-2, während ein TRM 7M-Modell eine Genauigkeit von 44,6 % erreicht. In diesem Weblog diskutieren wir, wie TRMs durch minimale Architektur maximale Argumentation erreichen.

Die Suche nach intelligenteren, nicht größeren Modellen

Künstliche Intelligenz ist in eine Part übergegangen, die von gigantischen Modellen dominiert wird. Die Bewegung conflict unkompliziert: Skalieren Sie einfach alles, dh Daten, Parameter, Berechnungen und Intelligenz werden entstehen.

Doch während Forscher und Praktiker beharrlich daran arbeiten, diese Grenzen zu erweitern, setzt sich eine Erkenntnis durch: Größer ist nicht immer gleich besser. Wenn es um strukturiertes Denken, Genauigkeit und schrittweise Logik geht, versagen größere Sprachmodelle oft. Die Zukunft der KI liegt möglicherweise nicht darin, wie groß wir bauen können, sondern eher darin, wie clever wir denken können. Daher stößt es auf zwei Hauptprobleme:

Das Downside bei der Skalierung großer Sprachmodelle

Große Sprachmodelle haben das Verständnis, die Zusammenfassung und die kreative Texterstellung natürlicher Sprache verändert. Sie können scheinbar Muster im Textual content erkennen und eine menschenähnliche Sprachverständlichkeit erzeugen.

Dennoch, wenn sie aufgefordert werden, sich darauf einzulassen logisches Denken Um Sudoku-Rätsel zu lösen oder Labyrinthe zu planen, lässt die Genialität dieser Modelle nach. LLMs können das nächste Wort vorhersagen, aber das bedeutet nicht, dass sie den nächsten logischen Schritt durchdenken können. Bei Rätseln wie Sudoku macht eine einzige falsch platzierte Ziffer das gesamte Raster ungültig.

Wenn Komplexität zur Barriere wird

Dieser Ineffizienz liegt die einseitige, additionally ähnliche Architektur von LLMs zugrunde; Sobald ein Token generiert wurde, ist es behoben, da keine Möglichkeit besteht, einen Fehltritt zu beheben. Ein einfacher logischer Fehler zu Beginn kann die ganze Technology verderben, genauso wie eine falsche Sudoku-Zelle das Rätsel ruiniert. Daher gewährleistet eine Vergrößerung weder Stabilität noch bessere Argumentation.

Der enorme Rechen- und Datenbedarf macht es für die meisten Forscher nahezu unmöglich, auf diese Modelle zuzugreifen. Darin liegt additionally ein Paradox, dass einige der leistungsstärksten KI-Systeme Aufsätze schreiben und Bilder malen können, aber nicht in der Lage sind, Aufgaben zu erfüllen, die selbst ein rudimentäres rekursives Modell leicht lösen kann.

Dabei geht es nicht um Daten oder Umfang; Vielmehr geht es um Ineffizienz in der Architektur und darum, dass rekursiver Intellektualismus sinnvoller sein könnte als expansiver Intellekt.

Hierarchische Argumentationsmodelle (HRM): Ein Schritt in Richtung simuliertem Denken

Der Hierarchisches Argumentationsmodell (HRM) ist eine aktuelle Weiterentwicklung, die gezeigt hat, wie kleine Netzwerke komplexe Probleme durch rekursive Verarbeitung lösen können. HRM verfügt über zwei Transformatorimplementierungen, ein Low-Degree-Netz (f_L) und ein Excessive-Degree-Netz (f_H). Jeder Durchgang läuft wie folgt ab: f_L übernimmt die Eingabefrage und die aktuelle Antwort sowie den latenten Zustand, während f_H die Antwort basierend auf dem latenten Zustand aktualisiert. Dies ist eine Artwork Hierarchie aus schnellem „Denken“ (f_L) und langsameren „konzeptionellen“ Veränderungen (f_H). Sowohl f_L als auch f_H sind vierschichtige Transformatoren mit insgesamt ~27 Millionen Parametern.

Die HRM-Architektur trainiert unter umfassender Aufsicht: Während des Trainings führt HRM bis zu 16 aufeinanderfolgende Generations-„Verbesserungsschritte“ durch, berechnet jedes Mal einen Verlust für die Antwort und vergleicht die Steigungen aller vorherigen Schritte. Dies imitiert im Wesentlichen ein sehr tiefes Netzwerk, eliminiert jedoch die vollständige Backpropagation.

Das Modell verfügt über ein adaptives Stoppsignal (Q-Studying), das entscheidet, wann das Modell das nächste Mal trainiert und wann die Aktualisierung bei jeder Frage beendet wird. Mit dieser komplizierten Methodik schnitt HRM sehr intestine ab: Es übertraf große LLMs bei Sudoku-, Labyrinth- und ARC-AGI-Rätseln mit nur einer kleinen Stichprobe mit überwachtem Lernen.

