Gehört Apple die Zukunft der KI, ohne dass jemand darüber spricht?

Beitrag von

22. Juli 2026 (zuletzt aktualisiert am 26. Juli 2026)

·

Substack-Autor Jonathan Edwards hat letzte Woche eine steile These veröffentlicht, die meine Neugier geweckt hat: Apple sei längst die wichtigste KI-Firma und kaum jemand rede darüber. Das Argument dahinter ist ernster, als der Ton vermuten lässt.

Apple is the number one, undisputed king of AI right now, and almost nobody knows it. NVIDIA is a dead man walking.

Jonathan Edwards am 17. Juli 2026 auf Substack

Das Argument lautet: Die KI-Inferenz, also die eigentliche Nutzung von Modellen, wandert gerade von den Rechenzentren auf speicherstarke Geräte, die man selbst besitzt. Wir haben die Zahlen des Beitrags nachgeprüft, sie halten weitgehend stand. Dieser Artikel ordnet die These ein, benennt ihre Schwachstellen und beschreibt, was sie konkret für uns bedeutet, die wir selbst täglich mit KI-Werkzeugen arbeiten.

Inhalt

Zwei verschiedene Fragen

Die öffentliche Wahrnehmung von KI misst genau eine Sache: Wer hat das beste Modell und wer verkauft die Chips, mit denen es trainiert wird. Nach diesem Massstab ist NVIDIA unantastbar. Das Unternehmen war am 29. Oktober 2025 die erste Firma der Geschichte mit einer Bewertung von fünf Billionen US-Dollar, im Mai 2026 erreichte sie kurzzeitig 5,5 Billionen. Fast der gesamte Aufschwung an den Börsen hängt an der Annahme, dass die Nachfrage nach zentraler Rechenleistung praktisch unbegrenzt weiterwächst.

Foto von Mariia Shalabaieva

Dieser Massstab misst aber nur das Training. Das Training ist die einmalige, teure Erschaffung eines Modells. Die Inferenz ist die millionenfache tägliche Nutzung danach. Die These des Substack-Beitrags lautet: Das eigentliche Volumen, die Milliarden täglicher Anfragen, wandert gerade weg aus dem Rechenzentrum. Und wenn das stimmt, dann verschiebt sich die entscheidende Frage dorthin, wo kaum jemand hinschaut, weil alle auf die Modelle blicken.

Jede grössere Technologiewelle endete bisher ähnlich. Der Grossrechner wurde zum PC, der Timesharing-Zugang zum Laptop, die Cloud zum Rand des Netzes. Die entscheidende Frage ist deshalb nicht «Wer hat das beste Modell?», sondern «Wenn die Modelle gratis werden, auf welcher Hardware laufen sie dann?». Wie berechtigt diese Umkehrung ist, haben wir schon in unserer Analyse zu Open Source in der KI und zu The State of AI 2025 gestreift. Der Substack-Beitrag treibt sie auf die Spitze.

Die Modelle wurden schneller gratis als geplant

Die erste Hälfte des Arguments ist überprüfbar und stimmt. Die Kadenz der Open-Weight-Veröffentlichungen 2026 ist bemerkenswert. Alibaba, DeepSeek, Moonshot, MiniMax und Z.ai haben in kurzen Abständen Modelle mit offenen Gewichten unter freizügigen Lizenzen veröffentlicht.

Anfang Juni 2026 veröffentlichte MiniMax M3, ein Modell mit einem Kontextfenster von einer Million Token und nativer Multimodalität.
Mitte Juni folgten Moonshots Kimi K2.7 Code und Z.ais GLM-5.2, das auf dem Intelligence-Index von Artificial Analysis zeitweise das stärkste offene Modell war.
Am 16. Juli 2026 kündigte Moonshot Kimi K3 an, ein Mixture-of-Experts-Modell mit rund 2,8 Billionen Parametern und einem Kontextfenster von einer Million Token. Es rangiert laut Artificial Analysis auf Rang vier von 189 Modellen, auf Augenhöhe mit Claude Opus 4.8 und GPT-5.5. Die Gewichte sollen bis zum 27. Juli 2026 öffentlich sein.

Moonshot Orion Spacecraft — Foto von NASA: Die Erde geht hinter der kraterübersäten Mondoberfläche unter, aufgenommen am 6. April 2026 durch ein Fenster der Orion-Raumkapsel während des Artemis-II-Mondvorbeiflugs.

