Überschrift und Einstieg
Meta verliert eine Reihe seiner wichtigsten KI-Forscher an ein vergleichsweise kleines Labor, das sich mit einem Schlag Zugang zur modernsten Nvidia‑Hardware gesichert hat. Thinking Machines Lab (TML) ist erst wenige Jahre alt, sitzt aber inzwischen auf derselben Infrastrukturstufe wie Tech‑Giganten und lockt gezielt Meta‑Veteranen an. Dahinter steckt mehr als eine Personalie: Es ist ein Lehrstück darüber, wie sich Macht in der KI‑Industrie verschiebt – weg von klassischen Konzernen, hin zu hochbewerteten Speziallaboren. In diesem Beitrag ordne ich ein, warum Metas Aderlass ernst zu nehmen ist, welche Rolle Cloud‑Deals spielen und was das alles für den KI‑Standort Europa und den DACH‑Raum bedeutet.
Die Nachricht in Kürze
Wie TechCrunch berichtet, hat der Forscher Weiyao Wang Meta nach acht Jahren verlassen und ist zum KI‑Startup Thinking Machines Lab gewechselt. Wang war bei Meta maßgeblich an multimodalen Wahrnehmungssystemen und Segmentierungsprojekten beteiligt. Sein Wechsel fällt in eine Phase, in der TML einen mehrmilliardenschweren Cloud‑Vertrag mit Google abgeschlossen hat.
Dieser Vertrag verschafft Thinking Machines frühen Zugang zu Nvidias GB300‑Chips und reiht das Unternehmen auf Infrastrukturebene neben Akteure wie Anthropic und Meta selbst ein. Laut TechCrunch baut der Deal auf einer bereits bestehenden Partnerschaft mit Nvidia auf und macht TML zu einem der ersten Startups, das produktiv auf der neuen Hardwaregeneration läuft.
Parallel dazu tobt ein regelrechter Personaltausch. Unter Berufung auf Business‑Insider‑Berichte schreibt TechCrunch, Meta habe inzwischen mindestens sieben Gründungsmitglieder von TML abgeworben. Umgekehrt zeigt eine Auswertung von LinkedIn‑Profilen, dass TML derzeit mehr Forscher von Meta einstellt als von jedem anderen Arbeitgeber. Zu den prominentesten Namen gehört CTO Soumith Chintala, Mitbegründer des Deep‑Learning‑Frameworks PyTorch, sowie langjährige Meta‑Forscher im Bereich Segmentierung und multimodale Modelle. TML beschäftigt inzwischen rund 140 Mitarbeitende und wird auf etwa 12 Milliarden US‑Dollar bewertet – bei bislang nur einem veröffentlichten Produkt.
Warum das wichtig ist
Auf der Oberfläche wirkt es wie eine klassische "Big Tech vs. Startup"‑Geschichte. Doch tatsächlich sehen wir hier eine Neuordnung der Wertschöpfung in der KI: Nicht mehr nur Konzerne mit eigenen Rechenzentren dominieren das Feld, sondern eine Handvoll spezialisierter Labore, die sich durch clevere Allianzen auf Augenhöhe hieven.
Thinking Machines profitiert gleich dreifach. Erstens neutralisiert der Google‑Deal die traditionelle Schwäche junger Firmen: fehlenden Zugang zu Spitzen‑Hardware. Wenn ein 140‑Personen‑Labor auf denselben GB300‑Chips trainiert wie Konzerne mit Hunderttausenden Mitarbeitenden, verlagert sich das Nadelöhr von der Infrastruktur auf Talent und Forschungsagenda.
Zweitens importiert TML mit seinen Meta‑Abgängen nicht nur Lebensläufe, sondern institutionelles Know‑how: Wie skaliert man Trainings‑Pipelines? Welche Tools braucht man, um dutzende Modelle parallel zu betreiben? Wie balanciert man Forschung und Produktdruck? Das sind Kompetenzen, die sich nicht einfach aus Papern oder Open‑Source‑Repos ablesen lassen.
