Gestern stieg Meta an einem Tag um mehr als 11%. Intel und AMD zogen jeweils um rund 12% und 10% an. Der Auslöser war die anhaltend starke Nachfrage nach Meta’s persönlichem KI-Agenten-Produkt „Muse“. Das ist erwähnenswert, weil es möglicherweise die grundlegende Logik hinter „KI-Rechenleistung“ neu schreibt.
I. Was hat Muse wirklich verändert
Die meisten KI-Consumer-Tools sind im Kern immer noch Fragestell- und Antwortwerkzeuge: Man gibt einen Text ein, das Modell schließt die Schlussfolgerung ab und liefert ein Ergebnis zurück – und die Aufgabe ist beendet. Muse holt die KI aus dem Chat-Fenster in einen echten Arbeitsablauf: Du gibst ein Ziel vor, Muse zerlegt die Schritte, meldet sich auf Websites an, ruft externe Dienste auf, liest den Status der Seiten aus und entscheidet dann über den nächsten Schritt. Trifft es auf Bezahlung, E-Mails oder Terminänderungen, sucht es proaktiv deine Autorisierung ein, erledigt dann die Aufgabe weiter und prüft anschließend erneut, ob sie vollständig abgeschlossen ist.
Der geschlossene Kreislauf lautet: Ziel verstehen → Plan erstellen → Tools aufrufen → Ergebnis beobachten → Plan anpassen → weitermachen.
Die „Arbeitseinheit“ traditioneller KI ist „ein einzelner Dialog“, die des Agenten ist „eine vollständige Aufgabe“. Meta hat außerdem eine cloudbasierte, persistente Ausführungsumgebung bereitgestellt – wenn du die App schließt, läuft es im Hintergrund weiter. Das bedeutet: Der Wettbewerb geht nicht mehr nur um das Basismodell. Es geht auch um Distributionskanäle, Nutzerdaten und das kommerzielle Ökosystem. Meta hält die enorme Reichweite an Nutzerzugängen. Sobald sich Muse Daten wie E-Mails, Kalender, Konsumgewohnheiten und Aufgabenhistorien anreichert, sind die Wechselkosten extrem hoch. Du verlegst dann nicht nur Chat-Verläufe, sondern eine komplette Arbeitsweise.
II. Warum diesmal die CPU gezogen wurde
In den letzten Jahren war der Hauptschauplatz der KI-Infrastruktur die GPU. Doch mit dem Eintritt der Agenten in den Arbeitsablauf verschiebt sich die Struktur der Rechenleistung: Die GPU übernimmt das „Denken“ (Ziel verstehen, Pläne generieren, Seiten erkennen). Der eigentliche Teil des „Tuns“ – System ausführen, virtuelle Maschinen starten, APIs aufrufen, Berechtigungen verwalten, Aufgabenzustände speichern – läuft dagegen vollständig auf CPU und klassischen Servern.
Die Chat-Modellkette ist: Eingabe → Schlussfolgern → Ausgabe → Ressourcen freigeben. Die Agenten-Kette ist: Schlussfolgern → CPU-Ausführung → auf externe Reaktionen warten → Status erneut lesen → wieder Schlussfolgern → wieder ausführen. Eine einzige lange Aufgabe kann in Schleifen dutzende bis hunderte Male laufen. Browser, virtuelle Maschinen, Speicher und Task-Status müssen durchgehend online sein. Der KI-Rechenbedarf weitet sich von „einen Token generieren“ zu „die kompletten Systemressourcen für eine Aufgabe bereitstellen“ aus.
Wenn Muse sich einmal an Milliarden Nutzer öffnet, wird selbst ein kleiner Anteil an parallelen Agentenläufen eine enorme Zahl an virtuellen Maschinen, Browserprozessen und API-Aufrufen erzeugen. Persönliche Agenten müssen mit E-Mail, Bezahlung und Kontoberechtigungen umgehen. Man kann nicht alle Aufgaben in dieselbe Umgebung packen. Je stärker die Sicherheitsisolierung betont wird, desto mehr unabhängige Ressourcen braucht jeder Nutzer. Der CPU-Bedarf im Agenten-Zeitalter entsteht aus drei Linien: mehr Parallelität, längere Aufgabedauer und strengere Sicherheitsisolierung. Genau das ist der Grund, warum der Markt wieder verstärkt auf Multi-Core-Server-CPUs schaut. Es gibt sogar die Einschätzung, dass sich der Bedarf an CPU-Kernen in Zukunft verdoppeln könnte und das Verhältnis CPU zu GPU sich dem von 1:1 annähert.
