Warum beschleunigen Palantir und Deep Intelligence immer noch, während sich die Wachstumsraten großer KI-Modelle zu differenzieren beginnen?

In der KI-Branche des Jahres 2026 laufen zwei völlig gegensätzliche Entwicklungen gleichzeitig ab.

Auf der einen Seite verändert sich die Wachstumskurve von Anthropic, das einst mit extrem hoher Geschwindigkeit expandierte.

Dieses Großmodellunternehmen, das einst mit erstaunlicher Geschwindigkeit expandierte, erlebt eine subtile Wendung seiner Wachstumskurve. Angesichts der hohen Basis beginnt der Markt, neu zu bewerten: Kann das Umsatzwachstum nach der kontinuierlichen Verbesserung der Modellfähigkeiten die bisherige steile Kurve langfristig beibehalten?

Auf der anderen Seite schneidet Palantir weiterhin außerordentlich gut ab.

Gerade als sich die Wachstumskurve von Anthropic verlangsamte, veröffentlichte das Unternehmen seinen Finanzbericht für das zweite Quartal: Der Umsatz betrug 1,94 Milliarden US-Dollar, was einem Anstieg von 93 % gegenüber dem Vorjahr entspricht; der Nettogewinn belief sich auf 1,07 Milliarden US-Dollar, was einer mehr als Verdoppelung gegenüber dem Vorjahr entspricht; die GAAP-Nettogewinnmarge erreichte 55 %. CEO Karp erklärte, dass dieses Wachstum mindestens noch 18 Monate andauern werde.

Was an diesem Kontrast wirklich diskutabel ist, ist nicht, wer schneller läuft, sondern dass in der KI-Kommerzialisierung zwei unterschiedliche Wachstumskurven entstehen: Die eine hängt von der schnellen Expansion der Modellfähigkeiten und der Nutzerzahl ab, die andere stützt sich darauf, kontinuierlich in die Kerngeschäftsbereiche von Unternehmen einzudringen und KI von einer „Fähigkeitsbereitstellung“ zu einem „betriebswirtschaftlichen Ergebnis“ zu machen.

In China vollziehen sich ebenfalls diese beiden Pfade. Großmodellunternehmen holen stetig auf und überholen andere, während gleichzeitig einige Unternehmen tief in die Geschäftsprozesse eintauchen und sich spezialisieren.

Letztere gehen tiefer vor und sind keineswegs unbedingt langsamer. Zum Beispiel verzeichnete DeepYun Intelligence aus derselben Branche im ersten Halbjahr einen Gewinnanstieg von 125,2 % gegenüber dem Vorjahr, und der Betriebsgewinn vervierfachte sich sogar im Vergleich zum Vorjahr.

Die Wachstumsdynamik von Großmodellen lässt nach – warum wird Entscheidungs-KI zum neuen Kernbereich der KI-Industrie?

Als Palantir im Jahr 2020 an die Börse ging, war der Markt nicht besonders optimistisch.

Fünf Jahre später hat sich die Geschichte völlig umgekehrt.

Im Jahr 2025 stieg der Marktwert von Palantir von 170 Milliarden US-Dollar auf 420 Milliarden US-Dollar. Hinter der kontinuierlichen Neubewertung von Aktienkurs und Marktwert vergibt der Markt eine höhere Bewertung für sein Geschäftsmodell, bei dem KI in die Entscheidungsfindung von Kerngeschäftsprozessen einbezogen wird.

Im Jahr 2026 bleibt die Begeisterung für diesen Bereich ungebrochen: DeepYun Intelligence ging im Mai dieses Jahres an die Börse, und sein Marktwert stieg innerhalb von nur drei Monaten um mehr als das Zehnfache.

Sogar OpenAI und Anthropic, die beiden führenden Akteure im Großmodellbereich, gründeten im Mai dieses Jahres jeweils unabhängige Joint Ventures in Zusammenarbeit mit führenden Private-Equity-Unternehmen. Sie ergänzen ihre Lieferkapazitäten durch die Erweiterung von Front-Ingenieurs- und Beratungsteams und versuchen, entlang eines ähnlichen Pfades wie Palantir FDE tief in die Kerngeschäftsbereiche von Unternehmen einzudringen.

Der Raum für den reinen Verkauf von Modellfähigkeiten scheint bereits groß genug zu sein – warum wollen sie sich trotzdem ein Stück vom Kuchen sichern?

