1,1 Milliarden Dollar für ein zwei Monate altes Start-up: Was River AI wirklich verkauft

Ein Start-up, das erst seit zwei Monaten existiert, hat 1,1 Milliarden Dollar Finanzierung eingesammelt, angeführt von General Catalyst und AMP PBC, mit Beteiligung von Nvidia, AMD Ventures, Y Combinator und dem Staatsfonds Temasek. Hinter River AI steht Igor Babuschkin, Mitgründer von xAI und zuvor Forscher bei DeepMind und OpenAI. Seine These: KI-Agenten sollten Menschen gehören und für sie trainierbar sein, statt als Intelligenz von einer Handvoll Labore gemietet zu werden. Das tatsächliche Produkt, das River AI heute verkauft, ist davon allerdings noch ein gutes Stück entfernt.

Das Wichtigste in Kürze

• River AI wurde im Juni 2026 gegründet und sammelte bereits im August 2026 kombiniert aus Seed- und Series-A-Runde 1,1 Milliarden Dollar ein.
• Gründer Igor Babuschkin will laut Forbes-Berichten eine Bewertung von bis zu 5 Milliarden Dollar erreichen und investiert selbst bis zu 100 Millionen Dollar eigenes Kapital.
• Die langfristige Vision sind persönliche, eigentümergesteuerte KI-Agenten, die Babuschkin mit „Schutzengeln“ vergleicht: präsent, loyal, wirklich im Besitz der Nutzer.
• Das aktuelle Geschäft ist deutlich nüchterner: eine Cloud-API für Reinforcement Learning und LoRA-Finetuning auf offenen Modellen wie Qwen3.6, Kimi K2.6 und GLM 5.2.
• Kritiker verweisen darauf, dass die persönliche KI-Vision langfristig unbewiesen bleibt und die Angaben zu Geschwindigkeits- und Kostenvorteilen bislang nicht unabhängig geprüft sind.

Die große Idee: KI, die einem selbst gehört

Babuschkins Kernthese lautet, dass der komplette KI-Stack, vom Training über die Modelle bis zur Hardware, künftig um persönliche Agenten herum neu gebaut werden muss, statt Intelligenz von OpenAI, Google oder Anthropic zu mieten. In seiner eigenen Formulierung sollen diese Assistenten weniger wie herbeigerufene Helfer funktionieren als wie „Schutzengel“: ständig präsent, auf der Seite des Nutzers und dessen tatsächliches Eigentum, nicht bloß gemietete Rechenzeit bei einem fremden Anbieter. Diese Vision setzt bewusst auf offene Gewichte statt auf geschlossene Modelle, ein Ansatz, den General-Catalyst-Chef Hemant Taneja explizit geopolitisch rahmt: Amerikanische Führung in der KI erfordere dringend auch Führung bei offenen Modellen, eine Position, der sich zuletzt auch Nvidia mit einem entsprechenden offenen Brief anschloss, dem OpenAI und Anthropic bislang fernblieben. Für Leser, die sich für die praktischen Alternativen zu den großen Cloud-Anbietern interessieren, schließt das an die Debatte um kleine, offene Modelle als strategische Antwort auf die großen Drei an, nur eben mit dem zusätzlichen Anspruch, dass Nutzer die trainierten Modelle am Ende wirklich besitzen sollen.

Das reale Geschäft: eine Trainings-API für Unternehmen

Was River AI heute tatsächlich verkauft, ist deutlich weniger visionär und richtet sich zunächst an Unternehmenskunden statt an Privatpersonen: eine Cloud-Plattform, über die sich offene Modelle wie Qwen3.6, Kimi K2.6 oder GLM 5.2 per Reinforcement Learning und LoRA-Finetuning auf eigene Daten zuschneiden lassen, abgerechnet nach tatsächlich genutzten Token statt nach reservierter, oft ungenutzter GPU-Kapazität. Konkret kostet ein Lauf mit dem 35-Milliarden-Parameter-Modell Qwen3.6 laut River etwa einen Dollar pro Million Token, bei Kimi K2.6 mit 262.000 Token Kontextlänge liegt der Preis bei rund 12,84 Dollar. Ein kompletter Reinforcement-Learning-Durchlauf auf einem mathematischen Datensatz soll unter 1.000 Dollar bleiben und in 15 bis 20 Minuten abgeschlossen sein, ganz ohne eigenes Infrastruktur-Team. River beziffert den Kostenvorteil gegenüber geschlossenen Alternativen auf das Zwei- bis Vierfache, unabhängig geprüft sind diese Zahlen bislang allerdings nicht.

Warum Investoren trotzdem einsteigen

Dass Investoren wie Nvidia und AMD Ventures gleichzeitig Chiphersteller und Geldgeber sind, wirft die naheliegende Frage auf, ob sie in erster Linie an Rivers persönlicher-Agenten-These interessiert sind oder schlicht an einem weiteren großen Abnehmer für Trainings-Hardware. Für Babuschkin selbst zählt vor allem das Team: Ein Kern aus Ingenieuren mit Erfahrung bei xAI und Tesla soll die Infrastrukturprobleme lösen, die Reinforcement Learning im großen Maßstab bislang aufwendig und teuer machen, etwa den Transfer von Modellgewichten zwischen Trainings- und Inferenzsystemen oder die Konsistenz beim Sampling. Ob sich daraus tatsächlich ein Massenmarkt für persönliche, eigentümergesteuerte KI-Hardware entwickelt, wie Babuschkin es sich vorstellt, bleibt offen, das Unternehmen selbst räumt ein, dass diese längerfristige These noch nicht bewiesen ist.

Fazit

River AI verkauft aktuell zwei unterschiedliche Dinge gleichzeitig: eine solide, wenn auch noch unbewiesene Trainings-API für Unternehmen, die offene Modelle günstiger und schneller feintunen wollen, und eine sehr viel größere Erzählung über KI-Agenten, die eines Tages Menschen gehören statt gemietet zu werden. Die 1,1 Milliarden Dollar Finanzierung kaufen vor allem Zeit und Rechenkapazität, um diese Lücke zwischen Gegenwart und Vision zu schließen. Ob das gelingt, hängt weniger vom Startkapital ab als davon, ob River AI gegen die Trainings-Budgets und das Talent der etablierten Frontier-Labore tatsächlich bestehen kann.