Jensen Huang tritt zurück: Was das für Nvidia und die KI-Lieferkette heißt

Die große These

Kleine, schnelle Entscheidungen werden zum Baustein jeder KI-Architektur: Googles Decisions API, selbst trainierte Entscheidungsmodelle und Modell-Weichen sortieren vor, bevor ein großes Modell handelt. Gleichzeitig zeigt der Wettlauf um Gemini 4 Carbon und Fable 5.2, dass der Preis je Token wenig über die Kosten je Aufgabe sagt, und der Rücktritt von Nvidia-Chef Jensen Huang am Aufnahmetag macht sichtbar, wie stark die KI-Lieferkette an einzelnen Personen hängt.

Warum diese Folge wichtig ist

Die Folge verbindet drei Ebenen. Konzernrisiko: Nvidia ist Motor des KI-Booms, und ein Rücktritt ohne erkennbaren Nachfolgeplan zeigt das Schlüsselpersonen-Risiko (Key-Man-Risk) eines Unternehmens, das Chips, Lieferkette und Entscheidungen eng an seiner Spitze bündelt. Werkzeuge: Googles Decisions API, Gemini 4 Carbon und Fable 5.2 verschieben, wie Unternehmen Modelle auswählen; entscheidend sind die eigene Messung, der Harness (die Arbeitsumgebung rund um das Modell) und die Kosten je erledigter Aufgabe, nicht Ranglisten. Märkte und Anwendung: Der Ramp AI

Index, AlphaGenome 2, der geplante Anthropic-Börsengang und OpenAIs neue Unternehmensprofile in ChatGPT zeigen, wo KI heute bezahlt, erforscht und sichtbar gemacht wird. Alle Finanzthemen sind Einordnung und keine Anlageberatung.

Der Praxis-Tipp

In der vierten Folge mit dem Segment hält die Folge dreimal an, und Yusufs KI-Avatar formuliert einen Tipp aus dem Gespräch klar aus, mit drei Schritten und einem Merksatz.

Tipp 1 · Modell-Weiche nach Kosten je Aufgabe: Wer mehrere Modellklassen nutzt, lässt eine Weiche entscheiden, welches Modell die Aufgabe bekommt, zum Beispiel über eine Decisions-API oder ein eigenes Entscheidungsmodell. Prüft an zwanzig echten Fällen je Aufgabenart, welches kleinste Modell sie besteht, schaltet eine Weiche davor und teilt alle Kosten durch die bestandenen Aufgaben. Merksatz: „Klein zuerst, groß nur bei Bedarf.“
Tipp 2 · Moonshot-Liste für neue Modelle: Führt eine Liste mit Aufgaben, an denen euer heutiges Modell scheitert. Schreibt fünf bis zehn davon mit Erfolgskriterium auf, testet jedes neue Modell zweimal (mit Schrittanleitung und nur mit Ziel) in einer abgeschotteten Testumgebung und wechselt erst, wenn es dort Aufgaben löst. Merksatz: „Messt am Scheitern, nicht an Bestenlisten.“ Hintergrund: Yusufs Beobachtung, dass ein starkes Modell mit einer reinen Zielvorgabe besser abschnitt als mit enger Schrittvorgabe (seine Erfahrung, kein allgemeiner Befund)
Tipp 3 · Agent gegen die echte Historie testen: Testet KI-Agenten an abgeschlossenen Fällen aus der eigenen Vergangenheit. Ersetzt Namen lokal durch Kennungen und prüft die Zuordnung an Stichproben, sperrt dem Agenten E-Mail und Schreibzugriff, vergleicht jede Entscheidung mit der Entscheidung eurer Mitarbeiter und trennt Abweichungen nach Ursache: Modell, Daten oder Ersetzung. Merksatz: „Die Wirklichkeit ist der Prüfstein.“ Einordnung: Mit Zuordnungstabelle ist es Pseudonymisierung, die Datenschutz-Grundverordnung gilt weiter