Dies zeigt zumindest einen Trend: Die Modellfähigkeit selbst ist nicht das Endziel der Kommerzialisierung. Da sich KI von Frage-Antwort- und Generierungsaufgaben zu den Kernprozessen von Unternehmen entwickelt, wird die „Entscheidungsfindung“ zunehmend zu einer Ebene, die der Umsetzung von Geschäftswerten näher steht.

Im Vergleich zur reinen Bereitstellung von Modellfähigkeiten weist Entscheidungs-KI mindestens drei Merkmale auf, die der Umsetzung von Unternehmenswerten näher kommen.

Erstens: Entscheidungs-KI befindet sich auf der „letzten Meile“ der KI-Wertschöpfungskette.

Die gesamte KI-Industriekette lässt sich in drei Ebenen vereinfachen:

Die Modellebene: Zum Beispiel OpenAI, Anthropic und Google. Der Wettbewerb ist extrem intensiv, es wird stetig viel Geld investiert, und die Produkthomogenisierung beschleunigt sich.

Die Anwendungsebene: Auf Basis von Modellen entstehen Tools wie Copilot, KI-Schreibprogramme und KI-Zeichentools. Sie zeichnen sich durch schnelle Iterationen und eine breite Abdeckung aus, aber die meisten Produkte lösen zunächst Effizienzprobleme, und die Wertmessung bleibt oft auf die Frage beschränkt, „wie viel Zeit gespart wurde“.

Die Entscheidungsebene: KI ist direkt an den zentralen betriebswirtschaftlichen Prozessen von Unternehmen beteiligt, zum Beispiel bei der Verteilung von Marketingbudgets, der Bestandsplanung, der Preisgestaltung und der Risikokontrolle. Sie übernimmt hauptsächlich die Urteilsfindung für Unternehmen.

Die Entscheidungsebene befindet sich am Ende der Wertschöpfungskette. Selbst das stärkste Modell, das nur auf Frage-Antwort- und Generierungsaufgaben beschränkt bleibt, ist immer noch von den tatsächlichen Ausgaben der Unternehmen getrennt. Entscheidungs-KI befindet sich genau an dieser Position der „letzten Meile“.

Je weiter man sich zum Ende der Wertschöpfungskette bewegt, desto näher kommt man dem tatsächlichen Budget der Kunden.

Zweitens: Unternehmen zahlen lieber für „Ergebnisse“ als für „Fähigkeiten“.

In einem im August 2026 veröffentlichten Artikel stellt McKinsey fest, dass der größte wirtschaftliche Nutzen von KI selten nur aus der Einsparung von Arbeitskräften stammt, sondern vielmehr aus schnelleren Entscheidungen, einer besseren Vermögensallokation und der Nutzung von Chancen, die sonst verpasst würden.

Der Kauf von Copilot-Konten durch Unternehmen unterscheidet sich kaum vom Kauf von Office-Software – die Bezahlung erfolgt pro Nutzer. Aber dieses Budget wird im Unternehmen stetig hinterfragt: Nutzen die Mitarbeiter es wirklich? Wie viel Zeit wird gespart? Welchen Wert schafft die eingesparte Zeit? In Szenarien außerhalb der Programmierung sind diese Fragen kaum zu beantworten.

Die Logik von Entscheidungs-KI ist völlig anders.

Bei der Genehmigung von Budgets in Unternehmen gilt eine eiserne Regel: Nur Kerngeschäftsbereiche, die sich direkt auf Umsatz, Gewinn, Risiken und Kosten auswirken, erhalten langfristige und reguläre Budgets.

Entscheidungs-KI legt größeren Wert darauf, technische Fähigkeiten in betriebswirtschaftliche Ergebnisse umzuwandeln. Ihr Wert lässt sich weiter an Umsatz, Gewinn, Risiken oder Kosten verankern, wodurch ein klarerer ROI-Messrahmen entsteht.

DeepYun Intelligence hat zudem das Entwicklungskonzept „AI for Growth“ vorgeschlagen und konzentriert sich auf den Marketing- und Vertriebsbereich, der das Geschäftswachstum fördert. Im Vergleich zu den meisten anderen Szenarien lassen sich die geschäftlichen Auswirkungen in diesem Bereich klarer quantifizieren. Zum Beispiel im Szenario des Wiederkaufs von Luxusmarken: DeepYun Intelligence nutzt ein agentisches Marketing-System, um die Leistung vergangener Marketingkampagnen der Marke zu analysieren, den am besten geeigneten Zeitpunkt für die Ansprache jedes Verbrauchers, die passendsten Vorteile und das Zeitfenster mit der höchsten Wahrscheinlichkeit für einen Wiederkauf zu bestimmen. Dies führt in der Regel zu einer tatsächlichen Steigerung der Wiederkaufrate um 30 % bis 100 %.

