Vercel macht eine klarere Ansage dazu, wie Enterprise-KI gebaut werden sollte: Das Modell sollte vom Agenten getrennt bleiben, und der umgebende Stack sollte als austauschbare Infrastruktur und nicht als gebündeltes Ein-Anbieter-Paket betrachtet werden. In einem Interview mit TechCrunch AI im Anschluss an das ShipNYC-Event des Unternehmens sagte CEO Guillermo Rauch, Kunden würden die frühe Experimentierphase hinter sich lassen und in die Produktionsabwägungen zu Kosten, Governance und Zuverlässigkeit eintreten.

Das ist wichtig, weil Vercel nicht mehr nur über Frontend-Deployment spricht. Nach Rauchs Aussagen gegenüber TechCrunch AI verarbeitet das Unternehmen inzwischen 6 Millionen Deployments pro Tag, wobei die Hälfte von Coding-Agents ausgelöst werde, und mehr als 1 Billion Tokens täglich durch das KI-Gateway laufe. Sollten diese Zahlen zutreffen, deuten sie darauf hin, dass Vercel sich als Kontrollschicht dafür positioniert, wie KI-Anwendungen gebaut und ausgeliefert werden — besonders für Teams, die sich nicht an einen einzigen Modellanbieter binden wollen.

Rauchs weitergehendes Argument ist ebenso strategisch wie technisch. Während KI-Labs immer mehr End-to-End-Funktionen hinzufügen, einschließlich Werkzeugen, die Software direkt erzeugen und veröffentlichen können, laufen Infrastrukturanbieter wie Vercel Gefahr, verdrängt zu werden. Rauchs Antwort ist das Plädoyer für einen modularen Markt, in dem „Modell, Harness, Datenplattform, Sandbox, Gateway“ als Plug-and-Play-Komponenten bestehen bleiben. Für Entwickler und Unternehmenskunden ist das im Kern eine Debatte über Lock-in, Ökonomie und darüber, wer das Anwendungsverhalten in der Produktion kontrolliert.

Vom Prototypen-Hype zu Produktionsgrenzen

Rauch sagte TechCrunch AI, dass die KI-Begeisterung im Jahr 2025 vor allem von breitem Experimentieren geprägt gewesen sei, während der aktuelle Moment stärker operativ sei. Seiner Darstellung nach ließen Unternehmen Agenten zunächst breit los, stießen dann aber auf die Realitäten des Produktionseinsatzes: Sicherheitsgrenzen, Datenzugriff, Audit-Trails und die praktischen Kosten, große Mengen Inferenz zu betreiben.

Er identifizierte in Vercels Erfahrung zwei „Killer-Apps“ für Agenten. Die erste ist der Coding-Agent, der seiner Aussage nach bereits einen großen Anteil der Token-Nutzung antreibt. Das passt zum breiteren Marktinteresse an Entwicklertools, in dem Produkte wie Devin und Cursor zu Schlagworten für autonome oder halbautonome Code-Generierungs-Workflows geworden sind. Die zweite, so argumentierte er, ist der interne Unternehmensagent, der hilft, das Unternehmen selbst zu betreiben.

In diese zweite Kategorie versucht Vercel, sich zu differenzieren. Rauch beschrieb interne Nutzer, etwa Vertriebsmitarbeiter, die Betriebsdaten direkt abfragen, statt auf Dashboards oder individuelle Reporting-Projekte zu warten. Der Punkt ist weniger, dass Agenten SaaS-Systeme wie Salesforce ersetzen, sondern dass sie sich über diese Systeme legen, gespeicherte Unternehmensdaten in eine konversationelle Oberfläche und eine Handlungsschicht verwandeln.

Für Enterprise-Teams ist dieses Versprechen nur dann attraktiv, wenn der Zugriff kontrolliert werden kann. Rauchs Aussagen deuten darauf hin, dass Vercel Governance — nicht allein Modellintelligenz — als entscheidenden Faktor für eine breitere Einführung sieht. Je mehr ein Agent abteilungsübergreifend tun kann, desto wichtiger werden für Käufer Berechtigungen, Nachvollziehbarkeit und die Verhinderung, dass sensible Daten in die falsche Trainings-Pipeline gelangen.

