Invest Like The Best: Anthropic steigert Run-Rate von 9 auf 30 Milliarden Dollar in einem Quartal – CFO sieht kein Ende der Skalierungseffekte
Krishna Rao sprach am 13. Mai 2026 mit Patrick O'Shaughnessy über die Compute-Strategie von Anthropic, exponentielles Wachstum und warum Spitzenintelligenz einen strukturellen Aufschlag rechtfertigt.
Von 9 Milliarden auf 30 Milliarden Dollar in einem Quartal
Die Zahl, die die meisten Investoren kurz innehalten lassen dürfte, fiel fast beiläufig. Anthropic-CFO Krishna Rao erklärte gegenüber „Invest Like The Best“, dass das Unternehmen mit einer annualisierten Umsatz-Run-Rate von etwa 9 Milliarden Dollar in das Jahr 2026 gestartet sei und das erste Quartal mit über 30 Milliarden Dollar abgeschlossen habe. Dabei handelt es sich nicht um einen Ganzjahreswert, sondern um ein einziges Quartal. Zum Vergleich: Als Rao vor zwei Jahren zum Unternehmen kam, lag die Run-Rate bei etwa 250 Millionen Dollar. Diese Entwicklung widerspricht jedem konventionellen Rahmen für die Einführung von Unternehmenssoftware. Rao gab offen zu, dass auch er in den ersten Monaten in linearen Denkmustern verhaftet war, bevor er gezwungen war, seine Annahmen grundlegend zu überdenken.
Der Motor hinter diesem Wachstum ist laut Rao nicht allein die Vertriebsleistung oder Preissetzungsmacht. Es ist die sich selbst verstärkende Intelligenz der Modelle. „Jede Modellgeneration bietet die Möglichkeit, mehr damit zu erreichen, es besser zu machen und effizienter zu arbeiten“, sagte er. „Die Renditen für Spitzenintelligenz sind extrem hoch, insbesondere im Unternehmenssektor.“ Die Netto-Dollar-Retention (NDR) liegt auf annualisierter Basis bei über 500 Prozent. Neun der Fortune-10-Unternehmen zählen mittlerweile zum Kundenstamm. Allein auf der Fahrt zum Studio unterzeichnete Rao zwei Verträge im zweistelligen Millionenbereich.
Ein 100-Milliarden-Dollar-Compute-Commitment und die „Layer Cake“-Strategie
Im vergangenen Monat unterzeichnete Anthropic eine der größten Compute-Beschaffungsvereinbarungen der Unternehmensgeschichte. Das Unternehmen schloss einen Deal mit Google und Broadcom über bis zu fünf Gigawatt TPU-Kapazität ab 2027 sowie eine separate Vereinbarung mit Amazon über bis zu fünf Gigawatt Trainium-Kapazität. Beide Verträge zusammen belaufen sich auf ein Volumen von über 100 Milliarden Dollar. Zudem gab Rao eine Partnerschaft mit SpaceX bekannt, um kurzfristig auf die „Colossus“-Anlage in Memphis zuzugreifen – primär für Consumer- und Prosumer-Workloads.
Rao beschreibt die resultierende Infrastruktur als „Schichtkuchen“ (Layer Cake) – Tranchen von Rechenleistung verschiedener Anbieter, unterschiedlicher Chip-Generationen und Startzeitpunkte, die dynamisch für drei Anwendungsbereiche orchestriert werden: Modelltraining und -entwicklung, interne Produktivitätssteigerung sowie die Bedienung externer Kundenanfragen (Inference). „Wir nutzen diese Chips fungibel“, erklärte er. Anthropic nutzt Amazon Trainium, Google TPUs und Nvidia GPUs gleichzeitig und hat einen eigenen Compiler-Stack sowie eine Orchestrierungsebene entwickelt, um die maximale Auslastung aus jeder Komponente herauszuholen. Rao ist überzeugt, dass Anthropic damit der effizienteste Nutzer von Rechenleistung unter allen Frontier-Labs ist – ein Anspruch, den er jahrelangen, bewussten Investitionen zuschreibt, nicht einer einzelnen architektonischen Entscheidung.
Die strategische Logik hinter diesem Multi-Cloud- und Multi-Chip-Ansatz ist simpel: Flexibilität dient als Absicherung gegen Unsicherheit. „Wenn man zu viel Rechenleistung kauft, geht man pleite. Wenn man zu wenig kauft, kann man seine Kunden nicht bedienen und ist nicht mehr an der Spitze – was auf das Gleiche hinausläuft“, so Rao.