Das bedeutet, dass Entscheidungs-KI nicht nur um das traditionelle „IT-Budget“ konkurriert, sondern auch in die Betriebsbudgets von Fachabteilungen und sogar auf Unternehmensebene gelangen kann. Die Risikokontrolle im Finanzwesen, die Lieferkette in der Fertigung, das Marketing und die Produktauswahl im Einzelhandel sowie die Ressourcenplanung und Risikoprüfung bei staatlichen Einrichtungen gehören im Wesentlichen zu hochfrequenten und hochwertigen Entscheidungsszenarien. Im Vergleich zu reinen Effizienztools ist der erreichbare Budgetpool und der Wertraum größer.

Drittens: Der Markt befindet sich an einem Wendepunkt, und die technischen Vorteile werden gerade freigesetzt.

Entscheidend ist zudem, dass diese Nachfrage kein vereinzeltes Phänomen in einer einzelnen Branche ist, sondern eine gemeinsame Nachfrage in vielen Branchen wie Finanzwesen, Fertigung, Einzelhandel und staatlichen Einrichtungen.

In seinem Bericht zum Reifegradkurve der KI-Technologien 2025 stufte Gartner die Entscheidungsintelligenz als „transformative“ Technologie ein. Im Jahr 2010 wurde Cloud Computing von Gartner als „transformative“ Technologie eingestuft; im Jahr 2023 folgte generative KI derselben Einstufung. In dem Jahr der Einstufung gab es viele Zweifel an ihrem kommerziellen Wert und ihren Umsetzungsperspektiven, aber in den folgenden Jahren bewiesen beide mit explosivem Wachstum die Weitsicht dieser Einschätzung.

Palantir ist seit 23 Jahren im Markt verwurzelt, DeepYun Intelligence seit 17 Jahren – beide haben bereits umfangreiche Vorarbeiten geleistet. Hinzu kommt, dass die Fähigkeiten der Basismodelle einen kritischen Punkt erreicht haben und die Kostenkurve stark gesunken ist, sodass die technischen Voraussetzungen für Entscheidungs-KI erfüllt sind.

Dass Großmodellunternehmen beginnen, ihre Lieferkapazitäten für Unternehmen zu ergänzen, zeigt auch, dass sich der branchenweite Wettbewerb von „Modellfähigkeiten“ weiter zu „Umsetzungsfähigkeiten im Geschäftsbereich“ entwickelt.

Aber Modellfähigkeiten wandeln sich nicht automatisch zu unternehmensweiten Entscheidungsfähigkeiten um. Für Großmodellunternehmen gibt es zwischen der Bereitstellung standardisierter Modelle und der tiefen Integration in die Kernprozesse von Unternehmen zahlreiche Hürden wie Datenverwaltung, Geschäftssemantik, organisatorische Zusammenarbeit und kontinuierliche Lieferung. Dies ist auch der am schwierigsten skalierbare Teil im Bereich Unternehmensdienstleistungen.

Aus diesem Grund ist das, was an Unternehmen wie Palantir und DeepYun Intelligence, die seit langem in Unternehmensszenarien verwurzelt sind, wirklich erforschenswert ist, nicht „welches Modell sie verwenden“, sondern wie sie Modelle in komplexe Geschäftssysteme einbinden.

Warum?

Großmodellunternehmen können nicht eindringen – worin liegt der eigentliche Wettbewerbsvorteil von Entscheidungs-KI?

Die Antwort liegt nicht in der Modellebene, sondern in Bereichen, die Modelle nicht erreichen können.

Es gibt immer wieder Zweifel im Markt, ob Unternehmen wie Palantir nur eine Hülle aus Großmodellen über ihre Produkte stülpen. Der Wall-Street-Technologieanalytiker Gil Luria hat diese Behauptung kürzlich direkt widerlegt: Die Basismodelle lassen sich flexibel austauschen, was wirklich schwer nachzuahmen ist, sind die über Jahre angesammelten Geschäftsmodelle und Methoden für die Kundenimplementierung.

Diese Entscheidungs-KI ist nichts, was man durch das Herunterladen eines Großmodells und die Verbindung mit Unternehmensdaten sofort in Betrieb nehmen kann.

Wenn man Palantir und DeepYun Intelligence zusammen betrachtet, stellt man ein hochgradig einheitliches Geschäftsmodell fest, das sich völlig von dem allgemeiner KI-Unternehmen unterscheidet.

