Ein neues Konzept für künstliche Intelligenz
TOKIO – Am 22. Juni 2026 stellte Sakana AI Fugu vor, einen Dienst zur Orchestrierung mehrerer Agenten, der der Technologiebranche eine provokante Frage stellt: Erfordert der nächste große Sprung bei der künstlichen Intelligenz den Bau eines noch größeren, monolithischen Modells – oder kann ein kleineres, intelligenteres System ähnliche Ergebnisse erzielen, indem es einfach weiß, wen es fragen muss? Fugu, benannt nach dem japanischen Wort für Kugelfisch, steht für den Ansatz, auf den das Tokioter Start-up setzt. Nach außen verhält sich die Plattform wie ein einzelnes Modell, während sie intern ein Team spezialisierter KI-Systeme der Spitzengruppe koordiniert, um komplexe Aufgaben zu lösen.
Inhalt
Die Ankündigung kommt an einem entscheidenden Wendepunkt für den Einsatz generativer KI in Unternehmen. Jahrelang wurde der Fortschritt vor allem an der Zahl der Parameter, dem Rechenaufwand fürs Training und dem Wettlauf um größere Basismodelle gemessen. OpenAI, Anthropic, Google und andere verfolgen diese Skalierungsstrategie mit bemerkenswerten Ergebnissen: Ihre Systeme bestehen Anwaltsprüfungen, schreiben anspruchsvollen Code und können über längere Zeiträume schlussfolgern. Die Konzentration dieser Fähigkeiten auf eine Handvoll US-amerikanischer Anbieter hat jedoch neue Risiken geschaffen. Der Zugang zu den leistungsfähigsten Modellen kann sich durch Exportkontrollen, Änderungen der Unternehmenspolitik oder geopolitische Streitigkeiten über Nacht ändern und internationale Unternehmen ungeschützt zurücklassen.
Sakana AI schlägt eine alternative Architektur vor, die auf kollektiver Intelligenz beruht. Statt zu versuchen, durch das Training eines Billionen-Parameter-Monsters mit den führenden KI-Laboren gleichzuziehen, hat das Unternehmen einen kompakten Koordinator mit schätzungsweise rund 7 Milliarden Parametern entwickelt, der als zentrale Instanz Aufgaben verteilt. Sendet ein Nutzer über die mit OpenAI-Standards kompatible Fugu-API eine Anfrage, analysiert das System die Aufgabe und beantwortet sie entweder direkt oder stellt ein Team von Expertenmodellen zusammen, das einzelne Teilaufgaben übernimmt. Anschließend überprüft es deren Ergebnisse und fasst sie zu einer einheitlichen Antwort zusammen. Für Entwickler wirkt es, als würden sie ein einzelnes großes Sprachmodell aufrufen. Im Hintergrund kann ein ganzes Gremium von Agenten zur Antwort beigetragen haben.
Der Zeitpunkt könnte kaum strategischer sein. Anfang Juni hatte Anthropic nach einer US-amerikanischen Exportkontrollanordnung den öffentlichen Zugang zu den Modellen Claude Mythos 5 und Claude Fable 5 abrupt gesperrt. Das sorgte in der Entwicklergemeinschaft für Unruhe, insbesondere bei internationalen Kunden, die ihre Arbeitsabläufe auf diese Systeme ausgerichtet hatten. Sakana AI nennt solche Unterbrechungen ausdrücklich als Beweggrund für die Entwicklung von Fugu. Der Dienst soll eine Absicherung gegen die Abhängigkeit von einem einzelnen Anbieter sein und einen Schritt hin zu dem darstellen, was das Unternehmen KI-Souveränität nennt.
Sakana AI wurde 2023 vom ehemaligen Google-Brain-Forscher David Ha und Llion Jones gegründet, der an der wegweisenden Transformer-Arbeit „Attention Is All You Need“ aus dem Jahr 2017 mitgeschrieben hat. Das Unternehmen hat viel Aufmerksamkeit und beträchtliche Finanzmittel auf sich gezogen. Öffentlichen Angaben zufolge beteiligten sich japanische Großbanken und der Chiphersteller Nvidia an einer Finanzierungsrunde, bei der das Start-up mit rund 30 Milliarden Yen bewertet wurde. Damit verfügt es über die Mittel, um mit deutlich größeren Wettbewerbern zu konkurrieren. Mit Fugu will das Unternehmen beweisen, dass japanische Innovationen das Paradigma der führenden Modelle nicht durch Kopieren, sondern durch ein neues Verständnis davon herausfordern können, wie sich bestehende Fähigkeiten kombinieren lassen.
