Googles lang erwartetes Gemini 3.5 Pro kommt mit 2M-Token-Kontext und Deep Think Reasoning. SpaceX schließt den weltgrößten Startup-Deal ab. Meta launcht sein erstes bezahltes KI-Modell. Claude Fable 5 tritt der Frontier bei. Das globale VC-Volumen erreicht rekordverdächtige 510 Mrd. $ in H1 2026.
Die Woche vom 17. bis 24. Juli 2026 wird als der Moment in Erinnerung bleiben, in dem sich die KI-Frontier gleichzeitig in alle Richtungen ausdehnte. Google lieferte endlich das Gemini 3.5 Pro, das wegen eines architektonischen Neubaus verzögert worden war — und folgte nur vier Tage später mit Gemini 3.6 Flash nach. SpaceX schloss offiziell die 60-Milliarden-Dollar-Übernahme von Cursor ab, den weltgrößten Startup-Deal aller Zeiten, und veröffentlichte Grok 4.5 als erstes gemeinsames Modell. Meta trat mit Muse Spark 1.1 in den bezahlten KI-Markt ein. Anthropics Claude Fable 5 erschien als neues Reasoning-Flaggschiff. Und die Zahlen aus dem ersten Halbjahr 2026 machten das Ausmaß der KI-Investitionswelle unbestreitbar: Das globale VC-Volumen erreichte 510 Milliarden Dollar, fast ausschließlich durch KI-bezogene Deals getrieben.
Zusammenfassung: Gemini 3.5 Pro startet am 17. Juli (2M Kontext, Deep Think Reasoning Layer); Gemini 3.6 Flash folgt am 21. Juli. SpaceX schließt die 60-Mrd.-$-Cursor-Übernahme ab und launcht Grok 4.5 MoE. Meta debütiert Muse Spark 1.1 — erstes bezahltes Meta-KI-Modell — mit 1M Kontext und Computer-Use. Claude Fable 5 verfügbar für $10/$50 pro Million Tokens. Globales VC: 510 Mrd. $ in H1 2026, neuer Rekord. Together AI sammelt 800 Mio. $ bei einer Bewertung von 8,3 Mrd. $ ein. Kroatiens Hypefy sammelt 7,2 Mio. $ in Series A ein. ICML 2026 führt selektive Aktivierungssparsität ein.
Nach einer vielbeachteten Verzögerung durch einen architektonischen Neubau lieferte Google DeepMind am 17. Juli Gemini 3.5 Pro — ein Modell, das die bedeutendste Abkehr von Geminis bisheriger Architektur seit dem ursprünglichen 1.0-Launch darstellt. Der Neubau war kein kleiner Versionssprung: Googles Ingenieursteam schrieb Kernkomponenten des Transformer-Stacks neu, um den sogenannten Deep Think Reasoning Layer zu unterstützen — einen expliziten Reasoning-Mechanismus, der bewusstes Chain-of-Thought-Computing von der standardmäßigen Token-Vorhersage trennt.
2M-Token-Kontext, Deep Think Reasoning Layer, autonome Workflow-Fähigkeiten. Neu gebaute Architektur für komplexes mehrstufiges Reasoning, wissenschaftliche Forschung und Enterprise-Agentik-Aufgaben.
Geschwindigkeitsoptimierter Nachfolger, der nur vier Tage nach 3.5 Pro erscheint. Zielt auf Hochvolumen-Workloads, Echtzeit-Anwendungen und kostensensitive Deployments auf Google Cloud.
Text-to-Speech-Modell mit Unterstützung für 70+ Sprachen, derzeit in der Vorschau. Entwickelt für Sprachassistenten, Zugänglichkeitswerkzeuge und mehrsprachigen Kundenservice.
In Boston Dynamics Roboter über Google Cloud-Partnerschaft integriert. Ermöglicht verkörpertes Reasoning für KI-Systeme in der physischen Welt — Manipulation, Navigation, Objekterkennung.
Das 2-Millionen-Token-Kontextfenster ist nicht nur eine Benchmark-Schlagzeile. In der Praxis bedeutet es, dass ein Unternehmens-Deployment ein gesamtes Vertragsportfolio, eine vollständige Codebasis oder eine mehrjährige Kundeninteraktionshistorie in einem einzigen API-Aufruf verarbeiten und kohärent darüber schlussfolgern kann. Bislang erforderten die meisten Enterprise-KI-Architekturen komplexe RAG-Systeme zur Kompensation kürzerer Kontexte. Mit nativen 2M Tokens vereinfacht sich die Architektur für viele Enterprise-Use-Cases erheblich — was Latenz reduziert, Abruffehler eliminiert und die Engineeringkomplexität verringert.