Themen der Folge

Nvidia ohne Jensen Huang: Christian und Yusuf sprechen zu Beginn über das Schlüsselpersonen-Risiko bei Nvidia. Einordnung: Huang ist seit 33 Jahren CEO (Mitgründer 1993), hält laut Berichten rund 3,6 Prozent der Anteile, hat keine Aktienklasse mit Sonderstimmrechten und führt laut TechCrunch mehr als 60 direkte Berichte. Einen erkennbaren Nachfolgeplan gab es laut TechCrunch nicht. Während der Aufnahme kommt die Meldung, die Nvidia am 12.11.2026 bestätigt: Huang ist mit sofortiger Wirkung als President, CEO und Verwaltungsratsmitglied zurückgetreten, Finanzchefin Colette Kress übernimmt interimistisch das Amt, Harvey C. Jones ist erster Chair des Verwaltungsrats, die Nachfolgersuche läuft intern und extern. Was darüber hinaus öffentlich bekannt ist, steht in der Nvidia-Mitteilung; Vermutungen und Spekulationen der Hosts zu Hintergründen und Motiven sind in der Folge als Meinung gekennzeichnet und werden hier nicht wiederholt
Lieferkette ohne Dirigent (Yusufs Sicht): Yusuf sieht Nvidia als Organisator der gesamten KI-Lieferkette von TSMC über Energie und Logistik bis zur Glasfaser und bezweifelt, dass AMD, Google, Broadcom oder Intel kurzfristig in diese Rolle springen. Einordnung: Das ist seine Einschätzung; Google vermietet und liefert TPUs an Dritte, Broadcom ist Partner für kundenspezifische Chips
Börse: Yusuf nennt die Kursentwicklung der Woche. Einordnung: Die Nvidia-Aktie fiel vom 03.11. zum 10.11. von 206,69 auf 168,89 Dollar (minus 18,3 Prozent); am 12.11. gab sie laut CNBC und NBC im Tagesverlauf zeitweise zweistellig nach, der Börsenwert lag knapp unter 4 Billionen Dollar (Intraday-Werte, kein Schlusskurs). In einem Monat lag das Minus laut CNBC bei über 20 Prozent, laut Yahoo Finance bei knapp 25 Prozent. Die nächsten Quartalszahlen von Nvidia sind laut Terminankündigung für den 17.11.2026 angesetzt. Keine Anlageberatung
Black Swan: Yusufs Lehre aus dem Tag: Ereignisse, die keiner auf dem Zettel hat, lassen sich nicht vorhersagen, und Prognosen sind mit Vorsicht zu lesen. Christian rechnet am Jahresende mit einer Abrechnung der eigenen Prognosen für 2026 und erinnert an seine Vorhersage eines Google Core Updates, das am 10.11.2026 gestartet ist
KI’s next Topmodel, Googles Decisions API: Das Gemini-Decisions-Modell (gemini-decision-1) beantwortet seit 11.11.2026 Ja/Nein-Fragen, Multiple-Choice-Fragen mit 2 bis 255 Optionen und Bewertungsfragen, laut Google bis zu 1.000 Fragen je Anfrage in 150 bis 250 Millisekunden, zu 0,10 Dollar je Million Input-Token und ohne Output-Token. Einsatzfall ist auch das Routing einer Anfrage zum passenden Modell. Christian plant einen Model Router für seine Modellpalette
Selbst trainierte Decision-Modelle: Yusuf trainiert eigene Entscheidungsmodelle auf Basis von ModernBERT, einem kompakten Sprachmodell für Klassifikation, und kleinen Sprachmodellen mit LoRA-Adaptern, also kleinen Zusatzgewichten für eine Aufgabe. In seinen Tests waren sie in vielen Bereichen besser als das Anbieter-Modell, nicht in allen; bei Weltwissen und Stimmungsanalyse liegt der Anbieter vorn (Yusufs Erfahrung, nicht extern geprüft). Sein Prinzip: vorkategorisieren, kleiner fokussierter Kontext, das große Modell nur für die Ausführung. Seine Sentiment-Pointe: Wer genug Trainingsdaten wütender Kunden hat, sollte sein Geschäftsmodell ändern, nicht sein Modell. Danach Praxis-Tipp 1
