Die Welle von Abgängen beim 12-Milliarden-Dollar-Unternehmen Thinking Machines der ehemaligen OpenAI-CTO Mira Murati unterstreicht den harten Wettbewerb um Fachkräfte im Bereich KI.

Wichtige Abgänge erschüttern AI-Startup Thinking Machines

Der anhaltende Wettbewerb um führende KI-Expert:innen im Silicon Valley hat sich diese Woche verschärft, nachdem drei Gründungsmitglieder des Thinking Machines Lab, dem KI-Venture unter Leitung der ehemaligen OpenAI-CTO Mira Murati, ihre Rückkehr zu OpenAI angekündigt haben. Alle drei – Brett Zoph, Luke Metz und Sam Schoenholz – hatten zuvor bereits bei OpenAI gearbeitet, bevor sie zu Thinking Machines wechselten.

Fidji Simo, OpenAIs CEO für Anwendungen, gab die Neuigkeit am Mittwoch bekannt. Laut Simo wird Zoph direkt an sie berichten, während Metz und Schoenholz an Zoph berichten. Zoph und Metz waren Mitgründer von Thinking Machines, während Schoenholz ebenfalls Teil des ursprünglichen Forschungs- und Ingenieurteams war.

Kontroverse um die Abgänge

Berichten von Core Memory zufolge informierte Murati das Personal über Zophs Entlassung aufgrund angeblich „unethischen Verhaltens“. Weder Zoph, OpenAI noch Thinking Machines äußerten sich zu dem Vorfall. Simo erklärte, dass der Einstellungsprozess bereits seit mehreren Wochen laufe. Bloomberg berichtete, dass Simo den OpenAI-Mitarbeitenden mitteilte, Zoph habe Murati über seine Absicht zu gehen informiert, was zu seiner sofortigen Kündigung führte. Simo wies zudem Bedenken hinsichtlich Zophs Verhalten zurück.

Bis Donnerstag tauchten weitere Berichte auf, dass zwei weitere Forscher:innen von Thinking Machines, Lia Guy und Ian O’Connell, ebenfalls das Unternehmen verlassen, wobei Guy zu OpenAI wechselt. Diese prominenten Abgänge verdeutlichen die Herausforderungen, denen sich neue KI-Labore beim Halten von Talenten gegenübersehen, wenn sie mit etablierten Giganten wie OpenAI, Anthropic und DeepMind konkurrieren. Während einige chinesische Startups wie DeepSeek und Moonshot AI wettbewerbsfähige Modelle entwickelt haben, konkurrieren sie nicht um denselben Talentpool.

Herausforderungen bei Finanzierung und Talentbindung

Thinking Machines sicherte sich im Juli eine Rekord-Seed-Finanzierung von 2 Milliarden US-Dollar, wodurch das Unternehmen mit 12 Milliarden US-Dollar bewertet wurde. Bloomberg berichtete später, dass das Unternehmen weitere Investitionen bei einer Bewertung von 50 Milliarden US-Dollar suche. Trotz dieser beeindruckenden Fundraising-Erfolge hat das Startup Schwierigkeiten, seine KI-Forschenden zu halten. Andrew Tulloch, ein weiterer Mitgründer, verließ im vergangenen Jahr das Unternehmen, um zu Metas KI-Sparte zu wechseln, die für ihre lukrativen Vergütungspakete bekannt ist. Nun, mit den kürzlichen Abgängen von Zoph, Metz, Schoenholz, Guy und O’Connell, sieht sich das Unternehmen mit weiterer Instabilität konfrontiert.

Ähnlich sammelte Ilya Sutskever, ehemaliger Chief Scientist von OpenAI, Ende 2024 eine Milliarde US-Dollar für sein neues Unternehmen Safe Super Intelligence (SSI) ein, nur um zu sehen, wie Meta seinen Mitgründer Daniel Gross für eigene fortschrittliche KI-Initiativen abwarb.