Der Punkt ist nicht die einzelne Veröffentlichung, sondern der Takt. Etwa alle drei bis sechs Wochen erscheint ein Modell nahe am Frontier-Niveau, frei herunterladbar. Gegen ein einzelnes Modell kann man einen Wettbewerbsvorteil verteidigen. Gegen einen Takt nicht. Bis eine Veröffentlichung in der eigenen Weltsicht verarbeitet ist, sind zwei weitere erschienen. Der Abstand zwischen dem besten Modell, das man kaufen kann und dem besten, das man gratis herunterladen kann, wird in einstelligen Benchmark-Punkten gemessen und schrumpft weiter.

Damit stellt sich die Frage, die der Markt bisher meidet: Wo laufen diese gratis verfügbaren Modelle eigentlich, wenn nicht in einem gemieteten Rechenzentrum?

Warum es auf Speicher ankommt, nicht auf Rechenleistung

Hier liegt der technische Kern der These. Grosse Modelle sind bei der Inferenz nicht durch Rechenleistung begrenzt, sondern durch Speicher. Ein Mixture-of-Experts-Modell aktiviert pro Token nur einen Bruchteil seiner Parameter, die eigentliche Rechenarbeit ist überschaubar. Trotzdem muss das gesamte Modell in schnellem Speicher liegen, alle Parameter, jederzeit abrufbar. Der Engpass sind nicht die Rechenoperationen. Es sind die Bytes. Das gilt allerdings für die Ausgabe, also für das Erzeugen der Antwort Token für Token. Beim Einlesen langer Eingaben zählt die Rechenleistung sehr wohl, dazu später mehr.

NVIDIAs Antwort auf «Bytes» ist VRAM, der Grafikspeicher auf der Karte. Und genau hier bricht die Consumer-Geschichte zusammen. Die grösste Karte, die NVIDIA für die Workstation verkauft, die RTX Pro 6000 Blackwell, hat 96 GB. Das ist die Obergrenze. Ein grosses offenes Modell in 4-Bit-Quantisierung belegt schnell mehrere hundert Gigabyte. Eine einzelne Karte kann ein modernes offenes Frontier-Modell nicht halten.

Nvidia Geforce RTX — Foto von Christian Wiediger

Apples Antwort ist Unified Memory, ein grosser gemeinsamer Speicherpool für Prozessor und Grafikeinheit. Der M3 Ultra erreicht eine Speicherbandbreite von 819 GB/s. Apple hat einen Mac Studio angeboten, den man mit 512 GB Unified Memory konfigurieren konnte, für rund 9’500 US-Dollar, bei einer Leistungsaufnahme von etwa 200 Watt. Die Software zog nach. MLX, Apples auf diese Architektur zugeschnittenes Machine-Learning-Framework, plus eine Community, die jede grössere Veröffentlichung innerhalb von Tagen quantisiert.

Die Belege sind öffentlich. DeepSeeks Modell mit 671 Milliarden Parametern läuft in 4-Bit auf einem einzelnen Mac Studio mit 512 GB. Es belegt dabei rund 404 GB. Auf NVIDIA-Workstation-Karten bräuchte man für dieselbe adressierbare Speichermenge fünf bis sechs Karten. Der Unterschied ist keine Detailfrage auf dem Datenblatt, er ist strukturell.

Was die Hardware wirklich kostet

Man muss nichts übertreiben, die nüchternen Zahlen genügen. Die RTX Pro 6000 Blackwell startete im März 2025 bei 8’565 US-Dollar. NVIDIAs eigener Marktplatz listet sie inzwischen bei 13’250 US-Dollar, ein Anstieg von 55% in rund 16 Monaten, getrieben durch die Knappheit bei GDDR7-Speicher. Für dieses Geld erhält man 96 GB und eine Karte mit 600 Watt. Um die Speichermenge eines 512-GB-Mac-Studio zu erreichen, braucht man fünf bis sechs davon. Das summiert sich auf 60’000 bis 75’000 US-Dollar in einer Workstation, die unter Last nahe drei Kilowatt zieht.

Der Mac Studio mit 512 GB kostete rund 9’500 US-Dollar und zieht unter anhaltender Inferenz etwa 200 bis 270 Watt. Gleiche Speicherkapazität, ein Bruchteil des Preises, ein Bruchteil des Stromverbrauchs. Das ist der Hebel, auf den die These setzt. Ob er den Massenmarkt bewegt, ist eine andere Frage. Die Nachfragekurve zeigt derzeit klar auf NVIDIA, nicht auf Apple.