Gemini 4 Carbon breit verfügbar: Nach der Freigabe für ausgewählte Cyber-Verteidiger (Folge 98) ist Carbon seit 10.11.2026 über die API (AI Studio, Gemini for business) und mit Google AI Ultra verfügbar, unter anderem in Antigravity, der Gemini-App und dem AI Mode der Suche. Laut Google gibt es eine Swarm-Funktion (Vorschau, `/swarm` in Antigravity): Ein Prompt erzeugt ein koordiniertes Agenten-Team, Carbon plant, leichtere Modelle arbeiten parallel. Herstellerangaben: 0 Prozent Angriffserfolg im Prompt-Injection-Benchmark Gray Swan IPI, 98 Prozent verweigerte Erfindung fehlender Daten in internen Ehrlichkeitstests. Google selbst schreibt, Prompt Injection bleibe ein Bereich für weitere Verbesserung
Prompt Injection: besser geschützt, nicht gelöst: Einordnung: Auch Anthropic nennt für Claude Opus 5 in der Systemkarte keinen Wert von null, sondern 2,0 Prozent Angriffserfolg in 15 Versuchen im Gray-Swan-Test (0,2 Prozent beim Einzelversuch) und weist darauf hin, dass statische Tests die Sicherheit überschätzen. Beide Zahlen sind Herstellerangaben. Yusuf erklärt zudem Alignment und Thinking-Tokens und berichtet von einem Gespräch mit einem DeepMind-Mitarbeiter über Ehrlichkeit in Modellen; was davon in Carbon steckt, ist offen
Harness vor Modell (Yusufs These): Google sei mit Carbon wieder an der Frontier und vor OpenAI. Einordnung: Im Artificial Analysis Intelligence Index v5 liegen Fable 5.2 bei 65, Gemini 4 Carbon bei 60, Opus 5.5 bei 59 und GPT-6 Astra bei 57 Punkten. Yusufs Kritik: Antigravity mit Carbon gibt es nur im Ultra-Abo, und für ihn passiert „alles im Harness“, das Modell sei ihm fast egal. Das ist seine Sicht
Fable 5.2: Braucht der Mittelstand das? Christian fragt, ob Unternehmen ein so starkes Modell brauchen. Einordnung: Pro- und Team-Nutzer können Fable-Modelle vom 09. bis 16.11.2026 mit bis zu 50 Prozent des Wochenlimits testen, danach über Usage Credits. Der Preis je Million Token sank von 10/50 auf 8/40 Dollar (minus 20 Prozent), Gemini 4 Carbon kostet im Einführungszeitraum bis 30.11. 2/10 Dollar, danach 4/20. Weniger Token als Fable 5.1 bei mittlerem Aufwand ist eine Herstellerangabe von Anthropic. Je Index-Aufgabe bei maximalem Aufwand liegen laut Artificial Analysis Fable 5.2 bei 26,50 Dollar, Fable 5.1 bei 12,99, Opus 5.5 bei 10,00 und Gemini 4 Carbon bei 7,76. Der Preis je Token und die Kosten je Aufgabe laufen also auseinander; über den eigenen Fall entscheidet nur die eigene Messung
Moonshot-Liste und „Ziel statt Weg“: Yusuf führt eine Liste von Projekten, die das jeweils letzte Modell nicht geschafft hat, und nutzt sie als Gradmesser. Seine Erfahrung mit Fable 5.2: besser nur das Ziel nennen als enge Schritte vorzugeben. Danach Praxis-Tipp 2
Zwilling vom Zwilling: Yusuf hat einen digitalen Zwilling seiner Firma mit anonymisierten Daten nachgebaut und von einem Frontier-Modell steuern lassen: etwa 3 Prozent Fehlerrate, ein großer Teil davon durch die Anonymisierung (Kennungen für Kunden und Seriennummern). Der Nachweis sei der Vergleich mit dem, was der Mitarbeiter tatsächlich getan hat, in einer Sandbox ohne Außenwirkung. Der Test kostete drei Ultra-Accounts und las rund 2 Milliarden Token; über die API wäre er laut Yusuf unbezahlbar gewesen (eigene Angaben). Danach Praxis-Tipp 3
Fast Mode: Der optionale Fast Mode von Fable 5.2 kostet das Doppelte (16/80 statt 8/40 Dollar je Million Ein- und Ausgabe-Token) bei bis zu 2,5-mal schnellerer Ausgabe. Yusufs Scherz zu Werbe-Timern wie bei Instagram ist Spekulation
Ramp AI Index: Laut The Neuron (Ramp-Daten) stiegen die KI-Ausgaben von US-Firmen im Oktober 2026 um 1,65 Prozent zum Vormonat. Das oberste Prozent der Firmen gibt im Median 10.199,20 Dollar je Mitarbeiter und Monat aus, die typische Firma 16,32 Dollar. Ein Prozent der Firmen steht laut Ramp für 80 Prozent der Ausgaben der Ramp-Kunden für OpenAI und Anthropic (nicht für deren Gesamteinnahmen). Ramp-Kunden sind US-Firmen mit Ramp-Karte und nicht repräsentativ
