MiniMax bricht mit alten Traditionen: Unternehmensumsatz explodiert um 700 Prozent und entwickelt sich heimlich zum Infrastrukturanbieter
In den Köpfen vieler Menschen taucht beim Thema MiniMax vielleicht immer noch die einst im Ausland beliebte KI-Begleitung Talkie auf, oder aber die dem inländischen Publikum vertrauten Anwendungen Xingye und Hailuo AI. Lange Zeit wurde dieses Einhorn im Bereich der großen Sprachmodelle von außen als reines „Consumer-Unternehmen“ abgestempelt.
Die Situation hat sich im vergangenen Jahr jedoch grundlegend gewandelt.
Wie aus dem kürzlich veröffentlichten Zwischenbericht von MiniMax für 2026 hervorgeht, hat sich die Umsatzstruktur komplett umgekehrt. Während der Consumer-Bereich vor einem Jahr mit etwa 70 % noch weit vor dem Unternehmenssegment mit rund 30 % lag, dominiert nun der B2B-Bereich absolut.
MiniMax hat ein Jahr für diesen strukturellen Wandel benötigt und ist heute zu einem Unternehmen für Rechenleistungsinfrastruktur herangewachsen, dessen Kernantriebskräfte ein globales Entwickler-Ökosystem, multimodales MaaS sowie eine Agent-Infrastruktur sind.
Den offengelegten Daten zufolge verzeichnete MiniMax eine massive Steigerung des Gesamtumsatzes. Im ersten Halbjahr 2026 wurde ein Gesamtumsatz von rund 120 Millionen US-Dollar erzielt, was einem Wachstum von 283,1 % im Jahresvergleich entspricht. Allein das Halbjahresergebnis erreichte das 1,5-Fache des Gesamtumsatzes von 2025.
Davon entfielen 73,9 Millionen US-Dollar auf das B2B-Geschäft, das hauptsächlich aus der offenen Plattform und anderen Unternehmensdienstleistungen besteht. Dies entspricht einem explosiven Wachstum von über 700 % im Jahresvergleich. Der Anteil am Gesamtumsatz stieg von 30,3 % im Vorjahr auf 63,4 % und wurde damit zum größten Umsatzträger des Unternehmens.
Dieses rasante Wachstum im Unternehmensmarkt führte zu einer signifikanten Steigerung des ARR (Annual Recurring Revenue) von MiniMax, das bis August 800 Millionen US-Dollar erreichte. Davon entfallen mittlerweile rund 80 % auf das B2B-Geschäft und nur noch etwa 20 % auf das B2C-Geschäft.
(Dabei ist anzumerken, dass ARR keine nach den anerkannten Rechnungslegungsstandards geprüfte Kennzahl ist und naturgemäß Spielraum für Interpretationen lässt, aber für KI-Modell- und SaaS-Unternehmen dennoch ein wertvoller Indikator bleibt.)
Darüber hinaus trug der ausländische Markt im ersten Halbjahr zu etwa 60 % des Umsatzes bei, was den globalen Charakter von MiniMax erneut unterstreicht.
Parallel zum Umsatzboom sanken die Vertriebs- und Verwaltungskosten im Jahresvergleich um 17,9 % auf 27 Millionen US-Dollar, während das Bruttoergebnis um 464,8 % auf 20,81 Millionen US-Dollar stieg.
Was die Verluste betrifft, so sank der Nettoverlust in diesem Zeitraum von rund 400 Millionen US-Dollar im Vorjahr auf etwa 360 Millionen US-Dollar.
Dies bedeutet, dass MiniMax sich endgültig von der frühen Phase verabschiedet hat, in der das Unternehmen auf den Kauf von Nutzern für weitgehend unterhaltungsorientierte Consumer-Anwendungen angewiesen war. Nach umfassenden Anstrengungen bei Basis- und multimodalen Modellen hat sich das Unternehmen nun zu einem durch Unternehmens- und Entwickler-Ökosysteme angetriebenen, natürlichen Netzwerkwachstum entwickelt.
Ein kurzer Quervergleich:
- Laut einem Bericht von The Information erzielte DeepSeek in den ersten sieben Monaten dieses Jahres einen Umsatz von 70,7 Millionen US-Dollar. Rechnet man den boomenden Juli heraus, lag der Umsatz von MiniMax im ersten Halbjahr grob geschätzt bei etwa dem Doppelten von DeepSeek.