Die beiden Unternehmen haben fast den gleichen Ausgangspunkt: Sie widmen sich zuerst den komplexesten großen Organisationen. Palantir lenkt einen großen Teil seiner Ressourcen auf Großkunden. Von den über 400 Kunden von DeepYun Intelligence sind fast 70 Fortune-500-Unternehmen, darunter Procter & Gamble, Nestlé, China Mobile und China Resources Vanguard. Der Grund liegt nicht nur darin, dass Großkunden eine hohe Zahlungsfähigkeit haben, sondern dass komplexere Szenarien die wirklich nützliche Entscheidungs-KI trainieren können.

In großen Organisationen gibt es Spiele zwischen mehreren Abteilungen und Abwägungen zwischen zahlreichen Einschränkungen, dahinter verbergen sich unglaublich komplexe implizite Regeln und historische Gepflogenheiten. Eine wirklich nützliche Entscheidungs-KI muss in Tausenden solcher realen Szenarien wiederholt den Zyklus aus Urteilen, Ausführen, Auswerten der Ergebnisse und anschließender Korrektur durchlaufen, um Algorithmen und Geschäftserfahrungen zu destillieren.

Diese Voraussetzungen existieren nur in großen Organisationen.

Die Verfügbarkeit komplexer Szenarien bedeutet nur, dass man über die Trainingsgrundlage verfügt. Für eine echte Entscheidungs-KI fehlt noch die grundlegende Entwicklung der semantischen Erkennung.

BCG Platinion weist darauf hin, dass zahlreiche KI-Agent-Projekte in Unternehmen in der Pilotphase stecken bleiben – das Problem liegt oft nicht an unzureichenden Modellfähigkeiten für Schlussfolgerungen, sondern an der weit verbreiteten semantischen Belastung.

Technische Belastung ist eine Belastung auf Ebene von Systemhardware, Code und Architektur. Semantische Belastung bedeutet hingegen, dass alle Geschäftsdefinitionen, impliziten Regeln, Abteilungsdefinitionen und historischen Gepflogenheiten von Unternehmen keine einheitlichen Standards haben und nur im Wissen langjähriger Mitarbeiter vorhanden sind. Allgemeine KI kann technische Belastungen beheben, aber sie kommt mit semantischen Belastungen nicht zurecht.

Sowohl Palantir als auch DeepYun Intelligence setzen FDE-Front-Ingenieure vor Ort ein, um die in verschiedenen Systemen verteilten Daten und impliziten Geschäftsregeln der Kunden zu strukturieren. Palantir fasst dies zu einem einheitlichen Geschäftsontologie zusammen, um die Verknüpfung von geschäftlichen Objekten zwischen Abteilungen herzustellen und die domänenübergreifende Ressourcenplanung zu unterstützen. DeepYun Intelligence baut hingegen ein kommerzielles semantisches Netzwerk für Marketing- und Betriebsszenarien auf, um heterogene Daten aus Quellen wie Werbeauslieferung, Nutzerverhalten und Transaktionen zu verbinden und die Grundlage für domänenweite Entscheidungen zu schaffen.

Dies ist auch die dauerhafte Schwäche von allgemeinen Großmodellunternehmen. Modellunternehmen streben nach standardisierter, leichtgewichtiger Bereitstellung über APIs und lehnen individuelle Strukturierungsarbeiten ab.

Was beide liefern, ist ein vollständiges Entscheidungssystem, das aus Algorithmen, Daten und Szenarien besteht und den gesamten geschlossenen Geschäftszyklus „Entscheidung – Ausführung – Feedback – Iteration“ abwickelt, statt nur einfache Bedienwerkzeuge zu sein.

Am Beispiel von DeepYun Intelligence: Agentic Software integriert die Fähigkeiten von Agenten direkt in die Arbeitsabläufe von Unternehmen und wird kontinuierlich vom internen Team des Kunden betrieben. Agentic Marketing Services nutzt die Fähigkeiten derselben Agentic-Software, um Outsourcing-Dienste anzubieten und direkt Ergebnisse für Marketingziele zu liefern. Beide sind nicht voneinander unabhängig, sondern teilen sich die technische Grundlage von DeepAgent 4.0 Pro und erfüllen unterschiedliche Anforderungen der Kunden mit verschiedenen Bereitstellungsformen.

Derzeit hat das Unternehmen eine Produktmatrix mit mehr als 25 vertikalen KI-Agenten aufgebaut, die zentrale Geschäftsbereiche wie Produktinnovation, GTM