Yusufs Lesart: Das sei kein Zeichen schwacher Nachfrage. Enterprise-Entscheidungen dauerten länger als ein Modellzyklus, nutzbare Agenten gebe es erst seit Anfang 2026 (OpenClaw), und das Angebot sei durch Strom und Rechenleistung begrenzt. Seine Prognose (Stand 12.11.2026): In drei Monaten tragen kleine Modelle den Großteil der Token, nach dem Jevons-Paradox: Je billiger, desto mehr Nutzung. Mittleres Management blockiere oft, weil es nur verlieren könne (seine Sicht). Christian ergänzt das Not-invented-here-Problem und rät zu Partnern an der Seite
AlphaGenome 2 (Google DeepMind, 11.11.2026): Das Modell sagt voraus, wie DNA-Varianten in einzelnen Zelltypen wirken. Trainiert wurde es auf mehr als 107 Millionen Einzelzellprofilen von Mensch und Maus aus 68 Geweben. Anders als der Vorgänger, der eine Million DNA-Buchstaben las und tausende Vorhersagen parallel machte, ist es ein konditionales Modell: Gewebe, Zelltyp oder Zustand gehen in jeder Stufe als Eingabe ein. Laut DeepMind findet es fast doppelt so viele kausale Varianten (30 gegen 16 Prozent), steht Forschenden nicht-kommerziell per API zur Verfügung (kommerziell als private Vorschau), lässt sich mit wenigen eigenen Zellen ohne Neutraining nutzen und ist nur für die Forschung gedacht, nicht klinisch validiert
Fact-Check zu AlphaGenome: Yusuf bittet selbst um Korrektur, und der Fact-Checker (Yusufs KI-Avatar) ordnet ein: Das menschliche Genom hat rund 3 Milliarden Basenpaare, aber nur rund 20.000 proteinkodierende Gene, und AlphaGenome 2 sagt molekulare Effekte je Zelltyp voraus, keine Merkmale oder Krankheitsbilder. Yusuf betont, kein Biologe zu sein; Christian sucht einen Gast aus der Genetik
Anthropic-Börsengang: Yusuf liest den aktuellen S-1/A-Entwurf bei der SEC und ordnet ein, ausdrücklich keine Anlageberatung. Einordnung: Angeboten werden laut Anthropic rund 825 Millionen Aktien zu 70 bis 78 Dollar, also etwa 58 bis 64 Milliarden Dollar. Sieben Zulieferer (laut Berichten AMD, Broadcom, Google, Micron, Microsoft, Nvidia und TSMC) zeichnen zusätzlich stimmrechtslose Class-N-Aktien über zusammen 26 Milliarden Dollar, davon Google laut SEC-Vertrag 10 Milliarden. Roadshow seit 10.11., Preisfestlegung und Handelsstart laut Berichten am 18. und 19.11.2026. Die Bewertung liegt je nach Zählung bei etwa 0,9 bis 1,0 Billionen Dollar (ausstehende Aktien) bis rund 1,4 Billionen (vollverwässert). Ein Privatanleger-Anteil von bis zu rund 20 Prozent ist eine Zielgröße, eine Zuteilung ist nicht garantiert. Bookbuilding, also das Sammeln von Kaufgeboten vor der Preisfestlegung, erklärt Yusuf im Gespräch
OpenAI und die Finanzierung: Laut früheren Berichten wollte OpenAI 30 Milliarden Dollar bei 1,4 Billionen Bewertung aufnehmen und erhielt zunächst rund 11 Milliarden Dollar bei 1,25 Billionen (vor dem Geld, erste Tranche). Yusuf sieht darin einen Stimmungswechsel am Markt; das ist seine Einschätzung
Business in ChatGPT: Seit 10.11.2026 (Beta) können Unternehmen verifizierte Profile pflegen, bekommen aggregierte Sichtbarkeitsdaten (Erwähnungen und Klicks, keine einzelnen Prompts), können Produktfeeds hinterlegen, und berechtigte US-Firmen können Marken-Agenten anbieten. Christian steht auf der Warteliste und vergleicht das Angebot mit einer Search Console für ChatGPT, Yusuf mit Google Business Profiles. Ob und wann es in Europa verfügbar ist, ist offen; Nutzungsbedingungen und Datenschutz vorab prüfen
Verabschiedung: Yusuf ist nächste Woche in Köln und freut sich über Treffen