Ein Blick in die Orchestrierungs-Engine
Um Fugu zu verstehen, muss man hinter die einfache API-Oberfläche blicken. Trifft eine Eingabe ein, leitet das System sie an ein zentrales Modell weiter, das Sakana AI als durch bestärkendes Lernen trainierten Dirigenten beschreibt. In den meisten Fällen erstellt dieser Dirigent die endgültige Antwort nicht selbst. Stattdessen übernimmt er die Rolle eines Bauleiters, der die Art der Aufgabe dynamisch analysiert und einzelne Arbeitsschritte den jeweils geeigneten Agenten aus einem austauschbaren Pool zuweist. Dieser Pool umfasst führende Drittanbietermodelle von OpenAI, Anthropic und Google ebenso wie rekursive Instanzen von Fugu selbst, die für mehrstufiges Schlussfolgern eingesetzt werden.
Die theoretische Grundlage dieses Ansatzes liefern zwei Forschungsarbeiten, die auf der International Conference on Learning Representations 2026 vorgestellt wurden: „Trinity: An Evolved LLM Coordinator“ und „Learning to Orchestrate Agents in Natural Language with the Conductor“. Trinity führt ein Framework für evolutionäre Berechnungsverfahren ein, bei dem der zentrale Koordinator Agentenstrukturen spontan erstellt und verändert. Je nach Anforderungen der Aufgabe weist er ihnen Rollen wie Denker, Arbeiter oder Prüfer zu. Denker analysieren die Anforderungen, Arbeiter führen bestimmte Berechnungen aus und Prüfer kontrollieren die Ergebnisse auf Konsistenz und Genauigkeit.
Conductor baut darauf auf und nutzt tiefes bestärkendes Lernen, um dem Koordinator die Kunst der natürlichsprachlichen Aufgabenverteilung beizubringen. Durch umfassendes Training lernt das kleine zentrale Modell, wann es Aufgaben delegieren und wann es direkt antworten soll, wie die Agenten miteinander kommunizieren und wie sich unterschiedliche Ergebnisse zu einem schlüssigen Endprodukt zusammenführen lassen. Das Ergebnis ist kein vorgegebener Arbeitsablauf, sondern ein anpassungsfähiges System, das Koordinationsstrategien durch Erfahrung entwickelt. Dieser Unterschied ist wichtig: So kann Fugu auch neuartige Aufgabentypen bewältigen, mit denen die Entwickler möglicherweise nicht ausdrücklich gerechnet haben, statt auf starre Abläufe beschränkt zu sein.
Aus technischer Sicht gehört die Fähigkeit zur Rekursion zu den interessantesten Eigenschaften von Fugu. Der Orchestrator kann Teilaufgaben an sich selbst zurückgeben und so mehrschichtige Schlussfolgerungsketten für Probleme bilden, die eine längere Analyse erfordern. Dadurch kann der Koordinator mit 7 Milliarden Parametern Arbeitsabläufe beliebiger Komplexität steuern, ohne selbst über das enzyklopädische Wissen zu verfügen, das in den Hunderten Milliarden Parametern führender Basismodelle steckt. Seine geringere Größe gleicht er durch bessere organisatorische Intelligenz aus – ein Konzept, das die vorherrschende Annahme infrage stellt, größer sei immer besser.
Benchmarks und Betatests
Sakana AI hat die Einführung von Fugu mit einer Reihe ambitionierter Leistungsversprechen begleitet. Beim SWE-Bench Pro, einem weithin anerkannten Benchmark, der prüft, ob ein KI-System Fehler in tatsächlichen Software-Repositories finden und beheben kann, soll Fugu Ultra laut Unternehmensangaben 73,7 Punkte erreicht haben. Den veröffentlichten Tests des Unternehmens zufolge liegt es damit vor Claude 4.8 Opus mit 69,2 und GPT-5.5 mit 58,6 Punkten. Weitere angegebene Ergebnisse sind 95,5 beim GPQA-Diamond, einem auf Hochschulniveau angesiedelten Frage-Antwort-Test, der sich nicht einfach durch eine Websuche lösen lässt; 93,2 beim LiveCodeBench; 82,1 beim TerminalBench 2.1, der Fähigkeiten in der Systemadministration bewertet; sowie 50,0 bei Humanity’s Last Exam, einem berüchtigt schwierigen Test für Schlussfolgerungsfähigkeiten.