Es gibt allerdings einen Haken, den der Beitrag selbst einräumt: Den 512-GB-Mac-Studio kann man aktuell gar nicht mehr kaufen. Apple hat die Konfiguration im Frühling 2026 aus dem Sortiment genommen, wegen der weltweiten Speicherknappheit. Der M3 Ultra ist heute bei 96 GB gedeckelt. Dieselbe Knappheit trieb den Preis der NVIDIA-Karte nach oben. Der gesamte Hardwarestreit ist im Kern zu einem Streit um Speichernachschub geworden.

Ein Kabel für 69 Franken statt Serverschrank

Ein Einwand liegt nahe: Man kann Grafikkarten verketten. Bei NVIDIAs Workstation-Karte aber nur eingeschränkt. NVIDIA hat NVLink, den schnellen direkten Verbund zwischen Karten, aus der RTX Pro 6000 Blackwell entfernt. Mehrere dieser Karten kommunizieren über den langsameren PCIe-Bus. Der echte Hochgeschwindigkeitsverbund lebt nur noch im Serverraum, in Systemen, die im sechsstelligen Bereich beginnen.

Apples Verbindungsgeschichte ist ein Thunderbolt-5-Kabel. MLX unterstützt verteilte Inferenz nativ. Das Open-Source-Projekt EXO ermöglicht direkten Speicherzugriff zwischen mehreren Macs über Thunderbolt. Menschen verketten Mac Studios auf dem Schreibtisch und betreiben Modelle, die in keine einzelne Maschine passen. Ein Cluster aus vier Mac Studios liegt preislich bei rund 40’000 US-Dollar, die Thunderbolt-Kabel dazwischen kosten 69 Franken das Stück. Auf der einen Seite ein Stapel Consumer-Rechner mit Kabeln im Heimbüro, auf der anderen ein kleines Rechenzentrum mit einer Netzwerkstruktur, die mehr kostet als ein Haus.

Die entscheidende Frage ist, welche dieser beiden Varianten sich auf eine Million gewöhnliche Unternehmen herunterbrechen lässt. Für den Serverraum spricht die Rohleistung. Für den Schreibtisch spricht, dass fast jeder ihn aufstellen kann.

Warum sich die Cloud trotzdem schneller anfühlt

An dieser Stelle meldet sich die eigene Erfahrung: Wer täglich mit ChatGPT oder Claude arbeitet, bekommt die erste Antwort fast sofort. Wie passt das zusammen, wenn der Mac doch mehr Speicher hat als jede Workstation-Karte? Die Auflösung liegt in zwei Grössen, die im Substack-Beitrag nicht vorkommen.

Die erste ist die Speicherbandbreite. Die 819 GB/s des M3 Ultra klingen nach viel, sind aber rund ein Viertel dessen, was eine Rechenzentrums-GPU wie NVIDIAs H100 erreicht, nämlich etwa 3,4 TB/s. Bei der Ausgabe liest die Hardware für jedes einzelne Token das gesamte Modell durch den Speicher. Das Ausgabetempo hängt deshalb direkt an der Bandbreite.

Die zweite ist die Rechenleistung beim Einlesen. Bevor ein Modell antwortet, verarbeitet es die gesamte Eingabe, das sogenannte Prompt-Processing. Diese Phase ist im Gegensatz zur Ausgabe rechengebunden und genau hier liegt die Rechenzentrums-GPU um ein Vielfaches vorn. Dazu kommt ein struktureller Unterschied: Im Rechenzentrum bedient eine einzige GPU Dutzende bis Hunderte Nutzeranfragen gleichzeitig, das sogenannte Batching verteilt die Kosten und die Auslastung über alle. Der Mac auf dem Schreibtisch bedient genau eine.

Vor diesem Hintergrund lassen sich die Tempo-Angaben des Beitrags fair einordnen. DeepSeeks 671-Milliarden-Modell läuft auf dem 512-GB-Mac mit gut 20 Token pro Sekunde, Kimi K2 auf zwei Maschinen mit rund 15 und der Vierer-Cluster schafft 25 Token pro Sekunde bei 120’000 Token Kontext. Das ist Lesetempo und für Chat-artige Nutzung völlig brauchbar. Es sind aber durchweg Ausgabegeschwindigkeiten. Die Zeit bis zum ersten Token nennt der Beitrag an keiner Stelle. Apples Vorteil ist Kapazität, nicht Tempo. Mehr Speicher heisst, dass das Modell überhaupt läuft, nicht dass es schnell läuft.