Ein-Satz-Zusammenfassung des Beobachtungsrahmens: Wenn die Inferenzkosten sinken, verlagert sich der Engpass der KI von „Kann das Modell gut genug denken?“ hin zu „Kann der Hintergrund so viele Aufgaben mit ausreichend niedrigen Kosten parallel ausführen?“
III. Wie sich Rechenbedarf in Profit verwandelt
Nachfrage ist nicht gleich Profit. Entscheidend ist das Unit-Economics-Modell von Muse. Es gibt eine kostenlose Version plus zwei Abo-Stufen (20 USD und 100 USD). Zukünftig kann zusätzlich über Unternehmens-Agenten, Entwickler-Schnittstellen und Transaktionsprovisionen Geld verdient werden. Muse kann die tatsächlichen Kauf-/Konsumabsichten erkennen. Der theoretische Wert pro Nutzer liegt damit – zumindest grundsätzlich – über dem klassischer Werbeklicks. Institutionen haben berechnet, dass die zukünftigen Einnahmen möglicherweise über 10 Milliarden USD liegen könnten.
Doch die Kostenstruktur von Agenten ist anders: Man muss virtuelle Maschinen für Nutzer bereitstellen, Speicher reservieren, Netzwerk „verheizen“ und Modelle abrufen. Je stärker das System genutzt wird, desto höher sind die Backend-Kosten. Die zwei Abo-Stufen sind im Grunde ebenfalls ein Ressourcen-Management – sie begrenzen die Anzahl der Aufgaben, die Zahl der Aufrufe und die Backend-Laufzeit. Im Vergleich zu festen Abos passt eine Transaktionsprovision besser zur Kostenstruktur von Agenten.
Aber ein transaktionsfähiges Modell würde auch Plattformkonflikte auslösen. Amazon hat bereits den Kauf von Muse innerhalb seiner App unterbunden: Nachdem der Agent für den Nutzer Suche und Bestellung erledigt, wird der Nutzer die Empfehlungsseiten und Werbung überspringen. Drittanbieter-Plattformen werden voraussichtlich drei Wege einschlagen: Schnittstellen gegen Gebühr öffnen, eine Aufteilung der Transaktionserlöse verlangen oder nicht autorisierten Zugriff blockieren. Jede dieser Optionen würde die Service-Grenzen von Muse und damit die Gewinnmargen komprimieren.
IV. Diese Wirkungskette richtig lesen
Für Meta: Muse ist der entscheidende Prüfstein, ob sich KI-CapEx in Consumer-Einnahmen umwandeln lässt – Downloads belegen die Distribution, die Abschlussquote bestimmt den Wert, die Retention zahlt auf Einnahmen ein, und die Kosten pro Aufgabe entscheiden über den Profit.
Für Intel: GPU steht für „Denken“, CPU steht für „Ausführen“. Wenn Consumer-Agenten großflächig ausgerollt werden, könnte CPU in Servern von einem Nebenbauteil zu einem Schlüssel werden, der Parallelität und laufende Kosten bestimmt.
Die komplette Wirkungskette: Consumer-Agenten bekommen Zugriff auf Nutzer → Aufgaben wechseln von Frage-und-Antwort zu kontinuierlicher Ausführung → virtuelle Maschinen, Browser und Tool-Aufrufe explodieren → CPU-, Speicher- und Netzwerkbedarf steigen → die Infrastrukturkosten ziehen an → Abo- und Transaktionseinnahmen verifizieren die Unit-Economics → der Chipbedarf wird schließlich zum Gewinn der Anbieter.
GPU entscheidet, ob Agenten ihre Aufgaben klar genug durchdenken können. CPU und System-Infrastruktur entscheiden, ob sie gleichzeitig genug Menschen ihre Aufgaben erledigen lassen können; und die finale Kapitalrendite hängt davon ab, wie viel Geld man pro erledigter Aufgabe verdient – ob das die Kosten der gesamten Ausführungskette überdecken kann.