Drittens ist das Chancen‑Risiko‑Profil für Forscher attraktiv. TechCrunch erinnert daran, dass Meta zwar mit siebenstelligen Gehältern locken kann, die finanzielle Upside in einem bereits extrem hoch bewerteten Konzern aber begrenzt ist. Ein Labor wie TML, mit einer Bewertung weit unter den ganz großen Playern, bietet dagegen noch echtes Multiplikationspotenzial über Unternehmensanteile – sofern es gelingt, ein oder zwei Modelle zu etablieren, die im Markt durchschlagen.
Die Leidtragenden sind mittelgroße Unternehmen und klassische Industriekonzerne, die versuchen, eigene KI‑Kompetenz aufzubauen. Wenn ein Startup ohne große Marke, aber mit Google‑Rückendeckung und GB300‑Zugang um dieselben Köpfe kämpft, haben Automobilzulieferer, Versicherer oder Mittelständler aus der DACH‑Region nur geringe Chancen, Senior‑Talente zu gewinnen.
Der größere Zusammenhang
Der Aufstieg von Thinking Machines fügt sich in ein Muster ein, das wir seit einigen Jahren beobachten: Führende KI‑Labore stehen auf drei Säulen – einem exklusiven Deal mit einem Hyperscaler, privilegierten Nvidia‑Kontingenten und einer Kernmannschaft von Forschern, die zuvor bei Big Tech gearbeitet haben.
Frühere Wellen sahen ähnlich aus: Ex‑Google‑Forscher gründeten die frühen Deep‑Learning‑Startups, PayPal‑Alumni prägten Web‑2.0‑Firmen. Neu ist der Kapital‑ und Infrastrukturbedarf. Ein Unternehmen, das mit einem einzigen Produkt auf 12 Milliarden Dollar taxiert wird, wäre vor zehn Jahren absurd gewesen. Heute akzeptieren Investoren, dass der Wert eines AI‑Labors vor allem in der Option auf zukünftige Foundation‑Modelle liegt.
Meta steht dabei in einer ambivalenten Rolle. Einerseits ist das Unternehmen mit PyTorch und zahlreichen Veröffentlichungen im Bereich Vision und Multimodalität ein Schlüsselakteur der Open‑Source‑Szene. Andererseits gelingt es Meta bislang nicht, dieses technische Fundament in ein ikonisches Endkundenprodukt zu übersetzen, das im kollektiven Bewusstsein die Rolle von ChatGPT oder ähnlichen Diensten einnimmt. Für forschungsgetriebene Talente ist der Unterschied nicht trivial: Wer glaubt, dass die nächste große Plattformwelle eher in kleineren Laboren entsteht, wird seine Karriereentscheidung entsprechend ausrichten.
Thinking Machines zeigt außerdem, wie brüchig Talent‑Moats sind. Meta hat über Jahre ein Spitzenforschungsteam aufgebaut. Doch die Kombination aus hochmoderner Infrastruktur bei Google, attraktiver Equity und dem Reiz, ein Labor der ersten Generation mitzugestalten, reicht aus, um langjährige Mitarbeitende zum Wechsel zu bewegen.
Die europäische Perspektive (DACH eingeschlossen)
Für Europa – und speziell für den DACH‑Raum – ist diese Entwicklung ein doppeltes Warnsignal. Erstens wird deutlich, wie stark sich die Wertschöpfung an der Spitze der KI‑Pyramide in die USA verlagert. Zweitens zeigt sich, dass selbst Konzerne wie Meta Mühe haben, ihre Top‑Leute zu halten. Was bedeutet das dann für hiesige Player mit deutlich geringeren Ressourcen?
Deutschland, Österreich und die Schweiz verfügen über exzellente Grundlagenforschung – von Max‑Planck‑ und Fraunhofer‑Instituten über die TUM bis zum DFKI. Doch zwischen Papern und produktiven Foundation‑Modellen klafft eine Lücke aus Infrastruktur, Produktfokus und Vergütungsmodellen. Ein Labor wie TML kann Forschern eine Mischung aus akademischer Freiheit, massiver Rechenleistung und Start‑up‑Upside bieten, die eine klassische Professur oder eine Stelle im Industrieforschungslabor selten erreicht.