Datenschutz als eigentliches Produkt

Es gibt ein Argument, das über die reine Kostenrechnung hinausgeht und für den DACH-Raum besonders schwer wiegt. Ein lokales Modell auf eigener Hardware bedeutet, dass Anfragen, Dokumente und das gesammelte Wissen eines Unternehmens die eigenen vier Wände nie verlassen. Es gibt keinen Server, den man vorladen könnte, keine Protokolle, die verloren gehen können, keine Aufbewahrungsrichtlinie, der man vertrauen muss.

Für Medizin, Recht, Finanzen und Verwaltung, also für alle, deren Daten der Kern ihres Geschäfts sind, ist das keine Nebenfunktion. Es ist das eigentliche Produkt. Genau diesen Zusammenhang haben wir in unserem Beitrag zur digitalen Privatsphäre in Europa und der Schweiz ausführlicher beschrieben. Eine Anfrage, die das Haus nie verlässt, ist die privateste Form der Verarbeitung, die es gibt. Was die Rechnung am Ende verschiebt, ist deshalb nicht eine grössere Cloud-Rechnung, sondern eine Maschine, die einmal gekauft wird und danach nur noch Strom kostet.

Der Praxistest: Können wir uns unser Abo bald sparen?

An diesem Punkt wird die These für uns konkret. Bei Openstream entwickeln wir aktuell mit den Frontier-Modellen von Anthropic und OpenAI. Konkret läuft ein grosser Teil unserer Entwicklungsarbeit über Claude Code, das agentische Terminal-Werkzeug von Anthropic, gebunden an ein Abo. Claude Max kostet 100 US-Dollar pro Monat in der fünffachen und 200 US-Dollar in der zwanzigfachen Nutzungsstufe. Die naheliegende Frage lautet: Wenn die offenen Modelle das Niveau erreichen und es dazu freie Werkzeuge gibt, können wir uns das Abo dann sparen?

Die Werkzeuge existieren bereits. OpenCode ist ein quelloffener, terminalbasierter Coding-Agent unter MIT-Lizenz, der modellagnostisch arbeitet und mit über 75 Anbietern läuft, darunter lokale Endpunkte über Ollama, llama.cpp und LM Studio. Crush von Charm geht in dieselbe Richtung. Beide lassen sich mit offenen Modellen wie Kimi, GLM oder DeepSeek betreiben. Wir haben die Verschiebung der Entwicklerrolle bereits in Die neue Rolle von Software Entwicklerinnen und Entwicklern beschrieben. Der Unterbau dafür wird gerade quelloffen.

Bevor man das Abo kündigt, lohnt ein genauer Blick auf die Benchmarks, denn hier wird oft mit falschen Zahlen argumentiert. Die spektakulären Werte der offenen Modelle, teilweise über 90% auf SWE-bench Verified, sind fast durchweg Herstellerangaben aus Einzelläufen mit dem jeweils eigenen Werkzeug. Der strengste unabhängige Prüfer, Epoch AI, hatte die Spitzenwerte im Juli 2026 noch nicht bestätigt. Wer die Modelle unter gleichen Bedingungen misst, sieht ein ehrlicheres Bild.

Zwei Befunde sind dabei belastbar und erklären, warum wir vorerst beim Abo bleiben.

