0:00 / 0:00
🎙️ Themen dieser Episode
00:21 — Metas Rekordinvestitionen und die Wette auf die Zukunft
02:41 — Das Dreieck der Sprachmodelle: Kosten, Qualität und Geschwindigkeit
05:57 — ElevenLabs' Pivot von B2B zu Consumer-Musikgenerierung
👥 Hosts
📝 Transkript
❓ Häufig gestellte Fragen
Vollständiges Transkript anzeigen (83 Zeilen)
🎙️ Viktor: Heute in PromptLoop: Meta meldet Rekordgewinne, gibt aber gleichzeitig mehr aus als je zuvor. Und ElevenLabs dreht sein Musikprodukt komplett um.
⚔️ Elena: Außerdem schauen wir uns an, warum Kosten, Qualität und Geschwindigkeit bei Sprachmodellen nicht gleichzeitig zu haben sind.
🎙️ Viktor: Starten wir mit Meta. Elena, du hast die Zahlen.
⚔️ Elena: Ja. Meta hat Q1 2026 gemeldet. Gewinn über den Erwartungen — das ist die Headline. Aber die eigentlich relevante Zahl ist das Capex-Ziel: bis zu 145 Milliarden Dollar für dieses Jahr.
🎙️ Viktor: 145 Milliarden. Das ist kein Tippfehler.
⚔️ Elena: Kein Tippfehler. Und das Muster ist bekannt: Gewinn schlägt Erwartungen, Aktie reagiert trotzdem verhalten. Wir sehen das gerade bei mehreren Unternehmen. AstraZeneca hat Q1 mit plus vier Prozent Gewinn gemeldet — bereinigt, währungsbereinigt. Aktie fiel trotzdem.
🎙️ Viktor: Warum?
⚔️ Elena: Weil der Markt vorausschaut. Hohe Capex-Ankündigungen bedeuten: Das Geld ist weg, bevor es verdient ist. Bei Meta heißt das konkret — Rechenzentren, Infrastruktur, KI-Chips. Alles auf Vorrat.
🎙️ Viktor: Das ist dann die klassische Wette auf die Zukunft.
⚔️ Elena: Genau. Und diese Wette wird gerade von allen großen Tech-Playern gleichzeitig gespielt. Microsoft, Alphabet, Amazon — alle melden in diesem Fenster. Das ist kein Zufall.
🎙️ Viktor: Gibt es verifizierte Meta-Einzelzahlen, die du nennen kannst?
⚔️ Elena: Ehrlich gesagt — die spezifischen Q1-2026-Ergebnisdaten von Meta lagen mir bei Rechercheschluss noch nicht vollständig vor. Das Capex-Ziel von 125 bis 145 Milliarden Dollar kursiert, aber ich markiere das als noch nicht abschließend bestätigt. Was belastbar ist: Meta hat den Termin angekündigt, der Marktkontext passt.
🎙️ Viktor: Das ist wichtig zu sagen. Lieber ehrlich als präzise falsch.
⚔️ Elena: Immer. Meine Einschätzung dazu: Wenn Meta die Capex-Zahlen tatsächlich in dieser Größenordnung bestätigt, wird das Druck auf den Aktienkurs erzeugen — selbst bei starken Gewinnen. Das ist das Muster, das wir gerade marktbreit sehen.
🎙️ Viktor: Und strategisch — was kauft Meta damit?
⚔️ Elena: Zwei Dinge. Erstens Unabhängigkeit von Nvidia. Wer eigene Chips baut, braucht eigene Fab-Kapazitäten oder Fertigungspartnerschaften. Das kostet. Zweitens: Kapazität für Modelle, die Meta selbst betreibt. Llama ist Open Source, aber die Inference läuft irgendwo.
🎙️ Viktor: Das bringt uns eigentlich direkt zum zweiten Thema. Weil Inference — also das Ausführen von Modellen — genau der Kostentreiber ist, den wir heute noch genauer anschauen.
⚔️ Elena: Übergib.
🎙️ Viktor: Gerne. Also: Wer Sprachmodelle baut oder nutzt, steckt immer in demselben Dreieck. Kosten, Qualität, Geschwindigkeit. Du kannst zwei davon optimieren. Das dritte leidet.
⚔️ Elena: Klingt nach einem Ingenieursproblem.
🎙️ Viktor: Ist es auch. Aber es ist genauso ein Business-Problem. Ich erkläre kurz die Metriken, weil sie für das Verständnis wichtig sind. TTFT — Time to First Token — ist die Zeit, bis das Modell das erste Wort ausgibt. Die zweite Größe ist ITL, Inter-Token-Latency — also wie schnell die Wörter danach kommen.
⚔️ Elena: Und was sind aktuelle Werte?
🎙️ Viktor: Laut dem Artificial Analysis Leaderboard von März 2026: Llama 4 liegt bei 120 Millisekunden TTFT im optimierten Betrieb. Claude 4 bei 150. Gemini 2.5 bei 180.