Kapitelmarken

00:00 – Cold Open (KI-Yusuf)
00:46 – Intro
01:04 – Begrüßung
01:20 – Nvidia: Druck auf CEO Jensen Huang
07:39 – Key-Man-Risk: Nur die Nvidia-Aktie fällt
09:36 – 60 Direct Reports und die Lieferkette
13:40 – 3,6 Prozent und keine Schutzklausel
20:21 – Yusufs These: Ein Nachfrageproblem bei Nvidia?
23:31 – Schwarze Schwäne: Warum Prognosen scheitern
25:59 – KIs next Topmodel: Googles Decisions API
27:07 – Eigene Decision-Modelle trainieren
32:38 – Der Praxis-Tipp 1/3: Modell-Weiche
33:17 – Gemini 4 Carbon: Breit verfügbar, mit Swarm
35:59 – Prompt Injection: Ist das Problem gelöst?
39:38 – Google wieder vorn, der Harness entscheidet
41:32 – Claude Fable 5.2: Braucht der Mittelstand das?
43:31 – Preis je Token oder Kosten je Aufgabe?
46:07 – Moonshot-Liste: Was neue Modelle erst können
49:12 – Der Praxis-Tipp 2/3: Moonshot-Liste
49:50 – Yusufs Test: Ein Agent steuert den Firmenzwilling
54:34 – Der Praxis-Tipp 3/3: Agent gegen echte Historie
55:12 – Fast Mode, Kosten und Werbung im Abo
57:38 – Ramp AI Index: Wenige Firmen zahlen den Großteil
59:06 – Doomsaying und lange Enterprise-Zyklen
01:03:52 – Knapper Strom: Kleine Modelle übernehmen
01:06:06 – Einführung: Das mittlere Management bremst
01:13:45 – AlphaGenome 2: DNA-Varianten je Zelltyp
01:16:53 – Genotyp und Phänotyp: Yusufs Einordnung
01:24:10 – Anthropic-Börsengang: Aufbau des Angebots
01:28:03 – OpenAI-Finanzierung und Bewertungen
01:34:22 – OpenAI: Businesses in ChatGPT
01:38:05 – Eilmeldung: Jensen Huang tritt zurück
01:42:07 – Verabschiedung

