Mercors Aufstieg auf 20 Milliarden Bewertung zeigt: Der nächste KI-Engpass ist nicht Rechenleistung
Mercor startete als Recruiting-Plattform, die KI zur Vermittlung von Auftragnehmern an Jobs einsetzte. Bis September 2026 wurde das Unternehmen mit rund 20 Milliarden Dollar bewertet — doppelt so viel wie zehn Monate zuvor — und das Geschäft hinter dieser Zahl hat fast nichts mehr mit Personalvermittlung zu tun. Mercor baut inzwischen simulierte Arbeitsplätze, in denen KI-Modelle Aufgaben üben und nach den Ergebnissen bewertet werden. Dieser Wandel ist der bislang klarste Beweis dafür, dass sich der eigentliche Engpass der KI-Branche von reiner Rechenleistung wegbewegt hat.
Die Kategorie heißt "RL-Umgebungen" — Reinforcement-Learning-Umgebungen — und dort geben führende Labore inzwischen einen rasant wachsenden Anteil ihrer Trainingsbudgets aus. Anthropic soll Berichten zufolge über Ausgaben von mehr als einer Milliarde Dollar für Umgebungen allein in 2026 diskutiert haben. Die Forschungsleitung von OpenAI erklärte öffentlich, das Unternehmen erwarte, dass die Rechenleistung für Reinforcement Learning bald das Pretraining-Budget übersteigen werde.
Von der Datenkennzeichnung zum Bau von Übungsfeldern
Die alte Trainings-Pipeline für Modelle war einfach: Text sammeln oder lizenzieren, einen Teil davon kennzeichnen, und ein Modell mit dem resultierenden Korpus vortrainieren. Diese Pipeline existiert noch, liefert aber abnehmende Erträge für die Art von agentischem, mehrstufigem Verhalten, das Labore jetzt wollen — funktionierenden Code in einem echten Repository schreiben, einen Buchhaltungszyklus abschließen, ein mehrstufiges Kundensupport-Ticket bis zur Lösung verhandeln.
Das lässt sich nicht aus einem statischen Datensatz lernen. Man braucht eine simulierte Umgebung, in der ein Modell eine Handlung ausführen, eine realistische Konsequenz sehen und anhand eines überprüfbaren Ergebnisses bewertet werden kann. Der Bau solcher Umgebungen — ein funktionierendes Buchhaltungs-Mocksystem, eine durchsuchbare Codebasis mit echten Fehlern, ein mehrstufiger Kundenservice-Simulator — ist eine wirklich andere Disziplin als Datenkennzeichnung, näher am Bau eines Videospiels als an der Annotation einer Tabelle.
Mercors eigene Produktschritte erzählen die Geschichte. Im März 2026 brachte das Unternehmen APEX-SWE auf den Markt, eine Benchmark-Umgebung für Softwareentwicklung. Im Juli ging es eine Partnerschaft mit dem Ausgabenmanagement-Unternehmen Ramp ein, um APEX-Accounting zu veröffentlichen. Beide Übernahmen hinter dieser Fähigkeit — Sepal AI im Februar und Deeptune im Juli — wurden explizit gekauft, um Umgebungs-Engineering-Kompetenz aufzubauen, nicht um Personal für Kennzeichnung hinzuzufügen.
Warum Umgebungen wirtschaftlich mehr Daten schlagen
Die Ökonomie erklärt die Bewertung. Ein gekennzeichneter Datensatz wird einmal genutzt, einmal verfeinert und sättigt sich schließlich — ein Modell, das über einen bestimmten Punkt hinaus mit denselben statischen Beispielen trainiert wird, hört auf, sich zu verbessern. Eine gut gebaute Umgebung ist wiederverwendbar und kumulativ: Jede neue Modellgeneration kann erneut daran trainieren, und die Umgebung selbst kann schwieriger gemacht werden, wenn Modelle besser werden, was ihre Nutzungsdauer unbegrenzt verlängert.
Diese Wiederverwendbarkeit erklärt, warum ein Unternehmen, das Umgebungen verkauft, pro Vertrag mehr verlangen kann als eines, das gleichwertige Mengen gekennzeichneter Beispiele verkauft, und warum "RL-Umgebungsingenieur" von einer 2024 kaum existierenden Jobbezeichnung zu einer der bestbezahlten und am schwersten zu besetzenden Rollen in der KI bis 2026 wurde.
Drei Lager kämpfen um diese Schicht
Der Markt hat sich in drei Gruppen aufgeteilt. Die erste sind etablierte Human-Data-Anbieter, die sich stark in Richtung Umgebungen gedreht haben — Mercor, Surge AI (mit berichteten Einnahmen von rund 1,2 Milliarden Dollar), Scale AI, Turing und Centific. Die zweite sind umgebungsnative Startups, die nie traditionelle Datenkennzeichnung betrieben haben: Mechanize, Fleet AI, HUD, Veris AI, Plato und Bespoke Labs. Die dritte sind offene, dezentrale Ökosysteme wie Prime Intellect.
Was das in der Praxis bedeutet
Für Ingenieure: Umgebungs-Engineering ist jetzt eine eigenständige, gut bezahlte Spezialisierung, die es sich lohnt, gezielt zu erlernen. Für Unternehmenskäufer, die die Behauptungen eines KI-Anbieters über einen bestimmten Arbeitsablauf bewerten, lautet die nützliche Frage nicht mehr "wie viele Daten haben Sie trainiert", sondern "welche Umgebung haben Sie gebaut, um dieses Verhalten zu überprüfen, und wie nah ist sie an meinem tatsächlichen Arbeitsablauf". Für Gründer in angrenzenden Bereichen ist die Umgebungsschicht noch jung genug, dass domänenspezifische Umgebungen für unterversorgte Branchen offenes Terrain bleiben.
Die Rechenleistungsgeschichte ist nicht vorbei. Aber für die nächste Modellgeneration scheint die bindende Beschränkung zunehmend zu sein, ob Labore eine ausreichend gute simulierte Version der realen Welt zum Trainieren haben — und wer die besten Kopien dieser Simulation kontrolliert.