⚔️ Elena: Das klingt schnell.
🎙️ Viktor: Ist es auch — für Menschen. Aber in automatisierten Pipelines, wo Modelle miteinander kommunizieren, addieren sich 180 Millisekunden schnell zu echten Verzögerungen.
⚔️ Elena: Und die Kosten?
🎙️ Viktor: OpenAI o3: 15 Dollar Input, 60 Dollar Output — pro Million Tokens. xAI Grok-4: 8 Dollar Input, 32 Dollar Output. Der Preisunterschied kommt aus der Architektur. Grok-4 nutzt Mixture-of-Experts — kurz MoE. Nicht das gesamte Modell läuft bei jeder Anfrage. Nur relevante Teile.
⚔️ Elena: Also zahle ich weniger, wenn ich ein spezialisiertes Modell nutze.
🎙️ Viktor: Im Prinzip ja. Aber da kommt das Dreieck ins Spiel. Ein Datenpunkt aus dem Helicone State of LLM Observability Report Q1 2026: 70 Prozent der befragten Entwickler priorisieren TTFT unter 300 Millisekunden — über Qualität.
⚔️ Elena: Wirklich? Geschwindigkeit schlägt Qualität?
🎙️ Viktor: In der Praxis, ja. Weil Nutzer auf Antworten warten. Und Warten fühlt sich länger an als es ist. Die gleiche Studie zeigt: Wer unter 200 Millisekunden TTFT will und dabei einen MMLU-Score über 92 Prozent hält — also wirklich gute Qualität — muss mehr als 20 Dollar pro Million Tokens zahlen.
⚔️ Elena: Das heißt: Billig und gut gibt es nicht gleichzeitig unter einer bestimmten Latenz-Grenze.
🎙️ Viktor: Genau das sagt die Pareto-Frontier. Und das ist kein temporäres Problem. Das ist Physik und Ökonomie kombiniert.
⚔️ Elena: Was hat sich aber verbessert im Jahresvergleich?
🎙️ Viktor: Erheblich. Inference-Kosten sind laut Epoch KI um 65 Prozent gesunken, Jahr zu Jahr 2025 auf 2026. Latenz um 40 Prozent. Das ist keine kleine Optimierung.
⚔️ Elena: Die Kurve geht also steil runter.
🎙️ Viktor: Ja. Aber das Dreieck bleibt. Die Abstände zwischen den Ecken werden kleiner — aber du kannst immer noch nicht alle drei gleichzeitig maximieren.
⚔️ Elena: Was bedeutet das für Unternehmen, die gerade entscheiden, welches Modell sie einsetzen?
🎙️ Viktor: Meine Einschätzung: Die Entscheidung hängt am Use Case. Für einen Chatbot, der Kunden antwortet, ist TTFT entscheidend. Für eine Analyse im Hintergrund, die nachts läuft, ist Kosten pro Token entscheidend. Das sind zwei verschiedene Modellentscheidungen.
⚔️ Elena: Das erklärt auch, warum kein einzelnes Modell alles dominiert.
🎙️ Viktor: Grok-4 führt gerade die Leaderboards an — ELO 1450 im LMSYS Arena Stand März 2026. Aber das bedeutet nicht, dass es für jeden Use Case die erste Wahl ist.
⚔️ Elena: Gut. Kommen wir zum dritten Thema. ElevenLabs und Musik. Viktor, du hast das verfolgt.
🎙️ Viktor: Ja. ElevenLabs ist bekannt für Sprachsynthese. Jetzt haben sie ihr Musikprodukt komplett umgebaut. Ursprünglich war ElevenMusic ein B2B-Tool — für Produktionsstudios, lizenzfreie Tracks.
⚔️ Elena: Und jetzt?
🎙️ Viktor: Seit dem 29. April 2026 ist es eine Consumer-Plattform. Fan-orientiert, Freemium-Modell, Remix-Funktionen im Vordergrund.
⚔️ Elena: Das ist ein klassischer Pivot. Von B2B nach Consumer. Was hat das ausgelöst?
🎙️ Viktor: Piotr Dąbkowski, der CTO von ElevenLabs, hat das in einem Wired-Interview so formuliert: "Fan-Creativity über kommerzielle Produktion." Die Idee ist: Nicht Musik produzieren für Studios — sondern Fans ermöglichen, mit Musik zu interagieren.
⚔️ Elena: Was heißt das konkret?
🎙️ Viktor: Das Modell heißt Eleven v7, generiert Tracks in zehn Sekunden, unterstützt über 50 Genres. Das Remix-Feature trifft laut ElevenLabs Originalstile mit 85-prozentiger Übereinstimmung. Das sind ihre eigenen Angaben — ich kann die Zahl nicht unabhängig verifizieren.
⚔️ Elena: Gut, dass du das sagst.
🎙️ Viktor: Die Nutzerzahlen in den ersten 24 Stunden nach Relaunch: 500.000 registrierte Nutzer. Zwei Millionen Streams in der ersten Nacht.