Die Lücke liegt weniger im Modell als im Werkzeug. Auf dem offiziellen Leaderboard von Terminal-Bench, das ganze Werkzeugketten misst, führt Claude Code mit einem Frontier-Modell bei rund 84%, das beste offene Modell im Spitzenfeld liegt bei rund 59%. Misst der unabhängige Evaluator Vals.ai aber alle Modelle im selben, neutralen Werkzeug, schrumpft der Abstand drastisch. Dort liegt Kimi K3 bei rund 81%, praktisch gleichauf mit den besten geschlossenen Modellen. Ein grosser Teil des Vorsprungs von Claude Code und Codex stammt also nicht aus dem Modell, sondern aus dem ausgereiften Harness, dem Gerüst aus Werkzeug-Loop, Kontextverwaltung und Fehlerkorrektur. Genau bei langen Loops mit vielen Schritten zeigt sich dieser Reifegrad. Schlägt unterwegs ein Befehl fehl, bricht ein Test oder führt ein Lösungsweg in eine Sackgasse, erkennt ein ausgereiftes Werkzeug das, korrigiert den Kurs und probiert einen anderen Ansatz, statt sich festzufahren oder aufzugeben. Diese Robustheit haben sich Anthropic und OpenAI in ihren Werkzeugen über viele Iterationen erarbeitet. Den offenen Alternativen wie OpenCode und Crush fehlt sie heute noch.
Die lokale Hardware muss erst angeschafft werden und ist nicht günstig. Ein 512-GB-Mac-Studio kostete rund 9’500 US-Dollar und ist derzeit nicht erhältlich. Und selbst wenn er es wäre, ist der Flaschenhals nicht die Ausgabegeschwindigkeit, sondern das Prompt-Processing, also die Zeit bis zum ersten Token. Ein grosses Modell braucht auf dem Mac Studio bei einem Kontext von rund 40’000 Token mehrere Minuten, bevor es überhaupt zu antworten beginnt. Für das agentische Programmieren, unseren wichtigsten Anwendungsfall, sind 40’000 Token dabei eher konservativ gerechnet. Eine Claude-Code-Sitzung startet bereits mit über 20’000 Token an Systemanweisungen und Werkzeugdefinitionen, bevor die erste Zeile Projektcode gelesen ist und lange Sitzungen wachsen auf weit über 100’000 Token. Ein Praxisbericht über sechs Monate nennt rund 90 Sekunden pro Schritt bei einem grossen Systemprompt, brauchbar für geduldige Einzelabfragen, aber zäh für den interaktiven Agenten-Loop, der bei jedem Schritt viel Kontext neu verarbeitet. Der Substack-Beitrag macht zu diesem Fall keine Aussage, seine Tempo-Beispiele beziehen sich durchweg auf die Ausgabe.

Daraus folgt eine unbequeme, aber ehrliche Kostenrechnung. Bei intensiver agentischer Nutzung ist das Abo derzeit klar günstiger als der reine Token-Verbrauch über die Programmierschnittstelle, weil ein Grossteil der Anfragen aus zwischengespeichertem Kontext bedient wird. Für die Art, wie wir arbeiten, sind 100 US-Dollar im Monat deshalb nicht die teure, sondern die günstige Option.

Ein lokaler Aufbau, der den langen Loop wirklich flüssig bedient, kostet ein Mehrfaches an Hardware und ist heute langsamer. Die Umkehrung dieser Rechnung ist keine Frage des Ob, sondern des Wann. Sobald ein offenes Modell in einem ausgereiften offenen Werkzeug den langen Loop zuverlässig meistert und eine bezahlbare Maschine ihn schnell genug ausführt, verschiebt sich die Kalkulation. Bis dahin bleibt die Kombination aus Frontier-Modell und ausgereiftem Harness für uns die günstigere und schnellere Option. Wir beobachten den Punkt genau.

Wann lokale Inferenz alltagstauglich wird

Wie nah dieser Punkt ist, lässt sich inzwischen konkreter beziffern. Angenommen, der 512-GB-Mac-Studio wäre wieder lieferbar. Was liesse sich damit anfangen? Für Standardaufgaben wäre er schon heute ein vollwertiges privates Büromodell. Zusammenfassungen, Übersetzungen, Textentwürfe und Fragen an interne Dokumente laufen mit einem grossen offenen Modell bei gut 20 Token pro Sekunde in Lesegeschwindigkeit. Jede Anfrage bleibt im Haus und nach der Anschaffung kostet der Betrieb nur noch Strom. Fürs agentische Programmieren bliebe dieselbe Maschine dagegen eine Geduldsprobe, aus den beschriebenen Gründen.

Genau an diesem Engpass tut sich aber etwas. Apples M5-Generation enthält in den Grafikkernen erstmals Neural Accelerators, die das rechengebundene Prompt-Processing um den Faktor drei bis vier beschleunigen. Apple selbst misst mit MLX bei einem Prompt von rund 20’000 Token eine Steigerung von 158 auf 579 Token pro Sekunde. Aus den rund 90 Sekunden pro Agentenschritt würden damit grob 25 bis 30. Das ist noch nicht Cloud-Tempo, aber es verschiebt die Grenze von «unbrauchbar» zu «zäh, aber machbar».

