7 min read · 12 sources

Die API wird zur Legacy-Schnittstelle. Eine Installmap-Studie über YC-Startups ergab, dass 43 von 119 untersuchten Unternehmen mit einem MCP-Server (36,1 %) überhaupt keine öffentliche API haben. In den Jahrgängen 2025-26 hat die llms.txt-Adoption 36,2 % erreicht und übertrifft damit die öffentliche API-Adoption von nur 22,7 %. Die nächste Generation KI-nativer Unternehmen baut zuerst für LLMs, und REST ist das, was sie überspringen.

Das ist kein Nischenexperiment. Der Anteil öffentlicher APIs ist über die Jahrgänge hinweg konstant geblieben, während MCP und llms.txt gestiegen sind. Neue Startups behandeln das LLM als ihren primären Kunden, nicht als nachträglichen Zusatz. Wenn Sie ein Devtools-Produkt oder eine API bauen, von der Sie erwarten, dass Entwickler sie integrieren, ist die Frage nicht, ob Sie MCP unterstützen sollen - sondern ob Ihr bestehender REST-Endpunkt bereits die falsche Schnittstelle ist.

Perplexitys Photon-Engine liefert 95 % der Suchergebnisse in 230 Millisekunden oder weniger zurück und ersetzt damit die Open-Source-Engine, die das Unternehmen zuvor verwendete.

Das KI-native Unternehmen hat keine Jobtitel

Source: elenaverna.com ↗

Feldnotizen aus einem Jahr bei Lovable beschreiben eine Organisation, die die traditionelle Struktur aufgegeben hat. Keine Jobtitel, nur ICs und Leads. Keine Meetings standardmäßig. Rollen verschwimmen, weil KI-Agenten die Routinearbeit übernehmen und Menschen als „Agenten-Eltern" die automatisierten Systeme beaufsichtigen.

Die Autorin ist ehrlich über die Grenzen: Das ist ein einzelner Datenpunkt, und man kann nicht trennen, was KI-nativ ist und was schwedisch oder für Lovable spezifisch ist. Aber das Muster ist beobachtenswert. Wenn flache Strukturen mit KI-Agenten im Kreislauf zur Vorlage werden, wird die gesamte Management-Ebene - die Menschen, deren Aufgabe Koordination und Statusverfolgung ist - dünner. Die Lehre für Betreiber ist nicht, Lovable zu kopieren, sondern zu fragen, welche Ihrer Meetings existieren, weil Informationen nicht fließen, und ob ein Agent diesen Fluss automatisieren kann.

Es gibt keine Burggräben mehr. Sie hatten nie eine

Source: auren.substack.com ↗

Auren Hoffmans Argument ist unverblümt: Wechselkosten, proprietäre Daten und Netzwerkeffekte sind tot. Ein Freund, der ein KI-Startup mit 1 Milliarde Dollar Umsatz führt, sagt, er habe keinen Burggraben und müsse jede Woche das beste Produkt haben, sonst verliere er Kunden. Migrationen sind kostenlos. Verträge sind monatlich. Kunden gehen, sobald etwas Besseres erscheint.

Die unbequeme Schlussfolgerung ist, dass Burggräben nie das Produkt waren - sie waren die Migrationskosten. Im KI-Zeitalter ist die einzige Verteidigung kontinuierliche Produktqualität. Für Gründer bedeutet das eine Neugestaltung der Strategie: Bauen Sie keine Funktionen, um Kunden einzuschließen, sondern um die Woche zu gewinnen. Die Burggraben-Metapher war schon immer eine Fantasie; der Angriff ist die einzige Spielweise.

Der KI-Agent von SaaStr: 17.000 Gespräche, 600 Meetings, 60 % mehr Geschäft

Source: saastr.com ↗

Der Inbound-KI-Agent von SaaStr führte in 12 Monaten 17.000 Interessenten-Gespräche und buchte ~600 Meetings für seine Konferenz. Ein neuerer Self-Service-Agent sorgte für eine 60-prozentige Steigerung des Neugeschäfts. Alles von drei Menschen betrieben.