Key Takeaways

Schlüsselpersonen-Risiko ist ein Geschäftsrisiko: Wo Lieferkette, Chips und Entscheidungen an einer Spitze gebündelt sind, wird ein Rücktritt ohne Nachfolgeplan zum Marktereignis. Prüft eigene Abhängigkeiten von einzelnen Personen und Anbietern.
Vorkategorisieren spart Kosten: Eine kleine, schnelle Entscheidungsstufe vor dem großen Modell macht Abläufe billiger und fehlerärmer. Ob selbst trainiert oder eingekauft, entscheidet die eigene Messung auf demselben Testset.
Preis je Token ist nicht Preis je Aufgabe: Fable 5.2 ist je Token günstiger als sein Vorgänger, je Index-Aufgabe laut Artificial Analysis aber teurer als Opus 5.5 und Gemini 4 Carbon. Rechnet Kosten je erledigter Aufgabe.
Besser geschützt heißt nicht gelöst: Bei Prompt Injection nennen Anthropic (2,0 Prozent bei Opus 5) und Google (0 Prozent bei Carbon) Herstellerwerte und sehen weiteren Verbesserungsbedarf. Agenten brauchen mehrstufige Abwehr.
Testet an eurem Scheitern: Eine Liste gescheiterter Aufgaben und der Vergleich mit der echten Historie sind bessere Gradmesser als Bestenlisten.
Ramp-Zahlen sind eine Stichprobe: 1,65 Prozent Wachstum im Oktober und die Konzentration auf wenige Firmen betreffen Ramp-Kunden, nicht den ganzen Markt.
Forschungsmodelle sind keine Diagnose: AlphaGenome 2 sagt molekulare Effekte je Zelltyp voraus, ist nicht klinisch validiert und ersetzt kein Fachwissen.
Börsenthemen sind Einordnung: Zu Anthropic-Börsengang und Nvidia-Kurs gilt: keine Anlageberatung, Zahlen sind Momentaufnahmen.

Bester Satz der Folge

„Du willst nicht für alles ein LLM verwenden, sondern vorher kategorisieren und einen möglichst kleinen, fokussierten Kontext haben.“ (Yusuf Sar, im Kapitel zu Googles Decisions API)

Links und Ressourcen

**Nvidia und Jensen Huang**

**Decisions API, Gemini 4 Carbon und Fable 5.2**

**Ramp AI Index**

**AlphaGenome 2**

**Anthropic-Börsengang und OpenAI**

Hosts

Call to Action

Ihr kennt euch mit Genetik aus und wollt in einer der nächsten Folgen mitdiskutieren? Meldet euch bei uns, Christian sucht einen Gast. Und sagt uns, welcher der drei Praxis-Tipps euch am meisten hilft, gebt uns gern auch kritisches Feedback und empfehlt die Folge weiter.

Hashtags

#KI #KIPraxis #Nvidia

Episode-Details

Episode: 99
Explizit: Nein
Sprache: de
Aufnahmedatum: 2026-11-12
Veröffentlichung: [Platzhalter: Datum folgt] Dauer: 1:44:34

Erfahren Sie mehr

Ihr Wartungsspezialist für alle großen Hardware Hersteller

Durch Jahrzehnte lange Erfahrung wissen wir worauf es bei der Wartung Ihrer Data Center Hardware ankommt. Profitieren Sie nicht nur von unserer Erfahrung, sondern auch von unseren ausgezeichneten Preisen. Holen Sie sich ein unverbindliches Angebot und vergleichen Sie selbst.

Erfahren Sie mehr