I. Was hat Muse wirklich verändert
Die meisten KI-Consumer-Tools sind im Kern immer noch Fragestell- und Antwortwerkzeuge: Man gibt einen Text ein, das Modell schließt die Schlussfolgerung ab und liefert ein Ergebnis zurück – und die Aufgabe ist beendet. Muse holt die KI aus dem Chat-Fenster in einen echten Arbeitsablauf: Du gibst ein Ziel vor, Muse zerlegt die Schritte, meldet sich auf Websites an, ruft externe Dienste auf, liest den Status der Seiten aus und entscheidet dann über den nächsten Schritt. Trifft es auf Bezahlung, E-Mails oder Terminänderungen, sucht es proaktiv deine Autorisierung ein, erledigt dann die Aufgabe weiter und prüft anschließend erneut, ob sie vollständig abgeschlossen ist.
Der geschlossene Kreislauf lautet: Ziel verstehen → Plan erstellen → Tools aufrufen → Ergebnis beobachten → Plan anpassen → weitermachen.
Die „Arbeitseinheit“ traditioneller KI ist „ein einzelner Dialog“, die des Agenten ist „eine vollständige Aufgabe“. Meta hat außerdem eine cloudbasierte, persistente Ausführungsumgebung bereitgestellt – wenn du die App schließt, läuft es im Hintergrund weiter. Das bedeutet: Der Wettbewerb geht nicht mehr nur um das Basismodell. Es geht auch um Distributionskanäle, Nutzerdaten und das kommerzielle Ökosystem. Meta hält die enorme Reichweite an Nutzerzugängen. Sobald sich Muse Daten wie E-Mails, Kalender, Konsumgewohnheiten und Aufgabenhistorien anreichert, sind die Wechselkosten extrem hoch. Du verlegst dann nicht nur Chat-Verläufe, sondern eine komplette Arbeitsweise.
II. Warum diesmal die CPU gezogen wurde
In den letzten Jahren war der Hauptschauplatz der KI-Infrastruktur die GPU. Doch mit dem Eintritt der Agenten in den Arbeitsablauf verschiebt sich die Struktur der Rechenleistung: Die GPU übernimmt das „Denken“ (Ziel verstehen, Pläne generieren, Seiten erkennen). Der eigentliche Teil des „Tuns“ – System ausführen, virtuelle Maschinen starten, APIs aufrufen, Berechtigungen verwalten, Aufgabenzustände speichern – läuft dagegen vollständig auf CPU und klassischen Servern.
Die Chat-Modellkette ist: Eingabe → Schlussfolgern → Ausgabe → Ressourcen freigeben. Die Agenten-Kette ist: Schlussfolgern → CPU-Ausführung → auf externe Reaktionen warten → Status erneut lesen → wieder Schlussfolgern → wieder ausführen. Eine einzige lange Aufgabe kann in Schleifen dutzende bis hunderte Male laufen. Browser, virtuelle Maschinen, Speicher und Task-Status müssen durchgehend online sein. Der KI-Rechenbedarf weitet sich von „einen Token generieren“ zu „die kompletten Systemressourcen für eine Aufgabe bereitstellen“ aus.
Wenn Muse sich einmal an Milliarden Nutzer öffnet, wird selbst ein kleiner Anteil an parallelen Agentenläufen eine enorme Zahl an virtuellen Maschinen, Browserprozessen und API-Aufrufen erzeugen. Persönliche Agenten müssen mit E-Mail, Bezahlung und Kontoberechtigungen umgehen. Man kann nicht alle Aufgaben in dieselbe Umgebung packen. Je stärker die Sicherheitsisolierung betont wird, desto mehr unabhängige Ressourcen braucht jeder Nutzer. Der CPU-Bedarf im Agenten-Zeitalter entsteht aus drei Linien: mehr Parallelität, längere Aufgabedauer und strengere Sicherheitsisolierung. Genau das ist der Grund, warum der Markt wieder verstärkt auf Multi-Core-Server-CPUs schaut. Es gibt sogar die Einschätzung, dass sich der Bedarf an CPU-Kernen in Zukunft verdoppeln könnte und das Verhältnis CPU zu GPU sich dem von 1:1 annähert.