Mit anderen Worten: HRM hat gezeigt, dass kleine Modelle mit Rekursion eine vergleichbare oder bessere Leistung erbringen können als viel größere Modelle. Der HRM-Rahmen basiert jedoch auf mehreren starken Annahmen. Seine Vorteile ergeben sich in erster Linie aus der hohen Überwachung und nicht aus dem rekursiven dualen Netzwerk.

In der Realität gibt es keine Sicherheit, dass f_L und f_H in wenigen Schritten ein Gleichgewicht erreichen. HRM verwendet außerdem eine Zwei-Netzwerk-Architektur, die auf biologischen Metaphern basiert, wodurch die Architektur schwer zu verstehen und abzustimmen ist. Schließlich erhöht das adaptive Anhalten von HRM die Trainingsgeschwindigkeit, verdoppelt jedoch die Berechnung.

Winzige rekursive Modelle (TRM): Einfachheit im Denken neu definieren

Tiny Recursive Fashions (TRMs) rationalisieren den rekursiven Prozess von HRMs und ersetzen die Hierarchie zweier Netzwerke durch ein einziges winziges Netzwerk. Bei einem vollständigen Rekursionsprozess führt ein TRM diesen Prozess iterativ durch und durchläuft die gesamte endgültige Rekursion rückwärts, ohne dass die Festkommaannahme auferlegt werden muss. Das TRM behält explizit eine vorgeschlagene Lösung 𝑦 und einen latenten Argumentationszustand 𝑧 bei und iteriert über die bloße Aktualisierung 𝑦 und des 𝑧 Argumentationszustands.

Im Gegensatz zur sequentiellen HRM-Instanz ist die vollständig kompakte Schleife in der Lage, von massiven Gewinnen bei der Generalisierung zu profitieren und gleichzeitig die Modellparameter in der TRM-Architektur zu reduzieren. Die TRM-Architektur beseitigt im Wesentlichen die Abhängigkeit von einem Fixpunkt und IFT (Implicit Mounted-Level Coaching) vollständig, da PPC (Parallel Predictive Coding) für den vollständigen Rekursionsprozess verwendet wird, genau wie HRM-Modelle. Ein einzelnes winziges Netzwerk ersetzt die beiden Netzwerke im HRM, was die Anzahl der Parameter verringert und das Risiko einer Überanpassung minimiert.

Wie TRM größere Modelle übertrifft

TRM behält zwei unterschiedliche Variablenzustände bei, die Lösungshypothese 𝑦 und die latente Gedankenkettenvariable 𝑧. Durch die Trennung von 𝑦 muss der latente Zustand 𝑧 nicht sowohl die Argumentation als auch die explizite Lösung beibehalten. Der Hauptvorteil davon besteht darin, dass die dualen Variablenzustände bedeuten, dass ein einzelnes Netzwerk beide Funktionen ausführen kann, indem es auf 𝑧 iteriert und 𝑧 in 𝑦 umwandelt, wenn sich die Eingaben nur durch die Anwesenheit oder Abwesenheit von 𝑥 unterscheiden.

Durch das Entfernen eines Netzwerks werden die Parameter im HRM halbiert Modellgenauigkeit bei Schlüsselaufgaben nimmt zu. Durch die Änderung der Architektur kann das Modell sein Lernen auf die effektive Iteration konzentrieren und die Modellkapazität reduzieren, wo Osmose überangepasst hätte. Die empirischen Ergebnisse zeigen, dass das TRM die Generalisierung mit weniger Parametern verbessert. Daher stellte das TRM fest, dass weniger Schichten eine bessere Verallgemeinerung ermöglichten als mehr Schichten. Die Reduzierung der Anzahl der Ebenen auf zwei, wobei die Rekursionsschritte proportional zur Tiefe waren, lieferte bessere Ergebnisse.

Das Modell wird umfassend überwacht, um $y$ zum Zeitpunkt des Trainings und bei jedem Schritt der Wahrheit anzupassen. Es ist so konzipiert, dass bereits ein paar Durchläufe ohne Gradienten $(y,z)$ einer Lösung näher bringen – das Erlernen der Verbesserung der Antwort erfordert additionally nur einen vollständigen Durchlauf mit Gradienten.

