Websites sperren KI-Agenten aus, OpenAI wird Token-Händler

Shownotes

Die große These

Der Zugang wird zur eigentlichen Währung der KI-Wirtschaft: Websites sperren Agenten aus, Google kapselt seine Suchergebnisse ab, und OpenAI macht aus seinem Enterprise-Budget einen Marktplatz, über den sogar fremde offene Modelle verkauft werden. Gleichzeitig zeigt Europa mit Mistral Large 4, dass sich ein Billionen-Modell mit 3.800 GPUs trainieren lässt. Die Frage der Folge: Wer kontrolliert den Zugang zu Daten, Modellen und Budgets, und wer kann die großen Modelle überhaupt betreiben?

Warum diese Folge wichtig ist

Wer heute Rechercheagenten einsetzt, SEO betreibt oder KI-Budgets verantwortet, merkt gerade an drei Stellen, dass sich die Regeln ändern. Erstens beim Zugang zum Web: Hersteller-Wissensdatenbanken, Shops und Bewertungsportale blockieren Agenten, Google leitet seine Suchtreffer über eigene Umleitungen, und die üblichen SEO-Werkzeuge liefern tagelang keine Daten. Zweitens bei den Modellen: Mit Mistral Large 4,

Aleph Alpha Kolibri und Reflection AI Beam kommen innerhalb weniger Tage drei westliche Open-Weight-Modelle, aber nur eines davon ist schon herunterladbar, und ein Modell mit einer Billion Parametern betreibt kaum ein Mittelständler selbst. Drittens beim Geld: Ramp misst einen Rekord an Anbieterwechseln, Microsoft und Meta sollen ihre Claude-Budgets laut einem unbestätigten Bericht kürzen, und OpenAI positioniert sich mit dem Marketplace als zentraler Einkäufer für Enterprise-Kunden. Dazu kommt eine stille Revolution: Entscheidungsmodelle wie Cloudflares Clef oder PolicyLM, die nicht chatten, sondern in Millisekunden Ja oder Nein sagen. Christian bringt die SEO- und Marketing-Praxis mit, Yusuf die Infrastruktur- und Kostensicht.

