Nach der von Revolut vorgestellten Darstellung läuft KI-gestützte Softwareentwicklung inzwischen überwiegend über selbstgehostete GLM-Modelle. Claude Code und Codex bleiben verfügbar, werden aber für Ausnahmefälle vorgehalten. Diese Aufteilung erklärt die technische Veränderung genauer als die Behauptung, das Unternehmen habe Claude abgeschafft: Demnach hat Revolut den Standardpfad seiner Entwicklungsarbeit verlagert.
David Abitbol, Leiter für AI Operations bei Revolut, stellte die Umstellung am 13. Oktober 2026 auf der Konferenz AI Engineer NYC vor. Seine Angaben beschreiben eine Installation für rund 2.000 Ingenieurinnen und Ingenieure. Die zentrale Frage ist damit recht konkret: Welche Aufgaben lassen sich über einen gemeinsamen, selbst betriebenen Modellbestand abwickeln, und wo werden weiterhin andere Dienste benötigt?
Der Standardpfad führt auf 56 GPUs
Nach Abitbols Darstellung betreibt Revolut GLM 5.3 auf 56 Nvidia-B200-GPUs. Open-Modelle sind für den vorgestellten Entwicklungsanwendungsfall der Standard, während Frontier-Dienste für Ausnahmen verfügbar bleiben. Die gemischten Kosten seiner Installation bezifferte er auf rund 0,30 US-Dollar je einer Million Tokens. Die Rechnung liege bei etwa einem Zehntel der vorherigen Anthropic-/OpenAI-Rechnung. Das sind Unternehmensangaben zu Revoluts eigener Umgebung, keine unabhängig geprüften Vergleichswerte.
Technisch übernimmt Revolut damit den Betrieb der Inferenz für den regulären Einsatz. Inferenz bezeichnet hier die Ausführung des Modells: Anfragen werden verarbeitet und Antworten erzeugt. Statt diese Rechenarbeit im Standardfall bei einem externen Modelldienst abzurufen, nutzt das Unternehmen dafür seine selbstgehostete Installation.
Die Größenordnung ist relevant. Eine Infrastruktur für rund 2.000 Entwickler lässt sich als gemeinsamer Ressourcenbestand betrachten. Wie wirtschaftlich dieser Bestand arbeitet, hängt unter anderem davon ab, wie viel er tatsächlich genutzt wird. Die Zahl von 56 GPUs beschreibt zunächst die bereitgestellte Hardware. Sie verrät für sich genommen weder die Auslastung noch die Wartezeiten oder die verfügbare Reserve bei Lastspitzen.
Die Ausnahmen bleiben Teil des Systems
Der zweite Teil der Architektur liegt außerhalb dieser Installation. Laut The Next Web bleiben Claude Code und Codex für Ausnahmefälle verfügbar. Bildanfragen sollen dem Bericht zufolge an Gemini oder GPT Luna geleitet werden, weil GLM in Revoluts beschriebenem Einsatz als textbasiertes Modell verwendet wird.
Berichtete Modellnutzung nach Aufgaben
Schematische Aufteilung nach vorliegenden Berichten: selbstgehostetes GLM als Standard, Claude Code und Codex für Ausnahmen sowie Gemini oder GPT Luna für Bildanfragen. Die Grafik zeigt keine dokumentierte Routing-Implementierung.
Damit existieren unterschiedliche Wege für unterschiedliche Anforderungen. Textbasierte Entwicklungsaufgaben können den GLM-Standardpfad nutzen. Für bestimmte Ausnahmen stehen weitere Coding-Dienste bereit. Bildanfragen benötigen einen Weg zu einem Modell, das diese Eingaben verarbeiten kann. Die externe Modellnutzung ist also weiterhin Bestandteil des beschriebenen Aufbaus.
Wie Revolut diese Wege technisch verbindet, ist mit den vorliegenden Angaben nicht geklärt. Daraus lässt sich weder ein bestimmtes Gateway noch ein automatisches Auswahlverfahren ableiten. Beschrieben ist die Aufteilung der Nutzung. Für die Einordnung reicht das: Die Umstellung besteht aus einem selbstgehosteten Standard und ergänzenden externen Diensten, nicht aus einem vollständigen Austausch aller Modelle und Werkzeuge.
