WAS PASSIERT IST
Am 28. Juni 2026 machte Coinbase-CEO Brian Armstrong öffentlich, was sich in den Monaten zuvor im operativen Betrieb bereits bewährt hatte: Der Krypto-Finanzdienstleister hat seine KI-Strategie fundamental umgebaut. Statt auf die bisherigen westlichen Standardmodelle setzt Coinbase jetzt primär auf chinesische Alternativen wie GLM 5.2 und Kimi 2.7. Das Ergebnis: Die KI-Ausgaben des Unternehmens haben sich halbiert. Gleichzeitig steigt das Token-Volumen weiter an.
Technisch realisiert wurde das über zwei Hebel. Erstens ein automatisiertes Routing-System, das jede Anfrage an das Modell schickt, das für diese spezifische Aufgabe am besten geeignet ist, abgewogen nach Leistung und Preis. Zweitens massiv verbessertes Caching: Die Trefferquote wurde von mageren 5 auf 60 Prozent gesteigert. Das bedeutet, dass sechs von zehn KI-Anfragen gar nicht mehr neu berechnet werden müssen, sondern aus einem Zwischenspeicher bedient werden. Die Kostenersparnis ist entsprechend drastisch.
WARUM DAS JETZT FÜR IHRE ORGANISATION ZÄHLT
Aus meiner Sicht ist dieser Vorgang mehr als eine Anekdote aus dem Krypto-Sektor. Er markiert einen Wendepunkt im Kostenbewusstsein der gesamten Finanzbranche beim Thema KI. Bisher galt die stillschweigende Annahme: Wer KI ernsthaft einsetzen will, bucht GPT-5.5 von OpenAI oder Claude von Anthropic, akzeptiert die per-Token-Preise und kalkuliert das in die Projektkosten ein. Coinbase zeigt jetzt, dass diese Haltung operativ gefährlich und wettbewerbsverzerrend ist.
Der Finanzsektor hat ein spezifisches Problem. Viele KI-Anwendungen sind gar nicht kreativ oder hochkomplex, sondern hochgradig repetitiv. Kategorisierung von Transaktionen. Abgleich von Adressdaten. Sanktionslisten-Screening. Zusammenfassung von Quartalsberichten. Kundenservice-Standardfragen. Das sind Aufgaben, für die ein GPT-5.5 schlicht überdimensioniert und zu teuer ist. Ein GLM 5.2 oder ein Kimi 2.7 löst sie zum Bruchteil der Kosten ebenso zuverlässig. Wer diese Differenz nicht nutzt, verschenkt Marge.
Für Banken, Vermögensverwalter und Trading-Häuser heißt das konkret: Die KI-Infrastruktur, die Sie heute aufbauen, muss von Anfang an multi-modellfähig sein. Sonst sind Sie in zwölf Monaten derjenige, der doppelt so viel zahlt wie die Konkurrenz. Coinbase hat das verstanden und umgesetzt. Die Frage ist, wann Ihre IT-Architektur nachzieht.
Ein häufiges Muster in der DACH-Region: KI-Projekte werden mit einem einzigen Anbieter begonnen, meist OpenAI oder Microsoft. Das Einarbeiten in alternative Modelle erscheint als Zusatzaufwand, den man sich sparen will. Diese Entscheidung rächt sich jetzt. Denn der Preisverfall bei chinesischen Modellen ist kein temporäres Phänomen. DeepSeek, GLM und Kimi haben strukturell niedrigere Entwicklungskosten und aggressivere Preisstrategien. Sie werden dauerhaft günstiger bleiben.
Für den regulierten Finanzsektor kommt eine spezielle Herausforderung hinzu. Chinesische Modelle werfen Fragen auf: Datenverarbeitung, Ausleitungsrisiko, Compliance. Keine Bank wird sensible Kundendaten durch ein Modell jagen, das in einer Rechtsumgebung läuft, die sie nicht vollständig prüfen kann. Aber: Das Routing-System von Coinbase zeigt, dass man Modelle nach Aufgabe und Sensitivität differenzieren kann. Für unkritische Anwendungen das günstige chinesische Modell, für personenbezogene Daten das DSGVO-konforme europäische Modell. Diese Differenzierung ist der architektonische Standard, den ich für 2027 erwarte.
KONKRETE HANDLUNGSEMPFEHLUNG
Mein Rat: Bauen Sie ab sofort eine Zwei-Klassen-Architektur für Ihre KI-Dienste. Das ist kein Hexenwerk, sondern sauberes Engineering.
Schritt eins: Identifizieren Sie alle KI-Anwendungen in Ihrem Haus, die keine personenbezogenen Daten verarbeiten. Typisches Beispiel: Zusammenfassung öffentlicher Marktberichte, Klassifikation von Nachrichten-Meldungen, Code-Generierung für interne Analysen, On-chain Transaktions-Checks bei Krypto-Assets. Für diese Anwendungen lohnt sich der sofortige Test mit chinesischen Alternativen. Sie werden bei gleicher Qualität 40 bis 70 Prozent Kostenreduktion sehen.
Schritt zwei: Implementieren Sie ein Modell-Routing, auch wenn Sie vorerst nur zwei Modelle anbinden. Entscheidend ist die Logik, dass jede Anfrage automatisch an das passende Modell geht. Beginnen Sie mit einfachen Regeln wie Aufgaben-Kategorie und erwartete Komplexität. Später können Sie das auf ein lernendes System umstellen, das Erfolgsraten pro Modell trackt und sich selbst optimiert. Wichtig: Das Routing ist ein operatives Tool, kein Forschungsprojekt. Zwei Wochen Entwicklungszeit eines fähigen Teams reichen für den MVP.
Schritt drei: Prüfen Sie Ihr Caching. Sechs von zehn identischen Anfragen erneut zu berechnen ist operativer Unsinn. Das ist, als würden Sie jeden Tag denselben Report manuell erstellen, statt den von gestern zu nehmen. Gerade im Finanzsektor sind viele Anfragen strukturell ähnlich: KYC-Checks, Reporting-Standardisierungen, regulatorische Auskünfte. Ein gutes Caching-System erkennen Sie daran, dass es nicht nur exakte Wiederholungen erkennt, sondern semantisch ähnliche Anfragen gruppiert. Steigern Sie Ihre Hit-Rate schrittweise: 5 Prozent ist miserabel, 20 Prozent sind realistisch, 60 Prozent wie bei Coinbase sind das Ziel.
Die Botschaft dieser Woche ist klar. KI-Kosten sind kein externer Faktor, den Sie hinnehmen müssen. Sie sind eine Variable, die Sie aktiv steuern können. Wer das jetzt nicht tut, läuft Gefahr, im kommenden Jahr Wettbewerbsnachteile in Millionenhöhe zu akkumulieren. Die Coinbase-Daten belegen: Es geht nicht um marginale Optimierung, sondern um Faktor zwei. Das ist zu viel, um es zu ignorieren.