Harvey steigt aus der Modellmiete aus: Open-Weights-Modelle gewinnen

Harveys Marge stürzt in sechs Monaten auf minus 50 Prozent

Am 21. September 2026 berichtete Bloomberg^[1] jene Zahl, die die Gewinn- und Verlustrechnung KI-nativer Anbieter neu definiert: Die Bruttomarge von Harvey fiel von rund 50 Prozent zu Jahresbeginn auf minus 50 Prozent bis Juni. Die Ursache liegt in den Kosten der gemieteten Modelle.

Harvey verkauft Legal-Agenten an grosse Kanzleien und wird mit 15,6 Milliarden US-Dollar bewertet. Nach einem Update der Agenten im März explodierte die Nutzung durch die Kunden. Der Token-Verbrauch stieg im Lauf des Jahres um das Zwanzigfache, so das Unternehmen, wie The Next Web rekonstruiert hat^[2].

Jeder zusätzliche Prozentpunkt an Adoption verbrannte Marge.

Im August veröffentlichte das Unternehmen sein erstes eigenes Modell, nachtrainiert auf Kimi K3, dem Open-Weights-Modell des chinesischen Labors Moonshot. Nach diesem Launch und nach weiteren Eingriffen in die KI-Nutzung kehrten die Margen in den positiven Bereich zurück, berichten Personen mit Nähe zum Projekt. Harvey hat Kommentare zu konkreten Zahlen vermieden.

Was ein eigenes Modell wirklich bedeutet

Die Sprache der Pressemitteilungen verwischt die Begriffe. Harvey hat bereits trainierte offene Gewichte genommen und sie auf die eigene Domäne spezialisiert – eine Operation, die weit entfernt ist vom Bau eines Frontier-Modells von Grund auf.

Der Unterschied schlägt sich in der Bilanz nieder. Das Pre-Training bleibt eine Investition im dreistelligen Millionenbereich, während sich das Post-Training auf offenen Gewichten in Arbeitswochen und in einer im Voraus bekannten Compute-Rechnung bemisst. Das eine ist Labor-Capex, das andere eine produktseitige Engineering-Entscheidung.

Anthropic hat den Schritt registriert und ihn den eigenen Investoren vorgeführt. Bei einem Forum in den eigenen Büros zeigte das Unternehmen eine Folie zu Start-ups, die interne Modelle bauen – mit einer präzisen Erinnerung: Für die schwierigsten Aufgaben nutzt Harvey weiterhin Opus.

Das tatsächliche Setup ist hybrid: eigenes Modell für das Volumen, Frontier-Tier für die Spitze. Diese Beschaffungsarchitektur wiegt schwerer als jede Unabhängigkeitserklärung.

Die Ansteckung der vertikalen Anbieter

Harvey geht voran, und die Branche folgt bereits.

• Abridge baut ein klinisches Modell auf den offenen Gewichten von Nvidia.
• Decagon leitet 80 Prozent der Kundenanfragen über eigene Modelle.
• Ramp prüft nach einer Finanzierungsrunde über 750 Millionen US-Dollar im Juni erstmals ein eigenes Training.

Die drei Fälle zeigen unterschiedliche Grössenordnungen derselben Bewegung. Decagon bearbeitet mit eigener Technologie vier von fünf Anfragen – ein Anteil, der den Kern der variablen Kosten trifft. Ramp kommt mit frischen 750 Millionen US-Dollar in der Kasse und öffnet erstmals in seiner Geschichte das Dossier Training.

Ramps Co-CEO Karim Atiyeh hat die Wende in zwei Sätzen zusammengefasst: Vor einem Jahr habe die Entscheidung kaum Sinn ergeben, jetzt beginne sie sehr viel Sinn zu ergeben. Sequoia Capital und General Catalyst finanzieren diese Verschiebung.

Das Marktsignal: Venture Capital belohnt jene, die Inferenz internalisieren. Das Kapital folgt der Bruttomarge, und die Bruttomarge hängt inzwischen an den Kosten pro Token.

Das hat unmittelbare Folgen für OpenAI, für Anthropic und für jedes Labor, das Kapazität nach Verbrauch verkauft. Ihre grössten Kunden werden zu Wettbewerbern auf dem Inferenz-Layer und bleiben nur noch im oberen Segment Kunden.

Der Preisdruck erreicht die Frontier-Preisliste

OpenAI und Anthropic lassen sich von Unternehmen die Modellnutzung zusätzlich zum Basisabonnement bezahlen. Für einen Anbieter mit exponentiell wachsendem Verbrauch verwandelt diese Struktur den kommerziellen Erfolg in einen operativen Verlust.

Dieses Desk vertritt seit Monaten eine einfache These: Das Modell ist eine Commodity, und die Preisliste beweist es. Der Preis des Frontier-Tiers sinkt mit jedem Release, während der wachsende Posten das Compute bleibt. Offene Gewichte beschleunigen dieselbe Kurve, weil sie Wert von generischer Kapazität hin zur Domänenspezialisierung verschieben.