Was die niedrigen Tokenkosten aussagen
Die genannten 0,30 US-Dollar pro Million Tokens sind eine Kennzahl für diese Installation. Sie lassen sich nicht ohne Weiteres als allgemeiner Preis für selbstgehostetes GLM verwenden. Öffentlich ist nicht aufgeschlüsselt, ob darin sämtliche Hardware-, Energie-, Betriebs-, Personal- und Abschreibungskosten enthalten sind.
Auch die Aussage über die auf ein Zehntel gesunkene Rechnung braucht diese Grenze. Sie beschreibt nach Revoluts Darstellung eine erhebliche Einsparung gegenüber der vorherigen Anthropic-/OpenAI-Rechnung. Sie belegt jedoch keine vollständig geprüfte Gesamtkostenrechnung über sämtliche internen und externen Aufwendungen. Eine niedrigere Anbieterrechnung und niedrigere Gesamtkosten sind unterschiedliche Messgrößen.
Die technische Kostenlogik lässt sich dennoch erklären. Beim selbstgehosteten Betrieb steht Rechenkapazität bereit, deren Kosten auf die verarbeiteten Aufgaben verteilt werden müssen. Hohe Nutzung kann diese Verteilung verbessern; ungenutzte Kapazität kann sie verschlechtern. Für einen belastbaren Vergleich wären deshalb neben den Tokenzahlen auch Auslastung, Betriebsaufwand und die Kosten der verbleibenden externen Nutzung nötig. Diese Aufschlüsselung liegt hier nicht vor.
Modellversion und Produktivität getrennt betrachten
Eine weitere Grenze betrifft die interne Erfolgsmessung. Die von Revolut gezeigte Auswertung brachte die Umstellung auf GLM 5.1 mit Verbesserungen bei Coding Time und Lead Time in Verbindung. Die vorgestellte Hardwareinstallation wurde dagegen mit GLM 5.3 beschrieben. Beide Angaben gehören zur Umstellung, beziehen sich aber auf unterschiedliche Modellstände.
Vor allem isoliert die Auswertung den Modellwechsel nicht als alleinige Ursache der Verbesserungen. Änderungen an Prozessen, Infrastruktur und KI-Nutzung können ebenfalls eine Rolle gespielt haben. Die Konferenzdokumentation weist ausdrücklich auf diese Einschränkung hin. Daraus folgt keine belastbare Aussage, dass GLM allein die Entwicklungsarbeit beschleunigt habe oder grundsätzlich schneller arbeite als die zuvor genutzten Modelle.
Für die Bewertung der Architektur bleiben Kosten und Produktivität deshalb getrennte Prüfungen. Eine günstigere Inferenz muss die benötigten Aufgaben weiterhin ausreichend gut erledigen. Verbesserte Entwicklungskennzahlen wiederum erklären noch nicht, welcher technische oder organisatorische Eingriff dafür verantwortlich war.
Ein klarer Standard, mehrere verbleibende Wege
Revoluts Beispiel zeigt einen begrenzten, aber konkreten Umbau: Der reguläre Modellbetrieb für Entwicklungsaufgaben liegt auf einer selbstgehosteten GLM-Installation. Kommerzielle Dienste ergänzen sie dort, wo Ausnahmen oder andere Eingabeformate es erfordern.
Für andere Entwicklungsteams ist deshalb vor allem die Trennung der Aufgaben interessant. Welche Last lässt sich dauerhaft auf eigener Kapazität betreiben? Welche Fähigkeiten müssen zusätzlich verfügbar bleiben? Und welche Kosten gehören in den Vergleich? Revolut liefert dazu eine konkrete Betriebsgröße und eigene Einsparungsangaben. Ob sich dieselbe Rechnung andernorts wiederholen lässt, hängt von der jeweiligen Nutzung und einer vollständigeren Kostenbilanz ab.
Jens analysiert seit Jahren digitale Märkte, Preisbewegungen und Plattform-Strategien. Als Betreiber mehrerer datengetriebener Systeme wertet er täglich große Mengen an Produkt- und Trenddaten aus. Sein Fokus liegt auf Einordnung statt Hype: Was bedeutet eine Entwicklung wirklich für Nutzer, Preise und Märkte?