Eine unabhängige Überprüfung dieser Ergebnisse steht bislang weitgehend aus. Zudem blickt die KI-Branche auf eine lange Geschichte von Benchmark-Ergebnissen zurück, die sich in der Praxis nur schwer reproduzieren lassen. Testbedingungen, Prompt-Techniken und die erlaubte Zahl der Versuche können die Ergebnisse beeinflussen. Dennoch deutet die Bandbreite der vom Unternehmen veröffentlichten Tests darauf hin, dass der Orchestrierungsansatz zumindest mit monolithischen Spitzenmodellen konkurrieren kann und in manchen Bereichen womöglich überlegen ist.
Aufschlussreicher als die Benchmark-Ergebnisse könnte das Feedback von fast 500 Betatestern sein, die Fugu während einer längeren Vorschauphase mit Schwerpunkt auf langwierigen, komplexen Arbeitsabläufen genutzt haben. Bei der Softwareentwicklung berichteten Teilnehmer, Fugu Ultra gehe bei Code-Reviews besonders gründlich vor. Ein an der Beta beteiligter Entwickler sagte Sakana AI, Basismodelle meldeten in einer bestimmten Codebasis üblicherweise etwa drei Probleme, während Fugu mehr als zwanzig aufgedeckt und ausführliche Erklärungen sowie Schritte zur Behebung geliefert habe.
Bei Code-Reviews ist Fugu Ultra besser als GPT-5.5. Es liefert umfassende Antworten und findet Fehler, die anderen entgehen. Inzwischen lasse ich alle meine Reviews mit diesem Modell laufen.
Auch Cybersicherheitsteams setzten Fugu Ultra ein, um vollständige Penetrationstests zu automatisieren. Ein menschlicher Mitarbeiter legte den Umfang fest, woraufhin die Orchestrierungs-Engine eine Aufklärung durchführte, auf Schwachstellen durch XSS und SQL-Injection testete, Authentifizierungsmechanismen überprüfte und einen Abschlussbericht mit Nachweisen und genauen Anweisungen für Wiederholungstests erstellte. Betatester bestätigten, dass sich das System strikt an die vorgegebenen Einsatzgrenzen hielt und gründlich arbeitete, ohne zerstörerische Aktionen auszuführen. Führungskräfte aus Unternehmen hoben zudem die Stabilität der Rolle hervor: Fugu habe über lange Sitzungen hinweg Identität und Fokus beibehalten, während andere Modelle häufig an Kontextverlust litten.
Zwei Tarife, eine API
Sakana AI bietet Fugu in zwei unterschiedlichen Tarifen an, die beide über einen einzigen, mit OpenAI-Standards kompatiblen API-Endpunkt zugänglich sind. Das Standardmodell Fugu ist auf geringe Latenz bei produktiven Aufgaben ausgelegt, etwa bei interaktiven Chatbots, unmittelbarer Programmierhilfe und Code-Review-Tools wie Codex. Es hält Leistung und Geschwindigkeit in Balance und eignet sich damit für Anwendungen, bei denen Nutzer nahezu sofortige Antworten erwarten. Unternehmen, die strenge Vorgaben zur Datenverwaltung oder zum Datenschutz einhalten müssen, können im Standardtarif bestimmte zugrunde liegende Agenten manuell von der Weiterleitung ausschließen. So können Compliance-Teams verhindern, dass sensible Daten bestimmte Drittanbieter erreichen, ohne ganz auf das Orchestrierungs-Framework verzichten zu müssen.
Fugu Ultra bildet den Premiumtarif. Es ist auf bestmögliche Antworten bei komplexen, anspruchsvollen Aufgaben ausgelegt, die tiefgehendes Schlussfolgern über viele Schritte hinweg erfordern. Dazu zählen die Reproduktion wissenschaftlicher Arbeiten, Patentrecherchen, anspruchsvolle Data-Science-Arbeitsabläufe und umfassende Sicherheitsaudits. Ultra koordiniert einen größeren und festgelegten Pool von Expertenagenten; deshalb steht die Ausschlussfunktion hier nicht zur Verfügung. Dafür müssen Nutzer höhere Latenz und einen größeren Tokenverbrauch in Kauf nehmen. Sakana AI argumentiert jedoch, dass die Genauigkeitsgewinne die Kosten bei geschäftskritischen Anwendungen rechtfertigen. Die aktuelle Modellkennung für diesen Tarif lautet fugu-ultra-20260615.