Themen der Folge

Wieder zu zweit: Christian ist nach zwei Solo-Folgen von Yusuf zurück, das Themenpaket der Woche ist dichter denn je
Websites sperren KI-Agenten aus: Amazon hat Metas Shopping-Agenten Muse laut Berichten zwölf Tage nach dem Start blockiert, Yelp lizenziert seine Daten an OpenAI, und die klassische „Bist du ein Mensch?“-Abfrage trifft Agenten oft unabsichtlich
Yusufs Alltag mit Rechercheagenten: Fehlercodes und Teilenummern bei HP, Dell, NetApp, Fujitsu oder Cisco nachschlagen scheitert an Logins und Bot-Sperren; Cloudflare als Gatekeeper, den fast alle einsetzen (Yusuf ist selbst Cloudflare-Aktionär und Partner); Folge: Modelle halluzinieren Diagnosen, statt die Herstellerseite zu lesen
Google-Redirects: Google verlinkt Suchtreffer seit dem 26.08.2026 über eigene Umleitungs-URLs; SEO-Tools, die Rankings scrapen, und Rechercheagenten, die über Google-Ketten laufen, liefern seitdem schlechte oder gar keine Daten; Christian sieht das Problem bei Gemini Deep Research nicht
Wem gehören die Daten? Google nimmt sich laut Christian mehr, als es zurückgibt, bleibt aber für die meisten Websites die wichtigste Traffic-Quelle vor ChatGPT und Claude; Yusuf: „Im Moment ist es nur ein Nehmen“; Sorge vor einem Flickenteppich aus Walled Gardens
SEO-Tools ohne Daten: SE Ranking tagelang ohne Messwerte, Keywords zwei Wochen nicht aktualisiert, Werkzeuge für mehrere hundert Euro im Monat liefern nichts; Christians Rat: Daten aus erster Hand (Search Console, Analytics), Ahrefs hält die Keyword-Aktualisierung noch am besten; ChatGPT baut seit 2023 mit GPTBot einen eigenen Crawler, seit 2024 einen eigenen Suchindex
Christians Preferred-Source-Riecher: Nutzer können eine Website in Google als bevorzugte Quelle markieren; Christian fragte am 06.10. mittags bei Google-Search-Advocate John Mueller nach Zahlen dazu, am Abend desselben Tages kam die Meldung, dass die Search Console Betreibern per Mail mitteilt, wie viele Nutzer sie als bevorzugte Quelle gewählt haben
Cookie-Banner und Messbarkeit: mehr als die Hälfte des Traffics ist laut Yusufs Schätzung nicht mehr identifizierbar; KI-Rankings sind nicht deterministisch (fünf gleiche Abfragen, fünf Antworten); die Search Console misst unabhängig vom Cookie-Banner, wird aber durch automatische Abfragen von KI-Agenten verfälscht
Werkzeugkasten statt Schema F: Wer sich auf Standardprozesse verlässt, wird blind; Yusuf beobachtet, dass sich die SEO-Szene in die technische Ecke bewegt (Embeddings, agentische Workflows) statt Richtung Branding und Produkt-Content
Das nächste Google-Update: Christian erwartet in den nächsten vier Wochen ein großes Update, das KI-Shortcuts und Listicles abstraft, in der Tradition von Panda (2011), Penguin (2012) und Medic (2018)
KI’s Next Topmodel: Mirror Particle, ein Start-up aus San Francisco, will mit einem Weltmodell menschliches Verhalten vorhersagen; es soll laut Hersteller wie ein Säugling von Wahrnehmung bis sozialer Intelligenz lernen und Kundendaten, Ereignisse und Social Media kombinieren; Beispiele: Gen Z will Rouge statt Lidschatten, bei Tiernahrung war nicht die Verpackung das Problem, sondern das Image als Massenprodukt
Yusufs Einordnung: Verhaltensforschung ist nicht Neurowissenschaft; ohne ein wirklich lernendes Modell mit eigenem Referenzrahmen ist das nur eine Simulation, die Vorhersagen abgibt, und damit „nur ein Trick“; echte lernende Systeme wie Googles Titans (Gedächtnis zur Laufzeit) scheitern noch am Rechenaufwand; Hintergrund: Yusufs Forbes-Artikel von 2025 zu Referenzrahmen und World Models
EmbeddingGemma 2: Googles leichtgewichtiges multimodales Embedding-Modell läuft per WebGPU im Browser, braucht laut Google rund 191 MB RAM, bringt bis zu sechsfach weniger Speicherbedarf für lokale Vektordatenbanken, für reine Textaufgaben reichen 270 Mio. Parameter; Yusufs Erfahrung: multimodale Embeddings sind langfristig die Zukunft, bisher funktionierten getrennte Embeddings bei ihm aber besser
Nano Banana 2.1: laut Google besser und effizienter als Nano Banana Pro; Christian findet den Vorgänger realistischer und stört sich an den Beschränkungen bei Logos und Marken; Yusufs Lesart: Google halbiert den Bildpreis, weil im Hintergrund ein Flash-Modell läuft, Preisführerschaft statt Qualität; beide bleiben bei GPT Image; Qwen-Image 2.1 ist laut Berichten nur mit Research-Lizenz nutzbar, die ältere Version reicht; Yusufs Prognose: Open Source zieht in etwa einem halben Jahr nach