Die Details sind wichtig. Der Agent sitzt auf der Seite mit der höchsten Absicht - der Sponsorenseite für einen Kauf im Wert von ~90.000 Dollar. Er führt echte Qualifizierung durch: Budget, Ziele, Wettbewerber. Er bucht Meetings direkt in Echtzeit. Dies ersetzte einen langsamen, generischen Formular-und-E-Mail-Flow, den SaaStrs eigener Autor „die schlechteste E-Mail der Welt" nennt. Die Lektion für alle, die einen B2B-Funnel betreiben: Das Formular ist keine Funnel-Stufe, es ist ein Konversionskiller. Platzieren Sie einen Agenten dort, wo die Absicht am höchsten ist, geben Sie ihm einen echten Job und lassen Sie ihn buchen.

Perplexitys Photon: Suche in 160 Millisekunden

Source: threadreaderapp.com ↗

Der Forschungsaccount von Perplexity kündigte Fast Search an, das auf einem auf Rust basierenden Retrieval- und Ranking-Dienst namens Photon läuft. Es liefert 95 % der Suchergebnisse in 230 Millisekunden oder weniger zurück, mit einer mittleren Latenz von 160 ms. Photon übernimmt jetzt das gesamte Retrieval und Ranking bei Perplexity und ersetzt die Open-Source-Engine, die das Unternehmen zuvor verwendete.

Derselbe Thread beschreibt ein nachtrainiertes Computer-Modell mit hintengleitender Selbst-Destillation, das Tool-Call-Fehler in einem Live-A/B-Test um 21,2 % reduzierte, und einen Open-Source-Unigram-Tokenizer, der die CPU-Auslastung um das 5-6-fache senkte. Für alle, die Suche oder Ranking in großem Maßstab betreiben, sind Photons Zahlen der Maßstab, den es zu schlagen gilt - und die Tatsache, dass Perplexity es mit einem kleinen Team plus Hunderten von Agenten gebaut hat, ist eine eigene Geschichte darüber, wie KI-native Entwicklung die Größe des benötigten Teams verändert.

CloudWatch Omni: Beobachtbarkeit ohne AWS-Konsole

Source: aws.amazon.com ↗

Amazon CloudWatch Omni ist ein KI-gestütztes Beobachtbarkeitserlebnis, das über eine dedizierte URL mit Enterprise-SSO zugänglich ist - ohne AWS-Console-Zugriff. Es basiert auf OpenTelemetry, sodass vorhandene Telemetrie ohne Neukonfiguration erscheint. Omni organisiert die Beobachtbarkeit rund um Anwendungen, entdeckt Dienste automatisch, bildet Abhängigkeiten ab und passt Alarme automatisch an.

Der Pitch löst echte Schmerzpunkte: Dashboard-Pflege, Kontextverlust bei Vorfällen und Werkzeugwechsel. Für SREs ist der interessante Teil die SSO-Trennung - Beobachtbarkeit wird zu einem Produkt für die gesamte Organisation, nicht nur für das Ops-Team mit Konsolenzugriff. Und die OpenTelemetry-Basis bedeutet, dass es im traditionellen Sinne kein Lock-in ist; Ihre Telemetrie bleibt portabel. Der Haken ist, ob die KI-Alarmanpassung Vertrauen gewinnt - Auto-Tuning von Alarmen ist eine mutige Behauptung für jeden, der um 3 Uhr morgens wegen eines falsch konfigurierten Schwellenwerts gepaged wurde.

ElevenLabs bringt Bild- und Videogenerierung heraus

Source: threadreaderapp.com ↗

Die Image & Video API von ElevenLabs ermöglicht die Generierung von Bildern und Videos mit derselben API, die Sie für Sprache verwenden. Sie unterstützt 18 Modelle, darunter Veo 3.1, Seedance 2.5, GPT Image 2.5 und Nano Banana Pro. Ab heute für Pro-Pläne und höher verfügbar, wobei die Generierung dieselben Credits kostet wie in der App und fehlgeschlagene Generierungen nicht berechnet werden.

Die bemerkenswerte Bewegung ist der Aggregations-Ansatz - ein API-Schlüssel für 18 Modelle über Sprache, Bild und Video. Für Entwickler ist das ein einziger Integrationspunkt statt des Jonglierens mit mehreren Anbietern. Die Richtlinie „fehlgeschlagene Generierungen werden nicht berechnet" ist eine kleine Sache, die einen echten Schmerzpunkt bei der Arbeit mit unzuverlässigen generativen APIs beseitigt.

