Nvidia greift nach Hugging Face: KI-Deals und Milliarden-Investitionen (29.08.2026)

Hallo, hier ist Sarah von KI Kompakt. Schön, dass ihr wieder dabei seid. Heute geht's um viel Geld, viel Infrastruktur und die Frage, wie gut KI eigentlich wirklich ist, wenn man mal genauer hinschaut. Also, lasst uns direkt einsteigen. Fangen wir mit dem großen Thema an, das gerade die ganze Branche bewegt. Geld. Und zwar richtig viel davon. Laut einem Bericht von The Information soll Nvidia die KI-Plattform Hugging Face für satte 12,9 Milliarden Dollar übernehmen. Zur Einordnung, bei der letzten Finanzierungsrunde 2023 lag die Bewertung noch bei 4,5 Milliarden. Das wäre also fast eine Verdreifachung, und das, obwohl Hugging Face bisher nicht profitabel ist und nur rund 150 Millionen Dollar Jahresumsatz macht. Weder Nvidia noch Hugging Face haben das offiziell bestätigt, aber wenn es stimmt, wäre es die größte Übernahme in der Geschichte von Nvidia. Strategisch macht das durchaus Sinn, denn Hugging Face ist quasi die zentrale Anlaufstelle für Open-Source-Modelle. Wer da den Zugang kontrolliert, sichert sich enormen Einfluss auf die gesamte Entwickler-Community. Und Nvidia ist gerade generell überall mit drin. Zusammen mit Nokia hat der Chiphersteller eine kommerzielle AI-RAN-Plattform für Mobilfunknetze vorgestellt. Klingt erstmal trocken, ist aber spannend, weil es zeigt, wie KI-Chips jetzt auch in ganz klassische Telekom-Infrastruktur einwandern. Die Idee dahinter, Netzbetreiber sollen aus ihrer bestehenden Hardware mehr Kapazität herausholen, ohne alles neu aufzubauen. Stattdessen läuft die Leistungssteigerung künftig über Software und Abo-Modelle. Nokia spricht von bis zu 50 Prozent mehr Effizienz bis 2027 und über 100 Prozent bis 2028. Kommerziell verfügbar soll das Ganze 2027 sein, unterstützt dann 4G, 5G und langfristig auch 6G. Das zeigt ganz gut, wohin sich Nvidias Geschäft entwickelt, weg von reiner Grafikkarte, hin zu einer Art Infrastruktur-Rückgrat für ganz unterschiedliche Branchen. Was bei diesem ganzen KI-Boom aber oft untergeht, sind die enormen Kosten, die dahinterstecken. Ein gutes Beispiel dafür ist der Cloud-Anbieter Lambda. Der hat sich laut Bloomberg eine Milliarde Dollar an kurzfristigen Krediten gesichert, um Nvidia-Chips zu kaufen, die dann an Microsoft vermietet werden. Das ist bereits der dritte große Kredit dieser Art seit Mai. Erst kürzlich gab es schon einen Kredit über 926 Millionen Dollar für die neuen GB300-Chips. Gleichzeitig soll Lambda über eine Pre-IPO-Runde von drei Milliarden Dollar verhandeln. Und die Zahl, die dahintersteht, ist wirklich beeindruckend, laut Bloomberg haben Banken und Tech-Unternehmen 2026 bereits über 400 Milliarden Dollar an KI-bezogenen Schulden aufgenommen weltweit. Das zeigt, der KI-Boom wird gerade massiv fremdfinanziert. Die Chip-Nachfrage ist so groß, dass ganze Firmen quasi nur noch als Vermittler zwischen Nvidia und den großen Cloud-Kunden wie Microsoft agieren, finanziert auf Pump. Das ist ökonomisch spannend, aber auch ein Risiko, falls sich die Erwartungen an den KI-Nutzen nicht so schnell erfüllen wie gedacht. Auch auf der Unternehmensseite tut sich was bei der Infrastruktur. Nutanix hat seine Plattform Enterprise AI in Version 2.8 aktualisiert und dabei ordentlich nachgelegt. Neu ist ein sogenanntes MCP-Gateway, das den Zugriff von KI-Agenten auf Werkzeuge und Datenquellen zentral steuert, inklusive rollenbasierter Rechte und Identity-Management. Außerdem gibt's technische Verbesserungen bei der Inferenz, die die Token-Erzeugung um bis zum Faktor 2,5 beschleunigen sollen. Das ist relevant, weil es genau den Punkt trifft, an dem