Vercels Produktargument: Kontrollschicht statt Modell-Loyalität

Zur Unterstützung dieser Position verwies Rauch auf zwei Vercel-Tools, die mit TechCrunch AI besprochen wurden: Eve und Vercel Sandbox. Er beschrieb Eve als ein Framework, mit dem sich Agenten-Anweisungen und -Fähigkeiten in natürlicher Sprache festlegen lassen, und Vercel Sandbox als eine eingeschränkte Umgebung, in der ein Agent unter Richtlinienkontrollen für Datenzugriff und Datenabfluss arbeiten kann.

Diese Details sind wichtig, weil sie zeigen, wo Vercel im Stack sitzen will. Das Unternehmen präsentiert sich nicht als Entwickler eines Foundation Models. Stattdessen versucht es, Laufzeit, Orchestrierung und Sicherheitsgrenzen rund um Modelle zu kontrollieren. Das ist ein vertrautes Infrastruktur-Playbook, hier aber auf KI-Agenten statt auf klassische Cloud-Workloads angewendet.

Rauch verband das Sandbox-Argument auch mit einer unternehmerischen Sorge, die für die KI-Beschaffung zentral geworden ist: versehentliche Offenlegung proprietären Codes oder interner Daten. Er nannte Coding-Tools wie Devin oder Cursor als Beispiele für Umgebungen, in denen bei falschen Einstellungen sensible Codebasen auf eine Weise verwendet werden könnten, die ein Kunde nicht beabsichtigt hatte. Das von ihm beschriebene konkrete Szenario war anekdotisch und in einem Gespräch mit einer Airbus-Führungskraft verortet, nicht als offener Vorfall. Dennoch spiegelt es ein verbreitetes Kaufbedürfnis in der Enterprise-KI wider: ob Komfortfunktionen Risiken für die Daten-Governance verdecken.

Vercels Botschaft lautet also, dass die Agenten-Infrastruktur Intelligenz portabel machen sollte, während Richtlinien lokal bleiben. Genau so versucht das Unternehmen, KI von einer Funktionsschicht zu einem Grund für zusätzliche Infrastrukturkäufe zu machen.

Warum Rauch jetzt die Modellwahl betont

Einer der bemerkenswertesten Teile des Interviews war Rauchs Beschreibung eines veränderten Kundenverhaltens gegenüber Modellanbietern. Ihm zufolge entschieden sich viele Teams im vergangenen Jahr für ein einzelnes Labor, oft OpenAI oder Anthropic, und versuchten, den Großteil ihrer KI-Roadmap um diesen Partner herum aufzubauen. Jetzt, sagte er, sehen Kunden den Stack zunehmend als modular an und wählen Modelle je nach Arbeitslast.

Rauch sagte ausdrücklich, Vercel sehe Wachstum bei der Nutzung von Gemini, weil Teams, die auf Produktion optimieren, Preis und Leistung statt Schlagzeilen betrachten. Er sagte außerdem, offene Modelle gewännen an Zugkraft, und nannte DeepSeek und GLM-5.2. Diese Aussagen sind wichtig, sollten aber vorsichtig gelesen werden: TechCrunch AI berichtete sie als Äußerungen Rauchs, nicht als unabhängig verifizierte Marktanteilsdaten.

Dennoch passt die Logik zu den Herausforderungen vieler Produktteams. Sobald eine Anwendung Produktionsmaßstab erreicht, geht es nicht mehr nur um Fähigkeiten. Die Frage wird, ob ein günstigeres oder schnelleres Modell genug Arbeit übernehmen kann, ob ein High-End-Modell für Fallback-Fälle reserviert werden sollte und ob Routing über Anbieter hinweg Kosten senken kann, ohne die Qualität zu beeinträchtigen.