- Obwohl der Netto-Umsatz von DeepSeek niedriger ist als der von MiniMax, erzielte das Unternehmen in den ersten sieben Monaten das Zehnfache des Gesamtumsatzes von 2025; die Wachstumsrate liegt also deutlich höher als bei MiniMax.
- Der Nettoverlust von DeepSeek in den ersten sieben Monaten belief sich auf 106 Millionen US-Dollar, während der Nettoverlust von MiniMax in diesem Zeitraum etwa das 3,4-Fache von DeepSeek beträgt.
Neue und alte Konsens
MiniMax gab an, dass der sprunghafte Anstieg des Token-Verbrauchs ein wichtiger Grund für den Umsatzboom in diesem Zeitraum war.
Allein im Juli dieses Jahres erreichte der Token-Verbrauch auf der gesamten Plattform von MiniMax genau das Zwanzigfache des Januars. Bis heute hat die Zahl der globalen Unternehmenskunden und Entwickler die Marke von zwei Millionen durchbrochen, was dem Zehnfachen des Standes Ende 2025 entspricht. Dass der Token-Verbrauch einen derart extremen, nichtlinearen Sprung verzeichnet, liegt an einem Paradigmenwechsel im Modellkonsum.
CEO Yan Junjie erklärte, dass sich das Paradigma des Modellkonsums von der „direkten Konversation zwischen Mensch und KI“ vollständig hin zu „mehrstufigen Kaskadeninteraktionen zwischen Agenten und KI“ gewandelt habe.
Das durch Agenten angetriebene Wachstum der Inferenznachfrage verläuft deutlich schneller als das Wachstum der menschlichen Nutzerzahlen und Nachrichtenzahlen. Dies führt direkt dazu, dass der Token-Verbrauch pro Nutzer exponentiell explodiert.
Dies gilt in der sich rasant verändernden Modellbranche bereits als „alter Konsens“.
Der wichtigere neue Konsens ist jedoch, dass Post-Training zur neuen Obergrenze für das Scaling geworden ist.
Aus den jüngsten öffentlichen Informationen zu GLM 5.3 von Zhipu, DeepSeek V4 Flash (Version 0731) und Gemini 3.x Flash geht hervor, dass immer mehr Modellanbieter bei kleinen Versionsaktualisierungen stark auf Post-Training setzen oder sich sogar ausschließlich darauf verlassen, um die Leistung der Modelle bei bestimmten Hauptaufgaben signifikant zu verbessern.
Yan Junjie wies in der Ergebniskonferenz ebenfalls auf diesen Wandel im branchenweiten Konsens hin: Das aktuelle Scaling großer Modelle erstreckt sich rasch vom reinen Pre-Training auf Mid-Training, Post-Training und bestärkendes Lernen (Reinforcement Learning).
In der Post-Training-Phase sind die massenhafte Generierung synthetischer Daten, das Rollout von Umgebungen im bestärkenden Lernen (Inferenz/Generierung) sowie die trial-and-error-Verifizierung von generierten Aufgaben im Wesentlichen alles Inferenzberechnungen. Je niedriger die Inferenzkosten pro Rechenleistungseinheit und je höher der Durchsatz, desto größer ist die Anzahl an Trajektorien und das Experimentvolumen, die das Modell beim Post-Training bewältigen kann. Das ist auch der Grund, warum eine Reihe von Modellanbietern, einschließlich MiniMax, in der Mid-Training- und Post-Training-Phase einen immer höheren Anteil der Rechenleistung investieren.
Yan Junjie wies darauf hin, dass bei gleicher Rechenleistung der Verbesserungsfaktor der Inferenzeffizienz im Wesentlichen linear mit dem Vergrößerungsfaktor des Post-Trainings korreliert. Grob übersetzt bedeutet dies: Je intensiver das Post-Training betrieben wird, desto größer sind die Effizienzgewinne bei der Inferenz und desto besser sind die finalen Ergebnisse des Modells.
Mit anderen Worten: Egal, ob man glaubt, dass das Scaling Law an eine Wand gestoßen ist oder ob die Modellparameter bereits ihre Grenzen erreicht haben – Post-Training…