Daraus ergibt sich ein realistischer Zeitplan, nach Anwendungsfall getrennt.

Standardaufgaben: schon heute machbar. Dafür braucht es nicht einmal die grosse Speicherausstattung, mittelgrosse offene Modelle laufen auf lieferbaren Macs mit 96 bis 128 GB flüssig.
Frontier-grosse offene Modelle für Standardaufgaben: sobald die grossen Speicherausbauten zurückkommen. Ein Mac Studio mit M5 Ultra wird laut übereinstimmenden Berichten gegen Ende 2026 erwartet, getestet mit bis zu 768 GB Unified Memory. Das grösste Risiko bleibt die Speicherknappheit, die schon die 512-GB-Option gekippt hat.
Agentisches Programmieren ohne Geduldsprobe: frühestens mit dieser M5-Ultra-Generation, realistisch im Lauf von 2027. Und auch dann nur, wenn die offenen Werkzeuge bis dahin beim Harness aufholen, denn das schnellste lokale Modell nützt wenig in einem Werkzeug, das nach dem dritten Schritt den Faden verliert.

Das ist eine Einschätzung, keine Garantie. Aber anders als noch vor einem Jahr ist der Engpass präzise benannt und die Hardware dagegen hat einen öffentlichen Fahrplan.

Was an der These kritisiert wird

Der Beitrag ist ausdrücklich ein Meinungsstück und mehrere seiner Zuspitzungen halten einer nüchternen Prüfung nicht stand.

Die Zuspitzung, NVIDIA sei praktisch am Ende, ist rhetorisch, nicht analytisch. Das Training bleibt im Rechenzentrum, CUDA bleibt ein realer Wettbewerbsvorteil bei Forscherinnen und Forschern und die Labore kaufen weiter Trainingscluster. Der Autor räumt das selbst ein.
Die Beispiele setzen eine Hardware voraus, die es aktuell nicht zu kaufen gibt. Der 512-GB-Mac-Studio ist aus dem Sortiment. Der Beitrag dreht das zwar zu einem Argument für Apples Speicherstrategie, aber für Käuferinnen und Käufer heute ist die Maschine schlicht nicht verfügbar. Seine stärksten Belege, die 20 Token pro Sekunde und der Cluster für rund 40’000 US-Dollar, beruhen damit auf Hardware, die man derzeit nicht bestellen kann. Das macht die These nicht falsch, aber es macht sie vorerst theoretisch.
Der Sprung von «läuft lokal» zu «ersetzt die Cloud» ignoriert den Anwendungsfall. Der Beitrag argumentiert hardwarezentrisch und nennt durchweg Ausgabegeschwindigkeiten, die Zeit bis zum ersten Token kommt an keiner Stelle vor. Zwischen einer einzelnen Chat-Anfrage und einem agentischen Loop, der bei jedem Schritt viel Kontext verarbeitet, unterscheidet er nicht. Für Ersteres trägt seine Rechnung schon heute, für Letzteres noch nicht.
Einzelne Zahlen sind bereits überholt. Der Beitrag nennt für die Investitionen der Hyperscaler 2026 einen Wert von 635 bis 690 Milliarden US-Dollar. Moody’s hat die Prognose inzwischen Richtung 785 Milliarden angehoben, mit Kurs auf eine Billion bis 2027. Das stützt zwar das Blasen-Argument des Autors, macht die genannte Zahl aber ungenau.

Was an der These dennoch stimmt

Bei aller Zuspitzung enthält der Beitrag Beobachtungen, die belastbar sind. Fast jede harte Zahl, die wir überprüft haben, stimmt.

Die Kadenz der offenen Modelle ist real. Ein Modell nahe am Frontier-Niveau erscheint tatsächlich etwa alle drei bis sechs Wochen, unter freizügiger Lizenz. Kimi K3 mit rund 2,8 Billionen Parametern ist echt und rangiert unter den Top vier.
Der Speicherengpass ist real. Grosse Modelle sind bei der Ausgabe speichergebunden und Apples Unified-Memory-Architektur adressiert genau diesen Punkt günstiger pro Byte als NVIDIAs VRAM.
Die Signale einer Überhitzung im Rechenzentrumsgeschäft sind real. Moody’s beziffert 662 Milliarden US-Dollar an noch nicht bilanzierten Rechenzentrums-Mietverpflichtungen der grossen fünf. Die Mietpreise für NVIDIAs B200 fielen im Juni 2026 innert drei Wochen um rund 30%. Das ist ein Hinweis, dass das Angebot an Rechenleistung der Nachfrage vorausläuft.
Selbst NVIDIA hedged in Richtung dieser Zukunft. Der DGX Spark, NVIDIAs «persönlicher KI-Supercomputer» für den Schreibtisch, ist eine kleine Kiste mit 128 GB Unified Memory für rund 4’000 US-Dollar. Das ist konzeptionell näher an einem Mac Studio als an einer klassischen Grafikkarte im Rack.