viele Unternehmen aktuell hängen. Laut Gartner und Deloitte stehen die meisten Firmen beim praktischen Einsatz und der Kontrolle von KI-Agenten nämlich noch ziemlich am Anfang. Es geht also weniger um neue Modelle, sondern darum, wie man KI-Agenten überhaupt sicher und kontrolliert im Unternehmensalltag betreiben kann. Genau da positioniert sich Nutanix jetzt als eine Art Betriebs- und Kontrollschicht. Kommen wir zu einem Thema, das für alle interessant ist, die sich fragen, ob sich der Umstieg auf lokale KI-Modelle eigentlich lohnt. Die c't hat das über Wochen getestet, mit Modellen wie Qwen, GLM und Kimi K3, verglichen mit Cloud-Modellen wie Claude. Das Ergebnis ist ziemlich ernüchternd, aber auch aufschlussreich. In Benchmarks schneiden kleine, lokal lauffähige Modelle oft überraschend gut ab. In der echten Praxis zeigt sich dann aber ein anderes Bild. Bei reinem Faktenwissen patzen viele dieser Modelle deutlich und erfinden munter falsche Informationen. Bei Coding-Aufgaben und der Nutzung von Werkzeugen sind sie dagegen richtig stark. Interessant ist auch, dass es deutliche Unterschiede bei der chinesischen Zensur zwischen den Modellen gibt. Und wer an die ganz großen Open-Weights-Modelle wie Kimi K3 ran will, braucht Hardware, die selbst mit mehreren High-End-Servern kaum zu stemmen ist. Für alle, die überlegen, KI lokal statt in der Cloud zu betreiben, ist das eine wichtige Einordnung, Benchmarks sind eben nicht alles, und gerade bei Faktenwissen sollte man lokalen Modellen nicht blind vertrauen. Für Entwickler, die selbst experimentieren wollen, hat Mistral AI übrigens einen Fine-Tuning-Hackathon gestartet. Vom 5. bis 30. Juni können Teilnehmer die neue Fine-Tuning-API von Mistral ausprobieren und eigene Projekte einreichen. Einzelpersonen oder Teams bis zu vier Leuten sind zugelassen, die drei besten Projekte gewinnen jeweils 2500 Euro an API-Guthaben. Bewertet wird nach Wirkung, technischer Umsetzung, Kreativität und Präsentation, jeweils zu 25 Prozent gewichtet. Das ist ein netter Anreiz für alle, die sich praktisch mit dem Anpassen von Sprachmodellen beschäftigen wollen. Zum Schluss noch ein Blick in die Forschung, der mich persönlich am meisten zum Nachdenken gebracht hat. Ein Anthropic-Forscher hat erste Einblicke in selbstverbessernde KI-Systeme gegeben. Konkret ging es um zehn Benchmarks, die jeweils ein spezifisches Fehlverhalten von KI-Modellen abbilden, also sogenannte Misalignment-Probleme. Das automatisierte System konnte sich bei jedem einzelnen dieser zehn Benchmarks verbessern, und zwar ohne dass die Gesamtleistung des Modells darunter gelitten hat. Das ist ein kleiner, aber bedeutsamer Schritt, denn es zeigt, dass KI-Systeme lernen können, sich selbst sicherer und zuverlässiger zu machen. Gerade im Kontext von KI-Sicherheit ist das ein Thema, das man im Auge behalten sollte, weil es zeigt, wie sich die Forschung von reiner Leistungssteigerung hin zu mehr Kontrolle und Zuverlässigkeit bewegt. Insgesamt war heute viel dabei, riesige Finanzierungsrunden und Übernahmen, die zeigen, wie viel Kapital gerade in KI-Infrastruktur fließt, praktische Einblicke, wo lokale Modelle an ihre Grenzen kommen, und ein spannender Fortschritt in der Sicherheitsforschung bei Anthropic. Man sieht, der Markt bewegt sich auf allen Ebenen gleichzeitig, von der Hardware bis zur Modellsicherheit. Das war's von mir für heute. Danke, dass ihr zugehört habt. Ich freu mich schon aufs nächste Mal mit euch, bis morgen. Und ganz wichtig zum Schluss, dieser Podcast ist vollständig KI-generiert, alle Quellen und Hintergründe zu den heutigen Themen findet ihr wie immer auf unserer Website. Bis bald.