Ein-Satz-Zusammenfassung des Beobachtungsrahmens: Wenn die Inferenzkosten sinken, verlagert sich der Engpass der KI von „Kann das Modell gut genug denken?“ hin zu „Kann der Hintergrund so viele Aufgaben mit ausreichend niedrigen Kosten parallel ausführen?“
III. Wie sich Rechenbedarf in Profit verwandelt
Nachfrage ist nicht gleich Profit. Entscheidend ist das Unit-Economics-Modell von Muse. Es gibt eine kostenlose Version plus zwei Abo-Stufen (20 USD und 100 USD). Zukünftig kann zusätzlich über Unternehmens-Agenten, Entwickler-Schnittstellen und Transaktionsprovisionen Geld verdient werden. Muse kann die tatsächlichen Kauf-/Konsumabsichten erkennen. Der theoretische Wert pro Nutzer liegt damit – zumindest grundsätzlich – über dem klassischer Werbeklicks. Institutionen haben berechnet, dass die zukünftigen Einnahmen möglicherweise über 10 Milliarden USD liegen könnten.
Doch die Kostenstruktur von Agenten ist anders: Man muss virtuelle Maschinen für Nutzer bereitstellen, Speicher reservieren, Netzwerk „verheizen“ und Modelle abrufen. Je stärker das System genutzt wird, desto höher sind die Backend-Kosten. Die zwei Abo-Stufen sind im Grunde ebenfalls ein Ressourcen-Management – sie begrenzen die Anzahl der Aufgaben, die Zahl der Aufrufe und die Backend-Laufzeit. Im Vergleich zu festen Abos passt eine Transaktionsprovision besser zur Kostenstruktur von Agenten.
Aber ein transaktionsfähiges Modell würde auch Plattformkonflikte auslösen. Amazon hat bereits den Kauf von Muse innerhalb seiner App unterbunden: Nachdem der Agent für den Nutzer Suche und Bestellung erledigt, wird der Nutzer die Empfehlungsseiten und Werbung überspringen. Drittanbieter-Plattformen werden voraussichtlich drei Wege einschlagen: Schnittstellen gegen Gebühr öffnen, eine Aufteilung der Transaktionserlöse verlangen oder nicht autorisierten Zugriff blockieren. Jede dieser Optionen würde die Service-Grenzen von Muse und damit die Gewinnmargen komprimieren.
IV. Diese Wirkungskette richtig lesen
Für Meta: Muse ist der entscheidende Prüfstein, ob sich KI-CapEx in Consumer-Einnahmen umwandeln lässt – Downloads belegen die Distribution, die Abschlussquote bestimmt den Wert, die Retention zahlt auf Einnahmen ein, und die Kosten pro Aufgabe entscheiden über den Profit.
Für Intel: GPU steht für „Denken“, CPU steht für „Ausführen“. Wenn Consumer-Agenten großflächig ausgerollt werden, könnte CPU in Servern von einem Nebenbauteil zu einem Schlüssel werden, der Parallelität und laufende Kosten bestimmt.
Die komplette Wirkungskette: Consumer-Agenten bekommen Zugriff auf Nutzer → Aufgaben wechseln von Frage-und-Antwort zu kontinuierlicher Ausführung → virtuelle Maschinen, Browser und Tool-Aufrufe explodieren → CPU-, Speicher- und Netzwerkbedarf steigen → die Infrastrukturkosten ziehen an → Abo- und Transaktionseinnahmen verifizieren die Unit-Economics → der Chipbedarf wird schließlich zum Gewinn der Anbieter.
GPU entscheidet, ob Agenten ihre Aufgaben klar genug durchdenken können. CPU und System-Infrastruktur entscheiden, ob sie gleichzeitig genug Menschen ihre Aufgaben erledigen lassen können; und die finale Kapitalrendite hängt davon ab, wie viel Geld man pro erledigter Aufgabe verdient – ob das die Kosten der gesamten Ausführungskette überdecken kann.