Regulatorisch kommt eine weitere Dimension hinzu. Mit GDPR, Digital Services Act und dem EU‑AI‑Act setzt Europa weltweit Maßstäbe – insbesondere in puncto Transparenz, Risikomanagement und Governance. Für große US‑Labore bedeutet das: Wer seine Modelle in der EU anbieten will, muss diese Anforderungen erfüllen. Für europäische Labore bedeutet es aber auch Mehrkosten und längere Time‑to‑Market, wenn sie im selben Segment spielen wollen.
Positiv betrachtet könnte der Fokus auf Regulierung europäischen Akteuren helfen, sich über vertrauenswürdige KI zu differenzieren – etwa für Branchen wie Health‑Tech, Finance oder Industrie 4.0, in denen Compliance zentral ist. Realistischerweise werden aber nur wenige europäische Labs die notwendige kritische Masse an Talent und Compute erreichen, um mit Akteuren wie TML zu konkurrieren. Das erhöht den Druck auf Initiativen wie EuroHPC oder nationale KI‑Zentren, sich stärker mit privaten Akteuren zu vernetzen.
Ausblick
Wie geht es weiter? Für Thinking Machines beginnt jetzt die schwierigste Phase. Der Aufbau einer Elite‑Mannschaft und eines Cloud‑Deals ist der erste Akt; der zweite ist der Nachweis, dass daraus mehr entsteht als eine teure Forschungsgruppe. In den nächsten 12 bis 24 Monaten wird TML zeigen müssen, welche Modelle und Produkte tatsächlich aus dieser Konstellation hervorgehen.
Ich erwarte drei Entwicklungen:
Erstens werden die Talentkriege zunehmen. Meta wird versuchen, weitere Schlüsselpersonen zurückzugewinnen oder neue Stars aus anderen Laboren zu holen. TML wird im Gegenzug gezielt Teams aus Unternehmen wie Meta, OpenAI, Anthropic, Waymo oder Apple abwerben. Gehälter bleiben hoch, doch die eigentliche Währung werden Anteile, Gestaltungsmacht und wissenschaftliche Freiheit sein.
Zweitens rücken Labs wie TML stärker in den Fokus von Wettbewerbs‑ und Aufsichtsbehörden. Der EU‑AI‑Act sieht besondere Pflichten für "systemische" Basismodelle vor. Auch wenn Thinking Machines in den USA sitzt: Sobald seine Modelle in Europa eingesetzt werden, greifen diese Regelungen – mit entsprechenden Anforderungen an Transparenz, Risikomanagement und Haftungsfragen.
Drittens wird die Bindung an einzelne Cloud‑Provider enger. Googles Deal mit TML ist nicht nur ein Rechenzentrumsvertrag, sondern eine strategische Wette: Wenn das nächste große Modell entsteht, soll es auf Google‑Infrastruktur laufen. Für europäische Unternehmen bedeutet das, dass die Wahl des Modells oft automatisch die Wahl des Hyperscalers mitentscheidet – mit allen Implikationen für Lock‑in, Datensouveränität und Verhandlungsmacht.
Für KI‑Startups in Berlin, München, Zürich oder Wien stellt sich daher die Frage: Will man selbst ein Labor mit globalem Anspruch aufbauen – inklusive Milliardenbedarf für Compute – oder sich bewusst auf vertikale Nischen konzentrieren und auf der Infrastruktur von Akteuren wie TML oder Meta aufsetzen?
Fazit
Der Abfluss von Meta‑Talenten zu Thinking Machines Lab und der Zugang zu Nvidias GB300‑Chips über Google Cloud markieren keinen Randaspekt, sondern eine Verschiebung im Machtgefüge der KI‑Industrie: Weg vom Monopol weniger Konzerne, hin zu einem Oligopol spezialisierter Labore mit enormer Konzentration von Compute und Wissen. Für Europa ist das Chance und Risiko zugleich. Chance, weil neue Kooperationen und Remote‑Modelle entstehen; Risiko, weil die Gestaltungshoheit über zentrale Technologien weiter abwandert. Die Kernfrage lautet: Wollen wir hierzulande nur Anwender und Regulierer sein – oder Mitgestalter auf Augenhöhe, mit allen finanziellen und politischen Konsequenzen?