Der „Kegel der Unsicherheit“ – und warum er alles antreibt
Das wichtigste konzeptionelle Rahmenwerk, das Rao für die Finanzsteuerung bei Anthropic nutzt, nennt er den „Kegel der Unsicherheit“ (Cone of Uncertainty). Auf einer exponentiellen Wachstumskurve führen kleine Unterschiede in den wöchentlichen oder monatlichen Wachstumsraten über einen Zeitraum von ein bis zwei Jahren zu radikal unterschiedlichen Ergebnissen. Die Bandbreite der Szenarien ist daher extrem groß, punktuelle Schätzungen sind nahezu wertlos. Anthropic reagiert darauf, indem das Unternehmen Flexibilität in jeden Compute-Deal einbaut, eine Untergrenze für die Rechenleistung der Modellentwicklung beibehält (unabhängig vom kurzfristigen Nachfragedruck) und die übrigen Kapazitäten dynamisch basierend auf laufenden ROI-Diskussionen neu verteilt, statt dies nur quartalsweise zu tun.
Rao betonte, dass das Unternehmen historisch gesehen am oberen Ende dieses Kegels operiert habe. Der Grund für die fortlaufende Kapitalaufnahme – 75 Milliarden Dollar seit seinem Eintritt, plus weitere 50 Milliarden Dollar aus den Amazon- und Google-Deals – sei nicht die Finanzierung operativer Verluste, sondern die Vorbereitung auf Szenarien, in denen das Wachstum die Erwartungen weiterhin übertrifft. „Wir nehmen dieses Kapital eher wegen des Kegels der Unsicherheit auf, als um aktuelle Verluste im operativen Geschäft zu decken“, sagte er.
Rekursive Selbstverbesserung ist bereits Realität
Eine der folgenreichsten Enthüllungen im Gespräch war Raos Bestätigung, dass rekursive Selbstverbesserung bei Anthropic kein theoretisches Konstrukt mehr ist, sondern operative Realität. Über 90 Prozent des intern geschriebenen Codes wird mittlerweile von Claude Code produziert, und ein erheblicher Teil von Claude Code selbst wird ebenfalls von Claude Code geschrieben. Anthropic widmet diesem Kreislauf signifikante interne Rechenleistung – nicht, weil das Unternehmen dafür auf Umsatz verzichtet, sondern weil die Modelle die Entwicklung der nächsten Modellgeneration massiv beschleunigen.
„Die Modelle selbst helfen uns beim Bau der nächsten Generation“, so Rao. „Neben dem Fähigkeitssprung durch die Skalierungsgesetze ist Talent entscheidend – und dieses Talent kann mit den besten Modellen die Entwicklung neuer Fähigkeiten enorm beschleunigen.“ Allein im Januar veröffentlichte das Unternehmen 30 Produkt- und Feature-Updates, ein Tempo, das sich laut Rao seitdem noch erhöht hat. Die interne These von Anthropic lautet, dass dieser rekursive Kreislauf, kombiniert mit den intakten Skalierungsgesetzen, die Lücke zwischen Frontier-Labs und dem Rest der Branche vergrößert.
Skalierungsgesetze: Keine Anzeichen für eine Verlangsamung
Zur zentralen Frage, die die KI-Investorengemeinschaft spaltet – ob die Skalierungsgesetze an ihre Grenzen stoßen –, äußerte sich Rao unmissverständlich: „Für uns ist das eine treffende Charakterisierung. Die Skalierungsgesetze verlangsamen sich nicht.“ Er räumte ein, dass zu den Gründern einige der ursprünglichen Autoren der Arbeiten zu Skalierungsgesetzen gehören und die Unternehmenskultur wissenschaftliche Skepsis gegenüber bisherigen Annahmen fordere. Doch basierend auf den Beobachtungen von Anthropic bei Pre-Training-Verlustkurven, Reinforcement-Learning-Durchläufen und letztlich dem Kundenfeedback zur realen Leistungsfähigkeit gebe es keine Anzeichen für eine Abflachung. Pre-Training, Post-Training und Reasoning entwickelten sich alle weiter, und ein echtes Limit würde laut Rao voraussetzen, dass alle diese Bereiche gleichzeitig kollabieren.