Mistral Large 4: laut Mistral ein multimodales Mixture-of-Experts-Modell mit 1 Billion Parametern (49 Mrd. aktiv), über 160 Sprachen inklusive aller EU-Amtssprachen, trainiert auf 3.800 Nvidia-Grace-Blackwell-GPUs in europäischen Rechenzentren; der Reinforcement-Learning-Lauf mit 3.000 GPUs erzeugt rund 33 Mrd. Token synthetischer Lernpfade pro Tag und ist noch nicht abgeschlossen; Gewichte sind für Ende Oktober angekündigt
Wer kann so ein Modell betreiben? Yusufs Kunden nutzen Mistral 3.5 Medium vor Ort, weil es für die meisten Aufgaben reicht; ein Billionen-Modell selbst zu hosten kostet nach seinem Überschlag eine halbe Million Euro oder mehr; API-Verfügbarkeiten von laut Yusuf unter 95 % taugen nicht für produktive Umgebungen; sein Wunsch: ein Medium 4 mit 100 bis 120 Mrd. Parametern für ein bis zwei Grafikkarten; Stärke von Mistral bleibt die Qualität in europäischen Sprachen
Was Training kostet: Je nachdem, ob mit „GPU“ ein Chip oder ein ganzer Grace-Blackwell-Schrank gemeint ist, liegt der Trainingsaufwand nach Yusufs Überschlag zwischen 20 und 500 Mio., bei reinen GPUs um 50 Mio.; die Einstiegshürde für ein eigenes Frontier-Modell ist kleiner als gedacht
Aleph Alpha Kolibri: Mixture-of-Experts mit 78,1 Mrd. Parametern (3,46 Mrd. aktiv), Apache 2.0, auf Hugging Face, Kontext bis 1 Mio. Token; trainiert auf 768 B200-GPUs in Deutschland und Finnland, 21,3 % originär deutsche Token im Vortraining, bilingualer deutsch-englischer Tokenizer; Zielgruppe öffentlicher Dienst und regulierte Branchen, Einsatzbeispiele Aktenbearbeitung und Luft- und Raumfahrt; Merlin-Arthur-Protokoll gegen Halluzinationen (das Modell soll strukturiert verweigern, wenn der Kontext keine abgesicherte Antwort erlaubt); Bereitstellung per vLLM-Container
Ein Modell für Behörden? Yusuf hält die Modellgröße für genau richtig für Mittelstand und Verwaltung, bezweifelt aber den Mehrwert einer Spezialisierung auf Amtsdeutsch; Hintergrund: Cohere übernimmt Aleph Alpha (April 2026, die Schwarz Gruppe investiert 600 Mio. $ in Cohere); Yusufs Einschätzung, dass Kolibri vor allem Marketing ist und nationale Modelle keine Zukunft haben; Christians Gegenbild: eine sichere, gemeinsame Lösung für Schulen und Behörden wäre charmant
The Bitter Lesson: Rich Suttons Essay von 2019, nach dem allgemeine, rechenintensive Methoden spezialisierte Modelle langfristig schlagen; Yusufs Stufenmodell: On-Premises für Hochsicherheit, gehostete Lösungen bei österreichischen, deutschen oder europäischen Cloud-Anbietern für kritische Infrastruktur, Frontier-Cloud für alles Unkritische; es wird nicht ein Modell geben, sondern viele
Reflection AI Beam: Open-Weight-Modell eines Nvidia-gestützten US-Start-ups, Mixture-of-Experts mit 501 Mrd. Parametern (23 Mrd. aktiv), nur Text, 1 Mio. Token Kontext, gedacht für Programmieren, Wissenschaft und mehrstufige Terminal-Agenten; Gewichte für Oktober angekündigt
Yusufs These zur Geopolitik: Der Mehrwert von Beam ist politisch. Wenn eine US-Regulierung chinesische Open-Source-Modelle ausbremst, braucht die amerikanische Start-up-Ökonomie westliche offene Modelle, denn OpenAI, Anthropic und Google allein können die Nachfrage nicht bezahlbar bedienen
Digitale Souveränität ist kein europäisches Thema mehr: Forschungslabore fragen sich, ob Frontier-Modelle über Metadaten und Fragemuster ihre Methoden lernen, auch bei Zero-Data-Richtlinien; Yusufs Gespräche mit einem Biotech-Forscher und einem Quantenphysiker in Österreich (Beweisführung in Lean) zeigen, warum lokale offene Modelle für Forschung wichtiger werden
Entscheidungsmodelle: Nach Jev (TypeSafe, Ep-92) kommt PolicyLM-1.7B von Musubi, das Texte gegen eine Richtlinie prüft, eher Redaktion und Türsteher als Pressesprecher; Yusuf nennt das eine Revolution, weil man vom LLM nur Ja oder Nein wollte und stattdessen einen Schwall Text bekam
Encoder, Decoder, Determinismus: Ein Decoder erzeugt Text Token für Token, ein Encoder liest und bewertet in einem Schritt; Entscheidungsmodelle liefern deterministische Werte, ohne dass man die Entscheidung in Code nachbauen muss; mehr als die Hälfte aller Business-Use-Cases sind laut Yusuf Sortier- und Entscheidungsaufgaben
Cloudflare Clef: am 01.10.2026 veröffentlicht, Apache 2.0, ein umgebautes Qwen 3.8-27B mit rank-256-LoRA-Adapter (Clef-flash auf Qwen 3.5-9B), entscheidet in einem Schritt statt Token für Token; Herstellerwerte: 38,8 ms Median bei Clef-flash, 209,3 ms bei Clef, 524,1 ms bei Jev; in zwei von drei Herstellerbenchmarks vor Jev (BANKING77, BFCL), bei When2Call liegt Jev vorn; getestet auf einer H200, Büro-Hardware ist nicht belegt