Wettbewerbspositionierung: Gemini 3.5 Pro konkurriert direkt mit Claude Fable 5 (1M-Token-Kontext, $10/$50 pro Million Tokens) und OpenAI Sol im Frontier-Reasoning-Segment. Frühe Benchmarks deuten darauf hin, dass 3.5 Pro beim wissenschaftlichen Reasoning und bei Langdokument-Aufgaben führt; Fable 5 führt bei der Instruktionsbefolgung und Agentik-Aufgabenabschluss; Sol führt beim Coding. Die Enterprise-Entscheidung dreht sich nicht mehr darum, welches Modell „am besten" ist, sondern welches für Ihren spezifischen Workload am besten ist.
Die Übernahme von Cursor (entwickelt von Anysphere, gegründet von MIT-Forschern) durch SpaceX für 60 Milliarden Dollar in Aktien wurde diese Woche offiziell abgeschlossen und ist damit die größte Startup-Übernahme der Geschichte. Cursor hatte 1 Milliarde Dollar ARR überschritten — schneller als fast jedes andere B2B-Softwareunternehmen der Geschichte — und der Deal bewertet es mit dem 60-fachen des Umsatzes.
Tage nach dem Abschluss veröffentlichten SpaceX AI (xAIs neues Elternlabel) und Cursor gemeinsam Grok 4.5 — ein Mixture-of-Experts-Modell mit 1,5 Billionen Parametern, trainiert auf Cursors Interaktionsdatensatz, dem größten Korpus realer Coding-Sessions, der je zusammengestellt wurde. Das Modell erzielte 83,3 % auf Terminal-Bench 2.1. Preisgestaltung: $2 Input / $6 Output pro Million Tokens — deutlich unter GPT-5.6 Sol und Claude Fable 5.
Warum dies über das Coding hinaus wichtig ist: Cursors Trainingsdaten sind nicht nur Code. Sie enthalten den vollständigen Kontext, wie Ingenieure Entscheidungen treffen: die Abfragen, die sie ausführen, die Dokumentation, die sie lesen, die Fehler, die sie debuggen. Ein auf diesen Daten trainiertes Modell lernt technisches Urteilsvermögen, nicht nur Syntax. Dieses Urteilsvermögen überträgt sich auf angrenzende Domänen — Datenanalyse, technisches Schreiben, Systemdesign.
Meta hat in den letzten zwei Jahren Open-Source-Modelle kostenlos veröffentlicht. Das änderte sich am 9. Juli mit dem Launch von Muse Spark 1.1 — Metas erstem kommerziellem bezahltem KI-Modell zum Preis von $1,25 Input / $4,25 Output pro Million Tokens. Der Schritt signalisiert, dass Meta bereit ist, seine KI-Fähigkeiten direkt zu monetarisieren, anstatt sich ausschließlich auf Werbung zu verlassen.
1M-Token-Kontextfenster. Computer-Use-Fähigkeiten auf Desktop, Browser und Mobilgeräten. Platz 1 auf JobBench und Finance Agent V2. Metas erstes bezahltes kommerzielles KI-Modell.
Die Computer-Use-Fähigkeit — die dem Modell erlaubt, Desktop-, Browser- und Mobil-Interfaces zu steuern — ist bemerkenswert. Bisher war zuverlässiges Computer-Use ein Differenzierungsmerkmal für Claude Sonnet 5. Metas Eintritt in diesen Bereich zu einem deutlich niedrigeren Preis wird die Margen bei Computer-Use-Automatisierungs-Deployments komprimieren und die Adoption unter kostenempfindlichen KMUs beschleunigen.
Anthropics neuestes Flaggschiff-Modell kommt mit einem 1M-Token-Kontextfenster und ist als stärkstes Reasoning-Modell in Anthropics Lineup positioniert. API-Preisgestaltung: $10 Input / $50 Output pro Million Tokens — Premium-Positionierung, die seine Zielgruppe widerspiegelt: Enterprise-Forschung, komplexe mehrstufige Agentik-Workflows und Aufgaben, bei denen Genauigkeit und Reasoning-Tiefe wichtiger sind als Kosten pro Token.
Das meistdiskutierte Paper der diesjährigen International Conference on Machine Learning führt eine Trainingstechnik namens selektive Aktivierungssparsität ein. Die Kernaussage: Anstatt alle Parameter eines Modells für jede Inferenz zu aktivieren, trainiert selektive Aktivierungssparsität Modelle darin, nur die für jede spezifische Aufgabe relevanteste Teilmenge der Parameter zu identifizieren und zu verwenden.