Genau von einer solchen Architektur profitiert Vercel. Wenn Kunden OpenAI, Anthropic, Gemini, DeepSeek und GLM-5.2 über ein gemeinsames Gateway und eine gemeinsame Richtlinienschicht nutzen, wird die Infrastrukturebene schwerer zu verdrängen. Vercels KI-Gateway ist, wie Rauch es beschreibt, Teil dieser These.

Der Wettbewerb mit den Labs wird offen

Rauch umging die offensichtliche Spannung nicht: Wenn große Labs Anwendungs- und Deployment-Funktionen hinzufügen, bewegen sie sich näher an das Terrain von Cloud- und Developer-Plattform-Unternehmen. Er verwies auf jüngste Tools von OpenAI, die direkt ins Web publizieren können, ohne die OpenAI-Umgebung zu verlassen, und stellte diesen Schritt sowohl als direkte Konkurrenz als auch als Entdeckungskanal für Vercel dar.

Seine Antwort war im Wesentlichen, dass der Markt entscheidet, ob Modell und Agent eng gekoppelt bleiben. In einer Version des Marktes kaufen Kunden ein All-in-One-System, in dem ein Labor das Modell, die Werkzeuge, die Deployment-Oberfläche und vielleicht sogar die nutzerseitige Anwendung bereitstellt. In der anderen Version setzen Kunden Systeme aus Komponenten zusammen und tauschen Intelligenzanbieter nach Bedarf aus.

Vercel will eindeutig das zweite Ergebnis. Rauch sagte TechCrunch AI, das Unternehmen kämpfe „für eine Welt offener Protokolle“ und stelle Vercel als grundlegende Infrastruktur für diese Generation von KI-Software dar. Das ist eine strategische Behauptung, keine etablierte Marktfehde, erklärt aber, warum Vercel Interoperabilität so stark betont.

Für Käufer ist das mehr als Anbieter-Rhetorik. Gekoppelte Systeme können einfacher einzuführen sein, lassen sich aber schwieriger steuern und später teurer verändern. Modulare Systeme können die Abhängigkeit von einem Anbieter verringern, erfordern aber möglicherweise eine strengere interne Engineering-Disziplin. Die Abgrenzung zwischen diesen Ansätzen dürfte in den nächsten 12 bis 24 Monaten die Beschaffungsentscheidungen im Enterprise-KI-Bereich prägen.

Belege, Behauptungen und was noch unbestätigt ist

Die stärksten Fakten in dieser Geschichte stammen aus TechCrunch AIs Interview mit Guillermo Rauch. Die operativen Kennzahlen — 6 Millionen Deployments pro Tag, die Hälfte davon durch Agenten ausgelöst, und mehr als 1 Billion Tokens, die täglich durch das KI-Gateway fließen — wurden Vercel über Rauchs Aussagen zugeschrieben. Sie sind bedeutend, bleiben aber vom Unternehmen gemeldete Kennzahlen und keine unabhängig geprüften Offenlegungen.

Die gleiche Vorsicht gilt für Rauchs Aussagen über die steigende Nutzung von Gemini, DeepSeek und GLM-5.2 sowie über Veränderungen darin, wie Kunden OpenAI und Anthropic bewerten. Diese Kommentare sind nützliche Marktsignale eines Plattformbetreibers mit Einblick in Workloads, aber TechCrunch präsentierte im bereitgestellten Material keine externe Verifikation.

Auch die Produktbeschreibungen von Eve und Vercel Sandbox kommen im Interview durch Rauchs Einordnung zustande. Sie zeigen die Richtung von Vercels Plattformstrategie, insbesondere bei Richtlinien und Agentensteuerung, aber die Quellen enthalten keine detaillierte technische Dokumentation, Preisangaben oder Kunden-Fallstudien zu Deployments. Dadurch bleiben Fragen zu Reifegrad, Differenzierung und der tatsächlichen Nutzung dieser Tools außerhalb von Vercel offen.