Warum neue KI-Labore Schwierigkeiten haben, Talente zu halten

Es gibt mehrere Gründe, warum aufstrebende KI-Labore trotz beeindruckender Finanzierungsrunden Schwierigkeiten haben, Spitzenforscher:innen zu halten:

• Vergütungsgrenzen: Diese Startups können oft nicht mit den hohen Bar-Gehältern konkurrieren – manchmal im siebenstelligen Bereich – die etablierte Tech-Unternehmen wie Meta, Google DeepMind und OpenAI bieten.
• Eigenkapital versus Bargeld: Während frühe Teammitglieder Eigenkapital mit potenziell erheblichem zukünftigen Wert erhalten, ist dies oft weniger attraktiv als die sofortigen, erheblichen Barpakete, die große Firmen bieten.
• Risiko von Aktienoptionen: Eigenkapital in jungen, privaten Unternehmen ist in der Regel risikoreicher als Aktienoptionen von börsennotierten Unternehmen oder etablierten Laboren. Google und Meta beispielsweise bieten großzügige Aktienpakete mit schneller Übertragung, sodass Mitarbeitende schneller auszahlen können. OpenAI und Anthropic erwägen ebenfalls Börsengänge, die Angestellten in naher Zukunft hohe Auszahlungen ermöglichen könnten – etwas, das für neue Startups weniger wahrscheinlich ist.

Ein:e ehemalige:r OpenAI-Forscher:in, die/der weiterhin mit Mitarbeitenden von Thinking Machines in Kontakt steht, meinte, dass finanzielle Anreize der Hauptgrund für die jüngsten Abgänge seien, da einige durch außergewöhnlich großzügige Angebote zurück zu OpenAI gelockt wurden. Diese Person spekulierte außerdem, dass Simos Rekrutierungsbemühungen darauf abgezielt haben könnten, das Fundraising von Thinking Machines zu stören, da Investoren vorsichtig werden, wenn Gründungsmitglieder ausscheiden.

Zugang zu Rechenleistung: Eine weitere Hürde

Eine weitere große Herausforderung für neue KI-Labore ist die Sicherung ausreichender Rechenressourcen. Während etablierte Labore häufig über begrenzten Zugang zu Rechenzentren für das Training und die Bereitstellung großer Sprachmodelle klagen, haben sie Milliarden in den Ausbau ihrer Infrastruktur investiert. Ihre Größe macht sie zu bevorzugten Kunden für Nvidia, dessen Chips für das Training fortschrittlicher KI-Modelle unerlässlich sind. Google hat eigene KI-Chips (TPUs) entwickelt und ist dadurch weniger auf Nvidia angewiesen, während Meta, OpenAI und Anthropic eigene Rechenzentren aufgebaut und Partnerschaften mit großen Cloud-Anbietern wie Amazon Web Services und Microsoft geschlossen haben. Im Gegensatz dazu haben jüngere Labore Schwierigkeiten, die benötigten GPUs und Rechenpower zu bekommen, selbst wenn ihr Gesamtbedarf geringer ist.

Unklare Produktstrategien und Geschäftsmodelle

Viele neue KI-Labore, darunter Thinking Machines, haben bisher weder klare Produktangebote noch Geschäftspläne etabliert. Thinking Machines hat bisher nur ein Produkt veröffentlicht – ein Beta-Tool namens Tinker, das im Oktober gestartet wurde und Forschenden und Entwicklern hilft, Open-Source-Sprachmodelle für spezifische Aufgaben zu optimieren. Das Unternehmen hat zudem Forschung zur Optimierung des Modelltrainings veröffentlicht, jedoch nicht angegeben, wann ein allgemein verfügbares Produkt oder eine Einnahmequelle entstehen könnte.

Berichten zufolge waren einige Mitarbeitende frustriert über die fehlende Klarheit bezüglich der Produktstrategie, insbesondere im Vergleich zum schnellen Tempo etablierter Labore. Quellen zufolge wurden jedoch einige dieser Bedenken kürzlich adressiert. Bemerkenswert ist, dass Zoph, Metz und Schoenholz an Simo, OpenAIs Produktchefin, und nicht an den Forschungsleiter berichten werden, was möglicherweise ihr Interesse an angewandter KI-Arbeit signalisiert.

Auch andere neue Labore stehen vor ähnlichen Herausforderungen. So hat Sutskevers SSI bislang weder Produktpläne offengelegt noch ein Modell veröffentlicht, auch wenn jüngste Äußerungen auf einen bevorstehenden Start hindeuten. Sutskever erklärte zuvor, dass SSI möglicherweise auf einen großen Durchbruch in der KI-Sicherheit warten werde, bevor Produkte veröffentlicht werden.

Dieser Artikel wurde ursprünglich auf Fortune.com veröffentlicht.