[{"data":1,"prerenderedAt":30},["ShallowReactive",2],{"nr-de-databricks-glm-5-2-coding-default":3},{"slug":4,"title":5,"dek":6,"date":7,"time":8,"publishedAt":9,"updated":10,"updatedAt":10,"dateFmt":11,"updatedFmt":10,"kind":12,"tier":13,"author":14,"authorName":15,"topics":16,"tracker":22,"trackerLabel":23,"headlineStat":24,"image":25,"ogImage":26,"imageAlt":5,"csv":10,"minutes":27,"words":28,"html":29},"databricks-glm-5-2-coding-default","Databricks macht chinesisches Modell GLM 5.2 zur Standard-Coding-Engine","Das US-Datenunternehmen macht das Open-Source-Modell GLM 5.2 zur Standard-Coding-Engine – weil es Anthropics Opus bei deutlich niedrigeren Kosten erreicht. Ein Signal für den Paradigmenwechsel in der KI-Infrastruktur.","2026-07-09","12:51","2026-07-09T12:51:00+02:00","","9. Juli 2026","news","standard","ideal-syka","Ideal Syka",[17,18,19,20,21],"KI-Infrastruktur","Coding-Modelle","Open-Source-KI","Kostenoptimierung","Geopolitik","\u002Fki-preis","KI-Preise","GLM 5.2 kostet deutlich weniger als Opus bei gleicher Performance","\u002Fnewsroom\u002Fimg\u002Fdatabricks-glm-5-2-coding-default.webp","\u002Fog-nr\u002Fdatabricks-glm-5-2-coding-default.de.png",3,535,"\u003Cp>Databricks hat sich entschieden: Das chinesische Open-Source-Modell GLM 5.2 wird künftig die tägliche Coding-Engine des Unternehmens. Der Grund ist pragmatisch – in internen Benchmarks auf der eigenen Multi-Millionen-Zeilen-Codebasis erwies sich GLM 5.2 als statistisch gleichwertig mit Anthropics Opus 4.8, kostet aber deutlich weniger. Während Opus \u003Cstrong>$1,94 pro Task\u003C\u002Fstrong> verursacht, liegt GLM 5.2 bei \u003Cstrong>$1,28\u003C\u002Fstrong>. Das ist ein klares Signal: Kein einzelner Anbieter dominiert mehr.\u003C\u002Fp>\n\u003Ch2>Kurz & knapp\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>GLM 5.2 und Opus 4.8\u003C\u002Fstrong> erreichen beide 82–90 % Pass-Rate in der Top-Performance-Klasse, GLM 5.2 kostet aber deutlich weniger pro Task\u003C\u002Fli>\n\u003Cli>Databricks plant, das Modell ab sofort als "daily driver" für seine Entwickler einzusetzen\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Andere US-Firmen folgen\u003C\u002Fstrong>: Coinbase halbierte KI-Ausgaben durch chinesische Modelle, Lindy erzielte laut Bericht Einsparungen mit Deepseek v4\u003C\u002Fli>\n\u003Cli>Auf \u003Cstrong>OpenRouter\u003C\u002Fstrong> machen chinesische Modelle seit Februar 2026 über \u003Cstrong>30 % des wöchentlichen Traffics\u003C\u002Fstrong> aus – gegenüber 11 % im Vorjahr\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Interne Benchmarks schlagen öffentliche Rankings\u003C\u002Fh2>\n\u003Cp>Databricks betont einen wichtigen Punkt: Das Unternehmen entwickelte seinen eigenen Benchmark mit echten, produktiven Aufgaben aus der Praxis. Öffentliche Datensätze seien oft nicht repräsentativ für die eigene Codebasis, und Modelle könnten durch Training-Daten "cheaten". Das Ergebnis: Drei klare Performance-Cluster entstanden.\u003C\u002Fp>\n\u003Cdiv class=\"tbl-scroll\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Cluster\u003C\u002Fth>\n\u003Cth>Pass-Rate\u003C\u002Fth>\n\u003Cth>Beispiele\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>\u003Cstrong>Top\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>82–90 %\u003C\u002Ftd>\n\u003Ctd>Opus 4.8, GLM 5.2, GPT 5.5\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Mittel\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>71–82 %\u003C\u002Ftd>\n\u003Ctd>Sonnet 4.6, Sonnet 5, GPT 5.4\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Basis\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>51–60 %\u003C\u002Ftd>\n\u003Ctd>GPT 5.4-mini, Haiku 4.5\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Die Erkenntnis von Databricks-Mitgründer Matei Zaharia und Team: > "The evidence shows it's time to start deploying these as daily drivers for coding." Interne Piloten mit Entwicklern bestätigten die Messergebnisse.