Was das für Entwickler und Unternehmenskäufer bedeutet

Für Entwickler ist die unmittelbare Lehre architektonischer Natur. Wenn Vercel recht hat, dass der Markt Modelle von Agenten trennt, sollten Produktteams ihre KI-Systeme als geschichtete Dienste betrachten: Modellauswahl, Routing, Observability, Berechtigungen und Ausführungssteuerung. Das begünstigt Anbieter, die Deployment und Governance vereinheitlichen können, ohne eine einzelne Modellwahl zu erzwingen.

Für Enterprise-KI-Käufer unterstreicht das Interview zwei Beschaffungskriterien, die immer konkreter werden. Erstens Datenkontrolle: ob interne Daten abgefragt und genutzt werden können, ohne in externe Systeme oder intransparente Trainingsprozesse zu gelangen. Zweitens wirtschaftliche Flexibilität: ob Anwendungen bei sich ändernden Preisen und Qualitätsniveaus zwischen OpenAI, Anthropic, Gemini oder offenen Modellen wechseln können.

Für den Markt zeigt Vercels Haltung auch, wie schnell sich „Developer Tools“ in Infrastruktur für Unternehmens-Workflows verwandeln. Derselbe Stack, der zum Deployment von Apps genutzt wird, wird nun als Ort beworben, an dem Coding-Agents laufen, interne Agenten gesteuert und Zugriffe auf Systeme wie Salesforce vermittelt werden. Sollte das zutreffen, wird sich das Wettbewerbsumfeld rund um Vercel weit über Hosting- und Frontend-Plattformen hinaus ausdehnen.

Worauf als Nächstes zu achten ist

Das nächste nützliche Signal wird sein, ob Vercel belastbarere Belege für Rauchs Nutzungsaussagen veröffentlicht, insbesondere zum KI-Gateway und zur Adoption von Eve und Vercel Sandbox. Kundenreferenzen wären wichtiger als reine Token-Gesamtzahlen.

Ebenso spannend wird sein, ob Vercel Integrationen über Modellanbieter wie OpenAI, Anthropic und Gemini hinweg vertieft und gleichzeitig die Unterstützung für offene Modelle wie DeepSeek und GLM-5.2 beibehält. Wenn das Unternehmen den Wechsel oder das Routing zwischen ihnen operativ einfach machen kann, wird sein Modularitätsargument stärker.

Ein weiteres Signal ist die Reaktion des Wettbewerbs. Wenn Labs ihre End-to-End-Workflows für Deployment, Coding und Hosting weiter ausbauen, verschwimmt die Grenze zwischen Modellanbieter und Infrastrukturplattform noch stärker. Ob Unternehmen diese gebündelten Umgebungen akzeptieren oder auf offenere Kontrollschichten bestehen, wird darüber entscheiden, wer den größten Wert abschöpft.

Creati.ai-Perspektive

Rauchs Interview ist bemerkenswert, weil es die nächste Schlacht um die KI-Plattform weniger um Modellüberlegenheit als um Systemdesign rahmt. Vercel wettet darauf, dass Unternehmen nicht wollen, dass ein Anbieter gleichzeitig Intelligenz, Ausführung, Deployment und Daten-Grenzen kontrolliert. Das ist eine glaubwürdige These, insbesondere für regulierte Teams und große Engineering-Organisationen, die Modellwechsel erwarten und Hebel bei den Kosten wollen.

Das Unternehmen muss aber noch beweisen, dass seine Kontrollschicht nicht nur konzeptionell attraktiv, sondern operativ unverzichtbar ist. Die gemeldeten Skalierungszahlen sind auffällig, doch vom Anbieter gemeldete Nutzung bedeutet nicht automatisch dauerhafte Plattformmacht. Der eigentliche Test besteht darin, ob Vercel zum Standardort werden kann, an dem KI-Agenten nicht nur bereitgestellt, sondern auch gesteuert werden — während Kunden OpenAI, Anthropic, Gemini, DeepSeek und GLM-5.2 in der Produktion mischen.