Auf Reasoning-Benchmarks erzielten mit selektiver Aktivierungssparsität trainierte Modelle die Leistung von Modellen mit dreimal so vielen Rohparametern. Die praktischen Implikationen:
Weitere Forschungsergebnisse dieser Woche: Forscher der Universität Osaka nutzten ein KI-Simulationsmodell, um lang offene Fragen zu den anomalen physikalischen Eigenschaften von Wasser zu lösen. Separat verkürzte eine KI-beschleunigte Neutronenstern-Simulation die Zeit erheblich, die zur Modellierung der Produktion schwerer Elemente (Gold, Platin) in Sternverschmelzungen benötigt wird.
Together AI, das Cloud-Infrastruktur für das Training und den Betrieb von Open-Source-KI-Modellen bereitstellt, sammelte 800 Mio. $ in einer Series-C-Runde bei einer Unternehmensbewertung von 8,3 Milliarden Dollar ein. Die Runde signalisiert anhaltendes Investorenvertrauen, dass Open-Source-Modell-Infrastruktur einen dauerhaften Markt darstellt — insbesondere für Organisationen mit Datenanforderungen oder strengen Kostenbeschränkungen.
Das Stockholmer Neko Health — gegründet von Spotifys Daniel Ek — sammelte 700 Mio. $ ein, um seine KI-gestützte präventive Gesundheitsdiagnostik-Plattform in Europa und den USA zu erweitern. Die Plattform nutzt Ganzkörper-Scans und KI-Analyse, um Stoffwechsel-, Herz-Kreislauf- und onkologische Erkrankungen Jahre vor dem Auftreten von Symptomen zu erkennen.
Mit leistungsfähigen Modellen zu $1–$5 pro Million Tokens und ausgereiften Orchestrierungs-Frameworks ist der Einsatz eines Produktions-KI-Agenten für ein kleines Unternehmen kein sechsmonatiges Engineering-Projekt mehr. Hier ist ein praktischer Rahmen für den Start innerhalb einer Woche.
Die KI-Agenten mit dem höchsten ROI sind eng fokussiert und repetitiv — Aufgaben, die einem qualifizierten Mitarbeiter 30–60 Minuten kosten, mehrmals täglich anfallen und einem konsistenten Prozess folgen. Gute erste Kandidaten:
Nicht jede Aufgabe braucht ein Frontier-Modell. Als grobe Orientierung:
Für die erste Version keinen vollautonomen Agenten einsetzen. Stattdessen einen Workflow bauen, bei dem der Agent eine Aktion entwirft und ein Mensch sie vor der Ausführung genehmigt. Dies fängt Fehler ab, bevor sie externe Auswirkungen haben, baut das Teamvertrauen in das System auf und erzeugt hochwertige Trainingsbeispiele für zukünftiges Fine-Tuning.
Das kroatische KI-Startup Hypefy schloss eine 7,2-Mio.-$-Series-A ab — eine bedeutende Runde für Kroatiens Startup-Ökosystem. Hypefy entwickelt KI-gestützte Tools für Influencer-Marketing und Markeninhaltsleistung und hilft Marken, hochrentable Creator-Partnerschaften zu identifizieren und die Inhaltsverteilung auf sozialen Plattformen zu optimieren. Die Runde positioniert Hypefy zur Expansion in den DACH- und weiteren CEE-Märkten.
Das Zagreber Arkensight entwickelt weiterhin seine KI-Plattform für visuelle Intelligenz für CCTV-, Drohnen- und Satellitenbildanalyse — fokussiert auf Asset-Erkennung und Schadensbewertung für Versicherungs-, Infrastruktur- und Regierungskunden. Die Plattform nutzt Computer Vision, um zu automatisieren, was derzeit manuelle Überprüfung durch ausgebildete Analysten erfordert, und reduziert die Bewertungszeit von Tagen auf Stunden.
Kroatien beherbergt jetzt mindestens 36 aktive generative KI-Unternehmen (ensun.io), darunter etablierte Akteure wie Mindsmiths (Enterprise-KI-Tools), Gideon Brothers (KI-autonome Gabelstapler) und Memgraph (Graphdatenbank für KI-Anwendungen). Kroatiens Teilnahme an der CEE-Tech-Wachstumsgeschichte spiegelt die Talentdichte der Zagreber technischen Universitäten und die Kostenwettbewerbsfähigkeit für die frühe Produktentwicklung wider.
Gemini 3.5 Pro, Muse Spark 1.1, Claude Fable 5 — zu wissen, welches Modell zu Ihrem spezifischen Workload passt, ist der Unterschied zwischen einem gescheiterten Piloten und einem Produktionssystem. AI Workshop hilft kroatischen und europäischen Unternehmen, die Modelllandschaft zu navigieren, die richtige Architektur zu entwerfen und Agenten zu entwickeln, die messbare Ergebnisse liefern.
Kostenloses Beratungsgespräch buchen