Yusufs Laya-Experiment, Teil 2: Nach dem Mail-Router aus Ep-92 trainierte er das kleine Encoder-Modell auf einigen tausend Logzeilen von NetApp, HP, Dell, Windows Server, Supercomputern, Datenbanken und Containern, als herstellerunabhängiges Log-Correlation-Tool gegen ChatGPT, ein Anthropic-Modell und Qwen 3.8-27B; Ergebnis: es funktioniert, Zahlen folgen
Evolutionäre Schleife: Yusufs Gedankenexperiment, Mutationen in die Trainingsfragen einzubauen, damit das kleine Modell nicht nur das LLM nachahmt, sondern es übertreffen kann
Das Model Gym: Idee von Yusuf und einem Mitgründer von Oikosa, ein Dienst, in den Firmen ihre Daten werfen und ein kleines Entscheidungsmodell zurückbekommen, das in Millisekunden auf einer kleinen Maschine oder dem Handy läuft; Christians Tarifidee „McJev für 10 Euro im Monat“
OpenAI Marketplace: seit dem DevDay (29.09.2026) dürfen berechtigte Enterprise-Kunden nach individueller Freigabe einen Teil ihres OpenAI-Commitments für Partnerprodukte ausgeben, 32 Partner zum Start; über Baseten laufen offene Modelle wie GLM-5.3, Kimi K3 und DeepSeek V4.1 Flash in Codex oder über die Responses API; die Rechnung kommt vom Partner, OpenAI verbucht den Betrag gegen das Commitment; kein Self-Service, ein normales API-Konto reicht nicht; Anteil, Provision und EU-Verfügbarkeit offen
OpenAI wird Token-Händler: Yusufs Lesart, dass OpenAI damit kein Wettbewerbsproblem mit Open Source mehr hat, sondern daran mitverdient, die teuren eigenen Modelle weiter verkauft und zum zentralen Ansprechpartner für Enterprise-Kunden wird; Anthropic werde das nie tun; Christians frühere Wette „2026 ist das Ende von OpenAI“ steht damit auf der Kippe
Gegenwind vor dem Anthropic-Börsengang: Ramp misst mit einem Rekord von 8 % der US-Firmen pro Monat so viele Anbieterwechsel wie nie, laut Ramp fast ausschließlich getrieben vom Wettbewerb zwischen OpenAI und Anthropic; in der letzten Septemberwoche entfielen 51 % der gemessenen Token-Ausgaben auf Anthropic, 44,5 % auf OpenAI, unter 5 % auf Open-Source-Modelle
Die Messgrenze: Ramp sieht nur Zahlungen von US-Firmen über Ramp; selbst gehostete Modelle erzeugen keine Token-Rechnung; Yusuf verweist auf andere Daten, nach denen der Großteil der Token aus der Open-Source-Welt kommt (unbelegt)
Microsoft und Meta: Laut The Information (05.10.2026, von den Firmen nicht bestätigt) hat Microsoft seine erwarteten Anthropic-Ausgaben um mehr als ein Drittel gekürzt, bei Meta fiel die Zahl der Claude-Code-Nutzer von rund 60.000 auf 30.000, nachdem Meta in 28 Tagen über 105 Mio. $ für Claude Code ausgegeben hatte; im Video stellt Yusufs KI-Avatar die Zahlen richtig („halbiert“ gilt für die Nutzer, nicht für die Kosten)
Die Wachstumsfrage: Laut Prospektentwurf stehen zwei Kunden für knapp ein Viertel des Anthropic-Umsatzes; der Umsatz hat sich von 2024 auf 2025 verzwölffacht; ob das Wachstum 2026 so weitergeht oder auf ein Plateau trifft, entscheidet über die angestrebte Bewertung von über 2 Billionen $; Yusuf: „Vor drei Wochen ein No-Brainer, heute nicht mehr“; Börsengang nach den US-Zwischenwahlen im November
Gartner zu Forward-Deployed Engineering: 70 % der Unternehmen geben per FDE gebaute Agenten-Projekte bis 2028 auf, weniger als 20 % werden Kernprodukt-Funktionen (Prognose vom 29.09.2026); Yusufs Wortbild dafür: „Token-Krematorien“
a16z-Essay „OpenAI Understands Something Important and Rare“ (David George, 28.09.2026, a16z ist OpenAI-Investor): Die Modellebene sei „shockingly substitutable“, OpenAI habe die besten Modelle, weil es die beste Distribution hat, nicht umgekehrt
Wer gewinnt das Rennen? Yusufs Bild: Anthropic ist in Forschung und Entwicklung besser und effizienter, OpenAI trifft die besseren strategischen Entscheidungen, auch mit eigenen Rechenzentren statt Miete; Google könnte mit Gemini 4 Argon an der Spitze mithalten (Artificial-Analysis-Index 53, gleichauf mit GPT-6 Astra), will es nach Yusufs Hypothese aber gar nicht, solange die Konkurrenz Googles Infrastruktur bezahlt: „der Marathonläufer im Hintergrund“
Fazit und Ausblick: Viel Theater um „Pacing the Frontier“ und Regulierung, dahinter drei echte Fragen: Wer hat das richtige Modell an der Front, wer überlebt, wie bleibt die Wirtschaft am Leben? Entscheidend wird die Marge, die der Anthropic-Prospekt zeigen wird; nächste Folge: Wer haftet, wenn KI Mist baut? Yusufs Vergleich mit der Atomkraft: niemand kann das Risiko versichern; Hörerfrage: Sollen Yusuf und Oikosa das Model Gym bauen?