Vorteile von TRM

Dieses Design ist schlank und bietet viele Vorteile:

• Keine Festkomma-Annahmen: TRM eliminiert Festkommaabhängigkeiten und führt bei jeder Rekursion eine Backpropagation durch. Ausführen einer Reihe von Rekursionen ohne Gradienten.
• Einfachere latente Interpretation: TRM definiert zwei Zustandsvariablen: y (die Lösung) und z (das Gedächtnis des Denkens). Es wechselt zwischen der Verfeinerung beider, wodurch der Gedanke für einen Zweck und die Ausgabe für einen anderen Zweck erfasst wird. Die Verwendung genau dieser beiden, weder mehr noch weniger als zwei, conflict zweifellos optimum, um die Klarheit der Logik aufrechtzuerhalten und gleichzeitig die Leistung des Denkens zu steigern.
• Einzelnes Netzwerk, weniger Schichten (weniger ist mehr): Anstatt zwei Netzwerke zu verwenden, wie es das HRM-Modell mit f_L und f_H tut, komprimiert TRM alles in einem einzigen 2-Schichten-Modell. Dadurch wird die Anzahl der Parameter auf etwa 7 Millionen reduziert, eine Überanpassung vermieden und die Gesamtgenauigkeit für Sudoku von 79,5 % auf 87,4 % erhöht.
• Aufgabenspezifische Architekturen: TRM ist darauf ausgelegt, die Architektur an jede Fallaufgabe anzupassen. Anstatt zwei Netzwerke zu verwenden, wie es das HRM-Modell mit f_L und f_H tut, komprimiert TRM alles in einem einzigen 2-Schichten-Modell. Dadurch wird die Anzahl der Parameter auf etwa 7 Millionen reduziert, eine Überanpassung vermieden und die Gesamtgenauigkeit für Sudoku von 79,5 % auf 87,4 % erhöht.
• Optimierte Rekursionstiefe: TRM verwendet außerdem einen exponentiellen gleitenden Durchschnitt (EMA) für die Gewichte, um das Netzwerk zu stabilisieren. Durch die Glättung von Gewichtungen wird die Überanpassung bei kleinen Datenmengen reduziert und die Stabilität mit EMA erhöht.

Experimentelle Ergebnisse: Kleines Modell, große Wirkung

Winzige rekursive Modelle zeigen, dass kleine Modelle eine bessere Leistung erbringen können große LLMs zu einigen Denkaufgaben. Bei mehreren Aufgaben übertraf die Genauigkeit von TRM die von HRM und großen vorab trainierten Modellen:

• Sudoku-Extrem: Das sind sehr schwere Sudokus. HRM (27 Millionen Parameter) ist 55,0 % genau. TRM (nur 5–7 Mio. Parameter) springt auf 87,4 (mit MLP) oder 74,7 (mit Aufmerksamkeit). Kein LLM ist überhaupt in der Nähe. Die hochmodernen Chain-of-Thought-LLMs (Deepseek R1, Claude, o3-mini) erzielten bei diesem Datensatz 0 %.
• Labyrinth-schwer: Bei Wegfindungslabyrinthen mit einer Lösungslänge > 110 ist TRM mit Aufmerksamkeit zu 85,3 % genau, während HRM zu 74,5 % genau ist. Die MLP-Model erreichte hier 0 %, was darauf hindeutet, dass Selbstaufmerksamkeit erforderlich ist. Auch hier erzielten geschulte LLMs in diesem Small-Information-Regime ~0 % auf Maze-Laborious.
• ARC-AGI-1 und ARC-AGI-2: Auf ARC-AGI-1 erreichte TRM (7M) eine Genauigkeit von 44,6 % gegenüber HRM von 40,3 %. Bei ARC-AGI-2 erzielte TRM eine Genauigkeit von 7,8 % gegenüber 5,0 % bei HRM. Beide Modelle schneiden intestine im Vergleich zu einem direkten Vorhersagemodell ab, bei dem es sich um ein 27M-Modell handelt (21,0 % auf ARC-1 und eine neue LLM-Gedankenkette, Deepseek R1 erreichte 15,8 % auf ARC-1 und 1,3 % auf ARC-2). Selbst bei intensiver Testzeitberechnung erreichte der High-LLM Gemini 2.5 Professional auf ARC-2 nur 4,9 %, während der TRM das Doppelte erreichte (praktisch keine Feinabstimmungsdaten).

Abschluss

Winzige rekursive Modelle veranschaulichen, wie Sie mit kleinen, rekursiven Architekturen erhebliche Denkfähigkeiten erreichen können. Die Komplexität wird beseitigt (dh es gibt keinen Festkomma-Trick/keine Verwendung dualer Netzwerke, keine dichten Schichten). TRM liefert genauere Ergebnisse und verwendet weniger Parameter. Es nutzt die Hälfte der Schichten und verdichtet zwei Netzwerke und verfügt nur über einige einfache Mechanismen (EMA und einen effizienteren Stoppmechanismus).