Anthropic verfolgt Effizienzsteigerungen der Modelle parallel zu den reinen Fähigkeitsgewinnen. Am Beispiel der Opus-Familie – von Opus 4 über 4.5, 4.6 bis hin zu 4.7 – zeigt sich: Jeder Generationsschritt liefert nicht nur höhere Intelligenz, sondern auch einen Multiplikator bei der Effizienz der Token-Verarbeitung. Die Implikation ist, dass die Sportwagen-Analogie für KI-Modelle falsch ist: Bessere Modelle sind auch günstiger im Betrieb. „Wir sehen tatsächlich beides – enorme Verbesserungen bei den Fähigkeiten, aber auch bei der Effizienz“, sagte Rao. Dieser Effizienzgewinn wirkt sich intern kaskadierend aus, da Reinforcement Learning effektiv eine Inference in einer Sandbox ist; ein effizienteres Modell macht also auch die RL-Durchläufe günstiger.
Preisgestaltung: Das Jevons-Paradoxon in der Praxis
Die bedeutendste Preisanpassung von Anthropic in der jüngeren Geschichte war die Senkung der Preise für die Opus-Familie mit der Einführung von Opus 4.5. Die Begründung war simpel: Die Fähigkeiten der Opus-Klasse wurden untergenutzt, weil Kunden versuchten, Opus-Probleme in das Preisschema der Sonnet-Stufe zu pressen. Durch die Preissenkung löste Anthropic das aus, was Rao explizit als Jevons-Paradoxon bezeichnete: Der Verbrauch stieg weitaus stärker, als es die Preissenkung bei gleichbleibender Auslastung hätte vermuten lassen. Die Preise für Sonnet und Haiku blieben weitgehend stabil. Mythos, das neueste und leistungsfähigste Modell, hat ein höheres Preissegment, das seiner Leistungsklasse entspricht.
Rao widersprach der Annahme, dass Compute-Engpässe logischerweise zu flächendeckenden Preiserhöhungen führen müssten. Sein bevorzugter Maßstab ist die Rendite auf das gesamte Compute-Volumen, wobei Training, interne Nutzung und Inference als ein gemeinsamer Kapitalpool betrachtet werden, der über verschiedene Zeithorizonte Renditen erwirtschaftet. „Unsere Renditen auf diese Compute-Ausgaben sind heute robust“, sagte er, ohne spezifische Margenzahlen zu nennen. Die zentrale Erkenntnis für Investoren: Da der Umsatz schnell wächst, ohne dass die Rechenkapazität kurzfristig im gleichen Maße steigt – da die Kapazität 12 Monate im Voraus fest gebucht ist –, kann die inkrementelle Wirtschaftlichkeit bei der Bedienung neuer Nachfrage innerhalb eines bestimmten Compute-Jahrgangs äußerst vorteilhaft sein.
Plattform vs. Anwendung: Überwiegend horizontal, selektiv vertikal
Rao positionierte die strategische Ausrichtung von Anthropic primär als horizontale Plattform, wobei er eine explizite Analogie zu den Anfangstagen von AWS zog. Das Ziel sei es, die besten Modelle zu bauen und dann Tools, SDKs, Managed Agents, Prompt Caching und anwendungsspezifische Overlays anzubieten, auf denen Unternehmenskunden aufbauen können. Claude Code, Co-Work, Claude for Financial Services, Claude for Life Sciences und Claude Security seien als vertikale Demonstrationen zu verstehen – sie sollen dem Ökosystem zeigen, was die Plattform leisten kann, seien aber keine Versuche, den Anwendungsmarkt zu dominieren.
Rao erkannte die Spannungsfelder direkt an. Kunden, die ihr Geschäft auf Claude aufbauen, hätten ein berechtigtes Interesse daran, wie tief Anthropic in den Stack vordringt, und er räumte ein, dass Modellveröffentlichungen manchmal selbst das Team von Anthropic überraschen. Seine Antwort auf die Sorgen der Partner war struktureller Natur: Anthropic baut auf derselben Plattform, die es den Kunden anbietet; vertikale Launches erfolgten in Zusammenarbeit mit Ökosystem-Partnern, und das kommerzielle Interesse des Unternehmens liege darin, Intelligenz breit zu verbreiten, statt jede Anwendungsschicht zu kontrollieren. Ob diese Haltung mit der Reifung der Plattform Bestand haben wird, ließ Rao offen.