Für die Finanzleitung ist der wieder zu öffnende Posten klar: die variablen Kosten pro aktivem Nutzer. Ein KI-Vertrag mit Preis nach Verbrauch und steigender Adoption wird zu einer Verbindlichkeit, die mit dem Produkt mitwächst.

Wer generische KI-Kapazität einkauft, kauft ein deflationäres Gut und zahlt den heutigen Preis für eine Ressource, die in sechs Monaten weniger kosten wird. Für den Einkauf vertikaler Spezialisierung fällt die Rechnung anders aus.

Das Lieferrisiko läuft inzwischen in beide Richtungen

Arthur Mensch von Mistral hat den Juli damit verbracht zu wiederholen, dass geschlossene Modelle den Anbietern einen enormen Hebel geben, und hat dabei den Fall Windsurf angeführt: Anthropic kappte den Zugang, während es Claude Code baute. Der September hat den Beweis geliefert.

OpenAI hat Schritte eingeleitet, um den Vertrag mit Cursor zu beenden, nachdem SpaceX das Unternehmen übernommen hatte, und verwies dabei auf frühere Verstösse der Musk-Firmen gegen die Nutzungsbedingungen. Ein Modellanbieter kann den Zugang also aus Gründen entziehen, die mit dem Aktionär des Kunden zusammenhängen – und die Produktkontinuität gerät zur Geisel einer gesellschaftsrechtlichen Transaktion.

Hier öffnet sich eine vertragliche Lücke, die europäische Boards umgehend prüfen müssen. Der Data Act garantiert Kunden das Recht, zu einem anderen Anbieter zu wechseln. Dieser Schutz deckt den Kunden ab, der den Anbieter verlässt, und lässt den umgekehrten Fall offen: den Anbieter, der den Kunden verlässt.

Das Konzentrationsrisiko ist nicht länger theoretisch.

Vom Modell zum Deployment: die Verschiebung im Wettbewerb

Der Burggraben in der Enterprise-KI liegt im Deployment, und dieser Fall bestätigt es. Harvey behält die Beziehung zu den Kanzleien, die Domänendaten und den Workflow – und tauscht den Motor unter der Haube.

Es gibt eine Gegenthese, und sie ist belastbar. Matt Kraning von Menlo Ventures hält die Frage nach dem eigenen Modell für falsch gestellt und beschreibt einen Grossteil dieser Ankündigungen als Inszenierung. Europa liefert ihm einen Beleg: Legora aus Stockholm hat in achtzehn Monaten 100 Millionen US-Dollar Umsatz erreicht, bedient über 1.200 Kanzleien und hat zu den eingesetzten Modellen stets geschwiegen.

Legoras Schweigen stärkt die zentrale These. Wenn der Kunde nicht weiss, welches Modell unter der Oberfläche läuft, hat das Modell seine Rolle als Unterscheidungsmerkmal verloren und bleibt ein Kostenbestandteil.

Der Anbieter mit dem tiefsten Deployment sichert sich dauerhaftere Umsätze als der Anbieter mit dem höchsten Benchmark.

Was in den nächsten 90 Tagen zu entscheiden ist

Es sind vier Entscheidungen, alle im kommenden Quartal zu verorten.

• Chief Strategy Officer: die Abhängigkeit von einem einzigen Labor kartieren und eine Ausschreibung für einen zweiten Anbieter starten.
• CFO: Verbrauchsverträge neu verhandeln und Ausgabenobergrenzen pro aktivem Nutzer fordern.
• Chief Digital Officer: messen, welcher Anteil des internen Traffics tatsächlich das Frontier-Tier benötigt.
• Technology Investor: die Bruttomarge pro Kohorte abfragen, vor und nach der Einführung der Agenten.

Die erste Prüfung ist eine technische Portfolioanalyse und bleibt schnell durchführbar. Ein Grossteil der Unternehmenslasten (Klassifikation, Extraktion, Zusammenfassung, interne Suche) läuft gut auf spezialisierten offenen Gewichten, und die Kosten pro Aufruf sinken um eine Grössenordnung.

Die zweite Prüfung betrifft die bestehenden Verträge. Jede neue Vereinbarung mit einem Labor sollte eine Kontinuitätsklausel für den Fall eines Kontrollwechsels beim Kunden enthalten – mit Mindestkündigungsfrist und dem Recht, Artefakte und Konfigurationen zu exportieren.

Der Test für den Investor gilt auch ausserhalb des Venture-Bereichs: die Bruttomarge pro Kundenkohorte abfragen, vor und nach der Einführung der Agenten. Die Antwort trennt Produkte mit gesunder Ökonomie von jenen, die fremdes Compute mit Aufschlag weiterverkaufen.

Harvey hat etwas Konkretes bewiesen: Ein Anbieter mit 15,6 Milliarden US-Dollar Bewertung kann seine Marge wiederherstellen, indem er den Intelligenzlieferanten wechselt – und das Produkt hält stand. Der Markt hat sich bewegt.