Im Wesentlichen ist TRM einfacher als HRM, lässt sich jedoch viel besser verallgemeinern. Dieses Papier zeigt das intestine gestaltete kleine Netzwerke Mit rekursivem, tiefem und überwachtem Lernen können schwierige Probleme erfolgreich gelöst werden, ohne dass eine große Größe erforderlich ist.

Dennoch stellen die Autoren einige offene Fragen zur Überlegung, zum Beispiel: Warum genau hilft Rekursion so viel mehr? Warum nicht einfach zum Beispiel ein größeres Feedforward-Netz aufbauen?

Derzeit ist TRM ein aussagekräftiges Beispiel für effiziente KI-Architekturen, da kleine Netzwerke LLMs bei Logikrätseln übertrafen und zeigt, dass beim Deep Studying manchmal weniger mehr ist.

Der humane AI -Pin, ein vor 10 Monaten gestarteter Wearables -Gerät zu einem Preis von 700 US -Greenback, wurde nach dem Verkauf seiner Software program an HP Inc. -Kunden informiert, dass quick alle Funktionen am 28. Februar 2025 eingestellt werden.

Das letzte Function von Humane Ai Pin: Eine sehr teure Brosche werden

Human angegeben Benutzer können nach diesem Datum begrenzte Offline -Funktionen verwenden, einschließlich der Möglichkeit, den Batteriestatus zu überprüfen. Funktionen, die Cloud -Konnektivität erfordern, wie z. B. Sprachinteraktionen und KI -Antworten, sind jedoch nicht verfügbar. Das Unternehmen ermutigte die Benutzer, ihre KI-Stifte durch E-Abfall-Programme zu recyceln.

Ursprünglich als KI-Assistent mit einem innovativen, schirmisch freien Design vermarktet, das Humane Ai Pin Es battle nicht möglich, seine Versprechen zu erfüllen und von Benutzern und Tech -Rezensenten erhebliche Kritik zu erhalten. Nach seiner Veröffentlichung stieß das Gerät auf mehrere Betriebsprobleme. Zum Beispiel bezeichnete Gadget Reviewer Marques Brownlee es „schlecht in quick allem, was es tut, im Grunde die ganze Zeit“ in einem viralen YouTube -Video, das ungefähr 8,5 Millionen Aufrufe angesammelt hat.

Obwohl die Finanzierung von über 240 Millionen US -Greenback gesammelt wurde, einschließlich Investitionen von bemerkenswerten Zahlen wie Sam Altman von Openai und Marc Benioff von Salesforce, bemühte sich das Startup, die Dynamik aufrechtzuerhalten. Berichten zufolge kehrten mehr Verbraucher zwischen Mai und August 2024 den KI -Pin zurück als gekauft. Nach einem starken Rückgang der Benutzerzufriedenheit nach frühen Überprüfungen riet die Gründer Berichten zufolge den Mitarbeitern, sich auf negatives Suggestions vorzubereiten.

Der Gerätestart hatte hochkarätige Auftritte, darunter Naomi Campbell, die während der Pariser Modewoche den Pin präsentiert. Eine Überprüfung im Verge schloss jedoch mit dem Gefühl „Ich nehme jetzt mein Telefon zurück, danke“ und betont die Unzulänglichkeiten des Geräts.

Die Entscheidung von Humane, den KI -Pin einzustellen, übereinstimmt mit seiner breiteren Verschiebung. In einer kürzlichen Ankündigung bestätigte das Unternehmen seine Akquisition durch HP, die ein AI -Innovationslabor mit dem Namen HP IQ einrichten wird, wobei Humane’s Private und über 300 Patente verwendet werden. Die finanziellen Bedingungen des Geschäfts beinhalten eine Zahlung von 116 Millionen US -Greenback an Humane für seine Mitarbeiter und das geistige Eigentum.

Das Unternehmen hat erklärt, dass Kunden, die nach dem 15. November einen humanen KI-Pin erhalten haben, für Rückerstattungen berechtigt sind, obwohl kein Handelsplan oder Austausch verfügbar sind. Durch die Schließung des Produkts des Produkts werden rund 10.000 verkaufte Einheiten in Richtung E-Abfallstatus auftreten, was zu der wachsenden Besorgnis über weggeworfene Technologie beiträgt.

Experten für Elektronikrecycling haben festgestellt, dass kleine Wearables wie der KI-Pin aufgrund ihrer arbeitsintensiven Recyclingprozesse und schwer zu bewegenden Komponenten, insbesondere der Batterien, die durch klebrierte Panels verdeckt sind, vorgestellt werden.

---

Ausgewähltes Bildnachweis: Human