Kapitelmarken

00:00 – Cold Open (KI-Yusuf)
00:53 – Intro
01:10 – Begrüßung: wieder zu zweit
01:49 – Websites sperren KI-Agenten aus
08:30 – Google-Redirects, Deep Research und wem die Daten gehören
13:14 – SEO-Tools ohne Daten, Christians Preferred-Source-Riecher
21:34 – Werkzeugkasten statt Schema F und das nächste Google-Update
27:16 – KI’s Next Topmodel: Mirror Particle sagt Verhalten voraus
39:16 – EmbeddingGemma 2
42:21 – Nano Banana 2.1 und offene Bildmodelle
47:02 – Mistral Large 4: Europas großes Modell, wer kann es betreiben?
54:28 – Aleph Alpha Kolibri: ein Modell für Behörden?
01:07:33 – Reflection AI Beam: Open Weight aus den USA
01:16:30 – Entscheidungsmodelle: PolicyLM, Clef und das Model Gym
01:30:12 – OpenAI Marketplace: OpenAI wird Tokenhändler
01:35:27 – Gegenwind für Anthropic: Ramp, Microsoft/Meta, Gartner
01:43:17 – Wer gewinnt das Rennen? Google, der Marathonläufer
01:45:13 – Fazit und Ausblick: Haftung und Anthropic-Börsengang

