OpenAI und Anthropic haben gerade 5,5 Milliarden US-Dollar für Berater ausgegeben. Das sagt Ihnen Folgendes.

OpenAIs Anteil am Enterprise-LLM-API-Markt sank laut Menlo Ventures zwischen Ende 2023 und Mitte 2025 von 50 % auf 25 %. Anthropic liegt inzwischen mit 32 % vorn. Google hält 20 %. Speziell bei der Codegenerierung erreicht Claude einen Marktanteil von 42 % gegenüber 21 % bei OpenAI.

OpenAIs Reaktion war kein besseres Modell. Es war ein Beratungsunternehmen.

Im Mai kündigten sowohl OpenAI als auch Anthropic Vorhaben im Bereich Enterprise-KI-Services an. OpenAI startete die OpenAI Deployment Company mit 4 Milliarden US-Dollar von 19 institutionellen Investoren und einer Bewertung von 10 Milliarden US-Dollar. Anthropic startete eine konkurrierende Servicefirma mit 1,5 Milliarden US-Dollar von Blackstone, Goldman Sachs und Hellman & Friedman. Zusammen haben die beiden KI-Labore gerade 5,5 Milliarden US-Dollar auf die These gesetzt, dass ihre Modelle allein nicht ausreichen.

Das Palantir-Playbook und warum alle es kopieren

Beide Vorhaben kopieren ausdrücklich Palantirs Forward-Deployed-Engineer-Modell. Das Konzept: Full-Stack-Engineers direkt in die Kundenumgebungen einzubetten, um produktive Systeme auf der Plattform des Anbieters zu bauen. Kein Proof of Concept, kein Workshop. Engineers, die monatelang bleiben, das Geschäft verstehen und echte Workflows liefern.

Die Ergebnisse von Palantir mit diesem Modell sind schwer zu bestreiten. Der Umsatz erreichte im Geschäftsjahr 2025 4,5 Milliarden US-Dollar bei einem Wachstum von 70 % gegenüber dem Vorjahr. Die 20 größten Kunden geben im Durchschnitt 93,9 Millionen US-Dollar pro Jahr aus. Die bereinigte operative Marge liegt bei 60 %. Das FDE-Modell ist der Grund, warum Palantirs kommerzieller Umsatz jährlich um 115 % wächst, während traditionelle Enterprise-Software-Unternehmen um einstellige Zuwächse kämpfen.

Es gibt jedoch einen entscheidenden Unterschied darin, wie Palantir FDEs einsetzt im Vergleich zu dem, was OpenAI und Anthropic aufbauen. Palantirs FDEs sind ein Mechanismus zur Produktfindung. Sie sitzen in den Kundenoperationen, identifizieren wiederkehrende Probleme und spiegeln diese Muster an das Engineering-Team zurück, das Lösungen dann als Plattformfunktionen kodiert. Das FDE-Modell ist ein Flywheel: Services fließen in das Produkt ein, das Produkt reduziert den Bedarf an Services, und jede Bereitstellung macht die Plattform für jeden Kunden besser.

Die OpenAI Deployment Company ist anders strukturiert. Sie ist ein Vertriebskanal. Die 19 PE-Partner unterstützen mehr als 2.000 Portfoliounternehmen. Jede Bereitstellung erzeugt API-Aufrufe, Inferenz-Workloads und Compute-Nachfrage, die zurück in OpenAIs Infrastruktur fließen. Es ist eine Compute-Pull-Strategie, die auf einer Services-Schicht aufgebaut ist.

700 Millionen US-Dollar pro Jahr an garantierten Renditen

Die finanzielle Struktur der OpenAI Deployment Company ist ungewöhnlich. PE-Investoren erhalten über fünf Jahre eine 17,5 % garantierte jährliche Rendite. Bei 4 Milliarden US-Dollar zugesagtem Kapital entspricht das ungefähr 700 Millionen US-Dollar pro Jahr an garantierten Auszahlungen, unabhängig davon, ob das Vorhaben profitabel ist.

OpenAI wird für 2026 ein Verlust von 14 Milliarden US-Dollar prognostiziert. Thoma Bravo, eine der weltweit größten auf Software fokussierten PE-Firmen, lehnte eine Teilnahme ab und stellte den langfristigen Profitabilitätsverlauf infrage. Mehrere Analysten haben Vergleiche zu über Marktniveau liegenden garantierten Renditen von Unternehmen gezogen, die deutlich mehr ausgeben, als sie einnehmen.

Die Frage für Unternehmenskäufer lautet nicht, ob OpenAI dieses Vorhaben finanzieren kann. Die Frage ist, was mit den in Ihre Organisation eingebetteten FDEs passiert, wenn die Wirtschaftlichkeit nicht trägt. Beratungsbeziehungen hängen von Kontinuität ab. Wenn der Berater geht, geht das institutionelle Wissen mit ihm.

Die Bereitstellungslücke ist real. Die Lösung ist falsch.