Die belastbare Lesart ist damit nicht «Apple ist oben, NVIDIA ist unten», sondern nüchterner: Die Inferenz beginnt zu wandern. Es braucht nicht alle Anfragen, die lokal laufen, um das Geschäftsmodell zu treffen. Es braucht nur den Rand der Marge. Überkapazität, die für unendliche Nachfrage gebaut wurde, plus Nachfrage, die leise abwandert, ergibt keine Korrektur, sondern eine Neubewertung.

Die Schweizer Perspektive: Apertus und lokale Souveränität

Für die Schweiz hat diese Verschiebung eine besondere Note. Mit Apertus, dem offenen Sprachmodell von ETH und EPFL, existiert bereits ein Modell, das ausdrücklich für lokales Hosting und Datensouveränität gedacht ist. Die Logik der lokalen Inferenz und die Logik eines offenen Schweizer Modells greifen ineinander. Wer ein offenes Modell auf eigener Hardware betreibt, entscheidet selbst über Datenhaltung, Aufbewahrung und Zugriff, ohne auf die Rechtslage eines fremden Rechenzentrums angewiesen zu sein.

Das passt zur regulatorischen Realität in Europa. Wer unter dem revidierten Datenschutzgesetz oder der EU-Regulierung arbeitet, für den ist die Frage «Wo liegen meine Daten physisch?» keine akademische. Ein lokal betriebenes Modell beantwortet sie mit «hier». Schweizer Anbieter von KI-Infrastruktur wie das in Zürich ansässige Angebot, das wir in AIVITY: GPU-Server und KI-Infrastruktur aus Zürich vorgestellt haben, besetzen genau die Mittelschicht zwischen reiner Cloud und dem eigenen Schreibtisch. Nicht jedes Unternehmen wird einen Mac-Cluster ins Büro stellen, aber die Auswahl an souveränen Optionen wächst.

Einordnung

Die Überschrift des Substack-Beitrags ist bewusst überzogen, aber die Frage dahinter ist berechtigt. Für die eigene Planung lassen sich drei Folgerungen ziehen.

Mehrere Optionen offenhalten. Wer heute vollständig auf ein Cloud-Abo setzt, sollte die offene Alternative im Blick behalten. Der Abstand zwischen bezahlten und freien Modellen schrumpft messbar. Ein Wechsel wird nicht heute nötig, aber die Weichen dafür stellt man früh.
Zwischen Einzelabfrage und Agenten-Loop unterscheiden. Für Zusammenfassungen, Übersetzungen und einzelne Aufgaben sind offene Modelle auf lokaler Hardware schon heute praktikabel, gerade wenn Datenschutz zählt. Für lange, mehrstufige agentische Abläufe bleibt die Cloud vorerst schneller und zuverlässiger, nach unserer Einschätzung mindestens bis die M5-Ultra-Generation mit grossem Speicher lieferbar ist und die offenen Werkzeuge beim Harness aufgeholt haben. Die eigene Kalkulation sollte diese beiden Fälle trennen.
Datenschutz als Standortvorteil begreifen. Für Unternehmen in Medizin, Recht, Finanzen und Verwaltung ist lokale Inferenz weniger eine Kostenfrage als eine Vertrauensfrage. Ein Modell, dessen Anfragen das Haus nie verlassen, ist im DACH-Raum ein Verkaufsargument, kein technisches Detail.

Ob Apple am Ende die stille Schlüsselrolle spielt, wird sich zeigen. Sicher ist: Was über die Zukunft der KI entscheidet, spielt sich nicht nur dort ab, wo alle hinschauen. Es spielt sich auch bei einer Frage ab, über die kaum jemand spricht, nämlich auf wessen Speicher die Modelle laufen, wenn sie erst gratis sind.

Quellen

Hauptbeitragsbild von Vlad R ar7work.