Die Preise spiegeln die Unterschiede zwischen den beiden Produkten wider. Fugu Ultra kostet 5 US-Dollar pro Million Eingabetoken und 30 US-Dollar pro Million Ausgabetoken; bei Kontexten mit mehr als 272.000 Token verdoppeln sich die Preise. Die Abonnements kosten zwischen 20 und 200 US-Dollar pro Monat. Wer bis Ende Juli 2026 abonniert, erhält im gewählten Tarif einen zweiten Monat kostenlos. Tokenverbrauch und zugehörige Kosten werden für jede Anfrage ausgewiesen, sodass Finanz- und Technikteams ihre Ausgaben in Echtzeit überwachen können. In der Europäischen Union und im Europäischen Wirtschaftsraum ist der Dienst derzeit nicht verfügbar, während das Unternehmen daran arbeitet, seine Abläufe an die Datenschutz-Grundverordnung anzupassen. Das schränkt die globale Reichweite der Plattform zum Start ein.
Die Geopolitik der Modellweiterleitung
Fugus kommerzielles Versprechen reicht über die technische Architektur hinaus und betrifft auch den Umgang mit geopolitischen Risiken. Die moderne KI-Lieferkette ist stark konzentriert. Eine kleine Zahl US-amerikanischer Unternehmen kontrolliert den Zugang zu den leistungsfähigsten Basismodellen, und ihre Entscheidungen unterliegen zunehmend staatlicher Aufsicht. Als die USA im Juni 2026 Exportkontrollen für die Anthropic-Modelle Fable und Mythos verhängten, war das ein Warnsignal für Unternehmen außerhalb der Vereinigten Staaten, die wichtige Arbeitsabläufe auf einen einzigen Anbieter ausgerichtet hatten. Über Nacht war der Zugang gesperrt, und die Beschaffungsteams hatten keine unmittelbare Alternative.
Sakana AI vermarktet Fugu als Versicherung gegen genau dieses Szenario. Da der Orchestrator dynamisch auf nicht verfügbare oder eingeschränkte Anbieter ausweichen kann, gewinnen Kunden nach Darstellung des Unternehmens an Ausfallsicherheit, ohne auf Leistungsfähigkeit verzichten zu müssen. Werden Anthropic-Modelle unzugänglich, verlagert Fugu die Arbeit auf OpenAI, Google oder frei verfügbare Alternativen. Kommt ein neues Modell auf den Markt, das sich bei einer bestimmten Aufgabe besonders gut schlägt, könne Sakana AI es in den Pool aufnehmen, ohne dass Kunden ihre Anwendungen an eine neue API anpassen müssten. Diese austauschbare Architektur stellt eine konkretere Form der KI-Souveränität dar als viele der abstrakten politischen Debatten, die derzeit in Technologiekreisen geführt werden.
Für japanische Unternehmen und staatliche Einrichtungen hat dieses Angebot besondere Bedeutung. Japan hat den Aufbau heimischer KI-Kompetenzen zur strategischen Priorität erklärt. Sich vollständig auf US-amerikanische Spitzenmodelle zu verlassen, birgt sowohl wirtschaftliche als auch nationale Sicherheitsrisiken. Ein in Tokio ansässiger Anbieter, der lokalen Support und regionale Optionen für die Datenverarbeitung bietet und einen alternativen technischen Ansatz verfolgt, liefert ein überzeugendes Argument für Käufer, die ihre Technologieportfolios breiter aufstellen wollen. Die Investorenbasis von Sakana AI, zu der große japanische Finanzinstitute zählen, unterstreicht diese Positionierung.
Dennoch ist Skepsis angebracht. Der Agentenpool von Fugu hängt weiterhin stark von genau den US-amerikanischen Großunternehmen ab, deren Einschränkungen er umgehen soll. Sind die API-Zugänge zu GPT, Claude und Gemini vollständig gekappt, kann das System keine Ergebnisse auf dem Niveau führender Modelle liefern. Echte Unabhängigkeit würde ein leistungsfähiges Ökosystem aus einheimischen oder frei verfügbaren Modellen voraussetzen, die mit diesen Systemen mithalten können. Ein solches Ökosystem gibt es bislang nicht in größerem Maßstab. Kritiker merken zudem an, dass Fugu ein proprietärer kommerzieller Dienst und kein offenes Framework ist. Kunden tauschen damit eine Abhängigkeit von einem Anbieter gegen die Abhängigkeit von einem anderen – wenn auch mit einem anderen Geschäftsmodell.