⚔️ Elena: Das ist kein schlechter Start.
🎙️ Viktor: Nein. Und der erste Umsatz in 24 Stunden: 1,2 Millionen Dollar. Premium-Abo kostet 9,99 Dollar pro Monat. Das kommt aus einem TechCrunch-Artikel vom 30. April.
⚔️ Elena: Jetzt die wirtschaftliche Seite. Was bedeutet dieser Pivot für ElevenLabs als Unternehmen?
🎙️ Viktor: Die B2B-Sparte hat laut verfügbaren Angaben rund 15 Millionen Dollar pro Jahr eingebracht — Stand 2025. Das ist eine stabile Basis, aber kein Wachstumsmotor.
⚔️ Elena: Consumer-Skalierung ist ein anderes Spiel.
🎙️ Viktor: Völlig andere Wachstumskurve. Und ein anderes Risikoprofil. B2B hat lange Sales-Zyklen aber stabile Verträge. Consumer hat Viral-Potenzial aber auch Churn.
⚔️ Elena: Wer profitiert hier? Wer verliert?
🎙️ Viktor: Gewinner kurzfristig: ElevenLabs selbst, wenn die Nutzerzahlen halten. Auch TikTok — die haben eine exklusive Integration angekündigt. Das ist nicht zufällig. TikTok braucht Content-Tools, ElevenLabs braucht Verbreitung.
⚔️ Elena: Und Verlierer?
🎙️ Viktor: Spekulativ gesagt: klassische Lizenzmusik-Plattformen. Wenn Fans anfangen, Remixe zu bauen und zu streamen, sinkt die Nachfrage nach lizenziertem Produktionsmaterial. Das ist meine Einschätzung — keine belegbare Zahl dahinter.
⚔️ Elena: Die Rechtslage bei Remixen ist auch nicht trivial.
🎙️ Viktor: Absolut. Das ist der blinde Fleck in der ganzen Ankündigung. ElevenLabs betont "Fan-Creativity" — aber was passiert, wenn ein Fan den Stil einer echten Künstlerin imitiert? 85 Prozent Stilübereinstimmung ist ein zweischneidiges Schwert.
⚔️ Elena: Das werden Anwälte in den nächsten Monaten klären.
🎙️ Viktor: Oder Gerichte.
⚔️ Elena: Ein Showcase-Element haben sie auch. Mubi the Moon — eine KI-Sängerin — hatte in zwölf Stunden nach dem ersten Fan-Remix-Release zehn Millionen Streams. Das ist die Viralitätsprobe.
🎙️ Viktor: Ja, aber ich würde das einordnen: KI-Sängerinnen haben einen eingebauten Neugier-Effekt. Ob das in drei Monaten noch trägt — offen.
⚔️ Elena: App Store Rating liegt bei 4,7 von 5. Google Play 4,5. Bei 45.000 beziehungsweise 32.000 Reviews — das ist eine relevante Stichprobe.
🎙️ Viktor: Kritik laut den Reviews: Latenz. Was uns zurück zum Dreieck bringt.
⚔️ Elena: Alles hängt zusammen.
🎙️ Viktor: Immer. Auch Musikgenerierung ist letztlich ein Inference-Problem. Zehn Sekunden pro Track klingt schnell. Aber wenn 500.000 Nutzer gleichzeitig Tracks generieren, ist das Rechenzentrum die Grenze.
⚔️ Elena: Das erklärt auch, warum Meta 145 Milliarden in Infrastruktur investiert.
🎙️ Viktor: Genau. Infrastruktur ist der Engpass hinter allem.
⚔️ Elena: Lass uns kurz zusammenführen. Was sind die übergreifenden Linien dieser Episode?
🎙️ Viktor: Erstens: Kapital. Meta gibt massiv aus — auf Vorschuss. Das ist ein Signal, kein Ausreißer.
⚔️ Elena: Zweitens: Effizienz. Kosten pro Token fallen stark. Aber das Tradeoff-Dreieck löst sich nicht auf — es verschiebt sich.
🎙️ Viktor: Drittens: Plattformwechsel. ElevenLabs hat einen B2B-zu-Consumer-Schwenk vollzogen. Ob das trägt, wissen wir in sechs Monaten.
⚔️ Elena: Und der rote Faden dahinter: KI-Infrastruktur ist teurer als sie aussieht.
🎙️ Viktor: Für jeden, der KI nutzt, baut oder finanziert.
⚔️ Elena: Das war PromptLoop. Die drei Themen dieser Episode: Meta Capex, das LLM-Tradeoff-Dreieck und der ElevenMusic-Pivot.
🎙️ Viktor: Nächste Woche schauen wir, was die anderen Tech-Earnings bringen. Die Zahlen von Alphabet, Microsoft und Amazon stehen noch aus.
⚔️ Elena: Bis dann.
🎙️ Viktor: Tschüss.
✍️ Editorial / Meinungsbeitrag — basiert auf Einordnung der Redaktion, nicht auf externen Primärquellen.