Key Takeaways

Zugang ist die neue Währung: Wer Agenten einsetzt, muss damit rechnen, dass Hersteller-Wissensdatenbanken, Shops und Suchmaschinen den Zugriff sperren oder umleiten. Prüft, welche eurer automatisierten Recherchen seit Ende August noch zuverlässig Daten liefern.
SEO-Entscheidungen brauchen Daten aus erster Hand: Solange Ranking-Tools wegen der Google-Umleitungen Lücken haben, zählen Search Console und Analytics, nicht die Kristallkugel. Tools ohne aktuelle Daten sind ihr Geld nicht wert.
Googles Preferred Source wird messbar: Seit dem 06.10.2026 erfahren Betreiber per Mail, wie viele Nutzer sie als bevorzugte Quelle gewählt haben. Wer den Button noch nicht eingebaut hat, verschenkt einen Hebel.
Ein Weltmodell, das Verhalten vorhersagt, ist erst dann mehr als eine Simulation, wenn dahinter ein wirklich lernendes System mit eigenem Referenzrahmen steckt. Bei Mirror Particle ist das bisher Herstellerbehauptung.
Offene Gewichte allein bedeuten keine Unabhängigkeit: Ein Modell mit einer Billion Parametern wie Mistral Large 4 kann kaum ein Mittelständler selbst betreiben. Die brauchbare Größe liegt bei 70 bis 120 Mrd. Parametern für ein bis zwei Grafikkarten, wie bei Kolibri.
Verfügbarkeit schlägt Benchmark: Für produktive Prozesse zählt die SLA der API. Wer unter 95 % liegt, zwingt Kunden in eigene Infrastruktur oder kleinere lokale Modelle.
Entscheidungsmodelle ändern die Architektur: Für Ja/Nein- und Sortieraufgaben braucht es kein chattendes LLM mehr. Clef, PolicyLM oder ein selbst trainiertes Laya entscheiden deterministisch und in Millisekunden. Yusufs Faustregel: mehr als die Hälfte der Business-Use-Cases sind solche Aufgaben.
Der OpenAI Marketplace ist kein Rabatt, sondern Bindung: Das Budget bleibt im Haus, auch wenn fremde Modelle laufen. Für Enterprise-Kunden heißt das weniger Beschaffungsaufwand, für OpenAI eine Rolle als Token-Händler, für Anthropic ein strategisches Problem.
Kundentreue ist nicht gegeben: 8 % Anbieterwechsel pro Monat bei US-Firmen zeigen, dass der Preis entscheidet. Wer heute auf ein Modell baut, sollte es austauschbar halten.
Bei Berichten über Großkunden auf die Zahl achten: Bei Meta hat sich laut The Information die Zahl der Claude-Code-Nutzer halbiert, nicht die Kosten; Microsoft kürzt um mehr als ein Drittel. Beides ist unbestätigt.
Agenten-Projekte, die der Anbieter beim Kunden baut, brauchen von Anfang an klare Zuständigkeiten, Wissenstransfer und einen Ausstiegsplan. Sonst landen sie laut Gartner mit 70-prozentiger Wahrscheinlichkeit bis 2028 auf dem Abstellgleis.

Bester Satz der Folge

„Sie werden zum Token-Händler und zum zentralen Ansprechpartner für Enterprise-Kunden. Und wenn das funktioniert, wird OpenAI das Rennen machen.“ (Yusuf Sar, ca. 1:32:50, zum OpenAI Marketplace)

Links und Ressourcen

Hosts

Call to Action

Wer sollte entscheiden, welche KI-Agenten auf eine Website dürfen: die Betreiber, die Gatekeeper wie Cloudflare oder die Nutzer? Und sollen Yusuf und Oikosa das Model Gym wirklich bauen? Schreibt es uns in die Kommentare, bewertet den Podcast und empfehlt die Folge weiter.

Hashtags

#KI #OpenAI #Mistral

Episode-Details

Episode: 93
Explizit: Nein
Sprache: de
Aufnahmedatum: 2026-10-07
Veröffentlichung: (beim Upload eintragen)
Dauer: 01:51:55

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.