Was die Einführung für die KI-Entwicklung bedeutet
Sollten sich die Leistungsversprechen zu Fugu einer längerfristigen externen Prüfung standhalten, könnte das erhebliche Folgen für die KI-Forschung haben. Fast ein Jahrzehnt lang folgte die Branche der Skalierungshypothese: Mehr Parameter, mehr Daten und mehr Rechenleistung führen zu besseren Ergebnissen. Diese Strategie hat beeindruckende Systeme hervorgebracht, zugleich aber die Eintrittshürden so hoch gesetzt, dass nur die wohlhabendsten Unternehmen und Staaten mitmachen können. Das Training eines führenden Basismodells kostet Hunderte Millionen Dollar und erfordert spezielle Hardware, die ihrerseits Exportbeschränkungen unterliegen kann.
Fugu weist auf einen anderen Weg hin. Das Beispiel legt nahe, dass ein vergleichsweise kleines Modell, das gezielt auf Koordination statt auf enzyklopädisches Wissen trainiert wurde, durch den intelligenten Einsatz vorhandener Ressourcen mehr leisten kann, als seine Größe vermuten lässt. Dadurch verlagert sich der Wettbewerb von der reinen Trainingskapazität hin zu architektonischer Kreativität und effizienter Orchestrierung. Zugleich könnte der Zugang zu leistungsfähiger KI breiter werden: Ein geschickt konzipierter Router lässt sich theoretisch auch von Organisationen mit deutlich kleineren Budgets entwickeln, als sie für das Training von GPT-Modellen von Grund auf erforderlich sind.
Die Forschungsgemeinschaft untersucht seit Langem Multiagentensysteme und Expertenmischungen. Fugu zählt jedoch zu den ersten prominenten kommerziellen Umsetzungen, die als direkte Alternative zu monolithischen Spitzenmodellen positioniert werden. Sein Erfolg oder Scheitern dürfte beeinflussen, ob künftig mehr Risikokapital und Forschungsbudgets von Unternehmen in Orchestrierungs- und Koordinationstechnologien statt ausschließlich in die Skalierung von Basismodellen fließen. Schon das Feedback aus der Beta legt nahe, dass sich bestimmte Arbeitsabläufe in Unternehmen – insbesondere langwierige Aufgaben wie Code-Reviews und Sicherheitsaudits – mit verteilten Systemen besser bewältigen lassen als mit Modellen, die jeweils nur einmal aufgerufen werden.
Natürlich bringt der Ansatz auch Nachteile mit sich. Die komplexen Schlussfolgerungsschritte mit mehreren Agenten können die Latenz so stark erhöhen, dass Fugu für Anwendungen mit Reaktionszeiten im Millisekundenbereich ungeeignet ist. Anspruchsvolle Aufgaben verbrauchen zudem erhebliche Rechenkontingente. Und weil die Weiterleitungslogik undurchsichtig ist, wissen Nutzer nicht immer, welches zugrunde liegende Modell ihre Daten verarbeitet hat. Das kann die Einhaltung von Vorschriften in regulierten Branchen erschweren. Sakana AI räumt diese Einschränkungen ein, argumentiert aber, dass die Vorteile für viele Analyse- und Entwicklungsaufgaben die Nachteile überwiegen.
Wichtigste Punkte
- Sakana AI hat Fugu eingeführt, einen Dienst zur Orchestrierung mehrerer Agenten, der Aufgaben über eine austauschbare Auswahl führender KI-Modelle weiterleitet und über eine einzelne, mit OpenAI-Standards kompatible API zugänglich ist.
- Das System setzt statt auf ein massives, monolithisches Basismodell auf einen kompakten Koordinator mit rund 7 Milliarden Parametern und baut auf den Forschungsarbeiten Trinity und Conductor von Sakana AI auf.
- Fugu Ultra erzielt nach eigenen Angaben bei SWE-Bench Pro, GPQA-Diamond, LiveCodeBench und anderen Tests konkurrenzfähige Ergebnisse gegenüber führenden Systemen wie GPT-5.5 und Claude Opus 4.8.
- Es gibt zwei Tarife: das Standardmodell Fugu für produktive Aufgaben mit geringer Latenz und manuellen Compliance-Kontrollen zum Ausschluss einzelner Anbieter sowie Fugu Ultra für komplexe Schlussfolgerungen mit einem größeren, festgelegten Agentenpool.
- Der Start richtet sich an Unternehmen, die sich gegen die Bindung an einzelne Anbieter und Unterbrechungen durch Exportkontrollen wappnen wollen. Allerdings bleibt der Dienst von APIs führender US-amerikanischer Modelle abhängig.
- Fugu ist weltweit verfügbar, außer in der EU und im EWR, wo die Anpassung an die DSGVO noch aussteht. Fugu Ultra kostet ab 5 US-Dollar pro Million Eingabetoken und 30 US-Dollar pro Million Ausgabetoken.