\u003C\u002Fp>\n\u003Ch2>Kostenoptimierung durch intelligentes Routing\u003C\u002Fh2>\n\u003Cp>Databricks analysierte auch die Komplexität seiner Coding-Tasks: \u003Cstrong>61 % sind mittlere Komplexität\u003C\u002Fstrong>, 19 % niedrig, nur 12 % hoch. Bisher liefen alle durch die teuersten Modelle. Künftig plant das Unternehmen, einfachere Tasks zu günstigeren Modellen zu routen – ein klassisches \u003Cstrong>Tiering-Modell\u003C\u002Fstrong>, das Kosten senkt, ohne Qualität zu opfern.\u003C\u002Fp>\n\u003Cp>Die sogenannte \u003Cstrong>Pareto-Frontier\u003C\u002Fstrong> (beste Qualität-zu-Kosten-Verhältnis) wird laut Databricks nur durch ein Mix aus OpenAI, Anthropic und Open-Source-Modellen erreicht. Kein einzelner Anbieter dominiert mehr.\u003C\u002Fp>\n\u003Ch2>Der China-Trend ist real\u003C\u002Fh2>\n\u003Cp>Databricks ist nicht allein. \u003Cstrong>Coinbase\u003C\u002Fstrong> wechselte zu chinesischen Modellen wie GLM 5.2 und Kimi 2.7 und halbierte die KI-Ausgaben, während Token-Nutzung stieg. \u003Cstrong>Lindy\u003C\u002Fstrong> ersetzte Claude komplett durch Deepseek v4. \u003Cstrong>Snowflake\u003C\u002Fstrong> testete GLM 5.2 gegen Opus 4.7 – praktisch gleichauf, aber Bruchteile der Kosten.\u003C\u002Fp>\n\u003Cp>Auf der KI-Routing-Plattform OpenRouter zeigt sich der Trend deutlich: Chinesische Modelle machen inzwischen über 30 % des wöchentlichen Traffics aus, mit \u003Cstrong>60–90 % niedrigeren Kosten\u003C\u002Fstrong> als westliche Alternativen.\u003C\u002Fp>\n\u003Ch2>Was das für deutsche Unternehmen bedeutet\u003C\u002Fh2>\n\u003Cp>Für deutsche Tech- und Datenfirmen ist das ein Weckruf. Die Annahme, dass nur Anthropic, OpenAI und Google konkurrenzfähige Modelle bauen, wird empirisch widerlegt – zumindest für Coding-Tasks. Unternehmen sollten, wie Databricks es vormacht, eigene Benchmarks auf ihrer realen Codebasis durchführen statt sich auf öffentliche Rankings zu verlassen. Das spart nicht nur Kosten, sondern offenbart auch, welche Modelle tatsächlich für die eigene Infrastruktur passen. Gleichzeitig stellt sich die Frage nach Datensicherheit und Abhängigkeiten – ein Thema, das deutsche Firmen mit Blick auf regulatorische Anforderungen ernst nehmen sollten.\u003C\u002Fp>\n\u003Ch2>Quellen\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fthe-decoder.com\u002Fdatabricks-makes-chinese-open-source-model-glm-5-2-its-default-coding-engine-after-it-matched-opus-at-lower-cost\u002F\">The Decoder\u003C\u002Fa>\u003C\u002Fli>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fthe-decoder.de\u002Fauch-databricks-springt-auf-den-china-zug-glm-5-2-wird-das-standardmodell-fuers-coding\u002F\">The Decoder (DE)\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cem>Redaktionell verantwortet von \u003Ca href=\"\u002Fautor\u002Fideal-syka\">Ideal Syka\u003C\u002Fa>. Quellen und Arbeitsweise: \u003Ca href=\"\u002Fredaktion\">Redaktion & Methode\u003C\u002Fa>. Hinweise und Korrekturen: \u003Ca href=\"mailto:ai@i6eal.de\">ai@i6eal.de\u003C\u002Fa>.\u003C\u002Fem>\u003C\u002Fp>\n",1783672057790]