Wie Claude das Finanzteam von Anthropic steuert
Zu den detaillierteren Enthüllungen gehörte Raos Beschreibung, wie seine eigene Finanzabteilung transformiert wurde. Anthropic erstellt nun die gesetzlichen Finanzabschlüsse für alle rechtlichen Einheiten mithilfe von Claude, wobei die menschliche Überprüfung eher als Kontrollinstanz denn als primärer Erstellungsprozess dient. Das Unternehmen hat eine interne Plattform namens „Ant Stats“ mit einer Bibliothek von über 70 finanzspezifischen Skills aufgebaut, darunter eine monatliche Finanzanalyse, die den MFR (Monthly Financial Review) zu 90 bis 95 Prozent fertigstellt. Ein wöchentlicher Bericht über Umsatz und Compute-Auslastung, der früher Stunden dauerte, benötigt heute 30 Minuten. Entscheidend ist laut Rao, dass das Modell nicht nur berichtet, was passiert ist, sondern Treiber und Kausalitäten analysiert: „Claude berichtet nicht nur über das Wetter, sondern hilft auch dabei, über die Treiber nachzudenken – warum hat sich die Zahl so verändert, wie sie es tat?“
Rao verfolgt die Token-Nutzung in seinem Team über ein Leaderboard und stellte fest, dass die stärksten Nutzer tendenziell die Führungskräfte sind. Sein Leiter der Steuerabteilung ist der größte Konsument; er baut Policy-Engines und automatisiert große Teile der steuerlichen Arbeitslast. „Wenn wir keine Power-User sind, wenn wir nicht die Grenzen austesten, wie kann man das dann von den Kunden erwarten?“, sagte er.
Mythos, Cybersicherheit und das Phased-Release-Framework
Rao äußerte sich zur Veröffentlichung von Mythos, das er als ein breit einsetzbares Modell beschrieb, das zufällig einen besonders starken Sprung bei der Cybersicherheits-Fähigkeit aufwies. Während ein früheres Claude-Modell 22 Sicherheitslücken in einer Open-Source-Codebasis identifizierte, fand Mythos 250. Die Entscheidung, das Modell phasenweise für eine kontrollierte und wachsende Nutzergruppe freizugeben, wurde als Vorlage für den Umgang mit zukünftigen Modellen mit asymmetrischen Dual-Use-Risikoprofilen gerahmt. Das Unternehmen arbeitete im Vorfeld der Veröffentlichung eng mit der aktuellen US-Regierung zusammen. Rao charakterisierte die regulatorische Dynamik so, dass Anthropic Innovationen schnell vorantreiben wolle, dies jedoch innerhalb eines Verantwortungsrahmens – und dass Anthropic's Investitionen in Interpretierbarkeit und Alignment-Forschung nun kommerzielle Vorteile bei Unternehmenskunden schaffen, die ursprünglich nicht der Antrieb für diese Forschung waren.
Was die These gefährden könnte
Rao bot ein offenes „Pre-Mortem“ zu den Faktoren, die Anthropic in Richtung des unteren Endes des „Kegels der Unsicherheit“ drücken könnten. Das erste Risiko ist die Diffusionsrate: Anwendungsfälle in großen Unternehmen hinken der Modellfähigkeit hinterher, und die träge Unternehmensorganisation könnte die Einführung verlangsamen. Das zweite Risiko ist eine Verlangsamung der Skalierungsgesetze selbst, was laut Rao nicht mit Sicherheit ausgeschlossen werden kann, auch wenn Anthropic heute keine Anzeichen dafür sieht. Das dritte Risiko ist die Wettbewerbsposition: „Heute sind wir an der Spitze. Ich denke, wir definieren die Grenze der agentischen KI. Wir müssen dort bleiben – und auch das ist nicht garantiert.“
Das langfristige Ziel: Gesundheitswesen und Wirkstoffforschung
Auf die Frage, wo er persönlich den größten Einfluss von KI sieht, antwortete Rao unmissverständlich: Biotechnologie und Wirkstoffforschung. Seine Vision ist eine Welt, in der ein Patient mit einer derzeit unheilbaren Krankheit diese zu Lebzeiten geheilt sehen könnte, weil KI die Zeitpläne für molekulare Forschung, Proteinanalyse und klinische Studien um Größenordnungen verkürzt hat. „Wenn man an diese Moleküle und Proteine denkt – sie sind so komplex, und so kleine Veränderungen haben so große Auswirkungen auf die Ergebnisse – dafür ist KI perfekt“, sagte er. Er hält eine 10- bis 100-fache Steigerung des Labordurchsatzes für erreichbar und transformativ – in einer Weise, die die Bevölkerung weltweit erreichen würde, auch in Regionen mit knappen Gesundheitsressourcen.