Das Signal in diesen Ankündigungen sollte man von der Strategie trennen. Das Signal ist korrekt: Die Bereitstellung ist der Engpass, nicht die Modellfähigkeit. 88 % der Organisationen, die KI-Agenten einsetzen, meldeten im vergangenen Jahr einen Sicherheitsvorfall. 42 % der Führungskräfte auf C-Level sagen, dass die KI-Einführung zu organisatorischen Konflikten führt. Die Technologie funktioniert in Demos. Sie in die Produktion zu bringen, mit realen Daten zu verbinden, ordnungsgemäß zu steuern und von den Menschen, die sie nutzen, vertrauen zu lassen, ist der Punkt, an dem die meisten Projekte ins Stocken geraten.

Sowohl OpenAI als auch Anthropic erkennen das an, indem sie Milliarden darin investieren. Dieser Teil ist richtig.

Die Strategie, das Problem mit eingebetteten Beratern zu lösen, ist der Punkt, an dem die Logik bricht. Forward-Deployed-Engineers kosten insgesamt zwischen 171.000 und 800.000 US-Dollar pro Jahr. Palantirs Modell funktioniert wirtschaftlich nur bei jährlichen Vertragswerten im siebenstelligen Bereich. Das ist für die überwältigende Mehrheit der Unternehmen zu teuer. OpenAIs PE-Partner erhalten Vorrangzugang für ihre Portfoliounternehmen. Alle anderen warten.

Grundsätzlicher betrachtet skaliert das Beratungsmodell linear. Jeder neue Kunde benötigt mehr Engineers. Jede neue Bereitstellung benötigt mehr Stunden. Die Kosten der 100. Bereitstellung sind ungefähr dieselben wie die der ersten. Das ist die strukturelle Grenze von Service-Geschäftsmodellen, und genau deshalb nutzt Palantir FDEs, um die Produktentwicklung zu speisen, statt sie als eigenständige Umsatzlinie zu behandeln.

Plattformen versus Berater

Die Alternative dazu, Engineers bei jedem Kunden einzubetten, ist der Aufbau einer Plattform, bei der Bereitstellungskompetenz das Produkt ist. Statt eine Person zu schicken, die Ihre KI-Agenten mit Ihren Daten, Tools und Geschäftsprozessen verbindet, bauen Sie ein System, mit dem Teams das selbst erledigen können, mit eingebauten Schutzmechanismen, Governance und Observability.

Eine Plattform-First-Bereitstellung hat strukturelle Vorteile gegenüber dem Beratungsmodell. Sie skaliert nach der Ökonomie von Software: Die Grenzkosten der 1.000. Bereitstellung nähern sich null. Sie bewahrt institutionelles Wissen im System statt in einer Person, die irgendwann geht. Sie gibt Unternehmen Kontrolle über ihre eigenen KI-Operationen, statt von der Verfügbarkeit des Anbieters abzuhängen. Und sie verbessert sich mit jeder Bereitstellung, weil die Plattform aus Nutzungsmustern lernt, nicht aus der Erfahrung einzelner Berater, die das Unternehmen wieder verlassen.

Der Gesamtkostenvergleich zwischen beratungsgeführter und plattformgeführter Bereitstellung ist eindeutig. Beratungsimplementierungen kosten im ersten Jahr durchschnittlich 228.000 US-Dollar gegenüber 77.000 US-Dollar bei plattformbasierter Automatisierung, also 66 % mehr. Und der Abstand vergrößert sich weiter: Die Wartung durch Beratung liegt jährlich bei 20–30 % der Anfangskosten, während die Plattformwartung bei 10–15 % liegt.

Das bedeutet nicht, dass Berater keine Rolle spielen. Komplexe Unternehmensumgebungen benötigen in der frühen Architektur- und Integrationsphase oft fachkundige Begleitung. Aber die Berater sollten die Fähigkeit Ihres Teams beschleunigen, die Plattform zu nutzen, und nicht zu einer dauerhaften Einrichtung werden. Das Ziel ist Unabhängigkeit, nicht Abhängigkeit.

Was das für Ihre Entscheidung zur KI-Bereitstellung bedeutet

OpenAI und Anthropic haben gerade die wichtigste These in der Enterprise-KI bestätigt: Die Modelle sind gut genug. Das Problem ist, sie in die Produktion zu bringen. Ihre Antwort besteht darin, Milliarden in menschlich gestützte Bereitstellung zu investieren. Das wird für die PE-Portfoliounternehmen funktionieren, die Vorrangzugang erhalten und sich siebenstellige Engagements leisten können.

Für alle anderen ist die Schlussfolgerung eine andere. Wenn die beiden führenden KI-Labore beide zu dem Ergebnis gekommen sind, dass ihre Modelle eine menschliche Services-Schicht benötigen, um produktiv eingesetzt zu werden, muss Ihre Bereitstellungsplattform dieselbe Lücke per Software schließen. Das bedeutet Multi-Model-Orchestrierung, damit Sie nicht an die API eines einzigen Anbieters gebunden sind. Das bedeutet integrierte Governance, damit Ihr Sicherheitsteam nicht bei null mit Audits beginnen muss. Das bedeutet Workflow-Builder, mit denen Betriebsteams Agenten mit Geschäftsprozessen verbinden können, ohne auf eine FDE-Zuteilung zu warten.

Das Signal über 5,5 Milliarden US-Dollar ist klar: Bereitstellung ist jetzt das eigentliche Spielfeld. Die Frage ist, ob Sie das Problem lösen, indem Sie Engineers mieten, oder indem Sie die richtige Plattform wählen. Eine dieser Optionen skaliert. Die andere nicht.