AI Builders Digest · 2026-08-31

Einleitung / Editor's Note

Die GLM-5.2-Deployment-Daten zeigen drastisch sinkende Kosten: 0,15 Dollar pro Million Input-Token und 20-fach günstiger als Qwen3.8 Max. Gleichzeitig kaufen OpenAI und andere Labore Zehntausende Mac minis für Computer-Use-Agenten. Dwarkesh Patel und Dylan Patel fragen unterdessen, wer den KI-Wert abschöpft und ob Spiegel Billionen-Umsätze bremsen. Die Branche verlagert sich von reinen Modellverbesserungen zu Hardware, Kosten und Verteilung der Gewinne.

Theme 01

Model Serving Economics / Modell-Serving-Ökonomie

Deployment specs and pricing details show how fast inference costs are falling for large models.

Latent Space Blog

@LatentSpacePod

GLM-5.2 Deployment: vLLM unterstützt ab Tag 0, 744B Parameter gesamt / 40B aktiv, 1M Kontext, 128K max Output.

UnslothAI meldet eine 239GB 2-Bit-Variante mit etwa 81% Genauigkeit nach Schrumpfung von 1,51TB.

Unabhängige Schätzungen: $0,15/1M Input, $0,47/1M Output, rund 20× günstiger und ~2× schneller als Qwen3.8 Max.

GLM-5.2 deployment specs: vLLM day-0 support, 744B total / 40B active parameters, 1M context, 128K max output.

UnslothAI claims a 239GB 2-bit variant retains about 81% accuracy after shrinking from 1.51TB.

Independent estimates put pricing at $0.15/1M input and $0.47/1M output, roughly 20× cheaper and ~2× faster than Qwen3.8 Max.

Quelle / Source →

Theme 02

AI Value Capture / KI-Wertschöpfung

Two conversations with Dylan Patel frame the economic bottlenecks and value distribution questions around AI.

Dwarkesh Patel YouTube

@DwarkeshPatel

Dwarkesh Patel spricht mit Dylan Patel darüber, wie Spiegel zu einem physischen Engpass für Billionen-Umsätze mit KI werden könnten.

Die These verknüpft KI-Skalierung mit Hardware-Grenzen statt mit Modellfähigkeiten.

Dwarkesh Patel interviews Dylan Patel about why trillions in AI revenue could hit a physical bottleneck in mirror supply.

The episode ties AI scaling economics to hardware constraints rather than model capability.

Quelle / Source →

Dwarkesh Patel YouTube

@DwarkeshPatel

Dwarkesh Patel interviewt Dylan Patel dazu, wer den von KI-Systemen geschaffenen Wert tatsächlich abschöpft.

Die Folge stellt Wertabschöpfung als zentrale strategische Frage für Labs, Infrastruktur und Anwender dar.

Dwarkesh Patel interviews Dylan Patel on who actually captures the value created by AI systems.

The episode frames value capture as the central strategic question for AI labs, infrastructure providers, and downstream adopters.

Quelle / Source →

Theme 03

Computer-Use Agents / Computer-Use-Agenten

Training hardware and developer tools for computer-use agents are advancing in parallel.

The Decoder AI News

@TheDecoder

OpenAI und konkurrierende KI-Labore kaufen Zehntausende Mac minis, um Computer-Use-Agenten zu trainieren.

OpenAI und Rivalen skalieren Mac-mini-Flotten gezielt für das Training von Computer-Use-Agenten.

OpenAI and rival AI labs are buying tens of thousands of Mac minis to train computer-use agents.

OpenAI and rival labs are scaling Mac mini fleets specifically for computer-use agent training.

Quelle / Source →

The Decoder AI News

@TheDecoder

OpenClaw 2.0 erscheint mit vereinfachtem Setup, einer neu aufgebauten Browser-App und Multiplayer-Sessions.

Das Release zielt auf einfachere Einrichtung und kollaborative Computer-Use-Workflows.

OpenClaw 2.0 launches with simplified setup, a rebuilt browser app, and multiplayer sessions.

The release targets easier onboarding and collaborative computer-use workflows.

Quelle / Source →

Theme 04

AI Product Strategy / KI-Produktstrategie

Freemium moves in AI meeting tools show how providers are competing for user growth.

TechCrunch AI AI News

@TechCrunch

Circleback führt ein kostenloses Tarifmodell für seinen Meeting-Notiz-Assistenten ein, um mehr Kunden zu gewinnen.

Der kostenlose Tarif zielt darauf ab, die Kundenbasis von Circleback zu vergrößern.

Circleback, a meeting notetaker, adds a free tier to attract more customers.

The free tier is aimed at expanding Circleback's customer base.

Quelle / Source →