Das Team, das Amazon zwei Jahre lang aufbaute, gestrichen

Am 22. Juli bestätigte Amazon, dass es Stellen in seiner AGI-Organisation gestrichen hat, jener Abteilung, die die Spitzenmodelle baut, die es mit dem Besten von OpenAI und Google aufnehmen sollen. Der Konzern nannte weder Zahlen noch betroffene Teams, doch die Berichte waren einheitlich: Betroffen waren Rollen im Nachtrainieren und Anpassen von Modellen. Das geschieht in einem Jahr, für das Amazon 200 Milliarden Dollar an Investitionen in Aussicht gestellt hat, mehr als das Anderthalbfache von 2025, finanziert unter anderem durch zweistellige Milliardenbeträge an frischen Schulden.

Die beiden Tatsachen wirken nur dann widersprüchlich, wenn man annimmt, die Ausgaben und die Forschung seien dieselbe Wette. Das sind sie nicht. Das Kapital fließt in Rechenzentren, Chips und den Ausbau von AWS. Was Amazon zusammenstrich, war die interne Anstrengung, ganz vorne bei der Modellqualität zu stehen. Das Budget wuchs; der Ehrgeiz, das Modell selbst zu gewinnen, nicht.

Die Entscheidung unter der Entlassung

Nimmt man die Stellenzahlen weg, ist dies eine Make-or-Buy-Entscheidung, getroffen an der Spitze eines Konzerns. Amazon blickte auf die Spitze, wo eine Handvoll Labore das Tempo vorgibt und die Kosten des Mithaltens gewaltig sind, und entschied, dass dort nicht sein Vorteil liegt. Sein Vorteil ist die Distribution: Hunderttausende Unternehmen laufen bereits auf AWS und werden jedes Modell kaufen, das gut genug ist, verpackt in Werkzeuge, denen sie vertrauen. Man muss nicht den besten Motor bauen, wenn einem die Straße gehört, auf der alle fahren.

Das ist die unbequeme Klarheit des Schritts. Amazon zieht sich nicht aus der KI zurück; es weigert sich, seine knappste Ressource, erfahrene Forschungstalente, in einen Wettbewerb zu stecken, in dem es strukturell zurückliegt, und lenkt sie in den Teil des Stapels, in dem der zweite Platz beim Modell beim Kunden trotzdem gewinnt. Ein Programm über eine Milliarde Dollar, das AWS-Ingenieure bei Kunden einbettet, die agentische Systeme bauen, ist das Signal: Die Wette gilt dem Einsatz, nicht der Entdeckung.

Die versunkenen Kosten, die Amazon ignorierte

Die einfache Version dieser Geschichte ist ein Konzern, der aufgibt. Die schwierigere und nützlichere Version ist ein Konzern, der es ablehnt, gutem Geld schlechtes hinterherzuwerfen für eine Position, die er bereits teuer bezahlt hatte. Amazon kaufte sich mit dem Acquihire von Adept 2024 in Richtung Spitze, und die Köpfe hinter diesem Vorstoß sind seither gegangen, Rohit Prasad Ende 2025 und David Luan, der das AGI-Labor in San Francisco leitete, Anfang 2026, während die verbliebene Arbeit einem Infrastruktur-Veteranen unterstellt wurde, Peter DeSantis. Ein schwächeres Gremium finanziert den ursprünglichen Plan weiter, um zu rechtfertigen, was es bereits ausgegeben hat.

Es gibt noch eine schärfere Pointe. Die gestrichenen Rollen im Nachtrainieren und Anpassen sind genau die Funktionen, die Amazons Produkt Nova Forge automatisieren und den Kunden abnehmen soll. Der Konzern lieferte das Werkzeug, das die Arbeit erledigt, und ließ dann das Team ziehen, das sie von Hand tat. Das sind versunkene Kosten und Selbstdisruption in einer Entscheidung, und es ist die Variante, die den meisten Firmen bei den eigenen Leuten am schwersten fällt.

Was ein Eigentümer daraus mitnimmt

Prüfen Sie den Instinkt, ein eigenes Modell zu bauen, gegen die Grundwahrscheinlichkeit. Nur sehr wenige Organisationen werden die Spitzenlabore überbieten, und jene, die 200 Milliarden Dollar im Jahr ausgeben, räumen genau das leise ein. Wenn sich ein Riese mit Amazons Mitteln den Gleichstand nicht erkauft, sollte ein kleinerer Akteur den Bau eines Spitzenmodells als seltene Ausnahme behandeln, nicht als Standardplan, und die Fähigkeit stattdessen kaufen oder mieten.

Investieren Sie dort, wo Ihr Burggraben schon liegt. Amazons Vorsprung war nie das Modell; es waren die Kunden und der Weg zu ihnen. Ihrer sind wahrscheinlich Ihre Daten, Ihr Arbeitsablauf oder Ihre Distribution, kein Labor. Der disziplinierte Zug ist, Modellaufrufe hinter eine austauschbare Schnittstelle zu legen, Ihre Prompts und Evaluierungen portabel zu halten und Ihr knappes Budget in den Vorteil zu gießen, den kein anderer hat, statt in das Mithalten in einem Rennen, das eine Handvoll Labore gewinnen wird.

Weiterlesen: Wenn die Rechnung 7 Billionen sagt, nicht reagieren  |  Ihre geprüften Daten waren längst halb Maschine