Due Diligence im Deep Tech wird schlechter

Source: postquantum.com ↗

Die Analyse von PostQuantum argumentiert, dass die Venture-Due-Diligence für Deep Tech zurückgegangen ist, insbesondere bei Frontier-Deals, wo die Schecks am größten sind. Die Lücke von Seed zu Series A wuchs von 2021 bis 2024 um 84 %, und die Lücke von A zu B wuchs um 97 %. Der Autor folgert, dass Physik-Checks bei schnell abgeschlossenen Deals übersprungen werden, und nennt Quanten als Beispiel mit 4,9 Milliarden Dollar privaten Investitionen gegenüber nur 1,4 Milliarden Dollar Marktumsatz.

Das ist eine Warnung an LPs und ein Signal an Gründer. Wenn technische Due Diligence übersprungen wird, basieren Deep-Tech-Bewertungen zunehmend auf Narrativen statt auf Machbarkeit. Für Gründer ist das eine Gelegenheit, sich durch tatsächliche Verifikation zu differenzieren - ein Startup, das seine Physik beweisen kann, ist mehr wert als eines, das sie nur behauptet.

Was es jetzt braucht, um großartige Produkte zu bauen

Source: figma.com ↗

Figmas Ansicht ist, dass KI es einfacher macht, einen Prototyp zu erstellen, aber die harte Arbeit darin besteht, die Geschwindigkeit bis zum Launch zu halten, die richtige Richtung zu wählen und differenzierte Produkte zu schaffen. Starke Teams zeichnen sich in drei Bereichen aus: Geschwindigkeit (Aufrechterhaltung des Schwungs durch die letzten 20 %), Richtung (Abwägen vieler Optionen, bevor man setzt) und Differenzierung (Formen eines Ergebnisses, das nur sie hervorbringen würden).

Der praktische Ratschlag: Verwenden Sie das schnellste Medium für jede Änderung - passen Sie Abstände in Figma an, berechnen Sie dynamische Preise im Code. Das ist das Gegenstück zum Vibe-Coding-Hype. Prototypen sind jetzt billig; der Engpass ist Urteilsvermögen. Die Teams, die gewinnen, sind diejenigen, die zu einer guten Richtung „nein" sagen können, weil eine bessere existiert, und die durch den langweiligen Endspurt weiter liefern.

Der unordentliche Mittelbereich ist, wo das KI-Geld ist

Source: tomtunguz.com ↗

Toms Tunguz’ Argument ist, dass der wichtigste KI-Markt der „unordentliche Mittelbereich" ist - mehrstufige Workflows, die ein ausreichend intelligentes Modell zu einem erschwinglichen Preis benötigen. Anthropic und OpenAI senkten die Preise innerhalb von 90 Minuten voneinander, und offene Modelle verarbeiten einen Großteil des Token-Volumens mit einem Rabatt von 86 % gegenüber geschlossenen Modellen. Frontier-Modelle sind von 53 % auf 45 % des Token-Verbrauchs von Unternehmen gefallen.

Die Nachfrage ist eine Normalverteilung mit einem dicken Mittelbereich, keine Pyramide. Die Front ist dünn und wird dünner. Für alle, die KI-Produkte bauen, bedeutet das, dass die Gewinnstrategie nicht darin besteht, dem intelligentesten Modell nachzujagen - sondern das billigste Modell zu finden, das für die Aufgabe intelligent genug ist, und den Workflow darum herum aufzubauen. Der Preiskampf an der Spitze ist eine Ablenkung von dort, wo das Volumen tatsächlich ist.

Kurzmeldungen

Source: indiehackers.com ↗

• Vacation Tracker erreichte 3 Millionen Dollar ARR, und seine Landingpage war 18 Monate online, bevor ein Wartelistenmitglied den Gründer aufspürte, um zu fragen, wann es starten würde.
• Gute Produktideen sterben oft in der Pipeline, weil Priorisierung, Spezifikation und Implementierung auf Konsens und Intuition beruhen - die schlecht darin sind, gute Ideen zu erkennen.
• Figmas Ratschlag zur Richtung: Wägen Sie viele Optionen ab, bevor Sie auf eine setzen, und formen Sie das Ergebnis in etwas, das nur Ihr Team hervorbringen würde.